Os Desafios para Minerar Dados Educacionais de Forma Rápida e Intuitiva: o Caso da DAMICORE e a Caracterização de Alunos em Ambientes de eLearning

  • Luis Fernando de S. Moro USP
  • Aparecida M. Zem Lopes USP
  • Alexandre C. B. Delbem USP
  • Seiji Isotani USP

Resumo


Apesar de grande parte das interações entre alunos e sistemas de apoio pedagógicos serem armazenadas, as ferramentas que realizam a análise desses dados são complexas e de difícil utilização. Pesquisadores têm trabalhado na investigação desses dados, visando caracterizar os alunos segundo alguns comportamentos (gaming the system, off-task behavior, desistência do curso, entre outros). Neste contexto, este artigo tem por objetivo abordar o desafio de viabilizar o uso de ferramentas e técnicas de EDM para professores, de forma que, a partir da caracterização dos alunos, estejam habilitados a realizar intervenções no processo de ensino e aprendizagem. Diversas ferramentas de Mineração de Dados Educacionais foram estudadas, bem como uma pesquisa será conduzida sobre a Interação Humano-Computador, com a finalidade de dotar o sistema de interfaces intuitivas e trazer para os professores caracterizações sobre seus alunos.

Referências

Abdullaha, Z., Herawanb, T., Ahmadb, N., Derisc, M. M. (2011). Mining significant association rules from educational data using critical relative support approach. Porcoecdeida Social and Behavioral Science 28, p. 97–101.

Avouris, N. Komis, V. Fiotakis, G. Margaritis, M. Voyiatzaki, E. (2005). Why logging of fingertip actions is not enough for analysis of learning activities. Workshop on usage analysis in learning systems, p. 1-8.

Baker, R. S. J. D. e Yacef, K. (2009). The State of Educational Data Mining in 2009: A Review and Future Visions. Journal of Educational Data Mining, 1 (1), p. 3-17.

Baker, R. S. J. d., Carvalho, A. M. J. B., Raspat, J., Aleven, V., Corbett, A. T., Koedinger, K. R., Cocea, M. e Hershkovitz, A. (2010a). Educational Data Mining Methods For Studying Student Behaviors Minute by Minute Across an Entire School Year. International Conference for the Learning Sciences.

Baker, R.S.J.D., Isotani, S., Carvalho, A.M.J.B.D. (2011). Mineração de Dados Educacionais: Oportunidades para o Brasil. Revista Brasileira de Informática na Educação, 19(2), p. 2-13.

Baker, R. S. J. d., Goldstein, A. B. e Heffernan, N. T. (2011a). Detecting Learning in International Journal of Artificial Intelligence Moment-by-Moment. Education, 21 (1-2), p. 5-25.

Carvalho, H. L. (2012). Método de análise para a coordenação dos processos de produção sob a ótica de redes de inovação colaborativas apoiado por agente inteligente evolutivo. Tese de doutorado apresentada para a Escola de Engenharia de São Carlos, São Carlos, 2012.

Cen, H., Koedinger, K.R., Junker, B. (2007). Is Over Practice Necessary? Improving Learning Efficiency with the Cognitive Tutor. In: Proceedings of the 13th International Conference on Artificial Intelligence and Education.

Cilibrasi, A. R. e Vitanyi A. P. (2005). Clustering by compression. IEEE Trans. Information Theory, 51 (4), p. 1523-1545.

DBMiner. (2010). Disponível em: <http://www.dbminer.com>. Acesso em 21.Jan.2013.

eSchool. (2005). eLearning giants to merge. Disponível em: [link]. Acesso em 18.Fev.2013.

Felsenstein, J. (2003). Inferring phylogenies.

Forster, A. (2002). Online teaching and learning, Discussion paper, SYNERGY, I. 18.

García, E., Romero, C., Ventura, S., Castro, C. (2011). A collaborative educational association rule mining tool Internet and Higher Education 14, p. 77–88.

Gottardo, E., Kaestner, C., Noronha, R. V. (2012) Avaliação de desempenho de estudantes em cursos de educação a distância utilizando mineração de dados. I Workshop de Desafios da Computação Aplicada à Educação, Curitiba, PR. Disponível em: <http://www.lbd.dcc.ufmg.br/colecoes/desafie!/2012/003.pdf>. Acesso em 05.Abr.2013.

1375 Kampff, A. J. C. (2009). Mineração de dados educacionais para geração de alertas em ambientes virtuais de aprendizagem como apoio a pratica docente. Tese de Doutorado, 2009.

Keel. (2010). Disponível em: <http://www.keel.es/>. Acesso em 21.Jan.2013.

McLaren, B. M. , Adams, D.,Durkin, K., Goguadze, G., Mayer, R. E., Rittle-Johnson, B., Sosnovsky, S., Isotani, S. e Velsen, M. (2012). To Err Is Human, to Explain and Correct Is Divine: A Study of Interactive Erroneous Examples with Middle School Math Students, LNCS 7563, p. 222–235.

Mazza, R., Milani, C. (2004). GISMO: A graphical interactive student monitoring tool for course management systems. International Conference on Technology Enhanced Learning. (p. 1-8).

Merceron, A., e Yacef, K. (2005). Educational data mining: A case study. International Conference on Artificial Intelligence in Education, (p. 1-8).

Muehlenbrock, M. (2005). Automatic action analysis in an interactive learning environment. Proceedings of the workshop on Usage Analysis in Learning Systems at AIED-2005.

Paiva, R., Bittencourt, I.I., Pacheco, H., Silva. A; P. da, Jacques, P., Isotani, S. (2012). Mineração de dados e a gestão inteligente da aprendizagem: desafios e direcionamentos. I Workshop de Desafios da Computação Aplicada à Educação, Curitiba, PR. Disponível em: <http://www.lbd.dcc.ufmg.br/colecoes/desafie!/2012/0024.pdf>. Acesso em 02.Abr.2013.

RMiner. (2010) Disponível em: <http://www.rapidminer.com>. Acesso em 21.Jan.2013.

Romero, C., Ventura, S., Bra, P. D. (2004). Knowledge discovery with genetic programming for providing feedback to courseware author. User Modeling and User-Adapted Interaction, 14(5), p. 425–464). Romero, C. Ventura, S., García, E. (2008). Data Mining in Course Management Systems: Moodle Case Study and Tutorial. Computers & Education, n. 51, p. 368-384.

Romero, C. Ventura, S. (2010). Educational Data Mining: A Review of the State of Art. IEEE Transactions on Systems, Man, and Cybernetics – Part C: Application and Reviews, 40 (6), p. 601-618.

Sanches, A. Cardoso, J. M. P. e Delbem, A. C. B. (2011). Identifying Merge-Beneficial Software Kernels for Hardware Implementation. International Conference on Reconfigurable Computing and FPGAs.

Tane, J., Schmitz, C., Stumme, G. (2004). Semantic resourcemanagement for theweb: An e-learning application. Proceedings of the Conference, p. 1-10.

Weka. (2010). Disponível em: <http://www.cs.waikato.ac.nz/ml/weka/>. Acesso em 21.Jan.2013.
Publicado
23/07/2013
Como Citar

Selecione um Formato
MORO, Luis Fernando de S.; LOPES, Aparecida M. Zem; DELBEM, Alexandre C. B.; ISOTANI, Seiji. Os Desafios para Minerar Dados Educacionais de Forma Rápida e Intuitiva: o Caso da DAMICORE e a Caracterização de Alunos em Ambientes de eLearning. In: WORKSHOP DE DESAFIOS DA COMPUTAÇÃO APLICADA À EDUCAÇÃO (DESAFIE!), 2. , 2013, Maceió. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2013 . p. 1367-1376.