Identificação de Perfis Comportamentais de Estudantes em um MOOC Brasileiro por Meio do Algoritmo K-mean

Autores

DOI:

https://doi.org/10.18264/eadf.v16i1.2812

Palavras-chave:

Educação a distância , Mineração de dados educacionais, Engajamento discente, Conclusão de curso

Resumo

Os Massive Open Online Courses (MOOCs) ampliam o acesso à formação especializada, mas ainda apresentam padrões heterogêneos de participação e baixos índices de conclusão. Este estudo tem como objetivo identificar padrões de interação de estudantes em um MOOC da área de Química, ofertado por uma plataforma brasileira, e interpretar perfis comportamentais associados ao envolvimento e à certificação. Foram analisados dados secundários de 3.540 estudantes, provenientes de relatórios de perfil, progresso, notas e registros de acesso. Após a análise de correlação, a variável de acesso aos materiais foi retirada do agrupamento por redundância, enquanto a emissão de certificado foi reservada como variável externa. O algoritmo K-means foi aplicado aos atributos tempo de permanência, proporção de atividades concluídas e tentativas em questionários, todos padronizados. A escolha de k = 2 considerou o método do cotovelo, índices internos, estabilidade por reamostragem, equilíbrio dos grupos e interpretabilidade. Foram obtidos dois agrupamentos, de maior e menor envolvimento. O cruzamento desses agrupamentos com a emissão de certificado originou quatro perfis interpretativos: Engajados, Estratégicos, Inativos e Instrumentais. Os resultados diferenciam os agrupamentos produzidos pelo algoritmo dos perfis construídos posteriormente e oferecem subsídios para intervenções pedagógicas ajustadas aos padrões de participação observados. 

 

Palavras-chave: Educação a distância. Mineração de dados educacionais. Engajamento discente. Conclusão de curso.



Downloads

Não há dados estatísticos.

Biografia do Autor

Vanessa Faria de Souza, Instituto Federal de Educação Ciência e Tecnologia do Rio Grande do Sul

Doutora pelo Programa de Pós-Graduação em Informática na Educação (PPGIE) da Universidade Federal do Rio Grande do Sul (UFRGS). Mestre em Informática pelo Programa de Pós-Graduação em Informática (PPGI) da Universidade Tecnológica Federal do Paraná (UTFPR), na área de Computação Aplicada, e com ênfase em Engenharia de Software. Possui Especialização em Educação Especial Inclusiva, com ênfase em Tecnologias Assistivas pela Universidade Estadual do Norte do Paraná (UENP). É graduada em Sistemas de Informação também pela UENP - Bacharel em Sistemas de Informação e Licenciada em Computação. Também Completou a Licenciatura em Matemática no Programa de Formação Pedagógica, pela UTFPR. Atualmente é docente dedicação exclusiva no Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Sul (IFRS) no Campus Ibirubá, e está em afastamento para a realização do Doutorado. Ministra aulas nos Cursos de Ciência da Computação, Técnico em Informática Integrado do Ensino Médio, Licenciatura em Matemática e Especialização em Ensino de Linguagens e suas Tecnologias. É membro do Grupo de Pesquisa Computação Interdisciplinar Alto Jacuí­. Tem interesse nas áreas de Mineração de Dados Educacionais, Learning Analytics, Inteligência Artificial - Machine Learning e Deep Leaning, Sistemas Digitais e Robótica Educacional.

Referências

ALRAIMI, K. M.; ZO, H.; CIGANEK, A. P. Understanding the MOOCs continuance: the role of openness and reputation. Computers & Education, v. 80, p. 28–38, 2015. DOI: https://doi.org/10.1016/j.compedu.2014.08.006

CAGILTAY, N. E.; TOKER, S.; CAGILTAY, K. Exploring MOOC learners’ behavioural patterns considering age, gender and number of course enrolments: insights for improving educational opportunities. Open Praxis, v. 16, n. 1, p. 70–81, 2024. DOI: https://doi.org/10.55982/openpraxis.16.1.543

FELDER, R. M.; SILVERMAN, L. K. Learning and teaching styles in engineering education. Engineering Education, v. 78, n. 7, p. 674–681, 1988.

FERREIRA-SATLER, M. et al. Fuzzy ontologies-based user profiles applied to enhance e-learning activities. Soft Computing, v. 16, n. 7, p. 1129–1141, 2012. DOI: https://doi.org/10.1007/s00500-011-0788-y

HAMIM, T.; BENABBOU, F.; SAEL, N. Student profile modeling: an overview model. In: INTERNATIONAL CONFERENCE ON SMART CITY APPLICATIONS, 4., 2019. Proceedings [...]. New York: ACM, 2019. p. 1–9. DOI: https://doi.org/10.1145/3368756.3369075

HONEY, P.; MUMFORD, A. The manual of learning styles. Maidenhead: Peter Honey, 1982.

HUBERT, L.; ARABIE, P. Comparing partitions. Journal of Classification, v. 2, n. 1, p. 193–218, 1985. DOI: https://doi.org/10.1007/BF01908075

JAIN, A. K. Data clustering: 50 years beyond K-means. Pattern Recognition Letters, v. 31, n. 8, p. 651–666, 2010. DOI: https://doi.org/10.1016/j.patrec.2009.09.011

KIZILCEC, R. F.; PIECH, C.; SCHNEIDER, E. Deconstructing disengagement: analyzing learner subpopulations in massive open online courses. In: INTERNATIONAL CONFERENCE ON LEARNING ANALYTICS AND KNOWLEDGE, 3., 2013, Leuven. Proceedings [...]. New York: ACM, 2013. p. 170–179. DOI: https://doi.org/10.1145/2460296.2460330

KOLB, D. A. Experiential learning: experience as the source of learning and development. Englewood Cliffs: Prentice Hall, 1984.

LIU, J.; et al. Research on learner “emotion-behavior-ability” characteristics based on MOOC online education user profiles. Information Processing & Management, v. 62, n. 3, art. 104026, 2025. DOI: https://doi.org/10.1016/j.ipm.2024.104026

LUNA, J. M.; et al. Subgroup discovery in MOOCs: a big data application for describing different types of learners. Interactive Learning Environments, v. 30, n. 1, p. 127–145, 2022. DOI: https://doi.org/10.1080/10494820.2019.1643742

MARECA, P.; BORDEL, B. Students profiles and their behavior in MOOC platforms: MiriadaX platform. In: IBERIAN CONFERENCE ON INFORMATION SYSTEMS AND TECHNOLOGIES, 14., 2019, Coimbra. Proceedings [...]. Piscataway: IEEE, 2019. p. 1–6. DOI: https://doi.org/10.23919/CISTI.2019.8760696

RODRIGUES, R. L.; et al. Discovery engagement patterns MOOCs through cluster analysis. IEEE Latin America Transactions, v. 14, n. 9, p. 4129–4135, 2016. DOI: https://doi.org/10.1109/TLA.2016.7785943

ROUSSEEUW, P. J. Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, v. 20, p. 53–65, 1987. DOI: https://doi.org/10.1016/0377-0427(87)90125-7

SHAH, D. By the numbers: MOOCs in 2018. Class Central, 2018. Disponível em: https://www.classcentral.com/report/mooc-stats-2018/. Acesso em: 03 jan 2026.

SILVA, J. M. C. da; et al. Learner engagement and demographic influences in Brazilian massive open online courses: Aprenda Mais platform case study. Analytics, v. 3, n. 2, p. 178–193, 2024. DOI: 10.3390/analytics3020010

TAN, Y.; et al. Learning profiles, behaviors and outcomes: investigating international students’ learning experience in an English MOOC. In: INTERNATIONAL SYMPOSIUM ON EDUCATIONAL TECHNOLOGY, 2018. Proceedings [...]. Piscataway: IEEE, 2018. p. 214–218. DOI: https://doi.org/10.1109/ISET.2018.00055

Downloads

Publicado

10-09-2026

Como Citar

Souza, V. F. de. (2026). Identificação de Perfis Comportamentais de Estudantes em um MOOC Brasileiro por Meio do Algoritmo K-mean. EaD Em Foco, 16(1), e2812. https://doi.org/10.18264/eadf.v16i1.2812

Edição

v. 16 n. 1 (2026)

Seção

Estudos de Caso

Licença

Copyright (c) 2026 EaD em Foco

Creative Commons License
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.