O Uso de Learning Analytics em Ambientes de Aprendizagem Online: um Mapeamento Sistemático da Literatura
DOI:
https://doi.org/10.5753/rbie.2022.2664Palavras-chave:
Análise de Aprendizagem, Ambientes de Aprendizagem Online, Visualização de Dados, Previsão de Estudantes em Risco, Educação Online, Mapeamento Sistemático da LiteraturaResumo
Nos últimos anos houve um grande aumento no número de pesquisas e possibilidades de aplicação para a área de Learning Analytics, no que diz respeito à medição, coleta, análise e comunicação de dados dos alunos e seus contextos na educação. Este estudo realiza uma avaliação do estado atual do campo de Learning Analytics por meio da análise de artigos científicos que abordam o uso em ambientes educacionais de aprendizagem online. Seguindo um planejamento/protocolo e condução com auxílio da plataforma Sumarize, foi realizado um mapeamento sistemático que resultou em 38 estudos finais que focam no objetivo de entender como Learning Analytics é utilizada para ajudar a identificar os estudantes que estão enfrentando dificuldades em cursos online. Os estudos foram analisados detalhadamente com base no objetivo principal mencionado anteriormente e nos demais objetivos de pesquisa definidos. Os resultados forneceram uma visão geral da área de Learning Analytics e dos diferentes problemas que podem ser solucionados através de seu uso, destacando a identificação de estudantes com dificuldades, na tentativa de solucionar o problema da reprovação e abandono na aprendizagem a distância.
Downloads
Referências
Akçapınar, G., Hasnine, M. N., Majumdar, R., Flanagan, B., & Ogata, H. (2019). Developing an early-warning system for spotting at-risk students by using eBook interaction logs. Smart Learning Environments, 6(1), 4. doi: 10.1186/s40561-019-0083-4 [GS Search]
Aldowah, H., Al-Samarraie, H., Alzahrani, A. I., & Alalwan, N. (2020). Factors affecting student dropout in MOOCs: A cause and effect decision‐making model. Journal of Computing in Higher Education, 32(2), 429-454. doi: 10.1007/s12528-019-09241-y [GS Search]
Avella, J. T., Kebritchi, M., Nunn, S. G., & Kanai, T. (2016). Learning analytics methods, benefits, and challenges in higher education: A systematic literature review. Online Learning, 20(2), 13-29. doi: 10.24059/olj.v20i2.790 [GS Search]
Bhatti, M. I., Awan, H. M., & Razaq, Z. (2014). The key performance indicators (KPIs) and their impact on overall organizational performance. Quality & Quantity, 48(6), 3127-3143. doi: 10.1007/s11135-013-9945-y [GS Search]
BR, Censo Ead. (2019). Relatório analítico da aprendizagem a distância no Brasil. url: [Link]
Clow, D. (2012, April). The learning analytics cycle: closing the loop effectively. In Proceedings of the 2nd international conference on learning analytics and knowledge (pp. 134-138). doi: 10.1145/2330601.2330636 [GS Search]
Dawson, S., Gašević, D., Siemens, G., & Joksimovic, S. (2014, March). Current state and future trends: A citation network analysis of the learning analytics field. In Proceedings of the fourth international conference on learning analytics and knowledge (pp. 231-240). doi: 10.1145/2567574.2567585 [GS Search]
Dermeval, D., Paiva, R., Bittencourt, I. I., Vassileva, J., & Borges, D. (2018). Authoring tools for designing intelligent tutoring systems: a systematic review of the literature. International Journal of Artificial Intelligence in Education, 28(3), 336-384. doi: 10.1007/s40593-017-0157-9 [GS Search]
Filvà, D. A., Forment, M. A., García-Peñalvo, F. J., Escudero, D. F., & Casañ, M. J. (2019). Clickstream for learning analytics to assess students’ behavior with Scratch. Future Generation Computer Systems, 93, 673-686. doi: 10.1016/j.future.2018.10.057 [GS Search]
Gašević, D., Dawson, S., Rogers, T., & Gasevic, D. (2016). Learning analytics should not promote one size fits all: The effects of instructional conditions in predicting academic success. The Internet and Higher Education, 28, 68-84. doi: 10.1016/j.iheduc.2015.10.002 [GS Search]
Gašević, D., Dawson, S., & Siemens, G. (2015). Let’s not forget: Learning analytics are about learning. TechTrends, 59(1), 64-71. doi: 10.1007/s11528-014-0822-x [GS Search]
Hernández-García, Á., González-González, I., Jiménez-Zarco, A. I., & Chaparro-Peláez, J. (2015). Applying social learning analytics to message boards in online distance learning: A case study. Computers in Human Behavior, 47, 68-80. doi: 10.1016/j.chb.2014.10.038 [GS Search]
Hlosta, M., Zdrahal, Z., & Zendulka, J. (2017, March). Ouroboros: early identification of at-risk students without models based on legacy data. In Proceedings of the seventh international learning analytics & knowledge conference (pp. 6-15). doi: 10.1145/3027385.3027449 [GS Search]
Kitchenham, B., & Charters, S. (2007). Guidelines for performing systematic literature reviews in software engineering. Keele University and Durham University Joint Report. url: [Link] [GS Search]
Moissa, Barbara & Gasparini, Isabela & Kemczinski, Avanilde. (2015). A Systematic Mapping on the Learning Analytics Field and Its Analysis in the Massive Open Online Courses Context. International Journal of Distance Education Technologies. 13. 1-24. doi: 10.4018/IJDET.2015070101 [GS Search]
Petersen, K., Feldt, R., Mujtaba, S., & Mattsson, M. (2008, June). Systematic mapping studies in software engineering. In 12th International Conference on Evaluation and Assessment in Software Engineering (EASE) 12 (pp. 1-10). doi: 10.14236/ewic/EASE2008.8 [GS Search]
Scheffel, M., Drachsler, H., Stoyanov, S., & Specht, M. (2014). Quality indicators for learning analytics. Journal of Educational Technology & Society, 17(4), 117-132. url: [Link] [GS Search]
Siemens, G., & Baker, R. S. D. (2012, April). Learning analytics and educational data mining: towards communication and collaboration. In Proceedings of the 2nd international conference on learning analytics and knowledge (pp. 252-254). doi: 10.1145/2330601.2330661 [GS Search]
Siemens, G. (2013). Learning analytics: The emergence of a discipline. American Behavioral Scientist, 57(10), 1380-1400. doi: 10.1177/0002764213498851 [GS Search]
Tseng, S. F., Tsao, Y. W., Yu, L. C., Chan, C. L., & Lai, K. R. (2016). Who will pass? Analyzing learner behaviors in MOOCs. Research and Practice in Technology Enhanced Learning, 11(1), 1-11. doi: 10.1186/s41039-016-0033-5 [GS Search]
van Leeuwen, A., Rummel, N., & Van Gog, T. (2019). What information should CSCL teacher dashboards provide to help teachers interpret CSCL situations?. International Journal of Computer-Supported Collaborative Learning, 14(3), 261-289. doi: 10.1007/s11412-019-09299-x [GS Search]
Xing, W., Chen, X., Stein, J., & Marcinkowski, M. (2016). Temporal predication of dropouts in MOOCs: Reaching the low hanging fruit through stacking generalization. Computers in human behavior, 58, 119-129. doi: 10.1016/j.chb.2015.12.007 [GS Search]
You, J. W. (2016). Identifying significant indicators using LMS data to predict course achievement in online learning. The Internet and Higher Education, 29, 23-30. doi: 10.1016/j.iheduc.2015.11.003 [GS Search]
Zacharis, N. Z. (2015). A multivariate approach to predicting student outcomes in web-enabled blended learning courses. The Internet and Higher Education, 27, 44-53. doi: 10.1016/j.iheduc.2015.05.002 [GS Search]
Arquivos adicionais
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Michael Miller Rodrigues Cardoso, João Victor Falcão Santos Lima, Márcio Henrique Vieira de Oliveira, Ranilson Oscar Araujo Paiva
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
