Predição de desempenho no Moodle usando princípios da andragogia

• Ano de defesa: 2020
• Autor(a) principal: Trindade, Fernando Ribeiro
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Goiás; Instituto de Informática - INF (RG); Brasil; UFG; Programa de Pós-graduação em Ciência da Computação (INF)
• Palavras-chave em Português: Predição desempenho; Tutoria; Moodle; EaD; Framework; Performance prediction; Mentoring; Distance learning; CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: http://repositorio.bc.ufg.br/tede/handle/tede/10632

De acordo com a literatura atual, as habilidades de docência dos tutores são fundamentais para se garantir a excelência no ensino e, consequentemente, o interesse dos alunos nos cursos. Em ambientes de ensino online alunos e tutores interagem entre si por meio dos diversos recursos de comunicação disponibilizados pelos ambientes virtuais de aprendizagem (AVA). Com isso, uma grande quantidade de dados educacionais é coletada pelos AVA’s, viabilizando a realização de análises desses dados. Contudo, na literatura acadêmica poucos trabalhos foram conduzidos com o intuito de coletar dados comportamentais dos tutores e utilizar esses dados para realizar a predição de desempenho escolar dos alunos. Portanto, nesta dissertação foi elaborado um framework de características de tutoria correlacionadas ao bom desempenho escolar dos alunos. O framework foi utilizado para guiar a coleta de dados dos tutores, que foram utilizados para realizar a predição de desempenho dos alunos. As características de tutoria incluídas no framework foram extraídas de pesquisas anteriores, que investigaram cada atributo de tutoria, e de atributos de tutoria desejados pela Andragogia. A predição de desempenho dos alunos foi realizada a partir do desenvolvimento de uma extensão da ferramenta Moodle Predicta, que realiza a classificação dos alunos quanto à possível reprovação ou aprovação. A predição de desempenho dos alunos é feita a partir dos dados comportamentais dos alunos e tutores. A implementação da predição foi antecedida de uma análise de performance dos algoritmos classificadores, e o classificador implementado foi o RandomForest, que obteve melhor desempenho segundo a métrica AUC. Os dados educacionais do Moodle da escola judicial de Goiás (EJUG) foram utilizados em um estudo de caso. Duas análises exploratórias de dados foram conduzidas para se conhecer os cursos e investigar as características de tutoria do framework nos tutores da EJUG. Os dados dos tutores da EJUG foram incluídos no modelo de classificação, utilizado na predição de desempenho dos alunos, mostrando que as ações dos tutores podem impactar nas conquistas escolares dos alunos.