Identificação de Perfis e Padrões de Participação dos Estudantes de Cursos a Distância na UFRN por meio de Mineração de Dados
I tiakina i:
| Kaituhi matua: | |
|---|---|
| Rā whakaputa: | 2015 |
| Hōputu: | Bachelor thesis |
| Reo: | por |
| Puna: | Repositório Comum do Brasil - Deposita |
| Download full: | https://deposita.ibict.br/handle/deposita/16 |
Whakarāpopototanga: | The Interest in data mining theme emerged from the concern of having information about the student's performance during the course in online learning. Moodle has several types of reports, however it provides no data about the students activities and profile of students performance for teachers decision-making. The research aimed to apply a data mining methodology to identify the profiles and participation patterns of students in distance education courses, resulting in predicting the chances of approval for each student. It was developed an applied project based on an adaptation of KDD for educational data mining in Moodle platform. The analyzed data was extracted from a subject of online courses from the SEDIS database with 497 enrolled students.The result was the formation of four clusters designating the profiles and variety of student participation, namely: active,median, inconsistent and absent students. This study is a contribution of computer area for education because it allows the teacher to have access to student performance profile during the subject and then take some preventive measures to avoid disapproval or locking of subject by the students. |
| _version_ | 1872168169693511680 |
|---|---|
| author | Almeida, Thaisa |
| author_browse | Almeida, Thaisa |
| author_facet | Almeida, Thaisa |
| author_role | author |
| bitstream.checksum.fl_str_mv | bc8bd25f997e393d2b239037b0ac58c0 fbfd555db4b7add6f7a472e0293312fc c3e123310a2c7ac8b8c57d81fa909695 16455b010d277e7dcd3f59583ff9a63d |
| bitstream.checksumAlgorithm.fl_str_mv | MD5 MD5 MD5 MD5 |
| bitstream.url.fl_str_mv | https://deposita.ibict.br/bitstreams/5cb038ca-c093-4e15-9fcb-9715a2dc1aa2/download https://deposita.ibict.br/bitstreams/e08f6676-946f-409d-a96e-a2746383a919/download https://deposita.ibict.br/bitstreams/cee93a68-8e06-42a5-9424-cd6ccdd49cea/download https://deposita.ibict.br/bitstreams/13dc7cc5-2e3c-4a83-aab7-ed2aaff583a6/download |
| collection | Repositório Comum do Brasil - Deposita |
| contributor_str_mv | Lucena, Márcia Apuena, Gomes Valentim, Ricardo Nóbrega, Giovani |
| dc.contributor.advisor-co1.fl_str_mv | Apuena, Gomes |
| dc.contributor.advisor-co1Lattes.fl_str_mv | http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4795465U4 |
| dc.contributor.advisor1.fl_str_mv | Lucena, Márcia |
| dc.contributor.advisor1Lattes.fl_str_mv | http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4790032H0 |
| dc.contributor.author.fl_str_mv | Almeida, Thaisa |
| dc.contributor.authorLattes.fl_str_mv | http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4041346D8 |
| dc.contributor.referee1.fl_str_mv | Valentim, Ricardo |
| dc.contributor.referee1Lattes.fl_str_mv | http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4744094D4 |
| dc.contributor.referee2.fl_str_mv | Nóbrega, Giovani |
| dc.contributor.referee2Lattes.fl_str_mv | http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4214800D0 |
| dc.creator.ID.none.fl_str_mv | |
| dc.date.accessioned.fl_str_mv | 2016-03-17T18:58:10Z |
| dc.date.issued.fl_str_mv | 2015 |
| dc.format.none.fl_str_mv | application/pdf application/pdf |
| dc.identifier.citation.fl_str_mv | ALMEIDA,T. LUCENA, M. J. N. R. GOMES. Identificação de Perfis e Padrões de Participação dos Estudantes de Cursos a Distância na UFRN por meio de Mineração de Dados. 2015. |
| dc.identifier.uri.fl_str_mv | https://deposita.ibict.br/handle/deposita/16 |
| dc.language.iso.fl_str_mv | por |
| dc.publisher.country.fl_str_mv | Brasil |
| dc.publisher.department.fl_str_mv | Departamento de Informática e Matemática Aplicada |
| dc.publisher.none.fl_str_mv | Universidade Federal do Rio Grande do Norte (UFRN) |
| dc.relation.references.por.fl_str_mv | BAKER, R. S. J. d; YACEF, K. The State of Educational Data Mining in 2009: A Review and Future Visions. Journal of Educational Data Mining, 1 (1), 3- 17, 2009. Disponivel em: <http://educationaldatamining.org/JEDM/index.php/JEDM/article/view/8 /2> BAKER, R. S. J. d.; ISOTANI, S.; CARVALHO, A. de. Mineração de dados educacionais: Oportunidades para o Brasil. Revista Brasileira de Informática na Educação, 2011. BARROS, M. G.; CARVALHO, A. B. G. As concepções de interatividade nos ambientes virtuais de aprendizagem. Campina Grande: EDUEPB , 2011.. Disponivel em: <http://books.scielo.org/id/6pdyn/pdf/sousa- 9788578791247-09.pdf> BRASIL. MEC/INEP. Censo da educação superior 2012. Resumo técnico. – Brasília: Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira, 2014. Disponível em: http://download.inep.gov.br/download/superior/censo/2012/resumo_tecni co_censo_educacao_superior_2012.pdf. Acesso em: 02 de junho de 2015. Brito, Marcelo. Aspectos teóricos da mineração de dados e aplicação das regras de classificação para apoiar o comércio, 2012. Disponível em: <http://www.devmedia.com.br/aspectos-teoricos-da.-mineracao-de-dados- e-aplicacao-das-regras-de-classificacao-para-apoiar-o- comercio/25429#comentariosArtigo> C. ROMERO, S. VENTURA. Educational data mining: A survey from 1995 to 2005. Expert Systems with Applications, 33 (1), pg. 135–146, 2007. CARVALHO, L. A. V. Datamining: a Mineração de Dados no Marketing, Medicina, Economia, Engenharia e Administração. São Paulo: Érica, 2001. COHEN, Jacob. Statistical power analysis for the behavioral sciences. Hillsdale, NJ, Erlbaum 1988. 56 ! CONTI, F. Mineração de dados no moodle: análise de prazos de entrega de atividades. 2011. Dissertação de mestrado. COSTA, E. , BAKER, R. S. J. D., AMORIN, L. MAGALHOES, J., MARINHO, T. Mineração de Dados Educacionais: Conceitos, Técnicas, Ferramentas e Aplicações. 2012. Disponível em: <! http://www.br- ie.org/pub/index.php/pie/article/view/2341/2096> FAYYAD, U. M., Piatetsky-Shapiro, G., and Smyth, P. Ad- vances in knowledge discovery and data mining. In Fayyad, U. M., Piatetsky-Shapiro, G., Smyth, P., and Uthurusamy, R., editors, A, chapter From data mining to knowledge discovery: an overview, pages 1–34. American Association for Artificial Intelligence, Menlo Park, CA, USA, 1996. FINNEGAN, C.; MORRIS, L. V.; LEE, K. Differences by course discipline on student behavior, persistence, and achievement in online courses of undergraduate general education. Journal of College Student Retention: Research, Theory and Practice, 10 (1), p. 39-54, 2008. FODOR, I.K: “A Survey of Dimension Reduction Techniques. LLNL Technical Report, UCRL-ID-148494”, pp.1-18, 2002. HRASTINSKI, S. A theory of online learning as online participation. Computers & Education, v. 52, p. 78-82, 2009. HRASTINSKI, S. What is online learner participation? A literature review. Computers & Education, v. 51, p. 1755–1765, 2008. JAIN, K.A. Data Clustering: 50 Years Beyond K-Means. 2008. Disponível em <http://www.cs.utah.edu/~piyush/teaching/kmeans50yrs.pdf> JALDEMARK, J., LINDBERG, J. O., & OLOFSSON, A. D. Sharing the distance or a distance shared: Social and individual aspects of participation in ICT-supported distance-based teacher education. In Chaib, M. & Svensson, A. K. (Eds.). ICT in teacher education: Challenging prospects. Jönköping: Jönköping University Press. 2006. (pp. 142–160). MANLY, B.F.J. Multivariate statistical methods: a primer. 2nd ed., London, Chapman & Hall, 1994. 57 ! MARQUES, J. L. Q. Mineração de dados educacionais: um estudo de caso utilizando o ambiente virtual SENAI. Trabalho de conclusão de curso. 2014. MEDEIROS, C. A. Extração de conhecimento em bases de dados espaciais: Algoritmo CHSMST+. 2014, Dissertação de mestrado. MEDEIROS, C. J. F., COSTA, J. A. F. Uma Comparação de Métodos de Redução de Dimensionalidade Utilizando Índices de Preservação da Topologia. Pg.2, 2009. Mödritscher, F., Andergassen, M., & Neumann, G. Dependencies between ELearning Usage Patterns and Learning Results. In Proceedings of the 13th International Conference on Knowledge Management and Knowledge Technologies (pp. 1–8). Graz, Austria: ACM Press, (2013). Disponivel em: < http://nm.wu-wien.ac.at/research/publications/b1004.pdf> N. Karthikeyani Visalakshi and K. Thangavel. Impact of Normalization in Distributed K-Means Clustering. International Journal of Soft Computing, 4: 168-172, 2009 Disponivel em: <http://www.medwelljournals.com/fulltext/?doi=ijscomp.2009.168.172> NISTOR, N., & NEUBAUER, K. From participation to dropout: Quantitative participation patterns in online university courses. Computers & Education, v. 55(2), p. 663-672, 2010. PEÑA-AYALA, A. Education data mining: Applications and trends (p. 52). Newyork: Springer, 2014. PIELOU, E.C. The interpretation of ecological data; a primer on classification and ordination. New York, Wiley, 1984. Rajadhyax, N. Shirwaikar, R. Data Mining on Educational Domain, 2012. Disponivel em: <http://arxiv.org/pdf/1207.1535.pdf> RAMOS, W. M.; MEDEIROS, L. A Universidade Aberta do Brasil: desafios da construção do ensino e aprendizagem em ambientes virtuais. In: Amaralina Souza; Leda Fiorintini; Maria Alexandra Rodrigues. (Org.). Comunidade de Trabalho e Aprendizagem Em rede (CTAR). 2ed.Brasilia: Editora UnB, 2009, v. 1, p. 3-260. 58 ! RODRIGUES, Daniel Röhe Salomon da Rosa; RAMOS, W. M.; MENDES TAVARES, C. Padrões de participação e estilos de Aprendizagem em cursos massivos online. In: II Congresso Ibero Americano de Estilos de Aprendizagem, Tecnologias e Inovações na Educação II CIEATIE, 2013, Brasília. Anais do Estilos de Aprendizagem, Tecnologias e Inovações na Educação, Brasília: Universidade de Brasília, 2013. v. 1. ROMERO, C.; VENTURA, S.; GARCIA, H. Data mining in course management systems: Moodle case study and tutorial. Computers e Education, v. 51, n. 1, pg. 368 – 384, 2008. Disponível em: <http://www.sciencedirect.com/science/article/pii/S0360131507000590>. SCHULTZ, Duane P.; SCHULTZ, Sydney Ellen. História da psicologia moderna. 16. ed. São Paulo: Cultrix, 1992. SENECHAL, A. C. L., Análise e pré-processamento de dados utilizando técnicas de mineração de dados educacionais para o Moodle. 2013. Trabalho de conclusão de curso. SMITH, B. L. Automated Identification of Traffic Patterns. University of Virginia Center for Transportation Studies. 2008. SPEARMAN, C. The proof and measurement of association between two things. Amer. J. Psychol, 15, 72-101, 1904. TAN, P.-N., STEINBACH, M., and KUMAR, V. Introduction to Data Mining. Addison Wesley,2006. |
| dc.rights.driver.fl_str_mv | info:eu-repo/semantics/openAccess |
| dc.source.none.fl_str_mv | reponame:Repositório Comum do Brasil - Deposita instname:Instituto Brasileiro de Informação em Ciência e Tecnologia (Ibict) instacron:IBICT |
| dc.subject.cnpq.fl_str_mv | Ciência da Computação |
| dc.subject.por.fl_str_mv | Mineração de Dados Educacionais KDD Perfis e Padrões de Participação K-Means Moodle |
| dc.title.por.fl_str_mv | Identificação de Perfis e Padrões de Participação dos Estudantes de Cursos a Distância na UFRN por meio de Mineração de Dados |
| dc.type.driver.fl_str_mv | info:eu-repo/semantics/bachelorThesis |
| dc.type.status.fl_str_mv | info:eu-repo/semantics/publishedVersion |
| description | The Interest in data mining theme emerged from the concern of having information about the student's performance during the course in online learning. Moodle has several types of reports, however it provides no data about the students activities and profile of students performance for teachers decision-making. The research aimed to apply a data mining methodology to identify the profiles and participation patterns of students in distance education courses, resulting in predicting the chances of approval for each student. It was developed an applied project based on an adaptation of KDD for educational data mining in Moodle platform. The analyzed data was extracted from a subject of online courses from the SEDIS database with 497 enrolled students.The result was the formation of four clusters designating the profiles and variety of student participation, namely: active,median, inconsistent and absent students. This study is a contribution of computer area for education because it allows the teacher to have access to student performance profile during the subject and then take some preventive measures to avoid disapproval or locking of subject by the students. |
| eu_rights_str_mv | openAccess |
| format | bachelorThesis |
| id | IBICT-1_ec6249920b5e906f9d2899cfadb4bffa |
| identifier_str_mv | ALMEIDA,T. LUCENA, M. J. N. R. GOMES. Identificação de Perfis e Padrões de Participação dos Estudantes de Cursos a Distância na UFRN por meio de Mineração de Dados. 2015. |
| instacron_str | IBICT |
| institution | IBICT |
| instname_str | Instituto Brasileiro de Informação em Ciência e Tecnologia (Ibict) |
| language | por |
| network_acronym_str | IBICT-1 |
| network_name_str | Repositório Comum do Brasil - Deposita |
| oai_identifier_str | oai:deposita.ibict.br:deposita/16 |
| publishDate | 2015 |
| publishDateSort | 2015 |
| publisher.none.fl_str_mv | Universidade Federal do Rio Grande do Norte (UFRN) |
| reponame_str | Repositório Comum do Brasil - Deposita |
| repository.mail.fl_str_mv | deposita@ibict.br |
| repository.name.fl_str_mv | Repositório Comum do Brasil - Deposita - Instituto Brasileiro de Informação em Ciência e Tecnologia (Ibict) |
| repository_id_str | 4658 |
| spelling | Lucena, Márciahttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4790032H0Apuena, Gomeshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4795465U4Valentim, Ricardohttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4744094D4Nóbrega, Giovanihttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4214800D0http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4041346D8Almeida, Thaisa2016-03-17T18:58:10Z2015ALMEIDA,T. LUCENA, M. J. N. R. GOMES. Identificação de Perfis e Padrões de Participação dos Estudantes de Cursos a Distância na UFRN por meio de Mineração de Dados. 2015.https://deposita.ibict.br/handle/deposita/16The Interest in data mining theme emerged from the concern of having information about the student's performance during the course in online learning. Moodle has several types of reports, however it provides no data about the students activities and profile of students performance for teachers decision-making. The research aimed to apply a data mining methodology to identify the profiles and participation patterns of students in distance education courses, resulting in predicting the chances of approval for each student. It was developed an applied project based on an adaptation of KDD for educational data mining in Moodle platform. The analyzed data was extracted from a subject of online courses from the SEDIS database with 497 enrolled students.The result was the formation of four clusters designating the profiles and variety of student participation, namely: active,median, inconsistent and absent students. This study is a contribution of computer area for education because it allows the teacher to have access to student performance profile during the subject and then take some preventive measures to avoid disapproval or locking of subject by the students.O interesse pelo tema mineração de dados educacionais surgiu da preocupação de ter informação sobre o desempenho do aluno durante a disciplina em cursos online. O Moodle possui vários tipos de relatórios, porém, não oferece dados precisos sobre as atividades e o perfil de desempenho do aluno para tomada de decisões por parte do professor. A pesquisa teve como objetivo aplicar a metodologia de mineração de dados para o levantamento dos perfis e padrão de participação de alunos em disciplina de curso superior a distância resultando na predição das chances de aprovação de cada aluno. Para tanto, desenvolveu um projeto de aplicação baseado em uma adaptação do KDD para mineração de dados educacionais. Os dados analisados foram extraídos de uma disciplina de curso superior a distância do banco de dados da SEDIS, com 497 (quatrocentos e noventa e sete) estudantes matriculados. O resultado obtido foi o agrupamento de 4 clusters que designam os perfis e tipos de participação dos estudantes, a saber: ativos, medianos, inconstantes e ausentes. O estudo é um contributo da área da computação para a educação, pois possibilita ao professor ter acesso aos dados de desempenho dos alunos no decorrer da disciplina podendo assim tomar medidas preventivas que evitem a reprovação ou trancamento da disciplina por parte dos alunos.Nordesteapplication/pdfapplication/pdfhttp://deposita.ibict.br/retrieve/116/MonografiaThaisa.pdf.jpghttp://deposita.ibict.br/retrieve/116/MonografiaThaisa.pdf.jpgporUniversidade Federal do Rio Grande do Norte (UFRN)BrasilDepartamento de Informática e Matemática AplicadaBAKER, R. S. J. d; YACEF, K. The State of Educational Data Mining in 2009: A Review and Future Visions. Journal of Educational Data Mining, 1 (1), 3- 17, 2009. Disponivel em: <http://educationaldatamining.org/JEDM/index.php/JEDM/article/view/8 /2> BAKER, R. S. J. d.; ISOTANI, S.; CARVALHO, A. de. Mineração de dados educacionais: Oportunidades para o Brasil. Revista Brasileira de Informática na Educação, 2011. BARROS, M. G.; CARVALHO, A. B. G. As concepções de interatividade nos ambientes virtuais de aprendizagem. Campina Grande: EDUEPB , 2011.. Disponivel em: <http://books.scielo.org/id/6pdyn/pdf/sousa- 9788578791247-09.pdf> BRASIL. MEC/INEP. Censo da educação superior 2012. Resumo técnico. – Brasília: Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira, 2014. Disponível em: http://download.inep.gov.br/download/superior/censo/2012/resumo_tecni co_censo_educacao_superior_2012.pdf. Acesso em: 02 de junho de 2015. Brito, Marcelo. Aspectos teóricos da mineração de dados e aplicação das regras de classificação para apoiar o comércio, 2012. Disponível em: <http://www.devmedia.com.br/aspectos-teoricos-da.-mineracao-de-dados- e-aplicacao-das-regras-de-classificacao-para-apoiar-o- comercio/25429#comentariosArtigo> C. ROMERO, S. VENTURA. Educational data mining: A survey from 1995 to 2005. Expert Systems with Applications, 33 (1), pg. 135–146, 2007. CARVALHO, L. A. V. Datamining: a Mineração de Dados no Marketing, Medicina, Economia, Engenharia e Administração. São Paulo: Érica, 2001. COHEN, Jacob. Statistical power analysis for the behavioral sciences. Hillsdale, NJ, Erlbaum 1988. 56 ! CONTI, F. Mineração de dados no moodle: análise de prazos de entrega de atividades. 2011. Dissertação de mestrado. COSTA, E. , BAKER, R. S. J. D., AMORIN, L. MAGALHOES, J., MARINHO, T. Mineração de Dados Educacionais: Conceitos, Técnicas, Ferramentas e Aplicações. 2012. Disponível em: <! http://www.br- ie.org/pub/index.php/pie/article/view/2341/2096> FAYYAD, U. M., Piatetsky-Shapiro, G., and Smyth, P. Ad- vances in knowledge discovery and data mining. In Fayyad, U. M., Piatetsky-Shapiro, G., Smyth, P., and Uthurusamy, R., editors, A, chapter From data mining to knowledge discovery: an overview, pages 1–34. American Association for Artificial Intelligence, Menlo Park, CA, USA, 1996. FINNEGAN, C.; MORRIS, L. V.; LEE, K. Differences by course discipline on student behavior, persistence, and achievement in online courses of undergraduate general education. Journal of College Student Retention: Research, Theory and Practice, 10 (1), p. 39-54, 2008. FODOR, I.K: “A Survey of Dimension Reduction Techniques. LLNL Technical Report, UCRL-ID-148494”, pp.1-18, 2002. HRASTINSKI, S. A theory of online learning as online participation. Computers & Education, v. 52, p. 78-82, 2009. HRASTINSKI, S. What is online learner participation? A literature review. Computers & Education, v. 51, p. 1755–1765, 2008. JAIN, K.A. Data Clustering: 50 Years Beyond K-Means. 2008. Disponível em <http://www.cs.utah.edu/~piyush/teaching/kmeans50yrs.pdf> JALDEMARK, J., LINDBERG, J. O., & OLOFSSON, A. D. Sharing the distance or a distance shared: Social and individual aspects of participation in ICT-supported distance-based teacher education. In Chaib, M. & Svensson, A. K. (Eds.). ICT in teacher education: Challenging prospects. Jönköping: Jönköping University Press. 2006. (pp. 142–160). MANLY, B.F.J. Multivariate statistical methods: a primer. 2nd ed., London, Chapman & Hall, 1994. 57 ! MARQUES, J. L. Q. Mineração de dados educacionais: um estudo de caso utilizando o ambiente virtual SENAI. Trabalho de conclusão de curso. 2014. MEDEIROS, C. A. Extração de conhecimento em bases de dados espaciais: Algoritmo CHSMST+. 2014, Dissertação de mestrado. MEDEIROS, C. J. F., COSTA, J. A. F. Uma Comparação de Métodos de Redução de Dimensionalidade Utilizando Índices de Preservação da Topologia. Pg.2, 2009. Mödritscher, F., Andergassen, M., & Neumann, G. Dependencies between ELearning Usage Patterns and Learning Results. In Proceedings of the 13th International Conference on Knowledge Management and Knowledge Technologies (pp. 1–8). Graz, Austria: ACM Press, (2013). Disponivel em: < http://nm.wu-wien.ac.at/research/publications/b1004.pdf> N. Karthikeyani Visalakshi and K. Thangavel. Impact of Normalization in Distributed K-Means Clustering. International Journal of Soft Computing, 4: 168-172, 2009 Disponivel em: <http://www.medwelljournals.com/fulltext/?doi=ijscomp.2009.168.172> NISTOR, N., & NEUBAUER, K. From participation to dropout: Quantitative participation patterns in online university courses. Computers & Education, v. 55(2), p. 663-672, 2010. PEÑA-AYALA, A. Education data mining: Applications and trends (p. 52). Newyork: Springer, 2014. PIELOU, E.C. The interpretation of ecological data; a primer on classification and ordination. New York, Wiley, 1984. Rajadhyax, N. Shirwaikar, R. Data Mining on Educational Domain, 2012. Disponivel em: <http://arxiv.org/pdf/1207.1535.pdf> RAMOS, W. M.; MEDEIROS, L. A Universidade Aberta do Brasil: desafios da construção do ensino e aprendizagem em ambientes virtuais. In: Amaralina Souza; Leda Fiorintini; Maria Alexandra Rodrigues. (Org.). Comunidade de Trabalho e Aprendizagem Em rede (CTAR). 2ed.Brasilia: Editora UnB, 2009, v. 1, p. 3-260. 58 ! RODRIGUES, Daniel Röhe Salomon da Rosa; RAMOS, W. M.; MENDES TAVARES, C. Padrões de participação e estilos de Aprendizagem em cursos massivos online. In: II Congresso Ibero Americano de Estilos de Aprendizagem, Tecnologias e Inovações na Educação II CIEATIE, 2013, Brasília. Anais do Estilos de Aprendizagem, Tecnologias e Inovações na Educação, Brasília: Universidade de Brasília, 2013. v. 1. ROMERO, C.; VENTURA, S.; GARCIA, H. Data mining in course management systems: Moodle case study and tutorial. Computers e Education, v. 51, n. 1, pg. 368 – 384, 2008. Disponível em: <http://www.sciencedirect.com/science/article/pii/S0360131507000590>. SCHULTZ, Duane P.; SCHULTZ, Sydney Ellen. História da psicologia moderna. 16. ed. São Paulo: Cultrix, 1992. SENECHAL, A. C. L., Análise e pré-processamento de dados utilizando técnicas de mineração de dados educacionais para o Moodle. 2013. Trabalho de conclusão de curso. SMITH, B. L. Automated Identification of Traffic Patterns. University of Virginia Center for Transportation Studies. 2008. SPEARMAN, C. The proof and measurement of association between two things. Amer. J. Psychol, 15, 72-101, 1904. TAN, P.-N., STEINBACH, M., and KUMAR, V. Introduction to Data Mining. Addison Wesley,2006.Mineração de Dados EducacionaisKDDPerfis e Padrões de ParticipaçãoK-MeansMoodleCiência da ComputaçãoIdentificação de Perfis e Padrões de Participação dos Estudantes de Cursos a Distância na UFRN por meio de Mineração de Dadosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Comum do Brasil - Depositainstname:Instituto Brasileiro de Informação em Ciência e Tecnologia (Ibict)instacron:IBICTLICENSElicense.txtWritten by org.dspace.content.LicenseUtilstext/plain; charset=utf-81879https://deposita.ibict.br/bitstreams/5cb038ca-c093-4e15-9fcb-9715a2dc1aa2/downloadbc8bd25f997e393d2b239037b0ac58c0MD51falseAnonymousREADORIGINALMonografiaThaisa.pdf/dspace/deposita/upload/MonografiaThaisa.pdfapplication/pdf2985720https://deposita.ibict.br/bitstreams/e08f6676-946f-409d-a96e-a2746383a919/downloadfbfd555db4b7add6f7a472e0293312fcMD52trueAnonymousREADTEXTMonografiaThaisa.pdf.txtWritten by FormatFilter org.dspace.app.mediafilter.XPDF2Text on 2016-03-18T08:00:09Z (GMT).Extracted Texttext/plain83199https://deposita.ibict.br/bitstreams/cee93a68-8e06-42a5-9424-cd6ccdd49cea/downloadc3e123310a2c7ac8b8c57d81fa909695MD53falseAnonymousREADTHUMBNAILMonografiaThaisa.pdf.jpgWritten by FormatFilter org.dspace.app.mediafilter.XPDF2Thumbnail on 2016-03-18T08:00:11Z (GMT).Generated Thumbnailimage/jpeg4260https://deposita.ibict.br/bitstreams/13dc7cc5-2e3c-4a83-aab7-ed2aaff583a6/download16455b010d277e7dcd3f59583ff9a63dMD54falseAnonymousREADdeposita/162026-05-11T17:36:45.661463Zopen.accessoai:deposita.ibict.br:deposita/16https://deposita.ibict.brRepositório ComumPUBhttp://deposita.ibict.br/oai/requestdeposita@ibict.bropendoar:46582026-05-11T17:36:45Repositório Comum do Brasil - Deposita - Instituto Brasileiro de Informação em Ciência e Tecnologia (Ibict)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 |
| spellingShingle | Identificação de Perfis e Padrões de Participação dos Estudantes de Cursos a Distância na UFRN por meio de Mineração de Dados Almeida, Thaisa Mineração de Dados Educacionais KDD Perfis e Padrões de Participação K-Means Moodle Ciência da Computação |
| status_str | publishedVersion |
| title | Identificação de Perfis e Padrões de Participação dos Estudantes de Cursos a Distância na UFRN por meio de Mineração de Dados |
| title_full | Identificação de Perfis e Padrões de Participação dos Estudantes de Cursos a Distância na UFRN por meio de Mineração de Dados |
| title_fullStr | Identificação de Perfis e Padrões de Participação dos Estudantes de Cursos a Distância na UFRN por meio de Mineração de Dados |
| title_full_unstemmed | Identificação de Perfis e Padrões de Participação dos Estudantes de Cursos a Distância na UFRN por meio de Mineração de Dados |
| title_short | Identificação de Perfis e Padrões de Participação dos Estudantes de Cursos a Distância na UFRN por meio de Mineração de Dados |
| title_sort | Identificação de Perfis e Padrões de Participação dos Estudantes de Cursos a Distância na UFRN por meio de Mineração de Dados |
| topic | Mineração de Dados Educacionais KDD Perfis e Padrões de Participação K-Means Moodle Ciência da Computação |
| url | https://deposita.ibict.br/handle/deposita/16 |