Proposta de Melhoria dos Dados de Relatórios de Uma Plataforma de MOOCs Brasileira-Um Estudo Introdutório Baseado em um Modelo para Mineração de Dados Educacionais

Autores

Palavras-chave:

Mineração de Dados Educacionais, Ambientes Virtuais de Aprendizagem, Modelo de Dados

Resumo

Ambientes Virtuais de Aprendizado (AVAs) não foram projetados para mineração de dados. Como os dados que são originados do seu uso não são armazenados de maneira sistemática, sua análise completa requer pré-processamento longo e trabalhoso. A plataforma de Massive Open Online Courses (MOOCs), considerada para este estudo, não é díspar, muitos problemas são detectados na estruturação dos dados extraídos, quando se tenta realizar o processo de mineração de dados de um curso, na maioria dos casos os resultados alcançados não proporcionam conhecimentos relevantes com relação aos alunos. Diante deste fato, buscar princípios que forneçam mecanismos para melhoria nos dados armazenados na plataforma são válidos, pois auxiliam a melhorar o entendimento sobre os estudantes matriculados. Como estes aprendem, sobre suas preferências e anseios quanto aos cursos, sobre a probabilidade de conclusão e em especial sobre propensão a desistência. Assim, neste trabalho, é realizada uma análise dos dados gerados pela plataforma onde se descreve suas principais limitações, em seguida é apresentado um modelo de dados para facilitar a análise e mineração de dados educacionais, que representa uma abstração aperfeiçoada de quais elementos devem ser armazenados por um AVA para facilitar tal processo. Por fim após a avaliação deste modelo são feitas recomendações de aprimoramentos para a plataforma. 

Downloads

Não há dados estatísticos.

Referências

ABED - CENSO EAD. 2019 [Online]. Relatório analítico da aprendizagem a distância no

Brasil. Censo EAD BR 2017. Disponível em: <http://www.abed.org.br>. Acesso em 21 de

março de 2020.

BAKER, S. J. D. R; & YACEF, Y. The State of Educational Data Mining in 2009: A Review

and Future Visions. (2009). JMDE - Journal of Educational Data Mining, 1(1), p. 3-17. doi:

https://doi.org/10.5281/zenodo.3554657 [GS Search]

COSTA, E.; BAKER, R. S. J.; AMORIM, L.; MAGALHÃES, J. & MARINHO, T. (2012). Minera-

ção de Dados Educacionais: Conceitos, Técnicas, Ferramentas e Aplicações. In: Jornada

de Atualização em Informática na Educação (JAIE), Rio de Janeiro, 1, p. 1-29. [GS Search]

FAYYAD, U.; PIATETSKY-SHAPIRO, G.; & SMYTH, E P. (1996). From data mining to

knowledge discovery: An overview. In: Advances in knowledge discovery and data mining. AI Magazine, 17(3), p. 1–34. doi: https://doi.org/10.1609/aimag.v17i3.1230 [GS

Search]

GREENE, J. A.; OSWALD, C. A.; & POMERANTZ, J. (2015). Predictors of Retention and

Achievement in a Massive Open Online Course. American Educational Research Journal,

(5), p. 925–955. doi: https://doi.org/10.3102/0002831215584621 [GS Search]

HAN, J.; & KAMBER, E M. (2006). Data mining: Concepts and techniques. 2ed, 500 Sansome Street, Suite 400, San Francisco, CA 94111: Morgan Kaufmann Publisher. [GS

Search]

HEW, K. F.; QIAO, C.; & TANG, Y. (2018). Understanding Student Engagement in LargeScale Open Online Courses: A Machine Learning Facilitated Analysis of Student’s Reflections. In 18 Highly Rated MOOCs. International Review of Research in Open and Distributed Learning, 19(3), p. 69-93. doi: https://doi.org/10.19173/irrodl.v19i3.3596 [GS

Search]

HONG, B.; WEI, Z.; & YANG, Y. (2017). Discovering Learning Behavior Patterns to Predict

Dropout in MOOC. In 12th International Conference on Computer Science and Education

(ICCSE), Houston, TX, USA, p. 700–704. doi: 10.1109/ICCSE.2017.8085583 [GS Search]

KAMPFF, A.; REATEGUI, E.; & DE LIMA, J. (2008). Mineração de dados educacionais para

a construção de alertas em ambientes virtuais de aprendizagem como apoio à prática

docente. RENOTE, 6(1), p. 1-8. doi: https://doi.org/10.22456/1679-1916.14394 [GS

Search]

KRÜEGER, A.; MERCERON, A.; & WOLF, B. (2010). A Data Model to Ease Analysis and

Mining of Educational Data. In: International Conference on Educational Data Mining,

(MDE), 3, p. 131-140, Pittsburgh, PA, USA. [GS Search]

LIANG, J.; LI, C.; & ZHENG, L. (2016). Machine Learning Application in MOOCs: Dropout

Prediction. In 11th International Conference on Computer Science & Education (ICCSE

, Nagoya University, Japan, p. 752–57. doi: 10.1109/ICCSE.2016.7581554 [GS

Search]

MERCERON, A.; & YACEF, K. (2014). Interestingness Measures for Association Rules in

Educational Data. In: First International Conference on Educational Data Mining, p. 57-

[GS Search]

ONAH, D. F.; SINCLAIR, J.; & BOYATT, R. (2014). Dropout rates of massive open online

courses: behavioural patterns. In 14th, EDULEARN, EUA, p. 5825-5834. [GS Search]

ROMERO, C.; & VENTURA, S. (2007). Educational Data Mining: A Survey from 1995 to

Expert Systems with Applications, p. 125-146. doi:

https://doi.org/10.1016/j.eswa.2006.04.005 [GS Search]

ROMERO, C.; & VENTURA, S. (2013). Data mining in education. Wiley Interdisciplinary

Reviews: Data Mining and Knowledge Discovery, 3(1), p. 12-27. doi:

https://doi.org/10.1002/widm.1075 [GS Search]

ROMERO, C.; & VENTURA, S. (2016). Educational data science in massive open online

courses. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 7(1).

doi: https://doi.org/10.1002/widm.1187 [GS Search]

RUIPÉREZ-VALIENTE, J. A.; MUÑOZ-MERINO, P. J.; LEONY, D.; & KLOOS, C. D. (2015).

Alas-Ka: A learning analytics extension for better understanding the learning process in

the Khan Academy platform. Computers in Human Behavior, 47, p. 139-148. doi:

https://doi.org/10.1016/j.chb.2014.07.002 [GS Search]

SOUZA, V. F.; & PERRY, G. (2019). Identifying student behavior in MOOCs using Machine

Learning. International Journal of Innovation Education and Research, 7(3), p. 30-39. [GS

Search]

WANG, L.; HU, G.; & ZHOU, T. (2018). Semantic Analysis of Learners Emotional

Tendencies on Online MOOC Education. Sustainability, 10(6). doi:

https://doi.org/10.3390/su10061921 [GS Search]

XING, W.; WADHOLM, R.; PETAKOVIC, E.; & GOGGINS, S. (2015). Group learning assessment: developing a theory-informed analytics. Journal of Educational Technology & Society, 18(2), p. 110-128. [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.

Elservier, Computers in Human Behavior, 58, p. 119-129. doi:

https://doi.org/10.1016/j.chb.2015.12.007 [GS Search]

Downloads

Publicado

09/06/2022

Como Citar

Vanessa Faria Souza. (2022). Proposta de Melhoria dos Dados de Relatórios de Uma Plataforma de MOOCs Brasileira-Um Estudo Introdutório Baseado em um Modelo para Mineração de Dados Educacionais. EaD & Tecnologias Digitais Na Educação, 9(11), 28–41. Recuperado de https://ojs.ufgd.edu.br/index.php/ead/article/view/16051

Edição

Seção

Artigos