Identificação e caracterização de níveis de interação no ensino remoto de emergência na Educação Básica

Resumo


Este artigo objetiva capturar evidências da eficácia da aprendizagem remota de emergência mediada por tecnologia educacional em relação aos níveis de interação de estudantes do ensino fundamental e médio. Foram coletados e analisados dados de 963 estudantes a cerca do domínio e uso do ambiente virtual Redu no contexto de uma instituição pública que adotou aprendizagem remota durante a pandemia do COVID-19. Uma abordagem não-supervisionada foi adotada através do algoritmo k-means para clusterização dos estudantes com base em valores de onze variáveis votadas para retratar o nível de interação dos estudantes. Os resultados apontaram para padrões de interação caracterizados a partir dos estudantes que mais interagem, interagem esporadicamente ou raramente.

Palavras-chave: Interação, Ensino Remoto, Redu, Educação Básica

Referências

Affouneh, S., Salha, S., & Khlaif, Z. N. (2020). Designing quality e-learning environments for emergency remote teaching in coronavirus crisis. Interdisciplinary Journal of Virtual Learning in Medical Sciences, 11(2), 135-137.

Al-Arimi, A. M. A. K. (2014). Distance learning. Procedia-Social and Behavioral Sciences, 152, 82-88.

Amatriain, X., Jaimes, A., Oliver, N., & Pujol, J. M. (2011). Data mining methods for recommender systems. In Recommender systems handbook (pp. 39-71). Springer, Boston, MA.

Brasil (2019). Conselho Nacional. "Lei nº 13.853, de 8 de julho de 2019" http://www.planalto.gov.br/ccivil_03/_Ato2019-2022/2019/Lei/L13853.htm, Outubro.

Bozkurt, Aras (2020). A global outlook to the interruption of education due to COVID-19 pandemic: Navigating in a time of uncertainty and crisis. Asian Journal of Distance Education, 1-126.

Chanel, G., Lalanne, D., Lavoué, E., Lund, K., Molinari, G., Ringeval, F., & Weinberger, A. (2016). Grand Challenge Problem 2: Adaptive awareness for social regulation of emotions in online collaborative learning environments. In Grand challenge problems in technology-enhanced learning II: MOOCs and beyond (pp. 13-16). Springer, Cham.

Hartigan, J. A., & Wong, M. A. (1979). Algorithm AS 136: A k-means clustering algorithm. Journal of the royal statistical society. series c (applied statistics), 28(1), 100-108.

Hodges, C., Moore, S., Lockee, B., Trust, T., & Bond, A. (2020). The difference between emergency remote teaching online learning. Educause review, 27(1), 1-9.

Kassambara, A. (2017). Practical guide to cluster analysis in R: Unsupervised machine learning (Vol. 1). Sthda.

Laisa, J., & Nunes, I. (2015, October). Mineração de Dados Educacionais como apoio para a classificação de alunos do Ensino Médio. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE) (Vol. 26, No. 1, p. 1112).

Macêdo, P. H., Santos, W. B., & Maciel, A. M. (2020). Análise de Perfis de Engajamento de Estudantes de Ensino a Distância. RENOTE, 18(2), 326-335.

Maschio, P., Vieira, M. A., Costa, N., de Melo, S., & Júnior, C. P. (2018, October). Um panorama acerca da mineração de dados educacionais no Brasil. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE) (Vol. 29, No. 1, p. 1936).

Moubayed, A., Injadat, M., Shami, A., & Lutfiyya, H. (2020). Student engagement level in an e-learning environment: Clustering using k-means. American Journal of Distance Education, 34(2), 137-156.

Orben, A., Tomova, L., & Blakemore, S. J. (2020). The effects of social deprivation on adolescent development and mental health. The Lancet Child & Adolescent Health.

Rabelo, H., Burlamaqui, A., Valentim, R., de Souza Rabelo, D. S., & Medeiros, S. (2017, October). Utilização de técnicas de mineração de dados educacionais para predição de desempenho de alunos de EaD em ambientes virtuais de aprendizagem. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE) (Vol. 28, No. 1, p. 1527).

Rumble, G. (2019). The planning and management of distance education. Routledge.

Sari, I., Maseleno, A., Satria, F., & Muslihudin, M. (2018). Application model of k-means clustering: insights into promotion strategy of vocational high school. International Journal of Engineering & Technology, 7(2.27), 182-187.

Strauss, S., & Rummel, N. (2020). Promoting interaction in online distance education: Designing, implementing and supporting collaborative learning. Information and Learning Sciences, 121(5), 251–260.

Subedi, S., Nayaju, S., Subedi, S., Shah, S. K., Shah, J. M. (2020). Impact of e-learning during COVID-19 pandemic among nurshing students and teachers of Nepal. International Journal of Science and Healthcare Research, 5(3), 9.

Wirth, R., & Hipp, J. (2000). CRISP-DM: Towards a standard process model for data mining. In Proceedings of the 4th international conference on the practical applications of knowledge discovery and data mining (Vol. 1). London, UK: Springer-Verlag.

Yan, L., Whitelock‐Wainwright, A., Guan, Q., Wen, G., Gašević, D., & Chen, G. (2021). Students’ experience of online learning during the COVID‐19 pandemic: A province‐wide survey study. British Journal of Educational Technology.
Publicado
22/11/2021
Como Citar

Selecione um Formato
PEREIRA, Aluisio José; GOMES, Alex Sandro; PRIMO, Tiago Thompsen; SILVA, Rosane Maria Alencar da; RODRIGUES, Rodrigo Lins; CAMPOS FILHO, Amadeu Sá de; LIMA, Ricardo Massa Ferreira; MELO JÚNIOR, Ronaldo Pereira de. Identificação e caracterização de níveis de interação no ensino remoto de emergência na Educação Básica. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO, 32. , 2021, Online. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2021 . p. 145-156. DOI: https://doi.org/10.5753/sbie.2021.218498.