Modelo de identificação de unidades de conhecimento de programação em processo de aplicação durante a codificação
Resumo
Trabalhos que apresentaram modelos de identificação do conhecimento de alunos em programação, em ambientes computacionais de aprendizagem, não investigaram formas de identificar unidades de conhecimento em processo de serem aplicadas, durante a codificação. Este tipo de informação pode ser útil para tomadas de decisão de ambientes adaptativos, como oferecer suporte quando o aluno está tentando aplicar determinados conhecimentos. Este trabalho apresenta e avalia um modelo baseado em análise sintática que acompanha a codificação do aluno e identifica unidades de conhecimento de programação em processo de aplicação. Os resultados mostraram uma boa concordância entre as inferências do modelo e os julgamentos de especialistas.
Palavras-chave:
identificação de conhecimento do aluno, programação de computadores, sistemas de aprendizagem
Referências
Ala-Mutka, K. M. (2005). A survey of automated assessment approaches for programming assignments. Computer Science Education, 15(2):83–102.
Brennan, R. L. and Prediger, D. J. (1981). Coefficient kappa: Some uses, misuses, and alternatives.Educational and Psychological Measurement, 41(3):687–699.
Burns, H. L. and Capps, C. G. (1988). Foundations of intelligent tutoring systems: An introduction. Foundations of intelligent tutoring systems, pages 1–19.
Cheang, B., Kurnia, A., Lim, A., and Oon, W.-C. (2003). On automated grading of programming assignments in an academic institution. C&E, 41(2):121–131.
Cohen, J. (1960). A Coefficient of Agreement for Nominal Scales. Educational and Psychological Measurement, 20(1):37–46.
Corbett, A. T. and Bhatnagar, A. (1997). Student Modeling in the ACT ProgrammingTutor: Adjusting a Procedural Learning Model With Declarative Knowledge. User Modeling, pages 243–254.
Fleiss, J. L., Levin, B., and Paik, M. C. (2004). The Measurement of Interrater-Agreement. Statistical Methods for Rates and Proportions, pages 598–626.
Jackson, D. and Usher, M. (1997). Grading student programs using assyst. SIGCSE Bull., 29(1): 335–339.
Kasurinen, J. and Nikula, U. (2009). Estimating programming knowledge with Bayesian knowledge tracing. ACM SIGCSE Bulletin, 41(3): 313.
Liang, Y., Liu, Q., Xu, J., and Wang, D. (2009). The recent development of automated programming assessment.Proceedings of CiSE 2009.
Parr, T. (2013). The Definitive ANTLR 4 Reference. Pragmatic Bookshelf, 2nd edition.
Patel, A., Panchal, D., and Shah, M. (2015). Towards improving automated evaluation of java program. In 49th Convention of the CSI Volume 1, pages 489–496. Springer.
Porfirio, A., Pereira, R., and Maschio, E. (2017). Atualização do Modelo do Aprendiz de Programação de Computadores com o Uso de Parser AST. CBIE 2017.
Porfirio, A. J. (2020). Identifying evidences of computer programming skills through automatic source code evaluation. PhD thesis, Universidade Federal do Paraná.
Randolph, J. J. (2005). Free-marginal multirater kappa (multirater κ free): An alternative to fleiss’ fixed-marginal multirater kappa. InJLIS 2005.
Singh, R., Gulwani, S., and Solar-Lezama, A. (2013). Automated feedback generation for introductory programming assignments. In 34th ACM SIGPLAN, NY, USA.
Sison, R. and Shimura, M. (1998). Student Modeling and Machine Learning.International Journal of Artificial Intelligence in Education, 9:128–158.
Vanlehn, K. (2006). The behavior of tutoring systems. International journal of artificial intelligence in education, 16(3):227–265.
Vier, J., Gluz, J. C., and Jaques, P. A. (2015). Empregando Redes Bayesianas para modelar automaticamente o conhecimento dos alunos em Lógica de Programação. Revista Brasileira de Informática na Educação, 23(02): 45.
Wang, L., Sy, A., Liu, L., and Piech, C. (2017). Deep knowledge tracing on programming exercises. L@S 2017 - Proceedings of the 4th (2017) ACM L@S, pages 201–204.
Woolf, B. P. (2008). Building Intelligent Interactive Tutors: Student-Centered Strategies for Revolutionizing e-Learning. Morgan Kaufmann, San Francisco, CA, USA.
Brennan, R. L. and Prediger, D. J. (1981). Coefficient kappa: Some uses, misuses, and alternatives.Educational and Psychological Measurement, 41(3):687–699.
Burns, H. L. and Capps, C. G. (1988). Foundations of intelligent tutoring systems: An introduction. Foundations of intelligent tutoring systems, pages 1–19.
Cheang, B., Kurnia, A., Lim, A., and Oon, W.-C. (2003). On automated grading of programming assignments in an academic institution. C&E, 41(2):121–131.
Cohen, J. (1960). A Coefficient of Agreement for Nominal Scales. Educational and Psychological Measurement, 20(1):37–46.
Corbett, A. T. and Bhatnagar, A. (1997). Student Modeling in the ACT ProgrammingTutor: Adjusting a Procedural Learning Model With Declarative Knowledge. User Modeling, pages 243–254.
Fleiss, J. L., Levin, B., and Paik, M. C. (2004). The Measurement of Interrater-Agreement. Statistical Methods for Rates and Proportions, pages 598–626.
Jackson, D. and Usher, M. (1997). Grading student programs using assyst. SIGCSE Bull., 29(1): 335–339.
Kasurinen, J. and Nikula, U. (2009). Estimating programming knowledge with Bayesian knowledge tracing. ACM SIGCSE Bulletin, 41(3): 313.
Liang, Y., Liu, Q., Xu, J., and Wang, D. (2009). The recent development of automated programming assessment.Proceedings of CiSE 2009.
Parr, T. (2013). The Definitive ANTLR 4 Reference. Pragmatic Bookshelf, 2nd edition.
Patel, A., Panchal, D., and Shah, M. (2015). Towards improving automated evaluation of java program. In 49th Convention of the CSI Volume 1, pages 489–496. Springer.
Porfirio, A., Pereira, R., and Maschio, E. (2017). Atualização do Modelo do Aprendiz de Programação de Computadores com o Uso de Parser AST. CBIE 2017.
Porfirio, A. J. (2020). Identifying evidences of computer programming skills through automatic source code evaluation. PhD thesis, Universidade Federal do Paraná.
Randolph, J. J. (2005). Free-marginal multirater kappa (multirater κ free): An alternative to fleiss’ fixed-marginal multirater kappa. InJLIS 2005.
Singh, R., Gulwani, S., and Solar-Lezama, A. (2013). Automated feedback generation for introductory programming assignments. In 34th ACM SIGPLAN, NY, USA.
Sison, R. and Shimura, M. (1998). Student Modeling and Machine Learning.International Journal of Artificial Intelligence in Education, 9:128–158.
Vanlehn, K. (2006). The behavior of tutoring systems. International journal of artificial intelligence in education, 16(3):227–265.
Vier, J., Gluz, J. C., and Jaques, P. A. (2015). Empregando Redes Bayesianas para modelar automaticamente o conhecimento dos alunos em Lógica de Programação. Revista Brasileira de Informática na Educação, 23(02): 45.
Wang, L., Sy, A., Liu, L., and Piech, C. (2017). Deep knowledge tracing on programming exercises. L@S 2017 - Proceedings of the 4th (2017) ACM L@S, pages 201–204.
Woolf, B. P. (2008). Building Intelligent Interactive Tutors: Student-Centered Strategies for Revolutionizing e-Learning. Morgan Kaufmann, San Francisco, CA, USA.
Publicado
24/11/2020
Como Citar
KAUTZMANN, Tiago R.; JAQUES, Patricia A..
Modelo de identificação de unidades de conhecimento de programação em processo de aplicação durante a codificação. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 31. , 2020, Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2020
.
p. 982-991.
DOI: https://doi.org/10.5753/cbie.sbie.2020.982.
