Classificação de alunos desanimados em um AVEA: uma proposta a partir da mineração de dados educacionais
Resumo
O artigo relata uma pesquisa que identifica o aluno desanimado em um ambiente virtual de ensino e aprendizagem utilizando mineração de dados. Foi realizado um experimento para testar a viabilidade de adoção de um modelo preditivo em uma turma de uma disciplina regular. Foi feita a classificação dos dados utilizando a técnica de árvore de decisão, e os resultados do modelo preditivo mostraram acerto em cerca de 91% dos dados. Foram usadas definições de Scherer para a especificação do desanimo. Novos experimentos serão realizados a fim de validar o modelo e desenvolver ações que subsidiem o professor no apoio a esses alunos.
Palavras-chave:
Mineração de Dados Educacionais, Desânimo, Ambiente Virtual de Ensino-Aprendizagem, Modelo Preditivo
Referências
Baker, R. S. J.; Isotani, S.; Carvalho, A. M. J. B. (2011). Mineração de Dados Educacionais: Oportunidades para o Brasil. Revista Brasileira de Informática na Educação. V.19, N.02.
Bercht, M. (2001). Em Direção a Agentes Pedagógicos com Dimensões Afetivas. Tese de doutorado. Tese de doutorado. Universidade Federal do Rio Grande do Sul. Programa de Pós-Graduação em Computação.
Costa, E.; Baker, R.; Amorin, L.; Magalhães, J.; Marinho , T. (2012). Mineração de Dados Educacionais: Conceitos, Técnicas, Ferramentas e Aplicações. Jornada de Atualização em Informática na Educação – JAIE.
Damando, F. S.; Bercht, M. (2014) Análise da disposição afetiva do aluno em um AVEA: descoberta do desânimo. XXV Simpósio Brasileiro de Informática na Educação.
Gaudioso. E.; Talavera, L. (2006). Data mining to support tutoring in virtual learning communities: experiences and challenges. In Data mining in e-learning. WIT Press.
Iepsen, E. F. (2013). Ensino de Algoritmos: Detecção do Estado Afetivo de Frustração para Apoio no Processo de Aprendizagem. Tese de Doutorado. Universidade Federal do Rio Grande do Sul. Programa de Pós-Graduação em Informática na Educação.
Inventado, P. S.; Legaspi P. Cabredo, R.; Numao, M. (2013) Modeling Affect in Student-driven Learning Scenarios. The 6th International Conference on Educational Data Mining.
Jaques, P. A.; Nunes, M. A. S. N. (2012). Ambientes inteligentes de aprendizagem que inferem, expressam e possuem emoções e personalidade. Jornada de Atualização em Informática na Educação. 23º Congresso Brasileiro de Informática na Educação.
Librelotto, S. R.; Mozzaquatro, P. M. (2013). Análise dos Algoritmos de Mineração J48 e Apriori Aplicados na Detecção de Indicadores de Qualidade de Vida. Revint – Revista Interdisciplinar de Ensino, Pesquisa e Extensão V.01, N.01.
Longhi, M. T. (2011). Mapeamento de Aspectos Afetivos em um Ambiente Virtual de Aprendizagem. Tese de doutorado. Universidade Federal do Rio Grande do Sul. Programa de Pós-Graduação em Informática na Educação.
Majadas, S. S.; Santos, O.; Boticario, J. G. (2013) Affective state detection in educational systems through mining multimodal data soucers. The 6th International Conference on Educational Data Mining.
Pardos, Z, A.; Baker, R. S. J. D.; Pedro, M.S.; Gowda, Sujith. M.; Gowda, Supreeth, M. (2014). Affective States and State Tests: Investigating How Affect and Engagement during the School Year Predict End-of-Year Learning Outcomes. In Journal of Learning Analytics. V.01, N.01.
Perroca, M. G.; Gaidzinski, R.R. (2003). Avaliando a Confiança Interavaliadores de um Instrumento para Classificação de Pacientes - Coeficiente Kappa. Revista da Escola de Enfermagem USP. V. 37, N. 1. Scielo.
Picard, R. W. (2000). Affective Computing. The MIT Press.
Rigo, S. J.; Cambruzzi, W.; Barbosa, J. L. V.; Cazella, S. C. (2014). Aplicações de Mineração de Dados Educacionais e Learning Analytics com foco na evasão escolar: oportunidades e desafios. Revista Brasileira de Informática na Educação. V. 22, N.01.
Romero, C. M.; Ventura, S.; García, E. (2008). Data Mining in Course Management Systems: Moodle Case Study and Tutorial. Computers & Education 51, pg. 368-384, Elsevier.
Sacharin, V.; Schlegel, K.; Scherer, K. R. (2013). Geneva Emotion Wheel Rating Study. Geneva, Switzerland: University of Geneva, Swiss Center for Affective Sciences.
Scherer, K. R. (2005). What are the emotions? And how can they measured? In: Social Science Information.
Tan, Pang-Ning; Steinbach, M.; Kumar, V. (2009). Introdução ao DataMining Mineração de Dados. Rio de Janeiro: Editora Ciência Moderna Ltda.
Webber, C. G.; Zat, D.; Lima, M. F. W. P. (2013). Utilização de algoritmos de agrupamento na mineração de dados educacionais. Revista Renote: Novas tecnologias na educação. V.11, Nº 1.
Bercht, M. (2001). Em Direção a Agentes Pedagógicos com Dimensões Afetivas. Tese de doutorado. Tese de doutorado. Universidade Federal do Rio Grande do Sul. Programa de Pós-Graduação em Computação.
Costa, E.; Baker, R.; Amorin, L.; Magalhães, J.; Marinho , T. (2012). Mineração de Dados Educacionais: Conceitos, Técnicas, Ferramentas e Aplicações. Jornada de Atualização em Informática na Educação – JAIE.
Damando, F. S.; Bercht, M. (2014) Análise da disposição afetiva do aluno em um AVEA: descoberta do desânimo. XXV Simpósio Brasileiro de Informática na Educação.
Gaudioso. E.; Talavera, L. (2006). Data mining to support tutoring in virtual learning communities: experiences and challenges. In Data mining in e-learning. WIT Press.
Iepsen, E. F. (2013). Ensino de Algoritmos: Detecção do Estado Afetivo de Frustração para Apoio no Processo de Aprendizagem. Tese de Doutorado. Universidade Federal do Rio Grande do Sul. Programa de Pós-Graduação em Informática na Educação.
Inventado, P. S.; Legaspi P. Cabredo, R.; Numao, M. (2013) Modeling Affect in Student-driven Learning Scenarios. The 6th International Conference on Educational Data Mining.
Jaques, P. A.; Nunes, M. A. S. N. (2012). Ambientes inteligentes de aprendizagem que inferem, expressam e possuem emoções e personalidade. Jornada de Atualização em Informática na Educação. 23º Congresso Brasileiro de Informática na Educação.
Librelotto, S. R.; Mozzaquatro, P. M. (2013). Análise dos Algoritmos de Mineração J48 e Apriori Aplicados na Detecção de Indicadores de Qualidade de Vida. Revint – Revista Interdisciplinar de Ensino, Pesquisa e Extensão V.01, N.01.
Longhi, M. T. (2011). Mapeamento de Aspectos Afetivos em um Ambiente Virtual de Aprendizagem. Tese de doutorado. Universidade Federal do Rio Grande do Sul. Programa de Pós-Graduação em Informática na Educação.
Majadas, S. S.; Santos, O.; Boticario, J. G. (2013) Affective state detection in educational systems through mining multimodal data soucers. The 6th International Conference on Educational Data Mining.
Pardos, Z, A.; Baker, R. S. J. D.; Pedro, M.S.; Gowda, Sujith. M.; Gowda, Supreeth, M. (2014). Affective States and State Tests: Investigating How Affect and Engagement during the School Year Predict End-of-Year Learning Outcomes. In Journal of Learning Analytics. V.01, N.01.
Perroca, M. G.; Gaidzinski, R.R. (2003). Avaliando a Confiança Interavaliadores de um Instrumento para Classificação de Pacientes - Coeficiente Kappa. Revista da Escola de Enfermagem USP. V. 37, N. 1. Scielo.
Picard, R. W. (2000). Affective Computing. The MIT Press.
Rigo, S. J.; Cambruzzi, W.; Barbosa, J. L. V.; Cazella, S. C. (2014). Aplicações de Mineração de Dados Educacionais e Learning Analytics com foco na evasão escolar: oportunidades e desafios. Revista Brasileira de Informática na Educação. V. 22, N.01.
Romero, C. M.; Ventura, S.; García, E. (2008). Data Mining in Course Management Systems: Moodle Case Study and Tutorial. Computers & Education 51, pg. 368-384, Elsevier.
Sacharin, V.; Schlegel, K.; Scherer, K. R. (2013). Geneva Emotion Wheel Rating Study. Geneva, Switzerland: University of Geneva, Swiss Center for Affective Sciences.
Scherer, K. R. (2005). What are the emotions? And how can they measured? In: Social Science Information.
Tan, Pang-Ning; Steinbach, M.; Kumar, V. (2009). Introdução ao DataMining Mineração de Dados. Rio de Janeiro: Editora Ciência Moderna Ltda.
Webber, C. G.; Zat, D.; Lima, M. F. W. P. (2013). Utilização de algoritmos de agrupamento na mineração de dados educacionais. Revista Renote: Novas tecnologias na educação. V.11, Nº 1.
Publicado
26/10/2015
Como Citar
SANTOS, Fabrícia Damando; BERCHT, Magda; WIVES, Leandro Krug.
Classificação de alunos desanimados em um AVEA: uma proposta a partir da mineração de dados educacionais. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 26. , 2015, Maceió/AL.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2015
.
p. 1052-1061.
DOI: https://doi.org/10.5753/cbie.sbie.2015.1052.
