Modelo para previsão precoce de abandono de uma disciplina de introdução à programação

• João Pedro Freire UFRJ
• Flávia M. P. F. Landim UFRJ
• Laura O. Moraes UNIRIO
• Carla A. D. M. Delgado UFRJ
• Carlos Eduardo Pedreira UFRJ

DOI: https://doi.org/10.5753/wei.2024.2526

Resumo

A aprendizagem de programação é essencial para alunos de diversas carreiras. Neste artigo usamos modelos estatísticos para prever o abandono de disciplinas introdutórias de programação e apontar variáveis relevantes na identificação precoce de alunos em risco. Para construção do modelo combinamos a inferência estatística com técnicas de aprendizado de máquina visando alcançar interpretabilidade e desempenho. As previsões obtiveram um AUC maior que 0.8 nos modelos semanais a partir da quarta semana de aula, viabilizando um alerta precoce a professores. Entre as variáveis envolvidas, percebeu-se que a constância na resolução dos exercícios possui uma influência maior do que o tempo demorado na elaboração da solução na identificação dos alunos com potencial de abandono.

Referências

Agrusti, F., Mezzini, M., and Bonavolontà, G. (2020). Deep learning approach for predicting university dropout: a case study at roma tre university. Journal of e-Learning and Knowledge Society, 16(1):44–54.

Al-Shabandar, R., Hussain, A. J., Liatsis, P., and Keight, R. (2018). Analyzing learners behavior in moocs: An examination of performance and motivation using a data-driven approach. IEEE Access, 6:73669–73685.

Bravo-Agapito, J., Romero, S. J., and Pamplona, S. (2021). Early prediction of undergraduate student’s academic performance in completely online learning: A five-year study. Computers in Human Behavior, 115:106595.

Burgos, C., Campanario, M. L., de la Peña, D., Lara, J. A., Lizcano, D., and Martínez, M. A. (2018). Data mining for modeling students’ performance: A tutoring action plan to prevent academic dropout. Computers & Electrical Engineering, 66:541–556.

Chen, W., Brinton, C. G., Cao, D., Mason-Singh, A., Lu, C., and Chiang, M. (2019). Early detection prediction of learning outcomes in online short-courses via learning behaviors. IEEE Transactions on Learning Technologies, 12(1):44–58.

Delgado, C., da Silva, J., Mascarenhas, F., and Duboc, A. (2016). The teaching of functions as the first step to learn imperative programming. Anais do Workshop sobre Educação em Computação (WEI), pages 2393–2402.

Dobson, A. and Barnett, A. (2008). An Introduction to Generalized Linear Models. Chapman & Hall/CRC Texts in Statistical Science. CRC Press.

Hu, Y.-H., Lo, C.-L., and Shih, S.-P. (2014). Developing early warning systems to predict students’ online learning performance. Computers in Human Behavior, 36:469–478.

James, G., Witten, D., Hastie, T., and Tibishirani, R. (2021). An Introduction to Statistical Learning with Applications in R. Springer, New York, NY, 2 edition.

Marbouti, F., Diefes-Dux, H. A., and Madhavan, K. (2016). Models for early prediction of at-risk students in a course using standards-based grading. Computers & Education, 103:1–15.

Montgomery, D., Peck, E., and Vining, G. (2013). Introduction to Linear Regression Analysis. Wiley Series in Probability and Statistics. Wiley.

Moraes, L., Delgado, C., Freire, J., and Pedreira, C. (2022). Machine teaching: uma ferramenta didática e de análise de dados para suporte a cursos introdutórios de programação. In Anais do II Simpósio Brasileiro de Educação em Computação, pages 213–223, Porto Alegre, RS, Brasil. SBC.

Qian, Y. and Lehman, J. (2017). Students’ misconceptions and other difficulties in introductory programming: A literature review. ACM Transactions on Computing Education, 18(1).

Xará, G., Moraes, L., Delgado, C., Freire, J., and Farias, C. (2023). Dealing with a large number of students and inequality when teaching programming in higher education. In Anais do XXIX Workshop de Informática na Escola, pages 1230–1242, Porto Alegre, RS, Brasil. SBC.