@MASTERSTHESIS{ 2018:1900121683,
 	title = {Uso de um método preditivo para inferir a zona de aprendizagem de alunos de programação em um ambiente de correção automática de código},
 	year = {2018},
 	url = "https://tede.ufam.edu.br/handle/tede/6425",
 	abstract = "Em média, um terço dos alunos no mundo reprova em disciplinas de introdução à
 programação de computadores (IPC). Assim, muitos estudos vêm sendo conduzidos a
 fim de inferir o desempenho de estudantes de turmas de IPC. Inicialmente, pesquisadores
 investigavam a relação das notas dos alunos com fatores estáticos como: notas no
 ensino médio, gênero, idade e outros. Entretanto, o comportamento dos estudantes
 é dinâmico e, dessa forma, abordagens orientadas aos dados vêm ganhando atenção,
 uma vez que muitas universidades utilizam ambientes web para turmas de programação
 como juízes online. Com efeito, muitos pesquisadores vêm extraindo e tratando os
 dados dos estudantes a partir desses ambientes e usando-os como atributos de algoritmos
 de aprendizagem de máquina para a construção de modelos preditivos. No entanto, a
 comunidade científica sugere que tais estudos sejam reproduzidos a fim de investigar
 se eles são generalizáveis a outras bases de dados educacionais. Neste sentido, neste
 trabalho apresentou-se um método que emprega um conjunto de atributos correlacionados
 com as notas dos estudantes, sendo alguns baseados em trabalhos relacionados e outros
 propostos nesta pesquisa, a fim de realizar a predição do desempenho dos alunos nas
 avaliações intermediárias e nas médias finais. Tal método foi aplicado a uma base de
 dados com 486 alunos de IPC. O conjunto de atributos chamado de perfil de programação
 foi empregado em algoritmos de aprendizagem de máquina e otimizado utilizando
 duas abordagens: a) ajuste de hiperparâmetros com random search e b) construção do
 pipeline de aprendizagem de máquina utilizando algoritmos evolutivos. Como resultado,
 atingiu-se 74,44% de acurácia na tarefa de identificar se os alunos iriam ser reprovados
 ou aprovados usando os dados das duas semanas de aula em uma base de dados
 balanceada. Esse resultado foi estatisticamente superior ao baseline. Destaca-se ainda
 que a partir da oitava semana de aula, o método atingiu acurácias entre 85% e 90,62%.",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de Pós-graduação em Informática},
 	note = {Instituto de Computação}
}