MINERAÇÃO DE DADOS EDUCACIONAIS Potencialidades e desafios Anatália Saraiva Martins Ramos Professora Titular da UFRN Programa de Pós-graduação em Administração
MINERAÇÃO DE DADOS
EDUCACIONAISPotencialidades e desafios
Anatália Saraiva Martins RamosProfessora Titular da UFRN
Programa de Pós-graduação em Administração
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.
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
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.
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.
SISTEMA DE INFORMAÇÃO PARA MDE
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]
ARQUITETURA DA MDE
MDE: TIPOS DE DADOS, COLETA E ANÁLISE E CONSTRUTOS DA
PSICOLOGIA DA APRENDIZAGEM
https://www.cmu.edu/datalab/getting-started/what-is-edm.html
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
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
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.
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?
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.
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.
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
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