Programming: predicting student success early in CS1. a re-validation and replication study

Resilience and Effective Learning in First-Year Undergraduate Computer Science

“…Recently, artificial intelligence and machine learning approaches -especially in the context of a wider higher education push on learning analytics -have been widely applied in success / retention prediction (e.g. [1,7,22,28]). However, there is limited published work related to the prediction of a computer science student's overall results and attendance based on measures of positive psychology, which is the focus of this work.…”

“…In the domain of CS, threshold concepts have be argued to be largely related to programming [34], leading to research related to success seen through the lens of programming (commonly fundamental programming or "CS1"). This has been productive but can been argued to leave a gap in our understanding of factors that can be predictors of success [7,22,28]. In particular, in the case of troublesome knowledge, learners may need to perform in the face of adversity.…”

“…Prediction of introductory programming performance based upon machine learning and source code snapshots has had some success [1,7], as has prediction based upon in-class clicker questions [22]. The Predict Student Success (PreSS) model, a composite model based upon programming self-efficacy, mathematical ability based on a high school mathematics exit examination and number of hours per week a student plays computer games achieved a 77.5% success rate in predicting CS1 [28]. The prediction of CS1 performance based upon Grit [37] has been attempted; however, there is limited published work related to the inclusion of positive psychology (including grit and resilience) or attendance within these models for the prediction of success with CS1 and wider success.…”

Um Mapeamento Sistemático sobre Métodos de Identificação Preditiva de Alunos com Risco de Reprovação em Educação de Computação

“…Uma outra abordagem utilizou uma ARL mesclada ao teste de normalidade Shapiro-Wilks, testando o quão preditor um conjunto de 50 variáveis pode ser ao tentar identificar os alunos em situação de risco de reprovação, mostrando qual variável tem maior desempenho em predizer o resultado final do aluno [Watson et al 2014]. Já em [Quille and Bergin 2018], foi apresentado o Modelo PreSS, criado há 20 anos, que teria a capacidade de identificar os alunos em situação de risco de reprovação (também utilizando ARL).…”

“…Muitos métodos de identificação já foram propostos na literatura, como o modelo de ARL (Análise de Regressão Linear) utilizando dados coletados da IpC (Instrução pelos Colegas) para previsão do desempenho do exame final [Liao et al 2016]. Uma outra propostaé o modelo PreSS que usa fatores comparativos -como a eficiência de programação, a habilidade matemática e as horas dedicadas em exercícios -para auxiliar a identificação do alunos em risco de reprovação [Quille and Bergin 2018]. Existem até ferramentas capazes de realizarem capturas de telas, que exibem código-fonte, para auxiliar na identificação das dificuldades apresentadas pelos alunos usando aprendizado de máquina [Ahadi 2016].…”