Análise de Interações do Ambiente Virtual de Aprendizagem para Predição de Evasão em Cursos no Ensino a Distância
DOI:
https://doi.org/10.18264/eadf.v11i1.1463Resumo
Este artigo tem como objetivo, através da Mineração de Dados Educacionais (MDE), analisar, por meio da interação dos alunos no Ambiente Virtual de Aprendizagem (AVA), possíveis evasões em cursos na modalidade a distância, disponibilizando dados estratégicos para a tomada de decisão pelos gestores educacionais da instituição. Para a realização dos experimentos foram utilizados dois conjuntos de dados contendo as interações dos alunos no AVA Moodle de duas turmas subsequentes na modalidade EaD. Como resultado, a taxa de acerto (número de alunos que os algoritmos classificaram corretamente como evadido ou concluintes) do primeiro conjunto de dados foi de 93%, obtida com o algoritmo Randon Forest, já para o segundo conjunto, a taxa de acerto foi de 85% com o modelo gerado pelo algoritmo J48. Os resultados da mineração apresentaram a tarefa_visualizada e o material_visualizado como indicadores de evasão. Desta forma, pode-se constatar que os alunos que pouco interagem com os recursos dentro do ambiente e não visualizam os materiais e tarefas disponibilizadas são mais propensos a evadirem do curso.
Palavras-chave: Educação a distância. Evasão. Mineração de dados educacionais.
Downloads
Referências
ABBAD, G.; CARVALHO, R. S.; ZERBINI, T. Evasão em curso via internet: explorando variáveis explicativas. RAE-eletrônica, v. 5, n. 2, jul./dez. 2006.
ANDERSON, T. Toward a theory of online learning. In: ANDERSON, T.; ELLOUMI, F. (Org.). Theory and practice of online learning. Athabasca: Athabasca University, 2004. p. 33-60.
BELLONI, M. L. Educação a distância. 2. ed. Campinas, SP: Autores Associados, 2001.
BITTENCOURT, I. M.; MERCADO, L. P. L. Evasão nos cursos na modalidade de educação a distância: estudo de caso do Curso Piloto de Administração da UFAL/UAB. Revista Ensaio: Avaliação de Políticas Públicas em Educação. Rio de Janeiro, v. 22, n. 83, p. 465-504, abr./jun. 2014.
BURGOS, C. et al. Data mining for modeling students"™ performance: A tutoring action plan to prevent academic dropout. Computers & Electrical Engineering. p. 1-16, mar. 2017.
CASTRO, L. N.; FERRARI, D. G. Introdução í mineração de dados: conceitos básicos, algoritmos e aplicações. 1. ed. São Paulo: Saraiva, 2016.
CENSO EAD.BR: relatório analítico da aprendizagem a distância no Brasil 2017 = Censo EAD.BR: analytic report of distance learning in Brazil 2017 [livro eletrônico]/[organização] ABED – Associação Brasileira de Educação a Distância; [traduzido por Maria Thereza Moss de Abreu]. Curitiba: InterSaberes, 2018.
CENSO EAD.BR. Relatório analítico da aprendizagem a distância no Brasil 2018 = Censo EAD.BR: analytic report of distance learning in Brazil 2018 [livro eletrônico]/[organização] ABED – Associação Brasileira de Educação a Distância. Camila Rosa (tradutora). Curitiba: InterSaberes, 2019.
COSTA, E. et al. Mineração de dados educacionais: conceitos, técnicas, ferramentas e aplicações. Jornada de Atualização em Informática na Educação, v. 1, n. 1, p. 1-29, 2013.
DIAZ, D. P.; BONTENBAL, K. F. Learner preferences: Developing a learner-centered environment in the online or mediated classroom. Education at a Distance, v. 15, n. 8, 2001.
DORE, R.; LÜSCHER, A. Z. Permanência e evasão na educação técnica de nível médio em Minas Gerais. Cadernos de Pesquisa, v. 41, n. 144, p. 772-789, 2011.
EYNG, A. M.; GISI, M.; ENS, R.; PACIEVITCH, T. Diversidade e padronização nas políticas educacionais: configurações da convivência escolar. Ensaio: Avaliação e Políticas Públicas em Educação, [S.l.], v. 21, n. 81, p. 773–800, 2013.
FAYYAD, U.; PIATETSKY-SHAPIRO, G.; SMYTH, P. From Data Mining to Knowledge Discovery in Databases. AI Magazine. Providence, v. 17, n. 3, p. 37-54, jul. 1996.
FAVERO, R. V. Dialogar ou evadir: eis a questão: um estudo sobre a permanência e a evasão na educação a distância no estado do Rio Grande do Sul. 2006. Dissertação (Mestrado) – Programa de Educação a Distância, Universidade Federal do Rio Grande do Sul, Porto Alegre, 2006.
GONÇALVES, Oldair; BELTRAME, Walber. (2019). Mineração de dados e Evasão estudantil: Analisando o curso de nível superior do Ifes. Conference: XII CASI - Congresso de Administração, Sociedade e Inovação.
MAIA, C.; J. MATTAR. ABC da EaD: a Educação a Distância hoje. 1. ed. São Paulo: Pearson. 2007.
MANHíES, L. M. B. Predição do desempenho acadêmico de graduandos utilizando mineração de dados educacionais. 2015. 157 p. Tese (Doutorado em Engenharia de Sistemas e Computação) – Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia, Rio de Janeiro, 2015.
MARTíNEZ, M.; GARCíA M. C.; MONTORO, J. M. Dificuldades de aprendizagem. 1. ed. Porto: Porto editora, 2003.
MILL, D. Mudanças de mentalidade sobre educação e tecnologia: inovações possibilidades tecnopedagógicas. In: MILL, D. (Org.) Escritos sobre educação: desafios e possibilidades para ensinar e aprender com as tecnologias emergentes. São Paulo: Paulus, 2013.
MORAN, J. M. O que é Educação a Distância. Universidade de São Paulo. 2002. Disponível em: <http://www2.eca.usp.br/moran/wp-content/uploads/2013/12/dist.pdf>. Acesso em: 18 mar. 2019.
OLIVEIRA, J. J. G.; NORONHA, R. V.; KAESTNER, C. A. A. Método de seleção de atributos aplicados na previsão da evasão de cursos de graduação. Revista de Informática Aplicada. 2017.
QUEIROGA, E.; CECHINEL, C.; ARAÚJO, R. Predição de estudantes com risco de evasão em cursos técnicos a distância. In: Anais do XXVIII Simpósio Brasileiro de Informática na Educação (SBIE 2017). Recife: Sociedade Brasileira de Computação, 2017. v. 1, p. 1547-1556.
RABELO, H. et al. Utilização de técnicas de mineração de dados educacionais para predição de desempenho de alunos de EaD em ambientes virtuais de aprendizagem. Anais do SBIE 2017, p. 1527-1536, 2017.
ROMERO, C.; VENTURA, S. Data mining in education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, v. 3, n. 1, p. 12-27, 2013.
SHALEV-SHWARTZ, S.; BEN-DAVID, S. Understanding machine learning: From theory to algorithms. [S.l.]: Cambridge university press, 2014.
SCHMITT, J. A. Identificação de alunos com tendência a evasão nos cursos de graduação a distância por meio de mineração de dados educacionais. 2018. 175 p. Dissertação (Mestrado Profissional em Tecnologias Educacionais em Rede) – Universidade Federal de Santa Maria, Santa Maria, 2018.
TOCZEK, J. et al. Uma visão macroscópica da evasão no ensino superior a distância do Brasil. 2004.
ZAKI, M. J. Parallel and Distributed Data Mining: An Introduction. Large-Scale Parallel Data Mining. Berlin: Springer-Verlag, 2000.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2021 EaD em Foco
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
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.
