Análise de desempenho dos alunos após a utilização do Sistema de Recomendação Éforo-SR para a mitigação de evasão e promoção da retenção
Resumo
A Educação a Distância enfrenta um alto índice de evasão nos cursos ofertados. Para contribuir com a sua redução, este artigo apresenta um Sistema de Recomendação que integra a estratégia pedagógica das Metodologias Ativas às técnicas de Mineração de Dados Educacionais, para mitigar os riscos dos alunos identificados como propensos a reprovação e evasão e potencializar a permanência. O sistema foi aplicado em uma disciplina para a análise de desempenho dos alunos e com base nos resultados obtidos verificou-se o aumento da média da turma e a participação efetiva no processo de aprendizagem, caracterizado como pontos positivos e ao mesmo tempo promissores.
Palavras-chave:
Sistema de Recomendação, Evasão, Mineração de Dados Educacionais, Learning Analytics
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 (RBIE), 26(1), 91-111
Adnan, M., Uddin, M. I., Khan, E., Alharithi, F. S., Amin, S., Alzahrani, A. A. (2022). Earliest Possible Global and Local Interpretation of Students Performance in Virtual Learning Environment by Leveraging Explainable AI. IEEE Access, 10, 129843-129864
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
Andrade, T. L., Almeida, C. M. M., Barbosa, J. L. V., Rigo, S. J. (2023). 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), 187-198
Baker, R., Isotani, S., Carvalho, A. (2011). Mineração de Dados Educacionais: Oportunidades para o Brasil. Revista Brasileira de Informática na Educação (RBIE), 19(2), 3-13
Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32
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
Costa, N. T., Fernandes, M. A. (2023). Recomendação Pedagógica Personalizada a partir do Sequenciamento de Ações Baseada na Taxonomia de Bloom e no Perfil RASI usando planejamento em Inteligência Artificial apoiado por Algoritmo Genético Multiobjetivo. In: Congresso Brasileiro de Informática na Educação (CBIE), 1-12
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 (RBIE), 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
Feldman-Maggor, Y., Blonder, R., Tuvi-Arad, I. (2022). Let them choose: Optional assignments and online learning patterns as predictors of success in online general chemistry courses. The Internet and Higher Education, 55, 100867. Elsevier
Jayaprakash, S., Krishnan, S., V. J. (2020). Predicting Students Academic Performance using an Improved Random Forest Classifier. In: International Conference on Emerging Smart Computing and Informatics (ESCI), 238-243. IEEE
Karlos, S., Kostopoulos, G., Kotsiantis, S. (2020). Predicting and Interpreting Students’ Grades in Distance Higher Education through a Semi-Regression Method. Applied Sciences, 10(23), 8413
Kostopoulos, G., Kotsiantis, S., Pierrakeas, C., Koutsonikos, G., Gravvanis, G.A. (2018). Forecasting students’ success in an open university. International Journal Learning Technology, 13, 26-43
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
Li, L., Guo, R., Han, M. (2018). On-Demand Virtual Lectures: Promoting Active Learning in Distance Learning. In: International Conference on E-Education, EBusiness and E-Technology (ICEBT), 1-5. ACM
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
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
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
Marinho, J. Y. S., Fernandes, D. Y. S. (2023). Formação de grupos heterogêneos de estudantes para a aplicação de Práticas Ativas de Aprendizagem. Revista Brasileira de Informática na Educação (RBIE), 31, 87-1116
Mattar, J. (2017). Metodologias ativas para a educação presencial, blended e a distância. 1 ed. São Paulo: Artesanato Educacional
Oliveira, M. G., Neves, A., Lopes, M. F. S., Medeiros, H. F., Andrade, M. B., Reblin, L. L. (2018). Um curso de programação a distância com metodologias ativas e análise de aprendizagem por métricas de software. Revista Novas Tecnologias na Educação (RENOTE), 15(1), 1-10
Pereira Junior, C. X., Araújo, R. D., Dorça, F. A. (2023). Uma abordagem para a recomendação personalizada de materiais educacionais por meio de Filtragem Baseada em Conteúdo em Ambientes Virtuais de Aprendizagem. Revista Brasileira de Informática na Educação (RBIE), 31, 731-758
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), 119-128
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
Sanches, W. M., Ferreira, F. Z., Evald, P. J. D. O., Vargas, A. P., Bez, J. L., Botelho, S. S. C. (2023). Aprimorando a experiência de aprendizado em ambientes online massivos: o papel dos sistemas de recomendação. In: Simpósio Brasileiro de Informática na Educação (SBIE), 164-174
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, F., Da Silva, J., Silva, R., Fonseca, L. C. (2015). Um modelo preditivo para diagnóstico de evasão baseado nas interações de alunos em fóruns de discussão. In: Simpósio Brasileiro de Informática na Educação (SBIE), 1187-1196
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
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
Utari, M., Warsito, B., Kusumaningrum, R. (2020). Implementation of Data Mining for Drop-Out Prediction using Random Forest Method. In: International Conference on Information and Communication Technology (ICoICT), 1-5. IEEE
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), 1-13. Elsevier
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
Adnan, M., Uddin, M. I., Khan, E., Alharithi, F. S., Amin, S., Alzahrani, A. A. (2022). Earliest Possible Global and Local Interpretation of Students Performance in Virtual Learning Environment by Leveraging Explainable AI. IEEE Access, 10, 129843-129864
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
Andrade, T. L., Almeida, C. M. M., Barbosa, J. L. V., Rigo, S. J. (2023). 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), 187-198
Baker, R., Isotani, S., Carvalho, A. (2011). Mineração de Dados Educacionais: Oportunidades para o Brasil. Revista Brasileira de Informática na Educação (RBIE), 19(2), 3-13
Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32
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
Costa, N. T., Fernandes, M. A. (2023). Recomendação Pedagógica Personalizada a partir do Sequenciamento de Ações Baseada na Taxonomia de Bloom e no Perfil RASI usando planejamento em Inteligência Artificial apoiado por Algoritmo Genético Multiobjetivo. In: Congresso Brasileiro de Informática na Educação (CBIE), 1-12
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 (RBIE), 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
Feldman-Maggor, Y., Blonder, R., Tuvi-Arad, I. (2022). Let them choose: Optional assignments and online learning patterns as predictors of success in online general chemistry courses. The Internet and Higher Education, 55, 100867. Elsevier
Jayaprakash, S., Krishnan, S., V. J. (2020). Predicting Students Academic Performance using an Improved Random Forest Classifier. In: International Conference on Emerging Smart Computing and Informatics (ESCI), 238-243. IEEE
Karlos, S., Kostopoulos, G., Kotsiantis, S. (2020). Predicting and Interpreting Students’ Grades in Distance Higher Education through a Semi-Regression Method. Applied Sciences, 10(23), 8413
Kostopoulos, G., Kotsiantis, S., Pierrakeas, C., Koutsonikos, G., Gravvanis, G.A. (2018). Forecasting students’ success in an open university. International Journal Learning Technology, 13, 26-43
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
Li, L., Guo, R., Han, M. (2018). On-Demand Virtual Lectures: Promoting Active Learning in Distance Learning. In: International Conference on E-Education, EBusiness and E-Technology (ICEBT), 1-5. ACM
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
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
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
Marinho, J. Y. S., Fernandes, D. Y. S. (2023). Formação de grupos heterogêneos de estudantes para a aplicação de Práticas Ativas de Aprendizagem. Revista Brasileira de Informática na Educação (RBIE), 31, 87-1116
Mattar, J. (2017). Metodologias ativas para a educação presencial, blended e a distância. 1 ed. São Paulo: Artesanato Educacional
Oliveira, M. G., Neves, A., Lopes, M. F. S., Medeiros, H. F., Andrade, M. B., Reblin, L. L. (2018). Um curso de programação a distância com metodologias ativas e análise de aprendizagem por métricas de software. Revista Novas Tecnologias na Educação (RENOTE), 15(1), 1-10
Pereira Junior, C. X., Araújo, R. D., Dorça, F. A. (2023). Uma abordagem para a recomendação personalizada de materiais educacionais por meio de Filtragem Baseada em Conteúdo em Ambientes Virtuais de Aprendizagem. Revista Brasileira de Informática na Educação (RBIE), 31, 731-758
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), 119-128
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
Sanches, W. M., Ferreira, F. Z., Evald, P. J. D. O., Vargas, A. P., Bez, J. L., Botelho, S. S. C. (2023). Aprimorando a experiência de aprendizado em ambientes online massivos: o papel dos sistemas de recomendação. In: Simpósio Brasileiro de Informática na Educação (SBIE), 164-174
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, F., Da Silva, J., Silva, R., Fonseca, L. C. (2015). Um modelo preditivo para diagnóstico de evasão baseado nas interações de alunos em fóruns de discussão. In: Simpósio Brasileiro de Informática na Educação (SBIE), 1187-1196
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
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
Utari, M., Warsito, B., Kusumaningrum, R. (2020). Implementation of Data Mining for Drop-Out Prediction using Random Forest Method. In: International Conference on Information and Communication Technology (ICoICT), 1-5. IEEE
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), 1-13. Elsevier
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
Publicado
04/11/2024
Como Citar
ANDRADE, Tiago Luís de; ALMEIDA, Caroline Medeiros Martins de; BARBOSA, Jorge Luís Victória; RIGO, Sandro José.
Análise de desempenho dos alunos após a utilização do Sistema de Recomendação Éforo-SR para a mitigação de evasão e promoção da retenção. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 35. , 2024, Rio de Janeiro/RJ.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2024
.
p. 85-100.
DOI: https://doi.org/10.5753/sbie.2024.241901.
