ASSIS: Assistente Inteligente como Serviço para Plataformas de Ensino a Distância
Resumo
A evasão escolar ocorre em diversas modalidades de ensino, ocasionando perdas à todos envolvidos no processo educacional. Mapear, minerar e tratar o comportamento dos estudantes a partir de indicadores é possível com técnicas de Inteligência Artificial integradas numa solução como o ASSIS ,um Assistente Inteligente como serviço para plataformas de ensino a distância. Este artigo apresenta como foi desenvolvida, aplicada e validada uma estrutura para prever situações de potencial de evasão escolar usando como metodologia técnicas de aprendizagem de máquina com características comportamentais dos estudantes nas plataformas EaD. O melhor modelo de IA foi o Support Vector Machine, para o qual os parâmetros Accuracy, F Score, Recall e Precision obtiveram os resultados 95,84%, 95,79%, 94,74% e 96,88%, respectivamente.
Palavras-chave:
Evasão Escolar, Aprendizagem de máquina, Educação a Distância
Referências
Al-Shabandar, R., Hussain, A., Laws, A., Keight, R., Lunn, J., and Radi, N. (2017). Machine learning approaches to predict learning outcomes in massive open online courses. In 2017 International Joint Conference on Neural Networks (IJCNN), pages 713–720. IEEE.
Beltran, C. A. R., Xavier-Júnior, J. C., Barreto, C. A., and Neto, C. O. (2019). Plataforma de aprendizado de maquina para detecção e monitoramento de alunos com risco de evasão. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), volume 30, page 1591.
Dourado Jr, C. M., da Silva, S. P. P., da Nóbrega, R. V. M., Barros, A. C. d. S., Rebouças Filho, P. P., and de Albuquerque, V. H. C. (2019). Deep learning iot system for online stroke detection in skull computed tomography images. Computer Networks, 152:25–39.
Guenther, N. and Schonlau, M. (2016). Support vector machines. The Stata Journal, 16(4):917–937.
Gütl, C., Rizzardini, R. H., Chang, V., and Morales, M. (2014). Attrition in mooc: Lessons learned from drop-out students. In International workshop on learning technology for education in cloud, pages 37–48. Springer.
Haykin, S. (2008). Neural networks and learning machines. prentice hall. New York.
Martinho, V. R., Nunes, C., and Minussi, C. R. (2013). Prediction of school dropout risk group using neural network. In 2013 Federated Conference on Computer Science and Information Systems, pages 111–114. IEEE.
Menard, S. (2002). Applied logistic regression analysis, volume 106. Sage.
Ramos, J. L. C., Silva, J., Prado, L., Gomes, A., and Rodrigues, R. (2018). Um estudo comparativo de classificadores na previsão da evasão de alunos em ead. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), volume 29, page 1463.
Shiratori, N. (2017). Modeling dropout behavior patterns using bayesian networks in small-scale private university. In 2017 6th IIAI International Congress on Advanced Applied Informatics (IIAI-AAI), pages 170–173. IEEE.
Xing, W. and Du, D. (2019). Dropout prediction in moocs: Using deep learning for personalized intervention. Journal of Educational Computing Research, 57(3):547– 570.
Beltran, C. A. R., Xavier-Júnior, J. C., Barreto, C. A., and Neto, C. O. (2019). Plataforma de aprendizado de maquina para detecção e monitoramento de alunos com risco de evasão. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), volume 30, page 1591.
Dourado Jr, C. M., da Silva, S. P. P., da Nóbrega, R. V. M., Barros, A. C. d. S., Rebouças Filho, P. P., and de Albuquerque, V. H. C. (2019). Deep learning iot system for online stroke detection in skull computed tomography images. Computer Networks, 152:25–39.
Guenther, N. and Schonlau, M. (2016). Support vector machines. The Stata Journal, 16(4):917–937.
Gütl, C., Rizzardini, R. H., Chang, V., and Morales, M. (2014). Attrition in mooc: Lessons learned from drop-out students. In International workshop on learning technology for education in cloud, pages 37–48. Springer.
Haykin, S. (2008). Neural networks and learning machines. prentice hall. New York.
Martinho, V. R., Nunes, C., and Minussi, C. R. (2013). Prediction of school dropout risk group using neural network. In 2013 Federated Conference on Computer Science and Information Systems, pages 111–114. IEEE.
Menard, S. (2002). Applied logistic regression analysis, volume 106. Sage.
Ramos, J. L. C., Silva, J., Prado, L., Gomes, A., and Rodrigues, R. (2018). Um estudo comparativo de classificadores na previsão da evasão de alunos em ead. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), volume 29, page 1463.
Shiratori, N. (2017). Modeling dropout behavior patterns using bayesian networks in small-scale private university. In 2017 6th IIAI International Congress on Advanced Applied Informatics (IIAI-AAI), pages 170–173. IEEE.
Xing, W. and Du, D. (2019). Dropout prediction in moocs: Using deep learning for personalized intervention. Journal of Educational Computing Research, 57(3):547– 570.
Publicado
24/11/2020
Como Citar
FREITAS, Francisco Aislan da Silva; QUEIROZ, Bruno da Silva; JOYE, Cassandra Ribeiro; MAIA, Paulo Henrique Mendes.
ASSIS: Assistente Inteligente como Serviço para Plataformas de Ensino a Distância. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 31. , 2020, Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2020
.
p. 1423-1432.
DOI: https://doi.org/10.5753/cbie.sbie.2020.1423.
