Learning Analytics para Moodle em uma arquitetura na nuvem: uma solução escalável para predição de risco acadêmico

• Cristian Cechinel UFSC / UFPel / CESAR School
• Emanuel Marques Queiroga IFSul
• Tiago Thompsen Primo IFSul
• Vinicius Faria Culmant Ramos UFSC
• Roberto Muñoz Universidad de Valparaíso
• Matheus Machado UFSC
• Mayara Stein UFSC
• Juary Rocha UFPel
• Thomas Michels Rodrigues FURB
• Henrique Lemos dos Santos UFPel
• Giovani Maia Portelinha UFPel / IFSul
• Rafael Targino UFSC
• Valter Melgarejo UFSC
• Juliano Almeida UFSC

DOI: https://doi.org/10.5753/wapla.2023.236214

Resumo

Este trabalho discute a implementação e aprimoramento de uma solução de Learning Analytics destinada à identificação de padrões de comportamento de estudantes em Ambientes Virtuais de Aprendizagem (AVA) e à criação de modelos preditivos para evasão e reprovação. A estratégia proposta engloba a instalação de um plugin no servidor Moodle da instituição, responsável pela coleta de informações relativas às interações dos estudantes no AVA. Estes dados são posteriormente processados em uma plataforma na nuvem e apresentados aos usuários através de um dashboard interativo. O principal objetivo desta solução é fornecer insights valiosos a educadores e administradores, possibilitando a detecção precoce de tendências de evasão ou reprovação e a tomada de medidas proativas para aprimorar os desempenhos acadêmicos.

Referências

ABED, A. B. D. E. A. D. (2022). Censo EAD.BR: Analytic Report of Distance Learning in Brazil 2020. InterSaberes. (Obra original publicada em 2022).

Baker, R., Isotani, S., and Carvalho, A. (2011). Mineração de Dados Educacionais: Oportunidades para o Brasil. Revista Brasileira de Informática na Educação, 19(02):03.

Baker, R. S. and Inventado, P. S. (2014). Educational data mining and learning analytics. In Learning analytics, pages 61–75. Springer.

Cechinel, C., Ochoa, X., Lemos dos Santos, H., Carvalho Nunes, J. B., Rodés, V., and Marques Queiroga, E. (2020). Mapping learning analytics initiatives in latin america. British Journal of Educational Technology, 51(4):892–914.

Chatti, M. A., Dyckhoff, A. L., Schroeder, U., and Thüs, H. (2013). A reference model for learning analytics. International Journal of Technology Enhanced Learning, 4(5-6):318–331.

Clow, D. (2012). The learning analytics cycle: closing the loop effectively.

Detoni, D., Cechinel, C., Matsumura, R. A., and Brauner, D. F. (2016). Learning to identify at-risk students in distance education using interaction counts. Revista de Informática Teórica e Aplicada, 23(2):124–140.

Ferguson, R. (2012). Learning analytics: drivers, developments and challenges. International Journal of Technology Enhanced Learning, 4(5/6):304–317.

Gómez-Pulido, J. A., Park, Y., and Soto, R. (2020). Advanced techniques in the analysis and prediction of students’ behaviour in technology-enhanced learning contexts.

Herodotou, C., Rienties, B., Boroowa, A., Zdrahal, Z., Hlosta, M., and Naydenova, G. (2017). Implementing predictive learning analytics on a large scale: the teacher’s perspective. In Proceedings of the seventh international learning analytics & knowledge conference, pages 267–271.

Herodotou, C., Rienties, B., Verdin, B., and Boroowa, A. (2019). Predictive learning analytics ‘at scale’: Towards guidelines to successful implementation in higher education based on the case of the open university uk. Journal of Learning Analytics, pages In–Press.

Macarini, B., Antonio, L., Cechinel, C., Batista Machado, M. F., Faria Culmant Ramos, V., and Munoz, R. (2019). Predicting students success in blended learning—evaluating different interactions inside learning management systems. Applied Sciences, 9(24):5523.

Machado, M., Cechinel, C. C., and Ramos, V. (2018). Comparação de diferentes configurações de bases de dados para a identificação precoce do risco de reprovação: o caso de uma disciplina semipresencial de algoritmos e programação. Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação SBIE), 29(1):1503.

Manhães, L. M. B., Cruz, S. d., Costa, R. J. M., Zavaleta, J., and Zimbrão, G. (2011). Previsão de estudantes com risco de evasão utilizando técnicas de mineração de dados. Anais do XXII SBIE-XVII WIE, Aracaju.

Queiroga, E. M., Lopes, J. L., Kappel, K., Aguiar, M., Araújo, R. M., Munoz, R., Villarroel, R., and Cechinel, C. (2020). A learning analytics approach to identify students at risk of dropout: A case study with a technical distance education course. Applied Sciences, 10(11).

Queiroga, E. M., Paragarino, V. R., Casas, A. P., Primo, T. T., Munoz, R., Ramos, V. C., and Cechinel, C. (2022). Experimenting learning analytics and educational data mining in different educational contexts and levels. In 2022 XVII Latin American Conference on Learning Technologies (LACLO), pages 1–9. IEEE.

Romero, C. and Ventura, S. (2010). Educational Data Mining: A Review of the State of the Art. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 40(6):601–618.

Romero, C. and Ventura, S. (2020). Educational data mining and learning analytics: An updated survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 10(3):e1355.

Saar, M., Rodríguez-Triana, M. J., and Santos, L. P. P. (2022). Towards data-informed teaching practice:: A model for integrating analytics with teacher inquiry. Journal of Learning Analytics, 9(3):88–103.

Sclater, N., Peasgood, A., and Mullan, J. (2016). Learning analytics in higher education. London: Jisc. Accessed February, 8(2017):176.

Siemens, G. (2013). Learning analytics: The emergence of a discipline. American Behavioral Scientist, 57(10):1380–1400.

Siemens, G. and Long, P. (2011). Penetrating the fog: Analytics in learning and education. EDUCAUSE review, 46(5):30.