Ensino de algoritmos : detecção do estado afetivo de frustração para apoio ao processo de aprendizagem

Abstract

Esta tese apresenta uma pesquisa para detectar os alunos que evidenciam sinais de frustração em atividades de ensino e de aprendizagem na área de Algoritmos, para então, auxiliá-los com ações proativas de apoio. A motivação para o desenvolvimento deste trabalho advém da dificuldade dos alunos na aprendizagem dos conceitos e técnicas de construção de Algoritmos, que se constitui num dos principais fatores que levam os cursos de formação em Computação a atingir altas taxas de evasão. Na busca por diminuir tal evasão, esta pesquisa destaca a importância de considerar os estados afetivos dos alunos, procurando motivá-los a estudar e resolver suas dificuldades de entendimento da resolução de problemas usando como suporte os sistemas computacionais. Para fins de validação da pesquisa foi construída uma ferramenta para: a) inferir o estado afetivo de frustração do aluno durante a resolução dos exercícios de Algoritmos, b) ao detectar sinais associados à frustração, apresentar recursos de apoio ao aprendizado do aluno. A inferência da frustração ocorre a partir da análise das variáveis comportamentais produzidas pelas interações dos alunos com a ferramenta. O apoio consiste na exibição de um tutorial com a resolução passo a passo do exercício no qual o aluno apresenta dificuldades e na recomendação de um novo exercício com níveis de complexidade mais lineares aos conceitos trabalhados até aquele ponto da disciplina. A partir destas ações, pretende-se auxiliar a fazer com que a frustração do aluno possa ser transformada em uma oportunidade de aprendizado. Estudos de Caso foram realizados com alunos de Algoritmos do curso de Tecnologia em Análise e Desenvolvimento de Sistemas da Faculdade de Tecnologia Senac Pelotas durante os anos de 2011 e 2012. Para identificar os padrões de comportamento dos alunos foram utilizadas técnicas de Mineração de Dados. Os resultados dos experimentos demonstraram que evidências como, o alto número de tentativas de compilação de um programa sem sucesso, o grande número de erros em um mesmo programa ou a quantidade de tempo gasto na tentativa de resolver um algoritmo, podem estar relacionadas ao estado de frustração do aluno. Além disso, em um dos experimentos foi realizado um comparativo de pré e pós-teste que demonstrou importantes avanços no aprendizado dos alunos participantes da pesquisa.

This thesis presents a research work on the detection of students who show signs of frustration in learning activities in the area of algorithms, to then assist them with proactive support actions. Our motivation for the development of this work comes from students' difficulty in learning the concepts and techniques for building algorithms, which constitutes one of the main factors for the high dropout rates of computing courses. With the intent of giving a contribution to the reduction of such evasion, this research highlights the importance of considering students' affective states, trying to motivate them to study and work out their difficulties, with the assistance of computer systems. For research validation purposes, a tool was built to: a) infer the student’s affective state of frustration while solving exercises of algorithms; b) detect signs associated with frustration, to provide resources to support student learning. The inference of frustration comes from the analysis of behavioral variables produced by the interactions of students with the tool. The support consists in displaying a tutorial with a step by step solution for the exercise in which the student shows difficulties, and the recommendation of a new exercise with more linear levels of complexity than the concepts worked until that point in the course. With these actions, our intention is to turn student's frustration into a learning opportunity. Case studies were conducted with students of Algorithms at the Faculty of Technology Senac Pelotas, in 2011 and 2012. Data mining techniques were used to identify patterns of student behavior. The experiment results showed that evidence such as the high number of attempts to compile a program without success, the large number of errors in a program or even the amount of time spent trying to solve an algorithm, might be related to the student’s frustration state. Additionally, a pre and post-test comparison showed significant progress in students' learning.