@MASTERSTHESIS{ 2018:56036809,
 	title = {Uso de um m?todo preditivo para inferir a zona de aprendizagem de alunos de programa??o em um ambiente de corre??o autom?tica de c?digo},
 	year = {2018},
 	url = "https://tede.ufam.edu.br/handle/tede/6425",
 	abstract = "Em m?dia, um ter?o dos alunos no mundo reprova em disciplinas de introdu??o ?
 programa??o de computadores (IPC). Assim, muitos estudos v?m sendo conduzidos a
 fim de inferir o desempenho de estudantes de turmas de IPC. Inicialmente, pesquisadores
 investigavam a rela??o das notas dos alunos com fatores est?ticos como: notas no
 ensino m?dio, g?nero, idade e outros. Entretanto, o comportamento dos estudantes
 ? din?mico e, dessa forma, abordagens orientadas aos dados v?m ganhando aten??o,
 uma vez que muitas universidades utilizam ambientes web para turmas de programa??o
 como ju?zes online. Com efeito, muitos pesquisadores v?m extraindo e tratando os
 dados dos estudantes a partir desses ambientes e usando-os como atributos de algoritmos
 de aprendizagem de m?quina para a constru??o de modelos preditivos. No entanto, a
 comunidade cient?fica sugere que tais estudos sejam reproduzidos a fim de investigar
 se eles s?o generaliz?veis a outras bases de dados educacionais. Neste sentido, neste
 trabalho apresentou-se um m?todo 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 predi??o do desempenho dos alunos nas
 avalia??es intermedi?rias e nas m?dias finais. Tal m?todo foi aplicado a uma base de
 dados com 486 alunos de IPC. O conjunto de atributos chamado de perfil de programa??o
 foi empregado em algoritmos de aprendizagem de m?quina e otimizado utilizando
 duas abordagens: a) ajuste de hiperpar?metros com random search e b) constru??o do
 pipeline de aprendizagem de m?quina utilizando algoritmos evolutivos. Como resultado,
 atingiu-se 74,44% de acur?cia 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 m?todo atingiu acur?cias entre 85% e 90,62%.",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de P?s-gradua??o em Inform?tica},
 	note = {Instituto de Computa??o}
}