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