Uso de Mapa de Características na Avaliação de Textos Curtos nos Ambientes Virtuais de Aprendizagem

Abstract

This paper proposed a feedback model for Virtual Learning Environments -VLE built automatically after the teacher's evaluation. This feedback results from the similarities among texts of the same grade and shows markings on more informative words for each student's submissions. The system, indeed, encourages the discussion of discipline content and enables all course participants learning collaboratively. Providing this dynamic correction, the teacher coordinates a discussion of results and suits teaching-learning methods.Resumo. Neste artigoé proposto um modelo de feedback para Ambientes Virtuais de Aprendizagem -AVA construído automaticamente após a avaliação do professor. Este feedback resulta da similaridade dos textos de mesma nota e são apresentadas aos estudantes marcações nas palavras mais informativas em cada uma das submissões. O sistema, na verdade, estimula a discussão dos conteúdos da disciplina e capacita todos os participantes do curso a verificarem o aprendizado de forma colaborativa. Ao proporcionar essa dinâmica de correção o professor coordena a discussão dos resultados e adequa os métodos de ensino-aprendizagem.

Reconhecimento Automático de Representações de Rúbricas em Agrupamentos de Soluções de Exercícios de Programação

“…O modelo de seleção de características de Spalenza et al (2016), combinando as técnicas de clustering e de algoritmo genético, cria um mapa de características selecionando termos relevantes nos textos dentre os grupos de notas da avaliação de um professor. De acordo com Spalenza et al (2016), no feedback enviado aos alunos, os termos relevantes apareceriam em destaque, o que facilitaria a explicação das notas atribuídas por um professor. Em nossa proposta, mais do que apresentar os termos descritivos e discriminativos dos clusters representativos de gabaritos e da diversidade de soluções de programação, através dos fatores formados pela técnica de PCA, reconhecemos as características que eles representam bem como as relações entre elas.…”

Automatic Mapping of Student 3D Profiles in Software Metrics for Temporal Analysis of Programming Learning and Scoring Rubrics

“…The main related works to our proposal are the assessment system based on the software metrics of [3], the instruments of visualization of programming students' profiles of [16], the recognition strategy of profiles by source code analysis metrics of [2], the selection model of features of [17], the system of recognition of rubrics Enhanced Expert Systems with dimensionality reduction of [11] and the study of [18] involving the discovery of longitudinal patterns.…”

“…For an automatic selection of evaluation variables, we highlight the selection model of the characteristics of [17], which combines clustering techniques and algorithm to create a feature map by selecting relevant terms in the texts of the groups of notes of the evaluation of a teacher. In our proposal, the relevant characteristics, that is, the most important metrics for each programming solution, we can visualize through heat maps comparing different solutions from five or more software metrics.…”

Sistema de Representação 3D de Perfis para Análise Temporal da Aprendizagem de Programação e Composição de Rubricas

“…Os principais trabalhos relacionados a nossa proposta, além do trabalho de [Neves et al 2017] que apresentamos no início, são os instrumentos de visualização de perfis de estudantes de programação de [Oliveira et al 2017], a estratégia de reconheci-mento de perfis por métricas de análise de codigos-fontes de [Novais et al 2016], o modelo de seleção de características de [Spalenza et al 2016], o reconhecimento automático de representações de rubricas de [Gonçalves de Oliveira et al 2018], o sistema de reconhecimento de rubricas com redução de dimensionalidde de [Olmos et al 2016] e o estudo de [Tang et al ] envolvendo descoberta de padrões longitudinais.…”

“…Para seleção automática de variáveis de avaliação, destacamos o modelo de seleção de características de[Spalenza et al 2016], que combina as técnicas de clustering e de algoritmo genético para criar um mapa de características selecionando termos relevantes nos textos dentre os grupos de notas da avaliação de um professor. Em nossa proposta, as características relevantes, istoé, as métricas mais importantes para cada solução de programação, podemos visualizar através de mapas de calor comparando diferentes soluções de programação por cinco ou mais métricas de software.Em relaçãoà composição de rúbricas, uma estratégia a se destacaré a proposta de [Gonçalves deOliveira et al 2018], queé baseada em técnicas de clustering e de Análise de Componentes Principais para reconhecer, a partir de soluções desenvolvidas por alunos, exemplos de soluções que representem, em um esquema de rubricas, os escores atribuídos por um professor.…”