Um modelo preditivo no diagnóstico de aprendizagem de programação / A predictive model in the programming learning diagnosis

Lucinéia Barbosa da Costa Chagas, Jefferson Ribeiro Lima, Márcia Gonçalves de Oliveira

Abstract


Inúmeras tecnologias são desenvolvidas como apoio ao processo de aprendizagem de programação. Todavia há uma grande carência de modelos eficazes nos projetos de tecnologias educacionais desta área. Para atender essa demanda, apresentamos neste artigo um modelo para criação de perfis de aprendizagem no diagnóstico de aprendizagem de programação. Esse modelo fornece os requisitos de um sistema online de monitoramento e controle dos componentes das habilidades através da criação de perfis com base nos históricos de aprendizagem. Através deste modelo visa-se alcançar progressos reais de aprendizagem na disciplina de programação de computadores.

 


Keywords


aprendizagem de programação, perfis de aprendizagem, previsão de desempenho.

References


ALMEIDA, F. C. & PASSARI, A. F. L.: Previsão de vendas no varejo por meio de redes neurais. Revista de Administração- RA USP- 2006.

ANOCHI, J. A.: Previsão climática de precipitação por redes neurais autoconfiguradas. Tese de doutorado – INEP, 2015.

AMIRIAN, E., LENUNG, J. Y., ZANON, S., DZURMAN, P.: Integrated cluster analysis and artificial neural network modeling for steam-assisted gravity drainage performance prediction in heterogeneous reservoirs. In: Expert Systems with Applications – 2015.

AZADEH A., Saberi, M., Anvari, M., Mohamadi, M.: An integrated artificial neural network-genetic algorithm clustering ensemble for performance assessment of decision making units. Springer Science+Business Media – 2009.

BRINTON, C. G.; CHIAN, M.: MOOC Performance Prediction via Clickstream Data and Social Learning Networks. In: IEEE Xplorer Digital Library, 2015.

BERRY, Michael J.A.; LINOFF, Gordon. Data mining techniques for marketing, sales and customer support. 1st ed. [S.l.]: John Wiley & Sons, 1997.

EBERHART, R. & DOBBINS, R. Case Study V: Making Music. In: Neural Networks PC Tools - A Practical Guide. Eberhart, R. & Dobbins, R. Academic Press, San Diego, 1990.

DA SILVA, I. C., FONSECA, L. C. C., & JESUS, R. D. Um Sistema Tutor Inteligente para o Ensino no Domínio de Lógica de Programação.TISE 2015.

FERNEDA, E. Redes neurais e sua aplicação em sistemas de recuperação de informação. In: Scientific Eletronic Library Online, 2011.

HAYKIN, S. Redes neurais: princípios e prática. 2. ed. Porto Alegre: Bookman, 2001.

HUANG, J.; Gao, J.; Zhang, Y.: Combination of artificial neural network and clustering techniques for predicting phytoplankton biomass of Lake Poyang, China. Springer-2015.

JENKINS, T. (2002). On the difficulty of learning to program. In Proceedings of 3rd Annual LTSN_ICS Conference (Loughborough University, United Kingdom, August 27-29, 2002). The Higher Education Academy, p.53-58.

KOHONEN, T. The Self-Organizing Map. Proceedings of the IEEE, V.78, n. 9, Sep. 1990.

M. Mahdavi, M. Taheri, F. Lotfi, “Data mining application in artificial neural networks”, The 8 the Symposium on Advances in Sciences and Technology, Mashhad, Iran, 2013.

MACCULLOCH, W. S.; PITTS, W. A logical calculus of the ideas immanent in nervous activity, Bulletin of Mathematical Biophysics, [S.l.], v. 5, p. 115-133, 1943.

MARKOV, Z.; RUSSELL, I. An Introduction to the WEKA Data Mining System. Proceedings of the 11th annual SIGCSE conference on Innovation and technology in computer science education. P. 367 - 368. Bologna, Italy, 2006.

MIRABEDINI, S. J. ; SAFA, H. M.; DELAVAR, Z.: Artificial neural networks applications in data clustering. In: DU Journal, Humanities and Social Sciences, 2015.

OLIVEIRA, M. G. Núcleos de avaliações diagnóstica e formativa para regulação da aprendizagem de programação. Tese de doutorado-2013.

OLIVEIRA, M. G. MONROY, N. A. J.; ZANDONADE, E.; OLIVEIRA, E.: Análise de Componentes Latentes da Aprendizagem de Programação para Mapeamento e classificação de Perfis. In: III Congresso Brasileiro de Informática na Educação - CBIE 2014.

PASCOAL, T. A.; BRITO, D. M.; RÊGO, T. G: Uma abordagem para a previsão de desempenho de alunos de Computação em disciplinas de programação. In: Nuevas Ideas en Informática Educativa TISE 2015.

PIMENTEL, Edson P.; FRANÇA, Vilma F.; OMAR, Nizam. (2003) A identificação de grupos de aprendizes no ensino presencial utilizando técnicas de clusterização. XIV Simpósio Brasileiro de Informática na Educação.

ROSENBLATT, F. The perceptron: a probabilistic model for information storage and organization in the brain. Psychological Review, Washington, v. 65, n. 6, p. 386-408, 1958.

SIGILLITO, V. & HUTTON, L. Case Study II: Radar Signal Processing. In: Neural Networks PC Tools - A Practical Guide. Eberhart, R. & Dobbins, R. Academic Press, San Diego, 1990.

SILVA, M. P. S.: Mineração de Dados: Conceitos, Aplicações e Experimentos com Weka. Livro da Escola Regional de Informática Rio de Janeiro - 2004.

SOUZA, D. M.; MALDONADO, J.C.; BARBOSA, E. F: Aspectos de Desenvolvimento e Evolução de um Ambiente de Apoio ao Ensino de Programação e Teste de Software. Anais do 23º Simpósio Brasileiro de Informática na Educação (SBIE 2012) - Rio de Janeiro – 2012.

SUH, S. C. (2012). Practical applications of data mining. USA: Jones Bartlett Learning.Takagi, H., & Hayashi, I. (1991). NN-driven fuzzy reasoning. International Journal of Approximate Reasoning (Special Issues of IIZUKA’88), 5(3), 191–212.

TAVARES, O. L.; MENEZES, C.S.; ARAGÓN, R.; COSTA, L. B.: Uma arquitetura pedagógica auxiliada por tecnologias para ensino e aprendizagem de programação. In XXXIII Congresso as sociedade brasileira de computação - CSBC 3013.

ZAREMBA, T. Case Study III: Technology in Search of a Buck. In: Neural Networks PC Tools - A Practical Guide. Eberhart, R. & Dobbins, R. Academic Press, San Diego, 1990.


Refbacks

  • There are currently no refbacks.