Sistema de Apoio à Avaliação de Atividades de Programação por Reconhecimento Automático de Modelos de Soluções

  • Márcia G. de Oliveira IFES
  • Leonardo Leal Reblin UFES
  • Elias Oliveira UFES

Resumo


O desenvolvimento de um programa de computador é um processo de resolução de problema que resulta em várias possibilidades de soluções. Dessa forma, a avaliação de exercícios de programação demanda muito esforço do professor tanto na avaliação manual, quando analisam-se várias possibilidades de soluções, quanto na avaliação automática, quando vários modelos de soluções devem ser fornecidos como entradas. Com o objetivo de auxiliar professores na identificação de modelos de soluções a partir de programas desenvolvidos por alunos, este trabalho propõe um sistema baseado em clustering para reconhecimento de modelos de soluções e para mapeamento dessas soluções em escores atribuídos por professores. Os primeiros experimentos de aplicação desse sistema em duas bases de programas desenvolvidos por estudantes de programação apresentaram resultados promissores.

Palavras-chave: Modelos de soluções, Programação, Clustering, Rúbricas.

Referências

Karypis, G. (2003). CLUTO - A Clustering Toolkit. Dept. of Computer Science, University of Minnesota.

Kotsiantis, S. (2007). Supervised machine learning: A review of classification techniques. In Proceedings of the 2007 conference on Emerging Artificial Intelligence Applications in Computer Engineering: Real Word AI Systems with Applications in eHealth, HCI, Information Retrieval and Pervasive Technologies, pages 3–24. IOS Press.

Kwon, H. and Jo, M. (2005). Design and implementation of the automatic rubric generation system for the neis based performance assessment using data mining technology.

Journal Of the Korean Association of information Education, 9(1):113–126.

Lindenbaum, M., Markovitch, S., and Rusakov, D. (2004). Selective sampling for nearest neighbor classifiers. Machine Learning, 54(2):125–152.

Mertler, C. A. (2001). Designing scoring rubrics for your classroom. Practical Assessment, Research & Evaluation, 7(25):1–10.

Naude, K. A., Greyling, J. H., and Vogts, D. (2010). Marking student programs using graph similarity. Computers & Education, 54(2):545 – 561.

Oliveira, E., Basoni, H., Saúde, M. R., and Ciarelli, P. (2014). Combining clustering and classification approaches for reducing the effort of automatic tweets classification. In Proceedings of the International Conference on Knowledge Discovery and Information Retrieval (IC3K 2014), pages 465–472.

Oliveira, M., Monroy, N., Daher, P., and Oliveira, E. (2015a). Representação da diversidade de componentes latentes em exercícios de programação para classificação de perfis. In IV Congresso Brasileiro de Informática na Educação (CBIE 2015), Maceió. Anais do SBIE 2015.

Oliveira, M., Nogueira, M. A., and Oliveira, E. (2015b). Sistema de Apoio à Prática Assistida de Programação por Execução em Massa e Análise de Programas. In XXIII Workshop sobre Educação em Computação (WEI) - CSBC 2015, Recife, PE. SBC.

Tuia, D., Pasolli, E., and Emery,W. (2011). Using active learning to adapt remote sensing image classifiers. Remote Sensing of Environment, 115(9):2232–2242.
Publicado
04/07/2016
Como Citar

Selecione um Formato
DE OLIVEIRA, Márcia G.; REBLIN, Leonardo Leal; OLIVEIRA, Elias. Sistema de Apoio à Avaliação de Atividades de Programação por Reconhecimento Automático de Modelos de Soluções. In: WORKSHOP SOBRE EDUCAÇÃO EM COMPUTAÇÃO (WEI), 24. , 2016, Porto Alegre. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2016 . p. 2383-2392. ISSN 2595-6175. DOI: https://doi.org/10.5753/wei.2016.9682.