mineração de dados educacionais - potencialidades e desafios
TRANSCRIPT
![Page 1: Mineração de Dados Educacionais - potencialidades e desafios](https://reader035.vdocuments.net/reader035/viewer/2022062903/58ed22f11a28ab617e8b4779/html5/thumbnails/1.jpg)
MINERAÇÃO DE DADOS
EDUCACIONAISPotencialidades e desafios
Anatália Saraiva Martins RamosProfessora Titular da UFRN
Programa de Pós-graduação em Administração
![Page 2: Mineração de Dados Educacionais - potencialidades e desafios](https://reader035.vdocuments.net/reader035/viewer/2022062903/58ed22f11a28ab617e8b4779/html5/thumbnails/2.jpg)
CONTEXTO E CONCEITO
A Mineração de Dados (MD) é usada para transformar grandes volumes de dados em informações significativas para o planejamento, a gestão e a
tomada de decisão nas mais diversas áreas de conhecimento.
![Page 3: Mineração de Dados Educacionais - potencialidades e desafios](https://reader035.vdocuments.net/reader035/viewer/2022062903/58ed22f11a28ab617e8b4779/html5/thumbnails/3.jpg)
APLICAÇÕES DA MDMedicina• Ex: prever paciente com maior probabilidade de contrair uma
doença específica, com base nos dados históricos dos pacientes
Telecomunicações• Ex: identificar fraudes em ligações telefônicas, dentre um
enorme número de ligações efetuadas pelos clientes
Mercado financeiro• Ex: prever as ações que estarão em alta na bolsa de valores, em
função do histórico de preços das ações e valores de índices financeiros
Abordaremos, a seguir, aplicações de MD na área de Educação
![Page 4: Mineração de Dados Educacionais - potencialidades e desafios](https://reader035.vdocuments.net/reader035/viewer/2022062903/58ed22f11a28ab617e8b4779/html5/thumbnails/4.jpg)
MINERAÇÃO DE DADOS NO CONTEXTO EDUCACIONAL
Fonte: http://www.educationaldatamining.org/proceedings
A base da MDE é composta de modelos, tarefas, métodos e algoritmos usados para explorar conjuntos de dados de larga escala de ambientes educacionais com objetivo de descobrir padrões descritivos e predições que forneçam informações sobre o contexto em que os alunos aprendem os quais ajudem a compreender e melhorar o ensino e a aprendizagem.
![Page 5: Mineração de Dados Educacionais - potencialidades e desafios](https://reader035.vdocuments.net/reader035/viewer/2022062903/58ed22f11a28ab617e8b4779/html5/thumbnails/5.jpg)
ÁREAS DE CONHECIMENTO E HISTÓRICO DA MDE Esse campo de conhecimento teve
início em 2005 com o Workshop ‘Educational Data Mining’ em Pittsburg, como evento satélite da 20th National Conference on Artificial Intelligence (AAAI-05)
Outros workshops seguiram-se e uma Conferência anual exclusiva para MDE foi criada em 2008, em Montreal
Em 2009, foi criado um periódico específico: Journal of Educational Data Mining, mantido pela EDM Society
Há livros publicados, por ex: “Data mining in E- learning”e “Handbook of Educational Data Mining”
MDE
A MDE faz parte do campo da Analítica de Aprendizagem (Learning Analytics) como um dos seus métodos, ao lado da Aprendizagem de
máquina e da Análise estatística.
![Page 6: Mineração de Dados Educacionais - potencialidades e desafios](https://reader035.vdocuments.net/reader035/viewer/2022062903/58ed22f11a28ab617e8b4779/html5/thumbnails/6.jpg)
SISTEMA DE INFORMAÇÃO PARA MDE
![Page 7: Mineração de Dados Educacionais - potencialidades e desafios](https://reader035.vdocuments.net/reader035/viewer/2022062903/58ed22f11a28ab617e8b4779/html5/thumbnails/7.jpg)
AMBIENTES DE ESTUDO DA MDEEducação offline• Análises em dados de desempenho/comportamento do aluno,
currículo etc
Aprendizado eletrônico (e-learning) e Sistema de Gestão da Aprendizagem (LMS)• Análises de dados armazenados em ambientes virtuais de
aprendizagem, como Moodle ou Blackboard, ou de MOOCs.
Sistemas Tutores Inteligentes e Sistemas Hipermídias Adaptativos• Aplicados sobre dados de sistemas que se adaptam a cada
estudante, aos cursos e aos modelos de usuário etc.[Romero, Ventura, 2010]
![Page 8: Mineração de Dados Educacionais - potencialidades e desafios](https://reader035.vdocuments.net/reader035/viewer/2022062903/58ed22f11a28ab617e8b4779/html5/thumbnails/8.jpg)
ARQUITETURA DA MDE
![Page 9: Mineração de Dados Educacionais - potencialidades e desafios](https://reader035.vdocuments.net/reader035/viewer/2022062903/58ed22f11a28ab617e8b4779/html5/thumbnails/9.jpg)
MDE: TIPOS DE DADOS, COLETA E ANÁLISE E CONSTRUTOS DA
PSICOLOGIA DA APRENDIZAGEM
https://www.cmu.edu/datalab/getting-started/what-is-edm.html
![Page 10: Mineração de Dados Educacionais - potencialidades e desafios](https://reader035.vdocuments.net/reader035/viewer/2022062903/58ed22f11a28ab617e8b4779/html5/thumbnails/10.jpg)
PRINCIPAIS SUBÁREAS DE PESQUISA EM MDE
Predição*Classificação*Regressão*Estimação de densidade
Agrupamento (clustering)
Outras tarefas:• Destilação de dados (para facilitar decisões
humanas)• Descobertas com modelos
Relações*Regras de associação *Correlações*Padrões sequenciais*Causas
![Page 11: Mineração de Dados Educacionais - potencialidades e desafios](https://reader035.vdocuments.net/reader035/viewer/2022062903/58ed22f11a28ab617e8b4779/html5/thumbnails/11.jpg)
ANALÍTICA DE DADOS EDUCACIONAIS
INSTITUIÇÃO
APRENDIZ
IMEDIATO ADIADOHora de usar os dados
Locus de controle e autoridade
Ex: sistemas adaptativos; tutoria
automática; intervenções de ensino síncrona
Ex: sistemas de intervenção; sistema de
alerta precoce de retenção; intervenções de
ensino assíncrona mudanças de nível
institucional
Ex: feedback em testes online
Ex: apresentação de dados individuais ou
agregados para reflexão
Powell, 2012
![Page 12: Mineração de Dados Educacionais - potencialidades e desafios](https://reader035.vdocuments.net/reader035/viewer/2022062903/58ed22f11a28ab617e8b4779/html5/thumbnails/12.jpg)
MDE - PARA QUEM E PARA QUÊ Alunos
Auto-reflexão, comparações de coortes, aprendizagem automatizada etc Professores
Retenção, progressão, satisfação/experiência dos alunos etc. Desenvolvedores de curso
Design para o sucesso; avaliação, conteúdo, estratégias de ensino etc Dirigentes
Retenção, progressão, eficiência, controle interno de indicadores do MEC, INEP, Capes etc
Pesquisadores Pedagogia, modelos, teoria etc.
A MDE não fornece respostas para os PORQUÊS, mas oferece pistas que podem ser validadas por análises qualitativas.
![Page 13: Mineração de Dados Educacionais - potencialidades e desafios](https://reader035.vdocuments.net/reader035/viewer/2022062903/58ed22f11a28ab617e8b4779/html5/thumbnails/13.jpg)
QUESTÕES PARA MDE (EAD/BLENDED) Que alunos preferem qual sequência de assuntos para que eles possam aprender
mais efetivamente? Que ações do aluno indicam satisfação e engajamento com o curso EaD? Quais são as melhores características de cursos online em termos de atingir uma
aprendizagem mais efetiva? Que ações dos alunos estão associadas com um melhor aprendizado e maior
desempenho acadêmico? Como os alunos aprendem? Como desenvolver sistemas educacionais mais eficazes? Que abordagem instrucional (ex. aprendizagem individual ou colaborativa)
proporciona melhores benefícios educacionais ao aluno? Qual a matéria de maior impacto? Quem mais interage? Qual perfil de quem mais colabora? O que fazem quando estão logados no site? O que foi mais útil / efetivo na aquisição de novas competências?
![Page 14: Mineração de Dados Educacionais - potencialidades e desafios](https://reader035.vdocuments.net/reader035/viewer/2022062903/58ed22f11a28ab617e8b4779/html5/thumbnails/14.jpg)
RESULTADOS DA MDE Prever o desempenho e comportamento futuro da aprendizagem do aluno e propor modelos pedagógicos que melhor se alinhem com esse comportamento
Encontrar sequência de instruções ótimas e adaptadas para cada aluno
Melhorar a satisfação do aluno, diplomação, retenção e diminuir a evasão de curso e abandono de disciplina
Verificar se o aluno está desmotivado, confuso ou com problema e, assim, personalizar o ambiente e os métodos de ensino para oferecer melhores condições de aprendizagem.
![Page 15: Mineração de Dados Educacionais - potencialidades e desafios](https://reader035.vdocuments.net/reader035/viewer/2022062903/58ed22f11a28ab617e8b4779/html5/thumbnails/15.jpg)
TÓPICOS DE INTERESSE DA MDE (WORKSHOP DA SBC)
Integração com Dados Abertos Personalização da Aprendizagem Infraestrutura para Mineração de Dados Educacionais Integrando MDE e Internet das Coisas (IoT) Mineração de dados em jogos educacionais, MOOCs e Sistemas Tutores
Inteligentes Integrando MDE e Analítica de Aprendizagem (Learning Analytics) Mineração de dados na aprendizagem social e colaborativa Adaptação de técnicas analíticas de recuperação de informação, sistemas de
recomendação, análise de redes sociais, mineração de opinião para o domínio educativo
Metodologias que aplicam uma técnica utilizada anteriormente para um novo domínio, ou que reavaliam um conjunto de dados existente com uma nova técnica.
![Page 16: Mineração de Dados Educacionais - potencialidades e desafios](https://reader035.vdocuments.net/reader035/viewer/2022062903/58ed22f11a28ab617e8b4779/html5/thumbnails/16.jpg)
ALGUNS DESAFIOS Complexidade dos comportamentos de aprendizagem Coletar e integrar todos os dados obtidos de diversas plataformas de
aprendizagem e de vários dispositivos Definir as perguntas se deve fazer aos dados para obter as respostas
úteis na mineração dos dados educacionais Estabelecer a modelagem mais adequada Desenvolver competências de interpretação e pensamento crítico Convencer os stakeholders de que poderiam se beneficiar dos
resultados obtidos através do uso de técnicas de MDE Garantir e preservar a privacidade Fazer análise preditiva com ética Dispor de conjuntos de dados públicos de referência para MDE
![Page 17: Mineração de Dados Educacionais - potencialidades e desafios](https://reader035.vdocuments.net/reader035/viewer/2022062903/58ed22f11a28ab617e8b4779/html5/thumbnails/17.jpg)
REFERÊNCIAS Baker, R.S. .d., Barnes, Beck, .E. Eds. Educational Data Mining. 1st International Conference on Educational Data
Mining, Proceedings. Montreal, Quebec, Canada. June 20-21, 2008. Beck, J, Proceedings of Association for the Advancement of Artificial Intelligence 2005 workshop on Educational Data
Mining, 2005. Conference Proceedings of International Conference on Educational Data Mining
http://www.educationaldatamining.org/proceedings Fayyad, U.; Piatetsky-Shapiro, G.; Smyth, P.. The KDD process for extracting useful knowledge from volumes of data.
Communications of the ACM, v. 39, n. 11, p. 27-34, 1996. Manhães, L. M. B., Cruz, S.M.S., Zimbrão, G., et. al. Identificação dos Fatores que Influenciam a Evasão em Cursos de
Graduação Através de Sistemas Baseados em Mineração de Dados: Uma Abordagem Quantitativa. Anais do VIII Simposio Brasileiro de Sistemas de Informação (SBSI 2012), pp. 468-479, 2012.
Pena-Ayala, A. Educational data mining: A survey and a data mining-based analysis of recent works. Expert systems with applications, v. 41, n. 4, p. 1432-1462, 2014.
Powell, S. Explaining learning analytics to colleagues https://stephenp.net/2012/04/17/explaining-learning-analytics-to-colleagues/
Rodrigues, R.L; Ramos, J.L.C.; Silva, J.C.S. A literatura brasileira sobre mineração de dados educacionais. 3o. Congresso Brasileiro de Informática na Educação (CBIE), 2014.
Romero, C.; Ventura, S. Data Mining in E-Learning, WIT Press, 2006. Romero, C.; Ventura, S. Educational data mining: a review of the state of the art. IEEE Transactions on Systems, Man,
and Cybernetics, Part C: Applications and Reviews, vol. 40, n. 6, p. 601-618, 2010. Romero, C.; Ventura, S. Handbook of Educational Data Mining, CRC Press, 2010. Planilha compartilhada de coleta de dados de artigos em EDM publicados no Brasil: http://bit.ly/mdeBrasil http://www.educationaldatamining.org/proceedings http://blog.originlearning.com/understanding-educational-data-mining/ http://www.devmedia.com.br/mineracao-de-dados-educacionais-usando-kdd-parte-2/29142 http://www.slideshare.net/krice100/educational-data-mining-in-program-evaluation-lessons-learned