Caracterização de elementos de ensino para retroalimentação do processo de planejamento com o uso de análise de agrupamentos

Autores

DOI:

https://doi.org/10.5753/rbie.2022.2102

Palavras-chave:

Análise de dados educacionais, Planejamento de ensino, Melhoria de ambiente de aprendizagem

Resumo

Esta pesquisa objetivou caracterizar elementos de organização didático-pedagógica do ensino para feedback no ciclo de planejamento, a partir de dados de percepção de estudantes. Esse objetivo se insere na contribuição para a criação de melhores ambientes de ensino a partir da análise de dados e sua interpretação pedagógica no ambiente educacional. Com o uso de análise de agrupamentos os dados de percepção foram segmentados em função da semelhança entre as observações, considerando as respostas a itens selecionados (relação docente discente, exigência do curso, conteúdos, avaliações e apoio recebido pelo estudante) de questionário do estudante do Exame Nacional de Desempenho dos Estudantes – ENADE, das edições de 2014 e 2017 com dados de licenciaturas do Distrito Federal. O algoritmo de agrupamento utilizado foi o Partitioning Around Medoids (PAM), alimentado por matriz de distâncias de Gower para o tratamento de conjuntos de dados com variáveis mistas. O número ótimo de agrupamentos foi determinado com a medida média de Silhueta. Os resultados possibilitaram caracterizar elementos para o ajuste do ensino frente determinadas características de percepção dos estudantes sobre o curso de graduação. A análise dos agrupamentos conduziu à identificação da interação entre docentes e discentes como elemento de ensino passível de melhoria. Esse elemento de ensino conduziu aos elementos de “definição de procedimentos de ensino” e “especificação de recursos de ensino” como pontos para análise na retroalimentação do processo de planejamento pedagógico.

Downloads

Não há dados estatísticos.

Biografia do Autor

Gustavo Danicki Aureliano Rosa, Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira

Doutor e Mestre em Educação pela Universidade Católica de Brasília. Especialista em Educação a Distância pela Universidade de Brasília. Graduado em Pedagogia pela Universidade de Brasília. Pesquisador-Tecnologista no Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira.

Luiz Síveres, Universidade Católica de Brasília

Doutor em Desenvolvimento Sustentável pela Universidade de Brasília. Mestre em Educação pela Universidade Católica de Brasília. Licenciado em Filosofia pela Pontifícia Universidade Católica do Paraná. Professor permanente do Programa de Pós-Graduação em Educação da Universidade Católica de Brasília.

Referências

Atlas do Desenvolvimento Humano no Brasil. Ranking – todo o Brasil. (2010). Disponível em: [Link]. Acesso em: 7 outubro. 2018. [GS Search]

Bach, T. M., Water, S. A., Frega, J. R., & Muller, J. M. S. (2014). Fatores de influência na aprendizagem percebida dos alunos de cursos de administração. Avaliação 19 (1), 13-30. DOI:10.1590/S1414-40772014000100002 [GS Search]

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 19 (2), 3-13. DOI:10.5753/RBIE.2011.19.02.03 [GS Search]

Beck, F., & Rausch, R. B. (2015). Fatores que influenciam o processo de ensino-aprendizagem na percepção de discentes do curso de Ciências Contábeis. Revista Contabilidade Vista & Revista, v. 25, n. 2, p. 38-58. [GS Search]

Bransford, J. D., Brown, A L., Cocking, R. R. (2007). Como as pessoas aprendem: cérebro, mente, experiência e escola. Conselho Nacional de Pesquisa dos Estados Unidos. São Paulo: Editora Senac São Paulo. [GS Search]

Brasil. Instituto Brasileiro de Geografia e Estatística. (2018). Renda domiciliar per capita. Disponível em: [Link]. Acesso em 7 outubro. 2018.

Brasil. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. (2018a). Dicionário de variáveis dos microdados do ENADE edição 2014.Disponível em [Link]. Acesso em 7 julho 2018.

Brasil. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. (2018b). Dicionário de variáveis dos microdados do ENADE edição 2017.Disponível em [Link]. Acesso em 27 outubro. 2018.

Bruer, J. T. (1993). Schools for thought: a science of learning in the classroom. Cambridge: MIT Press. [GS Search]

Cardoso, A. S. (2021). Sistemática para Avaliação de Cursos de Graduação: Perspectiva dos Discentes. (Dissertação). Universidade Federal de Itajubá. Programa de Pós-Graduação em Engenharia de Produção.[GS Search]

Chiappe, A., & Rodriguez, L. P. (2017). Learning Analytics in 21st century education: a review. Ensaio: aval.pol.públ.Educ. vol.25 no.97. Rio de Janeiro. Oct./Dec. DOI: 10.1590/S0104-40362017002501211[GS Search]

Faria, S. M. S. M. L. (2014). Educational Data Mining e Learning Analytics na melhoria do ensino online. (Dissertação). Universidade Aberta. Departamento de Ciências e Tecnologia. Mestrado em Estatística, Matemática e Computação. Especialização - Estatística Computacional. [GS Search]

Filatro, A. (2021). Data Science na educação: presencial, a distância e corporativa. São Paulo: Saraiva Educação. [GS Search]

Frei, F. (2006). Introdução a análise de agrupamentos: teoria e prática. São Paulo: Editora UNESP. [GS Search]

Gower, J. C. (1971). A general coefficient of similarity and some of its properties. Biometrics. 857-874. [GS Search]

Hair, J. F., Black, W. C., & Babin, B. J.; Anderson, R. E.; Tatham, R. L. (2009). Análise multivariada de dados. 6ª edição. Porto Alegre: Bookman. [GS Search]

Haydt, R. C. C. (2006). Curso de didática geral. 8a edição. São Paulo: Ática.[GS Search]

Hiebert, J., Morris, A. K., Berk, D., & Jansen, A. (2007). Preparing teachers to learn from teaching. Journal of Teacher Education, Vol. 58, No. 1, p. 47-61.[GS Search]

Kalyuga, S. (2010). Schema acquisition and sources of cognitive load. In Plass J. L., Moreno, R., Brünken, R. Cognitive Load Theory. New York: Cambridge University Press.[GS Search]

Kassambara, A. (2018). Multivariate data analysis I: Practical guide to cluster analysis in R: unsupervised machine learning (Edition 1).[GS Search]

Lajoie, S. P. (2009). Developing professional expertise with a cognitive apprenticeship model: examples from avionics and medicine. In Ericsson, K. A. Development of professional expertise: toward measurement of expert performance and design of optimal learning environments. New York: Cambridge University Press. [GS Search]

Lima, P. S. N., Ambrósio, A. P. L., Ferreira, D. J., & Brancher, J. D. (2019). Análise de dados do Enade e Enem: uma revisão sistemática da literatura. Avaliação, Campinas; Sorocaba, SP, v. 24, n. 1, p. 89-107. DOI: 10.1590/S1414-40772019000100006[GS Search]

Moissa, B., Gasparini, I., & Kemczinski, A. (2015). Educational Data Mining versus Learning Analytics: estamos reinventando a roda? Um mapeamento sistemático. Anais do XXVI Simpósio Brasileiro de Informática na Educação (SBIE 2015). DOI: 10.5753/cbie.sbie.2015.1167[GS Search]

Maechler, M., Rousseeuw, P., Struyf, A., Hubert, M. & Hornik, K. (2017). cluster: cluster analysis basics and extensions. R package version 2.0.6. [GS Search]

Plass, J. L., Kalyuga, S., Leutner, D. (2010). Individual differences and cognitive load theory. In Plass J. L., Moreno, R., Brünken, R. Cognitive Load Theory. New York: Cambridge University Press. [GS Search]

R Core Team. (2016). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Áustria. Disponível em: https://www.R-project.org/. [GS Search]

Rodrigues Júnior, J. F. (2002). Manual para formação do instrutor. Brasília: Editora Universa.[GS Search]

Rousseeuw, P., & Kaufman, L. (1990). Finding groups in data: an introduction to cluster analysis. New York: Wiley. [GS Search]

Santos, M. M., & Pedroso, I. G. F. (2021). Percepção discente sobre cursos de graduação em Ciências Agrárias e Humanidades da UNESP. Educ. Pesqui., São Paulo, v. 47, e227954. DOI: 10.1590/S1678-4634202147227954[GS Search]

Simon, H. A. (2000). Observations on the sciences of science learning. Journal of Applied Developmental Psychology 21(1): 115–121.[GS Search]

Silva, L. A., Peres, S. M., & Boscarioli, C. (2016). Introdução à mineração de dados: com aplicações em R. Rio de Janeiro: Elsevier.[GS Search]

Sordan, J. E., Marinho, C. A., & Angeloni, M. (2021). Avaliação da qualidade percebida em uma Instituição de Ensino Superior: uma pesquisa-ação. Universidade Federal da Grande Dourados: III Simpósio Nacional de Engenharia de Produção.[GS Search]

Tives, H. A., Canedo, E. D., Ladeira, M., & Fagundes, F. (2018). Mining ENADE Data from the Ulbra Network Institution. In Information Technology – New Generations. DOI: 10.1007/978-3-319-77028-4_39 [GS Search]

Tyler, R. W. (1974). Princípios básicos de currículo e ensino. Rio de Janeiro: Editora Globo. [GS Search]

Zanella, A., & Lopes, L. F. D. (2009). Diagnóstico do ensino-aprendizagem e satisfação dos alunos nas disciplinas de estatística da UFMS. GEPROS, Gestão da Produção, Operações e Sistemas. Ano 4, nº 3, Jul-Set, 2009, p. 123-140. [GS Search]

Arquivos adicionais

Publicado

2022-09-22

Como Citar

ROSA, G. D. A.; SÍVERES, L. Caracterização de elementos de ensino para retroalimentação do processo de planejamento com o uso de análise de agrupamentos. Revista Brasileira de Informática na Educação, [S. l.], v. 30, p. 292–319, 2022. DOI: 10.5753/rbie.2022.2102. Disponível em: https://sol.sbc.org.br/journals/index.php/rbie/article/view/2102. Acesso em: 23 abr. 2024.

Edição

Seção

Artigos