Felienne Hermans is full professor of Computer Science Education at the Vrije Universiteit Amsterdam.
Felienne is the author of the 2021 book The Programmer's Brain, a very readable and highly insightful introduction to the cognitive science behind how human brains learn programming. Why is programming hard to learn, and what can we do about that, both as learners and teachers? We recommended this for everyone, but it is particularly useful for those who just started to learn programming, as well as people who try to teach others.
Felienne’s most recent project is Hedy, a programming language aimed at beginners – including children – and that realises many of the insights from The programmer’s brain about why programming is hard to learn. Hedy is a “real” programming language in that it is unapologetically text-based, but the language design is gradual, progressing from an extremely lenient but incomplete language to a nontrivial subset of Python.
The language is under active development and constantly exposed to feedback from children who actually learn programming. We find this brilliant and are particularly impressed by the possibility of Hedy to teach some programming to everyone, rather than all programming to some people.
Un jeune développeur qui explique des concepts d'informatique.
J'aime bien le rythme et la direction artistique.
Abstract
“AI is going to radically change creative work”, we hear all around us. But what is that creativity that needs to be disrupted? In this talk Felienne Hermans, professor of computer science education at VU Amsterdam, will examine technology’s worldview, one of control and dominance, of measurements and data, and examine how that worldview shapes their understanding of the world and of their software systems.
This keynote by Felienne Hermans asks: What type of knowledge do we lose if we adopt AI? What perspectives might be lost? And what does that mean for the future of work?
Jeu vidéo Android pour apprendre sur le sujet des dark patterns
Ce guide a été conçu dans le cadre du programme Alt Impact, co-porté par l’ADEME, le CNRS et Inria. Ce projet a pour ambition de former et de sensibiliser un large public aux enjeux de l’impact environnemental du numérique. Plusieurs cibles ont été définies pour accompagner la transition : le grand public, les organisations professionnelles publiques et privées, ainsi que les acteurs de l’enseignement supérieur et la recherche.Ce guide propose un inventaire de ressources pédagogiques disponibles au format « clé en main » ou adaptables selon vos besoins, afin de vous former ou de former différents publics à la sobriété numérique.
Ce document constitue le référentiel du numérique responsable pour l’éducation. Il s’inscrit
dans le corpus des référentiels de la doctrine technique du numérique pour l’éducation, et
dans la stratégie du numérique pour l’éducation qui rappelle l’ambition du ministère pour le
développement de la citoyenneté à l’ère du numérique tout autant que l’engagement nécessaire de chaque fournisseur de services numériques pour tendre vers un objectif commun de
développement durable.
Il recense les exigences et recommandations en matière d’écoresponsabilité, d’accessibilité
numérique, d’éthique et d’usage de l’IA pour l’ensemble des fournisseurs de services numériques pour l’éducation.
Il s’appuie sur des documents de référence généraux comme le RGESN ou le RGAA, le rapport de la commission « Écrans et enfants : à la recherche du temps perdu » et contextualise
les exigences au périmètre des services numériques pour l’éducation. Le ministère, ses fournisseurs de services ainsi que l’ensemble des partenaires et acteurs des services numériques
ont participé à l’élaboration de ce référentiel.
Dans le cadre de ce référentiel, il est entendu que le « numérique responsable » est un processus d’amélioration continue qui vise à réduire l’empreinte environnementale et sociale du
numérique1
. Sur le plan environnemental, il revendique une utilisation plus sobre et moins
énergivore de l’outil numérique en faisant évoluer les pratiques, les usages et les projets de
déploiement des équipements et services vers plus de sobriété, sans tomber dans l’austérité.
Sur le plan social, le numérique responsable vise à garantir l'inclusion numérique, l'accès équitable aux technologies et la protection des droits de l'homme. Cela inclut la lutte contre la
fracture numérique et la promotion de l'éthique numérique.
Sur le plan économique, le numérique responsable encourage des modèles d'affaires durables, la transparence financière et la création d'emplois éthiques. Il s'agit de promouvoir
une économie numérique qui contribue positivement au bien-être économique global.
The past 3 years of work in NLP have been characterized by the development and deployment of ever larger language models, especially for English. BERT, its variants, GPT-2/3, and others, most recently Switch-C, have pushed the boundaries of the possible both through architectural innovations and through sheer size. Using these pretrained models and the methodology of fine-tuning them for specific tasks, researchers have extended the state of the art on a wide array of tasks as measured by leaderboards on specific benchmarks for English. In this paper, we take a step back and ask: How big is too big? What are the possible risks associated with this technology and what paths are available for mitigating those risks? We provide recommendations including weighing the environmental and financial costs first, investing resources into curating and carefully documenting datasets rather than ingesting everything on the web, carrying out pre-development exercises evaluating how the planned approach fits into research and development goals and supports stakeholder values, and encouraging research directions beyond ever larger language models.
Clara explores whether learning to code is still worthwhile, offering crucial insights into the learning process and the future of programming.
Clara explains how to use AI effectively when learning to code or improving your programming skills, discusses the potential drawbacks of the concept “AI as a tutor” and its impact on the learning experience, both practically and emotionally. 📃 Read the research this video is based on about the "widening gap" here: https://dl.acm.org/doi/10.1145/363262...
- 0:00 what’s up with AI and learning?
- 0:32 the experiment
- 0:58 pssst... check out our student pack
- 1:13 student A (struggling)
- 2:11 unawareness of unawareness
- 2:26 student B (non-struggling)
- 3:36 the widening gap
- 4:23 a rule of thumb 👍
- 4:39 doing things slowly is better for learning
- 4:48 imposter syndrome
- 4:56 meh.
- 5:43 🤑getting things done
- 6:09 the good old days
- 6:36 how to use LLMs in learning
- 6:54 what have we learned?
- 7:13 the psychology of learning to code
- 7:20 please… please... the student pack
- 7:32 begging and conclusion
Here is a visualization of a Java program. Each big circle represents a Class. The initial size (mass) of the circle is proportional to the number of fields and methods in the class. Each time the class calls a method of another class, the mass of the class increases, and a small circle will spawn. If class A calls B.method(), the small circle will have the same color (color B) as the circle that represents class B. If there are lots of small circles with color B following circle A, then the force of attraction on circle B exerted by circle A will be big. (Circle B does not attract Circle A if there are no small circles with color A following Circle B).
Question: Can you tell by looking at the visualization as to how the methods in classes are interacting with each other?
would you be able to describe it?
Is it a good way to visualize coupling between classes?
Is it good for anything at all?
Thank you so much
Un e-book interactif bien fait pour apprendre les transformées de Fourier de façon beaucoup plus claire que sur Wikipedia.
2026-06-03
Je rassemble ici en trois paragraphes et neuf liens tout ce que j’ai écrit sur l’IA générative (IAG) dans la partie Blog de mon site depuis deux ans. Ceci donne un bon aperçu de ma position concernant l’IAG à la date de publication de ce billet. Je mets également ce texte dans ma page sur l’IA dans la partie Cours du site, et c’est là-bas que je ferai des mises à jour si besoin.
idée de format de kata : "Skill issue"
Basée sur l'idée de "mauvaise foi dans le code, bonne foi dans les tests". (poke @romeu )
Driver joue le rôle d'un agent IA de mauvaise foi.
Driver dispose de quelques fichiers skill.md initialement un peu ambigües.
Driver les interprète de la pire façon.
Ensemble du groupe doit changer ses instructions et/ou les skills pour que Driver fait ce qui est attendu.
Le kata se fait sans L'utilisation de vrai LLM (indeed completion AI)
Accessibilité des ressources pédagogiques.
Ils organisent les premières "Forgéales" : des soirées de partage en visio les 24, 25 et 26 juin.