Currently, there are many online platforms that offers programming exercise libraries where evaluation occurs automatically. The present work presents an analysis of two models that aims to estimate the students' ability: ELO and TRI Theory. ELO was developed to classify players through game history, and TRI estimates skill through a set of responses given to a set of items. For the application of the models we use a database made available by an Online Judge platform. The results show us differences between the models in relation to the estimated abilities, differences that we believe are related to the way in which each model estimates the parameters.
Abstract. Educational recommendation systems require different models from those applied in other areas. An important factor is recommend Learning Objects (LO) that improve the learning process and not only match with the student's personal preference. We used a game ranking technique, the ELO, to compare students and LO. The interaction of student and L.O. is like a game match. Analyzing the history of an online programming problem tool, we observed that recommending to the student problems that have ELO next to him tends to bring better results.Resumo. Sistemas de recomendação para sistemas em educacionais demandam modelos diferentes dos utilizados em outrasáreas. Um fator importanté e apresentar objetos de aprendizagem (O.A.) que catalizem o aprendizado e não necessariamente operem em função dos gostos pessoais do estudante. Utilizando uma técnica de ranking em jogos, o ELO, comparamos estudantes e problemas como se os O.A. fossem duelos. Analisando o histórico de uma ferramenta online de problemas de programação, observamos que recomendar ao estudante problemas de ELO próximo ao seu tende a trazer melhores resultados.
IntroduçãoO problema de escolher, dentre diversos objetos, o mais adequado para um usuárió e um problema já bastante trabalhado nos sistemas de recomendação. Sistemas de recomendação utilizam técnicas computacionais para selecionar itens de forma personalizada a usuários, levando em conta critérios como histórico e interesse. Esses sistemas têm sido construídos a fim de nos recomendar filmes,produtos ou sites mais adequados a nossa vontade. No entanto, o processo de recomendação na educaçãoé diferente. Enquanto na escolha de filmes e sites podemos nos basear nos gostos do usuário e em seu histórico de utilização, a educação exige modelos específicos e uma análise diferente desses critérios, de forma que os objetos recomendados potencializem o aprendizado.Os sistemas baseados em análise pedagógica geram sua recomendação através da modelagem de fundamentos pedagógicos, tornando assim a análise mais sofisticada no sentido de observar os dados sob aótica de um modelo pedagógico.
Este trabalho apresenta um experimento feito com estudantes calouros de 3 cursos universitários. Eles utilizaram um sistema personalizado com problemas de pré-cálculo. O objetivo foi avaliar o quanto nosso modelo e sistema podem contribuir para o aprendizado dos estudantes. Apresentamos o modelo e os resultados.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.