A utilização de Metodologias Ativas com suporte de Mineração de Dados Educacionais e Learning Analytics para a mitigação da evasão em EaD: um mapeamento sistemático da literatura
DOI:
https://doi.org/10.5753/rbie.2023.3594Palavras-chave:
Metodologias Ativas, Mineração de Dados Educacionais, Learning Analytics, Evasão, Educação a DistânciaResumo
Apesar da ampla adoção da Educação a Distância (EaD), os altos índices de evasão são motivos de preocupação de professores e gestores institucionais. Existem iniciativas para mitigação dessa situação, como a aplicação de técnicas de Mineração de Dados Educacionais (MDE) e Learning Analytics (LA) para a identificação de alunos propensos a essa situação. No entanto, embora efetivos nessa tarefa, carecem de mecanismos para a motivação dos estudantes e intervenção pedagógica dos professores, já que não apresentam propostas metodológicas para incentivar a aprendizagem dos identificados com risco de evadir, mitigando essa possibilidade. A utilização de Metodologias Ativas após a identificação dos alunos através das técnicas de MDE e LA pode constituir um mecanismo efetivo de prevenção da evasão na EaD, ampliando o potencial de engajamento e colaboração entre os alunos. Este artigo apresenta um Mapeamento Sistemático da Literatura com o objetivo de identificar as técnicas mais utilizadas de MDE e LA no contexto de evasão. Além disso, identificar a aplicação de Metodologias Ativas para mitigar a possibilidade de evadir nos cursos ofertados na Educação a Distância. Avaliamos 1103 artigos publicados no período de janeiro de 2015 a março de 2023. Os resultados indicam uma crescente aplicação de MDE e LA para identificar e mitigar a evasão de alunos na EaD. Entretanto, estudos com a utilização da estratégia pedagógica das Metodologias Ativas para minimizar esse problema e potencializar a permanência dos alunos são escassos.
Downloads
Referências
Acosta, O. C.; Reategui, E. B. & Behar, P. A. (2018). Recomendação de conteúdo em um ambiente colaborativo de Aprendizagem Baseada em Projetos. Revista Brasileira de Informática na Educação, 26(1), 91-111. doi: 10.5753/rbie.2018.26.01.91 [GS Search]
Adnan, M.; Uddin, M. I.; Khan, E.; Alharithi, F. S.; Amin, S. & Alzahrani, A. A. (2022). Earliest Possible Global and Local Interpretation of Students Performance in Virtual Learning Environment by Leveraging Explainable AI. IEEE Access, 10, 129843-129864. doi: 10.1109/ACCESS.2022.3227072 [GS Search]
Aldowah, H.; Al-Samarraie, H. & Fauzy, W. M. (2019). Educational data mining and learning analytics for 21st century higher education: A review and synthesis. Telematics and Informatics, 37, 13-49. doi: 10.1016/j.tele.2019.01.007 [GS Search]
Almeida, C. M. M.; Scheunemann, C. M. B.; Santos, M. J. & Lopes, P. T. C. (2019). Propostas de metodologias ativas utilizando Tecnologias Digitais e ferramentas metacognitivas para auxiliar no processo de ensino e aprendizagem. Revista Paradigma, 40, 204-220. [GS Search]
Almeida Neto, F. A. & Castro, A. (2015). Elicited and mined rules for dropout prevention in online courses. IEEE Frontiers in Education Conference (FIE). IEEE. doi: 10.1109/FIE.2015.7344048 [GS Search]
Alves, M. O.; Medeiros, F. P. A.; Melo, L. B.; Barbosa, A. S. R. & Brito, M. L. Q. (2020b). Systematic Literature Review on the adoption of the Problem Based Learning methodology in Distance Education. Iberian Conference on Information Systems and Technologies (CISTI), 1-4. IEEE. doi: 10.23919/CISTI49556.2020.9141089 [GS Search]
Araújo, I. S. & Mazur, E. (2013). Instrução pelos colegas e ensino sob medida: uma proposta para o engajamento dos alunos no processo de ensino-aprendizagem de física. Caderno Brasileiro de Ensino de Física, 30(2), 362-384. doi: 10.5007/2175-7941.2013v30n2p362 [GS Search]
Baker, R. & Yacef, K. (2009). The state of educational data mining in 2009: a review and future visions. Journal of Educational Data Mining (JEDM), 1(1), 3-17. doi: 10.5281/zenodo.3554657 [GS Search]
Baker, R.; Isotani, S. & Carvalho, A. (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]
Bergmann, J. & Sams, A. (2016). Sala de Aula Invertida: uma metodologia ativa de aprendizagem. LTC. [GS Search]
Borrella, I.; Caballero-Caballero, S. & Ponce-Cueto, E. (2019). Predict and Intervene: Addressing the Dropout Problem in a MOOC-based Program. ACM Conference on Learning, 1-9. ACM. doi: 10.1145/3330430.3333634 [GS Search]
Brandão, I. V.; da Costa, J. P. C. L.; Santos, G. A.; Praciano, B. J. G.; D. Junior, F. C. M. & S. Junior, R. T. (2019). Classification and predictive analysis of educational data to improve the quality of distance learning courses. Workshop on Communication Networks and Power Systems (WCNPS). IEEE. doi: 10.1109/WCNPS.2019.8896312 [GS Search]
Brito, M.; Medeiros, F. & Bezerra, E. P. (2019a). An Infographics-based Tool for Monitoring Dropout Risk on Distance Learning in Higher Education. International Conference on Information Technology Based Higher Education and Training (ITHET). IEEE. doi: 10.1109/ITHET46829.2019.8937361 [GS Search]
Brito, M. T. S. (2019b). Um plugin do tipo report para a identificação do risco de evasão na educação superior a distância que usa técnicas de visualização de dados. Dissertação (Mestrado em Ciência da Computação) – Programa de Pós-Graduação em Informática, Universidade Federal da Paraíba, João Pessoa, 2019. [GS Search]
Cambruzzi, W.; Rigo, S. J. & Barbosa, J. L. V. (2015). Dropout Prediction and Reduction in Distance Education Courses with the Learning Analytics Multitrail Approach. Journal of Universal Computer Science, 21(1), 23-47. [GS Search]
Censo EAD.BR: relatório analítico da aprendizagem a distância no Brasil 2020. Censo EAD.BR: Analytic Report of Distance Learning in Brazil 2020 [livro eletrônico]/[organização ABED – Associação Brasileira de Educação a Distância. Camila Rosa (tradutória). Curitiba: InterSaberes, 2022. [GS Search]
Chandrasekaran, D.; Thirunavukkarasu, G. S. & Littlefair , G. (2016). Collaborative Learning Experience of Students in Distance Education. International Symposium on Project Approaches in Engineering Education and Active Learning in Engineering Education Workshop, 90-99. [GS Search]
Chen, Y. & Zhang, M. (2017). MOOC Student Dropout: Pattern and Prevention. ACM Turing 50th Celebration Conference, 1-6. ACM. doi: 10.1145/3063955.3063959 [GS Search]
Cobos, R. & Olmos, L. (2019). A Learning Analytics Tool for Predictive Modeling of Dropout and Certificate Acquisition on MOOCs for Professional Learning. IEEE International Conference on Industrial Engineering and Engineering Management (IEEM), 1533-1537. IEEE. doi: 10.1109/IEEM.2018.8607541 [GS Search]
Correia, C. F & Pimentel, E. P. (2011). Mineração de dados na formação de turmas para a recuperação paralela na Educação Básica. Simpósio Brasileiro de Informática na Educação (SBIE), 172–175. doi: 10.5753/cbie.sbie.2011.%25p [GS Search]
Esteban, A.; Romero, C. & Zafra, A. (2021). Assignments as Influential Factor to Improve the Prediction of Student Performance in Online Courses. Applied Sciences, 11(21), 10145. doi: 10.3390/app112110145 [GS Search]
Feldman-Maggor, Y.; Blonder, R. & Tuvi-Arad, I. (2022). Let them choose: Optional assignments and online learning patterns as predictors of success in online general chemistry courses. The Internet and Higher Education, 55, 100867. Elsevier. doi: 10.1016/j.iheduc.2022.100867 [GS Search]
Fonseca, S. M. & Mattar, J. (2017). Metodologias ativas aplicadas à educação a distância: revisão de literatura. Revista EDAPECI: educação a distância e práticas educativas comunicacionais e interculturais, 17(2), 185-197. doi: 10.29276/redapeci.2017.17.26509.185-197 [GS Search]
Godinez, C. & Lomibao, L. (2022). A Gaussian-Bernoulli Mixed Naïve Bayes Approach to Predict Students' Academic Procrastination Tendencies in Online Mathematics Learning. American Journal of Educational Research, 10(4), 223-232. doi: 10.12691/education-10-4-10 [GS Search]
Goel, Y. & Goyal, R. (2020). On the Effectiveness of Self-Training in MOOC Dropout Prediction. Open Computer Science, 10, 246-258. doi: 10.1515/comp-2020-0153 [GS Search]
Heidrich, L.; Barbosa, J. L. Victória; Cambruzzi, W.; Rigo, S. J.; Martins, M. G. & Santos, R. B. S. (2018). Diagnosis of learner dropout based on learning styles for online distance learning. Telematics and Informatics, 35(6), 1593-1606. Elsevier. doi: 10.1016/j.tele.2018.04.007 [GS Search]
Hoffmann, A. T.; Jacques, J. J.; Silva, T. L. K. & Silva, R. P. (2020). Revisão sistemática da literatura: metodologias ativas de ensino-aprendizagem e sua utilização nos cursos de design, engenharia e arquitetura. Design em Pesquisa, 34-54. Marca visual. [GS Search]
Imran, A. S.; Dalipi, F. & Kastrati, Z. (2019). Predicting Student Dropout in a MOOC: An Evaluation of a Deep Neural Network Model. International Conference on Computing and Artificial Intelligence, 190-195. ACM. doi: 10.1145/3330482.3330514 [GS Search]
Isidro, C.; Carro, R. M. & Ortigosa, A. (2018). Dropout Detection in MOOCs: An Exploratory Analysis. International Symposium on Computers in Education (SIIE). IEEE. doi: 10.1109/SIIE.2018.8586748 [GS Search]
Islam, O.; Siddiqui, M. & Aljohani, N. R. (2020). Identifying Online Profiles of Distance Learning Students Using Data Mining Techniques. International Conference on Digital Technology in Education (ICDTE), 115-120. ACM. doi: 10.1145/3369199.3369249 [GS Search]
Kang, K. & Wang, S. (2018). Analyze and Predict Student Dropout from Online Programs. International Conference on Compute and Data Analysis, 6-12. ACM. doi: 10.1145/3193077.3193090 [GS Search]
Karlos, S.; Kostopoulos, G. & Kotsiantis, S. (2020). Predicting and Interpreting Students’ Grades in Distance Higher Education through a Semi-Regression Method. Applied Sciences, 10(23), 8413. doi: 10.3390/app10238413 [GS Search]
Kostopoulos, G.; Karlos, S. & Kotsiantis, S. (2019a). Multiview Learning for Early Prognosis of Academic Performance: A Case Study. IEEE Transactions on Learning Technologies, 12(2), 212-224. doi: 10.1109/TLT.2019.2911581 [GS Search]
Kostopoulos, G.; Kotsiantis, S.; Fazakis, N.; Koutsonikos, G. & Pierrakeas, C. (2019b). A Semi-Supervised Regression Algorithm for Grade Prediction of Students in Distance Learning Courses. International Journal on Artificial Intelligence Tools, 28, 1-19. doi: 10.1142/S0218213019400013 [GS Search]
Kostopoulos, G.; Kotsiantis, S.; Pierrakeas, C.; Koutsonikos, G. & Gravvanis, G.A. (2018a). Forecasting students’ success in an open university. International Journal Learning Technology, 13, 26-43. doi: 10.1504/IJLT.2018.091630 [GS Search]
Kostopoulos, G.; Kotsiantis, S. & Pintelas, P. (2015). Estimating student dropout in distance higher education using semi-supervised techniques. Panhellenic Conference on Informatics (PCI 2015), 38-43. doi: 10.1145/2801948.2802013 [GS Search]
Kostopoulos, G.; Kotsiantis, S.; Ragos, O. & Grapsa, T.N. (2018b). Early dropout prediction in distance higher education using active learning. International Conference on Information, Intelligence, Systems and Applications (IISA 2017), 1-6. doi: 10.1109/IISA.2017.8316424 [GS Search]
La Peña, D.; Lara, J. A.; Lizcano, D.; Martínez, M. A.; Burgos, C. & Campanario, M. L. (2017). Mining activity grades to model students’ performance. International Conference on Engineering & MIS (ICEMIS). IEEE. doi: 10.1109/ICEMIS.2017.8272963 [GS Search]
Leite, D.; Filho, E.; Oliveira, J. F. L.; Carneiro, R. E. & Maciel, A. (2021). Early detection of students at risk of failure from a small dataset. International Conference on Advanced Learning Technologies (ICALT), 42-46. IEEE. doi: 10.1109/ICALT52272.2021.00021 [GS Search]
Lemay, D. & Doleck, T. (2020). Predicting completion of massive open online course (MOOC) assignments from video viewing behavior. Interactive Learning Environments, 30, 1782-1793. doi: 10.1080/10494820.2020.1746673 [GS Search]
Li, Y.; Cui, X. & Zhang, Z. (2022). Dropout Rate Prediction for MOOC based on Inceptiontime Model. International Conference on Distance Education and Learning (ICDEL), 54-59. doi: 10.1145/3543321.3543330 [GS Search]
Liang, J.; Yang, J.; Wu, Y.; Li, C. & Zheng, L. (2016). Big Data Application in Education: Dropout Prediction in Edx MOOCs. IEEE Second International Conference on Multimedia Big Data (BigMM), 440-443. IEEE. doi: 10.1109/BigMM.2016.70 [GS Search]
Lima, E. & Siebra, C. (2017). CollabEduc: Uma Ferramenta de Colaboração em Pequenos Grupos para Plataformas de Aprendizagem a Distância. Simpósio Brasileiro de Informática na Educação (SBIE), 1707–1716. doi: 10.5753/cbie.sbie.2017.1707 [GS Search]
Macedo, M.; Santana Jr, C.; Siqueira, H.; Rodrigues, R. L., Ramos, J. L. C.; Silva, J. C. S.; Maciel, A. M. A. & Bastos-Filho, C. J. A. (2019). Investigation of College Dropout with the Fuzzy C-Means Algorithm. International Conference on Advanced Learning Technologies (ICALT), 187-189. IEEE. doi: 10.1109/ICALT.2019.00055 [GS Search]
Manhães, L. M. B.; Da Cruz, S. M. S.; Costa, R. J. M.; Zavaleta, J. & Zimbrão, G. (2011). Previsão de estudantes com risco de evasão utilizando técnicas de mineração de dados. Simpósio Brasileiro de Informática na Educação (SBIE), 150-159. doi: 10.5753/cbie.sbie.2011.%25p [GS Search]
Mattar, J. (2017). Metodologias ativas para a educação presencial, blended e a distância. Artesanato Educacional. [GS Search]
Mishra, B. B. & Mishra, S. (2018). Quality Improvements in Online Education System by Using Data Mining Techniques. International Conference on Data Science and Business Analytics (ICDSBA), 532-536. IEEE. doi: 10.1109/ICDSBA.2018.00105 [GS Search]
Mota, A. R. & Rosa, C. T. W. (2018). Ensaio sobre metodologias ativas: reflexões e propostas. Revista Espaço Pedagógico, 25(2), 261-276. doi: 10.5335/rep.v25i2.8161 [GS Search]
Nascimento, P. S. C.; Silva Junior, A. S.; Schulz, C. L.; Santos, M. V. R.; Maciel, A. M. A.; Rodrigues, R. L.; Nascimento, R. R. & Alencar, F. M. R. (2021). Análise dos Impactos da Gestão do Tempo no Desempenho Acadêmico Através da Mineração de Dados Educacionais. Simpósio Brasileiro de Informática na Educação (SBIE), 783-791. doi: 10.5753/sbie.2021.217742 [GS Search]
Ng, K. & Lei, P. (2022). A Lightweight Method using LightGBM Model with Optuna inMOOCs Dropout Prediction. International Conference on Education and Multimedia Technology (ICMT), 53-59. ACM. doi: 10.1145/3551708.3551732 [GS Search]
Niu, Z.; Li, W.; Yan, X. & Wu, N. (2018). Exploring Causes for the Dropout on Massive Open Online Courses. ACM Turing Celebration Conference, 47-52. ACM. doi: 10.1145/3210713.3210727 [GS Search]
Oeda, S. & Hashimoto, G. (2017). Log-Data Clustering Analysis for Dropout Prediction in Beginner Programming Classes. Procedia Computer Science, 112, 614-621. ACM. doi: 10.1016/j.procs.2017.08.088 [GS Search]
Oreshin, S.; Filchenkov, A.; Petrusha, P.; Krasheninnikov, E.; Panfilov, A.; Glukhov, I.; Kaliberda, Y.; Masalskiy, D.; Serdyukov, A.; Kazakovtsev, V.; Khlopotov, M.; Podolenchuk, T.; Smetannikov, I. & Kozlova, D. (2020). Implementing a Machine Learning Approach to Predicting Students’ Academic Outcomes. International Conference on Control, Robotics and Intelligent System (CCRIS), 78-83. doi: 10.1145/3437802.3437816 [GS Search]
Ortigosa, A.; Carro, R. M.; Bravo-Agapito J.; Lizcano, D.; Alcolea, J. J. & Blanco, O. (2019). From Lab to Production: Lessons Learnt and Real-Life Challenges of an Early Student-Dropout Prevention System. IEEE Transactions on Learning Technologies, 12(2), 264-277. IEEE. doi: 10.1109/TLT.2019.2911608 [GS Search]
Petersen, K.; Vakkalanka, S. & Kuzniarz, L. (2015). Guidelines for conducting systematic mapping studies in software engineering: An update. Information and Software Technology, 64, 1-18. Elsevier. doi: 10.1016/j.infsof.2015.03.007 [GS Search]
Queiroga, E.; Cechinel, C. & Araújo, R. (2017). Predição de estudantes com risco de evasão em cursos técnicos à distância. Simpósio Brasileiro de Informática na Educação (SBIE), 1547-1556. doi: 10.5753/cbie.sbie.2017.1547 [GS Search]
Queiroga, E. M.; Cechinel, C. & Aguiar, M. S. (2019). Uma abordagem para predição de estudantes em risco utilizando algoritmos genéticos e mineração de dados: um estudo de caso com dados de um curso técnico a distância. Simpósio Brasileiro de Informática na Educação (SBIE), 119-128. doi: 10.5753/cbie.wcbie.2019.119 [GS Search]
Queiroga, E. M.; Paragarino, V. R.; Casas, A. P.; Primo, T. T.; Munoz, R.; Ramos, V. C. & Cechinel, C. (2022). Experimenting Learning Analytics and Educational Data Mining in different educational contexts and levels. Latin American Conference on Learning Technologies (LACLO), 1-9. IEEE. doi: 10.1109/LACLO56648.2022.10013478 [GS Search]
Rabelo, H.; Burlamaqui, A. M. F.; Valentim, R. A. M.; Rabelo, D. S. S. & Medeiros, S. R. S. (2017). Utilização de técnicas de Mineração de Dados Educacionais para a predição de desempenho de alunos de EaD em Ambientes Virtuais de Aprendizagem. Simpósio Brasileiro de Informática na Educação (SBIE), 1527-1536. doi: 10.5753/cbie.sbie.2017.1527 [GS Search]
Ramos, J. L. C.; Silva, J. C. S.; Prado, L. C.; Gomes, A. S.; Souza, F. F. D.; Zambom, E. G. & Rodrigues, R. L. (2017). Um Modelo Preditivo da Evasão dos Alunos na EAD a partir dos Construtos da Teoria da Distância Transacional. Simpósio Brasileiro de Informática na Educação (SBIE), 1227-1236. doi: 10.5753/cbie.sbie.2017.1227 [GS Search]
Ramos, J. L. C.; Silva, J. C. S.; Prado, L. C.; Gomes, A. S. & Rodrigues, R. L. (2018). Um estudo comparativo de classificadores na previsão da evasão de alunos em EAD. Simpósio Brasileiro de Informática na Educação (SBIE), 1463-1472. doi: 10.5753/cbie.sbie.2018.1463 [GS Search]
Revathy, M. & Kamalakkannan, S. (2021). Collaborative learning for improving intellectual skills of dropout students using datamining techniques. International Conference on Artificial Intelligence and Smart Systems (ICAIS), 236-240. IEEE. doi: 10.1109/ICAIS50930.2021.9395912 [GS Search]
Rigo, S. J.; Cambruzzi, W.; Barbosa, J. L. V. & Cazella, S. C. (2014). Aplicações de Mineração de Dados Educacionais e Learning Analytics com foco na evasão escolar: oportunidades e desafios. Revista Brasileira de Informática na Educação, 22(1), 132-146. doi: 10.5753/rbie.2014.22.01.132 [GS Search]
Rodrigues, M.W.; Isotani, S. & Zárate, L. E. (2018). Educational Data Mining: A review of evaluation process in the e-learning. Telematics and Informatics, 35(6), 1701–1717. doi: 10.1016/j.tele.2018.04.015 [GS Search]
Santos, F. D.; Bercht, M. & Wives, L. K. (2015). Classificação de alunos desanimados em um AVEA: uma proposta a partir da mineração de dados educacionais. Simpósio Brasileiro de Informática na Educação (SBIE), 1052- 1061. doi: 10.5753/cbie.sbie.2015.1052 [GS Search]
Santos, R. M. M.; Pitangui, C. G.; Andrade, A. V. & Assis, L. P. (2016). Uso de Séries Temporais e Seleção de Atributos em Mineração de Dados Educacionais para Previsão de Desempenho Acadêmico. Simpósio Brasileiro de Informática na Educação (SBIE), 1146-1155. doi: 10.5753/cbie.sbie.2016.1146 [GS Search]
Santos, D. C. V. & Falcão, T. P. (2017). Acompanhamento de Alunos em Ambientes Virtuais de Aprendizagem Baseado em Sistemas Tutores Inteligentes. Simpósio Brasileiro de Informática na Educação (SBIE), 1267-1276. doi: 10.5753/cbie.wcbie.2017.90 [GS Search]
Santos, J. F.; Sousa, J. D. A.; Mello, R. F.; Cristino, C. T. & Alves, G. (2021a). Um modelo para análise do impacto de retenção e evasão no ensino superior utilizando Cadeias de Markov Absorventes. Simpósio Brasileiro de Informática na Educação (SBIE), 813-823. doi: 10.5753/sbie.2021.218219 [GS Search]
Schlemmer, E. (2014). Gamificação em espaços de convivência híbridos e multimodais: design e cognição em discussão. Revista FAEEBA, 23(42), 73-89. doi: 10.21879/faeeba2358-0194.2014.v23.n42.p%p [GS Search]
Shafiq, D. A.; Marjani, M.; Habbeb, R. A. A. & Asirvatham, D. (2022). A Conceptual Predictive Analytics Model for the Identification of at-risk students in VLE using Machine Learning Techniques. International Conference on Mathematics, Actuarial Science, Computer Science and Statistics (MACS), 1-8. IEEE. doi: 10.1109/MACS56771.2022.10023143 [GS Search]
Siemens, G. & d Baker, R. S. (2012). Learning analytics and educational data mining: towards communication and collaboration. International Conference on Learning Analytics and Knowledge, 252–254. ACM. doi: 10.1145/2330601.2330661 [GS Search]
Silva, F.; Da Silva, J.; Silva, R. & Fonseca, L. C. (2015). Um modelo preditivo para diagnóstico de evasão baseado nas interações de alunos em fóruns de discussão. Simpósio Brasileiro de Informática na Educação (SBIE), 1187-1196. doi: 10.5753/cbie.sbie.2015.1187 [GS Search]
Silva, J. C. & Castro, M. C. D. (2022). The challenges of academic retention in Distance Learning: identification and analysis of Critical Success Factores. Research, Society and Development, 11(12), 1-16. doi: 10.33448/rsd-v11i12.34078 [GS Search]
Tamada, M.; Giusti, R. & Netto, J. (2022). Predicting Students at Risk of Dropout in Technical Course Using LMS Logs. Eletronics, 11(3), 468. doi: 10.3390/electronics11030468 [GS Search]
Tomasevic, N.; Gvozdenovic, N. & Vranes, S. (2020). An overview and comparison of supervised data mining techniques for student exam performance prediction. Computers & Education, 143, 1-18. Elsevier. doi: 10.1016/j.compedu.2019.103676 [GS Search]
Tran, T. P.; Jan, T. & Kew, S. N. (2023). Learning Analytics for Improved Course Delivery: Applicationsand Techniques. International Conference on Digital Technology in Education (ICDTE), 100-106. doi: 10.1145/3568739.3568758 [GS Search]
Waheed, H.; Hassan, S.; Aljohani, N. R.; Hardman, J.; Alelyani, S. & Nawaz, R. (2020). Predicting academic performance of students from VLE big data using deep learning models. Computers in Human Behavior, 104(1), 1-13. Elsevier. doi: 10.1016/j.chb.2019.106189 [GS Search]
Waheed, H.; Hassan, S.; Nawaz, R.; Aljohani, N. R.; Chen, G. & Gasevic, D. (2023). Early prediction of learners at risk in self-paced education: A neural network approach. Expert Systems with Applications, 213(A), 118868. Elsevier. doi: 10.1016/j.eswa.2022.118868 [GS Search]
Wang, W.; Yu, H. & Miao, C. (2017). Deep Model for Dropout Prediction in MOOCs. International Conference on Crowd Science and Engineering, 26-32. ACM. doi: 10.1145/3126973.3126990 [GS Search]
Wang, L. & Wang, H. (2019). Learning Behavior Analysis and Dropout Rate Prediction Based on MOOCs Data. International Conference on Information Technology in Medicine and Education (ITME), 419-423. IEEE. doi: 10.1109/ITME.2019.00100 [GS Search]
Widyahastuti, F. & Tjhin, U. (2018). Performance Prediction in Online Discussion Forum: state-of-the-art and comparative analysis. International Conference on Computer Science and Computational Intelligence, 302-314. Elsevier. doi: 10.1016/j.procs.2018.08.178 [GS Search]
Whitehill, J.; Mohan, K.; Seaton, D.; Rosen, Y. & Tingley, D. (2017). MOOC Dropout Prediction: How to Measure Accuracy? Fourth (2017) ACM Conference on Learning, 161-164. ACM. doi: 10.1145/3051457.3053974 [GS Search]
Wu, N.; Zhang, L.; Gao, Y.; Zhang, M.; Sun, X. & Feng, J. (2019). CLMS-Net: Dropout Prediction in MOOCs with Deep Learning. ACM Turing Celebration Conference, 1-6. ACM. doi: 10.1145/3321408.3322848 [GS Search]
Arquivos adicionais
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2023 Tiago Luís de Andrade, Caroline Medeiros Martins de Almeida, Jorge Luis Victória Barbosa, Sandro José Rigo
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
