Predictive models of academic performance for early intervention in computer programming courses
Portada
PDF 
FLIP Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autores
Director
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Resumen en inglés
Low academic performance in computer programming courses is a recurring problem in higher education institutions and has become a significant challenge in the training of future engineers. This challenge is associated with factors such as a lack of prior programming experience, inadequate learning styles, and low motivation, which negatively impact students’ educational progress, compromising both their academic success and profesional competitiveness. This thesis proposes an early intervention system based on academic performance prediction, featuring two types of interventions: preventive and proactive. These interventions provide personalized strategies to support at-risk students, enhance their academic outcomes, and foster self-regulation and motivation in learning programming. The research addresses the question: How do predictions of student performance support early intervention in computer programming courses? To answer this question, a predictive regression model and a classification model were developed using features related to programming activities and grades, with the goal of identifying students at risk of por academic performance during the first weeks of the course. Additionally, intervention strategies were designed and tested, including group tutoring, personalized suggestions, reference source codes, and reinforcement workshops, all aimed at improving students' academic performance. Furthermore, a quasi-experimental study was conducted, and the MSLQ-Colombia questionnaire was applied to assess the effectiveness of the implemented interventions, as well as the learning strategies and motivation employed by students in computer programming courses. As a result of this thesis, eight articles were written, significantly contributing to the achievement of the research objectives and the advancement of the field of Computer Science. Among these, three were published in Q1-ranked journals, two in Q3-ranked journals, and the remaining three are currently under review. The first set of articles addresses the predictive models developed and a pedagogical model based on Kirkpatrick's framework, designed to measure the effectiveness of teaching strategies in programming courses. Subsequent works analyze how the flipped classroom approach can be effectively integrated into early intervention systems in these courses. The remaining documents include a literature review on Early Warning Systems and their contribution to predicting academic performance, as well as the early intervention tool developed and the quasi-experimental study conducted. Among the most significant research findings is the effectiveness of the predictive models implemented, which achieved up to 96% accuracy in predicting academic performance during the first weeks of the course. The early intervention tool developed allowed for the identification of at-risk students and the provision of personalized interventions. These results demonstrate that early interventions, supported by academic predictions, are essential for improving both the performance and retention of students in computer programming courses.
Resumen en español
El bajo rendimiento académico en los cursos de programación es un problema recurrente en las instituciones de educación superior y se ha convertido en un reto significativo para la formación de futuros ingenieros. Este desafío está asociado a factores como la falta de experiencia previa en programación, estilos de aprendizaje inadecuados y baja motivación, los cuales impactan negativamente en el progreso formativo de los estudiantes, comprometiendo su éxito académico como su competitividad profesional. La presente tesis propone un sistema de intervención temprana basado en la predicción del rendimiento académico y dos tipos de intervención denominadas preventiva y proactiva, que ofrecen estrategias personalizadas para apoyar a los estudiantes en riesgo, mejorando sus resultados académicos y fomentando la autorregulación y la motivación en el aprendizaje de la programación. La investigación aborda la pregunta: ¿Cómo las predicciones del rendimiento estudiantil apoyan la intervención temprana en los cursos de programación informática? Para responder a esta pregunta, se desarrolló un modelo predictivo de regresión y otro de clasificación, que utilizan características relacionadas con las actividades de programación y las calificaciones, con el propósito de identificar a estudiantes en riesgo de bajo rendimiento académico durante las primeras semanas del curso. Además, se diseñaron y probaron estrategias de intervención, como tutorías grupales, envío de sugerencias, códigos fuente de referencia y talleres de refuerzo, con el objetivo de mejorar el desempeño académico de los estudiantes. Asimismo, se llevó a cabo un estudio cuasi-experimental y se aplicó el cuestionario MSLQ-Colombia para evaluar la efectividad de las intervenciones implementadas, así como las estrategias de aprendizaje y motivación empleadas por los estudiantes en los cursos de programación informática. Como resultado del desarrollo de esta tesis, se escribieron ocho artículos que contribuyeron significativamente al logro de los objetivos de la investigación y al avance en el campo de las Ciencias de la Computación. Entre ellos, destacan tres publicaciones en revistas de categoría Q1, dos en categoría Q3, mientras que las tres restantes están en proceso de evaluación. Los primeros documentos abordan los modelos de predicción desarrollados y un modelo pedagógico basado en la propuesta de Kirkpatrick, diseñado para medir la eficacia de las estrategias de enseñanza en los cursos de programación informática. Los siguientes trabajos analizan cómo el aula invertida puede integrarse de manera efectiva en sistemas de intervención temprana en estos cursos. Los documentos restantes incluyen una revisión de la literatura sobre Sistemas de Alerta Temprana y su contribución a la predicción del rendimiento académico, así como la herramienta de intervención temprana desarrollada y el estudio cuasi-experimental realizado. Entre los resultados más significativos de la investigación se incluye la efectividad de los modelos predictivos implementados, que alcanzaron hasta un 96% de precisión en la predicción del rendimiento académico durante las primeras semanas del curso. La herramienta de intervención temprana desarrollada permitió identificar a los estudiantes en riesgo y ofrecer intervenciones personalizadas. Estos resultados demuestran que las intervenciones tempranas, basadas en la predicción académica, son esenciales para mejorar tanto el rendimiento como la retención de estudiantes en los cursos de programación informática.