Identificação de gargalos em e-learning gamificados e indicação dos erros mais frequentes para viabilizar e priorizar melhorias

• Tarcísio H. M. Hazin Universidade de Pernambuco (UPE)
• Dênis Leite Universidade de Pernambuco (UPE)
• Pedro H. R. Macêdo Universidade de Pernambuco (UPE)
• Daniel V. Pires Universidade de Pernambuco (UPE)
• Alexandre M. A. Maciel Universidade de Pernambuco (UPE)
• Mêuser J. S. Valença Universidade de Pernambuco (UPE)

DOI: https://doi.org/10.5753/cbie.sbie.2019.883

Resumo

Devido ao crescimento do e-learning e às recentes mudanças nas preferências e comportamento de aprendizagem dos estudantes, a comunidade científica tem proposto novas abordagens para apoiar a aplicação de estratégias de aprendizagem ativa e gamificação. Este trabalho apresenta uma solução para identificar 'gargalos' em cursos, com o propósito de reduzir o esforço de professores e alunos no processo de aprendizagem. A solução inclui mineração de dados e clusterização usando o Self-Organizing Map (SOM) para verificar as tarefas do curso com as maiores taxas de erro e, em seguida, agrupar seus erros por similaridade. Assim, foi possível priorizar intervenções nos pontos que mais dificultam o progresso dos estudantes. A abordagem foi aplicada com sucesso em um e-learning de automação industrial.

Palavras-chave: e-learning, gamificação, identificação de gargalos, erros frequentes, melhoria

Referências

Abuteir, M. and El-Halees, A. (2012). Mining educational data to improve students’ performance: A case study. International Journal of Information and Communication Technology Research, 2:140–146.

Bara, M. W., Ahmad, N. B., Modu, M. M., and Ali, H. A. (2018). Self-organizing map clustering method for the analysis of e-learning activities. In 2018 Majan International Conference (MIC), pages 1–5.

Beer, C. (2010). Online student engagement: New measures for new methods. PhD thesis, Central Queensland University.

Benmakrelouf, S., Mezghani, N., and Kara, N. (2015). Towards the identification of players’ profiles using game’s data analysis based on regression model and clustering. In 2015 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM), pages 1403–1410.

Chandra, E. and Nandhini, K. (2010). Knowledge mining from student data. European Journal of Scientific Research, 47(1):156–163.

Cury, H. and Konzen, B. (2007). Uma aplicação de jogos na análise de erros em educação matemática. Revemat: Revista Eletrônica de Educação Matemática, 2(1):107–117.

De Paula, B. and Valente, J. (2016). Errando para aprender: a importância dos desafios e dos fracassos para os jogos digitais na educação. RENOTE, 13.

Dicheva, D., Dichev, C., Agre, G., and Angelova, G. (2015). Gamification in education: A systematic mapping study. Educational Technology & Society, 18:75–88.

Dutt, A., Ismail, M. A., and Herawan, T. (2017). A systematic review on educational data mining. IEEE Access, 5:15991–16005.

K. Looi, C., McCalla, G., Bredeweg, B., and Breuker, B. (2005). Artificial intelligence in education: Supporting learning through intelligent and socially informed technology. IEEE Transactions on Pattern Analysis and Machine Intelligence - PAMI.

Kausar, S., Huahu, X., Hussain, I., Wenhao, Z., and Zahid, M. (2018). Integration of data mining clustering approach in the personalized e-learning system. IEEE Access, 6:72724–72734.

Kohonen, T. (1990). The self-organizing map. Proceedings of the IEEE, 78(9):1464–1480.

Minaei-Bidgoli, B., Kashy, D. A., Kortemeyer, G., and Punch, W. F. (2003). Predicting student performance: an application of data mining methods with an educational web- based system. In 33rd Annual Frontiers in Education, 2003. FIE 2003., volume 1, pages T2A–13.

Sahu, S., Saurabh, P., and Rai, S. (2014). An enhancement in clustering for sequential pattern mining through neural algorithm using web logs. In 2014 International Confe- rence on Computational Intelligence and Communication Networks, pages 758–764.

Soares, F., José Richard Machado, C., Diniz, D., Maciel, A., and Rodrigues, R. (2016). Educational data mining to support distance learning students with difficulties in the portuguese grammar. Brazilian Symposium on Computers in Education, 27(1):956.