SPEI: Una herramienta web de intervención temprana para el desempeño académico de estudiantes de cursos de programación

José Miguel Llanos Mosquera; Victor Andrés Bucheli Guerrero; Felipe Restrepo Calle

doi:10.14482/inde.43.02.519.852

Autores/as

José Miguel Llanos Mosquera Universidad del Valle
Victor Andrés Bucheli Guerrero Universidad del Valle
Felipe Restrepo Calle Universidad Nacional de Colombia

DOI:

https://doi.org/10.14482/inde.43.02.519.852

Palabras clave:

CS1, desempeño académico, herramienta de intervención temprana, intervención temprana, modelo de predicción

Resumen

En los cursos de introducción a la programación (CS1) se observa un bajo desempeño académico entre los estudiantes, un problema común en las instituciones de educación superior que se atribuye a la complejidad de los conceptos y a la falta de experiencia en programación. Una manera de abordar esta situación es implementar herramientas que permitan intervenir de manera temprana en los procesos de aprendizaje para mejorar el rendimiento académico. Este estudio presenta Student's Performance Early Intervention (SPEI), una herramienta web que integra un modelo de predicción del desempeño académico y dos tipos de intervención temprana para cursos CS1. El objetivo de este artículo es evaluar la efectividad de SPEI en el desempeño académico de los estudiantes en un curso de programación CS1. SPEI se desarrolló sobre la arquitectura Model-Template-View e integra los módulos de predicción, intervención preventiva e intervención proactiva. Los resultados muestran que SPEI identifica con precisión a los estudiantes con bajo rendimiento académico y permite intervenciones personalizadas que contribuyen a mejorar su desempeño. Las conclusiones sugieren que SPEI es una herramienta efectiva para apoyar el proceso formativo y podría replicarse en otros cursos para mejorar el rendimiento académico de los estudiantes en cursos CS1.

Citas

D. Buenaño-Fernández, D. Gil, and S. Luján-Mora, “Application of Machine Learning in Predicting Performance for Computer Engineering Students: A Case Study,” Sustainability, vol. 11, no. 10, p. 2833, 2019, doi: 10.3390/su11102833.

A. F. ElGamal, “An Educational Data Mining Model for Predicting Student Performance in Programming Course,” IJCA, vol. 70, no. 17, pp. 22–28, 2013, doi: 10.5120/12160-8163.

O. Lu, J. Huang, A. Huang, and S. Yang, “Applying learning analytics for improving students engagement and learning outcomes in an MOOCs enabled collaborative programming course,” Interactive Learning Environments, pp. 78–92, 2018, doi: 10.1080/10494820.2016.1278391.

M. Sivasakthi, “Classification and prediction based data mining algorithms to predict students’ introductory programming performance,” in 2017 International Conference on Inventive Computing and Informatics (ICICI), Coimbatore: IEEE, Nov. 2017, pp. 346–350. doi: 10.1109/ICICI.2017.8365371.

F. D. Pereira, S. C. Fonseca, E. H. T. Oliveira, D. B. F. Oliveira, A. I. Cristea, and L. S. G. Carvalho, “Deep learning for early performance prediction of introductory programming students: a comparative and explanatory study,” RBIE, vol. 28, pp. 723–748, 2020, doi: 10.5753/rbie.2020.28.0.723.

M. Kuehn, J. Estad, J. Straub, T. Stokke, and S. Kerlin, “An expert system for the prediction of student performance in an initial computer science course,” in 2017 IEEE International Conference on Electro Information Technology (EIT), Lincoln, NE, USA: IEEE, 2017, pp. 1–6. doi: 10.1109/EIT.2017.8053321.

S. U. Hassan, M. Imran, U. Gillani, N. R. Aljohani, T. D. Bowman, and F. Didegah, “Measuring social media activity of scientific literature: an exhaustive comparison of scopus and novel altmetrics big data,” Scientometrics, vol. 113, no. 2, pp. 1037–1057, 2017, doi: 10.1007/s11192-017-2512-x.

R. Vilanova et al., “Data-driven tool for monitoring of students performance,” IFAC-PapersOnLine, vol. 52, no. 9, pp. 165–170, 2019, doi: 10.1016/j.ifacol.2019.08.188.

O. K. Xin and D. Singh, “Development of Learning Analytics Dashboard based on Moodle Learning Management System,” IJACSA, vol. 12, no. 7, 2021, doi: 10.14569/IJACSA.2021.0120793.

C. Lacave, A. I. Molina, and J. A. Cruz-Lemus, “Learning Analytics to identify dropout factors of Computer Science studies through Bayesian networks,” Behaviour and Information Technology, vol. 37, no. 10–11, pp. 993–1007, 2018, doi: 10.1080/0144929X.2018.1485053.

K. Quille and S. Bergin, “CS1: how will they do? How can we help? A decade of research and practice,” Computer Science Education, vol. 29, no. 2–3, pp. 254–282, 2019, doi: 10.1080/08993408.2019.1612679.

S. Ramirez-Torres and N. S. Castillo-Flórez, “ALERTAS TEMPRANAS DEL RIESGO DE ABANDONO ESCOLAR: Una estrategia para la permanencia y el éxito estudiantil monitoreado desde las TIC en la Universidad del Valle,” Repositorio Institucional de la Universidad Tecnológica de Panamá, p. 8, 2022.

W. Xing and D. Du, “Dropout Prediction in MOOCs: Using Deep Learning for Personalized Intervention,” Journal of Educational Computing Research, vol. 57, no. 3, pp. 547–570, Jun. 2019, doi: 10.1177/0735633118757015.

J. E. Jiménez et al., “Evaluación del progreso de aprendizaje en lectura dentro de un Modelo de Respuesta a la Intervención (RtI) en la Comunidad Autónoma de Canarias,” Escritos de Psicología, vol. 4, no. 2, pp. 56–64, 2011, doi: 10.5231/psy.writ.2011.1207.

A. R. Andonegi, C. C. Garrido, and M. C. Pérez, “Eficacia de un programa de intervención temprana para reducir las señales de riesgo de la dislexia.,” Revista de Educación Inclusiva, vol. 9, no. 2, pp. 186–200, 2017.

N. Culligan, K. Quille, and S. Bergin, “VEAP: a visualisation engine and analyzer for preSS#,” in Proceedings of the 16th Koli Calling International Conference on Computing Education Research, in Koli Calling ’16. New York, NY, USA: Association for Computing Machinery, Nov. 2016, pp. 130–134. doi: 10.1145/2999541.2999553.

M. Dorodchi, M. Fallahian, E. Al-Hossami, A. Benedict, and A. Benedict, “Custom caring IDE for online offering of CS1,” Sixth SPLICE workshop at L@ S, 2020.

H.-Y. Lee, C.-J. Lin, W.-S. Wang, W.-C. Chang, and Y.-M. Huang, “Precision education via timely intervention in K-12 computer programming course to enhance programming skill and affective-domain learning objectives,” IJ STEM Ed, vol. 10, no. 1, p. 52, Aug. 2023, doi: 10.1186/s40594-023-00444-5.

C. G. Hidalgo S and V. A. Bucheli, “Modelo soportado en inteligencia artificial para el desarrollo de actividades de aprendizaje activo basadas en colaboración asistida por computador (MIDEA),” LACCEI International Multi-Conference for Engineering, Education, and Technology, vol. 17, pp. 1–3, 2019.

J. Llanos, V. A. Bucheli, and F. Restrepo-Calle, “Early prediction of student performance in CS1 programming courses,” PeerJ Computer Science, no. 9, pp. 1–29, 2023, doi: 10.7717/peerj-cs.1655.

C. Schröer, F. Kruse, and J. M. Gómez, “A Systematic Literature Review on Applying CRISP-DM Process Model,” Procedia Computer Science, vol. 181, pp. 526–534, 2021, doi: 10.1016/j.procs.2021.01.199.

J. M. L. Mosquera, J. Á. V. Iturbide, M. P. Velasco, and V. A. B. Guerrero, “Assessment of a Predictive Model for Academic Performance in a Small-Sized Programming Course,” in 2024 International Symposium on Computers in Education (SIIE), A coruña, Spain: IEEE, Jun. 2024, pp. 1–6. doi: 10.1109/SIIE63180.2024.10604641.

D. Azcona, I.-H. Hsiao, and A. Smeaton, “An Exploratory Study on Student Engagement with Adaptive Notifications in Programming Courses,” Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), vol. 11082 LNCS, pp. 644–647, 2018, doi: 10.1007/978-3-319-98572-5_64.