Clusterização Iterativa Baseada em Densidade em Rastreamento de Conhecimento para Identificação de Perfis e Lacunas de Aprendizagem

• Taciana Vasconcelos Universidade Federal Rural de Pernambuco (UFRPE)
• William Oliveira da Costa e Silva Universidade Federal de Roraima (UFRR)
• Luiz Rodrigues Universidade Tecnológica Federal do Paraná (UTFPR)
• Mario Antonio Pessoa Santos Cogna Educação S.A.
• Tyagi Lima Cogna Educação S.A.
• Armando M. Toda Universidade de São Paulo (USP)
• Gabriel Alves Universidade Federal Rural de Pernambuco (UFRPE) https://orcid.org/0000-0002-2249-7818
• Rafael Ferreira Mello Universidade Federal Rural de Pernambuco (UFRPE) https://orcid.org/0000-0003-3548-9670

DOI: https://doi.org/10.5753/sbie.2026.27164

Resumo

Técnicas de Rastreamento de Conhecimento (KT) permitem acompanhar a proficiência dos estudantes, mas transformá-las em perfis interpretáveis ainda é um desafio em larga escala. Este artigo apresenta um método de clusterização baseado em densidade em dois estágios para identificar perfis de estudantes e suas lacunas de aprendizagem a partir de dados de KT. O método foi avaliado com 19.048 estudantes de Cálculo I. No primeiro estágio, o conjunto completo passa por uma redução de dimensionalidade com UMAP e agrupamento via HDBSCAN para detectar os núcleos densos de estudantes. O segundo estágio é executado exclusivamente sobre os estudantes classificados como ruído (não atribuídos no estágio anterior); a reaplicação do algoritmo permite isolar perfis secundários antes ocultos no conjunto total. Para mitigar o efeito teto sem suprimir o contraste intergrupos, aplica-se uma normalização inter-cluster ancorada na amplitude real das médias de proficiência (0,53 a 0,99). O método produziu 10 perfis coesos, cobrindo 91,1% dos estudantes, com alta consistência interna e revelando dependências conceituais entre os tópicos. A abordagem apresenta potencial promissor no mapeamento de perfis pedagogicamente acionáveis para futuras intervenções direcionadas.

Palavras-chave: Rastreamento de Conhecimento, Clusterização Baseada em Densidade, Perfis de Aprendizagem

Referências

Abdelrahman, G., Wang, Q., and Nunes, B. (2023). Knowledge tracing: A survey. ACM Computing Surveys, 55(11):1–37.

Becht, E., McInnes, L., Healy, J., Dutertre, C.-A., Kwok, I. W. H., Ng, L. G., Ginhoux, F., and Newell, E. W. (2019). Dimensionality reduction for visualizing single-cell data using UMAP. Nature Biotechnology, 37(1):38–44.

Bellman, R. (1957). Dynamic Programming. Princeton University Press.

Campello, R. J. G. B., Moulavi, D., and Sander, J. (2013). Density-based clustering based on hierarchical density estimates. In Advances in Knowledge Discovery and Data Mining (PAKDD), pages 160–172. Springer.

Chyung, S. Y., Hutchinson, D., and Shamsy, J. A. (2020). Evidence-based survey design: Ceiling effects associated with response scales. Performance Improvement, 59(6):6–13.

Corbett, A. T. and Anderson, J. R. (1994). Knowledge tracing: Modeling the acquisition of procedural knowledge. User Modeling and User-Adapted Interaction, 4:253–278.

Costa, J. A. R., Lima, G. D. O., Araújo, R. D., and Dorça, F. A. (2025). Exploring self-regulated learning in virtual environments: An experimental clustering-based approach. In Simpósio Brasileiro de Informática na Educação (SBIE), pages 469–482. SBC.

Costa, W., Pereira, F. D., Alves, G., Nascimento, A., Rodrigues, L., Santos, M. A. P., Lima, T. M., and Mello, R. F. (2026). Time as a geometric property of the latent space: An empirical study of Time-and-Order RoPE in Knowledge Tracing. In Proceedings of the 19th International Conference on Educational Data Mining, pages 317–328, Seoul, Republic of Korea. International Educational Data Mining Society.

Davies, D. L. and Bouldin, D. W. (1979). A cluster separation measure. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1(2):224–227.

Dutt, A., Aghabozrgi, S., Ismail, M. A. B., and Mahroeian, H. (2015). Clustering algorithms applied in educational data mining. International Journal of Information and Electronics Engineering, 5(2):112.

Maschio, P., Vieira, M. A., Costa, N., de Melo, S., and Júnior, C. P. (2018). Um panorama acerca da mineração de dados educacionais no brasil. In Anais do XXIX Simpósio Brasileiro de Informática na Educação. SBC.

McInnes, L., Healy, J., and Melville, J. (2018). UMAP: Uniform manifold approximation and projection for dimension reduction. arXiv preprint arXiv:1802.03426.

Meijer, R. R. (1994). The number of guttman errors as a simple and powerful person-fit statistic. Applied Psychological Measurement, 18(4):311–314.

Moulavi, D., Jaskowiak, P. A., Campello, R. J. G. B., Zimek, A., and Sander, J. (2014). Density-based clustering validation. In Proceedings of the 2014 SIAM International Conference on Data Mining, pages 839–847. SIAM.

Neto, M. V. G., Vasconcelos, G. C., and Zanchettin, C. (2021). Mineração de dados aplicada à predição do desempenho de escolas e técnicas de interpretabilidade dos modelos. In Simpósio Brasileiro de Informática na Educação (SBIE), pages 773–782. SBC.

Oliveira, P. L. S. d., Rodrigues, R. L., Ramos, J. L. C., and Silva, J. C. S. (2022). Identificação de pesquisas e análise de algoritmos de clusterização para a descoberta de perfis de engajamento. Revista Brasileira de Informática na Educação, 30:1–19.

Ramos, J., Santos, L., Silva, J., and Rodrigues, R. (2020). Identificação de perfis de interação de estudantes de educação a distância por meio de técnicas de agrupamentos. In Anais do XXXI Simpósio Brasileiro de Informática na Educação, pages 932–941, Porto Alegre, RS, Brasil. SBC.

Reichenheim, M. E., Moraes, C. L. d., and Bastos, J. L. (2026). Gráficos de erro de Guttman: uma abordagem visual para a análise de escalabilidade. Revista de Saúde Pública, 60:e1.

Rousseeuw, P. J. (1987). Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20:53–65.

Tapalova, O. and Zhiyenbayeva, N. (2022). Artificial intelligence in education: AIEd for personalised learning pathways. Electronic Journal of e-Learning, 20(5):639–653.

Wohlin, C., Runeson, P., Höst, M., Ohlsson, M. C., Regnell, B., and Wesslén, A. (2012). Experimentation in Software Engineering, volume 236. Springer.