Otimização e automação da predição precoce do desempenho de alunos que utilizam juízes online: uma abordagem com algoritmo genético
Resumo
Neste trabalho é apresentada uma abordagem para a predição ainda nas duas primeiras semanas de aula do desempenho de alunos de turmas de Introdução à Programação de Computadores que utilizam sistemas de correção automática de código. O desempenho do aluno foi inferido através de uma classificação binária, ou seja, foi estimado se o aluno iria ser aprovado ou reprovado na disciplina. Para tanto, foi utilizado um método que emprega um algoritmo genético para a construção automática de um pipeline de aprendizagem de máquina. O modelo foi treinado com dados de alunos de 9 cursos diferentes ao longo de 6 semestres distintos (2016-2018). Como resultado, obteve-se uma área sob a curva ROC de 0.87 na base de validação.
Palavras-chave:
Predição precoce, Algoritmo genético, Juízes online, Desempenho do aluno, Aprendizagem de máquina
Referências
Alamri, A., Alshehri, M., Cristea, A., Pereira, F. D., Oliveira, E., Shi, L., and Stewart, C. (2019). Predicting moocs dropout using only two easily obtainable features from the first week’s activities. In International Conference on Intelligent Tutoring Systems, pages 163–173. Springer.
Deb, K., Pratap, A., Agarwal, S., and Meyarivan, T. (2002). A fast and elitist multi-objective genetic algorithm: Nsga-ii. IEEE transactions on evolutionary computation, 6(2):182–197.
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. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), volume 28, page 1507.
Francisco, R., Júnior, C. P., and Ambrósio, A. P. (2016). Juiz online no ensino de programação introdutória - uma revisão sistemática da literatura. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), volume 27, page 11.
Galvão, L., Fernandes, D., and Gadelha, B. (2016). Juiz online como ferramenta de apoio a uma metodologia de ensino híbrido em programação. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), volume 27, page 140.
Jadud, M. C. (2006). Methods and tools for exploring novice compilation behaviour. In Proceedings of the second international workshop on Computing education research, pages 73–84. ACM.
Munson, J. P. and Zitovsky, J. P. (2018). Models for early identification of struggling novice programmers. In Proceedings of the 49th ACM Technical Symposium on Computer Science Education, SIGCSE’18, pages 699–704, New York, NY, USA. ACM.
Olson, R. S., Bartley, N., Urbanowicz, R. J., and Moore, J. H. (2016). Evaluation of a tree-based pipeline optimization tool for automating data science. In Proceedings of the Genetic and Evolutionary Computation Conference 2016, pages 485–492. ACM.
Pereira, F. D., Oliveira, E., Cristea, A., Fernandes, D., Silva, L., Aguiar, G., Alamri, A., and Alshehri, M. (2019). Early dropout prediction for programming courses supported by online judges. In International Conference on Artificial Intelligence in Education, pages 67–72. Springer.
Pereira, F. D., Oliveira, E., and Oliveira, D. (2018). Uso de um método preditivo para inferir zona de aprendizagem de alunos de programação em um ambiente de correção automática de código. Dissertação (Mestrado em Ciência da Computação) – Instituto de Computação, Universidade Federal do Amazonas. Manaus.
Souza, D. M., Felizardo, K. R., and Barbosa, E. F. (2016). A systematic literature review of assessment tools for programming assignments. In Software Engineering Education and Training (CSEET), 2016 IEEE 29th International Conference on, pages 147–156. IEEE.
Watson, C., Li, F. W. B., and Godwin, J. L. (2013). Predicting performance in an introductory programming course by logging and analyzing student programming behavior. Proceedings-2013 IEEE 13th International Conference on Advanced Learning Technologies, ICALT 2013, pages 319–323.
Whitley, D. (1994). A genetic algorithm tutorial. Statistics and Computing, 4(2):65–85.
Zutty, J., Long, D., Adams, H., Bennett, G., and Baxter, C. (2015). Multiple objective vector-based genetic programming using human-derived primitives. In Proceedings of the 2015 Annual Conference on Genetic and Evolutionary Computation, pages 1127–1134. ACM.
Deb, K., Pratap, A., Agarwal, S., and Meyarivan, T. (2002). A fast and elitist multi-objective genetic algorithm: Nsga-ii. IEEE transactions on evolutionary computation, 6(2):182–197.
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. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), volume 28, page 1507.
Francisco, R., Júnior, C. P., and Ambrósio, A. P. (2016). Juiz online no ensino de programação introdutória - uma revisão sistemática da literatura. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), volume 27, page 11.
Galvão, L., Fernandes, D., and Gadelha, B. (2016). Juiz online como ferramenta de apoio a uma metodologia de ensino híbrido em programação. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), volume 27, page 140.
Jadud, M. C. (2006). Methods and tools for exploring novice compilation behaviour. In Proceedings of the second international workshop on Computing education research, pages 73–84. ACM.
Munson, J. P. and Zitovsky, J. P. (2018). Models for early identification of struggling novice programmers. In Proceedings of the 49th ACM Technical Symposium on Computer Science Education, SIGCSE’18, pages 699–704, New York, NY, USA. ACM.
Olson, R. S., Bartley, N., Urbanowicz, R. J., and Moore, J. H. (2016). Evaluation of a tree-based pipeline optimization tool for automating data science. In Proceedings of the Genetic and Evolutionary Computation Conference 2016, pages 485–492. ACM.
Pereira, F. D., Oliveira, E., Cristea, A., Fernandes, D., Silva, L., Aguiar, G., Alamri, A., and Alshehri, M. (2019). Early dropout prediction for programming courses supported by online judges. In International Conference on Artificial Intelligence in Education, pages 67–72. Springer.
Pereira, F. D., Oliveira, E., and Oliveira, D. (2018). Uso de um método preditivo para inferir zona de aprendizagem de alunos de programação em um ambiente de correção automática de código. Dissertação (Mestrado em Ciência da Computação) – Instituto de Computação, Universidade Federal do Amazonas. Manaus.
Souza, D. M., Felizardo, K. R., and Barbosa, E. F. (2016). A systematic literature review of assessment tools for programming assignments. In Software Engineering Education and Training (CSEET), 2016 IEEE 29th International Conference on, pages 147–156. IEEE.
Watson, C., Li, F. W. B., and Godwin, J. L. (2013). Predicting performance in an introductory programming course by logging and analyzing student programming behavior. Proceedings-2013 IEEE 13th International Conference on Advanced Learning Technologies, ICALT 2013, pages 319–323.
Whitley, D. (1994). A genetic algorithm tutorial. Statistics and Computing, 4(2):65–85.
Zutty, J., Long, D., Adams, H., Bennett, G., and Baxter, C. (2015). Multiple objective vector-based genetic programming using human-derived primitives. In Proceedings of the 2015 Annual Conference on Genetic and Evolutionary Computation, pages 1127–1134. ACM.
Publicado
11/11/2019
Como Citar
PEREIRA, Filipe Dwan; OLIVEIRA, Elaine H.T.; OLIVEIRA, David F.; CARVALHO, Leandro S. G.; BARBOSA, Hermino.
Otimização e automação da predição precoce do desempenho de alunos que utilizam juízes online: uma abordagem com algoritmo genético. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 30. , 2019, Brasília/DF.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2019
.
p. 1451-1460.
DOI: https://doi.org/10.5753/cbie.sbie.2019.1451.
