Comparação de diferentes configurações de bases de dados para a identificação precoce do risco de reprovação: o caso de uma disciplina semipresencial de Algoritmos e Programação
Resumo
O presente trabalho apresenta uma comparação do uso de diferentes configurações de bases de dados para a geração de modelos de predição de estudantes em risco de reprovação. Foram testadas 4 diferentes configurações de bases de dados e utilizados 3 algoritmos de classificação para geração de modelos de predição no contexto de uma disciplina semipresencial de Algoritmos e Programação. Os resultados apontaram que o uso de uma base de dados com a contagem de interações dos estudantes no Ambiente Virtual de Aprendizagem ao longo das semanas foi a que permitiu que os modelos de predição alcançassem os melhores resultados.
Palavras-chave:
mineração de dados educacionais, predição de desempenho de alunos, risco de reprovação, interações no Ambiente Virtual de Aprendizagem, modelos de classificação
Referências
Ahmad, F., Ismail, N. H., and Aziz, A. A. (2015). The prediction of students' academic performance using classification data mining techniques. Applied Mathematical Sciences, 9(129):6415-6426.
Bennedsen, J. and Caspersen, M. E. (2007). Failure Rates in Introductory Programming. SIGCSE Bull., 39(2):32-36.
Brito, D. M. d., Júnior, I. A. d. A., Queiroga, E. V., and do Rêgo, T. G. (2014). Predição de desempenho de alunos do primeiro período baseado nas notas de ingresso utilizando métodos de aprendizagem de máquina.
C. Santana, L., M. A. Maciel, A., and L. Rodrigues, R. (2014). Avaliação do Perfil de Uso no Ambiente Moodle Utilizando Técnicas de Mineração de Dados. (Cbie):269.
Costa, E. B., Fonseca, B., Santana, M. A., de Araújo, F. F., and Rego, J. (2017). Evaluating the effectiveness of educational data mining techniques for early prediction of students' academic failure in introductory programming courses. Computers in Human Behavior, 73:247-256.
Detoni, D., Cechinel, C., Matsumura, R. A., and Brauner, D. F. (2016). Learning to Identify At-Risk Students in Distance Education Using Interaction Counts. Revista de Informática Teórica e Aplicada, 23(2):124-140.
Dunican, E. (2002). Making the analogy: Alternative delivery techniques for first-year programming courses. In Proceedings from the 14th workshop of the psychology of programming interest group, Brunel University, pages 89-99.
El Khouli, R. H., Macura, K. J., Barker, P. B., Habba, M. R., Jacobs, M. A., and Bluemke, D. A. (2009). Relationship of temporal resolution to diagnostic performance for dynamic contrast enhanced MRI of the breast. Journal of Magnetic Resonance Imaging, 30(5):999-1004.
Gomes, A. (2010). Dificuldades de aprendizagem de programação de computadores: contributos para a sua compreensão e resolução. PhD thesis, Faculdade de Ciências e Tecnologia da Universidade.
Jenkins, T. (2002). On the difficulty of learning to program. In Proceedings of the 3rd Annual Conference of the LTSN Centre for Information and Computer Sciences, volume 4, pages 53-58. Citeseer.
Khobragade, L. P. (2015). Predicting Students' Academic Failure Using Data Mining Techniques. International Journal of Advance Research in Computer Science and Management Studies, 3(5):2321-7782.
Machado, M. F. B., Cechinel, C., and Ramos, V. (2018). Identificação precoce de estudantes em risco de reprovação em disciplinas semipresenciais de programação de computadores. (2012).
Mow, I. T. V. C. (2006). The effectiveness of a cognitive apprenticeship-based learning environment (cable) in teaching computer programming. PhD thesis, University of South Australia.
Queiroga, E., Cechinel, C., and Araújo, R. (2017). Predição de estudantes com risco de evasão em cursos técnicos a distância. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), volume 28, page 1547.
Ramos, V., Wazlawick, R., Galimberti, M., Freitas, M., and Mariani, A. C. (2015). A comparação da realidade mundial do ensino de programação para iniciantes com a realidade nacional: Revisão sistemática da literatura em eventos brasileiros. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), volume 26, page 318.
Vihavainen, A., Airaksinen, J., and Watson, C. (2014). A Systematic Review of Approaches for Teaching Introductory Programming and Their Influence on Success. In Proceedings of the Tenth Annual Conference on International Computing Education Research, ICER '14, pages 19-26, New York, NY, USA. ACM.
Watson, C. and Li, F. W. (2014). Failure Rates in Introductory Programming Revisited. In Proceedings of the 2014 Conference on Innovation & Technology in Computer Science Education, ITiCSE '14, pages 39-44, New York, NY, USA. ACM.
Bennedsen, J. and Caspersen, M. E. (2007). Failure Rates in Introductory Programming. SIGCSE Bull., 39(2):32-36.
Brito, D. M. d., Júnior, I. A. d. A., Queiroga, E. V., and do Rêgo, T. G. (2014). Predição de desempenho de alunos do primeiro período baseado nas notas de ingresso utilizando métodos de aprendizagem de máquina.
C. Santana, L., M. A. Maciel, A., and L. Rodrigues, R. (2014). Avaliação do Perfil de Uso no Ambiente Moodle Utilizando Técnicas de Mineração de Dados. (Cbie):269.
Costa, E. B., Fonseca, B., Santana, M. A., de Araújo, F. F., and Rego, J. (2017). Evaluating the effectiveness of educational data mining techniques for early prediction of students' academic failure in introductory programming courses. Computers in Human Behavior, 73:247-256.
Detoni, D., Cechinel, C., Matsumura, R. A., and Brauner, D. F. (2016). Learning to Identify At-Risk Students in Distance Education Using Interaction Counts. Revista de Informática Teórica e Aplicada, 23(2):124-140.
Dunican, E. (2002). Making the analogy: Alternative delivery techniques for first-year programming courses. In Proceedings from the 14th workshop of the psychology of programming interest group, Brunel University, pages 89-99.
El Khouli, R. H., Macura, K. J., Barker, P. B., Habba, M. R., Jacobs, M. A., and Bluemke, D. A. (2009). Relationship of temporal resolution to diagnostic performance for dynamic contrast enhanced MRI of the breast. Journal of Magnetic Resonance Imaging, 30(5):999-1004.
Gomes, A. (2010). Dificuldades de aprendizagem de programação de computadores: contributos para a sua compreensão e resolução. PhD thesis, Faculdade de Ciências e Tecnologia da Universidade.
Jenkins, T. (2002). On the difficulty of learning to program. In Proceedings of the 3rd Annual Conference of the LTSN Centre for Information and Computer Sciences, volume 4, pages 53-58. Citeseer.
Khobragade, L. P. (2015). Predicting Students' Academic Failure Using Data Mining Techniques. International Journal of Advance Research in Computer Science and Management Studies, 3(5):2321-7782.
Machado, M. F. B., Cechinel, C., and Ramos, V. (2018). Identificação precoce de estudantes em risco de reprovação em disciplinas semipresenciais de programação de computadores. (2012).
Mow, I. T. V. C. (2006). The effectiveness of a cognitive apprenticeship-based learning environment (cable) in teaching computer programming. PhD thesis, University of South Australia.
Queiroga, E., Cechinel, C., and Araújo, R. (2017). Predição de estudantes com risco de evasão em cursos técnicos a distância. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), volume 28, page 1547.
Ramos, V., Wazlawick, R., Galimberti, M., Freitas, M., and Mariani, A. C. (2015). A comparação da realidade mundial do ensino de programação para iniciantes com a realidade nacional: Revisão sistemática da literatura em eventos brasileiros. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), volume 26, page 318.
Vihavainen, A., Airaksinen, J., and Watson, C. (2014). A Systematic Review of Approaches for Teaching Introductory Programming and Their Influence on Success. In Proceedings of the Tenth Annual Conference on International Computing Education Research, ICER '14, pages 19-26, New York, NY, USA. ACM.
Watson, C. and Li, F. W. (2014). Failure Rates in Introductory Programming Revisited. In Proceedings of the 2014 Conference on Innovation & Technology in Computer Science Education, ITiCSE '14, pages 39-44, New York, NY, USA. ACM.
Publicado
29/10/2018
Como Citar
MACHADO, Matheus F. B.; CECHINEL, Cristian; RAMOS, Vinicius F. C..
Comparação de diferentes configurações de bases de dados para a identificação precoce do risco de reprovação: o caso de uma disciplina semipresencial de Algoritmos e Programação. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 29. , 2018, Fortaleza/CE.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2018
.
p. 1503-1512.
DOI: https://doi.org/10.5753/cbie.sbie.2018.1503.
