Previsão de Desempenho de Estudantes em Cursos EAD Utilizando Mineração de Dados: uma Estratégia Baseada em Séries Temporais

Ficha nº: 06	Área de Atuação: Mineração de Dados
Autores: Ernani Gottardo, Celso Kaestner, Robinson Vida Noronha.
Título da Obra: Previsão de Desempenho de Estudantes em Cursos EAD Utilizando Mineração de Dados: uma Estratégia Baseada em Séries Temporais.
Resenha da Obra:         Os autores Ermani Gottardo, Celso Kestner e o Robinson Noronha criaram esta pesquisa focada em acompanhar os alunos que cursam a distância, para que se tenha informações a relativas ao processo de aprendizagem. Foram utilizadas técnicas de mineração de dados educacionais, gerados para analisar o desempenho dos estudantes.      Um grande desafio para os educadores e o método de realizar o acompanhamento em cursos a distância. Hoje em dia já é possível obter algumas ferramentas para acompanhar esse rendimento, essas ferramentas fornecem informações que são uteis para diminuição de reprovação ou desistência do curso. Desta forma os autores optaram a realizar pesquisas através de um banco de dados, utilizando o método de mineração de dados.  Espera-se que essa pesquisa realize descobertas importantes, Baker, Isotani e Carvalho citam a possibilidades de descobertas interessantes, exemplo como apurar os motivos desmotivações e confusões. Suas técnicas utilizadas de mineração de dados foram dados dos alunos e interação dos alunos, usaram classificações, agrupamentos, regras de associação e mineração de texto, obteram os dados do sistema AVA moodle, lidaram com o algoritmo CMC (combination of multiple classifier). Eles colocaram algumas restrições para escolha do curso que foi feita a pesquisa, entre elas o curso que apresentava maior número de alunos formados, a que tinha maior quantidade de oferta de disciplinas a outras turmas, disponibilidade dos dados dos alunos e os maiores números de recursos no AVA. Escolheram uma disciplina com 140 alunos concluintes em duas turmas diferentes. Resultados foram publicados em tabelas, dividindo a turma em 3 classes, A, B e C, classe A ficava alunos com nota média maiores de 88%, classe B mostrava notas de 77% a 88% e classe C alunos com nota abaixo de 77%, ficando na classe A 16 alunos, classe B 109 alunos e classe C 15 alunos. Realizaram dois experimentos, para avaliar a possibilidade de inferência no desempenho de alunos. No primeiro experimento dividiram o curso em 3 módulos, coletaram 3 conjuntos de dados diferentes, possuindo dados de início do curso e final de curso, no experimento 2 dividiram o tempo real realização do curso em 6 módulos iguais, não consideram data inicial nem final. Utilizaram o algoritmo de classificação RandomForest e o multiplayerPerceptron. O experimento 1 mostrou resultados não teve muita variabilidade máximo foi variação de 1,6% no algoritmo RandomForest, resultado do experimento 2 apresentou diferenças significativas no período 3, o experimento 2 foi superior com menor taxa de acurácia, foi feito pelo algoritmo multiplayerPerceptron. Concluíram que esse estudo mostrou a viabilidade aplicações de técnicas para realizar a verificação do desempenho dos estudantes.        O trabalho mostra pontos importantes quando se trata na questão do ensino a distância. O artigo mostra métodos de pesquisas eficientes. O artigo mostra classes de alunos por nota, tratando dos experimentos o primeiro experimento não saiu como eles pensavam, já o segundo mostrou dados significantes. A pesquisa mostra de forma eficiente, sendo um bom material de pesquisas para instituições acadêmicas para que se tenha mais informações do ensino a distância.
Trechos importantes: - Uma linha de pesquisa que tem se consolidado nos últimos e anos e a mineração de dados educacionais. -  O algoritmo ideal utilizado foi CMC (combinatio of multiple classifier). - Utilizou base de dados AVA moodle. -Dois experimentos foram realizados, experimentos avaliam possibilidades de obtenção de inferência sobre o desempenho de estudantes em diferentes etapas de realização do curso. - Utilizaram método conhecido com K-fold cross validation, tecnica para estratificaçao da base de dados em conjunto de dados. - Experimento 2 taxas foi superior com a menor taxa de acurácia alcança pelo algoritmo multiplayerPerceptron.  -O resultado obtido mostra a viabilidade de se realizar inferências relativas ao desempenho dos estudantes.

...