Uso de Técnicas de Mineração de Dados na Extração de Sequências de Navegação de Estudantes de um Massive Open Online Course (MOOC)

Autores

DOI:

https://doi.org/10.18264/eadf.v10i2.1070

Resumo

Estudantes têm objetivos, preferências e ações de interação que se diferenciam, e em MOOCs o comportamento navegacional pode ser útil para fazer descobertas sobre a aprendizagem. Nesse contexto, esse artigo relata uma pesquisa realizada com os propósitos de detectar as sequências de navegação de 906 estudantes de um MOOC com conteúdos ligados a disciplina de Química, e identificar os materiais educacionais mais acessados. Técnicas de mineração de dados educacionais foram empregadas, com aplicação do algoritmo Apriori. Os resultados mostraram 18 sequências frequentes, e indicaram que os conteúdos do primeiro módulo do curso receberam mais acessos.

Palavras-chave: MOOC. Mineração de dados. Padrões sequenciais.

Downloads

Não há dados estatísticos.

Biografia do Autor

Napoliana Silva de Souza, Universidade Federal do Rio Grande do Sul

Possui Graduação em Licenciatura Plena em Informática pela Universidade Federal de Mato Grosso (2013) e mestrado em Ciência da Computação pela Universidade Federal da Bahia (2016). Doutoranda no Programa de Pós-Graduação em Informática na Educação da Universidade Federal do Rio Grande do Sul. Temas de interesse: learning analytics, mineração de dados educacionais, e MOOCs.

Gabriela Trindade Perry, Universidade Federal do Rio Grande do Sul

Designer graduada pela Universidade Luterana do Brasil (2001), mestre em Ergonomia pelo PPGEP-UFRGS (2005), doutora em Informática na Educação pelo PPGIE-UFRGS (2010). Atualmente é professora associada da UFRGS, no curso de Design, ligado à Faculdade de Arquitetura. Professora permanente do Programa de Pós Graduação em Informática na Educação da UFRGS desde 2016. Coordenadora do NAPEAD - Produção Multimí­da para a Educação desde 2013. Interesses de pesquisa relacionados prototipagem com Arduí­no, MOOCs, Learning Analytics, e Metodologia em Design.

http://lattes.cnpq.br/5333026510219527

Referências

AGRAWAL, R.; IMIELINSKI, T.; SWAMI, A. Mining Association Rules between Sets of Items in Large Databases. In: Proceedings of the ACM SIGMOD Conference on Management of data. Anais SIGMOD '93. Washington, EUA, p. 207-216, 1993.

AMARAL, F. (2016). Aprenda mineração de dados: teoria e prática. Rio de Janeiro: Alta Books.

ANDRADE, M. V. M.; SILVEIRA, I. F. Panorama da Aplicação de Massive Open Online Course (MOOC) no Ensino Superior: Desafios e Possibilidades. EaD em Foco, v. 6, n. 3, 27 dez. 2016.

BODON, F. A Trie-based APRIORI Implementation for Mining Frequent Item Sequences. In: The Eleventh ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Anais OSDM '05. Chicago, IL, USA, p. 56 – 65, 2005.

BOROUJENI, M. S.; DILLENBOURG, P. Discovery and Temporal Analysis of Latent Study Patterns in MOOC Interaction Sequences. In: 8th International Conference on Learning Analytics and Knowledge (LAK"™18). Anais LAK '18. Sydney, Australia, 2018, p. 206-215.

BOSC., G.; TAN, P. et al. A Pattern Mining Approach to Study Strategy Balance in RTS Games. IEEE Transactions on Computational Intelligence and AI in Game, v. 9, n. 2, Jun. p. 123-132, 2017.

CASTRO, M. S. O. et al. Seleção de Caminho de Aprendizagem para Grupo de Usuários: uma Abordagem baseada em Perfil. In: XXVIII Simpósio Brasileiro de Informática na Educação (SBIE 2017). Anais ["¦]. Recife, PE, 2017, p. 1167-1176.

CHEN, Q. et al. (2018). ViSeq: Visual Analytics of Learning Sequence in Massive Open Online Courses. IEEE Transactions on Visualization and Computer Graphics, v. 26, n. 3, p. 1622-1636, March. 2020.

DEEVA G. et al. Dropout Prediction in MOOCs: A Comparison Between Process and Sequence Mining. In: TENIENTE, E.; WEIDLICH, M. (EDS). Business Process Management Workshops. BPM 2017. Lecture Notes in Business Information Processing, v. 308. Cham: Springer, 2018. p. 243–255.

FREDERIKS, G. et al. Learning by creating a MOOC. In: Learning With MOOCS (LWMOOCS), 2018, Madrid, Spain. Anais ["¦]. Madrid, 2018. p. 127-130.

GREGORI, E. B.; ZHANG, J.; GALVAN-FERNANDEZ, C.; FERNANDEZ-NAVARRO, F. A. Learner support in moocs: Identifying variables linked to completion. Computers & Education, v. 122, p. 153–168, Jul. 2018.

HAHSLER, M.; CHELLUBOINA, S. Visualizing association rules: Introduction to the R-extension package arulesViz. R project module. 2011. Disponí­vel em: https://cran.r-project.org/web/packages/arulesViz/vignettes/arulesViz.pdf.

KOTIYAL, B. et al.. User behavior analysis in web log through comparative study of Eclat and Apriori. In 7th International Conference on Intelligent Systems and Control (ISCO). Anais [...]. Coimbatore, Tamil Nadu, India, 2013, p. 421-426.

MALDONADO-MAHAUAD, J. et al. Predicting Learners"™ Success in a Self-paced MOOC Through Sequence Patterns of Self-regulated Learning. In: Pammer-Schindler, V.; Pérez-Sanagustí­n, M.; Drachsler, H.; Elferink, R.; Scheffel, M. (eds). Lifelong Technology-Enhanced Learning. EC-TEL 2018. Lecture Notes in Computer Science, v. 11082. Cham: Springer, 2018. p. 355–369.

MíRQUEZ-VERA, C. et al. Predicting student failure at school using genetic programming and different data mining approaches with high dimensional and imbalanced data. Applied Intelligence, v. 38, n. 3, p. 315-330. Abr. 2013.

RIZVI, S.; RIENTIES, B.; ROGATEN, J. Temporal Dynamics of MOOC Learning Trajectories. In: Proceedings of the First International Conference on Data Science, E-learning and Information Systems. Anais [...]. Madrid, Spain, Article No. 39. 2018, p. 1-6.

TAIR, M. M. A.; EL-HALEES, A. M. Mining Educational Data to Improve Students"™ Performance: A Case Study. International Journal of Information and Communication Technology Research, v. 2, n. 2, p. 140-146, 2012.

Volume 2

Downloads

Publicado

28-08-2020

Como Citar

Souza, N. S. de, & Perry, G. T. (2020). Uso de Técnicas de Mineração de Dados na Extração de Sequências de Navegação de Estudantes de um Massive Open Online Course (MOOC). EaD Em Foco, 10(2). https://doi.org/10.18264/eadf.v10i2.1070

Edição

v. 10 n. 2 (2020)

Seção

Artigos Originais

Licença

Todos os artigos publicados na Revista EaD em Foco recebem a licença Creative Commons - Atribuição 4.0 Internacional (CC BY 4.0). Todas as publicações subsequentes, completas ou parciais, deverão ser feitas com o reconhecimento, nas citações, da Revista EaD em Foco como a editora original do artigo.