Uso de mineração nos dados do
Moodle para predição e
combate à evasão
Rodrigo de Moraes
Analista de negócios e cientista d...
Uso de mineração nos dados do Moodle
para predição e combate à evasão
GVwise Student
Usuário: moodlemoot2015
Senha: 123456
GVDASA: Perfil da empresa
• Localizada no TECNOSINOS (São Leopoldo)
• 28 anos de atuação
• Especialista em Sistema de Gest...
Predição de Evasão
Evasão
• ~40% dos alunos de IES públicas não completam o curso (Agência
Senado, 2014)
• ~30% dos alunos de IES privadas nã...
Por que predizer a evasão?
• Possibilidade de realizar ações proativas e não apenas reativas
• Identificação individual de...
Mineração de Dados
• Desde 1962 (Tukey, 1962)
• Processo de descoberta de conhecimento em base de dados (1996)
• Utilizaçã...
Mineração de Dados Educacionais (MDE)
• Mineração de Dados + Dados Educacionais
• Desde 1995, “popularização” nos anos 200...
MDE para Predição de Evasão (IES)
• Onde está a evasão???
MDE para Predição de Evasão (IES)
Rivergram, adaptado de Simpson, 2013
• Onde está a evasão???
Inscrições do
Processo
Sele...
Etapas para a Predição de Evasão
• Unificação de dados (ERP, AVA, Biblioteca, Governo, Acesso e etc.)
• Análise do cenário...
Etapas para a Predição de Evasão
• Aplicação (treinamento) de técnicas de mineração de dados
• Validação e consolidação do...
Dicas para a construção do modelo preditivo
• Analise os dados e gaste tempo com isso
• Defina qual é o objetivo do modelo...
E agora? O que fazer?
Learning Analytics
Adaptado de Greller e Drachsler 2012
Learning Analytics
Adaptado de Greller e Drachsler 2012
Learning Analytics
Adaptado de Greller e Drachsler 2012
Learning Analytics
Adaptado de Greller e Drachsler 2012
O que fazer com a predição de evasão?
• Montar uma equipe de permanência
• Elaborar um plano de ações para cada situação d...
GVwise: Integração de dados
Extração
Base de Dados
do Moodle
Base Staging
do Moodle
Transformação Base ODS
Consolidação
Da...
GVwise: Integração de dados
Data Warehouse
ETL Moodle
ETL ERP
Mineração de
Dados
GVwise: Processo de Mineração de Dados
• Para cada contexto há um processo de mineração diferente
• O pré-processamento do...
Estudo de caso
Estudo de caso: cenário
• Cursos EaD de uma IES
• Histórico do Moodle desde 2010 (atualmente Moodle 2.5)
• LOGs históricos...
Estudo de caso
Estudo de caso
Estudo de caso
Estudo de caso
Estudo de caso
Estudo de caso
Estudo de caso: Mobile
• Projeto desde 2013
• Motivação: qualificação dos LOGs
• Registro de LOG semelhante ao Moodle WEB
...
Estudo de caso: Mobile
GVwise Student / Usuário: moodlemoot2015 / Senha: 123456
Estudo de caso: Mobile
GVwise Student / Usuário: moodlemoot2015 / Senha: 123456
Resultados: Predição de Evasão
0,00%
10,00%
20,00%
30,00%
40,00%
50,00%
60,00%
70,00%
80,00%
90,00%
100,00%
Módulo 2 Módul...
Resultados: Reversão de Evasão
 Aprovados: melhoria de até 18%
 Reversão: melhoria de até 25%
Conclusões
• Modelos preditivos baseados em históricos de dados tendem a
ter melhores resultados
• A modelagem dos dados é...
Referências
• AGÊNCIA SENADO. Despreparo de alunos leva a evasão nos cursos superiores, alerta Cristovam. Disponível em:
<...
Obrigado!
Rodrigo de Moraes
GVDASA Informática
51 35911700
51 30915855
rmoraes@gvwise.com.br
www.gvwise.com.br
GVDASA: Perfil da empresa
Clientes
Matriz
Unidade
Caso de uso: Predição de Evasão
Resumo:
4 - Avaliação e realização de ações
Analise dos estudantes em
risco Realização deações
Aumento da Permanência
Gerê...
Estudo de caso: Predição de Evasão
Uso de mineração nos dados do moodle para predição e combate à evasão
Próximos SlideShares
Carregando em…5
×

Uso de mineração nos dados do moodle para predição e combate à evasão

396 visualizações

Publicada em

Apresentação realizada no evento Moodle Moot em 30/04/2015. Apresentação do case GVwise para a gestão de evasão.

Publicada em: Tecnologia
0 comentários
2 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

Sem downloads
Visualizações
Visualizações totais
396
No SlideShare
0
A partir de incorporações
0
Número de incorporações
25
Ações
Compartilhamentos
0
Downloads
9
Comentários
0
Gostaram
2
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Uso de mineração nos dados do moodle para predição e combate à evasão

  1. 1. Uso de mineração nos dados do Moodle para predição e combate à evasão Rodrigo de Moraes Analista de negócios e cientista de dados - GVDASA Mestre em Computação Aplicada - UNISINOS
  2. 2. Uso de mineração nos dados do Moodle para predição e combate à evasão GVwise Student Usuário: moodlemoot2015 Senha: 123456
  3. 3. GVDASA: Perfil da empresa • Localizada no TECNOSINOS (São Leopoldo) • 28 anos de atuação • Especialista em Sistema de Gestão Educacional • Atuação exclusiva no segmento educacional • Aproximadamente 700 clientes no Brasil • Mais de 130 colaboradores
  4. 4. Predição de Evasão
  5. 5. Evasão • ~40% dos alunos de IES públicas não completam o curso (Agência Senado, 2014) • ~30% dos alunos de IES privadas não completam o curso (Agência Senado, 2014) • Evasão de cursos totalmente EaD ~19% (CENSO ABED, 2013) • Evasão de cursos semipresenciais ~15% (CENSO ABED, 2013) • As perdas financeiras podem chegar a R$ 9 bilhões (NOGUEIRA, 2011)
  6. 6. Por que predizer a evasão? • Possibilidade de realizar ações proativas e não apenas reativas • Identificação individual de estudantes em risco • Trabalho focado • Ações personalizadas e, portanto, mais eficientes Adaptado de Simpson, 2013 𝑅 = 𝐼𝑃𝑅 + 𝐴𝑃 + 𝐸𝐶𝐶 + 𝑆𝐸 R = Retenção IPR = Identificação precoce de risco AP = Ações proativas ECC = Escolha Correta do Curso SE = Suporte Externo (Família, colegas...)
  7. 7. Mineração de Dados • Desde 1962 (Tukey, 1962) • Processo de descoberta de conhecimento em base de dados (1996) • Utilização de dados históricos para a descoberta de padrões • Processo vs. técnicas Processo de descoberta do conhecimento em base de dados, adaptado de Fayyad et al. 1996
  8. 8. Mineração de Dados Educacionais (MDE) • Mineração de Dados + Dados Educacionais • Desde 1995, “popularização” nos anos 2000 • Principais aplicações: • Modelagem de comportamento de estudantes • Realização de tarefas (associação) • Otimização de ações (automatizadas ou recomendação) • Associações com currículo, disciplinas e professores
  9. 9. MDE para Predição de Evasão (IES) • Onde está a evasão???
  10. 10. MDE para Predição de Evasão (IES) Rivergram, adaptado de Simpson, 2013 • Onde está a evasão??? Inscrições do Processo Seletivo Realização do Processo Seletivo Divulgação de Resultados RematrículasAulasMatrículas
  11. 11. Etapas para a Predição de Evasão • Unificação de dados (ERP, AVA, Biblioteca, Governo, Acesso e etc.) • Análise do cenário da IE • Definição do nível de evasão que será trabalhado • Identificação dos dados mais relevantes • Modelagem dos dados • Temporal • Tipo • Representação
  12. 12. Etapas para a Predição de Evasão • Aplicação (treinamento) de técnicas de mineração de dados • Validação e consolidação do modelo preditivo • Classificação / Indicação • Atualização do modelo
  13. 13. Dicas para a construção do modelo preditivo • Analise os dados e gaste tempo com isso • Defina qual é o objetivo do modelo e deixe isso claro a todos os envolvidos • Analise separadamente os diversos contextos existentes dentro da IE • Certifique-se que os dados históricos são suficientes para se alcançar um grau de generalização satisfatório do modelo preditivo • Esteja atento às mudanças que envolvem o registro de dados • Versões das fontes de dados • Ferramentas utilizadas na IE • Desenvolva/utilize técnicas para qualificar os dados
  14. 14. E agora? O que fazer?
  15. 15. Learning Analytics Adaptado de Greller e Drachsler 2012
  16. 16. Learning Analytics Adaptado de Greller e Drachsler 2012
  17. 17. Learning Analytics Adaptado de Greller e Drachsler 2012
  18. 18. Learning Analytics Adaptado de Greller e Drachsler 2012
  19. 19. O que fazer com a predição de evasão? • Montar uma equipe de permanência • Elaborar um plano de ações para cada situação de risco • Disseminar a cultura de combate a evasão na IE • Utilizar um ambiente/ferramenta focada na gestão da evasão • Avaliar constantemente os resultados de reversão de evasão • Monitorar o uso das ferramentas disponíveis
  20. 20. GVwise: Integração de dados Extração Base de Dados do Moodle Base Staging do Moodle Transformação Base ODS Consolidação Data Warehouse ETL do Moodle
  21. 21. GVwise: Integração de dados Data Warehouse ETL Moodle ETL ERP Mineração de Dados
  22. 22. GVwise: Processo de Mineração de Dados • Para cada contexto há um processo de mineração diferente • O pré-processamento dos dados é realizado dentro do processo de ETL • Os mesmo passos são adotados para dados históricos e atuais Seleção de contexto Transformação Treinamento Avaliação de resultados Consolidação do modelo Classificação de dados atuais
  23. 23. Estudo de caso
  24. 24. Estudo de caso: cenário • Cursos EaD de uma IES • Histórico do Moodle desde 2010 (atualmente Moodle 2.5) • LOGs históricos: ~ 89 milhões • Média LOGs diários: ~ 225 mil • Disciplinas bimestrais (9 semanas) • Predição de evasão na disciplina • Predição semanal a partir da 2ª semana
  25. 25. Estudo de caso
  26. 26. Estudo de caso
  27. 27. Estudo de caso
  28. 28. Estudo de caso
  29. 29. Estudo de caso
  30. 30. Estudo de caso
  31. 31. Estudo de caso: Mobile • Projeto desde 2013 • Motivação: qualificação dos LOGs • Registro de LOG semelhante ao Moodle WEB • Gestão de conteúdos baixados (off-line) • Agregação de recursos sem vínculo com o Moodle GVwise Student Usuário: moodlemoot2015 Senha: 123456
  32. 32. Estudo de caso: Mobile GVwise Student / Usuário: moodlemoot2015 / Senha: 123456
  33. 33. Estudo de caso: Mobile GVwise Student / Usuário: moodlemoot2015 / Senha: 123456
  34. 34. Resultados: Predição de Evasão 0,00% 10,00% 20,00% 30,00% 40,00% 50,00% 60,00% 70,00% 80,00% 90,00% 100,00% Módulo 2 Módulo 3 Módulo 4 Módulo 5 Módulo 6 Módulo 7 Geral Evadidos Não Evadidos
  35. 35. Resultados: Reversão de Evasão  Aprovados: melhoria de até 18%  Reversão: melhoria de até 25%
  36. 36. Conclusões • Modelos preditivos baseados em históricos de dados tendem a ter melhores resultados • A modelagem dos dados é a etapa mais importante do processo, sendo responsável por mais de 70% do sucesso do modelo e reversão • Dependendo das técnicas utilizadas, o modelo pode ser sensível a mudanças nos cursos e materiais • Deve-se medir o custo-benefício da modelagem adotada • O modelo preditivo sozinho não é nada, é preciso ação!
  37. 37. Referências • AGÊNCIA SENADO. Despreparo de alunos leva a evasão nos cursos superiores, alerta Cristovam. Disponível em: <http://www12.senado.leg.br/noticias/materias/2014/09/10/cristovam-buarque-evasao-no-ensino-superior>. Acesso em: 28 abr. 2015. • ABED – ASSOCIAÇÃO BRASILEIRA DE EDUCAÇÃO A DISTANCIA. Censo EaD.br: relatório analítico da aprendizagem a distância no Brasil 2013. Disponível em: <http://www.abed.org.br/censoead2013/CENSO_EAD_2013_PORTUGUES.pdf>. Acesso em: 28 abr. 2015. • EDUCATIONAL data mining. In: Wikipédia: a enciclopédia livre. Disponível em: <http://en.wikipedia.org/w/index.php?title=Educational_data_mining&oldid=649550795> Acesso em: 28 abr. 2015. • FAYYAD, U. M.; PIATETSKY-SHAPIRO, G.; SMYTH, P. From data mining to knowledge discovery: an overview. In: Advances in Knowledge Discovery and Data Mining. [s.l: s.n.]. v. 17p. 1–34. • GRELLER, W.; DRACHSLER, H. Translating Learning into Numbers: A Generic Framework for Learning Analytics. Educational Technology & Society, p. 42–57, 2012. • NOGUEIRA, F. País perde R$ 9 bilhões com evasão no ensino superior, diz pesquisador. Disponível em: <http://g1.globo.com/educacao/noticia/2011/02/pais-perde-r-9-bilhoes-com-evasao-no-ensino-superior-diz-pesquisador.html>. Acesso em: 28 abr. 2015. • PEÑA-AYALA, A. Educational data mining: A survey and a data mining-based analysis of recent Works. Expert Systems with Applications, 2014. • PRESS, G. A Very Short History Of Data Science. Disponível em: <http://www.forbes.com/sites/gilpress/2013/05/28/a-very-short- history-of-data-science>. Acesso em: 28 abr. 2015. • ROMERO, C.; VENTURA, S. Educational data mining: A survey from 1995 to 2005. Expert Systems with Applications, v. 33, n. 1, p. 135– 146, jul. 2007. • SIMPSON, O. Supporting students for success in online and distance education. [s.l.] Routledge, 2012.
  38. 38. Obrigado! Rodrigo de Moraes GVDASA Informática 51 35911700 51 30915855 rmoraes@gvwise.com.br www.gvwise.com.br
  39. 39. GVDASA: Perfil da empresa Clientes Matriz Unidade
  40. 40. Caso de uso: Predição de Evasão
  41. 41. Resumo: 4 - Avaliação e realização de ações Analise dos estudantes em risco Realização deações Aumento da Permanência Gerência do Processo 3 - Predição e emissão de alertas Emissão de alertas personalizados Estudantes classificados conforme o risco Classificação ou prediçãoIndicadores de estudantes (atuais) 2 - Geração e validação de padrões Definição de perfis Indicadores de estudantes (histórico) Aprovados Reprovados Evadidos Identificação dos grupos deinteresse Mineração dedados e identificação depadrões 1 – Mapeamento de indicadores AVEA, ERP, CRM, ... Indicadores Exploração dos dados
  42. 42. Estudo de caso: Predição de Evasão

×