💻 computer science

Understanding Self-Regulated Learning Behavior Among High and Low Dropout Risk Students During CS1: Combining Trace Logs, Dropout Prediction and Self-Reports

Este estudo combina registros de rastreamento, modelos de previsão de evasão e autorrelatos para identificar estratégias distintas de aprendizagem autorregulada entre estudantes de CS1, revelando que os aprendizes de baixo risco seguem três padrões consistentes, enquanto os de alto risco exibem nove comportamentos diversos, alguns dos quais sinalizam evasão iminente e oferecem oportunidades para intervenção direcionada.

Autores originais: Denis Zhidkikh, Ville Isomöttönen, Toni Taipalus

Publicado 2026-04-28

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Denis Zhidkikh, Ville Isomöttönen, Toni Taipalus

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine uma aula de ciência da computação de primeiro ano (CS1) em uma universidade como um obstáculo colossal de alto risco. É de ritmo acelerado, o terreno é traiçoeiro e muitos corredores (alunos) desistem antes de alcançar a linha de chegada. Os pesquisadores deste artigo quiseram entender por que alguns corredores tropeçam e desistem enquanto outros cruzam a linha de chegada, e como eles correm a prova.

Eles não olharam apenas para os tempos finais da prova (notas); colocaram um rastreador GPS nos corredores para ver exatamente como se moviam, onde paravam e quais ferramentas usavam ao longo do caminho.

Aqui está a análise detalhada do estudo deles usando analogias simples:

1. As Três Ferramentas em sua Caixa de Ferramentas

Para entender os corredores, os pesquisadores combinaram três tipos diferentes de dados, como olhar para um mistério de três ângulos diferentes:

Os Logs do GPS (Logs de Rastreamento): Estes são os dados brutos. Registraram cada clique que um aluno fez: ler um capítulo, assistir a um vídeo, tentar um problema de programação ou pedir ajuda a um professor. É como uma reprodução em vídeo de cada passo do corredor.
O "Radar de Desistência" (Modelo de Previsão): Este é um programa de computador que atua como uma previsão do tempo. Com base no desempenho de um aluno naquela semana específica (ele terminou a tarefa de casa? ele ficou preso?), ele previa a chance de que ele desistisse da prova em breve.
O Diário do Corredor (Auto-relatos): Após a prova, alguns alunos escreveram notas curtas sobre como se sentiram, o que achavam que estava funcionando e o que era difícil. Isso adiciona a "voz humana" aos dados frios.

2. A Estratégia da Prova: "Táticas" vs. "Estratégias"

Os pesquisadores dividiram a aprendizagem em dois níveis, semelhantes a um jogo de xadrez:

Táticas (Os Movimentos): São as ações pequenas e imediatas. "Estou lendo o livro didático" ou "Estou clicando em 'enviar' neste questionário".
Estratégias (O Plano de Jogo): É a visão geral. É a sequência de movimentos ao longo de uma semana inteira. Por exemplo, uma estratégia de "Busca de Compreensão" pode parecer assim: ler o livro primeiro, assistir à aula, depois tentar os problemas fáceis e, finalmente, enfrentar os difíceis.

3. As Descobertas: Quem Vence e Quem Desiste?

Ao agrupar os planos de jogo semanais dos alunos, os pesquisadores encontraram dois grupos distintos de corredores:

Os Corredores de "Baixo Risco" (Os Sobreviventes)

Estes alunos geralmente tinham três planos de jogo vencedores:

O Mestre das Tarefas: Eles focavam intensamente em terminar as tarefas de casa obrigatórias. Tratavam o curso como uma lista de verificação.
O Mergulhador Profundo: Eles priorizavam entender o material primeiro. Liham o livro e assistiam aos vídeos extensivamente antes mesmo de tocar na tarefa de casa.
O Acumulador de Recursos: Eles passavam muito tempo em materiais (aulas, exemplos), mas não se apressavam para terminar as tarefas. Queriam estar totalmente preparados antes de agir.

Insight Chave: Mesmo entre os vencedores, alguns alunos tiveram que mudar seu plano de jogo no meio da prova. Se sentiam que estavam ficando para trás, mudavam de tática para recuperar o atraso.

Os Corredores de "Alto Risco" (Os Que Lutam)

Estes alunos tinham nove maneiras diferentes de ficar presos. Algumas eram apenas tropeços temporários na estrada, mas outras eram becos sem saída:

O "Florescer Tardio": Começaram devagar, tentando coisas aleatórias para encontrar seu ritmo. Isso nem sempre foi ruim; alguns se recuperaram.
O Dependente da "Cola": Esperavam até o último minuto para olhar as "respostas modelo" (soluções) para copiá-las, em vez de tentar resolver o problema eles mesmos.
O "Rolador Zumbi": Assistiam a vídeos infinitamente, mas nunca realmente tentavam fazer o trabalho.
O Modo "Desistir": Este era o padrão mais perigoso. Estes alunos perceberam que estavam lutando muito tarde. Pararam de tentar aprender o material da semana atual e apenas olhavam para soluções antigas, ou faziam apenas o mínimo necessário para passar, ignorando tudo o mais. Este foi o padrão observado logo antes dos alunos desistirem.

4. O Corredor "Milagroso"

Havia um caso fascinante. Um aluno usou quase apenas estratégias de "Alto Risco" (mal fazia a tarefa de casa e dependia de atalhos arriscados). No entanto, ele tirou a maior nota da turma.

Por quê? Seu diário revelou que ele era um "maratonista de última hora". Ele não estudava regularmente, mas era incrivelmente bom em encontrar a informação certa rapidamente e tirar nota máxima na prova final. Ele sobreviveu à prova correndo um tipo de prova completamente diferente.

5. O Que Isso Significa para os Professores (Os Treinadores)

O artigo sugere que professores e assistentes de ensino (TAs) podem usar esses "dados de GPS" para identificar corredores em apuros antes que eles desistam.

A Intervenção: Em vez de apenas dizer "Você está reprovando", um TA poderia dizer: "Vejo que você tem ficado preso no padrão 'Florescer Tardio' há três semanas. Vamos tentar mudar para o plano 'Mestre das Tarefas'".
O Objetivo: O estudo não se trata de prever quem vai reprovar com 100% de precisão; trata-se de entender como eles estão falhando para que o treinador possa oferecer a ferramenta certa para ajudá-los a voltar ao trilho.

Resumo

Este estudo é como uma história de detetive onde as pistas são pegadas digitais. Ao combinar as pegadas digitais (o que clicaram), a probabilidade de desistência (o radar) e a própria história do aluno (o diário), os pesquisadores mapearam exatamente como os alunos navegam pelo terreno difícil de aprender a programar. Eles descobriram que, embora existam muitas maneiras de lutar, também existem maneiras específicas e recuperáveis de voltar ao trilho — e alguns padrões perigosos que sinalizam que um corredor está prestes a deixar a prova.

1. Declaração do Problema

O curso de programação introdutória (CS1) é um gargalo crítico na educação em Ciência da Computação, caracterizado por altas taxas de abandono e desafios significativos para aprendizes iniciantes. Embora a análise preditiva de aprendizagem possa identificar estudantes em risco com alta precisão, esses modelos frequentemente carecem de explicabilidade. Educadores lutam para entender por que um estudante é previsto para abandonar ou como seus comportamentos de aprendizagem específicos contribuem para esse risco.

A pesquisa atual frequentemente depende de comparações pós-curso entre estudantes de alto e baixo desempenho ou utiliza auto-relatos que carecem de granularidade temporal. Há necessidade de um método que:

Vincule dados comportamentais em tempo real (registros de rastreamento) com modelos preditivos de abandono.
Distinga entre lutas temporárias e caminhos irreversíveis para o abandono.
Integre a teoria da Aprendizagem Autorregulada (SRL) para interpretar esses comportamentos.

2. Metodologia

O estudo empregou uma abordagem de métodos mistos, combinando análise quantitativa de aprendizagem com auto-relatos qualitativos, fundamentada na teoria da Aprendizagem Autorregulada (SRL) (especificamente o quadro tática-estratégia de Winne & Hadwin).

2.1 Coleta de Dados

Contexto: Um curso CS1 de 6 créditos na Universidade de Jyväskylä (Outono de 2023) com 321 estudantes matriculados.
Participantes: 47 estudantes consentidos forneceram registros de rastreamento; 29 destes completaram um questionário de auto-relato pós-curso.
Fontes de Dados:
- Registros de Rastreamento: 86.738 eventos brutos de um Ambiente Virtual de Aprendizagem (VLE), incluindo uso de livro didático, aulas, envios de tarefas (introdutórias, principais, básicas, bônus, guru), sessões com monitores (TA) e revisões de respostas modelo.
- Dados de Desempenho: Pontuações semanais de tarefas, pontuações de exames e notas finais.
- Auto-relatos: Perguntas abertas sobre hábitos de estudo, desafios e uso de recursos.

2.2 Pipeline de Análise de Dados

Os autores desenvolveram um pipeline de cinco etapas para transformar registros brutos em perfis de aprendizagem interpretáveis:

Pré-processamento de Registros: Eventos brutos foram agrupados em sessões de estudante usando um limite de corte de 25 minutos (baseado no tempo estimado de conclusão da tarefa). Sessões com eventos únicos foram removidas para filtrar ruído.
Descoberta de Táticas de Aprendizagem:
- As sessões foram convertidas em vetores de frequência de eventos (82 códigos de eventos distintos).
- Agrupamento $k$ -medoids (usando distância $\ell_1$ ) foi aplicado para identificar 12 Táticas de Aprendizagem distintas (ex: "Focando em materiais do curso", "Tentando tarefas principais", "Revisando semanas anteriores").
Formulação de Estratégias de Aprendizagem:
- As sessões foram reetiquetadas com seus códigos de tática correspondentes.
- Os registros foram divididos em sub-registros semanais para capturar a evolução das estratégias ao longo das 11 semanas do curso.
- Uma sequência semanal de táticas constitui uma Estratégia de Aprendizagem.
Caracterização da Estratégia de Aprendizagem (Agrupamento de Risco):
- Um Modelo Preditivo de Abandono por Regressão Logística pré-treinado (baseado no desempenho em tarefas) foi aplicado a cada semana de estudante para gerar uma probabilidade de abandono ( $p_{drop}$ ).
- As estratégias foram rotuladas como Alto Risco ( $p_{drop} > 0,5$ ) ou Baixo Risco ( $p_{drop} \leq 0,5$ ).
- Agrupamento: Estratégias dentro de cada grupo de risco foram agrupadas usando Maximização de Expectativa (EM) em Modelos de Markov de Primeira Ordem (FOMM) de transições de táticas.
- Interpretação: Os agrupamentos foram visualizados usando Redes Heurísticas (mineração de processos) e Gráficos de Queda SHAP (para explicar recursos de previsão) para definir tipos distintos de estratégia.
Caracterização do Estudante:
- Os estudantes foram agrupados com base na frequência dos tipos de estratégia que usaram ao longo do curso (Agrupamento Aglomerativo).
- Testes de Brunner-Munzel foram usados para comparar estatisticamente os agrupamentos em relação às notas, previsões de abandono e opiniões auto-relatadas.
- Análise de conteúdo qualitativa dos auto-relatos foi usada para validar e contextualizar os agrupamentos quantitativos.

3. Principais Contribuições

Integração Metodológica: Um pipeline inovador que combina mineração de processos, modelagem preditiva e auto-relatos para explicar por que um estudante está em risco, indo além da simples classificação.
Taxonomia Granular de Estratégias: Identificação de 12 tipos distintos de estratégias de aprendizagem semanais, categorizados por nível de risco:
- 3 Estratégias de Baixo Risco: Orientadas a tarefas (focadas em desempenho), Busca de compreensão (ricas em recursos) e Focadas em recursos (materiais > tarefas).
- 9 Estratégias de Alto Risco: Variando de lutas recuperáveis (ex: "Início lento", "Tentando com exemplos") até modos de falha críticos (ex: "Ficando para trás, percebendo a luta tarde demais", "Foco arriscado apenas em tarefas obrigatórias").
Perfilamento Longitudinal: Definição de 5 Tipos de Perfil de Aprendizagem do Estudante com base em como os estudantes navegaram nessas estratégias ao longo de todo o semestre.
Triangulação: Demonstrou como os auto-relatos podem resolver ambiguidades nos dados de registros de rastreamento (ex: explicando por que um estudante usando estratégias "arriscadas" ainda passou).

4. Principais Resultados

4.1 Comportamentos de Baixo Risco de Abandono (RQ1)

Estudantes com baixo risco de abandono geralmente exibiram três estratégias semanais principais:

Orientados a Tarefas: Focados em completar tarefas obrigatórias e básicas de forma eficiente.
Busca de Compreensão: Priorizaram a compreensão profunda via aulas e recursos suplementares antes de tentar tarefas.
Focados em Recursos: Gastaram tempo significativo em materiais do curso e respostas modelo em vez de conclusão imediata de tarefas.

Perfis: Esses comportamentos correlacionaram-se com perfis como "Buscadores Adaptativos de Compreensão" (que ajustaram estratégias com base no contexto) e "Aprendizes Ativos Focados em Tarefas".

4.2 Comportamentos de Alto Risco de Abandono (RQ2)

Estudantes de alto risco exibiram nove estratégias distintas. Crucialmente, o estudo distinguiu entre riscos temporários e terminais:

Riscos Recuperáveis: Estratégias como "Início lento" ou "Lutando para entender" foram frequentemente usadas por estudantes que eventualmente se recuperaram e passaram.
Riscos Terminais: Estratégias como "Ficando para trás, percebendo a luta tarde demais" (visualizando respostas modelo sem fazer tarefas) e "Foco arriscado apenas em tarefas obrigatórias" foram fortemente associadas a estudantes que abandonaram.
Insight: Estudantes que abandonaram tipicamente recorreram a estratégias de alto risco 1–2 semanas antes de sair, frequentemente após a introdução de um tópico específico difícil.

4.3 Perfis de Estudantes e Auto-relatos (RQ3)

O estudo identificou cinco perfis de estudantes:

Buscadores Adaptativos de Compreensão (N=20): Ajustaram estratégias com base nos tópicos semanais; alto engajamento com recursos diversos.
Seguidores Diligentes do Conteúdo do Curso (N=14): Seguiram estritamente a cronograma sugerido; alta dependência de monitores (TAs) e grupos de pares.
Aprendizes Ativos Focados em Tarefas (N=5): Usaram consistentemente estratégias de baixo risco; altas taxas de conclusão de tarefas.
Perseverantes até o Fim (N=1): Um outlier que usou estratégias de alto risco (trabalho mínimo em tarefas) mas passou com as melhores notas devido ao desempenho excepcional no exame. Auto-relatos revelaram que este estudante tinha má gestão de tempo, mas fortes habilidades de recuperação de informações.
Desistentes do Curso (N=7): Todos abandonaram até o meio do período. Eles usaram exclusivamente estratégias de alto risco nas semanas que levaram à saída.

Validação: Os auto-relatos confirmaram as descobertas quantitativas. Por exemplo, o grupo "Adaptativo" relatou ajustar rotinas devido a circunstâncias pessoais, enquanto o grupo "Diligente" relatou forte dependência de ajuda externa. O auto-relato do único outlier "Perseverante" explicou seu caminho único (focado em exames) que os registros de rastreamento sozinhos poderiam ter mal classificado como uma falha.

5. Significado e Implicações Práticas

Intervenções Direcionadas: O estudo fornece um quadro para monitores e instrutores identificarem não apenas quem está em risco, mas qual comportamento específico está causando o risco. Por exemplo, um estudante usando "Dependência tardia de respostas modelo" precisa de uma intervenção diferente (ex: forçar a conclusão de tarefas) do que um usando "Início lento" (ex: coaching de gestão de tempo).
Sistemas de Alerta Precoce: Ao vincular tipos de estratégias semanais a probabilidades de abandono, educadores podem intervir durante o curso em vez de post-mortem.
Visão Holística: A combinação de registros de rastreamento e auto-relatos previne interpretações errôneas. Um estudante que parece "arriscado" nos registros pode ser um aprendiz "Perseverante" que simplesmente tem uma estratégia diferente (mas eficaz), prevenindo intervenções desnecessárias ou mal direcionadas.
Escalabilidade: O pipeline usa dados existentes do VLE e modelos padrão de aprendizado de máquina, tornando-o aplicável a grandes turmas de CS1 sem exigir novos métodos intrusivos de coleta de dados.

Em conclusão, este artigo demonstra que tipos de estratégias de aprendizagem são mais preditivos e explicativos do que contagens brutas de atividade. Ao categorizar comportamentos em perfis de risco específicos, o estudo oferece um roteiro acionável para reduzir o abandono no CS1 através de suporte oportuno e específico ao comportamento.