Aprendizaje automático para predecir deserción en estudiantes de programación

• Autores: Gonzalez Kriegel, Federico José
• Año de publicación: 2022
• Idioma: español castellano
• Tipo de recurso: tesis de grado
• Colaborador/a o director/a de tesis: Bulgarelli, Franco Leonardo; Benotti, Luciana
• Materia: Informática aplicada; Aprendizaje automático; Foro educativo; Procesamiento de lenguaje natural; Applied computing; Machine learning; Educational forum; Natural language processing
• Institución: Universidad Nacional de Córdoba

Tesis (Lic. en Cs. de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2022.
Fil: Gonzalez Kriegel, Federico José. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
Entender la trayectoria educativa de un estudiante en un sistema online permite mejorar su experiencia y reducir la deserción de las mismas. Sin embargo, hacerlo manualmente en cursos multitudinarios es inviable. Actualmente es posible desarrollar modelos de inteligencia artificial para analizar automáticamente el comportamiento y aprendizaje de los estudiantes. Este trabajo utiliza datos de Mumuki, un sistema de enseñanza online, para desarrollar estos modelos. Se parte de un estudio previo sobre deserción en ejercicios de programación en un lenguaje funcional y se extiende a un lenguaje imperativo. Se entrenaron varios modelos y se compararon sus desempeños. Finalmente, se identificaron características que permiten determinar qué ejercicios actúan como los mejores predictores del éxito estudiantil. Los resultados muestran que es posible obtener modelos precisos independientemente del lenguaje y paradigma, y que existen características en los ejercicios que contribuyen significativamente al rendimiento de los modelos.
Understanding the educational path that a student makes in an online system allows for improving their experience and reducing dropout rates. However, manually performing this task in massive courses is unfeasible. It is now possible to develop artificial intelligence models to automatically analyze students' behavior and learning. This work uses data from Mumuki, an online teaching system, to develop these models. It starts from a previous study about dropout in programming exercises in a functional language and extends it to an imperative language. Several models were trained and their performances compared. Finally, features were identified that help determine which exercises act as the best predictors of student success. The results show that it is possible to obtain accurate models regardless of the language or paradigm, and that there are features in the exercises that significantly contribute to the model's performance.
Fil: Gonzalez Kriegel, Federico José. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.