Predição precoce de problemas de desempenho de estudantes em modalidade de educação online: um estudo de caso no ensino médio integrado

João Paulo Lopes de Souza

Instituto Federal de Educação, Ciência e Tecnologia da Paraíba (IFPB) Brasil

Damires Yluska de Souza Fernandes

Instituto Federal de Educação, Ciência e Tecnologia da Paraíba (IFPB) Brasil

Janderson Ferreira Dutra

ORCID iD Instituto Federal de Educação, Ciência e Tecnologia da Paraíba (IFPB) Brasil

Resumo

A necessidade de acompanhamento dos estágios de aprendizado discente e suas dificuldades de forma precoce tomou uma dimensão ainda maior nesses tempos recentes de pandemia e de ensino online. Nesse panorama, este trabalho apresenta uma abordagem para predição de forma precoce de comportamentos de estudantes que possuem um elevado risco de reprovação em disciplinas que ocorrem em ensino on-line. Para analisar e avaliar a viabilidade da abordagem proposta foi realizado um estudo de caso com dados do ensino técnico integrado do campus Monteiro do IFPB. Foi construído um conjunto de dados com dados reais originados do Google Sala de Aula e do SUAP. Uma vez finalizado o conjunto de dados, foram construídos e avaliados modelos de aprendizado de máquina usando seis diferentes algoritmos de classificação supervisionada. Adicionalmente foi objeto de análise o tratamento do desbalanceamento dos dados e a influência da seleção de atributos no desempenho final dos preditores.

Palavras-chave


Mineração de dados educacionais; Educação online; Google Sala de Aula; Predição de desempenho de estudantes; Aprendizado de máquina; Classificação supervisionada;


Texto completo:

Referências


ALBON, C. Machine Learning with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning. 1. ed. [s.l.] O’Reilly Media, 2018.

ALPAYDIN, E. Introduction to Machine Learning. 2. ed. [s.l.] The MIT Press, 2010.

BARROS, R. P. et al. Predição do rendimento dos alunos em lógica de programação com base no desempenho das disciplinas do primeiro período do curso de ciências e tecnologia utilizando técnicas de mineração de dados. Brazilian Journal of Development, v. 6, n. 1, p. 2523–2534, 16 jan. 2020.

BREIMAN, L. Random forests. Machine Learning, v. 45, n. 1, p. 5–32, out. 2001.

CHANLEKHA, H.; NIRAMITRANON, J. Student performance prediction model for early-identification of at-risk students in traditional classroom settings. MEDES 2018 - 10th International Conference on Management of Digital EcoSystems. Anais...New York, New York, USA: Association for Computing Machinery, Inc, 25 set. 2018. Disponível em: . Acesso em: 3 set. 2020.

CHAPMAN, P. et al.: CRISP-DM 1.0 step-by-step data mine guide. CRISP-DM Consortium, 2000.

CHEN, T.; GUESTRIN, C. XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Anais...New York, NY, USA: ACM, 2016. Disponível em: . Acesso em: 20 dez. 2020.

CORTES, C.; VAPNIK, V. Support-vector networks. Machine Learning, v. 20, n. 3, p. 273–297, set. 1995.

FERRARI, D.; CASTRO, L. Introdução à mineração de dados: conceitos básicos, algoritmos e aplicações. 1. ed. São Paulo: Saraiva, 2016.

FRIEDMAN, J. H. Greedy function approximation: A gradient boosting machine. Annals of Statistics, v. 29, n. 5, p. 1189–1232, 2001.

GUO, G. et al. KNN model-based approach in classification. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), v. 2888, p. 986–996, 2003.

JOHN, G. H.; LANGLEY, P. Estimating Continuous Distributions in Bayesian Classifiers. 2013.

HE, H.; MA, Y. IMBALANCED LEARNING: Foundations, Algorithms, and Applications. IEEE. New Jersey: John Wiley & Sons, [s.d.]. 2013.

HARRINGTON, P. Machine Learning in Action. Shelter Island: Manning Publications, 2012.

MANISH, P. (Tutorial) Handling Categorical Data in Python. Datacamp, 2020. Disponível em: . Acesso em: 30 jan. 2021.

MOHAN, A. Cross-Validation for Imbalanced Datasets. Disponível em: . Acesso em: 12 dez. 2020. 5 mar. 2019.

RABELO, H. et al. Utilização de técnicas de mineração de dados educacionais para predição de desempenho de alunos de EaD em ambientes virtuais de aprendizagem. Anais do XXVIII Simpósio Brasileiro de Informática na Educação (SBIE 2017). Anais...Brazilian Computer Society (Sociedade Brasileira de Computação - SBC), 10 nov. 2017. Disponível em: . Acesso em: 15 set. 2020.

ROMERO, C.; VENTURA, S. Educational data mining and learning analytics: An updated survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, v. 10, n. 3, p. 1–21, 2020.

RONALDO, G.; PASSOS, E.; BEZERRA, E. Data Mining: Conceitos, técnicas, algoritmos, orientações e aplicações. 2. ed. Rio de Janeiro: Elsevier, 2015.

SANTOS, F. D.; BERCHT, M.; WIVES, L. Classificação de alunos desanimados em um AVEA: uma proposta a partir da mineração de dados educacionais. Anais do XXVI Simpósio Brasileiro de Informática na Educação (SBIE 2015), v. 1, n. May 2016, p. 1052, 2015.

SANTOS, M. S. et al. Cross-validation for imbalanced datasets: Avoiding overoptimistic and overfitting approaches [Research Frontier]. IEEE Computational Intelligence Magazine, v. 13, n. 4, p. 59–76, 1 nov. 2018.


DOI: http://dx.doi.org/10.18265/1517-0306a2021id5182

O arquivo PDF selecionado deve ser carregado no navegador caso tenha instalado um plugin de leitura de arquivos PDF (por exemplo, uma versão atual do Adobe Acrobat Reader).

Como alternativa, pode-se baixar o arquivo PDF para o computador, de onde poderá abrí-lo com o leitor PDF de sua preferência. Para baixar o PDF, clique no link abaixo.

Caso deseje mais informações sobre como imprimir, salvar e trabalhar com PDFs, a Highwire Press oferece uma página de Perguntas Frequentes sobre PDFs bastante útil.

Visitas a este artigo: 376

Total de downloads do artigo: 198