O aprendizado de algoritmos é um tema complexo e existem diversas iniciativas didáticas para aprimorar a experiência do aluno, como tutores inteligentes. A capacidade preditiva de modelos de conhecimento é fundamental para o funcionamento apropriado de tutores inteligentes. Adicionalmente, existem poucos estudos, neste contexto, que indicam os efeitos que o domínio de ensino tem sobre a capacidade preditiva dos modelos. Este artigo apresenta uma análise qualitativa e comparativa entre modelos de conhecimento como Bayesian Knowledge Tracing e Performance Factor Analysis a fim de se identificar possíveis peculiaridades no domino do ensino de algoritmos. Os resultados apontam que a forma de considerar os erros de compilação influencia decisivamente na capacidade preditiva dos modelos e existem argumentos tanto para manter os dados quanto para a remoção dos mesmos.