Avaliação de um modelo de Sistema de Recomendação que integra Metodologias Ativas e Mineração de Dados Educacionais para mitigar a evasão na Educação a Distância

  • Tiago Luís de Andrade UNEMAT / UNISINOS
  • Caroline Medeiros Martins de Almeida UNISINOS
  • Jorge Luís Victória Barbosa UNISINOS
  • Sandro José Rigo UNISINOS

Resumo


Na medida em que aumenta a popularidade da Educação a Distância, o alto índice de evasão preocupa os gestores e professores, que buscam meios para identificar as situações passíveis de desistências e motivar os alunos a permanecerem nos estudos. Esse artigo apresenta um modelo de Sistema de Recomendação que integra a estratégia pedagógica das Metodologias Ativas para mitigar os riscos de reprovação e potencializar a permanência dos alunos identificados através das técnicas de Mineração de Dados Educacionais como propensos a evadir. Um protótipo foi desenvolvido e aplicado em uma disciplina para a avaliação de funcionalidade e aceitação. De acordo com o Modelo TAM, mais de 90% dos alunos concordaram com a facilidade de uso e 88% concordaram que o modelo pode ser útil no processo de ensino e aprendizagem.

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(1), 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., Barbosa, A. S. R., Brito, M. L. Q. (2020). Systematic Literature Review on the adoption of the Problem Based Learning methodology in Distance Education. In: Iberian Conference on Information Systems and Technologies (CISTI), 1-4. IEEE.

Amaral, G. S., Ramos, D. B., Ramos, I. M. M., Oliveira, E. H. T. (2021). Um sistema de recomendação de estratégias de aprendizagem baseado no perfil de motivação do aluno: SisREA. In: Simpósio Brasileiro de Informática na Educação (SBIE), 718-727.

Andrade, T. L., Almeida, C. M. M., Barbosa, J. L. V., Rigo, S. J. (2021). 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), 824-835.

Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32.

Campos, A., Hollerweger, L., Santos, G., Farias, A. F., Behar, P. A. (2018). 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, 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.

Esteban, A., Romero, C., Zafra, A. (2021). Assignments as Influential Factor to Improve the Prediction of Student Performance in Online Courses. Applied Sciences, 11(21), 10145.

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.

Gómez-del Río, T. (2023). Aplicación de una metodologia de PBL y classe inversa a un curso de laboratório en Ingeniería Mecánica. Revista Latinoamericana de Tecnologia Educativa, 22(1), 191-206.

Kostopoulos, G., Kotsiantis, S., Pierrakeas, C., Koutsonikos, G., Gravvanis, G.A. (2018). Forecasting stu-dents’ success in an open university. International Journal Learning Technology, 13, 26-43.

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), 109-118.

Leite, D., Filho, E., Oliveira, J. F. L., Carneiro, R. E., Maciel, A. (2021). Early detection of students at risk of failure from a small dataset. In: International Conference on Advanced Learning Technologies (ICALT), 42-46. IEEE.

Li, L., Guo, R., Han, M. (2018). On-Demand Virtual Lectures: Promoting Active Learning in Distance Learning. In: International Conference on E-Education, E-Business and E-Technology (ICEBT), 1-5. ACM.

Li, Y., Cui, X., Zhang, Z. (2022). Dropout Rate Prediction for MOOC based on Inceptiontime Model. In: International Conference on Distance Education and Learning (ICDEL), 54-59.

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), 1707–1716.

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.

Manhães, L. M. B., Da Cruz, S. M. S., Costa, R. J. M., Zavaleta, J., Zimbrão, G. (2011). Previsão de estudantes com risco de evasão utilizando técnicas de mineração de dados. In: Simpósio Brasileiro de Informática na Educação (SBIE), 150-159.

Mattar, J. (2017). Metodologias ativas para a educação presencial, blended e a distância. 1 ed. São Paulo: Artesanato Educacional.

Oreshin, S., Filchenkov, A., Petrusha, P., Krasheninnikov, E., Panfilov, A., Glukhov, I., Kaliberda, Y., Masalskiy, D., Serdyukov, A., Kazakovtsev, V., Khlopotov, M., Podolenchuk, T., Smetannikov, I., Kozlova, D. (2020). Implementing a Machine Learning Approach to PredictingStudents’ Academic Outcomes. In: International Conference on Control, Robotics and Intelligent System (CCRIS), 78-83.

Queiroga, E., Cechinel, C., Araújo, R. (2017). Predição de estudantes com risco de evasão em cursos técnicos à distância. In: Simpósio Brasileiro de Informática na Educação (SBIE), 1547-1556.

Queiroga, E. M., Paragarino, V. R., Casas, A. P., Primo, T. T., Munoz, R., Ramos, V. C., Cechinel, C. (2022). Experimenting Learning Analytics and Educational Data Mining in different educational contexts and levels. In: Latin American Conference on Learning Technologies (LACLO), 1-9. IEEE.

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), 1463-1472.

Ramos, D. B., Ramos, I. M. M., Gasparini, I., Oliveira, E. H. T. (2020). Um framework conceitual para recomendação de estratégias de aprendizagem utilizando motivação e trilhas de aprendizagem. In: Simpósio Brasileiro de Informática na Educação (SBIE), 872-881.

Rodrigues, M.W., Isotani, S., Zárate, L. E. (2018). Educational Data Mining: A review of evaluation process in the e-learning. Telematics and Informatics, 35(6), 1701–1717.

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.

Shafiq, D. A., Marjani, M., Habbeb, R. A. A., Asirvatham, D. (2022). A Conceptual Predictive Analytics Model for the Identification of at-risk students in VLE using Machine Learning Techniques. In: International Conference on Mathematics, Actuarial Science, Computer Science and Statistics (MACS), 1-8. IEEE.

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.

Silva, V., Ferreira, H., Torres, A., Rodrigues, F. (2021). Math Suggestion: uma ferramenta de recomendação de Objetos de Aprendizagem fundamentada nos princípios das avaliações de Autoeficácia e Análise de Desempenho. In: Simpósio Brasileiro de Informática na Educação (SBIE), 237-248.

Silva, F. L., Silva, K. K. A., Slodkowski, B. K., Cazella, S. C. (2022). A aplicação de sistemas de recomendação no contexto educacional: uma revisão sistemática da literatura. Revista Iberoamericana de Tecnología en Educación y Educación en Tecnología, 32, 9-17.

Tamada, M., Giusti, R., Netto, J. (2022). Predicting Students at Risk of Dropout in Technical Course Using LMS Logs. Eletronics, 11(3), 468.

Tomasevic, N., Gvozdenovic, N., Vranes, S. (2020). An overview and comparison of supervised data mining techniques for student exam performance prediction. Computers & Education, 143, 1-18. Elsevier.

Tran, T. P., Jan, T., Kew, S. N. (2023). Learning Analytics for Improved Course Delivery: Applicationsand Techniques. In: International Conference on Digital Technology in Education (ICDTE), 100-106.

Waheed, H., Hassan, S., Nawaz, R., Aljohani, N. R., Chen, G., Gasevic, D. (2023). Early prediction of learners at risk in self-paced education: A neural network approach. Expert Systems with Applications, 213(A), 118868. 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, 302-314. Elsevier.
Publicado
06/11/2023
ANDRADE, Tiago Luís de; ALMEIDA, Caroline Medeiros Martins de; BARBOSA, Jorge Luís Victória; RIGO, Sandro José. Avaliação de um modelo de Sistema de Recomendação que integra Metodologias Ativas e Mineração de Dados Educacionais para mitigar a evasão na Educação a Distância. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 34. , 2023, Passo Fundo/RS. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2023 . p. 187-198. DOI: https://doi.org/10.5753/sbie.2023.234754.