Avaliando influência de características de desempenho na predição resultado acadêmico em disciplinas de programação
Resumo
Este artigo aborda uma análise da redução de características essenciais em cenários de predição de desempenho nas disciplinas de programação. Embora seja comum em aprendizado de máquina utilizar as características mais relevantes para aprimorar o modelo, este estudo se concentra em examinar um conjunto de dados proveniente de um Ambiente de Correção Automática de Código (ACAC) de uma universidade brasileira. O estudo identifica as características, avalia sua importância e investiga o impacto no desempenho do modelo ao utilizar ou não as características principais do conjunto de dados. Os resultados demonstram que a redução das características não exerce um efeito substancial no desempenho do modelo.
Palavras-chave:
Aprendizagem de Máquina, Redução de características, Inteligência Artificial, Educação
Referências
Azcona, D., Hsiao, I. H., & Smeaton, A. F. (2018). Personalizing computer science education by leveraging multimodal learning analytics. IEEE Frontiers in Education Conference (FIE) (pp. 1-9).
Ahadi, A., Vihavainen, A. e Lister, R. (2016). “On the number of attempts students made on some online programming exercises during semester and their subsequent performance on final exam questions”. ACM Conference on Innovation and Technology in Computer Science Education, p. 218–223.
Broder, R. S. (2021). Análise de Desempenho em Algoritmos de Aprendizado de Máquina Treinados em Dados com Viés. Trabalho de Conclusão de Curso – Bacharelado em Ciência da Computação – Universidade Federal de São Paulo – Instituto de Ciência e Tecnologia, São José dos Campos, 2021.
Fonseca, S., Oliveira, E., Pereira, F., Fernandes, D., & Carvalho, L. (2019). Adaptação de um método preditivo para inferir o desempenho de alunos de programação. Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação SBIE), 30(1), 1651. doi: https://doi.org/10.5753/cbie.sbie.2019.1651
Foresti, T. (2023). “Machine Learning Types: Learn about the different types of machine learning, including supervised, unsupervised, semi-supervised, and reinforcement learning”. Publicado em 28 de junho de 2023. Awari, disponível em: [link], último acesso 30 ago 2023.
Pereira, F. D., Oliveira, E. H. T., Oliveira, D. B., Cristea, A. I., Carvalho, L. S., Fonseca, S. C., Toda, A., Isotani, S. (2020a). “Using learning analytics in the Amazonas: understanding students’ behavior in introductory programming”. British Journal of Educational Technology.
Pereira, F. D., Souza, L. M., Souza, L. M.; Oliveira, E. H. T.; Oliveira, D. B. F.; Carvalho, L. S. G. (2020b). “Predição de desempenho em ambientes computacionais para turmas de programação: um Mapeamento Sistemático da Literatura”. In: Simpósio Brasileiro De Informática Na Educação, 31. Online. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2020.
Quille, K., Bergin, S. (2019). CS1: how will they do? How can we help? A decade of research and practice. Computer Science Education, 29(2-3), 254-282.
Ahadi, A., Vihavainen, A. e Lister, R. (2016). “On the number of attempts students made on some online programming exercises during semester and their subsequent performance on final exam questions”. ACM Conference on Innovation and Technology in Computer Science Education, p. 218–223.
Broder, R. S. (2021). Análise de Desempenho em Algoritmos de Aprendizado de Máquina Treinados em Dados com Viés. Trabalho de Conclusão de Curso – Bacharelado em Ciência da Computação – Universidade Federal de São Paulo – Instituto de Ciência e Tecnologia, São José dos Campos, 2021.
Fonseca, S., Oliveira, E., Pereira, F., Fernandes, D., & Carvalho, L. (2019). Adaptação de um método preditivo para inferir o desempenho de alunos de programação. Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação SBIE), 30(1), 1651. doi: https://doi.org/10.5753/cbie.sbie.2019.1651
Foresti, T. (2023). “Machine Learning Types: Learn about the different types of machine learning, including supervised, unsupervised, semi-supervised, and reinforcement learning”. Publicado em 28 de junho de 2023. Awari, disponível em: [link], último acesso 30 ago 2023.
Pereira, F. D., Oliveira, E. H. T., Oliveira, D. B., Cristea, A. I., Carvalho, L. S., Fonseca, S. C., Toda, A., Isotani, S. (2020a). “Using learning analytics in the Amazonas: understanding students’ behavior in introductory programming”. British Journal of Educational Technology.
Pereira, F. D., Souza, L. M., Souza, L. M.; Oliveira, E. H. T.; Oliveira, D. B. F.; Carvalho, L. S. G. (2020b). “Predição de desempenho em ambientes computacionais para turmas de programação: um Mapeamento Sistemático da Literatura”. In: Simpósio Brasileiro De Informática Na Educação, 31. Online. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2020.
Quille, K., Bergin, S. (2019). CS1: how will they do? How can we help? A decade of research and practice. Computer Science Education, 29(2-3), 254-282.
Publicado
06/11/2023
Como Citar
CABRAL, Luciano de Souza; PEREIRA, Filipe Dwan; MELLO, Rafael Ferreira.
Avaliando influência de características de desempenho na predição resultado acadêmico em disciplinas de programação. In: WORKSHOP DE APLICAÇÕES PRÁTICAS DE LEARNING ANALYTICS EM INSTITUIÇÕES DE ENSINO NO BRASIL (WAPLA), 2. , 2023, Passo Fundo/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 90-98.
DOI: https://doi.org/10.5753/wapla.2023.236172.
