Análise visual para monitoramento de alunos de cursos à distância

• Ano de defesa: 2016
• Autor(a) principal: Weiand, Augusto
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Pontifícia Universidade Católica do Rio Grande do Sul; Faculdade de Informática; Brasil; PUCRS; Programa de Pós-Graduação em Ciência da Computação
• Palavras-chave em Português: EDUCAÇÃO A DISTÂNCIA; AMBIENTES VIRTUAIS DE APRENDIZAGEM; MINERAÇÃO DE DADOS (INFORMÁTICA); INFORMÁTICA; CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: http://tede2.pucrs.br/tede2/handle/tede/7111

Com o avanço da tecnologia, a educação a distância tem sido muito discutida nos últimos anos, especialmente com o surgimento de diversos tipos de Ambientes Virtuais de Aprendizagem (AVA’s). Estes ambientes, quando utilizados em cursos de educação a distância, normalmente geram uma grande quantidade de dados devido ao elevado número de alunos e as diversas tarefas que envolvem as suas interações. Técnicas de mineração de dados auxiliam na descoberta de conhecimentos implícitos que possibilitem dar suporte à tomada de decisão. Porém, eventualmente surgem dificuldades no entendimento dos resultados obtidos pela mineração, devido ao volume de dados analisado. Neste caso, o uso de técnicas de visualização e interação auxiliam nesta tarefa. Este trabalho tem como objetivo apresentar o desenvolvimento de uma abordagem de análise visual, que utiliza algoritmos de mineração de dados e técnicas de visualização para auxiliar no acompanhamento de alunos de cursos a distância nas instituições que utilizam ambientes virtuais de aprendizado. Estes alunos são classificados considerando o seu desempenho, possibilitando a investigação e predição de possíveis aprovações, reprovações ou evasões. É possível analisar tanto o comportamento geral dos alunos de uma disciplina selecionada, como seus comportamentos individuais. Comparações de desempenho de um aluno entre diferentes disciplinas, e das interações realizadas em um conjunto de disciplinas também são permitidas. Testes iniciais demonstraram que foi possível efetuar previsões de maneira satisfatória, assim como, possibilitar aos usuários visualizações e interações para interpretar estas informações advindas dos algoritmos de mineração.