Compartilhamento |
|
Use este identificador para citar ou linkar para este item:
https://tedebc.ufma.br/jspui/handle/tede/tede/3206
Tipo do documento: | Dissertação |
Título: | Análise da curva de aprendizagem de alunos e capacidade preditiva de modelos no ensino da programação |
Título(s) alternativo(s): | Analysis of the student learning curve and predictive capacity of models in programming teaching |
Autor: | RAPOSO, Antonio Carlos Ribeiro |
Primeiro orientador: | SOARES NETO, Carlos de Salles |
Primeiro membro da banca: | SOARES NETO, Carlos de Salles |
Segundo membro da banca: | TEIXEIRA, Mário Antonio Meireles |
Terceiro membro da banca: | SANTOS, Celso Alberto Saibel |
Resumo: | Aprender algoritmos requer o conhecimento de fundamentos como abstração, decomposição e identificação de padrões. O processo de aprendizagem é modular com etapas que são bem definidas e pré-requisitos uma das outras, o que faz com que seja difícil para o professor identificar as necessidades do aluno. Além disso, a correção manual das tarefas dos alunos acaba sendo proibitiva do ponto de vista do tempo para os professores. Estes problemas são maximizados ao se ter uma turma com muitos alunos. Uma alternativa para amenizar tais problemas é o uso de Sistemas Tutores Inteligentes. A modelagem e predição do conhecimento é parte fundamental de um tutor inteligente, visto que é através dessas informações que o tutor toma suas decisões e adapta o ensino dos alunos. Este trabalho propõe-se a apresentar uma análise qualitativa entre os modelos de conhecimento de alunos no domínio da programação visando identificar as melhores abordagens para a modelagem e as peculiaridades do domínio. Uma das contribuições deste trabalho foi a coleta de dados no domínio da programação para a criação da base de dados COSMODS. Além disso, foi feita uma análise da curva de aprendizagem e capacidade preditiva dos modelos gerados através da metodologia proposta. A análise mostrou que os erros de compilação influenciam diretamente na representação do conhecimento dos alunos e capacidade preditiva dos modelos. Por fim, foi feita uma discussão dos impactos que os erros de compilação têm sobre os modelos gerados. |
Abstract: | Learning algorithms requires knowledge of fundamentals such as abstraction, decomposition and pattern identification. The learning process is modular with steps that are well defined and prerequisites for each other, which makes it difficult for the teacher to identify the student’s needs. In addition, a manual correction of students’ tasks is prohibitive for the teacher because of time restrictions. These problems are maximized for the class with many students. An alternative to alleviate such problems is the use of Intelligent Tutoring Systems. The modeling and prediction of knowledge is a fundamental part of an intelligent tutor, since it is through this information that the tutor makes his decisions and adapts the students’ learning process. This work proposes to present a qualitative analysis between the knowledge models of students in the domain of programming aiming to identify the best approaches for modeling and the peculiarities of the domain. One of the contributions of this work was the collection of data in the programming domain for the creation of the COSMODS database. In addition, an analysis of the learning curve and predictive capacity of the models generated through the proposed methodology was made. The analysis showed that the compilation errors directly influence the representation of students’ knowledge and predictive capacity of the models. Finally, there was a discussion of the impacts that compilation errors have on the generated models. |
Palavras-chave: | Módulo de estudante Curva de aprendizagem Predição Ensino de algoritmos Student model Learning curve Prediction Teaching of algorithms |
Área(s) do CNPq: | Ciência da Computação |
Idioma: | por |
País: | Brasil |
Instituição: | Universidade Federal do Maranhão |
Sigla da instituição: | UFMA |
Departamento: | DEPARTAMENTO DE INFORMÁTICA/CCET |
Programa: | PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET |
Citação: | RAPOSO, Antonio Carlos Ribeiro. Análise da curva de aprendizagem de alunos e capacidade preditiva de modelos no ensino da programação. 2020. 64 f. Dissertação (Programa de Pós-Graduação em Ciência da Computação/CCET) - Universidade Federal do Maranhão, São Luís, 2020. |
Tipo de acesso: | Acesso Aberto |
URI: | https://tedebc.ufma.br/jspui/handle/tede/tede/3206 |
Data de defesa: | 11-Mar-2020 |
Aparece nas coleções: | DISSERTAÇÃO DE MESTRADO - PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
AntonioRaposo.pdf | Dissertação de Mestrado | 1,06 MB | Adobe PDF | Baixar/Abrir Pré-Visualizar |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.