Machine Learning para a identificação de barreiras cognitivas em estudantes de Engenharia de Software
Resumo
Esta pesquisa investiga como dados de interação e desempenho do aluno, coletados em uma plataforma gamificada, podem ser analisados por modelos de Machine Learning para identificar barreiras cognitivas e apoiar intervenções pedagógicas adaptadas. Vídeo: https://youtu.be/JMK8fP5wwaQ
Referências
BARCELLOS, Monalessa P.; SOUZA, Vítor E. Silva; COSTA, Patrícia Dockhorn; AGUIAR, Camila Zacché de. Using Extension Projects to Improve Software Engineering Education and Software Quality: The Experience of the “Ricardo de Almeida Falbo” Software Engineering Practices Laboratory. In: Brazilian Symposium on Software Quality (SBQS 2024). DOI: 10.1145/3701625.3701680
FERREIRA, Thaís; VIANA, Davi; FERNANDES, Juliana Costa; SANTOS, Rodrigo Pereira dos. Identifying emerging topics and difficulties in software engineering education in Brazil. In: (SBES), 32., 2018, São Carlos. ACM, 2018. p. 230–239.
MISHRA, Alok; MISHRA, Deepti. Sustainable software engineering: curriculum development based on ACM/IEEE guidelines. In: CALERO, Coral; MORAGA, Mª Ángeles; PIATTINI, Mario (org.). Software sustainability. Cham: Springer, 2021. p. 269–285.
MENG, Wentao; YU, Lei; LIU, Chen; PAN, Nengchao; PANG, Xiawen; ZHU, Yunyun. A systematic review of the effectiveness of online learning in higher education during the COVID-19 pandemic period. Frontiers in Education, v. 8, 2023. Publicado em: 17 jan. 2024. DOI: 10.3389/feduc.2023.1334153.
LELLI, Valéria; SANTOS, Ismayle; BRANCO, Karina. Uso de Práticas Gamificadas no Ensino de Verificação e Validação de Software. In: SIMPÓSIO BRASILEIRO DE EDUCAÇÃO EM COMPUTAÇÃO (EDUCOMP), 4., 2024, São Paulo, SP. 2024. p. 184–192. DOI: 10.5753/educomp.2024.237525.
FERGUSON, Rebecca. Learning analytics: drivers, developments and challenges. International Journal of Technology Enhanced Learning, v. 4, n. 5/6, p. 304–317, 2012. DOI: 10.1504/IJTEL.2012.051816.
SILVA, Bruno João da; PIMENTEL, Edson Pinheiro; BOTELHO, Wagner Tanaka. Predição de Desempenho de Estudantes: Uma Revisão Sistemática de Literatura. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 33., 2022. Porto Alegre. DOI: 10.5753/sbie.2022.225093.
MORAES, Laura O.; DELGADO, Carla A. D. M.; FREIRE, João Pedro; PEDREIRA, Carlos Eduardo. Machine Teaching: uma ferramenta didática e de análise de dados para suporte a cursos introdutórios de programação. In: SIMPÓSIO BRASILEIRO DE EDUCAÇÃO EM COMPUTAÇÃO (EDUCOMP), 2022. p. 213–223. DOI: 10.5753/educomp.2022.19216.
PINHEIRO, Tânia Saraiva de Melo; PINHEIRO, Ana Cláudia Mendonça. Toda era é uma era tecnológica: um referencial de padrões evolutivos para a compreensão do continuum de inovações educacionais. Et al – Education & Technology for Advancing Learning, Rio de Janeiro, v. 1, n. 1, 2025. Disponível em: [link]. Acesso em: 28 jan. 2026.
ISSAH, Iddrisu; APPIAH, Obed; APPIAHENE, Peter; INUSAH, Fuseini. A systematic review of the literature on machine learning application of determining the attributes influencing academic performance. Decision Analytics Journal, v. 7, p. 100204, jun. 2023. DOI: 10.1016/j.dajour.2023.100204
FERREIRA, Thaís; VIANA, Davi; FERNANDES, Juliana Costa; SANTOS, Rodrigo Pereira dos. Identifying emerging topics and difficulties in software engineering education in Brazil. In: (SBES), 32., 2018, São Carlos. ACM, 2018. p. 230–239.
MISHRA, Alok; MISHRA, Deepti. Sustainable software engineering: curriculum development based on ACM/IEEE guidelines. In: CALERO, Coral; MORAGA, Mª Ángeles; PIATTINI, Mario (org.). Software sustainability. Cham: Springer, 2021. p. 269–285.
MENG, Wentao; YU, Lei; LIU, Chen; PAN, Nengchao; PANG, Xiawen; ZHU, Yunyun. A systematic review of the effectiveness of online learning in higher education during the COVID-19 pandemic period. Frontiers in Education, v. 8, 2023. Publicado em: 17 jan. 2024. DOI: 10.3389/feduc.2023.1334153.
LELLI, Valéria; SANTOS, Ismayle; BRANCO, Karina. Uso de Práticas Gamificadas no Ensino de Verificação e Validação de Software. In: SIMPÓSIO BRASILEIRO DE EDUCAÇÃO EM COMPUTAÇÃO (EDUCOMP), 4., 2024, São Paulo, SP. 2024. p. 184–192. DOI: 10.5753/educomp.2024.237525.
FERGUSON, Rebecca. Learning analytics: drivers, developments and challenges. International Journal of Technology Enhanced Learning, v. 4, n. 5/6, p. 304–317, 2012. DOI: 10.1504/IJTEL.2012.051816.
SILVA, Bruno João da; PIMENTEL, Edson Pinheiro; BOTELHO, Wagner Tanaka. Predição de Desempenho de Estudantes: Uma Revisão Sistemática de Literatura. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 33., 2022. Porto Alegre. DOI: 10.5753/sbie.2022.225093.
MORAES, Laura O.; DELGADO, Carla A. D. M.; FREIRE, João Pedro; PEDREIRA, Carlos Eduardo. Machine Teaching: uma ferramenta didática e de análise de dados para suporte a cursos introdutórios de programação. In: SIMPÓSIO BRASILEIRO DE EDUCAÇÃO EM COMPUTAÇÃO (EDUCOMP), 2022. p. 213–223. DOI: 10.5753/educomp.2022.19216.
PINHEIRO, Tânia Saraiva de Melo; PINHEIRO, Ana Cláudia Mendonça. Toda era é uma era tecnológica: um referencial de padrões evolutivos para a compreensão do continuum de inovações educacionais. Et al – Education & Technology for Advancing Learning, Rio de Janeiro, v. 1, n. 1, 2025. Disponível em: [link]. Acesso em: 28 jan. 2026.
ISSAH, Iddrisu; APPIAH, Obed; APPIAHENE, Peter; INUSAH, Fuseini. A systematic review of the literature on machine learning application of determining the attributes influencing academic performance. Decision Analytics Journal, v. 7, p. 100204, jun. 2023. DOI: 10.1016/j.dajour.2023.100204
Publicado
04/05/2026
Como Citar
CARVALHO, Denise Rísia Andrade; ANDRADE, Rossana M. de Castro.
Machine Learning para a identificação de barreiras cognitivas em estudantes de Engenharia de Software. In: LABORATÓRIO DE IDEIAS - SIMPÓSIO BRASILEIRO DE EDUCAÇÃO EM COMPUTAÇÃO (EDUCOMP), 6. , 2026, Campo Grande/MS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 1-3.
ISSN 3086-0741.
DOI: https://doi.org/10.5753/educomp_estendido.2026.19603.
