Análise de perfis de interação de alunos no ambiente virtual Moodle via agrupamento hierárquico
Resumo
Este artigo apresenta uma abordagem de monitoramento das atividades dos estudantes, usando técnicas de Mineração de Dados. O objetivo deste estudo é identificar grupos de alunos com o mesmo perfil de participação e interação em um ambiente de aprendizagem on-line, através de algoritmo de agrupamento hierárquico. Esta proposta baseia-se no modelo de avaliação Learning Vectors e usa como fonte de informação os logs retirados do banco de dados Moodle. Os resultados apresentaram 3 grupos distintos (ótimo, bom e regular) em relação a interação no ambiente. O que permitiu o reconhecimento de suas dificuldades, facilitando o direcionamento das intervenções do tutor para melhorar a performance e a aprendizagem do aluno.
Palavras-chave:
mineração de dados educacionais, monitoramento de atividades, agrupamento hierárquico, logs Moodle, interação em ambientes virtuais de aprendizagem
Referências
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.
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.
Publicado
29/10/2018
Como Citar
PEREIRA, Pryscilla de Sousa; CUNHA, Joana Laysa Lima; SALES, Gilvandenys Leite; FREIRE, Ananda Lima.
Análise de perfis de interação de alunos no ambiente virtual Moodle via agrupamento hierárquico. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 29. , 2018, Fortaleza/CE.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2018
.
p. 1413-1422.
DOI: https://doi.org/10.5753/cbie.sbie.2018.1413.
