Analise da Capacidade Preditiva de Técnicas para Modelagem do Conhecimento Aplicadas ao Aprendizado de Algoritmos

• Antonio Carlos Raposo UFMA
• Djefferson Smith Santos Maranhão UFMA
• Carlos de Salles Soares Neto Universidade Federal do Maranhão

DOI: https://doi.org/10.5753/cbie.sbie.2020.1653

Resumo

O aprendizado de algoritmos é um tema complexo e existem diversas iniciativas didáticas para aprimorar a experiência do aluno, como tutores inteligentes. A capacidade preditiva de modelos de conhecimento é fundamental para o funcionamento apropriado de tutores inteligentes. Adicionalmente, existem poucos estudos, neste contexto, que indicam os efeitos que o domínio de ensino tem sobre a capacidade preditiva dos modelos. Este artigo apresenta uma análise qualitativa e comparativa entre modelos de conhecimento como Bayesian Knowledge Tracing e Performance Factor Analysis a fim de se identificar possíveis peculiaridades no domino do ensino de algoritmos. Os resultados apontam que a forma de considerar os erros de compilação influencia decisivamente na capacidade preditiva dos modelos e existem argumentos tanto para manter os dados quanto para a remoção dos mesmos.

Palavras-chave: Capacidade Preditiva, Modelagem de Conhecimento, Ensino de Algoritmos

Referências

Beck, J. E. and Chang, K.-m. (2007). Identifiability: A fundamental problem of studentmodeling. InInternational Conference on User Modeling, pages 137–146. Springer.


Cen, H., Koedinger, K., and Junker, B. (2006). Learning factors analysis–a generalmethod for cognitive model evaluation and improvement. InInternational Conferenceon Intelligent Tutoring Systems, pages 164–175. Springer.


Corbett, A. T. and Anderson, J. R. (1994). Knowledge tracing: Modeling the acquisitionof procedural knowledge.User modeling and user-adapted interaction, 4(4):253–278.


d Baker, R. S., Corbett, A. T., and Aleven, V. (2008). More accurate student modelingthrough contextual estimation of slip and guess probabilities in bayesian knowledgetracing. InInternational conference on intelligent tutoring systems, pages 406–415.Springer.


David, Y. B., Segal, A., and Gal, Y. K. (2016). Sequencing educational content in clas-srooms using bayesian knowledge tracing. InProceedings of the sixth internationalconference on Learning Analytics & Knowledge, pages 354–363. ACM.


Gong, Y., Beck, J. E., and Heffernan, N. T. (2011). How to construct more accuratestudent models: Comparing and optimizing knowledge tracing and performance factoranalysis.International Journal of Artificial Intelligence in Education, 21(1-2):27–46.


Kurup, L. D., Joshi, A., and Shekhokar, N. (2016). A review on student modeling ap-proaches in its. In2016 3rd International Conference on Computing for SustainableGlobal Development (INDIACom), pages 2513–2517.


K ̈aser, T., Klingler, S., Schwing, A. G., and Gross, M. (2017).Dynamic baye-sian networks for student modeling.IEEE Transactions on Learning Technologies,10(4):450–462.


Pavlik Jr, P. I., Cen, H., and Koedinger, K. R. (2009). Performance factors analysis–a newalternative to knowledge tracing.Online Submission.


Psotka, J., Massey, L. D., and Mutter, S. A. (1988).Intelligent tutoring systems: Lessonslearned. Psychology Press.


Ramesh, V. M., Rao, N. J., and Ramanathan, C. (2015). Implementation of an intelligenttutoring system using moodle. In2015 IEEE Frontiers in Education Conference (FIE),pages 1–9.


Raposo, A. C., Maranhão, D., and Neto, C. S. (2019). Analise do modelo bkt na avaliação da curva de aprendizagem de alunos de algoritmos. InBrazilian Symposiumon Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE),volume 30, page 479.


Yudelson, M. V. (2016). Individualizing bayesian knowledge tracing. are skill parame-ters more important than student parameters?.International Educational Data MiningSociety.


Yudelson, M. V., Koedinger, K. R., and Gordon, G. J. (2013). Individualized bayesianknowledge tracing models. InInternational conference on artificial intelligence ineducation, pages 171–180. Springer