Aplicação do algoritmo de classificação associativa (CBA) em bases educacionais para predição de desempenho

• Ano de defesa: 2017
• Autor(a) principal: Fernandes, Warley Leite
• Orientador(a): Pitangui, Cristiano Grijó
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: UFVJM
• Link de acesso: https://acervo.ufvjm.edu.br/items/b3582119-d229-489b-ba77-5fb3bfbc3eb6

A Educação a Distância (EAD) tem-se confirmado como importante ferramenta de capacitação a qualquer tempo e distância. Porém, a maioria das Instituições de Ensino tem encontrado dificuldades relacionadas ao grande número de abandono dos cursos. Avanços recentes em diversas áreas da tecnologia possibilitaram o surgimento das Tecnologias da Informação e Comunicação que se tornaram essenciais à condução dos processos educacionais. Assim, imensos volumes de dados são gerados pela interação de usuários em Ambientes Virtuais de Aprendizagem (AVA). Esses dados “escondem” informações ricas. Contudo, manipular tamanha quantidade de dados não é uma tarefa simples. Neste sentido, uma solução promissora para extração de informação é a Mineração de Dados, que pode ser entendida como a transformação de dados brutos em conhecimento. Essa pesquisa apresenta um estudo para compreender os motivos do baixo desempenho dos alunos em cursos técnicos da EAD aplicando, para isto, o algoritmo de Classificação Associativa (CBA) em Mineração de Dados Educacionais (EDM). Com o objetivo de gerar os melhores resultados preditivos de Classificação Associativa obtidos pelo CBA, aplicou-se o algoritmo de Regras de Associação denominado Predictive Apriori,ainda não empregados em trabalhos correlatos. Os resultados experimentais apontam que o CBA aplicado a Bases de Dados Educacionais atinge melhores resultados que os algoritmos de classificação tradicionais (alcançando uma marca de 85% de acurácia). Mostrou-se também que o uso das ferramentas fórum, quiz e folder têm uma grande influência no desempenho dos estudantes.