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

Autores/as

DOI:

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

Resumen

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.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

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

Citas

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

Descargas

Publicado

2020-08-28

Cómo 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

Número

Vol. 10 Núm. 2 (2020)

Sección

Artí­culo de investigación

Licencia

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.