Rastreamento do Conhecimento Dentro da Prática de Programação Individual Usando Dados do Processo de Resolução de Problemas

Rastrear com precisão o estado do conhecimento do aluno contribui para fornecer suporte inteligente de alta qualidade para o aprendizado de programação assistido por computador. No entanto, o rastreamento do conhecimento é difícil quando os alunos tiveram apenas algumas oportunidades de prática, o que é comum na programação baseada em blocos. Este artigo propôs dois modelos de rastreamento de conhecimento que podem explorar os dados do processo de resolução de problemas gerados pelos alunos a partir de uma única tarefa de programação. Uma nova métrica, o índice de aproximação, foi desenvolvida usando a distância de edição em árvores sintáticas abstratas para medir as semelhanças entre as soluções intermediárias dos alunos e a solução ótima. O método proposto permite que o caminho de programação de cada aluno seja representado como uma sequência bruta de índice de aproximação (AISeq) ou como uma variável única (AIScore) ao calcular a média do AISeq. Um modelo de regressão logística foi inicialmente projetado para prever o desempenho dos alunos usando seu AIScore, o número de tentativas e seu desempenho atual. Um segundo modelo, um modelo de rede neural recorrente, também foi desenvolvido para usar diretamente o AISeq e fazer previsões. Para verificar a eficácia desses modelos, uma série de análises estatísticas e experimentos foram conduzidos em dois conjuntos de dados existentes de programação baseada em blocos em grande escala, cujos resultados revelaram que os modelos propostos foram competitivos com quatro modelos de ponta em várias métricas, como a curva de precisão-revocação, precisão, especificidade e Kappa de Cohen. Especialmente, os modelos propostos mostraram-se mais robustos do que os modelos comparados na previsão de quem não conseguiria completar as tarefas.