Análise do Modelo BKT na Avaliação da Curva de Aprendizagem de Alunos de Algoritmos

• Antonio Carlos Raposo Universidade Federal do Maranhão (UFMA)
• Djefferson Maranhão Universidade Federal do Maranhão (UFMA)
• Carlos de Salles Soares Neto Universidade Federal do Maranhão (UFMA)

DOI: https://doi.org/10.5753/cbie.sbie.2019.479

Resumo

A avaliação da aprendizagem de alunos de algoritmos é complexa, tanto do ponto de vista da coleta de dados quanto na análise do resultado obtido com tal coleta. Este artigo discute o emprego de um dos modelos preditivos mais populares na literatura para a avaliação da curva de aprendizagem de alunos, que é o Bayesian Knowledge Tracing (BKT), no contexto de uma disciplina introdutória de algoritmos. A partir de dados coletados em ambiente virtual de aprendizagem criado para o ensino de algoritmos, o emprego do BKT é analisado sob uma ótica qualitativa, em um processo de inspeção individual de diversos voluntários de um experimento. Os resultados mostram que o BKT é promissor para a concepção de tutores inteligentes que reajam ao desempenho individual dos alunos e recomendem conteúdo adequado durante a aprendizagem.

Palavras-chave: Modelo BKT, Avaliação de Algoritmos, Curva de Aprendizagem, Tutores Inteligentes

Referências

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

Bez, J. L., Tonin, N. A., and Rodegheri, P. R. (2014). URI online judge academic: A tool for algorithms and programming classes. In 2014 9th International Conference on Computer Science Education, pages 149–152.

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

Baker, R. S., Corbett, A. T., and Aleven, V. (2008). More accurate student modeling through contextual estimation of slip and guess probabilities in Bayesian knowledge tracing. In International conference on intelligent tutoring systems, pages 406–415. Springer.

David, Y. B., Segal, A., and Gal, Y. K. (2016). Sequencing educational content in classrooms using Bayesian knowledge tracing. In Proceedings of the sixth international conference on Learning Analytics & Knowledge, pages 354–363. ACM.

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

Rabêlo Júnior, D. J. L. et al. (2018). Cosmo: Um ambiente virtual de aprendizado com foco na introdução de algoritmos.

Revilla, M. A., Manzoor, S., and Liu, R. (2008). Competitive learning in informatics: The UVA online judge experience. Olympiads in Informatics, 2(10):131–148.

Ribeiro, R. B., Fernandes, D., de Carvalho, L. S. G., and Oliveira, E. (2018). Gamificação de um sistema de juiz online para motivar alunos em disciplina de programação introdutória. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), volume 29, page 805.

Wang, S., Han, Y., Wu, W., and Hu, Z. (2017). Modeling student learning outcomes in studying programming language course. In 2017 Seventh International Conference on Information Science and Technology (ICIST), pages 263–270.

Yudelson, M. V. (2016). Individualizing Bayesian knowledge tracing: are skill parameters more important than student parameters?. International Educational Data Mining Society.

Yudelson, M. V., Koedinger, K. R., and Gordon, G. J. (2013). Individualized Bayesian knowledge tracing models. In International conference on artificial intelligence in education, pages 171–180. Springer.