Slides da dissertação Apresentação do processo e das técnicas utilizadas para a concepção de uma ferramenta para recomendação pedagógica baseada em mineração de dados educacionais.

1. Ranilson Oscar Araújo Paiva
roap@ic.ufal.br
Uma Ferramenta para Recomendação
Pedagógica Baseada em Mineração de
Dados Educacionais
Mestrado em Modelagem Computacional do Conhecimento
Ranilson Oscar Araújo Paiva
Orientadores
Alan Pedro da Silva
Ig Ibert Bittencourt

2. Agenda
Ranilson Oscar Araújo Paiva
Agenda







Contextualização
Problemática
Proposta
Estudo de Caso
Conclusão
Limitações e Trabalhos Futuros
Referências
2
roap@ic.ufal.br

3. Contextualização
Ranilson Oscar Araújo Paiva
3
roap@ic.ufal.br
Como está a
Educação no Brasil?

4. Contextualização
Ranilson Oscar Araújo Paiva
4
roap@ic.ufal.br
Contextualização
5.0 / 10.0
• IDEB – Índice de Desenvolvimento
da Educação Básica
58º|75 / 64º|85
• PISA+ – Programa Internacional de
Avaliação de Alunos
88º / 120
• UNESCO/EFA – Education for All

5. Contextualização
Ranilson Oscar Araújo Paiva
5
roap@ic.ufal.br
O que o Governo pretende
fazer a respeito desse
cenário?

6. Contextualização
Ranilson Oscar Araújo Paiva
6
roap@ic.ufal.br
Contextualização
Plano Nacional de Educação (PNE 2010 - 2020)
• “Criar mecanismos para o acompanhamento
individual de cada estudante do ensino
fundamental”
• “Fortalecer
o
acompanhamento
e
o
monitoramento do acesso e permanência na
escola ...”

7. Contextualização
Ranilson Oscar Araújo Paiva
7
roap@ic.ufal.br
E a Sociedade Brasileira de
Computação?

8. Contextualização
Ranilson Oscar Araújo Paiva
8
roap@ic.ufal.br
Contextualização
Grandes Desafios da Pesquisa em Computação no Brasil
• Acesso Participativo e Universal
Cidadão Brasileiro ao Conhecimento.
do
• Vencer as barreiras tecnológicas, educacionais, culturais, sociais e
econômicas que impedem o acesso e a interação.
• Concepção
de
sistemas, ferramentas, modelos, métodos, procedimentos e teorias.
• Criação de plataformas de aplicativos de e-learning que permitam a
integração eficiente de ferramentas de comunicação para poderem
ser usadas em conjunto, com a finalidade de permitirem a prática do
aprendizado eletrônico.

9. Contextualização
Ranilson Oscar Araújo Paiva
9
roap@ic.ufal.br
Contextualização
CSBC 2012 - I DesafIE!
• Workshop de Desafios da Computação
Aplicada à Educação
• Registro de longo prazo dos perfis de aprendizes e tutores.
• Mineração de dados educacionais para viabilizar a busca por
padrões de aprendizagem.
• Personalização da aprendizagem como meio de melhorar a
qualidade de ensino e o desempenho dos alunos.

10. Contextualização
Ranilson Oscar Araújo Paiva
10
roap@ic.ufal.br
Que Soluções têm sido
utilizadas nesse sentido?

11. Contextualização
Ranilson Oscar Araújo Paiva
Contextualização
 Mudança de Paradigma
 AAA Learning
 Anytime

Qualquer Momento
 Anywhere

Qualquer Lugar
 Anyone

Qualquer Pessoa
11
roap@ic.ufal.br

12. Contextualização
Ranilson Oscar Araújo Paiva
12
roap@ic.ufal.br
E Recentemente?

13. Contextualização
Ranilson Oscar Araújo Paiva
Contextualização
 MOOCs

Massive


Open


Aberto
Online


Massivo
Online
Courses

Cursos
13
roap@ic.ufal.br

14. Contextualização
Ranilson Oscar Araújo Paiva
Contextualização
14
roap@ic.ufal.br

15. Contextualização
Ranilson Oscar Araújo Paiva
Contextualização
15
roap@ic.ufal.br

16. Contextualização
Ranilson Oscar Araújo Paiva
Contextualização
16
roap@ic.ufal.br

17. Problemática
Ranilson Oscar Araújo Paiva
17
roap@ic.ufal.br
E como é a dinâmica de um
curso nesse modelo?

18. Problemática
Ranilson Oscar Araújo Paiva
Problemática
18
roap@ic.ufal.br

19. Problemática
Ranilson Oscar Araújo Paiva
Problemática
19
roap@ic.ufal.br

20. Problemática
Ranilson Oscar Araújo Paiva
Problemática
20
roap@ic.ufal.br

21. Problemática
Ranilson Oscar Araújo Paiva
21
roap@ic.ufal.br
O que ocorreu?
Como poderia ter sido evitado?

22. Problemática
22
Ranilson Oscar Araújo Paiva
roap@ic.ufal.br
Problemática
Dados Educacionais
•
•
•
•
•
•
•
•
•
•
Conteúdo Pedagógico
Testes
Atividades
Exercícios
Histórico Educacional
Dados Pessoais
Links Externos
Interações via Fórum
Interações via Chat
Logs de Acesso

23. Problemática
Ranilson Oscar Araújo Paiva
Problemática
23
roap@ic.ufal.br

24. Problemática
Ranilson Oscar Araújo Paiva
Problemática
24
roap@ic.ufal.br

25. Problemática
Ranilson Oscar Araújo Paiva
25
roap@ic.ufal.br
Problemática
Mineração de Dados Educacionais
“A Mineração de Dados Educacionais tem por objetivo obter
informações relevantes de grandes quantidades de dados. Dados
esses oriundos de diversas fontes dentro do contexto educacional.
Isso é feito através da descoberta de padrões, com grande
significância, nesses dados.”
ROMERO, 2011

26. Problemática
Ranilson Oscar Araújo Paiva
Problemática
26
roap@ic.ufal.br

27. Problemática
Ranilson Oscar Araújo Paiva
27
roap@ic.ufal.br
Problemática
Recomendações Pedagógicas
“Recomendações
são
ações
reativas,
ou
preventivas, associadas a situações pedagógicas definidas. Essas
ações podem ser realizadas utilizando os recursos nativos de um
ambiente de aprendizado, ou através de recursos externos. O
propósitos dessas recomendações é melhorar a experiência de
aprendizado e solucionar problemas pedagógicos conhecidos.”
PAIVA, 2012

28. Problemática
Ranilson Oscar Araújo Paiva
Problemática
28
roap@ic.ufal.br

29. Problemática
Ranilson Oscar Araújo Paiva
29
roap@ic.ufal.br
Problemática
Ferramentas de Recomendação
“Ferramentas de software e técnicas cujo objetivo é prover
sugestões de itens a serem utilizados por um usuário. As sugestões
providas focam em ajudar os usuários em diversos processos de
tomada de decisão .”
RICCI, 2011

30. Problemática
Ranilson Oscar Araújo Paiva
Problemática
30
roap@ic.ufal.br

31. Proposta
Ranilson Oscar Araújo Paiva
31
roap@ic.ufal.br
Proposta
Ferramenta
para
Recomendação Pedagógica
Utilizando
Mineração de Dados Educacionais

32. Proposta
Ranilson Oscar Araújo Paiva
32
roap@ic.ufal.br
Objetivos
1. Criar um processo para a recomendação pedagógica.
2. Especificar, e encapsular em componentes distintos, os
cenários de mineração dos dados educacionais.
3. Implementar componentes que reutilizem algoritmos de
mineração de dados educacionais.
4. Construir uma Ferramenta com um processo de
recomendação que possibilite professores e tutores a utilizar
as técnicas empregadas, sem a necessitem de
conhecimento técnico sobre o assunto.
5. Gerar recomendações personalizadas.

33. Proposta
Ranilson Oscar Araújo Paiva
O Processo
33
roap@ic.ufal.br

34. Proposta
Ranilson Oscar Araújo Paiva
34
roap@ic.ufal.br
Cenários
• Componentes que definem os dados e formas de
processamento adequados, para uma
determinada situação pedagógica.
• Orientam a mineração dos dados.
• Tornam a mineração dos dados objetiva
• Acessam os dados de interesse, os algoritmos a
serem utilizados, APIs e seus parâmetros.

36. 36

37. Proposta
Ranilson Oscar Araújo Paiva
Arquitetura
39
roap@ic.ufal.br

39. Estudo de Caso
Ranilson Oscar Araújo Paiva
Estudo de Caso
39
roap@ic.ufal.br

40. Estudo de Caso
Ranilson Oscar Araújo Paiva
40
roap@ic.ufal.br
UFAL Línguas - Espanhol
•
•
•
•
•
•
•
Espanhol | Nível Básico (Certificado)
6 Unidades (5 meses de curso)
1 Professor e 8 Tutores
200 Inscritos (Gratuito)
34 Concluintes
700+ Megabytes de Dados
1.220.000 Triplas RDF (Ontologia)

41. Estudo de Caso
Ranilson Oscar Araújo Paiva
41
roap@ic.ufal.br
Cenário 01
Avaliar a Qualidade das Interações dos
Alunos no Ambiente de Aprendizagem

42. Estudo de Caso
Ranilson Oscar Araújo Paiva
42
roap@ic.ufal.br

43. Estudo de Caso
Ranilson Oscar Araújo Paiva
43
roap@ic.ufal.br

44. Estudo de Caso
Ranilson Oscar Araújo Paiva
Detectar Práticas
44
roap@ic.ufal.br

45. Estudo de Caso
Ranilson Oscar Araújo Paiva
45
roap@ic.ufal.br

46. Estudo de Caso
Ranilson Oscar Araújo Paiva
Descobrir Padrões
46
roap@ic.ufal.br

50. Estudo de Caso
Ranilson Oscar Araújo Paiva
Descobrir Padrões
50
roap@ic.ufal.br

51. Estudo de Caso
Ranilson Oscar Araújo Paiva
51
roap@ic.ufal.br

52. Estudo de Caso
Ranilson Oscar Araújo Paiva
Recomendar
52
roap@ic.ufal.br

53. Estudo de Caso
Ranilson Oscar Araújo Paiva
Recomendar
53
roap@ic.ufal.br

57. Estudo de Caso
Ranilson Oscar Araújo Paiva
57
roap@ic.ufal.br

59. Conclusão
Ranilson Oscar Araújo Paiva
59
roap@ic.ufal.br
Conclusão
1. Criamos um processo para a recomendação pedagógica.
2. Criamos cenários para guiar a Mineração dos Dados.
3. Criamos
uma
ferramenta
com
processo
de
recomendação, capaz de auxiliar professores e tutores na
gestão de seus alunos.
4. Realizamos um estudo de caso (dados reais).
5. Acreditarmos ter contribuído para a Informática na
Educação através da natureza multidisciplinar do trabalho.
6. Apresentamos um artigo sobre o tema no DesafIE! (2012)

60. Trabalhos Futuros
Ranilson Oscar Araújo Paiva
60
roap@ic.ufal.br
Limitações e Trabalhos Futuros
1. Criação automática de cenários.
2. Ampliação do escopo das recomendações.
3. Aprimoramento do monitoramento de avaliação
de recomendações e resultados dos alunos.
4. Submissão de artigo para Journal.

61. Referências
Ranilson Oscar Araújo Paiva
61
roap@ic.ufal.br
Referências
ABEL, F.; BITTENCOURT, Ig Ibert; COSTA, Evandro de Barros; HENZE, N.; KRAUSE, Daniel; VASSILEVA, J. Recommendations in Online Discussion Forums
for E-Learning Systems. IEEE Transactions on Learning Technologies, 2010, vol. 3, pp. 165-176.
AROYO, Lora. INABA, Akiko. SOLDATOVA, Larissa. MIZOGUCHI, Riichiro. EASE: Evolutional Authoring Support Environment, 2004.
AUDINO, Daniel Fagundes. NASCIMENTO, Rosemy da Silva. Revista Contemporânea de Educação, vol. 5, n. 10, julho/dezembro 2010.
BAKER, R.S.J.d. Data Mining for Education. McGaw, B., Peterson, P., Baker, E. (Eds.) International Encyclopedia of Education. Elsevier, 2010, ed. 03, vol.
07, pp. 112-118.
BAKER, R.S.J.d.; ISOTANI, Seiji; de CARVALHO, A.M.J.B. Mineração de Dados Educacionais: Oportunidades para o Brasil. Revista Brasileira de Informática
na Educação, 2011, vol. 19, n. 02, pp. 3-13.
BITTENCOURT, Ig Ibert ; COSTA, Evandro de Barros ; Marlos Silva ; SOARES, Elvys . A Computational Model for Developing Semantic Web-based
Educational Systems. Knowledge-Based Systems, 2009, vol. 22, pp. 302-315.
BITTENCOURT, Ig Ibert ; COSTA, Evandro de Barros . Modelos e Ferramentas para a Construção de Sistemas Educacionais Adaptativos e Semânticos.
Revista Brasileira de Informação na Educação, 2011, vol. 19, pp. 85-98.
CNN MONEY, Disponível em: http://money.cnn.com/2009/06/17/news/economy/goldman_sachs_jim_oneill_interview.fortune/index.htm, Acessado
em: 05/04/2013.
DAVIDOFF, Linda L. Introdução à Psicologia. McGraw-Hill do Brasil, 1983 pp. 112-115
DEOGUN, Jitender S.; RAGHAVAN, Vijay V.; SARKAR, Amartya; SEVER, Hayri. Data Mining: Trends in Research and Development. “Data mining: Trends
and issues-guest editors’ introduction,” V. V. Raghavan, J. S. Deogun, and H. Sever. Journal of Amer. Soc. for Information Sci., Vol. 49(4), pp. 397402, Abril 1998.
DESAFIE!. I Workshop de Desafios da Computação Aplicada à Educação. Disponível em: http://www.imago.ufpr.br/csbc2012/desafie.php. Acessado em:
14/05/2013.
DOMINGUES, Anna Katrina; YACEF, Kalina; CURRAN, James R. Data Mining for Individualized Hints in eLearning. Proceedings of the 3rd International
Conference on Educational Data Mining. Junho, 2010.
DUKE. Bioelectricity: A Quantitative Approach. Duke University's First MOOC. Disponível em:
http://dukespace.lib.duke.edu/dspace/handle/10161/6216. Acessado em: 27/03/2013. Fevereiro, 2013.
FERREIRA, Rafael; COSTA, Evandro de Barros; BRITO, Patrick; BITTENCOURT, Ig Ibert; MACHADO, Aydano; MARINHO, Tarsis; HOLANDA, Olavo. A
Framework for Building Web Mining Applications in the World of Blogs: A Case Study in Product Sentiment Analysis Expert Systems With Applications.
Expert Systems with Applications, 2012, vol. 39, pp. 4813-4834.

62. Referências
Ranilson Oscar Araújo Paiva
62
roap@ic.ufal.br
Referências
GAYARD, Leonel Aguilar. RUBIRA, Celília M. F. GUERRA, Paulo A. de Castro. COSMOS: A Component System Model for Software Architectures.
Universidade Estadual de Campinas. Instituto de Computação, 2008.
HAN, Jiawei; KAMBER, Micheline. Data Mining: Concepts and Techniques, 2006, ed. 02 - Elsevier/Morgan Kaufmann.
IAQUINTA, Leo. SEMERARO, Giovanni. Lightweight Approach to the Cold Start Problem in the Video Lecture Recommendation. 2011.
KKD NUGGETS, Disponível em: http://www.kdnuggets.com/polls/2012/where-applied-analytics-data-mining.html. Acessado em: 22/02/2013.
LAROSE, Daniel T. Data Mining Methods and Models. Wiley, 2006.
LEFFA, V. J. Uma ferramenta de autoria para o professor: o que é e o que faz. Letras de Hoje, Porto Alegre, v. 41, n. 144, pp. 189-214, 2006.
MANHAES, Laci Mary Barbosa. CRUZ, Sérgio Manuel Serra da. COSTA, Raimundo J. Macário, ZAVALETA, Jorge. ZIMBRÃO, Geraldo. Previsão de
Estudantes com Risco de Evasão Utilizando Técnicas de Mineração de Dados. Anais do XXII SBIE - XVII WIE, 2011.
MÁRQUEZ, Vera; ROMERO C.; VENTURA S. Predicting School Failure Using Data Mining. Proceedings of the 4th International Conference on
Educational Data Mining. Julho, 2011.
MERCERON, A. Educational data mining: a case study. Proceeding of the 2005 conference on Artificial. 2005 Disponível em:
http://dl.acm.org/citation.cfm?id=1562589
MINIX.ORG. The MINIX 3 Operating System. Disponível em: http://www.webcitation.org/64sAstWXM. Acessado em 2012-01-20.
NISBET, Robert. ELDER, John. MINER, Gary. Statistical Analysis and Data Mining Applications. Elsevier, 2009.
NORTH, Matthew. Data Mining for the Masses. 2012
OLIVEIRA, Dalila Andrade. A Reestruturação do Trabalho Docente: Precarização e Flexibilização. Educ. Soc., Campinas, vol. 25, n. 89, pp. 11271144, Set./Dez. 2004. Disponível em: http://www.cedes.unicamp.br.
PNE. Portal do Mec. Plano Nacional de Educação – PNE. Disponível em:
http://portal.mec.gov.br/index.php?option=com_content&view=article&id=16478&Itemid=110 7. Acessado em: 24/04/2012.
PNE(b). Projeto de Lei 8035/2010. Câmara dos Deputados. Disponível em:
http://www.camara.gov.br/proposicoesWeb/fichadetramitacao?idProposicao=490116.
Acessado em: 12/04/2012.
REIHANEH, Rabbany K.; MANSOUREH, Takaffoli; ZAÏANE, Osmar R. Analyzing Participation of Students in Online Courses Using Social Network Analysis
Techniques. Proceedings of the 4th International Conference on Educational Data Mining. Julho, 2011.

63. Referências
Ranilson Oscar Araújo Paiva
63
roap@ic.ufal.br
Referências
REYNOLDS, K.; Kontostathis, A.; EDWARDS, L. Using Machine Learning to Detect Cyberbullying. 10th International Conference on Machine
Learning and Applications and Workshops, 2011 p. 241-244.
ROMERO, C., VENTURA, S. Educational Data Mining: A Survey from 1995 to 2005. Expert Systems with Applications, 2007 33(1), pp. 135146.
Romero, Cristóbal; Ventura, Sebastian; Pechenizkiy; Baker, Ryan. Handbook of Educational Data Mining.Florida: CRC Press, 2011.
Russell, Stuart; Norvig, Peter. Artificial Intelligence: A Modern Approach. 3. ed. New Jersey: Pearson Education, 2010.
SILVA, Alan Pedro da; COSTA, Evandro; BITTENCOURT, Ig Ibert. Uma Linha de Produto de Software baseada na Web Semântica para
Sistemas Tutores Inteligentes. Revista Brasileira de Informação na Educação, 2012 v. 20, pp. 87.
SOMMERVILLE, Ian. Software Engineering. ed. 09. Addison-Wesley, 2011.
UFALLinguas. Disponível em: http://www.ufal.edu.br/cied/informes/cied-torna-publico-o-edital-do-curso-201cel-mundo-hispanico-sinfronteiras. Acessado em: 15/01/2013.
UFALLinguas(b). Disponível em: http://www.ufal.edu.br/cied/documentos/editalsimplificadocursoextensaoespanhol.pdf. Acessado em:
15/01/2013.
W3C.ORG. Authoring Tool Definition. Disponível em: http://www.w3.org/TR/2012/WD-ATAG20-20120410/#def-Authoring-Tool. Acesso
em: 03/01/2013.
WALKER, Maurice. PISA 2009 Plus Results: Performance of 15-year-olds in Reading, Mathematics and Science for 10 Additional
Participants. Acer Press, 2011.
WITTEN, Ian; FRANK, Eibe; HALL, Mark. Data Mining: Practical Machine Learning Tools and Techniques. Elsevier, 2011. ed. 3.
Massachusetts.
WU, Xindong; et. Al. Top 10 Algorithms in Data Mining. Knowledge Information Systems, 2007 - Springer.

64. Agradecimentos
Ranilson Oscar Araújo Paiva
64
roap@ic.ufal.br
Agradecimentos
Uma pessoa nobre nunca se esquece, e é sempre
grata, pelos favores que recebeu de outros.
Buddha
Obrigado!