Criação de perfis em redes sociais educacionais: uma análise de métodos baseados em diferenciação

• João Emanoel Ambrósio Gomes Universidade Federal de Pernambuco
• Ricardo Prudêncio Universidade Federal de Pernambuco

DOI: https://doi.org/10.5753/brasnam.2015.6777

Resumo

As comunidades de mídias sociais são geralmente formadas a partir de similaridades entre os usuários. Em redes sociais educacionais, vários fatores propiciam a formação de grupos de usuários, por exemplo, compartilhar o mesmo ambiente acadêmico ou interessados em currículo comum. Para explicar a formação do grupo resultante de uma rede social educacional, aplicamos dois métodos de criação de perfis de grupos baseados na diferenciação. O teste de Wilcoxon e o algoritmo de regras PART foram aplicados a um conjunto de dados disponível da rede social educacional OJE. Os experimentos realizados mostraram que os métodos foram eficazes na criação de perfis, caracterizando 81,81% e 100% dos grupos, respectivamente.

Palavras-chave: Criação de Perfis, Redes Sociais Educacionais

Referências

Baradwaj, B. K. and Pal, S. (2012). Mining educational data to analyze students’ performance. CoRR, abs/1201.3417.

Blondel, V., Guillaume, J., Lambiotte, R., and Lefebvre, E. (2008). Fast unfolding of communities in large networks. Journal of Statistical Mechanics: Theory and Experiment, 10:8.

Chang, J., Boyd-Graber, J. L., and Blei, D. M. (2009). Connections between the lines: augmenting social networks with text. In KDD, pages 169–178.

Farzan, R. and Brusilovsky, P. (2006). P.: Social navigation support in a course recommendation system. In In proceedings of 4th International Conference on Adaptive Hypermedia and Adaptive Web-based Systems, pages 91–100.

Gomes, J. E. A., Prudêncio, R. B. C., Meira, L., Azevedo Filho, A., Nascimento, A. C. A., and Oliveira, H. (2013). Profiling for understanding educational social networking. Software Engineering and Knowledge Engineering (SEKE 2013).

Ha, S., Bae, S., and Park, S. (2000). Web mining for distance education. Management of Innovation and Technology, 2000. ICMIT 2000. Proceedings of the 2000 IEEE International Conference on, 2(1):715–719.

Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., and Witten, I. H. (2009). The weka data mining software: An update. SIGKDD Explor. Newsl., 11(1):10–18.

Mei, Q., Cai, D., Zhang, D., and Zhai, C. (2008). Topic modeling with network regularization. In Proceedings of the 17th international conference on World Wide Web, WWW ’08, pages 101–110.

Meira, L., Neves, A. M. M., and Ramalho, G. (2009). Lan house na escola: uma olimpíada de jogos digitais e educação. Brazilian Symposium on Games and Digital Entertainment, 8(8):150–157.

Mostow, J. and Beck, J. (2006). Some useful tactics to modify, map and mine data from intelligent tutors. Nat. Lang. Eng., 12:195–208.

Newman, M. E. J. (2003). The structure and function of complex networks. Society for Industrial and Applied Mathematics Review, 45(2):167–256.

Romero, C. and Ventura, S. (2007). Educational data mining: A survey from 1995 to 2005. Expert Syst. Appl., 33(1):135–146.

Sun, J., Faloutsos, C., Papadimitriou, S., and Yu, P. S. (2007). Graphscope: parameterfree mining of large time-evolving graphs. In Proceedings of the 13th ACM SIGKDD international conference on Knowledge discovery and data mining, pages 687–696.

Tang, L., Wang, X., and Liu, H. (2011). Group profiling for understanding social structures. ACM Trans. Intell. Syst. Technol., 3:15:1–15:25.