Processo analítico para aprimoramento educacional (PAAE): extraindo informação relevante para o aprendizado utilizando inteligência artificial e mineração de dados.

• Ano de defesa: 2024
• Autor(a) principal: Silveira, Marcos Gabriel Gelorme
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Analítica de aprendizado; Artificial intelligence; DSRM; Educação; Education; Inteligência artificial; Learning analytics; Literature mapping; Mapeamento da literatura
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-14112024-105738/

Educação é um assunto crítico para o desenvolvimento da sociedade. Ultimamente a quantidade de dados disponíveis e a capacidade de processamento dos computadores tem trazido novas oportunidades para o desenvolvimento de soluções para apoiar a educação, inclusive para aperfeiçoar o aprendizado. O uso de técnicas de processamento de dados e de modelagem computacional para o aperfeiçoamento do ensino é definido como analítica de aprendizado. Mesmo com um vasto sucesso em prever o desempenho dos estudantes, existe uma desassociação com a identificação de melhorias para o processo de aprendizado. Este trabalho tem como objetivo a criação de um método para realizar a extração de informação relevante ao aprendizado utilizando inteligência artificial, mineração de dados e aprendizado de máquina, visando propiciar insumos para aplicações no ambiente de ensino. A condução do trabalho seguiu a metodologia Design Science Research. O método apresentado sintetiza e formaliza os processos identificados na literatura ao contextualizar, expandir e roteirizar o processo CRISP-DM para a aplicação educacional ao auxiliar os atores no processo pedagógico a extraírem informação relevante e identificar melhorias. O processo desenvolvido é aplicado em dados reais disponibilizados pela Open University e em dados relacionados ao oferecimento de 2022 da disciplina Estrutura de Dados e Algoritmos para Engenharia Elétrica, da Escola Politécnica da USP. Dentre os resultados extraídos pela aplicação do processo é destacada criação de três modelos de previsão da aprovação dos estudantes com acurácia de até 89%, uma ferramenta para a escolha da estratégia de ensino para cada aluno com potencial para o aumento da aprovação em 11% e a identificação de diversos insumos para ajustes pedagógicos.