Inferência de Conhecimento a Partir da Detecção Automática de Evidências no Domínio da Programação de Computadores
Resumo
Durante o processo de aprendizado de programação de computadores, o progresso dos alunos é marcado pela aquisição de novas habilidades. O acompanhamento desse progresso, na perspectiva do professor, pode ser uma tarefa complexa quando realizada a partir de percepções manuais. A situação se agrava quando se trata do acompanhamento simultâneo de uma grande quantidade de alunos. Uma das formas de apoio a essa atividade envolve o uso de modelos do aprendiz, onde as habilidades do aluno são mapeadas a fim de facilitar a visualização tanto dos conceitos já adquiridos quanto das lacunas a serem preenchidas. O uso desse tipo de ferramenta é benéfico, porém ainda pode exigir uma grande carga de trabalho quando se trata da alimentação manual dos modelos, sobretudo devido à necessidade de atualização contínua. Este trabalho propõe o uso de mecanismos automáticos, baseados na análise de códigos-fonte seguida da detecção de evidências, como fonte de alimentação para o modelo do aprendiz. É apresentado um conjunto de experimentos que demonstram a viabilidade do método. Utiliza-se como cenário de testes um modelo de aprendiz baseado em uma rede bayesiana dinâmica e bases de dados de códigos-fonte em linguagem C.Referências
Aleman, J. L. F. (2011). Automated assessment in a programming tools course. IEEE Transactions on Education, 54(4):576–581.
Buyrukoglu, S., Batmaz, F., and Lock, R. (2016). Semi-automatic assessment approach to programming code for novice students.
Galasso, R. H. and Moreira, B. G. (2014). Integração do ambiente BOCA com o ambiente Moodle para avaliação automática de algoritmos. Anais do Computer on the Beach, pages 22–331.
Johnson, W. L. and Soloway, E. (1985). Proust: Knowledge-based program understanding. IEEE Transactions on Software Engineering, (3):267–275.
Koedinger, K. R., McLaughlin, E. A., and Stamper, J. C. (2012). Automated student model improvement. International Educational Data Mining Society.
Kutzke, A. R. and Direne, A. I. (2015). FARMA-ALG: An Application for Error Mediation in Computer Programming Skill Acquisition, pages 690–693. Springer International Publishing, Cham.
Li, N., Cohen, W. W., Koedinger, K. R., and Matsuda, N. (2011). A machine learning approach for automatic student model discovery. In EDM, pages 31–40. ERIC.
Maschio, E. (2013). Modelagem do Processo de Aquisição de Conhecimento Apoiado por Ambientes Inteligentes. Tese de doutorado, Programa de Pós-Graduação em Informática, Setor de Ciências Exatas, Universidade Federal do Paraná (UFPR).
Pimentel, A. R. and Direne, A. I. (1998). Medidas cognitivas no ensino de programação de computadores com sistemas tutores inteligentes. Revista Brasileira de Informática na Educação (IE), 3:17–24.
Pimentel, E. P., de França, V. F., Noronha, R. V., and Omar, N. (2003). Avaliação contínua da aprendizagem, das competências e habilidades em programação de computadores. In Anais do Workshop de Informática na Escola, volume 1, pages 533–544.
Porfírio, A., Pereira, R., and Maschio, E. (2017). Atualização do modelo do aprendiz de programação de computadores com o uso de parser ast. In Anais dos Workshops do Congresso Brasileiro de Informática na Educação, volume 6, page 1121.
Saikkonen, R., Malmi, L., and Korhonen, A. (2001). Fully automatic assessment of programming exercises. In ACM Sigcse Bulletin, volume 33, pages 133–136. ACM.
Seffrin, H. and Jaques, P. (2015). Avaliando o conhecimento algébrico dos estudantes através de redes bayesianas dinâmicas. In Anais do Simpósio Brasileiro de Informática na Educação, volume 26, page 987.
Vier, J., Gluz, J., and Jaques, P. (2015). Empregando redes bayesianas para modelar automaticamente o conhecimento dos alunos em lógica de programação. Revista Brasileira de Informática na Educação, 23(2):45.
Woolf, B. P. (2007). Building Intelligent Interactive Tutors: Student-centered Strategies for Revolutionizing e-Learning. Morgan Kaufmann Publishers Inc., San Francisco, CA, USA.
Buyrukoglu, S., Batmaz, F., and Lock, R. (2016). Semi-automatic assessment approach to programming code for novice students.
Galasso, R. H. and Moreira, B. G. (2014). Integração do ambiente BOCA com o ambiente Moodle para avaliação automática de algoritmos. Anais do Computer on the Beach, pages 22–331.
Johnson, W. L. and Soloway, E. (1985). Proust: Knowledge-based program understanding. IEEE Transactions on Software Engineering, (3):267–275.
Koedinger, K. R., McLaughlin, E. A., and Stamper, J. C. (2012). Automated student model improvement. International Educational Data Mining Society.
Kutzke, A. R. and Direne, A. I. (2015). FARMA-ALG: An Application for Error Mediation in Computer Programming Skill Acquisition, pages 690–693. Springer International Publishing, Cham.
Li, N., Cohen, W. W., Koedinger, K. R., and Matsuda, N. (2011). A machine learning approach for automatic student model discovery. In EDM, pages 31–40. ERIC.
Maschio, E. (2013). Modelagem do Processo de Aquisição de Conhecimento Apoiado por Ambientes Inteligentes. Tese de doutorado, Programa de Pós-Graduação em Informática, Setor de Ciências Exatas, Universidade Federal do Paraná (UFPR).
Pimentel, A. R. and Direne, A. I. (1998). Medidas cognitivas no ensino de programação de computadores com sistemas tutores inteligentes. Revista Brasileira de Informática na Educação (IE), 3:17–24.
Pimentel, E. P., de França, V. F., Noronha, R. V., and Omar, N. (2003). Avaliação contínua da aprendizagem, das competências e habilidades em programação de computadores. In Anais do Workshop de Informática na Escola, volume 1, pages 533–544.
Porfírio, A., Pereira, R., and Maschio, E. (2017). Atualização do modelo do aprendiz de programação de computadores com o uso de parser ast. In Anais dos Workshops do Congresso Brasileiro de Informática na Educação, volume 6, page 1121.
Saikkonen, R., Malmi, L., and Korhonen, A. (2001). Fully automatic assessment of programming exercises. In ACM Sigcse Bulletin, volume 33, pages 133–136. ACM.
Seffrin, H. and Jaques, P. (2015). Avaliando o conhecimento algébrico dos estudantes através de redes bayesianas dinâmicas. In Anais do Simpósio Brasileiro de Informática na Educação, volume 26, page 987.
Vier, J., Gluz, J., and Jaques, P. (2015). Empregando redes bayesianas para modelar automaticamente o conhecimento dos alunos em lógica de programação. Revista Brasileira de Informática na Educação, 23(2):45.
Woolf, B. P. (2007). Building Intelligent Interactive Tutors: Student-centered Strategies for Revolutionizing e-Learning. Morgan Kaufmann Publishers Inc., San Francisco, CA, USA.
Publicado
29/10/2018
Como Citar
PORFIRIO, Andres J.; PEREIRA, Roberto; MASCHIO, Eleandro.
Inferência de Conhecimento a Partir da Detecção Automática de Evidências no Domínio da Programação de Computadores. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 29. , 2018, Fortaleza/CE.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2018
.
p. 1553-1562.
DOI: https://doi.org/10.5753/cbie.sbie.2018.1553.
