Previsão de Reprovações em Disciplinas Introdutórias de Programação: Um Estudo em um Ambiente de Correção Automática de Códigos
Abstract
This paper describes the use of machine learning techniques applied to the educational context to predict, as soon as possible, students with a trend to fail in an introductory computer programming course in a Computer Science course. This prediction may allow the professor, through special attention to these students, to reverse this trend. To achieve this goal, only the interaction data of the students with an automatic code correction environment were used during the resolution of exercises in the course’s practical classes. The best result model had an accuracy of 80.00% and a recall of 77.78% using data of 6 weeks of classes out of a total of 12.
References
Assyne, N., Ghanbari, H., and Pulkkinen, M. (2022). The state of research on software engineering competencies: A systematic mapping study. Journal of Systems and Soft ware, 185:111183.
Becker, B. A. and Quille, K. (2019). 50 years of cs1 at sigcse: A review of the evolution of introductory programming education research. In Proceedings of the 50th ACM Technical Symposium on Computer Science Education, SIGCSE ’19, page 338–344, New York, NY, USA. Association for Computing Machinery.
Bennedsen, J. and Caspersen, M. (2007). Failure rates in introductory programming. SIGCSE Bulletin, 39:32–36.
Bez, J. L., Ferreira, C. E., and Tonin, N. (2013). Uri online judge academic: A tool for professors. In Proceedings of the 2013 International Conference on Advanced ICT and Education, pages 744–747. Atlantis Press.
de Campos, C. and Ferreira, C. (2004). Boca: um sistema de apoio a competições de programação. In Workshop de Educação em Computação. Sociedade Brasileira de Computação.
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. Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), 28(1):1507.
Francisco, R., Ambrósio, A. P., Junior, C. X., and Fernandes, M. (2018). Juiz online no ensino de cs1 lições aprendidas e proposta de uma ferramenta. Revista Brasileira de Informática na Educação, 26(03):163.
Galvão, L., Fernandes, D., and Gadelha, B. (2016). Juiz online como ferramenta de apoio a uma metodologia de ensino híbrido em programação. Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), 27(1):140.
Medeiros, R. P., Ramalho, G. L., and Falcão, T. P. (2019). A systematic literature review on teaching and learning introductory programming in higher education. IEEE Transactions on Education, 62(2):77–90.
Pereira, F. D., Oliveira, E. H. T., Oliveira, D. B. F., Cristea, A. I., Carvalho, L. S. G., 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, 51(4):955–972.
Rico-Juan, J. R., Sánchez-Cartagena, V. M., Valero-Mas, J. J., and Gallego, A. J. (2023). Identifying student profiles within online judge systems using explainable artificial intelligence. IEEE Transactions on Learning Technologies, pages 1–14.
Silva, D., Tamayo, S., Pessoa, M., Pires, F., Oliveira, D., Oliveira, E., and Carvalho, L. (2020). Minerando dados de um juiz on-line para prever a evasão de estudantes em disciplinas introdutórias de programação. In Anais do XXXI Simpósio Brasileiro de Informática na Educação, pages 1343–1352, Porto Alegre, RS, Brasil. SBC.
Silva, L., Silveira, I., Silva, L., Rodrigues, R., and Ramos, J. (2017). Ciência de dados educacionais: definições e convergências entre as áreas de pesquisa. Anais dos Workshops do Congresso Brasileiro de Informática na Educação, 6(1):764.
Toledo, R. Y. and Martínez-López, L. (2017). A recommendation approach for programming online judges supported by data preprocessing techniques. Appl. Intell., 47:277–290.
Becker, B. A. and Quille, K. (2019). 50 years of cs1 at sigcse: A review of the evolution of introductory programming education research. In Proceedings of the 50th ACM Technical Symposium on Computer Science Education, SIGCSE ’19, page 338–344, New York, NY, USA. Association for Computing Machinery.
Bennedsen, J. and Caspersen, M. (2007). Failure rates in introductory programming. SIGCSE Bulletin, 39:32–36.
Bez, J. L., Ferreira, C. E., and Tonin, N. (2013). Uri online judge academic: A tool for professors. In Proceedings of the 2013 International Conference on Advanced ICT and Education, pages 744–747. Atlantis Press.
de Campos, C. and Ferreira, C. (2004). Boca: um sistema de apoio a competições de programação. In Workshop de Educação em Computação. Sociedade Brasileira de Computação.
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. Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), 28(1):1507.
Francisco, R., Ambrósio, A. P., Junior, C. X., and Fernandes, M. (2018). Juiz online no ensino de cs1 lições aprendidas e proposta de uma ferramenta. Revista Brasileira de Informática na Educação, 26(03):163.
Galvão, L., Fernandes, D., and Gadelha, B. (2016). Juiz online como ferramenta de apoio a uma metodologia de ensino híbrido em programação. Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), 27(1):140.
Medeiros, R. P., Ramalho, G. L., and Falcão, T. P. (2019). A systematic literature review on teaching and learning introductory programming in higher education. IEEE Transactions on Education, 62(2):77–90.
Pereira, F. D., Oliveira, E. H. T., Oliveira, D. B. F., Cristea, A. I., Carvalho, L. S. G., 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, 51(4):955–972.
Rico-Juan, J. R., Sánchez-Cartagena, V. M., Valero-Mas, J. J., and Gallego, A. J. (2023). Identifying student profiles within online judge systems using explainable artificial intelligence. IEEE Transactions on Learning Technologies, pages 1–14.
Silva, D., Tamayo, S., Pessoa, M., Pires, F., Oliveira, D., Oliveira, E., and Carvalho, L. (2020). Minerando dados de um juiz on-line para prever a evasão de estudantes em disciplinas introdutórias de programação. In Anais do XXXI Simpósio Brasileiro de Informática na Educação, pages 1343–1352, Porto Alegre, RS, Brasil. SBC.
Silva, L., Silveira, I., Silva, L., Rodrigues, R., and Ramos, J. (2017). Ciência de dados educacionais: definições e convergências entre as áreas de pesquisa. Anais dos Workshops do Congresso Brasileiro de Informática na Educação, 6(1):764.
Toledo, R. Y. and Martínez-López, L. (2017). A recommendation approach for programming online judges supported by data preprocessing techniques. Appl. Intell., 47:277–290.
Published
2023-11-06
How to Cite
SILVA, Carlos Eduardo Paulino; SOLANO, João Lucas Silva; SANTOS, André Gustavo dos; REIS, Julio Cesar Soares dos.
Previsão de Reprovações em Disciplinas Introdutórias de Programação: Um Estudo em um Ambiente de Correção Automática de Códigos. In: BRAZILIAN SYMPOSIUM ON COMPUTERS IN EDUCATION (SBIE), 34. , 2023, Passo Fundo/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 1524-1535.
DOI: https://doi.org/10.5753/sbie.2023.235348.
