O uso de tecnologias de big data na concepção e execução de estratégias de ensino...

ESCOLA SUPERIOR ABERTA DO BRASIL - ESAB CURSO DE PÓS-GRADUAÇÃO LATO SENSU EM ENGENHARIA DE

SISTEMAS

DIEGO ANTONIO LUSA

O USO DE TECNOLOGIAS DE BIG DATA NA CONCEPÇÃO E EXECUÇÃO DE ESTRATÉGIAS DE ENSINO INDIVIDUALIZADAS EM

AMBIENTES VIRTUAIS DE APRENDIZAGEM

VILA VELHA (ES)

2014

DIEGO ANTONIO LUSA



Monografia apresentada ao curso de Pós-Graduação em Engenharia de Sistemas da Escola Superior Aberta do Brasil como requisito para obtenção do título de Especialista em Engenharia de Sistemas, sob orientação do Profa. Ms. Rachel Cristina Mello Guimarães.

VILA VELHA (ES)

2014

DIEGO ANTONIO LUSA



Monografia aprovada em ... de ... de 2014.

Banca Examinadora

________________________

________________________

________________________

VILA VELHA (ES)

2014

DEDICATÓRIA

Dedico este trabalho, em primeiro lugar, a Deus, a quem devo a oportunidade e

sabedoria tão essenciais para dar cabo à tarefa. A Ele devo também a força e a

esperança que dia após dia me alimentam com a certeza das coisas que estão por

vir, pela excelência da fé.

Do mesmo modo, dedico a minha esposa amada, que com grande compreensão

soube entender meus períodos de ausência, sempre me incentivando com zelo e

amor. A você, Sandra, meu amor, meu respeito e a minha certeza de que muitas

outras vitórias ainda estão por vir.

Dedico também a minha família, base daquilo que sou, pelo amparo, amor e carinho.

Pelo incentivo que sempre abundou em todos os projetos que realizei em minha

vida. A minha conquista é fruto da força e do amor que sempre nos uniu.

Por fim, e não menos importante, dedico a Jesus Cristo, fundamento da minha fé.

Que tudo o que eu faça, diga ou escreva sejam para Tua honra e glória, hoje e

sempre!

RESUMO

O presente estudo apresenta as técnicas e ferramentas de Big Data, em especial a análise de aprendizado (LA). Utiliza a pesquisa bibliográfica para verificar como essas técnicas atuam na concepção de estratégias de ensino-aprendizagem individualizadas em ambientes virtuais de aprendizagem, passando pelas diferentes etapas de coleta, análise, processamento e aplicação, necessárias ao processo de personalização. Conclui que a análise de aprendizado (LA) e a mineração de dados educacionais apresentam-se como relevantes métodos de extração e análise de dados oriundos do processo de ensino-aprendizagem. Tais métodos mostram-se aptos a atuar em cenários de Big Data e, por conseguinte, capazes de conceber e sustentar iniciativas de personalização e adaptação do processo de ensino-aprendizagem em contextos de e-learning. Também ficou evidente neste panorama a grande importância dos ambientes virtuais de aprendizagem como adjuvantes na coleta de dados, na definição do perfil do aluno virtual e na aplicação prática das iniciativas de personalização e adaptação desenvolvidas. Por fim, também pode-se observar que as técnicas de LA ainda são aplicadas de modo bastante isolado, necessitando portanto de um movimento de convergência que agregue pesquisas e conceitos das diversas áreas no escopo de uma única solução.

Palavras-chave: Educação a distância. Big Data. Análise de aprendizado. Personalização. Adaptação.

LISTA DE FIGURAS

Figura 1 - Percentual médio de habitantes com acesso a internet nos últimos 10

anos .......................................................................................................................... 14

Figura 2 - Projeção de crescimento do universo digital (2009 a 2020) ...................... 23

Figura 3 - Propriedades Big Data: Variedade, Velocidade e Volume ........................ 25

Figura 4 - Visão do processo de análise de aprendizado .......................................... 29

Figura 5 - Fases do ciclo de análise de aprendizado ................................................ 33

Figura 6 - Estágios da análise de aprendizado ......................................................... 38

SUMÁRIO

1 INTRODUÇÃO ........................................................................................................ 8

2 EDUCAÇÃO A DISTÂNCIA: FUNDAMENTOS E FERRAMENTAS .................... 12

2.1 A INTERNET E A GLOBALIZAÇÃO DO CONHECIMENTO ........................ 13

2.2 AMBIENTES VIRTUAIS DE APRENDIZAGEM (AVAS) .............................. 15

3 A INDIVIDUALIZAÇÃO DAS ESTRATÉGIAS DE ENSINO ................................. 17

3.1 O PAPEL DOS AMBIENTES VIRTUAIS DE APRENDIZAGEM NO

DELINEAMENTO DO PERFIL DO ALUNO VIRTUAL ............................................... 18

3.2 NATUREZA DOS DADOS COLETADOS NO PROCESSO DE ENSINO-

APRENDIZAGEM ASSISTIDO POR COMPUTADOR ............................................... 20

4 BIG DATA: ORIGENS E CARACTERÍSTICAS .................................................... 23

5 BIG DATA E O PROCESSO DE ENSINO-APRENDIZAGEM ASSISTIDO POR

COMPUTADOR ........................................................................................................ 28

6 ANÁLISE DE APRENDIZADO: FUNDAMENTOS ............................................... 31

7 ANALISE DE APRENDIZADO: ESTÁGIOS DE MATURIDADE .......................... 35

8 ANALISE DE APRENDIZADO: ÁREAS DE APLICAÇÃO .................................. 39

8.1 MODELAGEM DE CONHECIMENTO ......................................................... 41

8.2 MODELAGEM DE COMPORTAMENTO ..................................................... 42

8.3 MODELAGEM DE EXPERIÊNCIAS ............................................................ 42

8.4 MODELAGEM DE PERFIL .......................................................................... 43

8.5 MODELAGEM DE DOMÍNIO ...................................................................... 44

8.6 ANÁLISE DE COMPONENTES DO SISTEMA DE APRENDIZAGEM E

PRINCÍPIOS INSTRUCIONAIS ................................................................................. 44

8.7 ANÁLISE DE TENDÊNCIAS ....................................................................... 45

8.8 ADAPTAÇÃO E PERSONALIZAÇÃO ......................................................... 46

9 CONCLUSÃO ....................................................................................................... 47

10 REFERÊNCIAS .................................................................................................... 50

8

1 INTRODUÇÃO

O desenvolvimento humano como um todo está intimamente ligado à eficiência do

processo educativo aplicado aos indivíduos que compõem a sociedade. Deter

conhecimento, dominar tecnologias e gerar inovação são importantes indicadores

que tem reflexo direto na melhora dos índices de desenvolvimento humano. A

educação, portanto, tem papel fundamental no processo de inclusão social,

garantindo dignidade e perspectivas ao viver, permitindo assim que o indivíduo

usufrua daquilo que lhe é garantido por direito.

Os países mais desenvolvidos nitidamente têm melhores práticas e melhores

estruturas educacionais do que as nações mais pobres. Por conseguinte, dispondo

de recursos humanos mais capacitados conseguem se sobressair, distanciando-se

cada vez mais das nações com déficit educacional. O resultado disso é o

crescimento do abismo econômico, social e cultural que tem separado ricos e pobres

há muito tempo.

Contudo, salvo as proporções, a educação mostra-se como um grande desafio tanto

para países ricos quanto para pobres. Oferecer educação de qualidade com acesso

facilitado a toda a população é uma das principais metas para grande parte dos

governantes que, na maioria das vezes, dificilmente tem seus objetivos plenamente

alcançados.

Neste panorama, a educação a distância (EAD) assistida por computador, também

conhecida como e-learning, tem se mostrado um importante instrumento de

democratização do ensino de qualidade, desempenhando um importante papel no

processo de transformação social ao proporcionar acesso a educação às camadas

da sociedade penalizadas pela pobreza e pelo esquecimento do poder público por

diversas décadas. Dentre os seus principais atrativos destaca-se o uso da internet

como canal de comunicação, uma tecnologia cada vez mais popular, acessível e

com potencial extraordinário para a inovação.

9

Conforme evidenciam os relatórios estatísticos de importantes institutos, como os do

International Telecommunication Union (ITU), o acesso a internet têm crescido

vertiginosamente nos últimos anos, atingindo as camadas mais pobres da sociedade

mundial. No Brasil observa-se o mesmo cenário; milhões de pessoas, outrora

excluídos digitais, hoje possuem conexão a internet em seus lares, em razão,

principalmente, da redução dos custos de aquisição dos serviços. Atingiu-se um

excelente nível de penetração, levando-se internet aos locais mais remotos do país,

como tribos indígenas em plena selva Amazônica, por exemplo.

Desta forma, ao fazer uso da internet como veículo de comunicação, a EAD

assistida por computador permite quebrar barreiras geográficas, provendo acesso a

educação de qualidade àqueles indivíduos que se encontram impossibilitados de

fazer uso da escola física tradicional. Além disso, a riqueza de ferramentas e de

mídias aplicadas neste formato de ensino torna a EAD um campo propício para

pesquisas e elaboração de novos métodos de ensino-aprendizagem, mas eficazes e

com maior enfoque nas características do indivíduo.

Contudo, o caminho a ser percorrido para a construção de modelos de

aprendizagem adaptativos e personalizados é longo e requer recursos tecnológicos

avançados, que estão fora de alcance do escopo de atuação das ferramentas

tradicionais. Dentre as principais dificuldades enfrentadas, se sobressaem àquelas

relacionadas à extração e análise dos dados oriundos das múltiplas fontes

relacionadas ao ambiente educativo. Essas dificuldades surgem, principalmente,

devido à natureza multiforme dos dados, ao seu grande volume e à velocidade com

que estes dados precisam ser processados para atingir os objetivos almejados.

Felizmente, os ambientes virtuais de aprendizagem encontram-se posicionados em

local privilegiado, como mediadores do processo de ensino-aprendizagem. Em face

disso, a coleta de dados é ligeiramente facilitada, permitindo a captura de

praticamente qualquer ação executada pelo usuário no ambiente. Mas simplesmente

coletar dados não é suficiente; é necessário obter conhecimento e convertê-lo em

ações e para esta tarefa, as técnicas e ferramentas analíticas de Big Data tornam-se

imprescindíveis.

10

Dentre as técnicas de análise de dados educacionais existentes, a análise de

aprendizado merece especial destaque. Ela é composta por diversas técnicas

modernas de modelagem capazes de aperfeiçoar tanto o processo de ensino em

sua concepção pedagógica como a organização de ensino em seu âmbito político-

econômico.

Mas afinal, quais técnicas analíticas são comprovadamente capazes de criar

ambientes de aprendizagem personalizáveis, capazes de se adaptar ao perfil do

aluno e, por conseguinte, aprimorar a experiência e o aprendizado do indivíduo? E

ainda, qual é a relação entre Big Data e estratégias individualizadas de ensino?

É buscando elucidar estas questões que o presente trabalho tem por principal

objetivo explorar os conceitos e ferramentas de Big Data aptos a contribuir para

iniciativas de individualização das estratégias de ensino em ambientes virtuais de

aprendizagem (AVAs), para deste modo, aprimorar o aprendizado de cada indivíduo

discente, através do respeito as suas características particulares de aprendizado.

Como objetivos específicos, pretende-se descrever as características essenciais da

educação a distância, em especial dos ambientes virtuais de aprendizagem. Aliado a

isso, identificar os fatores principais envolvidos na aprendizagem a distância, no que

diz respeito à definição do perfil do aluno virtual e aos recursos tecnológicos

utilizados. Por fim, mas não menos importante, busca-se explorar em detalhes a

relação entre Big Data e os ambientes virtuais de aprendizagem, ressaltando as

técnicas de modelagem computacional e análise de dados capazes de dar suporte a

iniciativas de personalização e adaptação do ensino.

Com relação ao tipo de pesquisa, o presente trabalho caracteriza-se por ser do tipo

bibliográfico, utilizando como principais instrumentos de coleta de dados leituras,

análises e interpretações de obras técnico-científicas relacionadas ao tema da

pesquisa.

Para atingir os objetivos propostos, o trabalho estrutura-se em oito capítulos, que

seguem uma ordem lógica de apresentação dos conceitos e teorias. O primeiro

deles trata dos aspectos históricos e características da educação a distância,

seguido pelos dois próximos capítulos que tratam do conceito de Big Data e sua

11

relação com a educação. Por fim, os três últimos capítulos apresentam a análise de

aprendizado, enfatizando seus benefícios, características e técnicas.

12

2 EDUCAÇÃO A DISTÂNCIA: FUNDAMENTOS E FERRAMENTAS

O processo de ensino-aprendizagem sofreu inúmeras mudanças durante o

desenvolvimento da sociedade. Guerras, revoluções tecnológicas e outros fatos

históricos marcantes influenciaram a didática e o conteúdo oferecido aos alunos,

bem como a forma como o conhecimento era transmitido. O que hoje se conhece

como Educação a Distância (EAD) também é parte integrante deste contexto

histórico-social.

Diferentemente daquilo que se imagina a primeira vista, educação a distância não é

algo recente, fruto do mundo pós-moderno, interconectado pelas TICs (Tecnologias

de Informação e Comunicação). Segundo Holmberg (2005), formas organizadas de

instrução por correspondência já existiam no século XVIII e XIX. Também, segundo

o mesmo autor, o uso de correspondência como forma de disseminação de

conhecimento e doutrinas é muito antigo e pode ser observado nas cartas do

apóstolo Paulo presentes na Bíblia Sagrada.

Desta forma, educação a distância não é definida pelo uso de tecnologias de

comunicação modernas no processo de ensino-aprendizagem. Sua principal

característica está associada com a separação física e/ou temporal entre o professor

e o aluno, distância esta mitigada pelo uso de um meio de comunicação eficiente no

processo (ALVES, 2011, apud KEEGAN, 1999).

Embora coadjuvantes do processo, os meios de comunicação tem papel

indispensável no ensino a distância. Eles são responsáveis pela construção da

interação entre professores e alunos, bem como pela transferência do conhecimento

entre as partes. Sem um meio de comunicação adequado, portanto, não é possível

pensar em EAD.

A correspondência, por exemplo, foi um meio de comunicação massivamente

utilizada antes da invenção do rádio, televisão e internet. Já nos dias atuais, a

internet apresenta-se como um dos principais meios de difusão do ensino a

distância, alavancada principalmente pelo suporte às mídias interativas e por

13

possibilitar comunicação em tempo real independentemente das distâncias físicas

envolvidas (DORNELLES, 2001).

A despeito dos demais meios de comunicação, a internet foi responsável por uma

verdadeira revolução social, responsável pela globalização do conhecimento e pela

popularização do ensino a distância.

2.1 A INTERNET E A GLOBALIZAÇÃO DO CONHECIMENTO

A popularização do uso da internet nos últimos anos tem contribuído

significativamente para a globalização e disseminação do conhecimento. Indivíduos

que no passado estavam à margem da evolução cultural da humanidade hoje

podem usufruir plenamente do seu direito de acesso à informação e ao

conhecimento graças às tecnologias de comunicação oferecidas pela grande rede.

Conforme relatório divulgado em 2013 pelo International Telecomunication Union

(ITU), o percentual médio de indivíduos com acesso a internet no mundo chegou a

42.07% em 2012, o que representa quase metade da população global. Este número

só não é maior porque existem muitos países subdesenvolvidos onde o acesso à

tecnologia é ainda muito limitado em virtude de graves problemas políticos, sociais e

econômicos.

A Figura 1 exibe graficamente o crescimento médio no percentual de indivíduos com

acesso a internet entre os anos de 2000 e 2012.

14

Figura 1 - Percentual médio de habitantes com acesso a internet nos últimos 10 anos Fonte: ITU (2013) Nota: Adaptado pelo autor

Conforme deixa claro o gráfico acima, o percentual de indivíduos com acesso a

internet têm crescido anualmente em ritmo acelerado, contribuindo notoriamente

para a firmação de uma sociedade de informação, globalizada e ávida por novos

conhecimentos que outrora estavam restritos a grandes centros de pesquisa e

universidades.

Outro grande benefício que advém do uso da internet é a capacidade de interação

entre indivíduos geograficamente distantes, uma característica que tem papel

fundamental na democratização e globalização do conhecimento. Estes processos

interativos promovem a contínua criação de novos conhecimentos a partir de outros,

já disponíveis. Estes conhecimentos, por sua vez, tornam-se base de outros novos,

enriquecendo culturalmente os indivíduos e a comunidade e dando continuidade a

um ciclo natural de evolução cultural (BRANDÃO e TEIXEIRA, 2003).

Este espaço virtual oferecido pela internet, no qual as possibilidades de interação e

expressão são praticamente ilimitadas, define-se como ciberespaço. Conforme

explica Santos (2003), o ciberespaço é um ambiente democrático que reúne, integra,

e redimensiona inumeráveis mídias e interfaces. Nele estrutura-se um ambiente

virtual de aprendizagem de amplitude mundial, bem como comunidades virtuais

criadas para fins específicos, como as de e-learning, por exemplo.

9,42 11,58 14,47 17,02 19,53 21,89 24,74 26,85 29,45 32,22 35,81 39,18 42,07

0,00

20,00

40,00

60,00

80,00

100,00

2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012

Percentual médio de habitantes com acesso a internet nos últimos 10 anos

15

As principais características dos ambientes virtuais de aprendizagem e o seu papel

na educação a distância serão apresentadas em maiores detalhes na seção

seguinte.

2.2 AMBIENTES VIRTUAIS DE APRENDIZAGEM (AVAS)

O surgimento de novas formas de comunicação, grande parte delas associadas às

tecnologias em plataforma Web, permitiu que novas ferramentas fossem integradas

ao processo de ensino-aprendizagem tradicional.

Muitos docentes, cientes dos benefícios da exploração do ciberespaço como

ferramenta de ensino, passaram a integrar em suas disciplinas ferramentas de

comunicação, tais como chats, web conference, e-groups e fóruns como recursos

adjuvantes na construção de conhecimento.

Embora inicialmente utilizadas isoladamente dentro do processo de ensino-

aprendizagem tradicional, o uso de tais tecnologias como ferramentas de ensino fez

emergir a necessidade de se integrar tais recursos e de se gerir os conteúdos

didáticos de forma unificada e consistente.

Surgia então o conceito de Learning Management Systems (LMS), posteriormente

chamados de Learning and Content Management Systems (LCMS), caracterizados

como sistemas de software responsáveis por sustentar a mediação entre alunos e

professores, gerir o conteúdo didático e armazenar as informações resultantes da

interação entre alunos e professores no decorrer do curso (PENTERICH, 2005, apud

PORTER, 1997). No Brasil, estes sistemas são conhecidos também como

Ambientes Virtuais de Aprendizagem (AVAs).

A utilização dos AVAs como ferramentas de ensino oferece uma série de vantagens,

as quais potencializam as características natas e os benefícios do modelo de

educação a distância.

Segundo Santos (2003), a aprendizagem mediada por AVAs apresenta os seguintes

benefícios:

16

Acesso a inúmeras fontes de informação e conhecimento, em diferentes

formatos de mídia;

Comunicação síncrona e assíncrona entre os participantes do processo de

ensino-aprendizagem;

Comunicação todos-todos, onde há permuta no papel de receptor/emissor de

conhecimento. Ou seja, ao ser recepcionada, determinada informação pode

ser transformada pelo sujeito e remodelada, sendo novamente emitida ao

grupo.

Outra importante característica dos ambientes virtuais de aprendizagem é a

capacidade de coleta de dados produzidos a partir da interação entre alunos e

professores no decorrer do processo de ensino-aprendizado.

A natureza dos dados coletados pelos AVAs tende a ser desestruturada e

multiforme, características típicas de dados obtidos a partir de interações sociais.

Contudo, o mais importante em relação aos dados é o seu potencial como ativo

estratégico, capaz de trazer a tona importantes propriedades acerca do processo de

ensino-aprendizagem constituído, bem como acerca dos agentes que participam

deste processo, em especial, do aluno (FERREIRA, 2013).

Com a aplicação de técnicas de análise adequadas sobre os dados coletados, pode-

se chegar facilmente ao perfil do aluno virtual. De posse deste perfil, o ambiente

virtual de aprendizagem torna-se apto a adaptar seus processos de mediação com

vistas a melhor atender as características daquele aluno. Como resultados deste

processo, cria-se uma visão individualizada do ensino, onde a concepção e

execução das estratégias pedagógicas passam a levar em consideração as

características particulares de cada indivíduo (SOARES, 2011).

17

3 A INDIVIDUALIZAÇÃO DAS ESTRATÉGIAS DE ENSINO

O sucesso de qualquer iniciativa de ensino, seja ela presencial ou a distância, é

medido pela capacidade que o processo tem de desenvolver habilidades e

conhecimentos no sujeito da aprendizagem, ou seja, no aluno.

Contudo, as variáveis envolvidas no processo de ensino-aprendizagem são

inúmeras, decorrentes da diversidade de características que envolvem o discente.

Estas características vão de aspectos físicos a culturais e são fatores proeminentes

na determinação de objetivos e valores pessoais, os quais tem forte influência na

aprendizagem do indivíduo.

Conforme explica Schnitman (2010) ao discorrer sobre educação a distância, a

descoberta do perfil do aluno em termos de anseios, motivações e dificuldades é

muito importante para a concepção de estratégias didático-pedagógicas eficazes. O

próprio ambiente virtual de aprendizagem deve estar de acordo com o perfil do aluno

para que este se sinta mais estimulado a aprender e contribuir na comunidade

virtual.

No caso do ensino presencial, a determinação do perfil do aluno é facilitada pela

proximidade física entre educadores e alunos e também pela proximidade cultural,

uma vez que a escola está inserida dentro da própria realidade dos seus alunos.

O mesmo já não ocorre na educação a distância, caracterizada pelo distanciamento

físico e/ou temporal entre os envolvidos. Nesta modalidade de ensino não é possível

associar os alunos dentro de uma única realidade social e cultural. Pelo contrário, há

muito mais diversidade do que homogeneidade entre os indivíduos, o que obriga as

instituições virtuais a buscarem formas para adaptar e personalizar o ensino, com

vistas a potencializar as características de aprendizado de cada indivíduo discente

(SCHNITMAN, 2010).

Contudo, não é possível desenvolver qualquer iniciativa de flexibilização e

personalização do ensino sem dispor de um adequado mapeamento do perfil do

aluno virtual integrante da comunidade. O que é bom para um estudante pode não

18

ser para outro; a heterogeneidade deve ser respeitada, bem como reconhecida em

cada intervenção realizada no processo de ensino-aprendizagem.

Neste processo de mapeamento do perfil do aluno virtual, os ambientes virtuais de

aprendizagem desempenham papel fundamental, uma vez que sua posição

estratégica como mediadores do processo de ensino aprendizagem permite que eles

recolham importantes dados que ajudam a compor o perfil de cada indivíduo da

comunidade virtual.

3.1 O PAPEL DOS AMBIENTES VIRTUAIS DE APRENDIZAGEM NO

DELINEAMENTO DO PERFIL DO ALUNO VIRTUAL

Conforme já visto anteriormente, as estratégias de ensino devem ir ao encontro do

perfil do aluno, potencializando seu aprendizado. Para isso é necessário que os

conteúdos didáticos e demais recursos instrucionais favoreçam o seu estilo de

aprendizagem.

Para realizar o mapeamento do perfil do aluno, deve-se dispor de um vasto conjunto

de dados acerca do indivíduo discente. Estes dados precisam retratar suas

características de aprendizagem (aparentes ou internas), objetivos, preferências,

motivações, padrões de interação, satisfação, anseios, etc.; devem ser

suficientemente ricas ao passo de fornecer informação estratégica, capaz de orientar

o processo de ensino-aprendizagem a ser aplicado ao aluno (BIENKOWSKI et al,

2012).

É importante ressaltar que o perfil do aluno não pode ser considerado estático,

imutável. O correto é tê-lo como dinâmico, como uma expressão do ambiente

externo e interno do indivíduo discente. Como todo e qualquer ser humano, o aluno

está sujeito a modificar suas perspectivas, anseios e motivações em face a uma

nova realidade apresentada e estas variações precisam ser percebidas e associadas

ao seu perfil (SCHNITMAN, 2010).

Corobora para esta visão o fato de que o indivíduo, ao interagir com o sistema de

tutoria, pode apresentar diferentes comportamentos interacionais que podem ser

19

favoráveis ou não para o aprendizado dos conceitos apresentados. Há àqueles que

interagem com o sistema com vistas a realmente aprender; outros, porém, buscam

encontrar padrões de comportamento assumidos pelo software para facilitar o seu

progresso na sequência de atividades propostas. Para estes últimos, notadamente,

a absorção do conhecimento fica prejudicada, pois se distanciam dos objetivos de

aprendizagem propostos (BAKER, 2005).

Baker (2005) discorre sobre os impactos negativos de aprendizagem sofridos por

aqueles indivíduos que visam burlar os mecanismos de tutoria inteligente,

apresentando o comportamento por ele descrito como “gaming the system”.

Conforme explica o autor, esse comportamento ocorre quando o estudante visa

lograr êxito no ambiente educacional explorando as suas propriedades ao invés de

estudar o material apresentado e tentar resolver as atividades com o conhecimento

obtido.

O fato do indivíduo discente tencionar manipular o ambiente de aprendizagem e, por

muitas vezes fazê-lo, evidencia dois importantes pontos de atenção. O primeiro

deles diz respeito à identificação de comportamentos contraproducentes, que

categoricamente diminuem o aprendizado do indivíduo. O segundo refere-se a

capacidade do sistema de inibir tais condutas, através de ações reativas e proativas

em face à identificação de um potencial desvio de conduta (BAKER, 2005).

Tanto a detecção do comportamento impróprio (que pode ser considerado parte

integrante da definição do perfil do aluno virtual) quanto as ações de controle podem

ser atribuídas ao ambiente virtual de aprendizagem. Baker (2005), por exemplo,

propôs o uso de redes neurais artificiais como mecanismos de detecção do

comportamento de manipulação do sistema. Uma vez treinada, a rede passou a

integrar o escopo dos agentes de tutoria inteligente, o que tornou o ambiente de

aprendizado capaz de inibir as condutas indesejadas antes que elas

comprometessem o aprendizado do indivíduo.

Deste modo, observa-se que o ambiente virtual de aprendizado tem papel

fundamental no processo de caracterização do perfil do indivíduo discente e da

garantia da qualidade do aprendizado deste. Em vista disso, é imprescindível que os

dados coletados pelos AVAs sejam convertidos em conhecimento e em ações

20

capazes de oferecer ao aluno o melhor caminho possível na direção do sucesso

acadêmico (SOARES, 2011).

Mediante os conhecimentos obtidos através da análise dos dados educacionais

tornam-se possível desenvolver rotinas que ofereçam ao sistema de aprendizagem

maior autonomia e efetividade nas rotinas de mediação do ensino. O mais

importante, neste ponto, é perceber que a base de conhecimentos gerada capacita o

ambiente a ter uma visão holística do indivíduo, a qual pode se converter em

estratégias personalizadas de ensino (SOARES, 2011).

3.2 NATUREZA DOS DADOS COLETADOS NO PROCESSO DE

ENSINO-APRENDIZAGEM ASSISTIDO POR COMPUTADOR

Não há dúvidas de que a coleta de dados dos processos de mediação de ensino

pelos ambientes virtuais de aprendizagem é de suma importância. Estes dados

constituem uma fonte inestimável de informação acerca do indivíduo discente, da

comunidade virtual e do processo de ensino-aprendizagem aplicado. São como uma

mina de ouro inexplorada, que tem muitas riquezas a oferecer a quem souber

explorá-la.

Utilizando-se de adequadas técnicas de mineração de dados e aprendizado de

máquina, é possível correlacionar os dados coletados dos AVAs em tempo real,

permitindo que o sistema de tutoria seja retroalimentado e modifique seu

comportamento para melhor adequar-se às características do indivíduo naquele

instante do tempo. O resultado seria, portanto, um sistema dinâmico, adaptável,

proativo e mais eficaz na aplicação das estratégias de ensino (SIEMENS e LONG,

2011).

Segundo Ferreira (2013), existe cinco grandes conjuntos de dados que podem ser

extraídos do processo de ensino-aprendizado assistido por computador. São eles:

Dados de identificação: São dados de natureza pessoal, que descrevem o

indivíduo, como nome, endereço, data e local de nascimento, etc. Não

apresentam dificuldades consideráveis para serem coletados.

21

Dados de interação com o usuário: Compreendem os dados coletados pelo

sistema enquanto o usuário interage com este. Em sua grande maioria têm

natureza estatística, como métricas de comprometimento com as atividades,

número de páginas vistas, número de cliques, taxa de abandono, etc. A

exemplo dos dados de identificação, os dados de interação também podem

ser facilmente obtidos.

Dados inferidos de conteúdos: São de natureza complexa, obtidos através

de análises que relacionam a efetividade de partes dos conteúdos

apresentados com grupos ou subgrupos de estudantes. Tais dados podem

exprimir, por exemplo, quão efetiva é, em termos de ganhos de proficiência, a

interação entre um determinado conteúdo com determinado tipo de

estudante.

Dados de sistema: São dados de abrangência global, como registros

disciplinares, grades de resultados, participação, listas de presença, etc.

Apresentam relativa facilidade de obtenção e, quando agregados em

quantidade suficiente, podem fornecer importantes informações holísticas da

comunidade virtual (contexto).

Dados inferidos de estudantes: É o tipo de dado que apresenta maior

dificuldade de obtenção. São, na maioria das vezes, métricas de proficiência

e desempenho, mas também podem referir-se a padrões de comportamento e

interação. Para obtê-los, são necessários grandes volumes de dados

coletados do processo de interação estabelecido entre tutor x professor x

aluno x conteúdo. Em termos práticos, os dados inferidos de estudantes têm

grande valor na concepção e aplicação de estratégias personalizadas de

ensino, uma vez que descrevem o indivíduo discente no seu contexto

instrucional.

Os conjuntos descritos por Ferreira (2013) evidenciam importantes características

acerca da natureza dos dados educacionais coletados pelos AVAs. A primeira delas

refere-se ao grande volume de dados produzidos, fruto da interação síncrona e

assíncrona entre os indivíduos da comunidade virtual (tutores, professores e alunos)

22

e da interação entre os indivíduos e o material didático, através das ferramentas de

mediação de ensino.

A segunda característica diz respeito à variedade dos dados, ou seja, aos múltiplos

formatos em que eles se apresentam. Assim como ocorre com outros sistemas de

cunho social, que promovem a troca de informações entre seres humanos, os AVAs

agregam e distribuem informações geradas por seres humanos, sem meta-

estruturas definidas. Os formatos se apresentam como os mais variados possíveis

(texto, vídeo, áudio, conversas em chats, fóruns, etc.) e são dotados de semânticas

particulares à linguagem humana e não à linguagem de máquina.

O fato dos dados apresentarem acentuada variedade em sua natureza e grande

volume traz a tona outra importante característica: a complexidade. Analisar dados

com estrutura mínima, e por vezes, sem qualquer estrutura, requer complexas

técnicas computacionais para que seja possível extrair informações úteis das

massas. A aplicação das técnicas tradicionais de captura e análise de dados não

fornecem suporte eficaz a estes cenários, em especial, porque são incapazes de

tratar o grande volume de dados produzidos na velocidade em que se desejada

obter os resultados. Isso decorre, principalmente, da necessidade de respostas em

tempo real, onde eventos presentes e passados são considerados na predição do

futuro, não mais apenas os passados.

Estas quatro importantes características observadas nos dados coletados dos AVAs,

a saber, volume, variedade, velocidade e complexidade, são indicadores unívocos

de que a concepção de estratégias de ensino individualizadas, através de ambientes

de aprendizagem proativos e adaptáveis ao perfil do aluno virtual, imerge no

conceito e no uso de ferramentas de Big Data.

23

4 BIG DATA: ORIGENS E CARACTERÍSTICAS

Nunca antes na história da humanidade se produziu tantas informações. Segundo o

6º estudo do universo digital, publicado em dezembro de 2012 pelo instituto IDC

(International Data Corporation), no período que compreende os anos de 2005 a

2020, o universo digital irá crescer na proporção de 300 vezes, partindo dos 130

exabytes para alcançar a marca dos incríveis 40.000 exabytes em 2020. Em termos

práticos, significa dizer que cada habitante da terra, em 2020, terá associado a si

5.200 gigabytes de informação (GANTZ e REINSEL, 2012).

O relatório do IDC indica também que a expansão do universo digital se intensifica

com o passar dos anos, evidenciando uma taxa de crescimento de proporções

exponenciais, conforme mostra a Figura 2.

Figura 2 - Projeção de crescimento do universo digital (2009 a 2020) Fonte: IDC (2012) Nota: Adaptada pelo autor

24

Ainda segundo o mesmo estudo, de 2012 a 2020, o universo digital praticamente irá

dobrar a cada dois anos. Sem sombra de dúvidas, são estatísticas impressionantes

e ao mesmo tempo assustadoras, pois, afinal, o que fazer com tantos dados? Como

determinar o que tem valor e o que é supérfluo? Como processá-los, analisá-los e

correlacioná-los com eficiência, de modo a obter a informação no tempo em que ela

é necessária?

Este novo e desafiador cenário digital vivenciado atualmente, caracterizado pela

enxurrada de dados, de naturezas e fontes diversas, fez emergir uma nova

concepção acerca dos dados e da forma como processá-los, a qual ficou conhecida

como Big Data.

Segundo o instituto Gartner (2013), o termo Big Data está relacionado com ativos de

informação de alta variedade e velocidade e de grande volume que demandam

formas inovadoras de processamento com custo efetivo, a fim de aprimorar a

percepção e tomada de decisão. Devido as suas características peculiares, estas

informações não podem ser processadas ou analisadas pelos processos e

ferramentas tradicionais, necessitando de aparatos tecnológicos especiais para tal.

Já na visão do IDC, Big Data refere-se a uma nova geração de tecnologias e

arquiteturas, desenvolvidas para economicamente extrair valor de grandes volumes

de dados de alta variedade, capacitando a captura, descoberta e análise dos

mesmos em alta velocidade (GANTZ e REINSEL, 2012).

Dentro das definições apresentadas pelo Gartner Group e IDC, fica evidente a

participação de três importantes propriedades na concepção do termo Big Data:

variedade, velocidade e volume. A seguir, cada um destes pilares conceituais é

descrito em maiores detalhes.

Volume: Refere-se à quantidade de informações armazenadas e disponíveis

para processamento. No contexto de Big Data, o volume de dados atinge

quantidades exorbitantes de bytes, com taxas de crescimento exponenciais

em curto espaço de tempo.

Variedade: Atualmente, pode-se coletar informações de praticamente

qualquer coisa. Elevadores, automóveis, redes sociais, sistemas de

25

posicionamento global, celulares, smartphones e sensores climáticos são

alguns exemplos de fontes de informação usadas atualmente.

Assim como há grande variedade nas fontes de informação, há também

grande variedade no formato dos dados por elas coletados. Dados extraídos

de redes sociais são muito diferentes de dados coletados por sensores

climáticos, por exemplo, mas, embora distintos em estrutura, podem estar

correlacionados.

Velocidade: Está relacionada à rapidez com que os dados são produzidos,

bem como com a rapidez com que devem ser processados, compreendidos e

analisados para obtenção de informações úteis.

A Figura 3 retrata de forma clara o inter-relacionamento entre as propriedades

descritas acima, também conhecidas como V3, na composição do universo Big Data.

Figura 3 - Propriedades Big Data: Variedade, Velocidade e Volume Fonte: Eaton (2012) Nota: Adaptado pelo autor

26

Analisando-se a Figura 3 mais detalhadamente, pode-se depreender dela

interessantes observações. Na fatia correspondente à variedade (variety), por

exemplo, é possível perceber que os dados não-estruturados, outrora subutilizados

ou mesmo descartados, passam a ser considerados conjuntamente com os

estruturados como fontes de informação. Já no contexto da velocidade (velocity),

coleta e processamento convergem dos antigos métodos em lote (batch) para fluxo

de dados, de natureza contínua, obtidos e avaliados praticamente em tempo real.

Por fim, na fatia referente ao volume, observa-se que a grandeza das massas de

dados consideradas se torna cada vez maior em decorrência das incontáveis fontes

de dados e também da necessidade de se considerar todo o universo de dados nas

análises e não mais apenas uma amostra dos mesmos.

Em termos práticos, o universo Big Data traz consigo grandes perspectivas para

incontáveis setores da sociedade e da economia. Certamente que uma destas áreas

refere-se à inteligência de negócios (business intelligence), que há muito já tem se

beneficiado de ferramentas analíticas. Contudo, setores como os de segurança,

inteligência militar, saúde e educação também estão sendo copiosamente servidos

por essas novas tecnologias.

Siemens (2011), por exemplo, identifica vários benefícios diretos advindos de

iniciativas de análise em Big Data para no ensino superior. Para o autor, os

conhecimentos gerados pelos processos analíticos servem a dois propósitos

principais, a saber, a melhoria do aprendizado e a melhoria organizacional, os quais

podem facilmente ser observados na descrição dos benefícios relatados por ele, que

seguem abaixo:

Aprimorar a alocação de recursos organizacionais e a tomada de decisões

administrativas.

Identificar estudantes em risco, provendo intervenções que os ajudem a obter

êxito no processo de aprendizagem.

Criar uma compreensão compartilhada dos sucessos e desafios institucionais.

27

Criar inovação e transformação nos sistemas de ensino, modelos acadêmicos

e abordagens pedagógicas.

Ajudar a dar sentido a temas complexos através da combinação de redes

sociais e redes técnicas e de informação.

Ajudar na transição de líderes através de um processo de tomada de decisão

com visão holística, apoiado por análises de cenários hipotéticos e

experimentações que exploram como vários elementos dentro de uma

disciplina complexa estão conectados, bem como quais seriam os impactos

se os elementos centrais forem alterados.

Alavancar a produtividade e eficácia organizacionais através de informações

atualizadas e a habilidade de respostas rápidas em cenários de mudança.

Ajudar os líderes educacionais a determinar os valores gerados pela atividade

docente.

Prover ao aluno informações acerca dos seus próprios hábitos de

aprendizado e recomendações para aperfeiçoa-los.

As constatações de Siemens (2011) deixam claro o importante papel desempenhado

pelas ferramentas de Big Data dentro do contexto educacional do ensino superior.

Contudo, sem sombra de dúvida, é possível estender estes benefícios a outros

níveis de ensino sem qualquer perda de credibilidade. Indo um pouco além, pode-se

afirmar também que a concepção e execução de estratégicas personalizadas de

ensino estão intimamente associadas ao domínio das tecnologias de Big Data.

28

5 BIG DATA E O PROCESSO DE ENSINO-APRENDIZAGEM

ASSISTIDO POR COMPUTADOR

O ensino a distância mediado por computador infelizmente não tem usufruído do

potencial informacional dos dados que possui. Não satisfatoriamente, ao menos.

Conforme já visto na seção 2.2, os AVAs são ferramentas com extraordinário

potencial de coleta devido ao seu privilegiado posicionamento como mediador do

processo de ensino-aprendizagem. Porém, simplesmente coletar dados não trás

benefício algum; é preciso extrair deles conhecimentos acerca da situação atual do

processo de aprendizado e também sugestões que podem promover melhorias

neste processo (SIEMENS e LONG, 2011).

A análise dos dados educacionais pode servir a diferentes propósitos. O primeiro

deles é contextualizar a instituição de ensino dentro de um segmento de mercado.

Neste cenário, a aplicação das ferramentas analíticas visa trazer a tona diferenciais

competitivos, capazes de destacar a instituição em relação as demais concorrentes

no mercado (business intelligence). A esse enfoque, dá-se o nome de análise

acadêmica.

A outra aplicação, tecnicamente mais específica que a análise acadêmica, refere-se

à análise de aprendizado. De acordo com o 1a Conferência Internacional de Análise

de Aprendizado e Conhecimento, o termo análise de aprendizado (learning analytics

- LA) envolve a medição, compilação, análise e apresentação de dados sobre

estudantes e seus contextos, com vistas a compreender e aperfeiçoar o aprendizado

e os ambientes em que ele ocorre (SIEMENS e LONG, 2011).

Do ponto de vista conceitual, a LA abrange inúmeras técnicas e métodos

computacionais para atingir os seus objetivos, o que a torna complexa e ao mesmo

tempo capacitada a vencer grandes desafios em termos educacionais. A figura

abaixo apresenta a visão do processo de análise de aprendizado e do papel que ela

pode desempenhar no contexto educacional segundo Siemens (2010).

29

Figura 4 - Visão do processo de análise de aprendizado Fonte: Siemens (2010)

Pela Figura 4 percebe-se que a origem dos dados (Learners off-put Data) que

alimentam o processo de LA vão além dos dados puramente educacionais. São

considerados parte do processo dados oriundos de fontes externas, como redes

sociais, para servir de base aos processos analíticos e de mapeamento de perfil.

Isso evidencia que iniciativas de análise de aprendizado enquadram-se nas

30

características já vistas de volume, variedade e velocidade, o que as coloca dentro

de um cenário de Big Data.

Outra importante característica que pode ser extraída da Figura 4 diz respeito ao

objetivo final do processo de LA, que é prover suporte a iniciativas de

personalização e adaptação. Assim, do ponto de vista pedagógico, a análise de

aprendizado produz grande efeito prático sobre o processo de ensino-aprendizagem,

sendo, portanto, uma ferramenta de grande valor na concepção de estratégias

individualizadas de ensino.

31

6 ANÁLISE DE APRENDIZADO: FUNDAMENTOS

Na medida em que os conhecimentos sobre o processo de ensino-aprendizagem

aplicado aos alunos aumentam, aumentam também as possibilidades de

identificação e correção de falhas. Com isso, o processo pode ser ajustado em

tempo hábil, mitigando efeitos negativos e potencializando bons resultados.

Um bom resultado, dentro do contexto educacional, está associado ao sucesso do

indivíduo discente. Quando há aprendizado, quando de fato há transferência e

aquisição de conhecimento pelo indivíduo em níveis satisfatórios, então é possível

afirmar categoricamente que houve efetividade no processo de ensino-

aprendizagem aplicado e, portanto, sucesso.

A análise de aprendizado preocupa-se justamente com isso, em potencializar as

taxas de sucesso no processo de ensino-aprendizagem através da aplicação de

métodos e ferramentas analíticas sobre vastos conjuntos de dados educacionais.

Como objetivos imediatos, a LA busca oferecer conhecimentos acerca do processo

que podem ser convertidos em alertas de intervenção, aprimoramentos no design e

distribuição de cursos e também em ações de personalização dos ambientes de

ensino (BROWN, 2012).

Para atingir seus objetivos, a LA precisa seguir uma sequência de etapas bem

definidas. Conforme explica Elias apud Dron e Anderson (2011), o processo de

análise de aprendizado pode ser compreendido como um ciclo composto de três

fazes distintas: coleta, processamento e apresentação.

Na fase de coleta, a primeira do ciclo, as fontes de informação e os dados de

interesse são selecionados e capturados. Seguindo adiante, na fase de

processamento, estes dados previamente coletados são agregados e sumarizados e

deles são extraídas inferências ou predições. Por fim, na fase de apresentação, as

informações obtidas são aplicadas, refinadas e compartilhadas (ELIAS apud DRON

e ANDERSON, 2011).

32

O interessante a se observar neste modelo (Figura 5) é que a apresentação dos

dados, que envolve seu uso, compartilhamento e refinamento, tem influência direta

na fase de coleta. A explicação para isso é simples, uma vez que a aplicação do

conhecimento obtido terá, por mínimo que seja, algum impacto no ambiente

educacional. Estes impactos, por conseguinte, serão retratados nos dados coletados

do ambiente educacional num momento posterior, iniciando assim um novo ciclo.

33

Figura 5 - Fases do ciclo de análise de aprendizado Fonte: Elias (2011) Nota: Adaptado pelo autor

Outra importante característica que fica evidente na Figura 5 é a transformação dos

dados em sabedoria, com transições que coincidem com as mudanças de fase

COLETA

Seleção Captura

PROCESSAMENTO

Agregação

Sumarização

Predição

APRESENTAÇÃO

Uso Refinamento

Compartilhamento

DADOS

34

dentro do ciclo. O processo se alimenta, portanto, de insumos digitais e os converte

à medida que avança, em insumos de natureza humana.

O fato de se considerar sabedoria como um produto da fase de apresentação

pressupõe que o processo de análise de aprendizado não é puramente técnico, mas

também é cognitivo e social. Neste panorama, as ferramentas analíticas atuam

como um adesivo que liga seres humanos e máquinas, buscando extrair o máximo

de ambos os lados em favor do processo de aprendizagem (ELIAS, 2011).

Através das ferramentas analíticas de Big Data, capacitadas a trabalhar com os

dados em grande volume, variedade e velocidade, a LA pode expandir seus

horizontes, passando a considerar em seu escopo complexos mecanismos de

descoberta de padrões que outrora seriam impossíveis de se obter face às

restrições tecnológicas da época (BIENKOWSKI et al., 2012).

Na próxima seção, os diferentes estágios ou níveis de maturidade associados a

iniciativas de LA serão descritos, em termos de técnicas, resultados e nível de

complexidade.

35

7 ANALISE DE APRENDIZADO: ESTÁGIOS DE MATURIDADE

Conforme explica Siemens (2011), existem cinco diferentes estágios de

desenvolvimento de uma iniciativa de LA. Os estágios são análogos a níveis de

maturidade, indicando o grau de complexidade e efetividade das iniciativas de LA

desenvolvidas.

O avanço de um estágio para o outro requer o domínio de técnicas mais complexas,

tanto em termos de aplicação de ferramentas de software quanto em termos de

processo organizacional. As predições obtidas das ferramentas, por si só, não tem

valor algum se não forem compartilhadas e convertidas em ações dentro do

ambiente de aprendizado. Por isso da necessidade de um adequado processo

organizacional que faça uso do conhecimento obtido, convertendo-o em ações

efetivas (SIEMENS, 2011).

O primeiro estágio do modelo proposto por Siemens refere-se às iniciativas a nível

de curso. Nela estão inclusas técnicas como trilhas de aprendizagem, análise de

rede social e análise de discurso.

A técnica de análise de rede social (Social Network Analysis - SNA), por exemplo,

tem grande potencial em prover conhecimento acerca dos padrões de interação

observados entre os atores de um ambiente social (ELIAS, 2011). Como os AVAs

também tem características de redes sociais, muito pode ser depreendido e

aprendido a partir da análise dos fluxos de comunicação entre os atores do processo

de ensino-aprendizagem.

O segundo estágio compreende a mineração de dados educacionais (educational

data mining – EDM). O foco desta etapa está em encontrar padrões que possam

revelar importantes informações que ajudem a melhor compreender o aluno e o

contexto de ensino em que ele está inserido. Algumas das técnicas aplicadas neste

estágio são a modelagem preditiva, agrupamento, classificação e descoberta de

padrões (BAKER e YACEF, 2009).

36

Conforme explicam Baker e Siemens (2012), a mineração de dados educacionais

tem uma visão reducionista do processo de aprendizado, onde os componentes e

relacionamentos são analisados de forma individual. Dá-se ênfase também na

automação das ações do software educacional através da descoberta de padrões e

técnicas de aprendizado de máquina.

O desenvolvimento da área de mineração de dados educacionais tem ocorrido

paralelamente ao desenvolvimento da análise de aprendizado. Existem similaridades

e diferenças entre as abordagens que por vezes as tornam concorrentes à primeira

vista. Contudo, conforme deixam claro Baker e Siemens (2012), ambas as correntes

compartilham do objetivo de aperfeiçoar o processo educativo através da melhoria

da avaliação, da melhor compreensão dos problemas envolvidos e também da forma

como as intervenções no processo educacional são planejadas e selecionadas.

Segundo os mesmos autores, as diferenças chaves entre as correntes residem nos

seguintes pontos:

Descoberta: A LA visa aprimorar o julgamento humano através das predições

e padrões descobertos, enquanto que a EDM visa aprimorar os processos

automatizados de descoberta.

Visão: Na LA, busca-se compreender o sistema e suas variáveis como um

todo, mantendo-se uma visão holística no processo. A EDM, por sua vez, é

mais minuciosa e busca compreender e analisar de forma individualizada os

componentes e relacionamentos.

Origem: As origens da EDM estão fortemente ligadas aos softwares

educacionais e a modelagem de estudantes. Já a LA tem suas raízes em web

semântica, currículo inteligente, predição de resultados e intervenções

sistêmicas.

Adaptação e personalização: A LA foca em ações informativas e de

capacitação voltadas aos alunos e instrutores. Já a EDM concentra-se em

iniciativas de adaptação automática, sem intervenção humana no processo.

37

Técnicas e métodos: As técnicas e métodos utilizados na LA são análise de

redes sociais, análise de sentimento, análise de influências, análise de

discurso, predição de sucesso de aprendizes, análise de conceitos e modelos

de construção de sentido. Para a EDM, as principais técnicas e métodos

utilizados são classificação, agrupamentos, modelos bayesianos, mineração

de relacionamentos, descoberta a partir de modelos e visualização.

O que se observa em relação à EDM e à LA é que ambas são complementares em

termos de objetivos, técnicas e métodos. Isso permite que iniciativas de análise de

aprendizado façam uso da EDM para atingir seus objetivos e vice-versa. O processo

de mapeamento do perfil do aluno, por exemplo, se relaciona tanto com a mineração

de dados educacionais quanto com a análise de aprendizado.

O currículo inteligente, terceiro estágio do modelo, visa oferecer ao aluno o

conteúdo de ensino sob demanda e de modo personalizado (SIEMENS, 2011).

Tradicionalmente, os conteúdos são oferecidos em porções e em períodos

determinados e da mesma forma para todos os alunos. Com o currículo inteligente,

o nível de proficiência do indivíduo é avaliado constantemente em tempo real, o que

permite ao sistema “alimentá-lo” com os conhecimentos que ele está apto a

aprender no momento mais adequado. Mais uma vez é imprescindível que o

ambiente de aprendizado mantenha em constante atualização o perfil do aluno para

que este tenha condições de realizar as melhores intervenções no processo de

ensino-aprendizado aplicado ao estudante.

Intimamente ligados ao conceito de currículo inteligente estão o conteúdo e o

aprendizado adaptativos. Nestes estágios, os conteúdos e o próprio processo de

aprendizado tornam-se dinâmicos e individualizados. O grau de complexidade

envolvido é alto, dado a quantidade e a variedade de análises e modelos

computacionais necessários para construir um ambiente capaz de suportar tais

características (SIEMENS, 2011).

Ao ingressar num ambiente de aprendizado com características adaptativas, o aluno

deve ser levado a uma experiência única de ensino, diferente de qualquer outro

indivíduo da mesma comunidade. Isso porque o perfil de cada indivíduo é impar e

38

esta individualidade deve ser refletida no processo de ensino-aprendizagem

aplicado.

A Figura 6 apresenta os estágios de análise de aprendizado segundo Siemens

(2011).

Figura 6 - Estágios da análise de aprendizado Fonte: Siemens (2011) Nota: Adaptado pelo autor

Análise a nível de curso

Currículo inteligente

Mineração de dados educacionais

Conteúdo adaptativo

Aprendizado adaptativo

Ind

ivid

ua

liza

çã

o e

pers

on

ali

zaç

ão

do

en

sin

o

Co

mp

lex

ida

de,

vis

ão

ho

lís

tica

39

8 ANALISE DE APRENDIZADO: ÁREAS DE APLICAÇÃO

A análise de aprendizado conjuntamente com a mineração de dados educacionais,

quando assistida pelas ferramentas de Big Data, apresenta aplicabilidade em

diversas áreas dentro do processo de ensino-aprendizado.

É interessante observar que muitas das técnicas de modelagem e análise utilizadas

para fins educativos atualmente não são exclusividade da área da educação. Na

verdade, muitas delas foram aplicadas primeiramente em plataformas comerciais,

como e-commerces, games, ferramentas de entretenimento, etc., em iniciativas de

business intelligence. Num segundo momento foram então adaptadas e aplicadas

como ferramentas educativas, de grande eficácia na concepção de estratégias de

ensino de melhor qualidade.

O Quadro 1 apresenta resumidamente as áreas de aplicação da LA e EDM segundo

o relatório do Departamento de Educação dos Estados Unidos (BIENKOWSKI et al.,

2012). Na sequência, cada uma destas áreas será descrita em maiores detalhes.

Área de aplicação Objetivos Tipos de dados requeridos

Modelagem de conhecimento

Mapear os conhecimentos e habilidades que o estudante possui.

Respostas às questões.

Tempo gasto nas respostas.

Repetição de respostas erradas.

Requisições de dicas.

Erros cometidos.

Níveis de desempenho dos estudantes.

Modelagem de comportamento

Mapear os padrões de comportamento e o seus relacionamentos com o aprendizado do indivíduo.

Mapear o nível de motivação.





40

Erros cometidos.

Níveis de desempenho dos estudantes.

Mudanças no contexto escolar e na sala de aula.

Modelagem de experiências

Modelar o nível de satisfação do aluno com a experiência de ensino.

Questionários.

Pesquisas.

Escolhas.

Comportamento.

Desempenho em unidades posteriores às pesquisas no curso.

Modelagem de perfil

Modelar as características individuais de cada aluno, associando-o a um grupo.





Erros cometidos.

Modelagem de domínio

Determinar qual é a melhor divisão a ser feita de determinado tópico de conhecimento, bem como melhor sequenciamento dos módulos obtidos.


Desempenho em módulos com diferentes níveis de granularidade.

Taxionomia do modelo de domínio.

Associações entre problemas.

Associações entre habilidades e problemas.

Análise de componentes do sistema de aprendizagem e princípios instrucionais

Determinar quais componentes são efetivos para o aprendizado.

Determinar qual princípio de aprendizado tem melhores resultados.

Determinar o quão


Desempenho em módulos com diferentes níveis de granularidade.

Taxionomia do modelo de domínio.

Associações entre problemas.

Associações entre habilidades e problemas.

41

efetivo é o currículo em sua totalidade.

Análise de tendências

Determinar o que muda ao longo do tempo e como

Registros de matrícula, diplomação, conclusão, etc., de vários anos consecutivos.

Adaptação e personalização

Determinar qual é a próxima ação mais adequada a ser sugerida.

Determinar a melhor experiência de usuário a ser aplicada.

Determinar como a experiência do usuário pode ser alterada em tempo real.

Dados históricos.

Dados de desempenho.

Outras fontes, variando pela necessidade.

Quadro 1 - Áreas de aplicação da análise de aprendizado e mineração de dados educacionais Fonte: Bienkowski et al. (2012)

8.1 MODELAGEM DE CONHECIMENTO

A modelagem do conhecimento e habilidades do indivíduo discente é fator

imprescindível para ações de adaptação e customização em ambientes virtuais de

aprendizagem.

Através da coleta e análise das interações entre os indivíduos e o sistema, respostas

corretas ou erradas dadas a questionamentos, tempo gasto na preparação prévia

para responder questões e taxa de erros, por exemplo, é possível chegar a modelos

computacionais capazes de alterar o sistema, de modo que este possa “dizer” a

coisa “certa” no tempo “certo” e do modo “certo” (BIENKOWSKI et al., 2012, apud

GERHARD, 2001).

Os modelos formais de conhecimento são fundamentais para a concepção de

sistemas de recomendação, hipermídias adaptativas, sistemas especialistas e

sistemas inteligentes de tutoria. Em todos eles, o nível de domínio dos

conhecimentos pelo aluno é usado como mecanismo regulador do sistema de

42

aprendizagem, direcionando ações que vão de alertas aos tutores e professores a

mecanismos automatizados de controle de progresso acadêmico.

8.2 MODELAGEM DE COMPORTAMENTO

As ações que o aluno realiza no sistema de aprendizado dizem muito acerca da

qualidade do aprendizado. Em vista disso, a modelagem de comportamento busca

classificar as ações do estudante como condizentes ou não com as tarefas (on-task

e off-task) de ensino, a fim de detectar padrões indesejáveis e falta de motivação

(BIENKOWSKI et al., 2012).

Outra importante atribuição da modelagem de comportamento é descobrir quais

tipos de comportamentos estão associados com um melhor nível de aprendizado.

Assim, uma vez determinados, estes comportamentos “positivos” servem de base a

ações automatizadas e não automatizadas que visam aumentar a taxa de sucesso

do processo de ensino-aprendizagem aplicado.

Em suma, a modelagem de comportamento busca responder qual é a relação

existente entre os padrões de comportamentos observados no aluno e o seu

aprendizado. Assim, ao se tornar conhecida a relação, sistemas de aprendizado e

professores podem executar ações para inibir ou promover tais comportamentos.

8.3 MODELAGEM DE EXPERIÊNCIAS

A modelagem de experiências é uma técnica muito utilizada em aplicações web,

principalmente aquelas de e-commerce. A principal fonte de informação são

questionários e pesquisas feitas com os usuários. Os dados coletados por estas

ferramentas são analisados a fim de determinar o grau de satisfação ou insatisfação

do usuário com a experiência de consumo do produto ou serviço oferecido.

Dentro do contexto educacional, a modelagem de experiências tem grande

aplicabilidade na melhoria da experiência de ensino e, por conseguinte, em

43

alavancar as taxas de sucesso e retenção de conhecimento (BIENKOWSKI et al.,

2012).

Através da coleta de dados antes, durante e após o ingresso do aluno no curso,

pode-se inferir conhecimentos que ajudem a corrigir pontos falhos no currículo, nos

processos organizacionais, nos conteúdos, nas instalações, etc. Além disso, os

resultados das pesquisas podem ser correlacionados com modelos de

comportamento, por exemplo, para confirmar o que os indivíduos disseram quando

questionados.

Tecnicamente, a modelagem de experiência tende a uma visão global, mais

institucional, retratando o ambiente de aprendizado como um todo. Contudo, embora

seu espectro amplo, a complexidade envolvida na concepção de uma iniciativa de

modelagem de experiência não é tão grande, uma vez que as técnicas já são bem

conhecidas.

8.4 MODELAGEM DE PERFIL

Na seção 3.1 foram abordados alguns aspectos do processo de construção do perfil

do aluno virtual. Dentre os principais pontos descritos estavam a dinamicidade que

caracteriza o perfil do indivíduo e a importância deste para orientar ações de

personalização e adaptação dos ambientes virtuais de aprendizagem.

Para realizar a modelagem do perfil do estudante são necessárias coleções de

dados pessoais que tenham a capacidade de descrever as características

essenciais do indivíduo em termos de anseios, objetivos, características de

aprendizado, preferências, etc.

De posse do perfil do aluno, torna-se possível adaptar e personalizar o ambiente de

aprendizagem para indivíduos ou grupo de indivíduos a fim de maximizar a eficiência

e eficácia do aprendizado (BIENKOWSKI et al., 2012).

O processo de mapeamento de perfil é complexo, pois envolve diferentes fontes de

dados e modelos computacionais. Contudo, os resultados podem ser bem

44

promissores se houver adequada conversão da percepção individual obtida do aluno

em ações que promovam maior estímulo ao aprendizado.

8.5 MODELAGEM DE DOMÍNIO

Um modelo de domínio é composto por um conjunto de conceitos chave e

relacionamentos, que juntos constroem determinado assunto ou tópico de

conhecimento. Sendo os conceitos chave unidades de conhecimento indivisíveis e

autocontidos, torna-se possível utilizá-los em diferentes sequências para construir o

assunto, possibilitando a criação de diferentes taxionomias para diferentes cenários

de aprendizagem (BIENKOWSKI et al., 2012).

No contexto educativo, a modelagem de domínio busca saber quais são os efeitos

gerados pelas diferenças na divisão e apresentação de um conjunto de conceitos

chave de determinado assunto sobre o aprendizado dos indivíduos (BIENKOWSKI

et al., 2012).

Para isso são utilizadas técnicas de mineração de dados que buscam identificar qual

é a relação que há entre a aplicação de determinada taxionomia de domínio sobre

as taxas de sucesso ou fracasso de aprendizado. De posse destas informações, o

sistema de aprendizado é ajustado para servir instrução e aprendizado de melhor

qualidade através do uso da taxionomia de domínio mais adequada.

8.6 ANÁLISE DE COMPONENTES DO SISTEMA DE

APRENDIZAGEM E PRINCÍPIOS INSTRUCIONAIS

A análise de princípios instrucionais busca analisar tipos de práticas instrucionais e

os componentes dos sistemas de aprendizagem, de modo a obter informações que

ajudem a identificar importantes pontos do processo de ensino-aprendizagem.

São alguns dos objetivos desta técnica, segundo Bienkowski et al. (2012):

45

Entender quais componentes de aprendizagem são realmente efetivos na

promoção do aprendizado;

Determinar qual currículo apresenta os melhores resultados em termos de

aprendizagem;

Identificar quais práticas têm melhor desempenho na promoção do

aprendizado;

A adequada compreensão da eficácia das práticas instrucionais e dos diferentes

componentes dos sistemas de aprendizagem existentes permite, portanto,

desenvolver sistemas de aprendizagem mais aprimorados com grande impacto no

aprendizado dos alunos.

8.7 ANÁLISE DE TENDÊNCIAS

Originalmente, a análise de tendências tem grande aplicabilidade em ferramentas

comerciais, na predição de escolhas e interesses dos clientes. Ao antever as

tendências de mercado, as empresas conseguem desenvolver produtos e

estratégicas de marketing com maiores chances de sucesso.

No ambiente educacional, a análise de tendências busca identificar quais foram as

mudanças ocorridas no aprendizado dos usuários no decorrer do tempo e como o

aprendizado mudou (BIENKOWSKI et al., 2012).

Sabendo-se o que mudou e como mudou, é possível estabelecer relacionamentos

que evidenciem a eficácia (ou não) de políticas organizacionais e pedagógicas

aplicadas. Além disso, a predição de situações futuras pode revelar desvios nos

objetivos, os quais podem ser corrigidos antecipadamente quando os efeitos

negativos ainda são pequenos (BIENKOWSKI et al., 2012).

Para estabelecer tendências, as informações históricas são de fundamental

importância. Desta forma, toda a sorte de registros feitos do aluno no decorrer da

sua vida acadêmica tem grande valia neste processo.

46

8.8 ADAPTAÇÃO E PERSONALIZAÇÃO

A adaptação está diretamente ligada com a personalização da experiência de

aprendizagem, vinculada às mudanças no comportamento e na interface do sistema

de aprendizagem em prol da melhor adequação às características do usuário

(BIENKOWSKI et al., 2012).

O processo de personalização e adaptação, para ser bem sucedido, requer um

adequado mapeamento do perfil do aluno, através da coleta e processamento de

conjuntos de dados que definam suas características essenciais como pessoa e

como aprendiz.

Do ponto de vista do processo de análise de aprendizado, conforme já apresentado

no início desta seção (Figura 4), a adaptação e a personalização representam o

último estágio da LA. É o ápice da caminhada, onde de fato o aluno molda o

processo de ensino-aprendizagem ao seu perfil particular e não mais busca alinhar

suas expectativas e capacidades ao limitado universo de possibilidades oferecidas a

ele.

47

9 CONCLUSÃO

A educação a distância assistida por computador se apresenta como uma das mais

promissoras ferramentas de ensino contemporâneas, capaz de promover o acesso

ao ensino de qualidade àqueles que estão à margem da sociedade e das fontes de

conhecimento.

Além da sua relevância social, a educação a distância mostra-se como um ambiente

fértil para ações que visam tornar o processo de ensino-aprendizagem mais eficaz e

humano. Uma destas ações refere-se a utilização de avançados recursos

tecnológicos que permitam a construção de ambientes de aprendizagem adaptáveis

e personalizáveis, moldáveis, portanto, ao perfil do aluno.

Estas iniciativas de individualização do processo de ensino-aprendizagem

sustentam-se basicamente na coleta e análise de grandes volumes de dados, bem

como na retroalimentação dos ambientes virtuais de aprendizagem com o

conhecimento adquirido, através de rotinas automatizadas ou intervenções

humanas.

Do ponto de vista da coleta, os AVAs são os atores principais. Pela sua posição

privilegiada como mediadores do processo de ensino-aprendizagem, tornam-se

capazes de coletar dados de absolutamente todos os eventos e interações que

ocorrem dentro do ambiente.

Contudo, em termos estratégicos, os dados educacionais em seu estado bruto não

tem valor algum. Seu real valor é obtido através de atividades de análise que

correlacionam, deduzem, predizem e simulam cenários hipotéticos. Em razão da

complexidade envolvida neste processo, torna-se necessário o uso de ferramentas

de software especiais, capazes de atuar no universo Big Data.

Entende-se que a análise de dados educacionais está associada a um cenário de

Big Data devido a dois fatores fundamentais: natureza dos dados e necessidade de

abordagens inovadoras de análise.

48

Em relação a natureza, os dados educacionais caracterizam-se pelo grande volume

e acentuada variabilidade, aspectos decorrentes da interação entre os indivíduos no

processo de ensino-aprendizagem e da grande capacidade dos ambientes virtuais

em coletar dados acerca destas interações.

O segundo fator, relacionado com a necessidade de abordagens inovadoras de

análise, decorre da complexidade inerente ao processamento das grandes massas

heterogêneas de dados e dos requerimentos de velocidade envolvidos.

Diferentemente dos processos de mineração e análise tradicionais, onde a extração

de padrões e conhecimentos ocorre em modo batch sobre amostras de dados, a

análise de dados educacionais requer processos de extração e descoberta de tempo

real atuando sobre os dados em sua totalidade.

Dentro do contexto de análise de dados educacionais, merece especial destaque o

método de análise de aprendizado (LA). Sua importância está firmada,

principalmente, na acentuada abrangência que esta tem dentro do processo de

ensino-aprendizagem, correlacionando aspectos institucionais e pedagógicos como

subsídios para promoção de iniciativas de personalização e adaptação do

aprendizado.

Em termos de aplicabilidade, a LA mostra-se capacitada a atuar em vários campos,

como a modelagem de experiências, de perfil, domínio e conhecimento, por

exemplo. Alguns destes campos são, essencialmente, releituras de técnicas já

aplicadas na área de business intelligence, adaptadas para servir ao meio educativo.

O objetivo fundamental da LA é promover aprendizado de qualidade, com alta taxa

de retenção de conhecimento por parte do indivíduo. A abordagem é sempre

direcionada ao estudante, em aspectos que relacionam-se com seus anseios,

comportamentos, conhecimentos e dificuldades.

O que se observa deste panorama que mistura EAD com Big Data é uma mudança

de paradigma. Na educação tradicional, o conhecimento e os materiais didáticos são

oferecidos em formato padrão. O próprio método de ensino é rijo, e por vezes,

discriminatório na observância e respeito às características de cada indivíduo. A

EAD, contudo, vem tentando converter esta padronização tradicional em

49

personalização e adaptação e nesse processo, o mundo Big Data tem muito a

oferecer.

Passou-se o tempo em que o aluno precisava se adequar ao estilo de ensino

oferecido. Hoje a tecnologia permite o respeito à individualidade, ao estilo de

aprendizagem e ao conhecimento prévio do aluno, sem que para isso haja sacrifício

de objetivos e metas pedagógicas. Adaptar e personalizar significa, portanto, colocar

o indivíduo no controle do seu aprendizado, através do respeito a seus valores e

características de aprendizado. Significa também desenvolver estratégias

pedagógicas individualizadas, que ao mesmo tempo que mantém acordo com o

perfil do aluno, se mantém alinhadas com os objetivos gerais e específicos

estabelecidos para o ensino.

Contudo, Big Data, LA e a própria EAD assistida por computador são conceitos

ainda muito recentes. São disciplinas em desenvolvimento, em estágio de

maturação. Por isso, muitos dos avanços práticos ainda estão fortemente

associados às pesquisas realizadas na área, muitas vezes focados em aspectos

discretos do processo de ensino-aprendizagem. Porém, embora recentes, tais

tecnologias dão claros sinais de que uma revolução nas formas de ensino se

aproxima.

No momento em que as técnicas de modelagem associadas à LA puderem ser

utilizadas em conjunto, de modo convergente, facilitadas por um escopo de recursos

financeiros e tecnológicos plausível, então a concepção e execução de estratégias

de ensino comprovadamente individualizadas se tornará uma realidade comum no

ensino a distância.

50

10 REFERÊNCIAS

ALVES, LUCINEIA. Educação a distância: conceitos e história no Brasil e no mundo. Revista Brasileira de Aprendizagem Aberta e a Distância, v.10, 2011. Disponível em: <http://www.abed.org.br/revistacientifica/Revista_PDF_Doc/2011/Artigo_07.pdf>. Acesso em: 25 jul. 2013.

BAKER, RAY S. J. D.; YACEF, KALINA. The State of Educational Data Mining in 2009: A Review and Future Visions. Journal of Educational Data Mining, vol. 1, 2009. Disponível em: < http://educationaldatamining.org/JEDM/index.php/JEDM/article/viewFile/8/2>. Acesso em: 20 set. 2013.

______; SIEMENS, GEORGE. Learning analytics and educational data mining: towards communication and collaboration. Anais da 2º Conferência Internacional de análise de aprendizado e conhecimento. 2012. Disponível em: < http://users.wpi.edu/~rsbaker/LAKs%20reformatting%20v2.pdf>. Acesso em: 17 set. 2013.

______. Designing intelligent tutors that adapt to when students game the system. Pittsburgh: Carnegie Mellon University, 2005. 124 pg. Tese de Doutourado - Human-Computer Interaction - Institute School of Computer Science. Disponível em: <http://ra.adm.cs.cmu.edu/anon/anon/usr/ftp/hcii/CMU-HCII-05-104.pdf>. Acesso em: 26 ago. 2013.

BIENKOWSKI, MARIE et al. Enhancing teaching and learning through educational data mining and learning analytics: an issue brief. U.S Departament of Education, Office of Educational Tecnology. 2012. Disponível em: <http://www.ed.gov/edblogs/technology/files/2012/03/edm-la-brief.pdf>. Acesso em: 19 set. 13.

BRANDÃO, EDEMILSON J. R; TEIXEIRA, ADRIANO C. Internet e democratização do conhecimento: repensando o processo de exclusão social. RENOTE - Revista Novas Tecnologias na Educação, Porto Alegre, 2003. Disponível em: < http://seer.ufrgs.br/renote/article/download/13635/7711>. Acesso em: 8 ago. 2013.

51

DORNELLES, JORGE R. A utilização de tecnologias de Internet na educação a distância: o caso de uma disciplina de graduação da Escola de Administração da Universidade Federal do Rio Grande do Sul. 2011. Dissertação. Universidade Federal do Rio Grande do Sul. Disponível em: <http://www.lume.ufrgs.br/bitstream/handle/10183/2585/000322602.pdf?...1>. Acesso em: 15 set. 2013.

EATON, CHRIS et al. Understanding big data: analytics for enterprise class hadoop and streaming data. Estados Unidos da América: McGraw-Hill, 2012. 166 p.

FERREIRA, JOSE. Big data in education: the 5 types that matter. 2013. Disponível em: <http://www.knewton.com/blog/knewton/from-jose/2013/07/18/big-data-in-education/>. Acesso em: 28 ago. 2013.

GANTZ, JOHN; REINSEL, DAVID. The digital universe in 2020: big data, bigger digital shadows, and biggest growth in the far east. EMC Corporation, 2012. Disponível em: <http://www.emc.com/collateral/analyst-reports/idc-the-digital-universe-in-2020.pdf>. Acesso em: 1 set. 2013.

GARTNER, INC. IT glossary. Disponível em: <http://www.gartner.com/it-glossary/>. Acesso em: 24 ago. 2013.

HOLMBERG, BÖRJE. The evolution, principles and practices of distance education. Oldenburg: BIS-Verlag der Carl von Ossietzky Universität Oldenburg, 2005. 171 p.

ITU. Percentage of individuals using the Internet. Internaction Telecomunication Union. Disponível em: <http://www.itu.int/en/ITU-D/Statistics/Documents/statistics/2013/Individuals_Internet_2000-2012.xls>. Acesso em: 7 ago. 2013.

SANTOS, EDMEA O. Ambientes virtuais de aprendizagem: por autorias livres, plurais. Revista FAEBA, v.12, no. 18, 2003. Disponível em: <http://www.comunidadesvirtuais.pro.br/hipertexto/home/ava.pdf>. Acesso em: 8 ago. 2013.

52

SCHNITMAN, IVANA M. O perfil do aluno virtual e as teorias de estilos de aprendizagem. 3º Simpósio Hipertexto e Tecnologias na Educação, 2011. Disponível em: <http://www.ufpe.br/nehte/simposio/anais/Anais-Hipertexto-2010/Ivana-Maria-Schnitman.pdf>. Acesso em: 20 set. 2013

SIEMENS, GORGE; LONG, PHIL. Penetrating the fog. Analytics in learning and education. Educause Review on Line. 2011. Disponível em: < http://www.educause.edu/ero/article/penetrating-fog-analytics-learning-and-education>. Acesso em: 4 set. 2013.

SIEMENS, GORGE. What are Learning Analytics?. 2010. Disponível em: <http://www.elearnspace.org/blog/2010/08/25/what-are-learning-analytics>. Acesso em: 15 set. 2013.

SOARES, LUIS. The ‘personalization’ of higher education using technology to enhance the college experience. Center of American Progress, 2011. Disponível em: <http://www.educause.edu/library/resources/%E2%80%98personalization%E2%80%99-higher-education-using-technology-enhance-college-experience>. Acesso em: 10 set. 2013.

http://www.educause.edu/ero/article/penetrating-fog-analytics-learning-and-education

http://www.educause.edu/ero/article/penetrating-fog-analytics-learning-and-education

O uso de tecnologias de big data na concepção e execução de estratégias de ensino...

Technology

Transcript of O uso de tecnologias de big data na concepção e execução de estratégias de ensino...