Em Direção a uma Ferramenta de Recomendação de Código para Apoiar o Aprendizado de Programação
Resumo
Aprender programação de computadores é uma atividade desafiadora, especialmente para quem está iniciando na área. Os principais desafios enfrentados pelos estudantes novatos são abstração e compreensão da lógica de programação [8], ou seja, sistematizar problemas em algoritmos e materializá-los em código-fonte [14 , 19]. Como resultado, alguns possíveis problemas a curto e longo prazo podem emergir [10 , 11]: (i) a curto prazo, o tempo gasto para realização das atividades e fixação de novos conceitos de programação, que ocorre principalmente quando o estudante ainda está na fase inicial de aprendizado; (ii) a longo prazo, em que o estudante, já atuando no mercado de trabalho, apresenta menor produtividade em traduzir as necessidades do cliente em uma solução algorítmica, impactando no atraso do projeto e até mesmo na entrega para o cliente. Uma maneira para tentar minimizar esse problema pode ser por meio de um apoio ferramental, em que o estudante verifica a semântica e a completude do seu raciocínio em relação a um determinado problema. Além disso, tal apoio pode auxiliar o estudante na descoberta de diferentes formas sobre como solucionar um problema, tais como a escrita de uma estrutura de controle condicional na forma if-else ou, alternativamente, na forma de um teste ternário. Os sistemas de recomendação baseados em código-fonte (Source Code based Recommendation System - SCoReS) fornecem suporte para algumas tarefas, por exemplo: como usar uma determinada API (Application Programming Interface) ou uma estrutura; dicas sobre elementos que estão omissos ou ambíguos no código; sugestões sobre como como reutilizar ou corrigir um código existente; ou, ajudar programadores novatos a aprender um novo projeto, paradigma de programação, ou estilo [7]. Com isso, um SCoReS é relevante para a melhoria do desenvolvimento de software, principalmente do código-fonte, por este ser o artefato mais atualizado e, portanto, a fonte de dados mais confiável [13 , 20]. É importante destacar que o código-fonte fornece uma fonte rica e estruturada de informações, com base nas quais os sistemas de recomendação podem ser construídos para fornecer recomendações úteis a desenvolvedores de software ou iniciantes em programação. Com isso em mente, foi realizada uma pesquisa em artigos científicos, publicados em conferências e periódicos, e na loja de extensões do editor de código VSCode, tendo em vista sua popularidade [15], a fim de verificar ferramentas que pudessem ser utilizadas como auxílio aos estudantes. Dentre as identificadas, a que mais se aproximou da ideia de apoiar os estudantes durante a escrita de códigos foi a SoCeR (A New Source Code Recommendation Technique for Code Reuse) [16], uma ferramenta que recomenda código-fonte por meio da interação em linguagem natural com o usuário. Entretanto, a ferramenta não está disponível para uso e não existem detalhes sobre seu desenvolvimento. Ainda, descrevem outras ferramentas similares, como Koder [2] e Krugle [1], que também foram aqui testadas e suas funcionalidades se mostraram insuficientes para atender às necessidades de nossa metodologia [16]. Já as extensões do editor VSCode testadas foram: Clara [4], Blackbox [5], Captain Stack [6], Tabnine [3] e GitHub Copilot [9]. Após uma minuciosa avaliação de todas as ferramentas apresentadas, foi evidenciado que nenhuma delas atendia plenamente às necessidades da metodologia proposta. As únicas ferramentas que se mostraram adequadas para o propósito não estavam disponíveis para uso (SoCeR) ou eram de caráter pago (GitHub Copilot). Diante desse cenário, torna-se evidente a necessidade de proposição, desenvolvimento e avaliação experimental de uma ferramenta de código aberto que seja capaz de atender às especificações requeridas e listadas anteriormente. Portanto, este trabalho tem por objetivo desenvolver um SCoReS, para apoiar o ensino de programação, com acesso público e facilitado a todos. Para tanto, será necessário conduzir algumas etapas. (i) Identificar, construir e validar uma base de conhecimento útil em programação para desenvolvedores de software iniciantes que servirá como entrada para o sistema de recomendação. A partir dela, vislumbra-se a recomendação de código a partir da própria interação do usuário, conforme este projeta seus códigos durante o aprendizado de programação. Em outras palavras, o sistema SCoReS aprenderá como a pessoa pensa para resolver os problemas e sugerirá melhorias e correções, aumentando continuamente sua base de dados. Além disso, será necessário (ii) definir qual(is) modelo(s)/algoritmo(s) de recomendação, baseados em Inteligência Artificial, serão empregados. À primeira vista está o emprego do modelo baseado em conteúdo que emprega técnicas de mineração de textos [17], seguida de modelos pré-treinados de linguagens, tais como codeBERT [12]. Também espera-se (iii) desenvolver uma interface para acesso aos resultados da recomendação por meio de uma extensão para o editor VSCode. A escolha do editor está ligada à popularidade da ferramenta entre programadores iniciantes e experientes. Por fim, espera-se (iv) avaliar a assertividade das recomendações geradas [18] para o apoio do aprendizado de programação, assim como a experiência de aprendizagem dos estudantes (learning experience) com a ferramenta proposta. Ressalta-se que esta proposta está será pautada em uma metodologia baseada em experimentação, que utiliza estudos experimentais para avaliar e evoluir tecnologias de software [21].
Referências
2005. Koder. Disponível em: https://www.koders.com. Acesso em 28 de janeiro de 2023.
2018. Tabnine AI Autocomplete. Disponível em: [link]. Acesso em 28 de janeiro de 2023.
2021. Clara Copilot. Disponível em: [link]. Acesso em 28 de janeiro de 2023.
2022. Blackbox. Disponível em: [link]. Acesso em 28 de janeiro de 2023.
2022. Captain Stack. Disponível em: [link]. Acesso em 28 de janeiro de 2023.
Muhammad Azeem Akbar, Arif Ali Khan, and Zhiqiu Huang. 2022. Multicriteria decision making taxonomy of code recommendation system challenges: A fuzzy- AHP analysis. Information Technology and Management, 1–17.
Ivanilse Calderon, Williamson Silva, and Eduardo Feitosa. 2021. Um Mapeamento Sistemático da Literatura sobre o uso de Metodologias Ativas durante o Ensino de Programação no Brasil. In Anais do XXXII Simpósio Brasileiro de Informática na Educação. SBC, 1152–1161.
Marcos Ronaldo Melo Cavalheiro, Gerson Battisti, Barbara Gündel, and Isabel Koltermann Battisti. 2022. GITHUB COPILOT E O FUTURO DA PROGRAMAÇÃO. Salão do Conhecimento 8, 8.
Bárbara Gabriela Sousa da Silva, Laysa Mabel de Oliveira Fontes, and Brígido Conrado de Brito Freitas. 2022. Autoavaliação na aprendizagem de programação introdutória: uma revisão sistemática da literatura Self-assessment in introductory programming learning: a systematic. Brazilian Journal of Development 8, 5, 32616-32643
Faruk Demir. 2022. The effect of different usage of the educational programming language in programming education on the programming anxiety and achievement. Education and Information Technologies 27, 3, 4171–4194.
Zhangyin Feng, Daya Guo, Duyu Tang, Nan Duan, Xiaocheng Feng, Ming Gong, Linjun Shou, Bing Qin, Ting Liu, Daxin Jiang, and Ming Zhou. 2020. CodeBERT: A Pre-Trained Model for Programming and Natural Languages.
Marko Gasparic and Andrea Janes. 2016. What recommendation systems for software engineering recommend: A systematic literature review. Journal of Systems and Software 113, 101–113.
Anabela Gomes, Joana Henriques, and Antonio Jose Mendes. 2008. Uma proposta para ajudar alunos com dificuldades na aprendizagem inicial de programação de computadores. Educação, Formação & Tecnologias 1, 1, 93–103.
Akira Hanashiro. 2021. VS Code - O que é e por que você deve usar? Disponível em: [link]. Acesso em 28 de janeiro de 2023.
Md Mazharul Islam and Razib Iqbal. 2020. SoCeR: A New Source Code Recommendation Technique for Code Reuse. In 2020 IEEE 44th Annual Computers, Software, and Applications Conference (COMPSAC). IEEE, 1552–1557.
Hyeyoung Ko, Suyeon Lee, Yoonseo Park, and Anna Choi. 2022. A Survey of Recommendation Systems: Recommendation Models, Techniques, and Application Fields. Electronics 11, 1.
Guilherme Medeiros Machado, Vinicius Maran, Gabriel Machado Lunardi, Leandro Krug Wives, and José Palazzo Moreira de Oliveira. 2021. AwARE: A Framework for Adaptive Recommendation of Educational Resources. Computing 103, 4, 675–705.
MACILON PEIXOTO et al. 2022. UMA REVISÃO BIBLIOGRÁFICA ACERCA DO USO DE FERRAMENTAS DIDÁTICAS NO ENSINO DE LÓGICA DE PROGRAMAÇÃO.
Martin P. Robillard, Walid Maalej, Robert J. Walker, and Thomas Zimmermann. 2014. Recommendation Systems in Software Engineering. Springer Publishing Company, Incorporated.
Claes Wohlin, Per Runeson, Martin Höst, Magnus C Ohlsson, Björn Regnell, and Anders Wesslén. 2012. Experimentation in software engineering. Springer Science & Business Media.
