Predição de Reprovação de Alunos de Educação a Distância Utilizando Contagem de Interações
Resumo
A possibilidade de prever com antecedência o risco de reprovação de um estudante em um curso a distância é de grande valia para professores e tutores, que podem adequar seus métodos para evitar a reprovação. Neste trabalho mostramos resultados da aplicação de técnicas de aprendizado de máquina nesta tarefa, utilizando como atributos unicamente contagens de interações ao longo do tempo. Mostramos que redes bayesianas são adequadas ao problema e que a introdução de atributos derivados das contagens (e.g. médias) são úteis para previsões mais precisas quando a quantidade de dados é esparsa. Mostramos ainda a possibilidade de treinar os modelos em diferentes situações, como entre turmas e entre semestres diferentes.
Palavras-chave:
Educação a Distância, Reprovação, Aprendizado de Máquina, Redes Bayesianas
Referências
Brown, M. (2012). Learning Analytics: Moving from Concept to Practice. EDUCAUSE Learning Initiative Brief.
CensoEaD (2013), from [link].
Gottardo, E., Kaester, C., & Noronha, R. V. (2012). Previsão de Desempenho de Estudantes em Cursos EAD Utilizando Mineração de Dados: uma Estratégia Baseada em Séries Temporais. Anais do XXIII SBIE.
Gotardo, R., Cereda, P., Hruschka Junior, E. (2013). Predição do Desempenho do Aluno usando Sistemas de Recomendação e Acoplamento de Classificadores. Anais do XXIV Simpósio Brasileiro de Informática na Educação.
Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P. and Witten. I.H. (2009) “The WEKA Data Mining Software: An Update” SIGKDD Explorations, Volume 11, Issue 1.
Hämäläinen, W., Vinni, M. (2011) “Classifiers for Educational Data Mining”. In: Romero et al. Handbook of Educational Data Mining. Flórida, CRC Press, p. 57-71.
Macfadyen, L.P., Dawson, S. (2010) “Mining LMS Data to Develop an 'Early Warning System' for Educators: A Proof of Concept”. Computers & Education, no. 54, p.588-599.
Manhaes, L. M. B., da Cruz, S. M. S., Costa, R. J. M., Zavaleta, J., & Zimbrao, G. (2011). Previsão de Estudantes com Risco de Evasãoo Utilizando Técnicas de Mineração de Dados. Anais do XXII SBIE.
Mishra, T.; Kumar, D.; Gupta, S., 'Mining Students' Data for Prediction Performance,' Advanced Computing & Communication Technologies (ACCT), 2014 Fourth International Conference on , vol., no., pp.255,262, 8-9 Feb. 2014
Rodrigues, R. L., de Medeiros, F. P. A., & Gomes, A. S. (2013). Modelo de Regressão Linear aplicador à previsão de desempenho de estudantes em ambiente de aprendizagem. Anais do XXIV SBIE.
Romero, C., & Ventura, S. (2010). Educational Data Mining: A Review of the State of the Art. IEEE Transactions on Systems, Man, and Cybernetics, Part C, 40(6), 601-618.
CensoEaD (2013), from [link].
Gottardo, E., Kaester, C., & Noronha, R. V. (2012). Previsão de Desempenho de Estudantes em Cursos EAD Utilizando Mineração de Dados: uma Estratégia Baseada em Séries Temporais. Anais do XXIII SBIE.
Gotardo, R., Cereda, P., Hruschka Junior, E. (2013). Predição do Desempenho do Aluno usando Sistemas de Recomendação e Acoplamento de Classificadores. Anais do XXIV Simpósio Brasileiro de Informática na Educação.
Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P. and Witten. I.H. (2009) “The WEKA Data Mining Software: An Update” SIGKDD Explorations, Volume 11, Issue 1.
Hämäläinen, W., Vinni, M. (2011) “Classifiers for Educational Data Mining”. In: Romero et al. Handbook of Educational Data Mining. Flórida, CRC Press, p. 57-71.
Macfadyen, L.P., Dawson, S. (2010) “Mining LMS Data to Develop an 'Early Warning System' for Educators: A Proof of Concept”. Computers & Education, no. 54, p.588-599.
Manhaes, L. M. B., da Cruz, S. M. S., Costa, R. J. M., Zavaleta, J., & Zimbrao, G. (2011). Previsão de Estudantes com Risco de Evasãoo Utilizando Técnicas de Mineração de Dados. Anais do XXII SBIE.
Mishra, T.; Kumar, D.; Gupta, S., 'Mining Students' Data for Prediction Performance,' Advanced Computing & Communication Technologies (ACCT), 2014 Fourth International Conference on , vol., no., pp.255,262, 8-9 Feb. 2014
Rodrigues, R. L., de Medeiros, F. P. A., & Gomes, A. S. (2013). Modelo de Regressão Linear aplicador à previsão de desempenho de estudantes em ambiente de aprendizagem. Anais do XXIV SBIE.
Romero, C., & Ventura, S. (2010). Educational Data Mining: A Review of the State of the Art. IEEE Transactions on Systems, Man, and Cybernetics, Part C, 40(6), 601-618.
Publicado
03/11/2014
Como Citar
DETONI, Douglas; ARAUJO, Ricardo Matsumura; CECHINEL, Cristian.
Predição de Reprovação de Alunos de Educação a Distância Utilizando Contagem de Interações. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 25. , 2014, Dourados/MS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2014
.
p. 896-905.
DOI: https://doi.org/10.5753/cbie.sbie.2014.896.
