Um Mapeamento Sistemático sobre Métodos de Identificação Preditiva de Alunos com Risco de Reprovação em Educação de Computação
Resumo
A avaliação do discente, sendo ela formativa ou somativa, é um tópico de interesse na educação de computação. Uma das funções importantes da avaliação é estimar o risco de alguns alunos não obterem um desempenho satisfatório na disciplina. Este mapeamento tem a intenção de elencar as dificuldades de se prognosticar o desempenho final dos alunos do curso de Ciência da Computação, ainda no inı́cio da disciplina, bem como métodos propostos para tal. No total, foram encontrados 81 trabalhos. Ao aplicar os critérios de inclusão e exclusão foram selecionados 33 trabalhos para uma leitura minuciosa, o que levou a escolha de 18 artigos para este artigo. Durante o mapeamento, percebeu-se que é possı́vel prever, com certo nı́vel de precisão, os alunos com risco de reprovação e que, uma vez evitando-a, diminui-se a chance de evasão destes alunos do curso.
Referências
Ahadi, A. (2016). Early identification of novice programmers’ challenges in coding using machine learning techniques. In Proceedings of the 2016 ACM Conference on Inter- national Computing Education Research, pages 263–264. ACM
Ahadi, A., Lister, R., and Vihavainen, A. (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 Techno- logy in Computer Science Education, pages 218–223.
Amorim, M. J. V., Barone, D., and Mansur, A. U. (2008). Técnicas de Aprendizado de Máquina Aplicadas na Previsão de Evasão Acadêmica. fBrazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), 1(1):666–674.
Aranha, Á. (2017). Orientação de estágios pedagógicos: avaliação formativa versus avaliação somativa. Boletim Sociedade Portuguesa de Educação Fı́sica, (7-8):157– 165.
Blando, A. (2015). Dificuldades acadêmicas que interferem na aprendizagem de estu- dantes universitários de engenharias e de ciências exatas: um estudo fundamentado na epistemologia genética. Dissertação de Mestrado em Educação, UFRGS (Universidade Federal do Rio Grande do Sul), Porto Alegre, Brasil, 126 p.
Brito, D. M., Almeida Jr, I. A., Queiroga, E. V., and Rêgo, T. G. (2014). Predição de desempenho de alunos do primeiro perı́odo baseado nas notas de ingresso utilizando métodos de aprendizagem de máquina. 25(1):882.
Castro-Wunsch, K., Ahadi, A., and Petersen, A. (2017). Evaluating Neural Networks as a Method for Identifying Students in Need of Assistance. ACM Technical Symposium on Computer Science Education, pages 111–116.
Crouch, C. H. and Mazur, E. (2001). Peer instruction: Ten years of experience and results. American Journal of Physics, 69(9):970–977.
Danielsiek, H. (2016). Stay on These Roads : Potential Factors Indicating Students ’ Performance in a CS2 Course. 47th ACM Technical Symposium on Computer Science Education, pages 12–17.
Detoni, D., Araujo, R. M., and Cechinel, C. (2014). Predição de reprovação de alu- nos de educação a distância utilizando contagem de interações. Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), 25(1):896.
Estey, A., Keuning, H., and Coady, Y. (2017). Automatically Classifying Students in Need of Support by Detecting Changes in Programming Behaviour. ACM Technical Symposium on Computer Science Education, pages 189–194.
Ferreira, J. L. C. (2016). Criação e utilização de um MOOC (Massive Open Online Course) como recurso didático no ensino-aprendizagem de algoritmos e programação. Monografia de Mestrado em Ciência da Computação, inos (Universidade do Vale do Rio dos Sinos), São Leopoldo - RS, Brasil, 76 p.
Gotardo, R., Cereda, P. R. M., and Junior, E. R. H. (2013). Prediçao do desempenho do aluno usando sistemas de recomendaçao e acoplamento de classificadores. Brazi- lian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), 24(1):657.
Haden, P., Parsons, D., Wood, K., and Gasson, J. (2017). Student Affect in {CS1}: In- sights from an Easy Data Collection Tool. 17th Koli Calling Conference on Computing Education Research, pages 40–49.
Holmboe, C., McIver, L., and George, C. (2001). Research agenda for computer sci- ence education. In 13th Workshop of the Psychology of Programming Interest Group, volume 207223.
INEP (2018). Sinopse estatı́stica do censo da educação superior 2017. Insti- tuto Nacional Estudo e Pesquisas Educacionais Anı́sio Texeira. Disponı́vel em <>. Acesso em 22 de novembro de 2018.
Lambert, L. (2015). Factors That Predict Success in CS1. J. Comput. Sci. Coll.,.31(2):165–171.
Liao, S. N., Zingaro, D., Laurenzano, M. A., Griswold, W. G., and Porter, L. (2016). Lightweight, Early Identification of At-Risk CS1 Students. ACM Conference on Inter- national Computing Education Research, pages 123–131.
Lishinski, A., Yadav, A., Enbody, R., and Good, J. (2016). The Influence of Problem Solving Abilities on Students’ Performance on Different Assessment Tasks in CS1. 47th ACM Technical Symposium on Computing Science Education - ’16, pages 329– 334.
Müller, M. G., Araujo, I. S., Veit, E. A., and Schell, J. (2017). Uma revisão da literatura acerca da implementação da metodologia interativa de ensino peer instruction (1991 a 2015). Revista brasileira de ensino de fı́sica. São Paulo. Vol. 39, n. 3 (jul./set. 2017), e3403, 20 p.
Porter, L. and Zingaro, D. (2014). Importance of early performance in CS1. 45th ACM technical symposium on Computer science education - ’14, pages 295–300.
Quille, K. and Bergin, S. (2018). Programming: predicting student success early in CS1. a re-validation and replication study. 23rd Annual ACM Conference on Innovation and Technology in Computer Science Education - ITiCSE 2018, pages 15–20.
Ramos, E. d. S. and Brasil, M. M. A. (2012). Um mapeamento sistemático sobre padrões de software para reengenharia de sistemas.
Robins, A. (2015). The ongoing challenges of computer science education research. Com- puter Science Education, 25(2):115–119.
Silva, J. M. C., Andrade, F. G., Tessari, R., and Preissler Jr., S. (2014). Alunos em risco: como identificá-los por meio de um ambiente virtual de aprendizagem? Congresso Brasileiro de Ensino Superior a Distância – ESUD.
Watson, C., Li, F. W., and Godwin, J. L. (2014). No Tests Required: Comparing Traditio- nal and Dynamic Predictors of Programming Success. 45th ACM technical symposium on Computer science education, pages 469–474.
Ahadi, A., Lister, R., and Vihavainen, A. (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 Techno- logy in Computer Science Education, pages 218–223.
Amorim, M. J. V., Barone, D., and Mansur, A. U. (2008). Técnicas de Aprendizado de Máquina Aplicadas na Previsão de Evasão Acadêmica. fBrazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), 1(1):666–674.
Aranha, Á. (2017). Orientação de estágios pedagógicos: avaliação formativa versus avaliação somativa. Boletim Sociedade Portuguesa de Educação Fı́sica, (7-8):157– 165.
Blando, A. (2015). Dificuldades acadêmicas que interferem na aprendizagem de estu- dantes universitários de engenharias e de ciências exatas: um estudo fundamentado na epistemologia genética. Dissertação de Mestrado em Educação, UFRGS (Universidade Federal do Rio Grande do Sul), Porto Alegre, Brasil, 126 p.
Brito, D. M., Almeida Jr, I. A., Queiroga, E. V., and Rêgo, T. G. (2014). Predição de desempenho de alunos do primeiro perı́odo baseado nas notas de ingresso utilizando métodos de aprendizagem de máquina. 25(1):882.
Castro-Wunsch, K., Ahadi, A., and Petersen, A. (2017). Evaluating Neural Networks as a Method for Identifying Students in Need of Assistance. ACM Technical Symposium on Computer Science Education, pages 111–116.
Crouch, C. H. and Mazur, E. (2001). Peer instruction: Ten years of experience and results. American Journal of Physics, 69(9):970–977.
Danielsiek, H. (2016). Stay on These Roads : Potential Factors Indicating Students ’ Performance in a CS2 Course. 47th ACM Technical Symposium on Computer Science Education, pages 12–17.
Detoni, D., Araujo, R. M., and Cechinel, C. (2014). Predição de reprovação de alu- nos de educação a distância utilizando contagem de interações. Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), 25(1):896.
Estey, A., Keuning, H., and Coady, Y. (2017). Automatically Classifying Students in Need of Support by Detecting Changes in Programming Behaviour. ACM Technical Symposium on Computer Science Education, pages 189–194.
Ferreira, J. L. C. (2016). Criação e utilização de um MOOC (Massive Open Online Course) como recurso didático no ensino-aprendizagem de algoritmos e programação. Monografia de Mestrado em Ciência da Computação, inos (Universidade do Vale do Rio dos Sinos), São Leopoldo - RS, Brasil, 76 p.
Gotardo, R., Cereda, P. R. M., and Junior, E. R. H. (2013). Prediçao do desempenho do aluno usando sistemas de recomendaçao e acoplamento de classificadores. Brazi- lian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), 24(1):657.
Haden, P., Parsons, D., Wood, K., and Gasson, J. (2017). Student Affect in {CS1}: In- sights from an Easy Data Collection Tool. 17th Koli Calling Conference on Computing Education Research, pages 40–49.
Holmboe, C., McIver, L., and George, C. (2001). Research agenda for computer sci- ence education. In 13th Workshop of the Psychology of Programming Interest Group, volume 207223.
INEP (2018). Sinopse estatı́stica do censo da educação superior 2017. Insti- tuto Nacional Estudo e Pesquisas Educacionais Anı́sio Texeira. Disponı́vel em <
Lambert, L. (2015). Factors That Predict Success in CS1. J. Comput. Sci. Coll.,.31(2):165–171.
Liao, S. N., Zingaro, D., Laurenzano, M. A., Griswold, W. G., and Porter, L. (2016). Lightweight, Early Identification of At-Risk CS1 Students. ACM Conference on Inter- national Computing Education Research, pages 123–131.
Lishinski, A., Yadav, A., Enbody, R., and Good, J. (2016). The Influence of Problem Solving Abilities on Students’ Performance on Different Assessment Tasks in CS1. 47th ACM Technical Symposium on Computing Science Education - ’16, pages 329– 334.
Müller, M. G., Araujo, I. S., Veit, E. A., and Schell, J. (2017). Uma revisão da literatura acerca da implementação da metodologia interativa de ensino peer instruction (1991 a 2015). Revista brasileira de ensino de fı́sica. São Paulo. Vol. 39, n. 3 (jul./set. 2017), e3403, 20 p.
Porter, L. and Zingaro, D. (2014). Importance of early performance in CS1. 45th ACM technical symposium on Computer science education - ’14, pages 295–300.
Quille, K. and Bergin, S. (2018). Programming: predicting student success early in CS1. a re-validation and replication study. 23rd Annual ACM Conference on Innovation and Technology in Computer Science Education - ITiCSE 2018, pages 15–20.
Ramos, E. d. S. and Brasil, M. M. A. (2012). Um mapeamento sistemático sobre padrões de software para reengenharia de sistemas.
Robins, A. (2015). The ongoing challenges of computer science education research. Com- puter Science Education, 25(2):115–119.
Silva, J. M. C., Andrade, F. G., Tessari, R., and Preissler Jr., S. (2014). Alunos em risco: como identificá-los por meio de um ambiente virtual de aprendizagem? Congresso Brasileiro de Ensino Superior a Distância – ESUD.
Watson, C., Li, F. W., and Godwin, J. L. (2014). No Tests Required: Comparing Traditio- nal and Dynamic Predictors of Programming Success. 45th ACM technical symposium on Computer science education, pages 469–474.
Publicado
12/07/2019
Como Citar
COSTA, Lucas; SOUZA, Caique ; INOCÊNCIO, Ana ; BISPO JR., Esdras .
Um Mapeamento Sistemático sobre Métodos de Identificação Preditiva de Alunos com Risco de Reprovação em Educação de Computação. In: WORKSHOP SOBRE EDUCAÇÃO EM COMPUTAÇÃO (WEI), 27. , 2019, Belém.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2019
.
p. 378-388.
ISSN 2595-6175.
DOI: https://doi.org/10.5753/wei.2019.6644.
