MINERAÇÃO DE DADOS EDUCACIONAIS PARA A CONSTRUÇÃO DE ALERTAS EM AMBIENTES VIRTUAIS DE APRENDIZAGEM, COMO APOIO À PRÁTICA DOCENTE

Transcrição

1 MINERAÇÃO DE DADOS EDUCACIONAIS PARA A CONSTRUÇÃO DE ALERTAS EM AMBIENTES VIRTUAIS DE APRENDIZAGEM, COMO APOIO À PRÁTICA DOCENTE Adriana Justin Cerveira Kampff - akampff@gmail.com Eliseo Berni Reategui - eliseoreategui@gmail.com José Valdeni de Lima - valdeni@inf.ufrgs.br PGIE UFRGS

2 CONTEXTO Crescimento da EAD no país e no mundo Necessidade de qualificar a educação ofertada Dificuldades: Professores inexperientes Crescente número de alunos Enorme volume de dados Elevados índices de evasão Objetivo: Mineração de dados como base para a construção de alertas que conscientizem o professor sobre padrões de comportamentos de seus alunos, chamando atenção para situações que podem levar à evasão ou à reprovação.

3 EDUCAÇÃO A DISTÂNCIA Planejar a Distância Transacional adequada. Moore (1993), Peters (2001). Estrutura Diálogo Autonomia

4 EDUCAÇÃO A DISTÂNCIA Mediação adequada. Mediação e autonomia estão intimamente interligadas e ambas são importantes na aprendizagem do aluno. A apropriação (aprendizagem) é promovida a partir de um processo de mediação intencionalmente organizado e planejado pelo professor que cria as situações e espaços de problema assim como promove as trocas e as reflexões culminando numa aprendizagem autônoma. Este processo é permeado de momentos intensos de interação e mecanismos específicos para mediação que tem sido pouco aprofundado nos estudos específicos de EAD (...). (PASSERINO et al., 2007)

5 MINERAÇÃO DE DADOS - ETAPAS Mineração de Dados é um processo para a extração de informações implícitas, previamente desconhecidas e potencialmente úteis, a partir de grandes bases de dados, por meio de técnicas eficientes para a descoberta de conhecimento. Etapas da descoberta do conhecimento (FAYYAD, 1996)

6 MINERAÇÃO DE DADOS - TAREFAS Descoberta Direta de Conhecimento Classificar Estimar Descrever Descoberta Indireta de Conhecimento Clusterizar

7 MINERAÇÃO DE DADOS - TÉCNICAS Árvore de Decisão Sim Loção Não SE loção = sim ENTÃO pessoa não sofre queimadura SE loção = não E cabelo = loiro ENTÃO pessoa sofre queimadura SE loção = não E cabelo = ruivo ENTÃO pessoa sofre queimadura SE loção = não E cabelo = castanho ENTÃO pessoa não sofre queimadura Diana Emília Alex Katia Sara Ana Loiro Cabelo Ruivo Sandro Castanho Pedro João Regras de Classificação Regras de Associação Clusterização {pizza} {catchup}. Sementes

8 MINERAÇÃO DE DADOS SELEÇÃO Problema: Identificar perfis de alunos com tendência à evasão ou à reprovação. Dados: Semestre Turma Id Aluno Pólo Curso Sexo Idade Acessos ao Ambiente Acessos aos Materiais Avaliações Entregues Quantidade de Postagens Nota

9 MINERAÇÃO DE DADOS PRÉ- PROCESSAMENTO Tamanho da Base: 161 estudantes. Dados de meio de curso, 2 turmas, mesmo semestre. Pólos: 3 (139/11/11) Áreas do Conhecimento: 5 (55/51/29/20/5) Sexo: 78 masculinos e 83 femininos Idade: 92 [16..25], 52 [26..35], 11 [36..45], 6 [46..75]. Primeiro acesso: primeira, segunda ou terceira quinzena Último acesso: semana corrente, semana passada, há mais de quinze dias ou há mais de um mês N. de acessos ao AVA: zero a 80 N. de acessos à biblioteca virtual: zero a 50 N. de postagens em fóruns: zero a 12 N. de avaliações entregues: zero a três Conceito: Acima ou Abaixo da Média.

10 MINERAÇÃO DE DADOS - TRANSFORMAÇÃO Formato: CSV (Comma Separated Values) Visualização dos metadados na Ferramenta RapidMiner (

11 MINERAÇÃO DE DADOS MINERAÇÃO E INTERPRETAÇÃO Tarefa: Classificação Técnica: Árvore de Decisão

12 MINERAÇÃO DE DADOS MINERAÇÃO E INTERPRETAÇÃO Tarefa: Classificação Técnica: Árvore de Decisão

13 CONSIDERAÇÕES Potencial da Mineração Próximo passo: ampliar a base de dados 1200 alunos 8 turmas 3 semestres 8 pólos Incluir mais aspectos para análise Servir de base para a construção de alertas em AVA, para conscientização do professor.