Banca de TCC – Henrique Lemos dos Santos

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

Apresentações Finais (2017/1)

Utilização de métricas de análise de redes sociais em fóruns para a identificação de alunos em risco em cursos a distância
por
Henrique Lemos dos Santos

Curso:
Engenharia de Computação

Banca:
Prof. Cristian Cechinel (orientador)
Prof. Ricardo Matsumura de Araujo (co-orientador)
Prof. Paulo Roberto Ferreira Jr.
Prof. Sandro da Silva Camargo

Data: 28 de Julho de 2017

Hora: 09:30h

Local: Sala 318, Anglo

Resumo do Trabalho: Considerando a recente tendência de crescimento do número de cursos de ensino superior a distância no Brasil, surge a necessidade de propor soluções para os principais problemas enfrentados por essa modalidade de ensino, entre eles a questão da reprovação e evasão de alunos. Embora as taxas de reprovação e evasão nesse tipo de ensino sejam significativamente mais altas do que o modelo presencial, conforme censos realizados nos últimos anos, o potencial de geração de dados também é elevado, uma vez que a ampla maioria das interações se dá de maneira virtual, com o uso massivo de algum Ambiente Virtual de Aprendizagem (AVA). Nesse contexto emergem duas áreas de pesquisa, Educational Data Mining e Learning Analytics, com abordagens e técnicas diferentes, porém com o objetivo comum de otimizar o processo de ensino com auxílio de dados gerados pelo próprio processo. O presente trabalho utilizou dados de 5 cursos, técnicos e de licenciatura, a distância de duas instituições de ensino da cidade de Pelotas, ao todo mais de 4800 alunos e 68 disciplinas foram envolvidas nesse estudo. Com base no uso dos fóruns dos AVAs das disciplinas, isto é, nas relações de postagem-resposta dos usuários, foram geradas redes sociais para cada semana letiva das disciplinas. Dessas redes sociais foram extraídas 8 diferentes métricas de centralidade referentes aos alunos, tais como Intermediação, Proximidade, Grau, entre outras. Esses conjuntos de métricas semanais foram então fornecidos a 5 algoritmos de classificação com intenção de predizer o desfecho acadêmico do aluno (positivo ou negativo). Os resultados obtidos indicaram que as métricas sociais possuem uma boa relevância informativa, uma vez que em todos os cursos o desempenho médio (área sob a curva ROC – Receiver Operating Characteristic) de algum dos 5 algoritmos chegou a 0.75 em alguma das primeiras 3 semanas. Todavia, esses resultados se mostraram fracos para 4 cursos se comparados aos resultados de uma abordagem mais simples, que utiliza como métricas apenas as contagens de interações dos alunos. Apesar disso, foi possível identificar disciplinas específicas de um curso nas quais a abordagem com métricas sociais obteve um desempenho altamente superior (até 66% superior) à essa abordagem mais simples, ainda nas primeiras semanas letivas. Dessa forma, apesar do custo computacional elevado e da impossibilidade de ampla generalização, com o uso de métricas sociais é possível gerar modelos preditivos altamente precisos que dependem apenas de dados das primeiras semanas de disciplinas específicas. Esses modelos podem, desde que integrados a plataforma de ensino ou AVA, ajudar professores e tutores a entender como se desenvolvem as interações sociais na disciplina e, mais ainda, identificar e propor intervenções à alunos que encaixem-se no modelo de aluno com desfecho negativo.

Para mais informações acesse: https://wp.ufpel.edu.br/notcc/bancas/historico/2017_1/