Reformulação do Ambiente de Dados do Machine Teaching

• Renato S. do Nascimento Universidade Federal do Rio de Janeiro (UFRJ)
• Vitor L. G. C. de Carvalho Universidade Federal do Rio de Janeiro (UFRJ) http://orcid.org/0009-0006-1943-859X
• Carla A. D. M. Delgado Universidade Federal do Rio de Janeiro (UFRJ)
• Vivian S. Silva Universidade Federal do Rio de Janeiro (UFRJ)

DOI: https://doi.org/10.5753/sbbd_estendido.2026.249596

Resumo

O Machine Teaching é uma plataforma de apoio ao ensino de programação que permite a correção automática de exercícios. Uma importante funcionalidade do sistema é um conjunto de dashboards, que permitem análises que podem apoiar a tomada de decisão no âmbito pedagógico. Entretanto, a construção dos dashboards atualmente é feita de forma pouco eficiente, dado que as consultas são feitas diretamente a um banco de dados relacional normalizado, resultando em um tempo elevado para a criação das visualizações. A solução proposta foi o desenvolvimento de um ambiente analítico dedicado, com a criação de um data mart baseado em um modelo dimensional. Esta solução, porém, esbarrou em outro problema: a ausência de documentação do banco de dados transacional, que dificultava o mapeamento dos dados para o projeto do data mart. Foi proposta então uma abordagem mais ampla de reformulação do ambiente de dados, com a documentação do banco, incluindo modelos conceitual e lógico, dicionário de dados, além do já mencionado ambiente analítico dedicado. Este trabalho apresenta os resultados já obtidos, englobando o processo e os produtos da documentação do banco, e a primeira fase da construção do data mart, apontando para a próxima etapa do projeto.

Palavras-chave: documentação de banco de dados, ambiente analítico, modelagem dimensional, data mart, ETL

Referências

JOVANOVIĆ, Jelena et al. Supporting actionable intelligence: reframing the analysis of observed study strategies. In: Proceedings of the 10th International Conference on Learning Analytics & Knowledge (LAK ’20). New York: ACM, 2020. p. 161–170. DOI: 10.1145/3375462.3375474.

MORAES, Laura O. et al. Supporting Decisions Using Educational Data Analysis. In: Anais Estendidos do Simpósio Brasileiro de Sistemas Multimídia e Web (WebMedia 2021). Porto Alegre: Sociedade Brasileira de Computação, 2021. DOI: 10.5753/webmedia_estendido.2021.17622.

NIKULA, Uolevi; GIEDRAITYTĖ, Vilma; SUKKA, Seppo. Introducing students to programming: a literature review. In: Proceedings of the Baltic Sea Conference on Computing Education Research. Koli National Park, Finland: ACM, 2011. p. 9–16.

PARDO, Abelardo et al. OnTask: Delivering Data-Informed, Personalized Learning Support Actions. Journal of Learning Analytics, v. 5, n. 3, p. 235–249, 2018. DOI: 10.18608/jla.2018.53.15.

ROGALSKI, Janine. Apprenticeship in problem solving and the development of human expertise. In: KAIL, Robert; IZARD, Catherine (org.). Human Development. New York: Springer, 1993. p. 91–109.

ROSÉ, Carolyn P. et al. Explanatory learner models: Why machine learning (alone) is not the answer. British Journal of Educational Technology, v. 50, n. 6, p. 2943–2958, 2019. DOI: 10.1111/bjet.12858.