Metodologias Ativas integradas a um Sistema de Recomendação e Mineração de Dados Educacionais para a mitigação de evasão em EaD

Resumo


Os altos índices de evasão preocupam docentes e gestores da Educação a Distância. Existem iniciativas para mitigação desta situação, como a Mineração de Dados Educacionais (MDE) e o uso de Sistemas de Recomendação (SR). Apesar de efetivas em aspectos específicos, estas técnicas carecem de mecanismos para motivação dos alunos. Diante disso, esse artigo descreve um modelo de SR que apresenta como diferencial a integração de Metodologias Ativas com MDE para mitigar os riscos de evasão e potencializar a permanência dos alunos. Foi implementado um protótipo e realizada a avaliação de funcionalidade e aceitação. De acordo com o modelo TAM, mais de 87% dos docentes concordam com a facilidade de uso e 77% concordam que o SR pode ser útil no processo de ensino e aprendizagem dos alunos.

Palavras-chave: metodologias ativas, sistemas de recomendação, mineração de dados educacionais, evasão

Referências

Acosta, O. C., Reategui, E. B., Behar, P. A. (2018). Recomendação de conteúdo em um ambiente colaborativo de Aprendizagem Baseada em Projetos. Revista Brasileira de Informática na Educação, 26: 91-111.

Almeida, C. M. M., Scheunemann, C. M. B., Santos, M. J., Lopes, P. T. C. (2019). Propostas de metodologias ativas utilizando Tecnologias Digitais e ferramentas metacognitivas para auxiliar no processo de ensino e aprendizagem. Revista Paradigma, 40: 204-220.

Alves, M. O., Medeiros, F. P. A., Melo, L. B. (2020). Levantamento do estado da arte sobre Aprendizagem baseada em Problemas na Educação a Distância e Híbrida. In: Simpósio Brasileiro de Informática na Educação (SBIE), p. 61-71.

Andrade, T. L., Rigo, S. J., Barbosa, J. L. V. (2021). Active Methodology, Educational Data Mining and Learning Analytics: A Systematic Mapping Study. Informatics in Education, 20(2): 171-204.

Araujo, I. S.; Mazur, E. (2013). Instrução pelos colegas e ensino sob medida: uma proposta para o engajamento dos alunos no processo de ensino-aprendizagem de física. Caderno Brasileiro de Ensino de Física, 30(2): 362-384.

Bergmann, J., Sams, A. (2016). Sala de Aula Invertida: uma metodologia ativa de aprendizagem. LTC.

Breiman, L. (2001). Random Forests. Machine Learning, 45: 5-32.

Brito, M., Medeiros, F., Bezerra, E. P. (2019). An Infographics-based Tool for Monitoring Dropout Risk on Distance Learning in Higher Education. In: International Conference on Information Technology Based Higher Education and Training (ITHET). IEEE.

Campos, A., Hollerweger, L., Santos, G., Farias, A. F., Behar, P. A. (2017). Mapeamento de soluções tecnológicas em sistemas de recomendação educacionais em âmbito brasileiro. Informática na Educação: teoria e prática, 20(3): 79–96.

Chandrasekaran, D., Thirunavukkarasu, G. S., Littlefair , G. (2016). Collaborative Learning Experience of Students in Distance Education. In: International Symposium on Project Approaches in Engineering Education and Active Learning in Engineering Education Workshop. p. 90-99.

Cunha, F. O. M., Siebra, C. A. (2016). Mapeamento sistemático na literatura acadêmico-científica sobre abordagens para a formação de grupos em E-Learning. Revista Brasileira de Informática na Educação, 24(3): 17-30.

Ferreira, L. G. A., Barbosa, J. L. V., Gluz, J. C., Vicari, R. (2015). UbiGroup: um modelo de recomendação ubíqua de conteúdo para grupos dinâmicos de aprendizes. Revista Brasileira de Informática na Educação, 23(3): 40-55.

Guo, R., Li, L., Han, M. (2018). On-demand virtual lectures: Promoting active learning in distance learning. In: International Conference on E-Education, E-Business and E-Technology, p. 1-5. ACM.

Kostopoulos, G., Karlos, S., Kotsiantis, S. (2019). Multiview Learning for Early Prognosis of Academic Performance: A Case Study. IEEE Transactions on Learning Technologies, 12(2): 212-224. IEEE.

Leite, L. S., Ramos, M. B. (2017). A metodologia ativa no Ambiente Virtual de Aprendizagem. Metodologia ativa na educação, 85-101. Pimenta Cultural.

Leite, R. R., Pitangui, C. G., De Assis, L. P., Andrade, A. V. (2019). Sistemas de Recomendação em Ambientes Educacionais: estado da arte e perspectivas futuras. In: Simpósio Brasileiro de Informática na Educação (SBIE), p. 109-118.

Lewis, D. D. (1998). Naive Bayes at forty: The independence assumption in information retrieval. In: Machine Learning: European Conference on Machine Learning (ECML), p 4-15.

Lima, E., Siebra, C. (2017). CollabEduc: Uma Ferramenta de Colaboração em Pequenos Grupos para Plataformas de Aprendizagem a Distância. In: Simpósio Brasileiro de Informática na Educação (SBIE), p. 1707–1716.

Lima, J. V. V., Silva, C., Alencar, F., Santos, W. (2020). Metodologias Ativas como forma de reduzir os desafios do ensino em Engenharia de Software: diagnóstico de um survey. In: Simpósio Brasileiro de Informática na Educação (SBIE), p. 172–181.

Marangunić, N., Granić, A. (2014). Technology acceptance model: a literature review from 1986 to 2013. Universal Access in the Information Society, 14: 81-95. Springer.

Marques, L. T., Castro, A. F., Marques, B. T., Silva, J. C. P., Queiroz, P. G. G. (2019). Mineração de dados auxiliando na descoberta das causas da evasão escolar: um mapeamento sistemático da literatura. Revista Novas Tecnologias na Educação, 17(3): 194-203.

Pallof, R. M., Pratt, K. (2002). Estimulando a Aprendizagem Colaborativa. In: Construindo Comunidades de Aprendizagem no Ciberespaço: estratégias eficientes para salas de aula on-line. Porto Alegre: Artmed.

Queiroga, E. M., Cechinel, C., Aguiar, M. S. (2019). Uma abordagem para predição de estudantes em risco utilizando algoritmos genéticos e mineração de dados: um estudo de caso com dados de um curso técnico a distância. In: Simpósio Brasileiro de Informática na Educação (SBIE), p. 119-128.

Ramos, J. L. C., Silva, J. C. S., Prado, L. C., Gomes, A. S., Souza, F. F. D., Zambom, E. G., Rodrigues, R. L. (2017). Um Modelo Preditivo da Evasão dos Alunos na EAD a partir dos Construtos da Teoria da Distância Transacional. In: Simpósio Brasileiro de Informática na Educação (SBIE), p. 1227-1236.

Ramos, J. L. C., Silva, J. C. S., Prado, L. C., Gomes, A. S., Rodrigues, R. L. (2018). Um estudo comparativo de classificadores na previsão da evasão de alunos em EAD. In: Simpósio Brasileiro de Informática na Educação (SBIE), p. 1463-1472.

Rolim, V. B., Mello, R. F. L., Costa, E. B. (2017). Utilização de técnicas de aprendizado de máquina para acompanhamento de fóruns educacionais. Revista Brasileira de Informática na Educação, 25(3): 112-130.

Santos, R. M. M., Pitangui, C. G., Andrade, A. V., Assis, L. P. (2016). Uso de Séries Temporais e Seleção de Atributos em Mineração de Dados Educacionais para Previsão de Desempenho Acadêmico. In: Simpósio Brasileiro de Informática na Educação (SBIE), p. 1146-1155.

Silva, J. T., Silva, I. M. (2020). Uma revisão sistemática sobre a aprendizagem baseada em problemas no ensino de Ciências. Pesquisa e Ensino, 1: 1-29.

Waheed, H., Hassan, S., Aljohani, N. R., Hardman, J., Alelyani, S., Nawaz, R. (2020). Predicting academic performance of students from VLE big data using deep learning models. Computers in Human Behavior, 104: 1-13. Elsevier.

Widyahastuti, F., Tjhin, U. (2018). Performance Prediction in Online Discussion Forum: state-of-the-art and comparative analysis. In: International Conference on Computer Science and Computational Intelligence. p. 302-314. Elsevier.
Publicado
22/11/2021
Como Citar

Selecione um Formato
ANDRADE, Tiago Luís de; ALMEIDA, Caroline Medeiros Martins de; BARBOSA, Jorge Luís Victória; RIGO, Sandro José. Metodologias Ativas integradas a um Sistema de Recomendação e Mineração de Dados Educacionais para a mitigação de evasão em EaD. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 32. , 2021, Online. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2021 . p. 824-835. DOI: https://doi.org/10.5753/sbie.2021.218385.