Increasing Interactivity in Distance Learning via Automatic Question Generation: Challenges, Solutions via Machine Learning and a Case Study at CEDERJ
Abstract
Active learning has revolutionized education. By fostering greater interaction between students and teachers, active learning increases learning effectiveness and may help reducing the student dropout rate. However, active learning is challenging in an online environment, where students interact through online platforms such as those offered by CEDERJ. In this paper, we propose the use of interactive questionnaires to increase the interaction between students and teachers in CEDERJ distance learning course. Then, one of the challenges is to determine the difficulty of questions which, for the most part, are answered only once (i.e., as the number of questions is very large, we have at most one sample answer for each question). In order to overcome this challenge, we propose the use of machine learning to extract attributes from the questions and classify them according to these attributes. With the help of decision trees and a naive Bayes classifier, preliminary results indicate that the difficulty level of questions can be automatically inferred.
References
Anyanwu, M. N. and Shiva, S. G. (2009). Comparative analysis of serial decision tree classification algorithms. Journal of Computer Science and Security, 3(3):230–240
Araújo, D., Rodrigues, A., Silva, C., and Soares, L. (2015). O ensino de computação na educação básica apoiado por problemas. In Anais do WEI.
Bruno, G., de Souza e Silva, E., and Menasché, D. (2017). Ciência para Educação. Atheneu. Máquinas que ensinam: o que aprendemos com elas?
de Castro, R. M. (2018). Desenvolvimento e avaliação de uma metodologia de aprendiza- gem ativa apoiada pelo uso de qr code para ensino de banco de dados. In 26 o Workshop sobre Educação em Computação (WEI 2018), volume 26. SBC.
Francisco, R. E., Ambrósio, A. P., et al. (2017). Grau de dificuldade de problemas de programação introdutória: Uma revisão sistemática. In WEI, volume 25. SBC.
Gavaza, L. O. R., do Nascimento Salvador, L., and dos Santos, D. M. B. (2017). Uma experiência de aplicação de uma abordagem baseada em problemas no ensino de teoria da computação em sala de aula tradicional. In WEI, volume 25. SBC.
Johnson, R. T. and Johnson, D. W. (2008). Active learning: Cooperation in the classroom. The annual report of educational psychology in Japan, 47:29–30.
Kampff, A. and Alves, G. (2010). NetAula-geração automática de avaliações. RENOTE, 8(3).
Pérez, E. V., Santos, L. M. R., Pérez, M. J. V., de Castro Fernández, J. P., and Martı́n, R. G. (2012). Automatic classification of question difficulty level: Teachers’ estimation vs. students’ perception. In Frontiers in Education, pages 1–5. IEEE.
Prietch, S. S. and Pazeto, T. A. (2010). Estudo sobre a evasão em um curso de licenciatura em informática e considerações para melhorias. In Anais do WEI.
Racy, S. (2017). Governo usará inteligência artificial para prevenir evasão escolar. Jornal Estadão.
Schwartzman, S. (2006). Redução da desigualdade, da pobreza, e os programas de trans- ferência de renda. Instituto de Estudos do Trabalho e Sociedade (IETS).
Silva Filho, R. L. L., Motejunas, P. R., Hipólito, O., and Lobo, M. B. C. M. (2007). A evasão no ensino superior brasileiro. Cadernos de pesquisa, 37(132):641–659.
Singhal, R., Goyal, S., and Henz, M. (2016). User-defined difficulty levels for automated question generation. In Conf. Tools with Artificial Intelligence, pages 828–835. IEEE.
