Interaction Analysis of the Virtual Learning Environment to Predict Evasion in Distance Learning Courses

Authors

DOI:

https://doi.org/10.18264/eadf.v11i1.1463

Abstract

This article aims, through Educational Data Mining (MDE), to analyze, through the interaction of students in the Virtual Learning Environment (AVA), possible dropouts in distance learning courses, providing strategic data for decision making by the institution's educational managers. In order to carry out the experiments, two sets of data were used containing the interactions of students in the AVA Moodle from two subsequent classes in distance learning mode. As a result, the hit rate for the first set of data was 93%, obtained with the Randon Forest algorithm, while for the second set, the hit rate was 85% with the model generated by the J48 algorithm. The mining results dispelled the visualized_task and the visualized_material as evasion indicators. Thus, it can be seen that students who have little interaction with the resources within the environment and do not see the materials and tasks available are more likely to drop out of the course.

Keywords: Distance education. Evasion. Educational data mining.

Downloads

Download data is not yet available.

Author Biography

Solange Pertile, Universidade Federal de Santa Maria

Programa de Pós-Graduação em Tecnologias Educacionais em Rede - PPGTER / Universidade Federal de Santa Maria - UFSM

References

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.

Published

2021-07-14

How to Cite

Sonnenstrahl, T. S. ., Bernardi, G. ., & Pertile, S. (2021). Interaction Analysis of the Virtual Learning Environment to Predict Evasion in Distance Learning Courses. EaD Em Foco, 11(1). https://doi.org/10.18264/eadf.v11i1.1463

Issue

Section

Original Articles