REVISÃO SISTEMÁTICA DOS TERMOS RELACIONADOS A MINERAÇÃO DE DADOS NA EDUCAÇÃO

Transcrição

1 REVISÃO SISTEMÁTICA DOS TERMOS RELACIONADOS A MINERAÇÃO DE DADOS NA EDUCAÇÃO Me. Enir da Silva Fonseca Professor dos cursos de Administração e Engenharias Universidade de Ribeirão Preto enir.fonseca@gmail.com Dr. Carlos Fernando de Araújo Jr. Professor do Programa de Doutorado de Ensino de Ciências e Matemática Universidade Cruzeiro do Sul carlos.araujo@cruzeirodosul.edu.br Dra. Cintia Aparecida Bento dos Santos Professora do Programa de Doutorado de Ensino de Ciências e Matemática Universidade Cruzeiro do Sul cintia.santos@cruzeirodosul.edu.br Resumo: A queda nos custos para a aquisição de hardware tem facilitado o processo de armazenamento de informações, levando a sociedade contemporânea ao arquivamento de dados em maior escala. E a partir destes dados armazenados podem-se extrair informações preciosas para a tomada de decisão em todos os seguimentos de serviços e processos. Para este artigo realizamos uma pesquisa exploratória com o objetivo de identificar e descrever em trabalhos publicados, as ocorrências de termos relacionados à mineração de dados na educação. A busca foi realizada no banco de Teses e Dissertações da Capes entre os anos de 2008 até junho de Dentre os trabalhos selecionados, observa-se maior concentração de teses para os anos de 2008, 2009 e 2014 com 17,65%, sinalizando novas oportunidades para pesquisas relacionadas a mineração de dados no ensino. Palavras-chave: Descoberta de Conhecimento; Mineração de Dados Educacionais; Tomada de decisão. 1. Introdução. Desde o surgimento dos sistemas computacionais, um dos principais objetivos das organizações tem sido o de armazenar dados. Camilo e Silva (2009) afirmam que nas últimas décadas essa tendência ficou ainda mais evidente com a queda nos custos para a aquisição de hardware, tornando possível armazenar quantidades cada vez maiores de dados. Novas e complexas estruturas de armazenamento e tratamento de dados foram desenvolvidas, tais como: Data Warehouse, Data Mart, Data Mining e Text Mining, Bibliotecas Virtuais entre outras. Com o crescente volume de dados tornou-se crucial saber o que fazer com as informações armazenadas, pois as instituições contemporâneas mantêm repositórios com milhares de transações dos seus clientes. Técnicas tradicionais de exploração de dados não são mais adequadas para tratar a grande maioria dos repositórios, e com a finalidade de responder a esta 1

2 questão, foi proposta no final da década de 80, a Mineração de Dados do termo em inglês Data Mining. Para Freitas (2000) apud Barbosa e Machado (2006), Data Mining é um campo interdisciplinar, que emergiu da interseção entre várias áreas, principalmente aprendizado de máquina, uma subárea da inteligência artificial, estatística e banco de dados. Atualmente a mineração de dados é aplicada: No varejo para retenção de clientes, identificando seus perfis em relação aos produtos procurados, e assim oportunizar a venda cruzada; Identificar padrões dos correntistas e auxiliar os bancos no gerenciamento e relacionamento com os clientes; Acompanhar os padrões de rotatividade e consumo em relação ao uso do cartão de crédito, assim como a detecção de fraudes; Acesso aos dados dos clientes para o telemarketing, permitindo o direcionamento e envio de mensagens promocionais; Identificação do perfil dos eleitores; Para a tomada de decisão, filtrando informações relevantes e retornando à probabilidade dos indicadores de determinados processos; Na medicina para indicação de diagnósticos mais precisos; Na educação para compreender de forma mais eficaz e adequada como os alunos aprendem, e em qual contexto a aprendizagem ocorre, além de outros fatores que influenciam no ensino. A utilização dos algoritmos para a mineração de dados, podem auxiliar as organizações na identificação das competências dos candidatos às vagas. E com a análise do padrão de consumo de seus clientes os supermercados podem melhorar a disposição de seus produtos nas prateleiras, diferenciando seus serviços com um atendimento personalizado. No ensino é possível analisar qual a abordagem instrucional, individual ou colaborativa, proporcionando aos alunos melhores benefícios educacionais. Como também personalizar o ambiente virtual e os métodos adotados ao se verificar que o aluno está desmotivado, oferecendo melhores condições para a aprendizagem. Todo este processo de automatização não é mais possível com técnicas tradicionais, e assim Amaral (2016) define que: Normalmente a mineração de dados está associada ao aprendizado de máquina: uma área da inteligência artificial que desenvolve algoritmos capazes de fazer com que o computador aprenda a partir do passado: usando dados de eventos que já ocorreram. O aprendizado de máquina é capaz de identificar padrões que dificilmente seriam identificados a olho nu ou mesmo usando técnicas triviais de análise de dados, como filtros, junções, pivôs ou agrupamentos (AMARAL, 2016, p. 2). A partir da afirmação de Amaral (2016), observa-se que o aprendizado de máquina tem sido aplicado em diversas áreas do conhecimento. Baker, Isotani, Carvalho (2011) constataram que com a expansão dos cursos a distância, muitos pesquisadores da área de informática na educação têm interesse em utilizar mineração de dados para investigar quais são os fatores afetam a aprendizagem, ou como desenvolver sistemas educacionais mais eficazes. Baker, Isotani, Carvalho 2

3 (2011) afirmam que a comunidade de EDM (Mineração de Dados Educacionais do inglês Educational Data Mining) vem crescendo rapidamente. Em 2008 criou-se a Conferência Internacional sobre Mineração de Dados Educacionais (International Conference on Educational Data Mining). E dentro deste contexto a EDM tem como foco principal, o desenvolvimento de métodos que explorem o conjunto de dados coletados em ambiente educacionais. Este artigo busca uma revisão dos termos relacionados a mineração de dados na educação, analisando o estado da arte do data mining referente as produções científicas para obtenção de título de doutor disponibilizadas no banco de teses e dissertações da Capes. 2. Desenvolvimento. 2.1 Mineração de Dados. É uma das técnicas mais promissoras da atualidade para o descobrimento do conhecimento, e um dos fatores para este sucesso é o fato de que a cada dia um enorme volume de dados são gerados e armazenados em banco de dados e por aplicações como bibliotecas virtuais, navegação na internet, pesquisas para compras entre outras. Amaral (2016) define que A mineração de dados são processos para explorar e analisar grandes volumes de dados em busca de padrões, previsões, erros, associações entre outros. No processo de descoberta de conhecimento KDD (Knowledge Discovery in databases), a etapa de pré-processamento compreende a aplicação de várias técnicas para captação, organização, tratamento e a preparação dos dados. Para Galvão e Marin (2009), a expressão mineração de dados surge inicialmente, como um sinônimo de KDD, mas é apenas uma das etapas da descoberta de conhecimento em bases de dados no processo global do KDD. Appel (2010) define que: O processo KDD consiste de múltiplos passos, que são executados em sequência. Cada passo subsequente é inicializado após a finalização com sucesso do passo anterior e requer o resultado deste como entrada. Outra característica importante do processo de KDD é a variedade de atividades abrangidas por ele, como o entendimento do domínio de aplicação e dos dados, a preparação e análise dos dados e a avaliação, entendimento e aplicação dos resultados gerados (APPEL, 2010, p.12). Com a afirmação de Appel (2010), entende-se que a etapa de préprocessamento é de fundamental importância para o processo de descobrimento do conhecimento, que compreende desde a correção de dados, até o ajuste da formatação para os algoritmos de mineração, que serão utilizados com etapas de limpeza e integração, seleção e transformação, mineração de dados, avaliação e apresentação, e de todo o conhecimento adquirido ao final do processo. As etapas para a descoberta do conhecimento vêm sendo melhorada com as continuas pesquisa, Appel (2010) apud Rezende (2003) definem este processo em pré-processamento, descoberta de padrões e avaliação, conforme tabela 1. 3

4 Etapas Tabela 1: Processo para o descobrimento do conhecimento Descrição Pré-processamento Etapa na qual os dados disponíveis são preparados para análise, por meio da realização de operações como limpeza, integração, seleção e transformação dos dados. Descoberta padrões Avaliação de Principal etapa do processo de KDD. É nela que os dados preparados na etapa anterior são enviados a algoritmos de mineração de dados específicos, de acordo com o tipo de tarefa de mineração a ser realizada. Etapa final em que os resultados obtidos pelos algoritmos de mineração de dados são avaliados quanto à sua utilidade e apresentados por meio de técnicas de representação de conhecimento e visualização (gráficos, tabelas, regras, etc.), para que possam ser entendidos. Fonte: Adaptado pelos autores de Appel, 2010, p.13. Segundo Del-Fiaco (2012) a mineração de dados se tornou uma ferramenta popular na resolução de muitos problemas complexos nas organizações. Em alguns casos, o volume de dados utilizados pode ser muito grande, tornando o processo de análise e da mineração impraticável. As técnicas para a redução de dados, podem ser aplicadas para a redução dos dados originais, em uma massa de dados menor, deste que se mantenha a qualidade e representatividade do resultado. Permitindo desta forma, que os algoritmos de mineração sejam executados com mais eficiência. 2.2 Método de Pesquisa. Para o presente artigo utilizou-se uma pesquisa exploratória com o objetivo de identificar a incidência de termos relacionados à mineração de dados na educação. A busca foi realizada no banco de Teses e Dissertações da CAPES (Coordenação de Aperfeiçoamento de Pessoal de Nível Superior) entre os anos de 2008 até junho de O filtro inicial deu-se a partir do termo Mineração de Dados, e para obter-se uma busca exata, o termo foi digitado entre aspas, quando foram identificados 1356 registros entre dissertações e teses. Dentre todos os trabalhos selecionados o primeiro critério foi o de investigar as teses disponibilizadas que contribuíram de alguma forma para a mineração de dados na educação, identificando em seu título, nas palavras-chave ou resumo as expressões mineração de dados na educação ou mineração de dados na educação a distância. 4

5 Neste momento separamos 130 teses para investigações de relacionamento com a proposta deste estudo. Por se tratar de uma busca em trabalhos com termos relacionados a mineração de dados no ensino, a consulta foi realizada nas áreas de concentração dos ambientes informatizados, ciências e novas tecnologias, ciência e tecnologia na educação, ciência e tecnologias no ensino, ensino a distância, ensino e aprendizagem, ensino de ciências e matemática, ensino de matemática e novas tecnologias no ensino. E para validar as pesquisas de mineração de dados na educação, aplicou-se o filtro para os programas de ciências e matemática, educação, ensino de ciências e matemática, ensino de ciências e tecnologia, educação e docência, ensino de matemática, educação matemática e tecnológica, informática na educação e matemática O segundo critério adotado, foi a leitura do resumo de cada trabalho com a seleção e separação das pesquisas associadas aos ambientes informatizados, ensino de ciências e matemática, ensino a distância, com o uso de novas tecnologias, ensino científico e tecnológico, quando identificamos 17 teses listadas a seguir por autor/ano, área de estudo e contribuições. Alonso, Ciências de Computação e Matemática Computacional. Propôs um novo modelo para detecção de comunidades em redes complexas. Reformulado em termos de sistema contínuo e alguns resultados de análise matemática. Ferraz, Ciências da computação. Pesquisou o conhecimento como instrumento enriquecedor dos resultados obtidos na mineração de dados. Paulovich, Ciências de Computação e Matemática Computacional. Estudou novas técnicas e abordagens, baseadas no conceito de projeções multidimensionais, que possam lidar com grandes bases de dados de alta dimensionalidade. Kampff, Informática na Educação. Apresentou a mineração de dados educacionais para geração de alertas em ambientes virtuais de aprendizagem como apoio à prática docente. Lopes, Sistemas Computacionais. Demonstrou técnicas para a mineração de textos com georreferenciamento. Moura, Ciências de Computação e Matemática Computacional. Discutiu as contribuições para a construção de taxonomias de tópicos em domínios restritos utilizando aprendizado estatístico. Azevedo, Informática na Educação. Analisou de que forma o MineraFórum poderia contribuir na análise qualitativa das mensagens postadas em um fórum de discussão. Severo, Informática na Educação. Apresentou o e-mediation: mapeamento de indícios de mediação por meio de um sistema de mineração de textos. Iepsen, Informática na Educação. Pesquisou como detectar os alunos que evidenciam sinais de frustração em atividades de ensino e de aprendizagem na área de Algoritmos. 5

6 Vallim, Ciências de Computação e Matemática Computacional. Apresentou a mineração de fluxos contínuos de dados para jogos de computador. Gotardo, Ciências da computação. Tratou de uma abordagem de sistema de recomendação orientada pelo aprendizado sem fim. Com uso de mineração de dados e o aprendizado de máquina é possível construir sistemas de recomendação que analisem grandes volumes de dados. Melo, Ciências da computação. Estudou como as aplicações multimídia interativas podem tornar conteúdos muito mais interessantes para os usuários, promover transmissão de informação mais efetiva, prender a atenção do usuário e eventualmente promover maior satisfação. Paiva, Ciências de Computação e Matemática Computacional. Realizou a mineração de fluxos contínuos de dados para a detecção de novidade em fluxos contínuos de dados multiclasse. Kutzke, Informática. Apresentou a informática educacional e a mediação do erro na educação: um estudo teórico-crítico e uma proposta de instrumento computacional. Manhães, Engenharia de Sistemas e Computação. Utilizou-se de técnicas para a predição do desempenho acadêmico de graduandos utilizando mineração de dados educacionais. Santos, Informática na Educação. Realizou uma investigação interdisciplinar sobre a influência da afetividade na educação e como reconhecer o desânimo do aluno em interação em um ambiente virtual de ensino e aprendizagem, utilizando mineração de dados educacionais. Silva, Informática na Educação. Propôs um sistema computacional para recomendação de objeto de aprendizagem, levando em consideração as postagens feitas de dentro dos fóruns de um ambiente virtual de aprendizagem. A seleção apresentada está classificada por autor e ano, área de concentração da pesquisa e programa do doutorado com as contribuições apontados pelos autores. 2.3 Resultados e Discussão. Dentre os 17 trabalhos selecionados entre os anos de 2008 a junho de 2017 e objeto deste estudo que busca uma revisão sistemática dos termos relacionados a mineração de dados na educação, observa-se maior concentração de teses defendidas para os anos de 2008, 2009 e 2014 com 17,65% que foram apresentados para obtenção de título de doutor, e nos anos de 2013, 2015 e 2016 identificamos 11,76% dos trabalhos publicados. E com menor concentração foram os anos de 2011 e 2012 com 5,88 de teses apresentadas em cada ano. O gráfico 1 ilustra os dados com a tendência nos anos da pesquisa. Onde verifica-se maior concentração de trabalhos nos anos de 2008, 2009 e

7 Gráfico 1: Publicações por ano tendência Fonte: Os autores. Os programas de pós-graduação stricto sensu a nível de doutorado que mais apresentaram trabalhos, são as ligadas a Informática na Educação e Ciências da Computação, fato que pode ser justificado em relação ao termo mineração de dados naturalmente em suas definições estar ligado a informática, e que aos poucos vai sendo pesquisado por outros programas como o ensino. Dentre os trabalhos selecionados, na área de Ciências da Computação Alonso (2008), Ferraz (2008), Paulovich (2008), Moura (2009), Vallim (2013), Gotardo (2014), Melo (2014) e Paiva (2014) utilizam a mineração de dados para estudar e descrever a detecção de redes complexas, pesquisar o conhecimento, lidar com grandes bases de dados, para o aprendizado estatístico, em jogos de computador, aprendizado de máquina, transmissão de informações e detecção de novidades. Em Informática na Educação Kampff (2009), Azevedo (2011), Severo (2012), Iepsen (2013), Santos (2016) e Silva (2016) estudaram os alertas em ambientes virtuais de aprendizagem, a análise de mensagens em fóruns de discussão, a mediação do aprendizado, os sinais de frustação em alunos, o desânimo do aluno em relação ao ambiente virtual e a recomendação de objetos de aprendizagem Após a leitura dos trabalhos, identificamos que o uso da mineração de dados possibilita aos autores e demais pesquisadores, uma prototipagem relativamente rápida para aplicações na mediação no processo educacional, na geração de alertas em ambientes virtuais de aprendizagem, como recurso de apoio para análise qualitativa em fóruns de discussão e para a predição do desempenho acadêmico de graduandos. O levantamento apontou ainda que a universidade Federal do Rio Grande do Sul lidera as pesquisas com 35,2% de trabalhos apresentados, seguida pela universidade de São Paulo, campus São Carlos com 29,4% conforme gráfico 2. 7

8 Gráfico 2: Publicações por universidades Fonte: Os autores. Já as universidades Federal Fluminense e Federal do Paraná apresentam 5,9% dos trabalhos relacionados cada uma, que de alguma forma utilizaram a mineração de dados ao ensino. E as universidades Federal do Rio de Janeiro e Federal de São Carlos estão com 11,8% de teses e na área. 3. Conclusões. A quantidade de teses publicadas no Banco de Teses & Dissertações da CAPES relacionados a mineração de dados na educação até a conclusão deste trabalho, é ainda muito pequena, pois nos dois últimos anos somente 11,76% de teses foram catalogadas em cada ano, indicando desta forma novas possibilidades de pesquisas para mineração de dados no ensino, que permitam instrumentalizar professores e alunos na busca da mediação do erro durante o trabalho educativo, que possa identificar o desempenho acadêmico dos estudantes de graduação, ou mesmo para identificar os sinais de frustação dos estudantes e assim evitar o desânimo em um ambiente virtual de aprendizagem. Os trabalhos analisados indicam que a grande parte das pesquisas de mineração de dados na educação está relacionada a programas ligados à área de informática, o que não poderia ser diferente visto a relação das bases de dados com os sistemas. No entanto, a descoberta do conhecimento pode ser implementada em programas de doutorados ligados à área de ensino. Em todos os trabalhos selecionados identificamos produção nas universidades selecionadas, destacandose os programas de Informática na educação da UFRGS com 35,3% de trabalhos apresentados neste período e a USP de São Carlos com 29,4% no programa de Ciências da Computação. Desta forma os números demonstram como está pesquisa relacionada a mineração de dados na educação, sinalizando que novas pesquisas podem ser 8

9 desenvolvidas, ou em um ambiente virtual de aprendizagem para a descoberta de indicadores que facilitem o controle e melhoria da qualidade, ou para identificar estudantes com características e comportamentos que podem levar à evasão ou à reprovação. 4. Referências ALONSO, R. L. Dinâmica de Partículas e Aprendizado Competitivo para Detecção de Comunidades em Redes Complexas. USP - Universidade de São Paulo - São Carlos Disponível em: /pt-br.php. Acesso em 20 de maio de AMARAL, F. Aprenda Mineração de Dados - Teoria e Prática. Altas Books Editora. Rio de janeiro, APPEL, A. P. Métodos para o pré-processamento e mineração de grandes volumes de dados multidimensionais e redes complexas Universidade de São Paulo, São Carlos, Disponível em: Acesso em: 04 de outubro de AZEVEDO, B. F. T. Minerafórum: Um Recurso de Apoio para Análise Qualitativa em Fóruns de Discussão. UFRGS - Universidade Federal do Rio Grande do Sul Disponível em: Acesso em 18 de março de BAKER, R. S. J.; ISOTANI, S.; CARVALHO, A. M. J. B. Mineração de Dados Educacionais: Oportunidades para o Brasil. Revista Brasileira de Informática na Educação, Volume 19, Número Disponível em: Acesso em: 25 de junho de BARBOSA, D. C. C. MACHADO, M. A. Mineração de Dados usando o software WizRule em Base de Dados de Compras de TI. IBMEC/RJ Disponível em: =8&ved=0ahUKEwjkxtbWjfTQAhXEW5AKHYxrDsAQFgg2MAQ&url=http%3A%2F%2Fw ww.periodicosibepes.org.br%2findex.php%2freinfo%2farticle%2fdownload%2f184%2 F93&usg=AFQjCNF_GH7Rmjb1JfNClbkdS9SB3K3LFg&sig2=Q9FDS1idjRyLsudOeFcyk w&bvm=bv ,d.amc. Data de acesso: 14 de março de CAMILO, C. O.; SILVA, J. C. Mineração de dados: Conceitos, tarefas, métodos e ferramentas. UFG - Universidade Federal de Goiás Disponível em: Acesso em: 14 de março de CAPES. Banco de Teses & Dissertações. Disponível em: Acesso em: 18 de junho de DEL-FIACO, R. C. Aplicação da mineração de dados na descoberta de padrões do perfil de alunos do curso de SI-UNUCETUEG. Pontifícia Universidade Católica de Goiás Disponível em: O%20DEL-FIACO.pdf. Acesso em 30 de novembro de FERRAZ, I. N. Conhecimento do Mundo Como Instrumento Enriquecedor dos Resultados Obtidos na Mineração de Dados. UFF Universidade Federal Fluminense Disponível em: 9

10 a= Acesso em 18 de abril de FREITAS, A. A. Uma Introdução a Data Mining. Informática Brasileira em Análise. CESAR - Centro de Estudos e Sistemas Avançados do Recife. Ano II, n. 32, mai./jun GALVÃO, N. D.; MARIN, H. F. Técnica de mineração de dados: uma revisão da literatura. SciELO Brazil - Acta Paulista de Enfermagem. vol. 22 nº. 5. São Paulo Disponível em: Acesso em: 30 de setembro de GOTARDO, R. A. Uma Abordagem de Sistema de Recomendação Orientada pelo Aprendizado sem Fim. UFSCar - Universidade Federal de São Carlos Disponível em: Acesso em 18 de abril de IEPSEN, E. F. Ensino de Algoritmos: Detecção do Estado Afetivo de Frustração para Apoio ao Processo de Aprendizagem. UFRGS - Universidade Federal do Rio Grande do Sul Disponível em: Acesso em 15 de maio de KAMPFF, A. J. C. Mineração de Dados Educacionais para Geração de Alertas em Ambientes Virtuais de Aprendizagem como Apoio à Prática Docente. UFRGS - Universidade Federal do Rio Grande do Sul Disponível em: Acesso em 18 de maio de KUTZKE, A. R. Informática educacional e a mediação do erro na educação: um estudo teórico-crítico e uma proposta de instrumento computacional. UFPR - Universidade Federal do Paraná Disponível em: Acesso em 18 de maio de LOPES, R. B. Mineração de Textos com Georeferenciamento. UFRJ - Universidade Federal do Rio de Janeiro Disponível em: Acesso em 04 de junho de MANHÃES, L. M. B. Predição do Desempenho Acadêmico de Graduandos Utilizando Mineração de Dados Educacionais. UFRJ - Universidade Federal do Rio de Janeiro Disponível em: Acesso em 18 de junho de MELO, E. L. Promovendo Aplicações Multimídia Interativas com Autoria por Incorporação de Informações de Contexto. USP - Universidade de São Paulo - São Carlos Disponível em: Acesso em 15 de maio de MOURA, M. F. Contribuições para a construção de taxonomias de tópicos em domínios restritos utilizando aprendizado estatístico. USP - Universidade de São Paulo - São Carlos Disponível em: em 18 de junho de PAIVA, E. R. F. Detecção de novidade em fluxos contínuos de dados multiclasse. USP - Universidade de São Paulo - São Carlos Disponível em: Acesso em 10 de junho de

11 PAULOVICH, F. V. Mapeamento de dados multi-dimensionais integrando mineração e visualização. USP - Universidade de São Paulo - São Carlos Disponível em: Acesso em 18 de março de REZENDE, S. O. Sistemas inteligentes - fundamentos e aplicações. Manole, SANTOS, F. D. Descoberta do Desânimo de Alunos em Ambientes Virtuais de Ensino e Aprendizagem: um modelo a partir da Mineração de Dados Educacionais. UFRGS - Universidade Federal do Rio Grande do Sul Disponível em: Acesso em 20 de maio de SILVA, R. J. Sistema de recomendação de objeto de aprendizagem baseado em postagens extraídas do ambiente virtual de aprendizagem. Universidade Federal do Rio Grande do Sul, Porto Alegre Disponível em: Acesso em 08 de junho de SEVERO, C. E. P. E-Mediation: Mapeamento de Indícios de Mediação por Meio de um Sistema de Mineração de Textos. UFRGS - Universidade Federal do Rio Grande do Sul Disponível em: Acesso em 18 de abril de VALLIM, R. M. M. Mineração de fluxos contínuos de dados para jogos de computador. USP - Universidade de São Paulo - São Carlos Disponível em: 11