Learning Analytics e Mineração de Dados Educacionais da Teoria à Prática: Aspectos Envolvidos na Implementação em Diferentes Contextos e Níveis Educacionais

• Ano de defesa: 2022
• Autor(a) principal: Queiroga, Emanuel Marques
• Orientador(a): Cechinel, Cristian
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pelotas
• Programa de Pós-Graduação: Programa de Pós-Graduação em Computação
• País: Brasil
• Palavras-chave em Português: Learning analytics; Mineração de dados educacionais; Predição de risco acadêmico; Algoritmo genético; Evasão e retenção de estudantes; Educational Data Mining; Genetic algorithm; Dropout and Persistence Prediction
• Área do conhecimento CNPq: CIENCIAS EXATAS E DA TERRA
• Link de acesso: http://guaiaca.ufpel.edu.br/xmlui/handle/prefix/12902

Esta tese busca apresentar as semelhanças e as diferenças da aplicação prática de Learning Analitycs (LA) e a Mineração de Dados Educacionais (EDM) em diferentes contextos e níveis educacionais. Desta forma, são apresentados os conceitos teóricos e práticos envolvidos no processo de transformação de dados educacionais em informação e conhecimento em diferentes contextos e níveis de ensino. Com esse objetivo são apresentadas as teorias envolvidas no processo, o estado da arte, as metodologias e métodos criados para o processo e o contexto das aplicações. Nesse sentido, são relatados três diferentes casos de usos com aplicações práticas desenvolvidas nesta tese: a educação secundária presencial no Uruguai, a educação universitária no Uruguai e a educação de nível médio técnico na modalidade a distância no Brasil. Nesse contexto, buscou-se gerar metodologias práticas para exploração de dados oriundos de diferentes bases e contextos educacionais, com foco na geração de modelos de alerta antecipado para evasão e retenção escolar. A primeira metodologia foi criada para identificação de estudantes do ensino secundário em risco de desvinculação em nível nacional no Uruguai. Para isso, foram coletados dados de 258.440 estudantes em nove diferentes sistemas. Esses dados foram transformados em life times temporais e depois utilizados para treinamento dos classificadores. Essa aplicação apresentou resultados interessantes e atualmente está em fase de implantação. A segunda aplicação descreve a utilização de técnicas de Data Science e EDM em dados de diversas fontes de 4.529 estudantes presenciais da Universidade da República do Uruguai. A principal contribuição dessa abordagem foi a combinação de diferentes fontes de dados, que demonstrou alto poder preditivo, atingindo taxas de predição com excelente discriminação já na quarta semana de um curso. Além disso, a análise demonstrou que os alunos com mais interações dentro do Ambiente Virtual de Aprendizagem (AVA) tendem a ter mais sucesso em suas disciplinas. Os resultados revelaram alguns atributos relevantes que influenciaram o sucesso dos alunos, como o número de disciplinas em que o aluno está matriculado e a escolaridade da mãe. Desse resultados emergiram algumas políticas institucionais, como a alocação de recursos para a infraestrutura do AVA e o desenvolvimento de ferramentas para acompanhamento dos alunos. A terceira abordagem é um algoritmo genético (AG), que busca melhorar a seleção de hiperparâmetros de classificadores. Esse algoritmo foi proposto buscando aumentar as taxas de precisão obtidas em dados da educação técnica de cursos híbridos no Brasil. Tem-se como principal contribuição científica o desempenho da abordagem em comparação com as técnicas tradicionais, onde o AG se mostrou uma alternativa viável, produzindo resultados melhores que as técnicas tradicionais, tanto na precisão quanto no custo computacional. Dessa forma, esta tese apresenta os resultados obtidos nas aplicações, bem como as semelhanças e diferentes em 19 aspectos técnicos, como a existência de temporalidade, os tamanhos das bases de dados, a existência de múltiplas fontes de dados, a técnica de aplicação, entre outros. Ao fim, ainda são demonstradas a contribuição científica e os trabalhos futuros relacionados ao tema.