Analysis of student interaction profiles in the Moodle virtual environment through hierarchical clustering

• Pryscilla de Sousa Pereira Federal Institute of Education, Science and Technology of Ceará (IFCE)
• Joana Laysa Lima Cunha Federal Institute of Education, Science and Technology of Ceará (IFCE)
• Gilvandenys Leite Sales Federal Institute of Education, Science and Technology of Ceará (IFCE)
• Ananda Lima Freire Atlantic Institute

DOI: https://doi.org/10.5753/cbie.sbie.2018.1413

Abstract

This article presents a student’s activities monitoring approach using Data Mining, with the objective of identifying students groups with the same profile following some characteristics, like participation and interaction on LMS by applying a hierarchical clustering. This proposal is based on Learning Vectors Model. The results show 3 distinct groups (great, good and regular) taking into consideration the interactions of the environment. So allowing the recognition of difficulties, and making easy for tutors to act directly on these difficulties and so improve the performance and learning from the students.

Keywords: educational data mining, activity monitoring, hierarchical clustering, Moodle logs, interaction in online learning environments

References

ABED (2017). Censo EAD.BR (2016). InterSaberes, Curitiba, 1 edition.

Akçapınar, G., Altun, A., and Cosgun, E. (2014). Investigating students' interaction profile in an online learning environment with clustering. In 2014 IEEE 14th International Conference on Advanced Learning Technologies (ICALT), pages 109-111. IEEE.

Baker, R., Isotani, S., and Carvalho, A. (2011). Mineração de dados educacionais: Oportunidades para o Brasil. Brazilian Journal of Computers in Education, 19(02):03.

dos Santos, D. C. V.-B. and Falcão, T. P. (2017). Acompanhamento de alunos em ambientes virtuais de aprendizagem baseado em sistemas tutores inteligentes. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), volume 28, page 1267.

Gotardo, R., Cereda, P. R. M., and Junior, E. R. H. (2013). Predição do desempenho do aluno usando sistemas de recomendação e acoplamento de classificadores. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), volume 24, page 657.

Gottardo, E., Kaestner, C., and Noronha, R. V. (2012). Previsão de desempenho de estudantes em cursos EAD utilizando mineração de dados: uma estratégia baseada em séries temporais. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), volume 23.

Kampff, A. J. C., Reategui, E. B., and Lima, J. V. d. (2008). Mineração de dados educacionais para a construção de alertas em ambientes virtuais de aprendizagem como apoio à prática docente. RENOTE: revista novas tecnologias na educação [recurso eletrônico]. Porto Alegre, RS.

Leite, E. A. M., Sales, G. L., Joye, C. R., and de Oliveira, C. A. M. (2015). Formação de tutores na DEaD/IFCE: Competências e habilidades necessárias. Conexões - Ciência e Tecnologia, 10(2):53-60.

Losada, M. and Heaphy, E. (2004). The role of positivity and connectivity in the performance of business teams: A nonlinear dynamics model. American Behavioral Scientist, 47(6):740-765.

McLaughlin, M. (2013). MySQL Workbench: Data Modeling & Development. McGraw Hill Professional.

Mlynarska, E., Greene, D., and Cunningham, P. (2016). Indicators of good student performance in moodle activity data. arXiv preprint arXiv:1601.02975.

Moore, M. G. (2013). The theory of transactional distance. In Handbook of Distance Education, pages 84-103. Routledge.

Passerino, L. and Gerling, C. A. (2013). Gerenciamento em ambientes virtuais de educação a distância. RENOTE, 3(2).

Sales, G. (2010). Learning Vectors (LV): um modelo de avaliação da aprendizagem em EaD online aplicando métricas não-lineares. PhD thesis, Departamento de Engenharia de Teleinformática, Universidade Federal do Ceará, 2010. 239 f.

Seixas, C. A., Mendes, I. A. C., Costa, S. d. G., Mazzo, A., Trevizan, M. A., Martins, J. C. A., et al. (2012). Ambiente virtual de aprendizagem: estruturação de roteiro para curso online. Revista Brasileira de Enfermagem, 65(4):660-666.

Talavera, L. and Gaudioso, E. (2004). Mining student data to characterize similar behavior groups in unstructured collaboration spaces. In Workshop on Artificial Intelligence in CSCL. 16th European Conference on Artificial Intelligence, pages 17-23.

Wilks, D. S. (2011). Cluster analysis. In International Geophysics, volume 100, pages 603-616. Elsevier.