Análise de sentimentos em turmas de programação com vistas ao apoio à permanência estudantil
Resumo
A evasão e a desistência são alguns dos principais problemas enfrentados no ensino superior do Brasil. Diferentes frentes de estudos têm buscado compreender os motivos pelos quais os estudantes desistem dos estudos, sejam estudos de ordem psicopedagógicas ou baseados em dados. Neste trabalho, a utilização da análise de sentimentos é direcionada à turmas de programação de computadores de duas instituições de ensino superior, em que dados foram coletados de forma ativa e classificados por meio de uma metodologia que combinou análise psicopedagógica e automatizada baseada em Processamento de Linguagem Natural. Os principais resultados deste estudo mostram: i) uma taxa de adesão baixa ao questionário (50%), com maior adesão quando os estudantes são constantemente incentivados; ii) os sentimentos são similares entre as instituições de ensino superior, com entre 20 e 30% sendo negativos, e; iii) uma acurácia de 68% com PLN, indicando possível utilização para ações de mitigação da desistência.
Referências
Akçapınar, G., Altun, A., and Aşkar, P. (2019). Using learning analytics to develop earlywarning system for at-risk students. International Journal of Educational Technology in Higher Education, 16(1):1–20.
Alec Go, R. B. and Huang, L. Sentiment140 a twitter sentiment analysis tool. url= [link]. [Online, accessado em Julho de 2023].
Atiq, Z. and Loui, M. C. (2022). A qualitative study of emotions experienced by first-year engineering students during programming tasks. ACM Transactions on Computing Education (TOCE), 22(3):1–26.
Balage Filho, P., Pardo, T. A. S., and Aluísio, S. (2013). An evaluation of the brazilian portuguese liwc dictionary for sentiment analysis. In Proceedings of the 9th Brazilian Symposium in Information and Human Language Technology.
Bardin, L. (1977). Análise de conteúdo. Lisboa: edições 70.
Bóbó, M. L., Campos, F., Stroele, V., David, J. M. N., Braga, R., and Torrent, T. T. (2022). Using sentiment analysis to identify student emotional state to avoid dropout in elearning. International Journal of Distance Education Technologies (IJDET), 20(1):1–24.
Brar, A. Student feedback dataset. url= [link]. [Online, accessado em Julho de 2023].
Bridle, J. S. (1990). Probabilistic interpretation of feedforward classification network outputs, with relationships to statistical pattern recognition. In Soulié, F. F. and Hérault, J., editors, Neurocomputing, pages 227–236, Berlin, Heidelberg. Springer Berlin Heidelberg.
Buschetto Macarini, L. A., Cechinel, C., Batista Machado, M. F., Faria Culmant Ramos, V., and Munoz, R. (2019). Predicting students success in blended learning—evaluating different interactions inside learning management systems. Applied Sciences, 9(24):5523.
Cafardo, R. (2023). Mais da metade dos alunos desistem da faculdade no brasil, por que ti tem um dos maiores abandonos? Cambria, E., Liu, Q., Decherchi, S., Xing, F., and Kwok, K. (2022). Senticnet 7: A commonsense-based neurosymbolic ai framework for explainable sentiment analysis. In Proceedings of the Language Resources and Evaluation Conference, pages 3829–3839, Marseille, France. European Language Resources Association.
Carvalho, P. and Silva, M. J. (2015). Sentilex-pt: Principais características e potencialidades. Oslo Studies in Language, 7(1).
Christo, M. M. S., de Resende, L. M. M., and Kuhn, T. d. C. G. (2018). Por que os alunos de engenharia desistem de seus cursos–um estudo de caso. Nuances: estudos sobre Educação, 29(1).
Coto, M., Mora, S., Grass, B., and Murillo-Morera, J. (2022). Emotions and programming learning: systematic mapping. Computer Science Education, 32(1):30–65.
Da Silva, C. L. (2002). Emoções e sentimentos na escola: uma certa dimensão do domínio afetivo. Master’s thesis, Universidade Federal da Bahia.
da Silva Garcia, L. M. L., Lara, D. F., and Antunes, F. (2020). Análise da retenção no ensino superior: um estudo de caso em um curso de sistemas de informação. Revista da Faculdade de Educação, 34(2):15–38.
de Oliveira, C. F., Sobral, S. R., Ferreira, M. J., and Moreira, F. (2021). How does learning analytics contribute to prevent students’ dropout in higher education: a systematic literature review. Big Data and Cognitive Computing, 5(4):64.
Elisa G, P. (2017). O universo das emoções: uma introdução. Libellus, 1 ed. edition.
Fialho, M. D. and Prestes, E. M. d. T. (2014). Evasão escolar no curso de pedagogia da ufpb: na compreensão dos gestores educacionais. Gestão & Aprendizagem, 3(1):42–63.
Freitas, C., Motta, E., Milidiú, R., and César, J. (2012). Vampiro que brilha... rá! desafios na anotaçao de opiniao em um corpus de resenhas de livros. Encontro de Linguística de Corpus, 11:22.
Gaioso, N. P. d. L. (2005). O fenômeno da evasão escolar na educação superior no brasil. Brasília, DF: Universidade Católica de Brasília, page 20.
Gonçalves, L. (2018). Imdb pt-br. url= [link]. [Online, accessado em Junho de 2023].
Hochreiter, S. and Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8):1735–1780.
Maas, A. L., Daly, R. E., Pham, P. T., Huang, D., Ng, A. Y., and Potts, C. (2011). Learning word vectors for sentiment analysis. In Proceedings of the 49th Annual Meeting of the Association for Computational Linguistics: Human Language Technologies, pages 142–150, Portland, Oregon, USA. Association for Computational Linguistics.
Mallada, F. J. R. (2011). La gestión del absentismo escolar. Anuario Jurídico y Económico Escurialense, (44):579–596.
Manhães, L. M. B., Da Cruz, S. M. S., Costa, R. J. M., Zavaleta, J., and Zimbrão, G. (2012). Previsão de estudantes com risco de evasão utilizando técnicas de mineração de dados. In Brazilian symposium on computers in education (simpósio brasileiro de informática na educação-sbie), volume 1.
Morais, A. M. d. et al. (2018). Abordagem avaliativa multidimensional para previsão da evasão do discente em cursos on-line.
Nagai, N. P. and Cardoso, A. L. J. (2017). A evasão universitária: Uma análise além dos números. Revista Estudo & Debate, 24(1).
Pennebaker Conglomerates, I. (2023). Liwc-22. url= [link]. [Online, accessado em Julho de 2023].
Poria, S., Cambria, E., Winterstein, G., and Huang, G.-B. (2014). Sentic patterns: Dependency-based rules for concept-level sentiment analysis. Knowledge-Based Systems, 69:45–63.
Queiroga, E. M., Lopes, J. L., Kappel, K., Aguiar, M., Araújo, R. M., Munoz, R., Villarroel, R., and Cechinel, C. (2020). A learning analytics approach to identify students at risk of dropout: A case study with a technical distance education course. Applied Sciences, 10(11):3998.
Queiroga, E. M., Lopes, J. L. B., de Araújo, R. M., and Cechinel, C. (2018). Modelo de predição da evasão de estudantes em cursos técnicos a distância a partir da contagem de interações. Revista Thema, 15(2):425–438.
SEMESP (2023). Mapa do ensino superior 13ª edição.
Souza, M. and Vieira, R. (2012). Sentiment analysis on twitter data for portuguese language. In Computational Processing of the Portuguese Language: 10th International Conference, PROPOR 2012, Coimbra, Portugal, April 17-20, 2012. Proceedings 10, pages 241–247. Springer.
Vinodhini, G. and Chandrasekaran, R. (2012). Sentiment analysis and opinion mining: a survey. International Journal, 2(6):282–292.
Alec Go, R. B. and Huang, L. Sentiment140 a twitter sentiment analysis tool. url= [link]. [Online, accessado em Julho de 2023].
Atiq, Z. and Loui, M. C. (2022). A qualitative study of emotions experienced by first-year engineering students during programming tasks. ACM Transactions on Computing Education (TOCE), 22(3):1–26.
Balage Filho, P., Pardo, T. A. S., and Aluísio, S. (2013). An evaluation of the brazilian portuguese liwc dictionary for sentiment analysis. In Proceedings of the 9th Brazilian Symposium in Information and Human Language Technology.
Bardin, L. (1977). Análise de conteúdo. Lisboa: edições 70.
Bóbó, M. L., Campos, F., Stroele, V., David, J. M. N., Braga, R., and Torrent, T. T. (2022). Using sentiment analysis to identify student emotional state to avoid dropout in elearning. International Journal of Distance Education Technologies (IJDET), 20(1):1–24.
Brar, A. Student feedback dataset. url= [link]. [Online, accessado em Julho de 2023].
Bridle, J. S. (1990). Probabilistic interpretation of feedforward classification network outputs, with relationships to statistical pattern recognition. In Soulié, F. F. and Hérault, J., editors, Neurocomputing, pages 227–236, Berlin, Heidelberg. Springer Berlin Heidelberg.
Buschetto Macarini, L. A., Cechinel, C., Batista Machado, M. F., Faria Culmant Ramos, V., and Munoz, R. (2019). Predicting students success in blended learning—evaluating different interactions inside learning management systems. Applied Sciences, 9(24):5523.
Cafardo, R. (2023). Mais da metade dos alunos desistem da faculdade no brasil, por que ti tem um dos maiores abandonos? Cambria, E., Liu, Q., Decherchi, S., Xing, F., and Kwok, K. (2022). Senticnet 7: A commonsense-based neurosymbolic ai framework for explainable sentiment analysis. In Proceedings of the Language Resources and Evaluation Conference, pages 3829–3839, Marseille, France. European Language Resources Association.
Carvalho, P. and Silva, M. J. (2015). Sentilex-pt: Principais características e potencialidades. Oslo Studies in Language, 7(1).
Christo, M. M. S., de Resende, L. M. M., and Kuhn, T. d. C. G. (2018). Por que os alunos de engenharia desistem de seus cursos–um estudo de caso. Nuances: estudos sobre Educação, 29(1).
Coto, M., Mora, S., Grass, B., and Murillo-Morera, J. (2022). Emotions and programming learning: systematic mapping. Computer Science Education, 32(1):30–65.
Da Silva, C. L. (2002). Emoções e sentimentos na escola: uma certa dimensão do domínio afetivo. Master’s thesis, Universidade Federal da Bahia.
da Silva Garcia, L. M. L., Lara, D. F., and Antunes, F. (2020). Análise da retenção no ensino superior: um estudo de caso em um curso de sistemas de informação. Revista da Faculdade de Educação, 34(2):15–38.
de Oliveira, C. F., Sobral, S. R., Ferreira, M. J., and Moreira, F. (2021). How does learning analytics contribute to prevent students’ dropout in higher education: a systematic literature review. Big Data and Cognitive Computing, 5(4):64.
Elisa G, P. (2017). O universo das emoções: uma introdução. Libellus, 1 ed. edition.
Fialho, M. D. and Prestes, E. M. d. T. (2014). Evasão escolar no curso de pedagogia da ufpb: na compreensão dos gestores educacionais. Gestão & Aprendizagem, 3(1):42–63.
Freitas, C., Motta, E., Milidiú, R., and César, J. (2012). Vampiro que brilha... rá! desafios na anotaçao de opiniao em um corpus de resenhas de livros. Encontro de Linguística de Corpus, 11:22.
Gaioso, N. P. d. L. (2005). O fenômeno da evasão escolar na educação superior no brasil. Brasília, DF: Universidade Católica de Brasília, page 20.
Gonçalves, L. (2018). Imdb pt-br. url= [link]. [Online, accessado em Junho de 2023].
Hochreiter, S. and Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8):1735–1780.
Maas, A. L., Daly, R. E., Pham, P. T., Huang, D., Ng, A. Y., and Potts, C. (2011). Learning word vectors for sentiment analysis. In Proceedings of the 49th Annual Meeting of the Association for Computational Linguistics: Human Language Technologies, pages 142–150, Portland, Oregon, USA. Association for Computational Linguistics.
Mallada, F. J. R. (2011). La gestión del absentismo escolar. Anuario Jurídico y Económico Escurialense, (44):579–596.
Manhães, L. M. B., Da Cruz, S. M. S., Costa, R. J. M., Zavaleta, J., and Zimbrão, G. (2012). Previsão de estudantes com risco de evasão utilizando técnicas de mineração de dados. In Brazilian symposium on computers in education (simpósio brasileiro de informática na educação-sbie), volume 1.
Morais, A. M. d. et al. (2018). Abordagem avaliativa multidimensional para previsão da evasão do discente em cursos on-line.
Nagai, N. P. and Cardoso, A. L. J. (2017). A evasão universitária: Uma análise além dos números. Revista Estudo & Debate, 24(1).
Pennebaker Conglomerates, I. (2023). Liwc-22. url= [link]. [Online, accessado em Julho de 2023].
Poria, S., Cambria, E., Winterstein, G., and Huang, G.-B. (2014). Sentic patterns: Dependency-based rules for concept-level sentiment analysis. Knowledge-Based Systems, 69:45–63.
Queiroga, E. M., Lopes, J. L., Kappel, K., Aguiar, M., Araújo, R. M., Munoz, R., Villarroel, R., and Cechinel, C. (2020). A learning analytics approach to identify students at risk of dropout: A case study with a technical distance education course. Applied Sciences, 10(11):3998.
Queiroga, E. M., Lopes, J. L. B., de Araújo, R. M., and Cechinel, C. (2018). Modelo de predição da evasão de estudantes em cursos técnicos a distância a partir da contagem de interações. Revista Thema, 15(2):425–438.
SEMESP (2023). Mapa do ensino superior 13ª edição.
Souza, M. and Vieira, R. (2012). Sentiment analysis on twitter data for portuguese language. In Computational Processing of the Portuguese Language: 10th International Conference, PROPOR 2012, Coimbra, Portugal, April 17-20, 2012. Proceedings 10, pages 241–247. Springer.
Vinodhini, G. and Chandrasekaran, R. (2012). Sentiment analysis and opinion mining: a survey. International Journal, 2(6):282–292.
Publicado
06/11/2023
Como Citar
PFITSCHER, Ricardo J.; CAMARGO, Luiz C.; MOREIRA, Benjamin G.; WANG, Carolina; ZEDRAL, Rosilaine; GARCIA, Tatiana R..
Análise de sentimentos em turmas de programação com vistas ao apoio à permanência estudantil. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 34. , 2023, Passo Fundo/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 1329-1340.
DOI: https://doi.org/10.5753/sbie.2023.234753.
