Tempos de Transição em Estados de Corretude e Erro como Indicadores de Desempenho em Juízes Online
Resumo
Turmas de Introdução à Programação de Computadores (IPC) tipicamente apresentam altos índices de reprovação. Com efeito, muitos estudos vêm sendo conduzidos para entender de modo holístico como os alunos desenvolvem soluções e quais comportamentos podem ter um impacto positivo ou negativo no desempenho deles. Nesse sentido, este estudo propõe e valida um modelo de transições de estados em um Juiz Online (JO) com ênfase em turmas de IPC. O modelo leva em consideração o tempo de transição de estados de corretude e erro das soluções desenvolvidas e avaliadas por 489 alunos de 9 turmas de IPC em um JO. Como resultado, pode-se verificar uma correlação moderada para alta entre o tempo gasto em transições de submissão incorreta e correta e o desempenho final do estudante de IPC.
Palavras-chave:
juiz online, modelo de estados, indicadores de desempenho
Referências
Alves, A., de Carvalho, L. S. G., Oliveira, E., and Fernandes, D. (2019). Análise comportamental em juízes online para predição do desempenho final de alunos em disciplinas de computação. In Simpósio Brasileiro de Informática na Educação (SBIE), volume 30, page 1906.
Baker, R. S. and Inventado, P. S. (2014). Educational data mining and learning analytics.In Learning analytics, pages 61–75. Springer.
Carter, A. S., Hundhausen, C. D., and Adesope, O. (2015). The normalized programmingstate model: Predicting student performance in computing courses based on programming behavior. In Proceedings of the eleventh annual International Conference onInternational Computing Education Research, pages 141–150. ACM.
Dwan, F., Oliveira, E., and Fernandes, D. (2017). Predição de zona de aprendizagem de alunos de introdução à programação em ambientes de correção automática de código. In Simpósio Brasileiro de Informática na Educação (SBIE), volume 28, page 1507.
Fonseca, S., Oliveira, E., Pereira, F., Fernandes, D., and de Carvalho, L. S. G.(2019). Adaptação de um método preditivo para inferir o desempenho de alunos de programação. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), volume 30, page 1651.
Hauke, J. and Kossowski, T. (2011). Comparison of values of pearson’s and spearman’s correlation coefficients on the same sets of data. Quaestiones geographicae, 30(2):87–93.
Jadud, M. C. (2006). Methods and tools for exploring novice compilation behaviour. In Proceedings of the second international workshop on Computing education research,pages 73–84. ACM.
Pereira, F., Oliveira, E., Fernandes, D., de Carvalho, L. S. G., and Junior, H. (2019).Otimização e automação da predição precoce do desempenho de alunos que utilizam juízes online: uma abordagem com algoritmo genético. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), volume 30, page 1451.
Pereira, F. D., Oliveira, E. H., Oliveira, D. B., Cristea, A. I., Carvalho, L. S., Fonseca,S. C., Toda, A., and Isotani, S. (2020). Using learning analytics in the amazonas: understanding students’ behaviour in introductory programming. British Journal of Educational Technology.
Pereira, F. D., Oliveira, E. H. T., and Oliveira, D. F. B. (2018). Uso de um método preditivo para inferir a zona de aprendizagem de alunos de programação em um ambiente de correção automática de código. Mestrado em informática, Universidade Federal do Amazonas, Manaus.
Robins, A. V. (2019). Novice programmers and introductory programming. In The Cambridge Handbook of Computing Education Research, chapter 12, pages 327–376. Cambridge University Pres, Cambridge.
Tabanao, E. S., Rodrigo, M. M. T., and Jadud, M. C. (2011). Predicting at-risk novice java programmers through the analysis of online protocols. In Proceedings of the seventh international workshop on Computing education research, pages 85–92. ACM.
Wasik, S., Antczak, M., Badura, J., Laskowski, A., and Sternal, T. (2018). A survey on online judge systems and their applications. ACM Computing Surveys (CSUR),51(1):1–34.
Watson, C. and Li, F. W. (2014). Failure rates in introductory programming revisited. In Proceedings of the 2014 conference on Innovation & technology in computer science education, pages 39–44.
Baker, R. S. and Inventado, P. S. (2014). Educational data mining and learning analytics.In Learning analytics, pages 61–75. Springer.
Carter, A. S., Hundhausen, C. D., and Adesope, O. (2015). The normalized programmingstate model: Predicting student performance in computing courses based on programming behavior. In Proceedings of the eleventh annual International Conference onInternational Computing Education Research, pages 141–150. ACM.
Dwan, F., Oliveira, E., and Fernandes, D. (2017). Predição de zona de aprendizagem de alunos de introdução à programação em ambientes de correção automática de código. In Simpósio Brasileiro de Informática na Educação (SBIE), volume 28, page 1507.
Fonseca, S., Oliveira, E., Pereira, F., Fernandes, D., and de Carvalho, L. S. G.(2019). Adaptação de um método preditivo para inferir o desempenho de alunos de programação. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), volume 30, page 1651.
Hauke, J. and Kossowski, T. (2011). Comparison of values of pearson’s and spearman’s correlation coefficients on the same sets of data. Quaestiones geographicae, 30(2):87–93.
Jadud, M. C. (2006). Methods and tools for exploring novice compilation behaviour. In Proceedings of the second international workshop on Computing education research,pages 73–84. ACM.
Pereira, F., Oliveira, E., Fernandes, D., de Carvalho, L. S. G., and Junior, H. (2019).Otimização e automação da predição precoce do desempenho de alunos que utilizam juízes online: uma abordagem com algoritmo genético. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), volume 30, page 1451.
Pereira, F. D., Oliveira, E. H., Oliveira, D. B., Cristea, A. I., Carvalho, L. S., Fonseca,S. C., Toda, A., and Isotani, S. (2020). Using learning analytics in the amazonas: understanding students’ behaviour in introductory programming. British Journal of Educational Technology.
Pereira, F. D., Oliveira, E. H. T., and Oliveira, D. F. B. (2018). Uso de um método preditivo para inferir a zona de aprendizagem de alunos de programação em um ambiente de correção automática de código. Mestrado em informática, Universidade Federal do Amazonas, Manaus.
Robins, A. V. (2019). Novice programmers and introductory programming. In The Cambridge Handbook of Computing Education Research, chapter 12, pages 327–376. Cambridge University Pres, Cambridge.
Tabanao, E. S., Rodrigo, M. M. T., and Jadud, M. C. (2011). Predicting at-risk novice java programmers through the analysis of online protocols. In Proceedings of the seventh international workshop on Computing education research, pages 85–92. ACM.
Wasik, S., Antczak, M., Badura, J., Laskowski, A., and Sternal, T. (2018). A survey on online judge systems and their applications. ACM Computing Surveys (CSUR),51(1):1–34.
Watson, C. and Li, F. W. (2014). Failure rates in introductory programming revisited. In Proceedings of the 2014 conference on Innovation & technology in computer science education, pages 39–44.
Publicado
24/11/2020
Como Citar
SANTOS, Ingrid Lima dos; OLIVEIRA, David Braga Fernandes; CARVALHO, Leandro Silva Galvão de; PEREIRA, Filipe Dwan; OLIVEIRA, Elaine Harada Teixeira de.
Tempos de Transição em Estados de Corretude e Erro como Indicadores de Desempenho em Juízes Online. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 31. , 2020, Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2020
.
p. 1283-1292.
DOI: https://doi.org/10.5753/cbie.sbie.2020.1283.
