Predição do rendimento dos alunos em lógica de programação com base no desempenho das disciplinas do primeiro período do curso de ciências e tecnologia utilizando técnicas de mineração de dados / Predicting student performance in programming logic based on the performance of first-course science and technology subjects using data mining techniques

Authors

  • Renata Pitta Barros
  • Orivaldo Vieira de Santana Junior
  • Igor Rosberg de Medeiros Silva
  • Luana Fernandes dos Santos
  • Vilson Rodrigues Câmara Neto

DOI:

https://doi.org/10.34117/bjdv6n1-186

Keywords:

ciência de dados educacionais, aprendizado de máquina e dados educacionais

Abstract

Os altos índices de reprovação e evasão de estudantes universitários nas disciplinas iniciais de programação apresentam uma estatística preocupante enfrentada pelos coordenadores dos cursos da área de Tecnologia. O problema da reprovação dos estudantes nessas disciplinas é, muitas vezes, apontado como um fator influenciador da evasão dos cursos. Esta pesquisa propõe a utilização de técnicas de Mineração de Dados Educacionais para tentar predizer o desempenho dos alunos na disciplina de Lógica de Programação, do segundo período do curso de Bacharelado em Ciências e Tecnologia da UFRN, através do desempenho nas disciplinas do primeiro período do curso. Os resultados mostraram que é possível inferir o rendimento dos estudantes com uma acurácia de até 77%, sendo esta informação útil para a realização de ações para evitar a reprovação/evasão e, principalmente, para personalizar o ensino de lógica de programação.

References

Baker, R., Isotani, S. e Carvalho, A. (2011) “Mineração de Dados Educacionais: Oportunidades para o Brasil”. Revista Brasileira de Informática na Educação, v. 19, n. 02, pp. 3-13.

De Trabalho, Grupo, and Temas Emergentes da Educação Básica. (2018) "O Dilúvio Digital e seus Impactos na Educação 4.0 e na Indústria 4.0." Investigação em Governança Universitária: Memórias: 188.

Fayyad, U., Piatetsky-Shapiro, G. e Smyth, P. (1996) “From data mining to knowledge discovery in databases”. Al magazine, v. 17, n. 3, pp. 37-54.

Hämäläinen, W., Suhonen, J., Sutinen, E., and Toivonen, H. (2004) “Data mining in personalizing distance education courses”. In world conference on open learning and distance education, Hong Kong, pp. 1–11

INEP- Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira - Último acesso em 27.06.2019. Disponível em : http://download.inep.gov.br/educacao_superior/censo_superior/documentos/2018/censo_da_educacao_superior_2017-notas_estatisticas2.pdf

Lobo, M. B. C. M. (2012). "Panorama da evasão no ensino superior brasileiro: aspectos gerais das causas e soluções." Associação Brasileira de Mantenedoras de Ensino Superior. Cadernos 25

LOP - Plataforma open-source de gerenciamento de exercícios de programação - Último acesso em 02.07.2019. Disponível em: http://lop.ect.ufrn.br/

Manhães, L. M. B., Da Cruz, S. M. S., Costa, R. J. M., Zavaleta, J., & Zimbrão, G. (2011). Previsão de estudantes com risco de evasão utilizando técnicas de mineração de dados. In Brazilian symposium on computers in education (simpósio brasileiro de informática na educação-sbie) (Vol. 1, No. 1).

Nascimento, P. B. D. (2018). Recomendação de ação pedagógica no ensino de introdução à programação por meio de raciocínio baseado em casos.

Pascoal, Pascoal, T. A., Brito, D. M., & Rêgo, T. G. (2015). Uma abordagem para a previsão de desempenho de alunos de Computação em disciplinas de programação. Nuevas Ideas en Informática Educativa TISE, 2015, 454-458.

PYTHON - scikit-learn: machine learing in Python – Último acesso em 03.07.2019. Disponível em: https://scikit-learn.org/stable/

Romero, C., Ventura, S., Pechenizkiy, M., & Baker, R. S. (Eds.). (2010). Handbook of educational data mining. CRC press,.

Santos, R., Pitangui, C., Vivas, A., & Assis, L. (2016, November). Análise de trabalhos sobre a aplicaçao de técnicas de mineraçao de dados educacionais na previsao de desempenho acadêmico. In Anais dos Workshops do Congresso Brasileiro de Informática na Educação (Vol. 5, No. 1, p. 960).

Santos Baggi, C. A., & Lopes, D. A. (2011). Evasão e avaliação institucional no ensino superior: uma discussão bibliográfica. Avaliação: revista da avaliação da educação superior, 16(2)..

SIGAA - Sistema Integrado de Gestão de Atividades Acadêmicas. Último acesso: 02.07.2019. Disponível: https://sigaa.ufrn.br/sigaa/public/home.jsf

Silva Filho, R. L. L., Motejunas, P. R., Hipólito, O., & Lobo, M. B. C. M. (2007). A evasão no ensino superior brasileiro. Cadernos de pesquisa, 37(132), 641-659.

Published

2020-01-16

How to Cite

Barros, R. P., Junior, O. V. de S., Silva, I. R. de M., Santos, L. F. dos, & Neto, V. R. C. (2020). Predição do rendimento dos alunos em lógica de programação com base no desempenho das disciplinas do primeiro período do curso de ciências e tecnologia utilizando técnicas de mineração de dados / Predicting student performance in programming logic based on the performance of first-course science and technology subjects using data mining techniques. Brazilian Journal of Development, 6(1), 2523–2534. https://doi.org/10.34117/bjdv6n1-186

Issue

Section

Original Papers