Finding informative code metrics under uncertainty for predicting the pass rate of online courses

Predição de desempenho em ambientes computacionais para turmas de programação: um Mapeamento Sistemático da Literatura

“…Tais atributos eram então utilizados para formar um perfil de programação de cada aluno. Para ilustrar, existem estudos que modelaram: a forma como o estudante lida com o erro analisando pares de compilação [Jadud 2006]; com os prazos, [Auvinen 2015, IX Congresso Brasileiro de Informática na Educação (CBIE 2020) Anais do XXXI Simpósio Brasileiro de Informática na Educação (SBIE 2020) Pereira et al 2019a]; o quão resiliente e determinado o estudante se encontra durante a resolução das questões propostas, que é calculado com base no número de tentativas e na corretude dos códigos [Ahadi et al 2016, Fonseca et al 2019; qual o padrão de digitação do(a) estudante quando ele(a) está programando [Leinonen et al 2016, Pereira et al 2019b]; a análise sintática do grafo de fluxo de controle dos códigos submetidos [Otero et al 2016, Pereira et al 2019c; mudança de código entre submissões e comportamentos de procrastinação [Edwards et al 2009]; análise estática dos códigos submetidos [Dwan et al 2017, Azcona et al 2018. Os 7 trabalhos que foram conduzidos em MOOC ou AVA usavam como atributo a frequência de uso de recursos e atividades.…”

“…De uma forma geral, as técnicas de previsão de desempenho encontradas na literatura são baseadas em dois passos: (i) gerar modelos de perfis de programação dos alunos à medida que esses desenvolvem suas soluções para os problemas de programação propostos, e (ii) usar técnicas de estatística inferencial, MD ou AM para explorar as dimensões dos perfis de programação e prever o desempenho dos estudantes a partir dos modelos gerados. Os perfis de programação podem ser originados a partir de variados tipos de evidências, dentre as quais destacamos: o modo como o estudante lida com o erro [Jadud 2006]; com os prazos, [Auvinen 2015, Pereira et al 2019a; o quão resiliente e determinado o estudante é durante suas tentativas de solucionar as questões propostas [Ahadi et al 2016], e a análise sintática do grafo de fluxo de controle dos códigos submetidos [Otero et al 2016, Pereira et al 2019c. Todos esses trabalhos analisam como esses perfis de programação do aluno se relacionam com a nota.…”

Predição de Zona de Aprendizagem de Alunos de Introdução à Programação em Ambientes de Correção Automática de Código

“…Finalmente, no trabalho de [Otero et al 2016] foi apresentada uma série de métricas de software baseadas na análise estática dos códigos submetidos por discentes de turmas de IPC em ACAC, como o número médio de linhas de código, comentários, caracteres, blocos e etc. Tais métricas apresentaram correlação com a nota do estudantes e podem assim ser usadas como atributos de algoritmos de aprendizagem de máquina.…”

“…Strings em mais de uma linha não são contadas como comentários e sim como num multi (M3) [Otero et al 2016]; • num linhas branco (M2): média de número de linhas em branco nos códigos [Otero et al 2016]; • num multi (M3): média de número de strings que ficam em mais de uma linha nos códigos submetidos; • loc (M4): média de número de linhas dos códigos submetidos [Otero et al 2016];…”

“…• lloc (M5): média de número de linhas lógicas dos códigos, sem contabilizar importação de bibliotecas, comentários e linhas em branco [Otero et al 2016]; • tempo uso ecf (M6): tempo total (em minutos) que o aluno passa dentro do ECF tentando solucionar as questões de uma dada lista de exercícios, ou seja, digitando algo [Auvinen 2015]; • code ratio (M7): a razão entre loc e o tempo uso ecf [Otero et al 2016];…”