Otimização e automação da predição precoce do desempenho de alunos que utilizam juízes online: uma abordagem com algoritmo genético

In this work, we present an approach to predict student performance in the very first two weeks from CS1 classes, which use programming online judges. We performed the prediction with a binary classification, i.e., we estimated whether the student succeeded or failed. To do so, we employed a method using an evolutionary algorithm to build and optimize automatically the machine learning pipeline. We trained the predictive model with data from 9 different courses run during 6 terms (2016-2018). As a result, we achieved an AUC of 0.87 on the validation set. Resumo. Neste trabalho é apresentada uma abordagem para a predição ainda nas duas primeiras semanas de aula do desempenho de alunos de turmas de Introdução à Programação de Computadores que utilizam sistemas de correção automática de código. O desempenho do aluno foi inferido através de uma classificação binária, isto é, foi estimado se o aluno iria ser aprovado ou reprovado na disciplina. Para tanto, foi utilizado um método que emprega uma algoritmo genético para a construção automática de um pipeline de aprendizagem de máquina. O modelo foi treinado com dados de alunos de 9 cursos diferentes ao longo de 6 semestres distintos (2016-2018). Como resultado, obteve-se uma área sob a curva ROC de 0,87 na base de validação.