Predição do rendimento dos alunos em lógica de programação com base no desempenho das disciplinas do primeiro período do curso de ciências e tecnologia utilizando técnicas de mineração de dados

Detalhes bibliográficos
Autor(a) principal: Santana Junior, Orivaldo Vieira de
Data de Publicação: 2020
Outros Autores: Barros, Renata Pitta, Silva, Igor Rosberg de Medeiros, Santos, Luana Fernandes dos, Câmara Neto, Vilson Rodrigues
Tipo de documento: Artigo
Idioma: por
Título da fonte: Repositório Institucional da UFRN
Texto Completo: https://repositorio.ufrn.br/handle/123456789/30965
http://dx.doi.org/10.34117/bjdv6n1-186
Resumo: Os altos índices de reprovação e evasão de estudantes universitários nas disciplinas iniciais de programação apresentam uma estatística preocupante enfrentada pelos coordenadores dos cursos da área de Tecnologia. O problema da reprovação dos estudantes nessas disciplinas é, muitas vezes, apontado como um fator influenciador da evasão dos cursos. Esta pesquisa propõe a utilização de técnicas de Mineração de Dados Educacionais para tentar predizer o desempenho dos alunos na disciplina de Lógica de Programação, do segundo período do curso de Bacharelado em Ciências e Tecnologia da UFRN, através do desempenho nas disciplinas do primeiro período do curso. Os resultados mostraram que é possível inferir o rendimento dos estudantes com uma acurácia de até 77%, sendo esta informação útil para a realização de ações para evitar a reprovação/evasão e, principalmente, para personalizar o ensino de lógica de programação.
id UFRN_11428952bd92a262dc3fbeefd91f5589
oai_identifier_str oai:https://repositorio.ufrn.br:123456789/30965
network_acronym_str UFRN
network_name_str Repositório Institucional da UFRN
repository_id_str
spelling Santana Junior, Orivaldo Vieira deBarros, Renata PittaSilva, Igor Rosberg de MedeirosSantos, Luana Fernandes dosCâmara Neto, Vilson Rodrigues2020-12-11T17:22:42Z2020-12-11T17:22:42Z2020BARROS, Renata Pitta; SANTANA JUNIOR, Orivaldo Vieira; SILVA, Igor Rosberg de Medeiros; SANTOS, Luana Fernandes; CÂMARA NETO, Vilson Rodrigues. Predição do rendimento dos alunos em lógica de programação com base no desempenho das disciplinas do primeiro período do curso de ciências e tecnologia utilizando técnicas de mineração de dados. Brazilian Journal Of Development, [S.L.], v. 6, n. 1, p. 2523-2534, 2020. Brazilian Journal of Development. http://dx.doi.org/10.34117/bjdv6n1-186. Disponível em: https://www.brazilianjournals.com/index.php/BRJD/article/view/6167/5484. Acesso em: 16 out. 2020.2525-8761https://repositorio.ufrn.br/handle/123456789/30965http://dx.doi.org/10.34117/bjdv6n1-186Os altos índices de reprovação e evasão de estudantes universitários nas disciplinas iniciais de programação apresentam uma estatística preocupante enfrentada pelos coordenadores dos cursos da área de Tecnologia. O problema da reprovação dos estudantes nessas disciplinas é, muitas vezes, apontado como um fator influenciador da evasão dos cursos. Esta pesquisa propõe a utilização de técnicas de Mineração de Dados Educacionais para tentar predizer o desempenho dos alunos na disciplina de Lógica de Programação, do segundo período do curso de Bacharelado em Ciências e Tecnologia da UFRN, através do desempenho nas disciplinas do primeiro período do curso. Os resultados mostraram que é possível inferir o rendimento dos estudantes com uma acurácia de até 77%, sendo esta informação útil para a realização de ações para evitar a reprovação/evasão e, principalmente, para personalizar o ensino de lógica de programação.The high rates of university student disapproval and dropout in the initial courses of programming present a worrying statistics faced by the coordinators of the Technology programs. The problem of students disapproval is often pointed as an influential factor in dropping out of university programs. This work proposes the use of techniques of Educational Data Mining to predict the performance of students in the course of Programming Logic, of the second period of the Bachelor of Science and Technology program at UFRN, based on performance in the courses of the first period of that program. The results showed that it is possible to infer students performance with an accuracy of up to 77%, this information being useful for planning actions to avoid disapproval/dropout and, especially, to personalize the teaching of programming logic.Brazilian Journal Of Development - Publicação IndependenteAttribution-NonCommercial 3.0 Brazilhttp://creativecommons.org/licenses/by-nc/3.0/br/info:eu-repo/semantics/openAccessciência de dados educacionaisdados educacionaiseducational data scienceaprendizado de máquinamachine learningeducational dataPredição do rendimento dos alunos em lógica de programação com base no desempenho das disciplinas do primeiro período do curso de ciências e tecnologia utilizando técnicas de mineração de dadosPredicting student performance in programming logic based on the performance of first-course science and technology subjects using data mining techniquesinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/articleporreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8920https://repositorio.ufrn.br/bitstream/123456789/30965/2/license_rdf728dfda2fa81b274c619d08d1dfc1a03MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-81484https://repositorio.ufrn.br/bitstream/123456789/30965/3/license.txte9597aa2854d128fd968be5edc8a28d9MD53ORIGINALPrediçãoRendimentoAluno_SANTANA_2020.pdfPrediçãoRendimentoAluno_SANTANA_2020.pdfapplication/pdf466871https://repositorio.ufrn.br/bitstream/123456789/30965/1/Predi%c3%a7%c3%a3oRendimentoAluno_SANTANA_2020.pdf84be7dd77a24b7c449b040fd1b199abbMD51TEXTPrediçãoRendimentoAluno_SANTANA_2020.pdf.txtPrediçãoRendimentoAluno_SANTANA_2020.pdf.txtExtracted texttext/plain29554https://repositorio.ufrn.br/bitstream/123456789/30965/4/Predi%c3%a7%c3%a3oRendimentoAluno_SANTANA_2020.pdf.txt1890d448c85b0e360b41ab07c0f55508MD54THUMBNAILPrediçãoRendimentoAluno_SANTANA_2020.pdf.jpgPrediçãoRendimentoAluno_SANTANA_2020.pdf.jpgGenerated Thumbnailimage/jpeg1746https://repositorio.ufrn.br/bitstream/123456789/30965/5/Predi%c3%a7%c3%a3oRendimentoAluno_SANTANA_2020.pdf.jpga07ba4811cda165e3b58713bd2127ad0MD55123456789/309652020-12-13 05:01:41.62oai:https://repositorio.ufrn.br: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Repositório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2020-12-13T08:01:41Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false
dc.title.pt_BR.fl_str_mv Predição do rendimento dos alunos em lógica de programação com base no desempenho das disciplinas do primeiro período do curso de ciências e tecnologia utilizando técnicas de mineração de dados
dc.title.alternative.pt_BR.fl_str_mv Predicting student performance in programming logic based on the performance of first-course science and technology subjects using data mining techniques
title Predição do rendimento dos alunos em lógica de programação com base no desempenho das disciplinas do primeiro período do curso de ciências e tecnologia utilizando técnicas de mineração de dados
spellingShingle Predição do rendimento dos alunos em lógica de programação com base no desempenho das disciplinas do primeiro período do curso de ciências e tecnologia utilizando técnicas de mineração de dados
Santana Junior, Orivaldo Vieira de
ciência de dados educacionais
dados educacionais
educational data science
aprendizado de máquina
machine learning
educational data
title_short Predição do rendimento dos alunos em lógica de programação com base no desempenho das disciplinas do primeiro período do curso de ciências e tecnologia utilizando técnicas de mineração de dados
title_full Predição do rendimento dos alunos em lógica de programação com base no desempenho das disciplinas do primeiro período do curso de ciências e tecnologia utilizando técnicas de mineração de dados
title_fullStr Predição do rendimento dos alunos em lógica de programação com base no desempenho das disciplinas do primeiro período do curso de ciências e tecnologia utilizando técnicas de mineração de dados
title_full_unstemmed Predição do rendimento dos alunos em lógica de programação com base no desempenho das disciplinas do primeiro período do curso de ciências e tecnologia utilizando técnicas de mineração de dados
title_sort Predição do rendimento dos alunos em lógica de programação com base no desempenho das disciplinas do primeiro período do curso de ciências e tecnologia utilizando técnicas de mineração de dados
author Santana Junior, Orivaldo Vieira de
author_facet Santana Junior, Orivaldo Vieira de
Barros, Renata Pitta
Silva, Igor Rosberg de Medeiros
Santos, Luana Fernandes dos
Câmara Neto, Vilson Rodrigues
author_role author
author2 Barros, Renata Pitta
Silva, Igor Rosberg de Medeiros
Santos, Luana Fernandes dos
Câmara Neto, Vilson Rodrigues
author2_role author
author
author
author
dc.contributor.author.fl_str_mv Santana Junior, Orivaldo Vieira de
Barros, Renata Pitta
Silva, Igor Rosberg de Medeiros
Santos, Luana Fernandes dos
Câmara Neto, Vilson Rodrigues
dc.subject.por.fl_str_mv ciência de dados educacionais
dados educacionais
educational data science
aprendizado de máquina
machine learning
educational data
topic ciência de dados educacionais
dados educacionais
educational data science
aprendizado de máquina
machine learning
educational data
description Os altos índices de reprovação e evasão de estudantes universitários nas disciplinas iniciais de programação apresentam uma estatística preocupante enfrentada pelos coordenadores dos cursos da área de Tecnologia. O problema da reprovação dos estudantes nessas disciplinas é, muitas vezes, apontado como um fator influenciador da evasão dos cursos. Esta pesquisa propõe a utilização de técnicas de Mineração de Dados Educacionais para tentar predizer o desempenho dos alunos na disciplina de Lógica de Programação, do segundo período do curso de Bacharelado em Ciências e Tecnologia da UFRN, através do desempenho nas disciplinas do primeiro período do curso. Os resultados mostraram que é possível inferir o rendimento dos estudantes com uma acurácia de até 77%, sendo esta informação útil para a realização de ações para evitar a reprovação/evasão e, principalmente, para personalizar o ensino de lógica de programação.
publishDate 2020
dc.date.accessioned.fl_str_mv 2020-12-11T17:22:42Z
dc.date.available.fl_str_mv 2020-12-11T17:22:42Z
dc.date.issued.fl_str_mv 2020
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/article
format article
status_str publishedVersion
dc.identifier.citation.fl_str_mv BARROS, Renata Pitta; SANTANA JUNIOR, Orivaldo Vieira; SILVA, Igor Rosberg de Medeiros; SANTOS, Luana Fernandes; CÂMARA NETO, Vilson Rodrigues. Predição do rendimento dos alunos em lógica de programação com base no desempenho das disciplinas do primeiro período do curso de ciências e tecnologia utilizando técnicas de mineração de dados. Brazilian Journal Of Development, [S.L.], v. 6, n. 1, p. 2523-2534, 2020. Brazilian Journal of Development. http://dx.doi.org/10.34117/bjdv6n1-186. Disponível em: https://www.brazilianjournals.com/index.php/BRJD/article/view/6167/5484. Acesso em: 16 out. 2020.
dc.identifier.uri.fl_str_mv https://repositorio.ufrn.br/handle/123456789/30965
dc.identifier.issn.none.fl_str_mv 2525-8761
dc.identifier.doi.none.fl_str_mv http://dx.doi.org/10.34117/bjdv6n1-186
identifier_str_mv BARROS, Renata Pitta; SANTANA JUNIOR, Orivaldo Vieira; SILVA, Igor Rosberg de Medeiros; SANTOS, Luana Fernandes; CÂMARA NETO, Vilson Rodrigues. Predição do rendimento dos alunos em lógica de programação com base no desempenho das disciplinas do primeiro período do curso de ciências e tecnologia utilizando técnicas de mineração de dados. Brazilian Journal Of Development, [S.L.], v. 6, n. 1, p. 2523-2534, 2020. Brazilian Journal of Development. http://dx.doi.org/10.34117/bjdv6n1-186. Disponível em: https://www.brazilianjournals.com/index.php/BRJD/article/view/6167/5484. Acesso em: 16 out. 2020.
2525-8761
url https://repositorio.ufrn.br/handle/123456789/30965
http://dx.doi.org/10.34117/bjdv6n1-186
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Attribution-NonCommercial 3.0 Brazil
http://creativecommons.org/licenses/by-nc/3.0/br/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Attribution-NonCommercial 3.0 Brazil
http://creativecommons.org/licenses/by-nc/3.0/br/
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Brazilian Journal Of Development - Publicação Independente
publisher.none.fl_str_mv Brazilian Journal Of Development - Publicação Independente
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFRN
instname:Universidade Federal do Rio Grande do Norte (UFRN)
instacron:UFRN
instname_str Universidade Federal do Rio Grande do Norte (UFRN)
instacron_str UFRN
institution UFRN
reponame_str Repositório Institucional da UFRN
collection Repositório Institucional da UFRN
bitstream.url.fl_str_mv https://repositorio.ufrn.br/bitstream/123456789/30965/2/license_rdf
https://repositorio.ufrn.br/bitstream/123456789/30965/3/license.txt
https://repositorio.ufrn.br/bitstream/123456789/30965/1/Predi%c3%a7%c3%a3oRendimentoAluno_SANTANA_2020.pdf
https://repositorio.ufrn.br/bitstream/123456789/30965/4/Predi%c3%a7%c3%a3oRendimentoAluno_SANTANA_2020.pdf.txt
https://repositorio.ufrn.br/bitstream/123456789/30965/5/Predi%c3%a7%c3%a3oRendimentoAluno_SANTANA_2020.pdf.jpg
bitstream.checksum.fl_str_mv 728dfda2fa81b274c619d08d1dfc1a03
e9597aa2854d128fd968be5edc8a28d9
84be7dd77a24b7c449b040fd1b199abb
1890d448c85b0e360b41ab07c0f55508
a07ba4811cda165e3b58713bd2127ad0
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)
repository.mail.fl_str_mv
_version_ 1814832796582019072

Registros relacionados