Banca de TCC: Douglas Detoni

UNIVERSIDADE FEDERAL DE PELOTAS
CENTRO DE DESENVOLVIMENTO TECNOLÓGICO
TRABALHO DE CONCLUSÃO DE CURSO

Apresentações Finais (2014/1)

Modelagem e predição da situação acadêmica de alunos de educação a distância
por
Douglas Detoni

Curso:
Ciência da Computação

Banca:
Prof. Ricardo Matsumura de Araújo (orientador)
Prof. Cristian Cechinel (co-orientador)
Prof. Marilton Sanchotene de Aguiar
Prof. Sandro da Silva Camargo

Data: 18 de Julho de 2014

Hora: 13:30h

Local: Pós 1, FAT.

Resumo do Trabalho:

O aumento no número de estudantes no modelo de educação a distância e o uso de ambientes virtuais de aprendizagem, como o Moodle, fez com que um grande número de dados relativos as ações dos alunos nas disciplinas e cursos fossem armazenados pelas instituições de ensino. Esses dados possuem um grande potencial de estudo, pois podem revelar padrões que expliquem o comportamento dos alunos em determinadas situações. As áreas de Educational Data Mining e Learning Analytics abrangem diversos estudos nesse contexto, desde predição de evasão até trapaças no sistema. O Centro de Educação a Distância da Universidade Federal de Pelotas tem um grande potencial de estudo nessa área. Com base nisso, dados dos curso de Licenciatura em Educação do Campo e Licenciatura em Pedagogia foram utilizados. Foram feitos experimentos e estudos de caso, com a intenção de prever a situação acadêmica do aluno ao longo das 7 semanas em que as disciplinas ocorrem. Para a predição foram usados somente o número de interações que o aluno fez em cada umas das semanas, juntamente com atributos extraídos desse contexto. Ao todo, foram realizados 3 experimentos, onde duas situações diferentes foram testada em cada um. O primeiro experimento utilizou somente o número de interações por semana de cada aluno. O segundo experimento adicionou atributos extras ao conjunto de dados utilizado no experimento 1. Por fim, no terceiro experimento foi feito o balanceamento no conjunto de dados do experimento 2, o qual equilibrou os exemplos de alunos aprovados e reprovados. As duas situações propostas foram, treinar e testar os modelos entre turmas e treinar e testar os modelos entre semestres. Os modelos foram treinados utilizando os classificadores: Bayes Net, Multilayer Perceptron, J48 e Random Forest, todos disponíveis no pacote de software WEKA. O melhor resultado obtido foi utilizando um conjunto de dados balanceado, juntamente com o classificador Bayes Net. Neste contexto, foi possível prever a situação acadêmica de 77% dos exemplos contidos nos conjuntos de dados, isso até a primeira metade da disciplina ser executada. Também constatou-se que é possível prever a situação de alunos de outros semestres do mesmo curso.

Para mais informações acesse: http://inf.ufpel.edu.br/nopcc/doku.php?id=bancas:2014_1