MINERAÇÃO DE DADOS EDUCACIONAIS EDUCATIONAL DATA MINING [Painel apresentado no XIX SEMEAD, http://login.semead.com.br/19semead/programacao.php ]

1. Potencialidades e desafios
Anatália Saraiva Martins Ramos
Professora Titular da UFRN
Programa de Pós-graduação em Administração

2. A Mineração de Dados (MD) é usada para transformar grandes volumes de dados
em informações significativas para o planejamento, a gestão e a tomada de decisão
nas mais diversas áreas de conhecimento.

3. Medicina
•Ex: prever paciente com maior probabilidade de contrair uma doença
específica, com base nos dados históricos dos pacientes
Telecomunicações
•Ex: identificar fraudes em ligações telefônicas, dentre um enorme
número de ligações efetuadas pelos clientes
Mercado financeiro
•Ex: prever as ações que estarão em alta na bolsa de valores, em função
do histórico de preços das ações e valores de índices financeiros
Abordaremos, a seguir, aplicações de MD na área de Educação

4. Fonte: http://www.educationaldatamining.org/proceedings
A base da MDE é composta de
modelos, tarefas, métodos e
algoritmos usados para explorar
conjuntos de dados de larga escala de
ambientes educacionais com objetivo
de descobrir padrões descritivos e
predições que forneçam informações
sobre o contexto em que os alunos
aprendem os quais ajudem a
compreender e melhorar o ensino e a
aprendizagem.

5.  Esse campo de conhecimento teve início
em 2005 com o Workshop ‘Educational
Data Mining’ em Pittsburg, como evento
satélite da 20th National Conference on
Artificial Intelligence (AAAI-05)
 Outros workshops seguiram-se e uma
Conferência anual exclusiva para MDE
foi criada em 2008, em Montreal
 Em 2009, foi criado um periódico
específico: Journal of Educational Data
Mining, mantido pela EDM Society
 Há livros publicados, por ex: “Data
mining in E- learning”e “Handbook of
Educational Data Mining”
MD
E
A MDE faz parte do campo da Analítica de Aprendizagem (Learning Analytics)
como um dos seus métodos, ao lado da Aprendizagem de máquina e da Análise
estatística.

7. Educação offline
• Análises em dados de desempenho/comportamento do aluno, currículo etc
Aprendizado eletrônico (e-learning) e Sistema de Gestão da
Aprendizagem (LMS)
• Análises de dados armazenados em ambientes virtuais de aprendizagem,
como Moodle ou Blackboard, ou de MOOCs.
Sistemas Tutores Inteligentes e Sistemas Hipermídias
Adaptativos
• Aplicados sobre dados de sistemas que se adaptam a cada estudante, aos
cursos e aos modelos de usuário etc.
[Romero, Ventura, 2010]

9. https://www.cmu.edu/datalab/getting-started/what-is-edm.html

10. Predição
*Classificação
*Regressão
*Estimação de
densidade
Agrupamento
(clustering)
Outras tarefas:
• Destilação de dados (para facilitar decisões humanas)
• Descobertas com modelos
Relações
*Regras de associação
*Correlações
*Padrões sequenciais
*Causas

11. INSTITUIÇÃO
APRENDIZ
IMEDIATO ADIADOHora de usar os dados
Locus de controle e
autoridade
Ex: sistemas
adaptativos; tutoria
automática;
intervenções de ensino
síncrona
Ex: sistemas de intervenção;
sistema de alerta precoce de
retenção; intervenções de
ensino assíncrona mudanças
de nível institucional
Ex: feedback em testes
online
Ex: apresentação de
dados individuais ou
agregados para reflexão
Powell, 2012

12.  Alunos
 Auto-reflexão, comparações de coortes, aprendizagem automatizada etc
 Professores
 Retenção, progressão, satisfação/experiência dos alunos etc.
 Desenvolvedores de curso
 Design para o sucesso; avaliação, conteúdo, estratégias de ensino etc
 Dirigentes
 Retenção, progressão, eficiência, controle interno de indicadores do MEC, INEP,
Capes etc
 Pesquisadores
 Pedagogia, modelos, teoria etc.
A MDE não fornece respostas para os PORQUÊS, mas oferece pistas que podem
ser validadas por análises qualitativas.

13.  Que alunos preferem qual sequência de assuntos para que eles possam aprender
mais efetivamente?
 Que ações do aluno indicam satisfação e engajamento com o curso EaD?
 Quais são as melhores características de cursos online em termos de atingir uma
aprendizagem mais efetiva?
 Que ações dos alunos estão associadas com um melhor aprendizado e maior
desempenho acadêmico?
 Como os alunos aprendem?
 Como desenvolver sistemas educacionais mais eficazes?
 Que abordagem instrucional (ex. aprendizagem individual ou colaborativa)
proporciona melhores benefícios educacionais ao aluno?
 Qual a matéria de maior impacto?
 Quem mais interage?
 Qual perfil de quem mais colabora?
 O que fazem quando estão logados no site?
 O que foi mais útil / efetivo na aquisição de novas competências?

14.  Prever o desempenho e comportamento futuro da
aprendizagem do aluno e propor modelos pedagógicos que
melhor se alinhem com esse comportamento
 Encontrar sequência de instruções ótimas e adaptadas
para cada aluno
 Melhorar a satisfação do aluno, diplomação, retenção e
diminuir a evasão de curso e abandono de disciplina
 Verificar se o aluno está desmotivado, confuso ou com
problema e, assim, personalizar o ambiente e os métodos
de ensino para oferecer melhores condições de
aprendizagem.

15.  Integração com Dados Abertos
 Personalização da Aprendizagem
 Infraestrutura para Mineração de Dados Educacionais
 Integrando MDE e Internet das Coisas (IoT)
 Mineração de dados em jogos educacionais, MOOCs e Sistemas Tutores
Inteligentes
 Integrando MDE e Analítica de Aprendizagem (Learning Analytics)
 Mineração de dados na aprendizagem social e colaborativa
 Adaptação de técnicas analíticas de recuperação de informação, sistemas
de recomendação, análise de redes sociais, mineração de opinião para o
domínio educativo
 Metodologias que aplicam uma técnica utilizada anteriormente para um
novo domínio, ou que reavaliam um conjunto de dados existente com uma
nova técnica.

16.  Complexidade dos comportamentos de aprendizagem
 Coletar e integrar todos os dados obtidos de diversas plataformas de
aprendizagem e de vários dispositivos
 Definir as perguntas se deve fazer aos dados para obter as respostas úteis
na mineração dos dados educacionais
 Estabelecer a modelagem mais adequada
 Desenvolver competências de interpretação e pensamento crítico
 Convencer os stakeholders de que poderiam se beneficiar dos resultados
obtidos através do uso de técnicas de MDE
 Garantir e preservar a privacidade
 Fazer análise preditiva com ética
 Dispor de conjuntos de dados públicos de referência para MDE

17.  Baker, R.S. .d., Barnes, Beck, .E. Eds. Educational Data Mining. 1st International Conference on Educational Data Mining,
Proceedings. Montreal, Quebec, Canada. June 20-21, 2008.
 Beck, J, Proceedings of Association for the Advancement of Artificial Intelligence 2005 workshop on Educational Data Mining,
2005.
 Conference Proceedings of International Conference on Educational Data Mining
http://www.educationaldatamining.org/proceedings
 Fayyad, U.; Piatetsky-Shapiro, G.; Smyth, P.. The KDD process for extracting useful knowledge from volumes of data.
Communications of the ACM, v. 39, n. 11, p. 27-34, 1996.
 Manhães, L. M. B., Cruz, S.M.S., Zimbrão, G., et. al. Identificação dos Fatores que Influenciam a Evasão em Cursos de
Graduação Através de Sistemas Baseados em Mineração de Dados: Uma Abordagem Quantitativa. Anais do VIII Simpósio
Brasileiro de Sistemas de Informação (SBSI 2012), pp. 468-479, 2012.
 Peña-Ayala, A. Educational data mining: A survey and a data mining-based analysis of recent works. Expert systems with
applications, v. 41, n. 4, p. 1432-1462, 2014.
 Powell, S. Explaining learning analytics to colleagues https://stephenp.net/2012/04/17/explaining-learning-analytics-to-
colleagues/
 Rodrigues, R.L; Ramos, J.L.C.; Silva, J.C.S. A literatura brasileira sobre mineração de dados educacionais. 3o. Congresso
Brasileiro de Informática na Educação (CBIE), 2014.
 Romero, C.; Ventura, S. Data Mining in E-Learning, WIT Press, 2006.
 Romero, C.; Ventura, S. Educational data mining: a review of the state of the art. IEEE Transactions on Systems, Man, and
Cybernetics, Part C: Applications and Reviews, vol. 40, n. 6, p. 601-618, 2010.
 Romero, C.; Ventura, S. Handbook of Educational Data Mining, CRC Press, 2010.
 Planilha compartilhada de coleta de dados de artigos em EDM publicados no Brasil: http://bit.ly/mdeBrasil
 http://www.educationaldatamining.org/proceedings
 http://blog.originlearning.com/understanding-educational-data-mining/
 http://www.devmedia.com.br/mineracao-de-dados-educacionais-usando-kdd-parte-2/29142
 http://www.slideshare.net/krice100/educational-data-mining-in-program-evaluation-lessons-learned