Mineração e Visualização de Dados Educacionais: Identificação de Fatores que Afetam a...

Workshop de Educao e Informtica Bahia, Alagoas e Sergipe (WEIBASE 2014)

XIV Escola Regional de Computao Bahia, Alagoas e Sergipe (ERBASE 2014)

Minerao e Visualizao de Dados Educacionais:

Identificao de Fatores que Afetam a Motivao de Alunos

na Educao a Distncia

ngelo Gustavo Gomes Cavalcanti1, Napoleo Nadson dos Santos

1, Jorge Luis Cavalcanti

Ramos1, Alex Sandro Gomes

2.

Universidade Federal do Vale do So Francisco (UNIVASF)1, Universidade Federal de

Pernambuco(UFPE)2

{angelo.cavalcanti, nadsonsantos64}@hotmail.com,

[email protected], [email protected]

Abstract. This paper presents a practical evaluation of the levels of motivation of

beginning students in in distance education. This measure was given from the

combination of technical educational data mining and information visualization

with the technique of tag clouds. Results showed levels of motivation. With the

specific sample we find that motivation is good, contradicting some already known

literature references that demonstrate difficulties in adapting to model, high

dropout rates and problems resulting from lack of ability with computer resources.

Resumo. Este trabalho apresenta um processo prtico para avaliao dos nveis

de motivao de alunos iniciantes na modalidade EAD. Essa medida deu-se a

partir da combinao de tcnicas de minerao de dados educacionais e de

visualizao de informaes com a tcnica de nuvens de tags. Os resultados

permitiram verificar os nveis de motivao. Com a amostra especfica

verificamos que a motivao boa, contradizendo algumas referncias j

conhecidas da literatura que evidenciam dificuldades na adaptao EAD, altos

ndices de evaso e problemas decorrentes de pouca habilidade com os recursos

computacionais.

Palavras-chaves: Minerao de dados educacionais, EDM, visualizao de

informaes, EAD, e-learning, nuvem de tags.

1. Introduo

O uso de Ambientes Virtuais de Ensino (AVA) baseados na Internet vem ampliando as

possibilidades da Educao a Distncia (EAD) e tambm o seu uso no apoio s atividades de

ensino presencial. Esse uso promove reduo de custos no uso dessas suas tecnologias,

permitindo que populaes socialmente desprovidas de oportunidades de aprendizagem ou em

regimes de trabalhos inadequados (distantes ou em horrios distintos aos ambientes escolares

presenciais) participam de programas de formao, seja de natureza formal ou para

aperfeioamento profissional (Ramos, 2006).

Conforme Shih et al. (2007), os cursos baseados em EAD so desenvolvidos em torno

de componentes centrais de processos instrucionais, isto : apresentao do contedo,

interao com o corpo docente, recursos, aplicaes prticas e avaliao. Cada modelo aplica

tecnologia usando variados meios para poder focalizar alguns ou todos esses componentes.

Os dados gerados nos ambientes virtuais de aprendizagem so pouco explorados para gerar indicadores da qualidade dos programas de formao. Quando devidamente tratados e

analisados, podem permitir retificar importantes conhecimentos acerca das turmas, do

engajamento e da motivao dos alunos, fatores que influenciam na aprendizagem online.



Nessa direo, alm do tratamento computacional dos dados e informaes

processadas, poder-se-ia apoiar a anlise por especialistas humanos ao exibir resumos dos

dados em forma de visualizaes grficas adequadas. Estas possibilitam uma rpida

interpretao e percepo de indicativos importantes dos cursos e seus alunos.

O presente trabalho teve como objetivo avaliar a efetividade da combinao de

tcnicas de minerao de dados e de visualizao como apoio construo de medidas de

indicadores de motivao ou frustrao dos alunos na modalidade de Educao a Distncia.

Alm disso, tentaremos relacionar esses indicadores aos resultados de desempenho dos alunos

em uma disciplina.

Este trabalho est estruturado da seguinte forma: na seo seguinte apresentamos as

tcnicas de minerao e visualizao de dados. Na seo trs so descritos os procedimentos

metodolgicos adotados e na seo quatro so apresentados os resultados obtidos. Na quinta

seo feita uma discusso dos resultados e por fim, a seo contempla a concluso e as

sugestes para continuidade dos trabalhos desta pesquisa.

2. Minerao e visualizao de dados

Cada vez mais, grupos de pesquisadores buscam incorporar na EAD/e-learning tcnicas de

pesquisa consolidadas em outras reas de conhecimento. Duas dessas tcnicas so

apresentadas e utilizadas neste trabalho: minerao de dados educacionais (Educational Data

Mining, EDM) e a visualizao de informaes (VIS).

2.1 Minerao de Dados Educacionais

O termo Minerao de Dados (do ingls Data Mining), tambm conhecido como KDD (do

ingls, Knowledge Discovery in Databases), refere-se disciplina que tem como objetivo

descobrir novas informaes atravs da anlise de grandes quantidades de dados (Witten & Frank, 2005). Segundo (Klosgen & Zytkow, 2002), a Minerao de Dados a extrao

automtica de padres implcitos de coletas de dados de grandes dimenses.

Para Goldschmidt & Passos (2005), ela consiste em conjunto de tcnicas reunidas da

Estatstica e da Inteligncia Artificial com o objetivo de descobrir conhecimento novo, til,

relevante e no-trivial que porventura esteja escondido em uma grande massa de dados.

Nos ltimos anos, os pesquisadores comearam a investigar vrios mtodos de

minerao de dados para ajudar os instrutores e administradores para melhorar os sistemas de

e-learning (Romero et. al., 2008).

Minerao de Dados Educacionais (do ingls Educational Data Mining - EDM) a aplicao de tcnicas de Minerao de Dados com dados provenientes de plataformas ou

ambientes de educao online (Garcia et al., 2011). A EDM tem emergido como uma rea de

pesquisa nos ltimos anos por pesquisadores em diversas reas (por exemplo, cincia da

computao, educao, psicologia, psicometria, estatstica, sistemas tutores inteligentes, e-

learning, entre outros.) ao analisarem grandes conjuntos de dados, a fim de resolver as

questes de investigao educacional (Baker & Yacef, 2009).

O aumento de software educativo instrumental e de bases de dados de informao

sobre os estudantes criam grandes repositrios de dados que escondem como os alunos

interagem e aprendem. Por outro lado, o e-learning tem gerado grandes quantidades de dados

que devidamente explorados e classificados, podem fornecer importantes informaes sobre

os alunos e os cursos (Koedinger et al., 2010).

possvel compreender de forma mais eficaz e adequada os alunos, como eles

aprendem, o papel do contexto na qual a aprendizagem ocorre, alm de outros fatores que

influenciam a aprendizagem. Por exemplo, possvel identificar em que situao um tipo de

abordagem instrucional (isto aprendizagem individual ou colaborativa) proporciona



melhores benefcios educacionais ao aluno. Tambm possvel verificar se o aluno est

desmotivado ou confuso e, assim, personalizar o ambiente e os mtodos de ensino para

oferecer melhores condies de aprendizagem (Baker et. al., 2011).

Existem muitos mtodos utilizados em EDM que so originalmente da rea de

minerao de dados. Contudo, de acordo com Baker & Yacef (2009), muitas vezes estes

mtodos precisam ser modificados, por causa da necessidade de considerar a hierarquia (em

diversos nveis) da informao. Alm disso, segundo os autores, existe uma falta de

independncia estatstica nos tipos de dados encontrados ao coletar informaes em

ambientes educacionais.

Em Baker et. al (2011), so descritas as principais tcnicas usadas na EDM, onde cada

uma delas pode ser aplicadas ou combinadas entre elas para se obter conhecimento relevantes

de aspectos da aprendizagem ou outras caractersticas educacionais.

A EDM uma rea recente, ainda emergente, pouco explorada, mas com bastante

potencial para aplicaes em diferentes reas do conhecimento, possibilitando a descoberta de

informaes que auxiliem na melhora tanto do ensino quanto da aprendizagem entre

professores e alunos nas diversas modalidades de ensino.

2.2 Visualizao de Informaes

A visualizao de informaes uma rea da computao grfica e da interface com usurio

que se preocupa com a apresentao de imagens interativas para que os usurios possam

melhor entender os dados. Esta tcnica facilita a anlise de grandes quantidades de

informao, pois representam os dados a partir de exibio visual (Spence, 2001).

A visualizao de informaes aplicada em diferentes reas como, por exemplo, a

visualizao cientfica, a visualizao estatstica, geogrfica, de processo e a visualizao de

software. Destaca-se tambm que todas as tcnicas de visualizao compartilham o mesmo

objetivo: o de transformar um dado bruto em alguma coisa mais expressiva, uma

representao visual favorvel para que o ser humano consiga ter a melhor compreenso sobre

o fato a ser observado (Nascimento & Ferreira, 2005).

A visualizao muito mais que uma simples amostragem de dados, uma forma de

facilitar a leitura dos mesmos assim como possibilitar a realizao de cruzamentos das

variveis disponveis a fim de obter das informaes reunidas vistas um conhecimento

diverso. A partir da anlise das informaes, atravs da percepo visual e dos grficos,

possvel extrair e gerar conhecimento (Val, 2010).

Com a ajuda dos sentidos, nesse caso a viso, a cognio, que o processo humano de

aquisio e uso do conhecimento, se torna mais fcil, constatando padres e caractersticas

visuais presentes nas imagens, o que seria difcil perceber observando simplesmente os dados

em sua forma bruta (Vila Nova Jr, 2010).

Conforme Spence (2001), as tcnicas da visualizao de informaes procuram

otimizar o uso das habilidades visuais do ser humano, facilitando o processo de derivao e

entendimento de informao a partir de dados representados visualmente. Existem tambm

vrios modelos de visualizaes disponveis, que possuem caractersticas prprias e so

escolhidos de acordo com o objetivo do que se quer mostrar (Quigley, 2006).

Para podermos evidenciar possveis associaes entre desempenho e motivao dos

alunos, atravs de seus comentrios textuais livres, o modelo de visualizao aqui escolhido

foi o baseado em nuvem de tags. A nuvem de tags ou nuvem de etiquetas uma lista de

palavras colocadas de maneira hierarquizada visualmente, como forma de apresentar com

destaque as palavras de maior ocorrncia dentro de um texto. Uma das imagens geradas por

esse modelo exibe os termos relevantes que aparecem em um texto e os mostram, com a fonte

maior ou menor, de acordo com a quantidade de vezes que o referido termo ocorreu no texto



(Hassan-Montero & Herrero-Solana, 2006). Nas buscas por referncias que apontassem o uso

combinado de EDM com nuvem de tags, como neste trabalho, no foram encontrados

trabalhos relacionados. Nas buscas por referncias que apontassem o uso combinado de EDM

com nuvem de tags, como neste trabalho, no foram encontrados trabalhos relacionados.

As duas tcnicas (EDM + VIS) parecem convergir para auxiliar em processos que

buscam tornar inteligvel uma grande massa de dados. Assim, neste artigo desenvolvemos e

avaliamos um processo que combina tcnicas de minerao e visualizao para analisar de

maneira prtica e rpida os nveis de motivao ou frustrao de alunos recm-ingressantes na

modalidade EAD. Esse objetivo norteou o desenvolvimento desta pesquisa, a partir do

desenvolvimento do mtodo apresentado na prxima seo.

3. Procedimentos Metodolgicos

Os dados para essa pesquisa foram coletados durante a realizao da disciplina Introduo Educao a Distncia (IEaD). A disciplina foi oferecida para alunos do Bacharelado em Administrao Pblica na modalidade a distncia ofertada pela UNIVASF. A modalidade do

curso foi ajustada conforme as diretrizes do Programa Nacional de Formao em

Administrao Pblica (PNAP).

3.1 Objetivos

Avaliar a efetividades da combinao das tcnicas de EDM e VIS para descobrir evidncias

dos fatores de motivao ou frustrao de alunos em uma disciplina introdutria na

modalidade EAD.

3.2 Descrio da disciplina

A disciplina Introduo Educao a Distncia foi toda ofertada pelo ambiente Moodle da

UNIVASF1, dividida em quatro tpicos distribudos ao longo de quatro semanas de durao

do curso. A estratgia de ensino da disciplina foi baseada em vdeo-aulas, apostilas, fruns de

discusso, chats e troca de mensagens pelo ambiente. Alm do professor, oito tutores online e

seis tutores presenciais nos polos apoiaram o desenvolvimento das atividades da disciplina.

A realizao de um chat com os alunos por polo tambm ajudou a esclarecer dvidas

sobre contedos da disciplina, sobre a modalidade e o curso de Administrao Pblica. Alm

disso, proporcionou uma oportunidade do contato com a ferramenta de comunicao sncrona.

Os fruns foram disponibilizados em cada tpico, para comentrios e dvidas e

tambm tiveram diversas postagens pelos alunos e tutores. Fruns de comentrios sobre a

avaliao simulada e sobre a avaliao dos alunos tambm foram bastante utilizados pelos

alunos, tutores e professor.

A avaliao dos alunos foi realizada de forma online, sendo tambm realizada uma

avaliao de forma simulada, sem atribuio de nota vlida, apenas para que os alunos

pudessem ter uma experincia prvia com avaliao no ambiente virtual.

Ao final da disciplina, 161 alunos foram aprovados, 15 reprovados por nota e 24

reprovados por no realizarem as atividades avaliativas.

3.3 Pblico-alvo da pesquisa

Em uma turma de 200 alunos matriculados, distribudos em 06 polos presenciais, foram

aplicados dois questionrios onde os alunos responderam a uma srie de perguntas que

buscavam estabelecer perfis e as expectativas deles em relao ao curso, disciplina e

1 http://www.moodle2.univasf.edu.br/



modalidade a distncia. A aplicao de ambos os questionrios ocorreu no prprio Moodle,

como forma de estimul-los a interagir no prprio ambiente de ensino em uso no curso.

O perfil dos alunos foi obtido no primeiro questionrio e aponta alguns indicadores

que mostram uma heterogeneidade da turma. Em relao sua formao anterior a este curso,

verificou-se que 42,14% dos estudantes estavam tendo o primeiro contato com o ensino

superior e 30% j tinha iniciado um curso superior anteriormente, mas no concluiu e 27,87%

j tinham um curso superior e/ou ps-graduao.

Outra varivel importante para a pesquisa foi a experincia com Educao a

Distncia, onde verificou-se que 59,71% estavam tendo a primeira experincia com EAD.

3.4 Coleta e tratamento de dados

A coleta de dados foi dividida em duas etapas: a primeira, com um questionrio online

aplicado na primeira semana do curso e a segunda, outro questionrio ao final do curso. A

avaliao da motivao ou frustrao foi realizada a partir da base de respostas aos

questionrios aplicados aos alunos durante a execuo da disciplina.

O primeiro questionrio continha 23 questes, sendo que as seis primeiras tinham

como objetivo traar um perfil dos alunos, apresentado resumidamente na seo anterior. As

demais eram destinados a analisar expectativas e habilidades dos alunos. Essas anlises sero

apresentadas em trabalhos futuros.

Apesar de estar na primeira semana do curso e alguns alunos matriculados sequer

tinham acessado o ambiente, 140 alunos responderam o primeiro questionrio, gerando um

percentual de cerca de 70% de alunos matriculados que responderam.

O segundo questionrio foi aplicado na ltima semana da disciplina onde 161 alunos

responderam (81,5% do total de alunos). Ao final, 123 alunos responderam aos dois

questionrios, 17 s responderam ao primeiro e 38 s responderam ao segundo.

Apenas duas questes do segundo questionrio foram consideradas para os objetivos

deste trabalho. A primeira questo foi uma pergunta especfica e fechada sobre como cada

aluno estava se sentindo naquele momento, em relao EAD. A pergunta foi: Q2 - Em

relao modalidade de Educao a Distncia usada na disciplina, qual o seu sentimento

atual?. As respostas possveis eram: Bastante motivado, Motivado, Indiferente (Nem

motivado, nem frustrado), Frustrado e Bastante Frustrado. S era permitida uma escolha.

Na pergunta seguinte, o aluno era solicitado a colocar um possvel motivo da resposta

questo anterior. A pergunta foi: Q3 - Em relao pergunta anterior, qual o principal

motivo da sua frustrao, motivao ou indiferena? (citar uma apenas). A resposta era

feita por um campo de texto livre.

Assim, foi possvel investigar os provveis fatores de motivao ou frustrao dos

alunos com a modalidade de EAD e tambm associ-los com seu desempenho (aprovado ou

reprovado) na disciplina. Optou-se por usar estatsticas simples de frequncia relativa e

absoluta como tcnica bsica de minerao dos dados.

3.4.1 Pr-processamento dos dados

Para fins da consolidao dos dados do questionrio aplicado com os dados referentes ao

desempenho dos alunos, foi necessria a juno das duas planilhas em uma nova e nica

planilha Excel, que contivesse somente os dados requeridos para esse trabalho. Essa juno

foi realizada a partir do software RapidMiner 5.32, usando os operadores ReadExcel (um para

cada planilha), Join e WriteExcel, usando o nmero do CPF de cada aluno como identificador

comum nas duas planilhas para juno dos dados.

2 http://rapidminer.com



Na planilha resultante foram usados filtros do prprio Excel para selecionar as

respostas questo aberta para gerao das visualizaes. Inicialmente, aplicou-se o filtro na

coluna de repostas das pergunta Q2, onde continham as respostas (Bastante motivado,

Motivado, Indiferente (Nem motivado, nem frustrado), Frustrado e Bastante Frustrado).

Ao usar o filtro na pergunta Q2, a coluna seguinte exibia automaticamente as

respostas livres da pergunta Q3, permitindo sua seleo e cpia para um arquivo do tipo texto

simples. Esse procedimento foi repetido para cada resposta possvel em Q2.

Depois, alm do filtro em Q2, foi aplicado tambm um filtro na coluna desempenho

do aluno, permitindo a seleo da resposta de Q2 associada ao seu desempenho (aprovado ou

reprovado). Novos arquivos textos foram gerados nessa operao. Ao final, foram feitas

alguns agrupamentos das respostas para tornar possvel a gerao das visualizaes.

3.4.2 Gerao das visualizaes

Inicialmente, foi criado um programa simples em linguagem C capaz de ler todas as respostas

colocadas em um arquivo de texto simples e quebr-las em palavras nicas e em ordem

alfabtica, gerando um novo arquivo de texto com essas palavras individualizadas. Um trecho

do cdigo desse programa mostrado a seguir:

main() {

char s[TAMANHO_MAX_PALAVRA];

int i = 0;

FILE *fe = fopen("texto.txt", "r");

FILE *fs = fopen("palavras.txt", "w");

while(!feof(fe)){

fscanf(fe, "%s", s);

strlwr(s);

fputs(s, fs);

fputs("\n", fs);

i++;

strcpy(s,""); }

fclose(fe);

fclose(fs);

ordenar();//funo para ordenar as palavras extradas }

Em cada arquivo de texto gerado, foi feita uma anlise inicial de palavras

similares/sinnimas para consider-las como sendo uma s, como, por exemplo, as palavras:

motivada, motivao e motivado, que foram todas substitudas por motivado, assim como verificar palavras escritas erroneamente, que foram corrigidas, como a palavra

internete que foi alterada por internet. Tambm foi feita, em alguns casos, a unificao do gnero (Ex.: novo, nova) e do nmero (Ex.: oportunidade, oportunidades). Foram retiradas algumas palavras nas quais se verificou que no fariam diferena na visualizao,

como os artigos, preposies e smbolos de pontuao.

Com as palavras selecionadas, foi usada a ferramenta gratuita online Wordle3, na qual

inserido um texto ou conjunto de palavras como entrada e gerada visualizao de acordo

com as palavras mais citadas no referido texto na forma de nuvem de tags. Para fins de

uniformidade nas representaes, todas as visualizaes geradas com os dados deste trabalho

foram definidas caractersticas comuns, como fonte, posio das palavras, cor de fundo, cor

da fonte, definies estas disponveis na ferramenta utilizada.

4. Resultados

Os resultados do experimento exibem indcios dos sentimentos dos alunos ao final da

disciplina e apontam possveis causas de sua motivao ou frustao, assim como mostram

esse sentimento do relacionado com o desempenho deles na disciplina. A seguir analisamos

os resultados.

3 http://www.wordle.net



4.1 Motivao versus Frustrao de alunos em relao modalidade EAD.

A partir da anlise das respostas dos alunos questo fechada sobre qual o sentimento de cada

aluno em relao EAD, foi obtido o resultado exibido na Figura 01.

Figura 1. Respostas dos alunos em relao ao que sentiam em relao EAD.

Observa-se que o nvel de motivao (Motivado + Bastante Motivado) estava em

83,15%, o que demonstra um nvel alto de motivao ao final da primeira disciplina do curso.

O nvel de frustrao apresentava-se muito baixo (3,73%) e no tiveram respostas para o

sentimento Bastante Frustrado.

Resolveu-se ento agrupar as respostas dos alunos que se declararam frustrados com

os que declararam estar indiferentes, no somente pela maior quantidade de respostas

resultantes (16,15%), mas tambm pelas respostas livres associadas opo Indiferente

conterem razes mais ligadas s dificuldades dos alunos na disciplina.

4.2 Nuvens de tags das respostas com razes da motivao ou frustrao

A partir do processamento das respostas dos alunos questo complementar da pergunta

anterior, foram geradas duas visualizaes distintas, uma para as respostas dos alunos que se

declararam motivados ou bastante motivados e outra para respostas dos alunos que afirmaram

estarem frustrados ou indiferentes. As nuvens de tags dessas respostas esto nas Fig. 02 e 03.

Figura 2. Nuvem de tags com as respostas dos alunos motivados ou bastante

motivados.

Nesse caso, as palavras curso e motivado aparecem em destaque, indicando que a maior quantidade de respostas apenas reforou o sentimento declarado na pergunta anterior.

As palavras conhecimento e tempo tambm tiveram ocorrncia significativa, o que pode indicar que a busca pelo conhecimento um fator motivador bastante presente nos alunos. A

citao ao tempo indica uma provvel associao com a flexibilidade na organizao do

tempo para estudos que proporcionada pela EAD. Essas interpretaes so reforadas pela

transcrio de declaraes dos alunos a seguir:

Motivado. uma tima chance de aumentar conhecimento. (Discente 65). "Motivado. Pela comodidade relacionada ao tempo." (Discente 56).



Palavras como oportunidade, qualidade, concluir, superior dentre outras tambm tiveram mltiplas citaes e expressam tambm fatores de motivao dos alunos.

Figura 3. Nuvem de tags com as respostas dos alunos frustrados ou indiferentes.

A observao dessa nuvem fornece indcios mais claros das razes de frustrao ou indiferena com a EAD. A prpria distncia e a adaptao modalidade, o acesso internet, o

cansao e a necessidade de estudar foram bem evidenciadas nessa visualizao, cuja

interpretao pode ser complementada pela anlise de algumas respostas dadas:

Indiferente. Em processo de adaptao com a Educao a Distncia. (Discente 70). "Frustrado. Acesso deficiente no polo" (Discente 28).

Reforamos que, conforme citado na seo anterior, onde somente 16,5% dos alunos

declararam-se frustrados ou indiferentes, a ocorrncia dessas citaes foi em menor nmero

do que os fatores citados nas declaraes dos motivados.

4.3 Nuvens de tags das respostas separadas por desempenho na disciplina

A partir do cruzamento dos dados das respostas com a situao do aluno no final do curso

(aprovado ou reprovado), foi feito o agrupamento das respostas em duas categorias distintas e

geradas novas nuvem de tags das respostas. As visualizaes dessas categorias esto nas

Figuras de 04 e 05.

Figura 4. Nuvem de tags com as respostas dos alunos aprovados em relao ao seu

sentimento ao final da disciplina.

Mais uma vez, as citaes de curso e motivado reforam o sentimento de motivao do aluno aprovado. O termo ead aparece tambm em destaque, que pode reforar a motivao do aluno com a modalidade, assim como o conhecimento tambm predomina entre essa categoria de aluno.



Figura 5. Nuvem de tags com as respostas dos alunos reprovados em relao ao seu

sentimento ao final da disciplina.

As respostas dos alunos reprovados indicam grande semelhana com os alunos que se

declaram frustrados ou indiferentes, o que normal, pois a reprovao pode gerar esses

sentimentos. O que podemos destacar nessa visualizao so as relevantes citaes dos termos

motivada e qualidade, o que indica tambm que h um bom nvel de motivao mesmo entre os reprovados e que tambm a qualidade do curso destacada.

5. Discusso

Os resultados aqui apresentados fornecem indcios interessantes dos fatores de motivao,

frustrao ou indiferena dos alunos em relao modalidade EAD. Reconhecemos as

limitaes da pesquisa, em particular no processo de pr-processamento dos dados minerados,

durante a extrao das palavras nicas, nos quais os contextos das respostas completas podem

ter sido perdidos ou tambm na interpretao das visualizaes, que pode no representar de

maneira integral os que as respostas realmente indicavam.

Isso no invalida os resultados, j que foram constatados nveis de motivao muito

altos, assim como indicativos relacionados com essa motivao. Isso pode estar relacionado

com a maneira como a disciplina foi conduzida foi satisfatria e seus objetivos foram

atingidos o que poderia ser o foco de outra investigao.

Como as respostas completas associadas frustao ou indiferena foram em menor

quantidade, uma anlise mais detalhada dessas respostas d o mesmo sentido da intepretao

das visualizaes apresentadas nos resultados, ou seja, a nuvem de tags pode ser uma primeira

fonte de informao para ajuste no planejamento e execuo dos cursos.

6. Concluses e trabalhos futuros

Este trabalho apresentou um processo para verificao de nveis de motivao ou frustrao

de alunos iniciantes na modalidade EAD que combina tcnicas de minerao e visualizao

de dados. Os resultados apontaram bons nveis de motivao, o que bastante positivo, j que

a literatura evidencia dificuldades na adaptao modalidade, altos ndices de evaso e

problemas decorrentes de pouca habilidade com os recursos computacionais.

A minerao de dados em ambientes educacionais pode revelar informaes

importantes para a tomada de deciso por professores ou gestores de cursos online. A

visualizao grfica de dados apresenta-se como uma boa alternativa para consolidao de

grandes volumes de dados.

A opo pela visualizao em nuvem de tags foi pela praticidade e a rapidez com que

so gerados esses grficos, alm de propiciar uma interpretao simples dos dados.

Recomenda-se como trabalhos futuros a minerao dos textos das respostas abertas e

dos fruns da disciplina, na busca de evidncias que justifiquem alguns dados e/ou indiquem



novas evidncias a serem investigadas. As demais questes aplicadas devero ser analisadas.

Outras formas de visualizao podero ser utilizadas e novas intepretaes serem feitas,

confirmando ou no as que aqui foram apresentadas.

Por fim, novos questionrios podero ser aplicados aos mesmos alunos,

periodicamente, com a finalidade de fazer o acompanhamento do seu desenvolvimento e

tambm apontar melhores prticas para as prximas turmas do curso.

Agradecimentos

Os autores agradecem UNIVASF/PRPPGI, FAPESB e CNPq, pela concesso de auxlio por

meio dos programas Edital Universal Mestre (18/2013), Iniciao Cientfica e Jovens

Talentos respectivamente, SEAD/UNIVASF por conceder o ambiente da pesquisa e aos

alunos do Curso de Bacharelado em Administrao Pblica, por colaborarem com a pesquisa.

O Professor Alex Sandro Gomes bolsista DT Nvel 2 pelo CNPq apoiado pelos processos n

310466/2012-1 e n 475634/2013-6.

Referncias

Baker, R.S.J.d., Isotani, S., & Carvalho, A. (2011). Minerao de dados educacionais:

Oportunidades para o Brasil. Revista Brasileira de Informtica na Educao, 19(02), 3.

Baker, R.S.J.d., Yacef, K. The State of Educational Data Mining in 2009 (2009): A Review and

Future Visions. Journal of Educational Data Mining, 1 (1): 3-17.

Garca, E., Romero, C., Ventura, S., & de Castro, C. (2011). A collaborative educational

association rule mining tool. The Internet and Higher Education,14(2), 77-88.

Goldschmidt, R. R., Passos, E. P. L. (2005), Data Mining: Um Guia Prtico Conceitos, Tcnicas,

Ferramentas, Orientaes e Aplicaes. 1. ed. Rio de Janeiro: Editora Campus. v. 1. 250 p

Hassan-Montero, Y., & Herrero-Solana, V. (2006). Improving tag-clouds as visual information

retrieval interfaces. In International Conference on Multidisciplinary Information Sciences and

Technologies (pp. 25-28).

Klosgen, W., & Zytkow, J. (2002). Handbook of data mining and knowledge discovery. New

York: Oxford University Press.

Koedinger, K. R., Baker, R., Cunningham, K., Skogsholm, A., Leber, B., & Stamper, J. (2010). A

data repository for the EDM community: The PSLC DataShop. Handbook of educational data

mining, 43-55.

Nascimento, H. A., & Ferreira, C. B. (2005). Visualizao de Informaesuma abordagem prtica. In XXV Congresso da Sociedade Brasileira de Computao, XXIV JAI. UNISINOS,

S. LeopoldoRS.

Quigley, A. (2006) Aesthetics of large-scale relational information visualization in practice. In

FISHWICK, Paul. (org.) Aesthetic Computing. Cambridge, Mass.: MIT Press, 2006.

Ramos, J. L. C., (2006). Requisitos para ferramentas de avaliao em ambientes virtuais de ensino

(Dissertao de Mestrado em Cincia da Computao (Cin-UFPE).

Romero, C., Ventura, S., & Garca, E. (2008). Data mining in course management systems:

Moodle case study and tutorial. Computers & Education, 51(1), 368-384.

Shih, T. K., Hung, J. C., & Jin, Q. (2007). A survey of distance education challenges and

technologies. International journal of distance education technologies, 11, 1-20,.

Spence, R. (2001). Information visualization. Addison-Wesley.

Val, R. B. (2010).Visualizao de dados aplicados em educao distncia no processo de

avaliao ao aluno. Dissertao de Mestrado Profissional (Cin-UFPE).

Vila Nova Jr., H. A. S. (2010). Visualizao de Informao como Ferramenta de Auxlio na

Avaliao Formativa em Educao a Distncia. Dissertao de Mestrado (Cin-UFPE).

Witten, I. H., & Frank, E. (2005). Data Mining: Practical machine learning tools and techniques.

Morgan Kaufmann.

Mineração e Visualização de Dados Educacionais: Identificação de Fatores que Afetam a...

Documents

Transcript of Mineração e Visualização de Dados Educacionais: Identificação de Fatores que Afetam a...