Análise do nível de confusão de estudantes com base no grau de dificuldade de questões de programação

• Nathália R. M. dos Santos Universidade Federal do Amazonas
• Elaine H. T. Oliveira Universidade Federal do Amazonas https://orcid.org/0000-0003-2884-9359
• David B. F. de Oliveira Universidade Federal do Amazonas https://orcid.org/0000-0002-2887-2324
• Leandro S. G. Carvalho Universidade Federal do Amazonas https://orcid.org/0000-0003-2970-2084
• Tanara Lauschner Universidade Federal do Amazonas
• Marcos A. P. de Lima Universidade Federal do Amazonas https://orcid.org/0000-0002-4560-4946
• Tiago R. Kautzmann Universidade do Vale do Rio dos Sinos
• Patricia A. Jaques Universidade Federal do Paraná https://orcid.org/0000-0002-2933-1052

DOI: https://doi.org/10.5753/sbie.2022.225007

Resumo

Neste artigo, é descrito um estudo exploratório sobre o nível de confusão de alunos durante a aprendizagem de programação em ambientes computacionais de aprendizagem. Para tal, os dados de autorrelato de confusão e os logs das interações dos alunos com a plataforma foram coletados durante um semestre de aula. Ademais, foi estudada a relação do nível de confusão do aluno com o nível de dificuldade da tarefa, expresso pela taxa de acerto. Ao todo, foram analisados os relatos de 197 alunos e os logs de 185 questões. Nos resultados, foram identificados níveis mais altos de confusão em questões que continham estruturas condicionais e de repetição, assuntos que exigem uma lógica de programação mais aprimorada. Os resultados desse estudo são uma primeira etapa de uma pesquisa que visa a detecção automática do estado de confusão a partir das suas ações no ambiente computacional de aprendizagem, ou seja, de maneira independente dos relatos dos estudantes.

Palavras-chave: confusão, nível de confusão, questões de programação, estudantes, estudantes de programação, dificuldade de questões de programação, análise do nível de confusão

Referências

Arguel, A., Lockyer, L., Kennedy, G., Lodge, J. M., and Pachman, M. (2019). Seeking optimal confusion: a review on epistemic emotion management in interactive digital learning environments. Interactive Learning Environments, 27(2):200–210.

Barros, R. P., Santana Junior, O. V., Medeiros Silva, I. R., Santos, L. F., and Neto, V. R. C. (2020). Predição do rendimento dos alunos em lógica de programação com base no desempenho das disciplinas do primeiro período do curso de ciências e tecnologia utilizando técnicas de mineração de dados. Brazilian Journal of Development, 6(1):2523–2534.

Calvo, R. A. and D’Mello, S. (2010). Affect detection: An interdisciplinary review of models, methods, and their applications. IEEE Transactions on affective computing, 1(1):18–37.

Chi, M. T. and Ohlsson, S. (2005). Complex Declarative Learning., pages 371–399. Cambridge University Press.

D’Mello, S. and Calvo, R. A. (2013). Beyond the basic emotions: what should affective computing compute? In CHI’13 extended abstracts on human factors in computing systems, pages 2287–2294. ACM.

D’Mello, S. K. and Graesser, A. C. (2014). Confusion. In International handbook of emotions in education, pages 299–320. Routledge.

INEP (2017). Relatório síntese de área – Ciência da Computação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira.

Lehman, B., D’Mello, S., Strain, A., Mills, C., Gross, M., Dobbins, A., Wallace, P., Millis, K., and Graesser, A. (2013). Inducing and tracking confusion with contradictions during complex learning. International Journal of Artificial Intelligence in Education, 22:85–105.

Lima, M., Carvalho, L. S. G., Oliveira, E. H. T., Oliveira, D. B. F., and Pereira, F. D. (2020). Classificação de dificuldade de questões de programação com base em métricas de código. In Anais do XXXI Simpósio Brasileiro de Informática na Educação, pages 1323–1332. SBC.

Moors, A., Ellsworth, P. C., Scherer, K. R., and Frijda, N. H. (2013). Appraisal theories of emotion: State of the art and future development. Emotion Review, 5:119–124.

Santos, P., Carvalho, L. S. G., Oliveira, E., and Fernandes, D. (2019). Classificação de dificuldade de questões de programação com base na inteligibilidade do enunciado. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), volume 30, page 1886.

Scherer, K. R. (2019). Studying appraisal-driven emotion processes: Taking stock and moving to the future. Cognition and Emotion, 33(1):31–40.

Sedgwick, P. and Greenwood, N. (2015). Understanding the hawthorne effect. Bmj, 351.

Sheard, J., Carbone, A., Chinn, D., Laakso, M.-J., Clear, T., De Raadt, M., D’Souza, D., Harland, J., Lister, R., Philpott, A., et al. (2011). Exploring programming assessment instruments: a classification scheme for examination questions. In Proceedings of the seventh international workshop on Computing education research, pages 33–38.

Silva, G., Stroele, V., Dantas, M., and Campos, F. (2019). Hold up: Modelo de detecção e controle de emoções em ambientes acadêmicos. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), volume 30, page 139.

Silvia, P. J. (2010). Confusion and interest: The role of knowledge emotions in aesthetic experience. Psychology of Aesthetics, Creativity, and the Arts, 4:75–80.

Yang, D., Kraut, R. E., and Rose, C. P. (2016). Exploring the effect of student confusion in massive open online courses. Journal of Educational Data Mining, 8(1):52–83.