Predição de desempenho em ambientes computacionais para turmas de programação: um Mapeamento Sistemático da Literatura
Resumo
Turmas de programação têm um alto índice de reprovação e, por conta disso, muitos estudos vêm sendo conduzidos para realizar a predição do desempenho do aluno, para ajudar na tomada de decisão. Nesse caminho, o presente trabalho realizou um mapeamento sistemático da literatura dos anos de 2009 a 2019 com o intuito de caracterizar estudos que propuseram métodos relacionados com predição de desempenho em ambientes computacionais para turmas de programação. No total, 911 publicações foram exploradas, em que 70 foram aceitas para o fichamento. No geral, as pesquisas exploram técnicas de Aprendizagem de Máquina (AM) e Mineração de Dados (MD) para fazer inferências, através da modelagem de perfis de programação dos estudantes. Os resultados apontam lacunas e questões abertas para essa área.
Palavras-chave:
aprendizagem de máquina, mineração de dados, programação, MSL, RSL
Referências
Azcona, D., Hsiao, I. H., & Smeaton, A. F. (2018). Personalizing computer science education by leveraging multimodal learning analytics. IEEE Frontiers in Education Conference (FIE) (pp. 1-9).
Ahadi, A., Vihavainen, A. e Lister, R. (2016). On the number of attempts students made on some online programming exercises during semester and their subsequent performance on final exam questions. ACM Conference on Innovation and Technology in Computer Science Education, p. 218–223.
Auvinen, T. (2015). Harmful study habits in online learning environments with automatic assessment. 2015 International Conference on Learning and Teaching in Computing and Engineering, p. 50–57.
Dwan, F., Oliveira, E., & Fernandes, D. (2017). Predição de zona de aprendizagem de alunos de introdução à programação em ambientes de correção automática de código. Simpósio Brasileiro de Informática na Educação-SBIE).
Edwards, S.H., Snyder, J., Pérez-Quiñones, M.A., Allevato, A., Kim, D., Tretola, B., 2009. Comparing effective and ineffective behaviors of student programmers. Workshop on Computing education research, ACM. pp. 3– 14.
Fonseca, S., Oliveira, E., Pereira, F., Fernandes, D., de Carvalho, L. S. G. (2019). Adaptação de um método preditivo para inferir o desempenho de alunos de programação. Simpósio Brasileiro de Informática na Educação (SBIE).
Jadud, M. C. (2006). Methods and tools for exploring novice compilation behaviour. International Workshop on Computing Education Research, p. 73–84.
Leinonen, J., Longi, K., Klami, A. e Vihavainen, A. (2016). Automatic inference of programming performance and experience from typing patterns. ACM Technical Symposium on Computing Science Education, p. 132–137.
Otero, J., Junco, L., Suarez, R., Palacios, A., Couso, I. e Sanchez, L. (2016). Finding informative code metrics under uncertainty for predicting the pass rate of online courses. Information Sciences, 373:42–56.
Pereira, F.D., Oliveira, E. H. T., Fernandes, D., Cristea, A. (2019a). Early performance prediction for CS1 course students using a combination of machine learning and an evolutionary algorithm. in: 2019 IEEE 19th International Conference on Advanced Learning Technologies (ICALT), IEEE. pp. 183–184.
Pereira, F. D., Oliveira, E., Cristea, A., Fernandes, D., Silva, L., Aguiar, G., Ahmed, A., Alshehri, M. (2019b). Early dropout prediction for programming courses supported by online judges. International Conference on Artificial Intelligence in Education (pp. 67-72). Springer, Cham.
Pereira, F., Oliveira, E., Fernandes, D., de Carvalho, L. S. G., & Junior, H. (2019c). Otimização e automação da predição precoce do desempenho de alunos que utilizam juízes online: uma abordagem com algoritmo genético. Simpósio Brasileiro de Informática na Educação (SBIE).
Pereira, F. D., Oliveira, E. H., Oliveira, D. B., Cristea, A. I., Carvalho, L. S., Fonseca, S. C., Toda, A., Isotani, S. (2020). Using learning analytics in the Amazonas: understanding students’ behaviour in introductory programming. British Journal of Educational Technology.
Quille, K., Bergin, S. (2019). CS1: how will they do? How can we help? A decade of research and practice. Computer Science Education, 29(2-3), 254-282.
Ahadi, A., Vihavainen, A. e Lister, R. (2016). On the number of attempts students made on some online programming exercises during semester and their subsequent performance on final exam questions. ACM Conference on Innovation and Technology in Computer Science Education, p. 218–223.
Auvinen, T. (2015). Harmful study habits in online learning environments with automatic assessment. 2015 International Conference on Learning and Teaching in Computing and Engineering, p. 50–57.
Dwan, F., Oliveira, E., & Fernandes, D. (2017). Predição de zona de aprendizagem de alunos de introdução à programação em ambientes de correção automática de código. Simpósio Brasileiro de Informática na Educação-SBIE).
Edwards, S.H., Snyder, J., Pérez-Quiñones, M.A., Allevato, A., Kim, D., Tretola, B., 2009. Comparing effective and ineffective behaviors of student programmers. Workshop on Computing education research, ACM. pp. 3– 14.
Fonseca, S., Oliveira, E., Pereira, F., Fernandes, D., de Carvalho, L. S. G. (2019). Adaptação de um método preditivo para inferir o desempenho de alunos de programação. Simpósio Brasileiro de Informática na Educação (SBIE).
Jadud, M. C. (2006). Methods and tools for exploring novice compilation behaviour. International Workshop on Computing Education Research, p. 73–84.
Leinonen, J., Longi, K., Klami, A. e Vihavainen, A. (2016). Automatic inference of programming performance and experience from typing patterns. ACM Technical Symposium on Computing Science Education, p. 132–137.
Otero, J., Junco, L., Suarez, R., Palacios, A., Couso, I. e Sanchez, L. (2016). Finding informative code metrics under uncertainty for predicting the pass rate of online courses. Information Sciences, 373:42–56.
Pereira, F.D., Oliveira, E. H. T., Fernandes, D., Cristea, A. (2019a). Early performance prediction for CS1 course students using a combination of machine learning and an evolutionary algorithm. in: 2019 IEEE 19th International Conference on Advanced Learning Technologies (ICALT), IEEE. pp. 183–184.
Pereira, F. D., Oliveira, E., Cristea, A., Fernandes, D., Silva, L., Aguiar, G., Ahmed, A., Alshehri, M. (2019b). Early dropout prediction for programming courses supported by online judges. International Conference on Artificial Intelligence in Education (pp. 67-72). Springer, Cham.
Pereira, F., Oliveira, E., Fernandes, D., de Carvalho, L. S. G., & Junior, H. (2019c). Otimização e automação da predição precoce do desempenho de alunos que utilizam juízes online: uma abordagem com algoritmo genético. Simpósio Brasileiro de Informática na Educação (SBIE).
Pereira, F. D., Oliveira, E. H., Oliveira, D. B., Cristea, A. I., Carvalho, L. S., Fonseca, S. C., Toda, A., Isotani, S. (2020). Using learning analytics in the Amazonas: understanding students’ behaviour in introductory programming. British Journal of Educational Technology.
Quille, K., Bergin, S. (2019). CS1: how will they do? How can we help? A decade of research and practice. Computer Science Education, 29(2-3), 254-282.
Publicado
24/11/2020
Como Citar
PEREIRA, Filipe Dwan; SOUZA, Linnik Maciel de; OLIVEIRA, Elaine Harada Teixeira de; OLIVEIRA, David Braga Fernandes de; CARVALHO, Leandro Silva Galvão de.
Predição de desempenho em ambientes computacionais para turmas de programação: um Mapeamento Sistemático da Literatura. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 31. , 2020, Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2020
.
p. 1673-1682.
DOI: https://doi.org/10.5753/cbie.sbie.2020.1673.
