monitum: um sistema proativo para monitoramento e

UNIVERSIDADE DO RIO GRANDE DO NORTEFEDERAL

UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE

CENTRO DE TECNOLOGIA

PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E

DE COMPUTAÇÃO

MONITUM: Um Sistema Proativo paraMonitoramento e Avaliação das Atividades de

Tutoria a Distância em AVAs

Laysa Mabel de Oliveira Fontes

Orientador: Prof. Dr. Ricardo Alexsandro de Medeiros Valentim

Coorientador: Prof. Dr. Francisco Milton Mendes Neto

Tese de Doutorado apresentada ao Pro-grama de Pós-Graduação em EngenhariaElétrica e de Computação da UFRN (área deconcentração: Engenharia de Computação)como parte dos requisitos para obtenção dotítulo de Doutor em Ciências.

Número de ordem PPgEEC: D192Natal, RN, março de 2017

Universidade Federal do Rio Grande do Norte - UFRN

Sistema de Bibliotecas - SISBI

Catalogação de Publicação na Fonte. UFRN - Biblioteca Central Zila Mamede

Fontes, Laysa Mabel de Oliveira.

MONITUM: um sistema proativo para monitoramento e avaliação

das atividades de tutoria a distância em AVAs / Laysa Mabel de

Oliveira Fontes. - 2017.

140 f.: il.

Tese (Doutorado) - Universidade Federal do Rio Grande do

Norte, Centro de Tecnologia, Programa de Pós-Graduação em

Engenharia Elétrica e de Computação. Natal, RN, 2017. Orientador: Prof. Dr. Ricardo Alexsandro de Medeiros

Valentim.

Coorientador: Prof. Dr. Francisco Milton Mendes Neto.

1. Educação a distância - Tese. 2. Análise da aprendizagem - Tese. 3. Ontologia - Tese. 4. Tutoria - Tese. I. Valentim,

Ricardo Alexsandro de Medeiros. II. Mendes Neto, Francisco

Milton. III. Título.

RN/UF/BCZM CDU 37.018.43

Dedico este trabalho a Deus.

Agradecimentos

Agradeço primeiramente a Deus, por me guiar à conclusão de mais uma preciosa etapade minha vida profissional.

Agradeço imensamente ao meu orientador e amigo, Ricardo Valentim, pela orientação,conselhos, ensinamentos, apoio e confiança. A você, a minha eterna gratidão!

Também agradeço imensamente ao meu coorientador e amigo, Milton Mendes, meugrande mentor que desde a graduação vem sempre me ajudando e apoiando. Serei eter-namente grata!

A minha mãe, Lenica, por todas as orações direcionadas a mim.

Ao meu noivo, Éderson, por todo o amor, incentivo, amizade e compreensão.

A Rafael Castro, por toda parceria, ajuda e suporte. Sua ajuda foi essencial para a con-cretização deste trabalho. Muito obrigada!

Aos meu colegas e amigos da SEDIS. Em especial, a: (i) Arthur, pela valiosa contribuiçãono desenvolvimento do plugin e na criação de algumas consultas SQL; (ii) Alessandro,que me ajudou na criação de grande parte das figuras da tese. Me desculpe por te fazertrabalhar até nas suas férias; (iii) Gusmão, que fez o layout do plugin; (iv) Gustavo, queatendeu as minhas solicitações com prontidão; (v) Luide, que fez toda a configuração doservidor e instalação do Web Service; (vi) Eduardo, que viabilizou o acesso ao banco dedados do Moodle da SEDIS; e (vii) Beto, que fez o banner de divulgação da defesa. Avocês, a minha eterna gratidão!

A Janaína Rodrigues, que sempre foi muito solícita, atendendo as minhas solicitaçõessempre com muita prontidão.

Por fim, agradeço aos membros da banca por terem aceitado o convite.

– Toda honra e toda glória seja dada a Deus.

"Tudo tem o seu tempo determinado, e hátempo para todo propósito debaixo do céu".

Eclesiastes 3:1

Resumo

O uso dos Ambientes Virtuais de Aprendizagem (AVAs) na Educação a Distância(EaD) tem gerado um crescente volume de dados provenientes de interações entre os ato-res desse processo. O tutor a distância é o ator responsável por mediar o processo deaprendizagem dos alunos e por promover a interação nos AVAs. O volume de dados ge-rado a partir dessas interações, se devidamente explorado, pode fornecer o entendimentosobre a relação de influência entre o desempenho dos tutores a distância e a participaçãoefetiva de alunos em AVAs. Diante deste contexto, delimitou-se o objetivo de pesquisadesta tese como sendo o desenvolvimento de um sistema proativo para monitoramento eavaliação das atividades de tutoria a distância, por meio de indicadores comportamentaisem AVAs. O método utilizado nesta pesquisa foi baseado na metodologia de LearningAnalytics de seis dimensões, onde foram definidos os interessados, os objetivos, os dados,os instrumentos, as restrições externas e as limitações internas. As análises foram reali-zadas por meio de dados históricos advindos de um curso tecnólogo e de dez cursos degraduação ofertados pela Secretaria de Educação a Distância da Universidade Federal doRio Grande do Norte. Ao todo, foram utilizadas três amostras. A primeira amostra foicomposta por informações de 38 tutores a distância e a segunda amostra foi composta porinformações de 2.227 alunos, sendo os dados das duas amostras pertencentes à 62 turmas.Já a terceira amostra foi composta por informações de 353 tutores a distância, perten-centes à 1.281 turmas. Como principais resultados desta tese, tem-se: (i) construção deum modelo de conhecimento (ontologia) capaz de mapear as relações existentes entre osatributos comportamentais dos tutores a distância e a participação efetiva dos alunos, pormeio do Coeficiente de Correlação de Pearson; (ii) construção de um Web Service capazde processar as informações relacionadas aos atributos dos tutores a distância, classificaros seus desempenhos por meio das técnicas k-Means e Farthest First e fazer recomenda-ções com base no modelo de conhecimento; e (iii) criação de um plugin para o Moodeque permite a visualização dos dados processados pelo Web Service e que serve comosubsídio para os gestores dos referidos cursos.

Palavras-chave: Educação a Distância, Análise da Aprendizagem, Ontologia, Tuto-ria.

Abstract

The use of Virtual Learning Environments (VLEs) in Distance Education (DE) has ge-nerated an increasing volume of data coming from interactions between the actors of thisprocess. The distance tutor is the actor responsible for mediating the students’ learningprocess and for promoting interaction in the VLEs. The volume of data generated fromthese interactions, if properly exploited, can provide an understanding of the relationshipof influence between the performance of distance tutors and the effective participation ofstudents in VLEs. In this context, the research objective of this thesis was defined as thedevelopment of a proactive system for monitoring and evaluation of distance learning ac-tivities, through behavioral indicators in VLEs. The method used in this research was ba-sed on the six-dimensional Learning Analytics methodology, which defined stakeholders,objectives, data, instruments, external constraints and internal limitations. The analyzeswere carried out using historical data from a technological course and ten undergraduatecourses offered by the Secretariat for Distance Education of the Federal University of RioGrande do Norte. In all, three samples were used. The first sample consisted of infor-mation from 38 tutors the distance and the second sample consisted of information from2,227 students, being that the data from the two samples belonging to 62 classes. Thethird sample consisted of information from 353 tutors at a distance, belonging to 1,281classes. As main results of this thesis, we have: (i) construction of a knowledge model(ontology) capable of mapping the existing relationships between the behavioral attribu-tes of the distance tutors and the effective participation of the students, through Pearson’sCorrelation Coefficient ; (Ii) construction of a Web Service capable of processing the in-formation related to the attributes of the distance tutors, classifying their performancesthrough the k-Means and Farthest First techniques and making recommendations basedon the knowledge model; and (iii) creation of a plugin for Moode that allows the visu-alization of the data processed by the Web Service and that serves as a subsidy for themanagers of said courses.

Keywords: Distance Education, Learning Analytics, Ontology, Tutoring.

Sumário

Sumário i

Lista de Figuras v

Lista de Tabelas vii

Lista de Símbolos, Siglas e Abreviaturas ix

1 Introdução 11.1 Contextualização e Justificativa . . . . . . . . . . . . . . . . . . . . . . . 11.2 Caracterização do Problema . . . . . . . . . . . . . . . . . . . . . . . . 21.3 Questão de Pesquisa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41.4 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.4.1 Objetivo Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . 41.4.2 Objetivos Específicos . . . . . . . . . . . . . . . . . . . . . . . . 4

1.5 Organização da Tese . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2 Referencial Teórico 72.1 Educação a Distância . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

2.1.1 Breve Histórico da Educação a Distância no Brasil . . . . . . . . 82.1.2 Estrutura dos Cursos a Distância . . . . . . . . . . . . . . . . . . 92.1.3 A Tutoria na EaD . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2.2 Learning Analytics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122.2.1 Breve Histórico da Learning Analytics no Mundo . . . . . . . . . 142.2.2 Metodologias de Learning Analytics . . . . . . . . . . . . . . . . 17

2.2.2.1 Modelo “What? Who? Why? How?” . . . . . . . . . . 172.2.2.1.1 What? (O quê?) . . . . . . . . . . . . . . . . 182.2.2.1.2 Who? (Quem?) . . . . . . . . . . . . . . . . 182.2.2.1.3 Why? (Por quê?) . . . . . . . . . . . . . . . . 182.2.2.1.4 How? (Como?) . . . . . . . . . . . . . . . . 19

2.2.2.2 Modelo de Seis Dimensões . . . . . . . . . . . . . . . 192.2.2.2.1 Stakeholders (Interessados) . . . . . . . . . . 192.2.2.2.2 Objectives (Objetivos) . . . . . . . . . . . . . 202.2.2.2.3 Data (Dados) . . . . . . . . . . . . . . . . . 212.2.2.2.4 Instruments (Instrumentos) . . . . . . . . . . 212.2.2.2.5 External Constraints (Restrições Externas) . . 21

i

2.2.2.2.6 Internal Limitations (Limitações Internas) . . 222.2.2.3 Estudo Comparativo . . . . . . . . . . . . . . . . . . . 22

2.3 Ambiente Virtual de Aprendizagem . . . . . . . . . . . . . . . . . . . . 232.3.1 Moodle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

2.4 Normalização Min-Max . . . . . . . . . . . . . . . . . . . . . . . . . . . 242.5 Coeficientes de Correlação . . . . . . . . . . . . . . . . . . . . . . . . . 25

2.5.1 Coeficiente de Correlação de Pearson . . . . . . . . . . . . . . . 262.6 Ontologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 282.7 Aprendizado de Máquina . . . . . . . . . . . . . . . . . . . . . . . . . . 29

2.7.1 k-Means . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 322.7.2 Farthest First . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

3 Trabalhos Relacionados 333.1 Trabalhos Analisados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 333.2 Estudo Comparativo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

4 Metodologia 394.1 Metodologia Empregada . . . . . . . . . . . . . . . . . . . . . . . . . . 39

4.1.1 Interessados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 404.1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 404.1.3 Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 434.1.4 Instrumentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

4.1.4.1 Linguagens de Programação . . . . . . . . . . . . . . . 434.1.4.2 Ferramentas e APIs . . . . . . . . . . . . . . . . . . . 444.1.4.3 Técnicas . . . . . . . . . . . . . . . . . . . . . . . . . 44

4.1.5 Limitações Externas . . . . . . . . . . . . . . . . . . . . . . . . 454.1.6 Limitações Internas . . . . . . . . . . . . . . . . . . . . . . . . . 45

5 Solução e Resultados 475.1 Arquitetura Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 475.2 Modelo de Conhecimento . . . . . . . . . . . . . . . . . . . . . . . . . . 48

5.2.1 Domínio e Escopo da Ontologia . . . . . . . . . . . . . . . . . . 485.2.2 Reutilização de Ontologias Existentes . . . . . . . . . . . . . . . 495.2.3 Enumeração de Conceitos . . . . . . . . . . . . . . . . . . . . . 495.2.4 Definição da Hierarquia das Classes . . . . . . . . . . . . . . . . 495.2.5 Definição das Propriedades . . . . . . . . . . . . . . . . . . . . . 505.2.6 Criação das Instâncias . . . . . . . . . . . . . . . . . . . . . . . 51

5.2.6.1 Ferramenta para Análise de Correlações . . . . . . . . 525.2.6.1.1 Número de Questionários Criados . . . . . . 545.2.6.1.2 Número de Tópicos Criados nos Fóruns . . . 555.2.6.1.3 Média de Postagens em Tópicos dos Fóruns . 565.2.6.1.4 Taxa de Visualização em Fóruns . . . . . . . 565.2.6.1.5 Taxa de Visualização em Tópicos dos Fóruns 575.2.6.1.6 Número de Tarefas Criadas . . . . . . . . . . 575.2.6.1.7 Número de Tarefas Avaliadas . . . . . . . . . 58

5.2.6.1.8 Média de Postagens em Chats . . . . . . . . 585.2.6.1.9 Total de Cliques . . . . . . . . . . . . . . . . 595.2.6.1.10 Número de Arquivos Criados . . . . . . . . . 595.2.6.1.11 Número de URLs Criadas . . . . . . . . . . . 60

5.2.6.2 Base de Conhecimento . . . . . . . . . . . . . . . . . 605.3 Sistema MONITUM . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

5.3.1 Módulo I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 765.3.2 Módulos II e III . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

6 Considerações Finais 856.1 Conclusões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 856.2 Dificuldades e Limitações . . . . . . . . . . . . . . . . . . . . . . . . . . 866.3 Contribuições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 866.4 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 876.5 Produções Científicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

Referências Bibliográficas 89

A Termo de Sigilo e Confidencialidade 99

B Consultas SQL: Análise de Correlações 101

C Consultas SQL: Análise de Desempenho 111

Lista de Figuras

2.1 Processo básico da LA . . . . . . . . . . . . . . . . . . . . . . . . . . . 132.2 Modelo “What? Who? Why? How?” . . . . . . . . . . . . . . . . . . . . 172.3 Modelo de Seis Dimensões . . . . . . . . . . . . . . . . . . . . . . . . . 202.4 Exemplo de um modelo de Aprendizado Supervisionado . . . . . . . . . 302.5 Hierarquia das técnicas de aprendizado de máquina . . . . . . . . . . . . 31

5.1 Arquitetura geral do sistema MONITUM . . . . . . . . . . . . . . . . . 475.2 Hierarquia das classes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 495.3 Hierarquia das classes e suas propriedades . . . . . . . . . . . . . . . . . 515.4 Fluxo de criação da base de conhecimento . . . . . . . . . . . . . . . . . 525.5 Cabeçalho do dataset de análise de correlações . . . . . . . . . . . . . . 535.6 Valores do dataset de análise de correlações . . . . . . . . . . . . . . . . 545.7 Instâncias da classe AcaoDoTutor . . . . . . . . . . . . . . . . . . . . . 615.8 Instâncias da classe AcaoDaTurma . . . . . . . . . . . . . . . . . . . . . 655.9 Valores da instância NumeroDeQuestionariosCriadosPorTutor . . . . . . 685.10 Valores da instância NumeroDeTopicosCriadosPorTutor . . . . . . . . . 695.11 Valores da instância MediaDePostagensEmTopicosPorTutor . . . . . . . 695.12 Valores da instância TaxaDeForunsVisualizadosPorTutor . . . . . . . . . 705.13 Valores da instância TaxaDeTopicosVisualizadosPorTutor . . . . . . . . . 705.14 Valores da instância NumeroDeTarefasCriadasPorTutor . . . . . . . . . . 715.15 Valores da instância NumeroDeTarefasAvaliadasPorTutor . . . . . . . . . 715.16 Valores da instância MediaDePostagensEmChatsPorTutor . . . . . . . . 725.17 Valores da instância NumeroDeCliquesPorTutor . . . . . . . . . . . . . . 725.18 Valores da instância NumeroDeURLsCriadasPorTutor . . . . . . . . . . 735.19 Valores da instância NumeroDeArquivosCriadosPorTutor . . . . . . . . . 735.20 Fluxo do sistema MONITUM . . . . . . . . . . . . . . . . . . . . . . . 755.21 Cabeçalho do dataset de análise de desempenho . . . . . . . . . . . . . . 775.22 Valores do dataset de análise de desempenho . . . . . . . . . . . . . . . 775.23 Trecho do arquivo xml gerado pelo Módulo II . . . . . . . . . . . . . . . 785.24 Tela inicial do plugin integrado ao Moodle . . . . . . . . . . . . . . . . . 795.25 Tela com textos explicativos do velocímetro . . . . . . . . . . . . . . . . 805.26 Gráfico de valores absolutos . . . . . . . . . . . . . . . . . . . . . . . . 805.27 Gráfico de valores relativos . . . . . . . . . . . . . . . . . . . . . . . . . 815.28 Gráfico k-Means . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 825.29 Gráfico Farthest First . . . . . . . . . . . . . . . . . . . . . . . . . . . . 835.30 Relatório individual dos atributos analisados . . . . . . . . . . . . . . . . 84

v

Lista de Tabelas

2.1 Comparativo entre LA e AA . . . . . . . . . . . . . . . . . . . . . . . . 152.2 Evolução entre LAK’11 e LAK’15 . . . . . . . . . . . . . . . . . . . . 15

3.1 Comparativo entre os trabalhos relacionados e esta tese . . . . . . . . . . 37

4.1 Atributos para análise de correlação . . . . . . . . . . . . . . . . . . . . 414.2 Atributos para análise de desempenho dos tutores a distância . . . . . . . 42

5.1 Correlações do atributo ‘número de questionários criados’ . . . . . . . . 555.2 Correlações do atributo ‘número de tópicos criados nos fóruns’ . . . . . . 555.3 Correlações do atributo ‘média de postagens em tópicos dos fóruns’ . . . 565.4 Correlações do atributo ‘taxa de visualização em fóruns’ . . . . . . . . . 565.5 Correlações do atributo ‘taxa de visualização em tópicos dos fóruns’ . . . 575.6 Correlações do atributo ‘número de tarefas criadas’ . . . . . . . . . . . . 575.7 Correlações do atributo ‘número de tarefas avaliadas’ . . . . . . . . . . . 585.8 Correlações do atributo ‘média de postagens em chats’ . . . . . . . . . . 585.9 Correlações do atributo ‘total de cliques’ . . . . . . . . . . . . . . . . . . 595.10 Correlações do atributo ‘número de arquivos criados’ . . . . . . . . . . . 595.11 Correlações do atributo ‘número de URLs criadas’ . . . . . . . . . . . . 605.12 Nomenclatura das instâncias da classe AcaoDoTutor . . . . . . . . . . . 635.13 Nomenclatura das instâncias da classe AcaoDaTurma . . . . . . . . . . . 67

vii

Lista de Símbolos, Siglas e Abreviaturas

∑ Somatório

σ Desvio Padrão

α Nível de Significância

AA Academic Analytics

AL Aluno

AM Aprendizado de Máquina

AMS Aprendizado de Máquina Supervisionado

AMNS Aprendizado de Máquina Não Supervisionado

API Application Programming Interface

APT Applied Predictive Technologies

AVA Ambiente Virtual de Aprendizagem

CC Coeficiente de Correlação

CES Centro de Ensino Supletivo

CNF Criação de Nova Ferramenta

CPF Cadastro de Pessoa Física

CS Course Signals

DA Dado Aberto

EaD Educação a Distância

EDM Educational Data Mining

GPL General Public License

IA Inteligência Artificial

IDE Integrated Development Environment

IES Instituição de Ensino Superior

INEP Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira

LA Learning Analytics

LAK Learning Analytics & Knowledge

MOODLE Modular Object-Oriented Dynamic Learning Environment

NEA New Enterprise Associates

NMM Normalização Min-Max

PPSO Parallel Particle Swarm Optimization

PR Professor

RG Registro Geral

SEDIS Secretaria de Educação a Distância

SOLAR Society and Learning Analytics Research

SQL Structured Query Language

TD Tutor a Distância

TIC Tecnologia da Informação e Comunicação

TVE Televisão Educativa

UAB Universidade Aberta do Brasil

UFE Uso de Ferramenta Existente

UFRN Universidade Federal do Rio Grande do Norte

E-Learning Eletronic Learning

e-Tec Escola Técnica Aberta do Brasil

Capítulo 1

Introdução

Este capítulo apresenta uma visão geral desta tese e está organizado da seguinte forma:a Seção 1.1 explicita os argumentos que contextualizam e justificam o desenvolvimentodeste trabalho; a Seção 1.2 apresenta a caracterização do problema; a Seção 1.3 define aquestão de pesquisa; a Seção 1.4 apresenta os objetivos deste trabalho; e, por fim, a Seção1.5 apresenta a organização desta tese.

1.1 Contextualização e JustificativaA Educação a Distância (EaD) é uma modalidade de ensino e aprendizagem que tem

crescido nos últimos anos no Brasil. De acordo com o Instituto Nacional de Estudos ePesquisas Educacionais Anísio Teixeira (INEP), o número de matrículas na modalidade adistância cresceu 3,9% entre 2014 e 2015 (INEP 2016b). Em números absolutos, foramregistradas 1.393.752 matrículas em cursos de graduação a distância, o que representauma participação de 17,4% do total de matrículas da educação superior (INEP 2016b).Ainda segundo o INEP, em 2015, o número de ingressantes em cursos de graduação adistância chegou a um total de 694.559, sendo 30.323 da rede pública e 664.236 da redeprivada (INEP 2016a).

Na EaD, os espaços físicos são substituídos por espaços virtuais, como, por exemplo,os Ambientes Virtuais de Aprendizagem (AVAs), que fornecem ferramentas para mediaro processo educacional. Nessa perspectiva, novos modelos pedagógicos possibilitam quea educação aconteça fora dos limites de uma sala de aula convencional, mas, por outrolado, exige que os atores do processo de EaD desenvolvam novas habilidades de interação(Mülbert et al. 2011).

A interação em AVAs centra-se na participação dos alunos, professores e tutores adistância. No modelo adotado pela Universidade Aberta do Brasil (UAB), e utilizadopor diversas instituições brasileiras, há distinção entre os papéis desempenhados pelosprofessores e tutores a distância.

A rigor, o professor produz o material instrucional e as atividades da disciplina, ge-rencia sua execução e atua diretamente com os alunos por meio das ferramentas disponí-veis nos AVAs. Já o tutor a distância auxilia o professor no gerenciamento da disciplinae também atua diretamente com os alunos, sanando suas dúvidas, avaliando-os, identifi-cando suas dificuldades, mediando o processo de aprendizagem e promovendo a interação

2 CAPÍTULO 1. INTRODUÇÃO

(Nunes 2013, Tenório et al. 2015).Na modalidade a distância, além de se preocupar com formas específicas de exposição

do conteúdo e com o sistema de avaliação, cabe ao professor, juntamente com o tutor adistância, buscar formas diferenciadas de motivar e levar o aluno a concatenar as relaçõesde interação no AVA. Além disso, é preciso se preocupar ainda em fazer do meio virtualtambém um recurso para aprofundamento dos conteúdos estudados, fazendo com que oaluno da EaD aprenda a utilizar o suporte virtual como fonte de pesquisa, não dependendosomente das aulas propostas nessa modalidade de ensino (Silva et al. 2015).

Dessa forma, pode-se afirmar que, na EaD, além da autoaprendizagem, existe tambéma aprendizagem colaborativa, que acontece através da interação, que é propiciada peloAVA e promovida pelo tutor a distância, onde o aluno aprende dialogicamente com todosos outros sujeitos envolvidos.

Diante desta realidade, um dos problemas ainda em aberto, que justifica o tema destatese, é o desafio de identificar a relação de influência do desempenho dos tutores a dis-tância na participação efetiva de alunos pertencentes à modalidade a distância. Comodesdobramento deste problema de pesquisa, tem-se a seguinte indagação: O desempe-nho dos tutores a distância influencia a participação efetiva de alunos pertencentesà modalidade a distância?

Perguntas como esta podem ser respondidas por meio de uma área de pesquisa deno-minada de Learning Analytics (LA). A LA é uma área recente, ainda emergente e poucoexplorada, mas com bastante potencial para aplicações educacionais, possibilitando a des-coberta de informações que auxiliem na melhoria, tanto do ensino quanto da aprendiza-gem, entre os atores do processo de EaD.

Portanto, a LA pode contribuir na descoberta de conhecimento potencialmente útil apartir dos dados gerados nas interações que os tutores a distância têm com os alunos e comos recursos educacionais disponíveis nos AVAs. Esta descoberta de conhecimento podesubsidiar o desenvolvimento de mecanismos capazes de auxiliar na tomada de decisão dosgestores dos cursos e dos próprios tutores a distância, quando estes forem identificadoscom desempenho ruim.

1.2 Caracterização do Problema

Freire (1974) enfatiza a importância da interação na educação, contrapondo a visão daEducação Bancária1 com uma educação humanista e problematizadora, que pressupõe odiálogo. Nessa perspectiva, a interação é necessária para a concretização da aprendizagem(Nunes 2012).

Segundo Vygotsky (2007), a aprendizagem se dá por um longo processo de apropria-ção e transformação de conhecimentos que ocorre na atividade mediada, na relação comos outros, destacando a importância da interação social. Na EaD, esta visão precisa deuma atenção especial, uma vez que o aluno passa a ser o principal responsável pela sua

1Freire (1974) conceitua a Educação Bancária como imposição do conhecimento realizada pelo profes-sor sobre o aluno na medida em que o professor já os havia adquirido e dispõe destes, sendo assim possívelsua ação de depósito deste conhecimento nos alunos.

1.2. CARACTERIZAÇÃO DO PROBLEMA 3

aprendizagem. Nesse sentido, se a instituição não lhe fornecer meios adequados para quea socialização e interação ocorram, tanto o processo de ensino e aprendizagem poderáficar comprometido, como o aluno poderá ficar desmotivado e, ainda pior, ser induzido àevasão (Nunes 2012).

De encontro com essa ideia, Valente (2009, p.67) afirma que:

[...] a interação sujeito/objeto, sem a mediação de outra pessoa, é limitadacomo meio para a construção de conhecimento. É a interação com pessoasou com objetos mediados por pessoas que permite a assimilação gradativa ecrescente do mundo que nos rodeia. Assim, não é qualquer tipo de interaçãocom o mundo que propicia construção de conhecimento. Os estudos sobreo tema indicam que a construção está relacionada à qualidade da interação(Piaget 1978) que, por sua vez, depende da mediação de outras pessoas e dopróprio conhecimento do aprendiz (Vygotsky 1978).

De acordo com o pensamento de Vygotsky, discutido em (Oliveira 1993), mediação éo processo de intervenção de um elemento intermediário numa relação; a relação deixa,então, de ser direta e passa a ser mediada por esse elemento. Já a interação corresponde àação conjunta e interdependente de dois ou mais indivíduos, o que acarreta modificaçõesneles (Gervai 2007, Moran et al. 2010, Tenório et al. 2015). Na EaD, o tutor atua comomediador da aprendizagem dos alunos e deve promover a interação (Tenório et al. 2015).

O modelo da UAB adotado pela Secretaria de Educação a Distância (SEDIS) da Uni-versidade Federal do Rio Grande do Norte (UFRN), que é o modelo considerado nestetrabalho, apresenta dois tipos de tutores: o tutor presencial e o tutor a distância. Aindasegundo o modelo da UAB adotado pela SEDIS/UFRN, os tutores a distância devemexercer, entre outras, as seguintes atribuições (SEDIS/UFRN 2017a):

• Orientar e acompanhar os alunos/grupos de estudos sob sua responsabilidade, tantono AVA quanto em atividades presenciais do curso, quando convocado(a), bemcomo no acompanhamento em atividades previstas em situações de estágio super-visionado/práticas laboratoriais;• Manter intercâmbio com os professores e os demais tutores, colaborando no desen-

volvimento dos componentes curriculares, desde o planejamento até a finalizaçãodos resultados finais;• Auxiliar o professor do componente curricular no processo de organização, fiscali-

zação, aplicação e correção de avaliações;• Auxiliar, sempre que possível e necessário, as atividades dos demais tutores;• Prestar esclarecimentos sobre o regime de funcionamento do(s) respectivo(s) curso(s)

de graduação para o(s) qual(is) foi selecionado(a), além de normas que regulamen-tam a EaD na UFRN;• Participar das ações pedagógicas que exijam deslocamento do(a) tutor(a) a distância

ao(s) polo(s) de apoio presencial(is), quando necessário;• Possuir disponibilidade de deslocamento para o(s) polo(s) de apoio presencial(is),

inclusive em finais de semana e/ou feriados;• Elaborar relatórios solicitados e participar dos eventos que objetivem o aperfeiçoa-

mento da ação tutorial.

4 CAPÍTULO 1. INTRODUÇÃO

De acordo com Preti (1996), o tutor a distância é um dos maiores responsáveis pelosucesso dos cursos da modalidade a distância, pois suas atribuições envolvem tarefas es-senciais, como, por exemplo, orientação, condução e supervisão do processo de aprendi-zagem dos alunos. Já Belloni (2009), Bortolozzo et al. (2009), Hack (2010), Bernardino(2011) e Ramos (2013) destacam a importância do tutor a distância devido à relação deproximidade que estabelece com o aluno.

Desse modo, pode-se dizer que os tutores a distância são mediadores do processode aprendizagem dos alunos e são fundamentais para criar situações que favoreçam àconstrução do conhecimento. A boa atuação de um tutor a distância pode ser um impul-sionador para um aluno desmotivado e fundamental para todos que buscam atingir seusobjetivos no curso, mas se deparam com certas dificuldades. Por outro lado, um tutor adistância que não cumpre com o seu papel pode deixar muitos alunos sem o atendimentonecessário e causar um clima de insatisfação ou abandono (Nunes 2012).

Diante das opiniões expostas, corrobora-se que a mediação é um dos pontos chavedo processo de ensino e aprendizagem e faz-se necessário, portanto, monitorar e avaliaro desempenho do tutor a distância, uma vez que ele é o principal responsável por me-diar a aprendizagem dos alunos e promover a interação, sendo o contribuinte direto daconstrução do conhecimento dos alunos pertencentes à modalidade a distância.

1.3 Questão de Pesquisa

Neste sentido, emerge a questão central de pesquisa desta tese, que busca respon-der: É possível desenvolver um sistema proativo2 que permita monitorar e avaliar odesempenho de tutores a distância em AVAs?

1.4 Objetivos

A Subseção 1.4.1 define o objetivo geral desta tese e a Subseção 1.4.2 apresenta osobjetivos específicos.

1.4.1 Objetivo Geral

O objetivo geral desta tese consiste no desenvolvimento de um sistema proativo paramonitoramento e avaliação das atividades de tutoria a distância em AVAs.

1.4.2 Objetivos Específicos

Os objetivos específicos descritos a seguir foram definidos para atingir o objetivo geraldesta tese.

2Neste trabalho, os termos ‘sistema proativo’ foram empregados no sentido de sistema automatizado,isto é, aquele que não precisa de intervenção humana para realizar seus serviços.

1.5. ORGANIZAÇÃO DA TESE 5

• Identificar as relações existentes entre os atributos comportamentais dos tutores adistância e a participação efetiva dos alunos;• Criar um modelo de conhecimento capaz de mapear as relações existentes entre

os atributos comportamentais dos tutores a distância e a participação efetiva dosalunos;• Desenvolver uma solução de software capaz de classificar o desempenho dos tuto-

res a distância, fazer recomendações e servir como subsídio para os gestores dosreferidos cursos.

1.5 Organização da TeseEsta tese está organizada da seguinte forma: o Capítulo 2 apresenta a fundamentação

teórica utilizada para o desenvolvimento desta tese; o Capítulo 3 apresenta os trabalhoscorrelatos com o objeto de pesquisa desta tese; o Capítulo 4 descreve a metodologia deLearning Analytics que foi empregada neste trabalho; o Capítulo 5 apresenta a soluçãoproposta e os resultados obtidos; e, por fim, o Capítulo 6 apresenta as considerações finais.

Capítulo 2

Referencial Teórico

Este capítulo descreve a base teórica que fundamenta a elaboração desta tese e estáorganizado da seguinte forma: a Seção 2.1 apresenta uma contextualização sobre Educa-ção a Distância; a Seção 2.2 descreve conceitos no campo da Learning Analytics; a Seção2.3 apresenta conceitos relacionados aos Ambientes Virtuais de Aprendizagem; a Seção2.4 apresenta o conceito de normalização Min-Max; a Seção 2.5 define conceitos sobreCoeficientes de Correlação; a Seção 2.6 expõe uma contextualização sobre Ontologias; e,por fim, a Seção 2.7 expõe a fundamentação teórica da área de Aprendizado de Máquina.

2.1 Educação a DistânciaA Educação a Distância (EaD) tem evoluído muito nos últimos anos, tanto na sua

forma de planejamento e execução, como na definição dos papéis e responsabilidades, nosmodos de interação e na utilização de recursos tecnológicos, cada vez mais sofisticados.

Hoje, no Brasil, de acordo com o Decreto 5.622, de 19 de dezembro de 2005, a EaD écaracterizada como:

[...] modalidade educacional na qual a mediação didático-pedagógica nos pro-cessos de ensino e aprendizagem ocorre com a utilização de meios e tecno-logias de informação e comunicação, com estudantes e professores desenvol-vendo atividades educativas em lugares ou tempos diversos.

Já Moore e Kearsley (2008, p.2) definem a EaD como:[...] o aprendizado planejado que ocorre normalmente em um lugar diferente dolocal de ensino, exigindo técnicas especiais de criação do curso e de instrução,comunicação por meio de várias tecnologias e disposições organizacionais eadministrativas especiais.

Com a popularização dos computadores e o acesso facilitado à Internet, a EaD passoua focar mais na mediação e na utilização de recursos tecnológicos, visando a encurtarbarreiras, assumindo assim posições de maior relevância dentro das instituições de ensino.Projetos governamentais, não governamentais e privados cada vez mais têm sido criadospara apoiar essa implantação e/ou sedimentação no Brasil e no mundo (Nunes 2012).

E essa adesão à EaD, ao longo das últimas décadas, tem se dado por uma série derazões diferentes. Os interesses envolvidos diferem quando se trata de instituições públi-cas ou privadas, se a oferta de cursos é para empresas ou para pessoas comuns, se visa

8 CAPÍTULO 2. REFERENCIAL TEÓRICO

lucro ou não etc. Mas, de forma resumida, a EaD objetiva possibilitar oportunidades deaprendizado a pessoas que moram em regiões afastadas ou não têm disponibilidade detempo para frequentar cursos presenciais.

2.1.1 Breve Histórico da Educação a Distância no Brasil

No Brasil, o primeiro curso a distância foi de datilografia, oferecido por meio deanúncio de jornal, em 1891 (Alves 2009). Em 1923, foi fundada a Rádio Sociedade do Riode Janeiro, uma iniciativa privada que transmitia programas de literatura, radiotelegrafia etelefonia, línguas, literatura infantil e outros de interesse comunitário. O Instituto Monitor(1939) e o Instituto Universal Brasileiro (1941) voltaram-se para o mercado de trabalhono seguimento da educação profissional básica.

A televisão para fins educacionais recebeu vários incentivos no Brasil, especialmenteentre as décadas de 1960 e 1970. A Fundação Roberto Marinho criou programas desucesso, como os telecursos, que continuam até hoje e atendem a um grande número depessoas (Pimentel 2006, Alves 2009). Outras iniciativas também foram criadas, comoa Televisão Educativa (TVE) do Ceará (desde 1974), a TV Cultura (desde 1978), e oprograma Um Salto para o Futuro, uma parceria do Governo Federal, das SecretariasEstaduais de Educação e da Fundação Roquette Pinto, para formar professores (Rodrigues1998).

Segundo Erbs (2004), um grande problema da EaD no Brasil decorreu da criaçãode Centros de Ensino Supletivo (CESs) na Década de 70, como alternativa à educaçãobásica, considerando-os como uma modalidade educativa de "segunda categoria", dirigidaàs classes mais pobres, o que produziu um sentimento de discriminação em relação à EaD.

Com os anos, porém, o Ministério da Educação passou a investir mais na EaD, so-bretudo para a universalização do acesso ao ensino superior. Na década de 1990, a maiorparte das Instituições de Ensino Superior (IESs) brasileiras mobiliou-se para a EaD, como uso de novas Tecnologias da Informação e Comunicação (TICs). Com efeito, a Leide Diretrizes e Bases da Educação – Lei 9.394, de 20 de dezembro de 1996, a partir doDecreto 5.622, de 20 de dezembro de 2005, estabelece em seu artigo 80 a possibilidadede uso da educação a distância em todos os níveis e modalidades de ensino.

Uma política importante foi a criação da UAB, instituída pelo Decreto no 5.800, de 8de junho de 2006, que é um sistema integrado por universidades públicas que oferececursos de nível superior para camadas da população que têm dificuldade de acesso àformação universitária. Outra ação semelhante foi a instituição do sistema Escola TécnicaAberta do Brasil (e-Tec), institucionalizado pelo Decreto no 6301, de 12 de dezembro de2007, que tem por objetivo a expansão e interiorização da oferta de educação profissionalde nível médio na modalidade a distância.

A constante evolução da EaD é marcada pela proliferação de recursos tecnológicos.Essa evolução partiu da correspondência, para o rádio, a televisão, as tele e videoconfe-rências, o computador, a Internet e essa evolução continua. Um exemplo disso é a TVDigital interativa, na qual o aluno pode não apenas assistir uma aula na televisão, maspode interagir com ela, fazer exercícios, enviar respostas, escolher as lições que desejaestudar etc. Outro exemplo é a aprendizagem móvel, na qual o aluno pode estudar mesmo

2.1. EDUCAÇÃO A DISTÂNCIA 9

quando está em um ônibus ou em outro local, pelo seu smartphone, por exemplo, alémdos simuladores ou ambientes de realidade virtual (Nunes 2012).

2.1.2 Estrutura dos Cursos a DistânciaExistem diversas formas de se ofertar cursos a distância, mas em qualquer uma delas

a tecnologia tem sido uma grande aliada. Os AVAs são exemplos disso e suas diversasferramentas que apoiam o acesso a materiais de cursos on-line e à comunicação síncrona(ao mesmo tempo), como o chat (bate-papo), e a assíncrona (em tempos diferentes), comofórum, tarefa, e-mail, questionário, glossário, wiki etc (Nunes 2012).

A comunicação pode ser estabelecida na perspectiva one-to-one (de um indivíduopara outro), one-to-many (de um para muitos) ou many-to-many (entre muitos indiví-duos), apoiando inclusive atividades colaborativas (com a interação entre os sujeitos) ecooperativas (com a construção coletiva) (Sartori 2005).

Nesse contexto, Gomes e Araújo (2008) destacam quatro elementos básicos da EaD:

• Procedimentos Administrativos: a gestão acadêmica de um curso a distância deveestar integrada aos demais processos da instituição, para dar, aos estudantes, asmesmas condições e suporte que o presencial, oferecendo acesso aos mesmos ser-viços, como, por exemplo, matrículas, inscrições, requisições, acesso às informa-ções institucionais, secretarias etc. A logística que envolve a EaD e os processos detutoria, produção e distribuição de material didático, acompanhamento e avaliaçãodo estudante é complexa e precisa ser rigorosamente gerenciada e supervisionada,sob pena de desestimular o estudante levando-o ao abandono do curso ou de nãopermitir devidamente os registros necessários para a convalidação do processo deaprendizagem. Vários profissionais do corpo técnico administrativo estão envolvi-dos nesse processo, tais como o coordenador de curso, o coordenador do polo deapoio presencial, os profissionais da secretaria, da biblioteca, dos laboratórios, entreoutros (MEC/SEED 2007);• Materiais Didáticos: algumas características importantes precisam ser consideradas

nos materiais didáticos, como, por exemplo, equilíbrio entre a formação profissionale humanística, desenvolvimento da afetividade, cidadania e ética, caracterização dediversidade étnica e cultural, ergonomia (presteza, usabilidade e acessibilidade).Além disso, é necessário que eles estejam disponíveis em diferentes mídias, taiscomo material impresso, audiovisual (vídeo, videoconferência, teleconferência etc)e AVAs (MEC/SEED 2007);• Sistemas de Comunicação: claramente, a EaD exige o pensar sobre o papel da

comunicação no contexto de trabalho das equipes multidisciplinares, sobre a uti-lização de meios de comunicação e a eficácia da comunicação entre os atores,sejam eles alunos, professores, tutores ou coordenadores (Sartori 2005, de Oli-veira Soares 2002). Sendo assim, cresce a necessidade de maior planejamento econtrole da comunicação entre esses agentes (Nobre et al. 2008). A comunicação einteração são extremamente necessárias para não tornar o ensino e a aprendizagemenfadonhos e, ao mesmo tempo, suprir a ausência física do professor, do tutor, docoordenador de curso e dos demais atores da EaD;


• Tutoria: o desempenho da ação tutorial é fundamental na qualidade do processode ensino e aprendizagem da EaD, uma vez que representa o elo mais forte entreo alunado e a apreensão de seus conhecimentos (Gomes e Araújo 2008). O tutordeve possuir competência tecnológica para que ele possa agir com naturalidade,agilidade e aptidão no ambiente virtual. Caberá a ele atuar de uma forma muitomais presente, como uma espécie de arquiteto cognitivo, projetando os caminhospara que os alunos, mais ativos e autônomos, tenham a opção de escolher a melhortrajetória na grande rede hipertextual (Reis 2005).

A tutoria, especialmente a tutoria a distância, como foco deste trabalho, será tratadaem maior detalhamento na subseção a seguir.

2.1.3 A Tutoria na EaD

No século XV, a tutoria passou a ser concebida como método na universidade, onde foiusada como orientação de caráter religioso aos estudantes, com o objetivo de infundir a fée a conduta moral. Posteriormente, no Século XX, o tutor assumiu o papel de orientador eacompanhante dos trabalhos acadêmicos e é com este mesmo sentido que foi incorporadoaos programas de EaD (Sá 1998).

Porém, inicialmente, com uma concepção tradicional da educação, em que ensinarera sinônimo de transmitir informações, a tarefa do tutor consistia em assegurar o cum-primento dos objetivos, servindo de apoio ao programa. O ensino ficava a cargo dosmateriais, autossuficientes, sequenciados e pautados, cujo desenvolvimento concluía-secom uma proposta de avaliação semelhante em sua concepção de ensino. O tutor dirigia,orientava, apoiava a aprendizagem dos alunos, mas não ensinava (Maggio 2001).

Posteriormente, as pesquisas da psicologia da aprendizagem, que substituíram a ên-fase na transmissão de informação e cumprimento de objetivos de conduta para focar naconstrução do conhecimento e nos processos reflexivos, influenciaram diretamente nosprojetos e programas de EaD (Maggio 2001). Obviamente, isso teve implicação direta naconcepção do tutor.

O professor na EaD é aquele que produz o material instrucional e as atividades relaci-onadas à disciplina, gerencia sua execução e atua diretamente com os alunos. O tutor, porsua vez, também atua diretamente com os alunos, presencialmente ou a distância. Pode-seperceber, portanto, que tanto o professor como o tutor se colocam hoje como mediadoresno processo de ensino e aprendizagem.

Segundo os referenciais de qualidade do MEC/SEED (2007), o estabelecimento deuma educação a distância de qualidade deve prever a atuação de profissionais que ofere-çam tutoria presencial e tutoria a distância.

De acordo com o modelo da UAB adotado pela SEDIS/UFRN, que é o modelo con-siderado neste trabalho, os tutores presenciais devem exercer, entre outras, as seguintesatribuições (SEDIS/UFRN 2017b):

• Orientar e acompanhar os alunos sob sua responsabilidade, inclusive em atividadesde estágio supervisionado e/ou práticas laboratoriais;

2.1. EDUCAÇÃO A DISTÂNCIA 11

• Organizar grupos de estudos com os estudantes sob a sua responsabilidade no âm-bito do polo de atuação;• Manter intercâmbio com os professores e os demais tutores, colaborando no desen-

volvimento das disciplinas;• Auxiliar a coordenação do polo no processo de organização, fiscalização e aplicação

das avaliações presenciais;• Auxiliar, sempre que possível e necessário, as atividades dos demais tutores;• Prestar esclarecimentos sobre o regime de funcionamento do(s) respectivo(s) curso(s)

para o(s) qual(is) foi selecionado(a), além de normas que regulamentam a EaD naUFRN;• Elaborar relatórios solicitados e participar dos eventos que objetivem o aperfeiçoa-


Já os tutores a distância devem exercer, entre outras, as seguintes atribuições (SEDIS/UFRN2017a):

• Orientar e acompanhar os alunos/grupos de estudos sob sua responsabilidade, tantono AVA quanto em atividades presenciais do curso, quando convocado(a), bemcomo no acompanhamento em atividades previstas em situações de estágio super-visionado/práticas laboratoriais;• Manter intercâmbio com os professores e os demais tutores, colaborando no desen-

volvimento dos componentes curriculares, desde o planejamento até a finalizaçãodos resultados finais;• Auxiliar o professor do componente curricular no processo de organização, fiscali-

zação, aplicação e correção de avaliações;• Auxiliar, sempre que possível e necessário, as atividades dos demais tutores;• Prestar esclarecimentos sobre o regime de funcionamento do(s) respectivo(s) curso(s)

de graduação para o(s) qual(is) foi selecionado(a), além de normas que regulamen-tam a EaD na UFRN;• Participar das ações pedagógicas que exijam deslocamento do(a) tutor(a) a distância

ao(s) polo(s) de apoio presencial(is), quando necessário;• Possuir disponibilidade de deslocamento para o(s) polo(s) de apoio presencial(is),

inclusive em finais de semana e/ou feriados;• Elaborar relatórios solicitados e participar dos eventos que objetivem o aperfeiçoa-


As funções atribuídas a tutores presenciais e a distância podem variar de acordo com omodelo de EaD adotado. Em qualquer situação, o domínio do conteúdo é imprescindívelpara o exercício das funções e deve estar aliado à necessidade de dinamismo, visão críticae global, capacidade para estimular a busca de conhecimento e habilidade com as novasTICs (MEC/SEED 2007).

Portanto, apesar de ambos terem atribuições importantes no curso, são os tutores adistância que, efetivamente, devem mediar a aprendizagem dos alunos e promover a inte-ração, sendo o contribuinte direto da construção do conhecimento dos alunos. Como citaHope (2001), o tutor a distância é o facilitador, mediador ou suporte para o processo deaprendizado do aluno.


2.2 Learning Analytics

O uso das tecnologias como mediação da comunicação entre pessoas tem sido cadavez mais frequente. Hoje em dia, instituições bancárias, educacionais, militares, e tan-tas outras fazem uso de todo esse aparato computacional. Tal uso pode ser justificadopor uma gama de fatores, como, por exemplo, a facilidade de armazenamento, transmis-são, processamento e busca de informações em um curto intervalo de tempo, que, alémde proporcionar uma maior velocidade na condução dos processos operacionais dessasinstituições, ainda reduz os custos destes.

Do ponto de vista educacional, o barateamento da tecnologia, associada à grande di-fusão da Internet, promoveu uma facilidade na disseminação de conteúdos educacionaisque antes estavam comumente restritos aos livros.

Essa inserção tecnológica no processo de ensino promoveu o surgimento de pelo me-nos três novos conceitos: i) Eletronic Learning (E-Learning), que consiste basicamenteem um modelo de aprendizagem suportado pelo computador como ferramenta mediadora(Rosenberg 2001, Downes 2005, Garrison 2011); ii) Mobile Learning, quando as ferra-mentas mediadoras do conhecimento são os dispositivos móveis (Motiwalla 2007, Jacob eIssac 2014); e iii) T-Learning, que se apoia na utilização da TV analógica ou digital comoo meio utilizado para difusão em massa do conhecimento (Mendes Neto 2013, Men-des Neto et al. 2015).

A ampla utilização dessas tecnologias no ensino provocou um aumento na demandade recursos computacionais, pois, com o barateamento desses recursos, a quantidade deusuários cresceu e o volume de dados relacionados ao uso de sistemas acadêmicos acom-panhou esse crescimento.

Com o grande crescimento das bases de dados, devido ao armazenamento de informa-ções referentes a registros de acessos (logs), conversas entre alunos, professores e tutores,registros de notas, atividades, questionários, criação de fóruns, grupos etc, pesquisado-res perceberam a oportunidade de extrair informações que pudessem estar associadas aoprocesso de ensino, com a finalidade de compreender melhor os fatores que podem estarassociados ao sucesso ou fracasso de cursos, turmas, alunos e práticas pedagógicas.

Diante disso, surgiu o campo de pesquisa denominado de Learning Analytics (LA).O termo Learning Analytics, pertencente ao idioma inglês, traduzido para a língua portu-guesa corresponde ao termo “Análise da Aprendizagem”. A LA pode ser definida comosendo a medição, coleta, análise e comunicação de dados sobre os alunos e os seus con-textos, para fins de compreensão e otimização da aprendizagem nos ambientes em queesse processo ocorre (Siemens et al. 2011).

Já Elias (2011) define a LA de uma forma mais sucinta, como sendo um campo emer-gente em que ferramentas de análise são utilizadas a fim de melhorar a aprendizagem e aeducação.

Outros autores, como Johnson et al. (2011), definem a LA da seguinte forma:

A Learning Analytics refere-se à interpretação de uma ampla gama de dadosproduzidos e coletados por interesse dos estudantes, a fim de avaliar o pro-gresso acadêmico, prever o desempenho futuro e identificar possíveis proble-mas.

2.2. LEARNING ANALYTICS 13

Sendo assim, em concordância com as definições dos demais pesquisadores, pode-sedefinir a Learning Analytics como sendo a coleta, análise e compreensão das informa-ções relacionadas ao processo de ensino, seja presencial, semipresencial ou a distância,e ao ambiente em que este processo ocorre, a fim de proporcionar para as partes envol-vidas, seja de forma direta (estudantes, professores, tutores etc) ou indiretas (instituiçõesde ensino, comunidade científica etc), a percepção de fatores que possam influenciar po-sitivamente ou negativamente o ensino, independentemente de práticas pedagógicas quepossam estar sendo utilizadas.

Segundo Chatti et al. (2012), o processo da LA é dividido basicamente em três etapasdistintas. A Figura 2.1 ilustra as etapas desse processo.

Figura 2.1: Processo básico da LAFonte: Adaptação de (Chatti et al. 2012)

Conforme pode ser visto na Figura 2.1, a primeira etapa é denominada Coleta deDados e Pré-processamento. Essa etapa é responsável pela coleta dos dados que serãoanalisados. Esse passo é crítico, pois a escolha dos dados pode implicar diretamente nosresultados apresentados pelo algoritmo que irá extrair as informações. Além do processode coleta, essa etapa conta ainda com o pré-processamento, que consiste em uma conver-são dos dados para um formato que possa ser utilizado pelas técnicas da LA.

A segunda etapa é denominada Análises e Ações, conforme ilustrado na Figura 2.1.Essa etapa objetiva explorar os dados, resultantes da etapa de coleta e pré-processamento,de modo que se possa extrair informações a partir deles. Esse estágio não se resumeapenas às análises, mas também contempla ações que podem ser tomadas a partir dasinformações obtidas, como, por exemplo, o monitoramento, a intervenção, a predição,entre outras.

E, por fim, a terceira etapa denomina-se Pós-processamento, conforme ilustrado naFigura 2.1. Esse estágio foca na melhoria contínua do processo da LA. Essa melhoria pode


ser feita por meio da compilação de novos dados, através da adição de novos atributos,de modo que novos indicadores e análises possam ser obtidos ou então melhorar os jáexistentes.

Vale ressaltar que cada etapa do ciclo de vida gera uma saída para a etapa subsequente.A primeira etapa define quais dados serão analisados e os coloca em um formato paraque as análises possam ser feitas. A segunda etapa, de posse da saída da etapa anterior,analisa os dados, objetivando descobrir padrões e informações relacionadas ao processode ensino, que, consequentemente, servirá como auxílio na tomada de decisões. E, porfim, com o feedback das ações tomadas na etapa antecedente, a terceira etapa focaráem melhorias que poderão ser planejadas, de modo a contemplar um maior número devariáveis que podem estar relacionadas ao ensino. Sendo assim, esse feedback servirácomo entrada para a seleção dos dados que serão novamente compilados na primeiraetapa, para que, assim, se possa alcançar novas oportunidades nas novas análises queocorrerão. Portanto, pode-se considerar que o processo global da LA é frequentementeum ciclo de vida iterativo (Chatti et al. 2012).

2.2.1 Breve Histórico da Learning Analytics no Mundo

A área de pesquisa da LA é um campo investigativo emergente, tendo ocorrido suaprimeira conferência internacional no ano de 2011, na cidade de Banff, Alberta, Canadá.No mesmo ano da primeira conferência de LA, foi criada a Society and Learning AnalyticsResearch (SOLAR), que é uma rede interdisciplinar de pesquisadores internacionais quevem pesquisando sobre o papel e o impacto que essas análises podem gerar no processode ensino e aprendizagem (Siemens et al. 2011).

A SOLAR faz parte da organização da conferência internacional sobre Learning Analy-tics & Knowledge (LAK), atuando também no suporte ao lançamento de várias iniciativasno apoio à pesquisa colaborativa sobre a área (Siemens et al. 2011).

Outra área de pesquisa que também está relacionada com a LA é a Academics Analy-tics (AAs). A AA foca na análise de dados a nível institucional para apoiar o pro-cesso de tomada de decisões estratégicas, de modo que universidades possam identi-ficar quais seus pontos fracos e fortes, e lacunas onde podem ser aplicadas melhorias(Academics Analytics 2016).

Portanto, uma diferença importante entre a LA e a AA é que, enquanto a LA foca emaperfeiçoar os processos de ensino e aprendizagem, a AA se concentra na descoberta deinformações no campo estratégico dos setores administrativos. A Tabela 2.1 apresenta umcomparativo entre as áreas de LA e AA.

Embora a LA seja considerada uma área emergente, é possível perceber que seus ob-jetivos de pesquisa e resultados trazem benefícios para a educação, e que, de fato, aindaexistem muitas subáreas desse campo a serem exploradas. Tal fato pode ser observado apartir de uma análise sobre as tendências de trabalhos voltados para a área da LA evidenci-adas nas produções científicas da conferência internacional LAK. A Tabela 2.2 apresentaa quantidade de trabalhos submetidos e aceitos na conferência internacional LAK, nosanos de 2011 a 2015.


Tabela 2.1: Comparativo entre LA e AA

TIPO DE ANÁLISE NÍVEL DA ANÁLISE BENEFICIADOS

LEARNING ANALYTICS

NÍVEL DE CURSO:ANÁLISE DE

CONVERSAS EM CHATS

ALUNOS EPROFESSORES

NÍVELDEPARTAMENTAL:

PADRÕES DE SUCESSOOU FRACASSO

ALUNOS EPROFESSORES

ACADEMICS ANALYTICS

NÍVEL INSTITUCIONAL:FLUXOS DE

CONHECIMENTO

ADMINISTRADORES,FINANCIADORES EPROFISSIONAIS DE

MARKETING

NÍVEL REGIONAL:COMPARAÇÃO ENTRE

SISTEMAS

ADMINISTRADORESE FINANCIADORES

NÍVEL NACIONAL EINTERNACIONAL

GOVERNOSNACIONAIS E

AUTORIDADES NAEDUCAÇÃO

Fonte: Adaptação de (Long e Siemens 2011)

Tabela 2.2: Evolução entre LAK’11 e LAK’15

EDIÇÃO SUBMETIDOS ACEITOS TAXA DE ACEITAÇÃO (%)

LAK’11 38 17 45%

LAK’12 36 14 39%

LAK’13 58 16 28%

LAK’14 44 13 30%

LAK’15 74 20 27%Fonte: Autoria própria

Vale ressaltar que, dentre os trabalhos aceitos, não foram considerados os papers deautores convidados, short papers, workshops, tutoriais e posters.

Na LAK’11, os artigos aceitos ficaram basicamente divididos em: i) artigos conceitu-ais; ii) artigos com estudos de caso; e iii) artigo sobre ferramentas de análise de dados.

Já na LAK’12, pode-se perceber uma evolução nos trabalhos publicados em termosdas análises do campo investigativo da LA. Os artigos publicados tinham como foco:


i) Social Learning Analytics; ii) LA nas perspectivas institucionais; iii) análises para aaprendizagem reflexiva; iv) intervenções educacionais; v) além de outras áreas correlatascom a LA, como, por exemplo, a Visual Analytics.

Na LAK’13, o campo investigativo dos artigos publicados se dissolveu ainda mais,mostrando que existem inúmeros subcampos a serem estudados. Os artigos aceitos nessaconferência se enquadravam nas trilhas de: i) reflexões da LA; ii) visualização de dadospara apoiar a conscientização e reflexão; iii) comunicação e colaboração; iv) análise dedados sociais; v) análise de diálogos; vi) análise de comportamentos; vii) análise de emo-ções; viii) análise preditiva; ix) análises sequenciais de dados; x) avaliações; xi) suporte aprofessores; xii) desafios da LA; xiii) arquiteturas de análises; e xiv) design briefings.

As conferências da LAK’11, LAK’12 e LAK’13 apresentaram uma significativa mu-dança dos temas abordados nos artigos. A LAK’11 teve trabalhos mais conceituais ealguns trabalhos de análise de dados. Porém, na LAK’12, evidenciou-se uma evoluçãonos temas abordados, além disso, foi possível perceber alguns subcampos investigativosda LA. E essa evolução se acentuou na LAK’13, que apresentou vários trabalhos enqua-drados em quatorze subcampos do tema.

Já na LAK’15, pode-se perceber de forma mais evidenciada a evolução e consolidaçãode suas subáreas, além da adição de mais algumas trilhas a fim de facilitar o enquadra-mento da temática proposta em seus subcampos de pesquisa. Nesta edição, os artigoscompletos aceitos foram divididos em vinte e dois temas específicos. Além disso, pode-se mencionar o crescente número de trabalhos que propuseram ferramentas de análisede dados educacionais na identificação de fatores comportamentais e do desempenho deestudantes.

De fato, é notável que os resultados obtidos por meio da LA vêm contribuindo parao surgimento de novas oportunidades no ensino e no planejamento estratégico de me-todologias pedagógicas, pois, com essas informações, pode-se aplicar ações que estarãofundamentadas em dados de experiências anteriores da aprendizagem. Portanto, além depoder auxiliar na compreensão do ensino, a LA também ajuda a melhorar esse processo(Ferguson e Shum 2012).

Além dos esforços da comunidade acadêmica, grandes empresas estão investindo emanálises de dados educacionais. Em 2012, a Desire2Learn Incorporated, que é uma em-presa bastante conceituada no provimento de soluções e-Learning, recebeu 80 milhões dedólares de financiamento da New Enterprise Associates (NEA) e OMERS Ventures (TheGlobe & Mail 2012, GIGAOM 2012).

No ano seguinte, a Applied Predictive Technologies (APT), que é uma empresa nocampo da análise preditiva baseada em nuvem, recebeu um investimento de 100 milhõesde dólares do grupo Goldman Sachs. Dentre as empresas que fazem parte de sua listade clientes, pode-se citar: Walmart, Hilton, Anheuser-Busch InBev, McDonald, dentreoutras, que tem adquirido cada vez mais os produtos da APT para tomar decisões críticasem suas áreas estratégicas (APT 2013).

No ano de 2014, a Google Capital investiu 40 milhões de dólares na empresa Re-naissance Learning, que é uma empresa conhecida por trabalhar na avaliação de dadoseducacionais (Education Week 2014, Recode 2014).

Com o alto investimento na área da LA, novos projetos serão concebidos e, conse-


quentemente, novas metodologias e abordagens irão surgir. Estima-se também que nãosomente os AVAs, mas também os demais aplicativos que apoiam o processo de ensino,irão dispor das técnicas da LA de forma integrada ao próprio sistema.

2.2.2 Metodologias de Learning Analytics

Assim como na engenharia de software, que apresenta diversas metodologias de de-senvolvimento de software, alguns estudiosos criaram algumas metodologias para a áreade Learning Analytics. No entanto, essas metodologias não estão relacionadas com astécnicas de programação, mas sim com o auxílio na compreensão do problema que sedeseja resolver.

As subseções a seguir apresentam os dois principais modelos existentes até o momentodesta pesquisa, bem como um estudo comparativo entre estes.

2.2.2.1 Modelo “What? Who? Why? How?”

O modelo “What? Who? Why? How?” foi proposto por Chatti et al. (2012). Essemodelo visa identificar oportunidades e possibilidades em cada uma de suas dimensões.A Figura 2.2 ilustra as quatro dimensões desse modelo.

Figura 2.2: Modelo “What? Who? Why? How?”Fonte: Adaptação de (Chatti et al. 2012)

As subseções a seguir apresentam os conceitos de cada uma das dimensões dessemodelo.


2.2.2.1.1 What? (O quê?)

Essa dimensão é responsável pela definição dos dados que serão utilizados na análise.Esses dados podem ser oriundos de dois tipos de categorias de sistema: i) os sistemas edu-cacionais centralizados, que são representados pelos AVAs, como o Moodle, por exemplo;ii) ambientes de aprendizagem distribuídos, que são sistemas interativos e facilitados pelatecnologia ubíqua no apoio à aprendizagem informal.

Geralmente, esses dados ficam espalhados em diferentes sistemas e estão em diferen-tes formatos, distribuídos ao longo do espaço, tempo e meios de comunicação. Nessesentido, o grande desafio é integrar esses dados que são obtidos de fontes heterogênease transformá-los, em tempo hábil, para formatos que sejam aceitáveis pelas técnicas deanálise de dados que serão utilizadas (Chatti et al. 2012).

2.2.2.1.2 Who? (Quem?)

O objetivo dessa dimensão é identificar todas as partes interessadas que podem serbeneficiadas com o uso da LA, dentre as quais, tem-se: alunos, professores, tutores, pes-quisadores, instituições etc (Chatti et al. 2012).

2.2.2.1.3 Why? (Por quê?)

Essa dimensão define os possíveis objetivos da análise dos dados. Dentre esses obje-tivos, destacam-se (Chatti et al. 2012):

• Previsão e Intervenção: o objetivo da previsão é tentar prever o desempenho doestudante com base em suas ações. A partir dos dados de saída da previsão, pode-se então recomendar a intervenção de forma proativa sobre esses estudantes queprovavelmente estarão precisando de uma assistência adicional;• Monitoramento e Análise: o objetivo principal é de realizar o monitoramento das

atividades dos estudantes e gerar relatórios sobre estes, a fim de auxiliar na tomadade decisão dos professores;• Avaliação e Feedback: o objetivo é de auxiliar na autoavaliação da eficiência e

eficácia do processo de ensino, de forma que o sistema possa retornar feedbacksinteligentes tanto para professores quanto para alunos;• Adaptação: este item está associado à instrução adaptativa de recursos de aprendi-

zagem e atividades de acordo com as necessidades individuais do aluno;• Personalização e Recomendação: na personalização, a LA é altamente centrada no

aluno, focando em como ajudar os alunos a decidir sobre a sua própria aprendi-zagem e continuamente moldar suas preferências pessoais de aprendizagem paraalcançar seus objetivos. Já os sistemas de recomendação, podem desempenhar umpapel crucial para promover a aprendizagem autodirigida. Neste caso, o objetivo éajudar os alunos, seja por meio da recomendação de conhecimento explícito (recur-sos de aprendizagem) ou através de nós de conhecimento tácito (pessoas), com baseem suas preferências ou atividades de outros alunos com preferências semelhantes.


2.2.2.1.4 How? (Como?)

Essa fase é responsável pela aplicação das técnicas de análise, objetivando descobrirpadrões existentes nos dados que serão analisados. Dentre essas técnicas, destacam-se(Chatti et al. 2012):

• Estatísticas: as técnicas estatísticas podem ser utilizadas para fornecer relatórioscom estatísticas básicas sobre interações do aluno com o sistema ou, em casos maiscomplexos, podem ser utilizadas para indicarem correlações entre comportamentosde alunos, tutores, professores ou elementos pedagógicos de ensino, que possaminfluenciar, ou não, o processo de aprendizagem e o sucesso dos alunos no curso,por exemplo;• Visualização de Informação: esse item foca na representação das informações obti-

das pelos métodos de análise de dados de uma forma visual com fácil interpretação,a fim de poder facilitar o entendimento e a análise dos dados educacionais. Paraisso, diferentes técnicas podem ser utilizadas, como, por exemplo, gráficos de dis-persão, representações 3D, mapas conceituais, entre outros;• Mineração de Dados: esse item consiste na obtenção de conhecimento a partir das

técnicas de mineração de dados e de aprendizado de máquinas. Em termos gerais, astécnicas mais conhecidas são as regras de associação, árvores de decisão, máquinasde vetor de suporte, redes neurais, agrupamentos, dentre outras;• Análise de Redes Sociais: consiste no estudo quantitativo das relações entre indiví-

duos ou organizações. Para isso, uma rede social é modelada por um grafo G = (V ,E), onde V é o conjunto de nós (também conhecido como vértices), que representaos atores (pessoas ou organizações, por exemplo), e E é um conjunto de arestas(também conhecidas como arcos, links ou laços), que representam um certo tipo deligação entre os atores.

2.2.2.2 Modelo de Seis Dimensões

Greller e Drachsler (2012) propuseram um modelo de seis dimensões no domínio eaplicação da LA. Esse modelo está ilustrado na Figura 2.3.

As subseções a seguir apresentam os conceitos de cada uma das dimensões dessemodelo.

2.2.2.2.1 Stakeholders (Interessados)

A dimensão dos interessados inclui todos os envolvidos de forma direta ou indiretacom o uso da LA. Segundo Greller e Drachsler (2012), os principais grupos de interessa-dos da LA são os alunos, os professores e as instituições educacionais, sendo que estespodem ser expandidos ou substituídos por outros grupos de interesse, tais como pesqui-sadores ou ainda agências governamentais.


Figura 2.3: Modelo de Seis DimensõesFonte: Adaptação de (Greller e Drachsler 2012)

Vale ressaltar que cada um desses grupos de interessados pode ter diferentes necessi-dades com o uso da LA, conforme exemplificado a seguir:

• Alunos: podem se beneficiar por meio de autorreflexões e avaliações sobre seusdesempenhos individuais;• Professores: podem usar as informações para planejarem intervenções pedagógicas

específicas em tempo real ou ainda ajustar as suas estratégias de ensino antes doinício do curso;• Instituições de Ensino: podem utilizar as informações a fim de promover novas

oportunidades no planejamento de políticas e processos organizacionais para me-lhorar a qualidade no ensino;• Instituições Governamentais: podem coletar dados das instituições de ensino a fim

de avaliar as necessidades de cada uma delas.

2.2.2.2.2 Objectives (Objetivos)

Essa dimensão divide seus objetivos em duas grandes áreas: reflexão e predição.A reflexão é tida como a autoavaliação crítica de um usuário sobre seus próprios con-

juntos de dados a fim de obter um autoconhecimento. Entretanto, essa área não está


limitada somente a isso, pois essa avaliação pode também ser realizada com base emconjuntos de dados de outras partes interessadas. Por exemplo, um professor pode serlevado a refletir sobre o seu estilo de ensino, sendo indicado pelos conjuntos de dados dosseus alunos. No entanto, este também pode refletir sobre estilos de ensino com base nasinformações obtidas de dados de outros professores.

Já a predição pode ser utilizada para prever e modelar as atividades do aluno de modoa recomendar intervenções com a finalidade de atenuar possíveis problemas que possamacontecer durante uma disciplina.

2.2.2.2.3 Data (Dados)

Essa dimensão é responsável pela origem dos dados que serão analisados. Comu-mente, os dados educacionais utilizados para objeto de estudo são extraídos de AVAs. Umdos grandes desafios dessa dimensão está relacionado com a disponibilidade dos conjun-tos de dados disponíveis publicamente para avaliar os métodos da LA, pois a maioria dosdados estão protegidos pelas instituições de ensino.

No entanto, atualmente já se discute sobre a possibilidade de acesso aberto para essesconjuntos de dados educacionais. Uma forma de se fazer isso é por meio do anonimato,que é um meio de criar o acesso aos chamados Dados Abertos (DAs). O anonimato sedá através da exclusão dos identificadores das pessoas que geraram essas informações,tais como: número de matrícula, nome completo, nome de pai e mãe, endereços residen-ciais, Cadastro de Pessoa Física (CPF), Registro Geral (RG), conversas e qualquer outrainformação que a possa identificar ou causar constrangimento.

2.2.2.2.4 Instruments (Instrumentos)

Essa dimensão está relacionada com as diferentes tecnologias que podem ser utiliza-das no desenvolvimento de aplicações de cunho educacional.

Com o auxílio das tecnologias, a LA pode contribuir com sistemas de apoio à decisão,sendo este adaptado de acordo com os objetivos das partes interessadas. Ou ainda, con-tribuir para a diminuição das taxas de abandonos de aluno, por meio do desenvolvimentode um sistema que possa notificar, em tempo real, que determinados estudantes estão emrisco de abandonar o curso e/ou a disciplina.

Isso poderia ser feito através da utilização de conjuntos de dados de AVAs e do treina-mento de determinada tecnologia de análise de informação (usando um classificador, porexemplo) nos conjuntos de dados para aprender padrões de comportamento de estudantesque abandonaram o curso anteriormente. O uso da LA com o auxílio das tecnologiaspode levar a diferentes perspectivas no que se refere à tomada de decisão, predição deresultados e estratégias pedagógicas de ensino na educação.

2.2.2.2.5 External Constraints (Restrições Externas)

Essa dimensão está relacionada com os diferentes tipos de restrições que podem li-mitar a aplicação dos processos de LA, como, por exemplo, as restrições éticas, legais e


sociais que podem estar envolvidas com a origem dos dados a serem analisados.Essas restrições compõem um tema bastante sensível sobre a privacidade das infor-

mações. Por exemplo, um usuário poderia interpor processos judiciais, caso suas infor-mações (tais como: notas, conversas etc) viessem ao conhecimento público e isso lhecausasse danos morais. Portanto, uma solução para este caso seria adicionar uma sube-tapa na fase de pré-processamento dos dados para remover identificadores pessoais dosusuários.

2.2.2.2.6 Internal Limitations (Limitações Internas)

Essa dimensão refere-se às habilidades necessárias para interpretação dos resultadosdas técnicas de análise de dados. Geralmente, os logs, resultantes da análise dos da-dos, são difíceis de serem interpretados e podem causar interpretações equivocadas. Umaforma de solucionar esse problema é por meio da tradução dos resultados obtidos pelastécnicas de análise de dados para linguagem natural, de modo que o usuário possa compre-ender claramente as informações resultantes da análise, eliminando assim interpretaçõeserrôneas.

Portanto, é necessário planejar formas de facilitar a apresentação e a interpretação dosresultados obtidos pela análise dos dados, pois a avaliação interpretativa desses resultantespode exigir, algumas vezes, competências de alto nível.

2.2.2.3 Estudo Comparativo

As duas metodologias supracitadas foram analisadas e, após compará-las através deum estudo teórico, pôde-se perceber que o modelo de seis dimensões é mais adequadopara a delimitação e solução do problema proposto neste trabalho pelos seguintes motivos:

• O modelo de seis dimensões abrange, de uma forma geral, os itens do Modelo“What? Who? Why? How?”;• O modelo de seis dimensões define melhor os objetivos de cada fase;• E, além dos itens anteriores, o modelo de seis dimensões tem um tópico exclusivo

para discutir as questões éticas, morais e legais sobre os dados que serão analisados,de forma que as informações contidas sejam protegidas por políticas e diretrizes deprivacidade. Esse fator foi um ponto crítico para este trabalho, pois a liberação dasbases de dados, utilizadas nesta pesquisa, passou por análise de coordenadorias dainstituição de ensino que cedeu essas informações, onde foi tratada toda a questãoética, moral e de privacidade, conforme termo anexado no Apêndice A.

Diante disso, a metodologia escolhida para a delimitação do objeto de estudo e pro-posta de solução foi o modelo de seis dimensões.

Todas as informações relacionadas à aplicação dessa metodologia neste trabalho sãoapresentadas no Capítulo 4.

2.3. AMBIENTE VIRTUAL DE APRENDIZAGEM 23

2.3 Ambiente Virtual de AprendizagemDe acordo com Litto e Formiga (2012), a EaD surgiu no ano de 1728, quando o novo

método de ensino de Caleb Philips, através de aulas por correspondência, foi anunciado.Ao longo do tempo, o avanço da tecnologia permitiu que outros meios fossem tambémutilizados na EaD, como o rádio e até mesmo a TV Educacional, que teve seu inícionas décadas de 60 e 70 no Brasil (Litto e Formiga 2012). No entanto, estes meios decomunicação não permitem muita interação entre os atores do processo de EaD, o quepode gerar uma desmotivação por parte do aluno.

Na década de 90, a EaD foi marcada pela integração do computador e das estações demultimídias no processo de ensino e aprendizagem, o que acabou gerando novas expec-tativas, pois possibilitou o acesso a informações sistematizadas e uma interação entre osatores desse processo (Faria e Salvadori 2010). Para Litto e Formiga (2012), houve umamaximização nas vantagens da EaD, pois a utilização dos novos meios de comunicação,técnicas e metodologias de ensino que obedecem padrões específicos geram uma maiorqualidade.

Logo, a introdução de novos sistemas de comunicação, mediados pelo computador,possibilitou a multiplicação de tecnologias com a finalidade de apoiar a EaD. A evoluçãoda tecnologia, presente nos sistemas computacionais, promoveu a criação de softwares decunho educacional que oferecem, aos seus usuários, uma gama de recursos e funcionali-dades.

Atualmente, esses softwares já permitem a criação de comunidades virtuais, dispõemde ferramentas de busca de conteúdos digitais, permitem acessos aos seus sistemas emqualquer local com conexão à Internet e, além disso, possibilitam a criação de videocon-ferência, envio de e-mail, gerenciamento de cursos e turmas, dentre outras facilidades.Esses softwares são denominados de Ambientes Virtuais de Aprendizagem (AVAs).

Esses sistemas têm sido bastante utilizados como objeto de estudo no que englobaseus aspectos conceituais ou teóricos, como também seus aspectos práticos, como, porexemplo, influência na aprendizagem, utilização pela comunidade acadêmica, dentre ou-tros fatores (Hunt et al. 2007).

Segundo Kats (2013), os AVAs são sistemas de software concebidos para apoiar oprocesso de ensino e ajudar os alunos a aprenderem por meio do gerenciamento da apren-dizagem. Isso pode ser feito por meio da complementação de recursos que podem serutilizados no ensino, tais como treinamentos, simulações, aulas ao vivo, entre outros.

Já de acordo com Berking e Gallagher (2013), os AVAs são sistemas de software,baseados em servidor, usados para gerenciar e entregar (através de um navegador web) aaprendizagem de muitos tipos, particularmente de forma assíncrona. Geralmente, essessistemas possuem a capacidade de rastrear e gerenciar vários tipos de dados dos alunos,especialmente os dados referentes ao seu desempenho.

Os AVAs podem ser considerados também como uma tecnologia essencial ao acessoà aprendizagem de conteúdos e administração dos cursos em qualquer hora e qualquerlugar. Dentre as características em comum aos AVAs, destacam-se:

• Permitem a administração de cursos de uma instituição;• Permitem o gerenciamento de matrículas, notas e tarefas de alunos;


• Facilitam a criação, gerenciamento e publicação dos calendários acadêmicos doscursos;• Possibilitam a comunicação entre alunos, professores, tutores etc, por meio ferra-

mentas de comunicação, como, por exemplo, de fóruns, e-mails, bate-papos etc;• Proveem acesso ao sistema independe da hora e local;• Contêm métodos de avaliação e testes, como, por exemplo, os questionários;• Propiciam integração e criação de repositórios de conteúdos educacionais;• Armazenam registros da utilização do ambiente, que podem servir para fins de segu-

rança ou até mesmo para a análise de comportamento dos usuários, a fim de permitiruma melhor compreensão de como se dá o processo de ensino e aprendizagem.

Como já mencionado, os AVAs permitem armazenar informações sobre o processo deensino, como, por exemplo, informações sobre conversas, registros de acessos e visuali-zações de conteúdos das disciplinas, resoluções de questionários, envio de tarefas, horárioem que os usuários acessam o sistema, informações sobre metodologias de ensino, entreoutros. Por isso, os bancos de informações se tornam ideais para uma análise sobre fatoresque podem influenciar, tanto positivamente quanto negativamente, o processo de ensino eaprendizagem na modalidade a distância.

A subseção a seguir apresenta os aspectos teóricos, bem como as aplicações práticasfacilitadas pelo AVA Moodle.

2.3.1 MoodleA palavra Moodle é um acrônimo para Modular Object-Oriented Dynamic Learning

Environment, que se refere a um sistema de gestão de aprendizagem gratuito, que permiteque educadores criem seus próprios sites privados, preenchidos com cursos dinâmicos, afim de estender a aprendizagem (Moodle 2016).

O projeto Moodle é liderado e coordenado pelo Moodle HQ, que é uma empresaaustraliana de 30 desenvolvedores que é financeiramente apoiada por uma rede de maisde 60 empresas parceiras. Ao todo, estima-se que existe mais de 79 milhões de usuáriosem todo o mundo que usa este AVA para fins acadêmicos e empresariais, tornando esta aplataforma de aprendizagem mais utilizada do mundo (Moodle 2016).

O Moodle é fornecido gratuitamente como software Open Source, sob licença GPL(General Public License), permitindo modificar o Moodle para projetos comerciais e nãocomerciais, sem quaisquer taxas de licenciamento (Moodle 2016).

Esse AVA foi concebido sob uma pedagogia sócio-construtivista, dispondo de um le-que de opções para seus usuários, como, por exemplo, ferramentas e atividades colaborati-vas, calendários, envio de notificações, verificação de progressos, capacidade multilíngue,alta interoperabilidade, além de outras características (Moodle 2016).

2.4 Normalização Min-MaxO processo de normalização de atributos numéricos é aplicado para ajustar a escala

dos valores dos atributos. Uma das formas de normalização é a transformação linear,

2.5. COEFICIENTES DE CORRELAÇÃO 25

também conhecida como normalização Min-Max, dado que o cálculo é feito com basenos valores mínimo e máximo de cada atributo no ajuste da escala (Marquesone 2014). Anormalização Min-Max é definida pela Equação 2.1 (Faceli et al. 2011).

v′ =v−min

max−min· (nmax−nmin)+nmin (2.1)

Onde,v é o valor a ser normalizado;min é o valor mínimo encontrado na amostra;max é o valor máximo encontrado na amostra;nmax é o valor máximo do novo intervalo;nmin é o valor mínimo do novo intervalo.

A normalização Min-Max implica a existência de duas escalas, isto é, a dos dadosoriginais e a escala em que se pretende transformar.

2.5 Coeficientes de CorrelaçãoDado X e Y como sendo duas amostras, como estabelecer uma relação entre X e Y?

Na EaD pode-se surgir indagações como: Se a taxa de participação dos alunos nos fórunsaumentar, será que as suas notas também irão aumentar?

Os campos investigativos que objetivam responder essas questões são os métodos es-tatísticos de análise de correlação e a análise de regressão entre variáveis.

A análise de correlação, também conhecida como coeficiente de correlação, indicao grau de variação conjunta entre duas variáveis. Esse grau representa a intensidade ea direção da relação linear ou não-linear entre essas variáveis. Esse método atende ànecessidade de se estabelecer a existência ou não de uma relação entre variáveis, sem anecessidade de aplicar uma função matemática, pois não existe a distinção entre a variávelexplicativa e a variável resposta. Em outras palavras, o grau de variação conjunta entreX e Y é igual ao grau de variação entre Y e X (O’Rourke et al. 2005, Sharma 2012,Schumacker e Tomek 2014).

Já a análise de regressão, além de medir a associação entre a variável explicativa e avariável resposta, também estima os parâmetros do comportamento sistemático entre estas(Sharma 2005). No entanto, quando se deseja quantificar somente a força da relação entreas variáveis, nem sempre é necessário um detalhamento como o da análise de regressão,mas apenas determinar o grau de relacionamento entre as variáveis analisadas.

Segundo Meissner (2013), os coeficientes de correlação se dividem em três tipos: (i)o coeficiente de correlação de Pearson; (ii) o coeficiente de correlação de Spearman; e(iii) o coeficiente de correlação de Kendall.

Tendo em vista que a natureza dos dados analisados neste trabalho pertence à categoriadas variáveis quantitativas, o coeficiente de correlação que mais se adéqua para essa aná-lise é o coeficiente de correlação de Pearson (LeBlanc 2004, Sharma 2005, Rubin 2012),que será explicado a seguir.


2.5.1 Coeficiente de Correlação de PearsonO coeficiente de correlação de Pearson tem como origem o trabalho em conjunto de

Karl Pearson e seu professor Francis Galton. De forma sucinta, o coeficiente de correlaçãode Pearson (r) é uma medida de associação linear entre variáveis (LeBlanc 2004, Sharma2012) e é calculado da seguinte forma:

r =1

n−1·∑

((xi− x

Sx

)·(

yi− ySy

))(2.2)

Onde,n é o número de elementos das amostras x e y;xi e yi representam cada um dos elementos das amostras x e y, respectivamente;x e y representam a média dos elementos das amostras x e y, respectivamente;Sx e Sy representam o desvio padrão das amostras x e y, respectivamente.

O resultado retornado deverá estar entre +1 e -1. O sinal indica a direção, ou seja, sea correlação é positiva ou negativa, e o valor numérico indica a força da correlação.

Segundo (Weinberg e Abramowitz 2002) e (Cohen 1988)1, quando os objetos de es-tudo são fatores comportamentais, a interpretação para a correlação de Pearson deve serfeita da seguinte forma:

• Se 1.0 ≤ r ≤ 0.5, sendo positivo ou negativo, indica uma forte correlação;• Se 0.3 ≤ r < 0.5, sendo positivo ou negativo, indica correlação moderada;• Se 0.1 ≤ r < 0.3, sendo positivo ou negativo, indica fraca correlação;• Por fim, para 0 ≤ r < 0.1, sendo positivo ou negativo, pode-se considerar nula.

Vale ressaltar que o coeficiente de correlação de Pearson é sensível a outliers 2. Por-tanto, antes de realizar uma análise de correlação de Pearson é necessário verificar aexistência de outliers nas amostras. Uma técnica que pode ser utilizada para a remoçãode outliers é a Z-Score (Warner 2012). O valor Z é calculado por meio da Equação 2.3(Warner 2012):

Z =xi− x

σ(2.3)

Onde,xi representa cada um dos elementos da amostra x;x representa a média dos elementos da amostra x;

1Jacob Cohen foi o primeiro pesquisador a introduzir a categorização do grau de relação de magni-tudes no âmbito da análise comportamental, sendo hoje amplamente utilizada nas pesquisas das ciênciascomportamentais (Weinberg e Abramowitz 2002).

2Outliers são valores atípicos, isto é, uma observação que apresenta um valor muito afastado em relaçãoaos demais valores (Hawkins 1980).

2.5. COEFICIENTES DE CORRELAÇÃO 27

σ representa o desvio padrão da amostra x;Z representa o quanto xi se afasta da média amostral, em termos de desvio padrão.

Todavia, o uso da correlação de Pearson, por si só, não é suficiente para validar deter-minado resultado. Por exemplo, dada que a correlação entre as amostras X e Y obteve umgrau de r = 0,955. Como é possível afirmar que essa correlação não se deu por coincidên-cia? Em outras palavras, o quão significante é o valor de r?

A fim de solucionar essa questão, na estatística, utiliza-se o conceito de nível de sig-nificância de um resultado, fazendo-se uso do conceito de hipótese nula. A hipótese nula(H0) simplesmente assume que um dado resultado estatístico foi obtido apenas por coin-cidência, devido a flutuações probabilísticas dos eventos medidos. Por outro lado, caso ahipótese nula seja rejeitada, o resultado não ocorreu por mera coincidência, e, portanto,deve-se aceitar a hipótese concorrente, que é chamada de hipótese alternativa (H1).

O nível de significância é denotado por alfa (α) e indica a probabilidade de se cometerum erro do tipo I. O erro do tipo I consiste na possibilidade de se rejeitar a hipótese nula,quando esta é verdadeira. Logo, se α = 0,05, então a chance de se cometer um erro dotipo I é de 5%. Diante disso, o nível de confiança, que indica a probabilidade de decisãocorreta, baseada na hipótese nula, é de 95%, pois este é calculado como sendo 1 - α

(Schlotzhauer 2007, Rubin 2012).Sendo assim, quando se deseja utilizar o coeficiente de correlação de Pearson, em

conformidade com o nível de significância, os seguintes passos devem ser realizados(LeBlanc 2004):

1. No primeiro passo, deve-se definir as hipóteses, isto é:

• H0: r = 0;• H1: r 6= 0.

2. No segundo passo, deve-se escolher um valor α para a significância. Por exemplo,α = 0,05;

3. No terceiro passo, como as amostras contêm n pares de dados, deve-se consultarna tabela de distribuição t de Student o valor de t(gl) para o valor de α escolhido,onde gl = n – 2. A tabela de distribuição t de Student fornece os valores críticos dointervalo de confiança a partir da probabilidade unicaudal ou bicaudal e do númerode graus de liberdade (Keller 2011);

4. No quarto passo, deve-se calcular t0:

t0 =r√1−r2

n−2

(2.4)

Caso t0 > t(gl) ou t0 < - t(gl), então H0 deve ser rejeitada e H1 deve ser aceita. Senão,H0 deve ser aceita e H1 rejeitada.


Se H0 for rejeitada, deve-se concluir que o valor de r, obtido para a amostra, é signi-ficante e que existe correlação r entre as variáveis analisadas, com nível de significânciaigual a α e nível de confiança de 1 – α.

Se H0 for aceita, deve-se concluir que o valor obtido de r não é significante, ou seja,tanto pode haver correlação r, como não haver correlação.

2.6 Ontologia

O termo ontologia teve origem no início do século XVII, mais especificamente nosanos de 1606 e 1613, quando Jacob Lorhard escreveu o Ogdoas Scholastica e RudolfGöckel o Lexicon philosophicum. No entanto, esse termo ganhou popularidade no âm-bito da Filosofia através de Christian Wolff, com a publicação de Philosophia prima siveOntologia (Guizzardi 2005).

Na área de Inteligência Artificial (IA), esse termo é utilizado por empréstimo da Fi-losofia, onde seus estudos tiveram início nos anos 90. A ideia é que a ontologia fosseutilizada como possibilidade de representar a existência de objetos e eventos, bem comosuas relações. Nesse sentido, ontologia é um artefato tecnológico que permite trabalharcom integração e recuperação da informação, gestão do conhecimento, sistemas multia-gente etc.

As ontologias buscam estabelecer a comunicação entre humanos e máquinas, dife-rentemente dos tesauros3, por exemplo. Outro aspecto também muito ressaltado pelaIA é o uso de ontologias para representar domínios de conhecimento, como relatado em(Guarino 1998).

Na literatura, são encontradas diversas definições sobre ontologias. Segundo Gruber(1993), uma ontologia pode ser definida como:

Uma ontologia é uma especificação explícita de uma conceitualização. [...] Emtal ontologia, definições associam nomes de entidades no universo do discurso(por exemplo, classes, relações, funções etc.) com textos que descrevem o queos nomes significam e os axiomas formais que restringem a interpretação e ouso desses termos [...].

A partir desse conceito, é possível perceber que uma ontologia é uma “especificaçãode um conceito”, ou seja, ela é utilizada para especificar um conhecimento a respeito deum determinado domínio de conhecimento. Isso significa que uma ontologia permite aum projetista especificar, de uma forma aberta e significativa, os conceitos e relações quecaracterizam de modo coletivo algum domínio. A vantagem de se utilizar uma ontologiaé que, mesmo sendo desenvolvida com uma finalidade específica, ela pode ser publicadae reutilizada para outros propósitos (Dickinson 2009).

Há muitas formas de escrever uma ontologia e uma variedade de opiniões sobre quetipos de definição devem englobar. Porém, na prática, os conceitos de uma ontologia sãolargamente dirigidos pelos tipos de aplicação que elas terão de suportar (Dickinson 2009).

3Segundo Gomes (1990), tesauro é uma linguagem documentária dinâmica que contém termos relacio-nados semântica e logicamente, cobrindo de modo compreensivo um domínio do conhecimento.

2.7. APRENDIZADO DE MÁQUINA 29

Apesar das ontologias não apresentarem sempre a mesma estrutura, existem caracte-rísticas e componentes básicos comuns presentes em grande parte delas (Ramalho 2010):

• Classes e subclasses: agrupam um conjunto de elementos, coisas, do mundo real,que são representadas e categorizadas;• Propriedades: descrevem as características e/ou qualidades das classes;• Relações: ligações entre classes, descrevendo e rotulando os tipos de relações exis-

tentes no domínio representado;• Regras e axiomas: enunciados lógicos que possibilitam impor condições e via-

bilizam a realização de inferências automáticas a partir de informações que nãonecessariamente foram explicitadas no domínio;• Instâncias: indicam os valores das classes e subclasses, constituindo uma represen-

tação de objetos ou indivíduos pertencentes ao domínio modelado, de acordo comas características das classes, relações e restrições definidas;• Valores: atribuem valores concretos às propriedades, indicando os formatos e tipos

de valores aceitos em cada classe.

Tal organização permite que determinado domínio de conhecimento seja representadoe que, por se constituir em um artefato tecnológico que realiza inferências com base emseu conteúdo, informações sejam recuperadas de forma mais eficaz.

Como os estudos sobre ontologia são realizados em vários domínios, ocorre a criaçãode instrumentos variados. É possível identificar, mesmo com a apresentação de proprie-dades distintas, uma tipologia bem definida de ontologias, já que existem característicase componentes básicos que estão presentes em grande parte delas (Almeida e Bax 2003).

Dessa forma, é possível analisar as ontologias quanto ao grau de formalismo e ao as-pecto estrutural. O grau de formalismo diz que uma ontologia pode ser: i) altamenteinformal; ii) semi-informal; iii) semi-formal; e iv) rigorosamente formal (Uschold eGruninger 1996). Já o aspecto estrutural pode ser classificado em: i) ontologia de altonível; ii) ontologia de domínio; iii) ontologia de tarefa; e iv) ontologia de aplicação(Guarino 1998).

A partir da necessidade de compor a representação de um dado domínio, o interessede criação de ontologia deste trabalho incide sobre a ontologia semi-formal e de domí-nio, a qual busca descrever formalmente classes de conceitos e os relacionamentos dedeterminada área com o objetivo de compartilhar um consenso terminológico.

2.7 Aprendizado de MáquinaA área de Aprendizado de Máquina (AM) é uma área da Ciência da Computação, co-

mumente considerada uma subárea da IA, cujo objetivo é o desenvolvimento de métodose técnicas a fim de encontrar padrões, regularidades ou conceitos em conjuntos de dados(Goldschmidt et al. 2015).

Já Faceli et al. (2011) consideram o AM como sendo a programação de computado-res para aprender a partir de experiências passadas, por meio do princípio de inferência,denominado também de indução, que obtém respostas genéricas resultantes da análise de


um conjunto particular de exemplos. De forma sucinta, pode-se dizer que o AM é a capa-cidade de melhorar o desempenho na realização de alguma tarefa por meio da experiência(Mitchell 1997).

Segundo Faceli et al. (2011), existem vários problemas reais cujas técnicas de AMpodem ser aplicadas, dentre os quais, destacam-se:

• Predicação da taxa de cura de pacientes;• Reconhecimento de palavras;• Identificação de fraudes em cartões de crédito;• Diagnóstico de câncer ou outros tipos de doenças.

Ainda conforme Faceli et al. (2011), as tarefas de aprendizado de máquina se dividemem duas categorias: predição e descrição.

A predição consiste em encontrar uma fórmula ou gerar um modelo que seja capazde prever ou rotular um dado a partir de um conjunto de dados para treinamento. Osalgoritmos que pertencem a essa categoria são denominados de algoritmos de aprendizadosupervisionado (preditivo).

O termo supervisionado advém da presença de um rótulo ou valor de saída existentenos dados que foram utilizados para o treinamento do conjunto. Dessa forma, as técnicasde aprendizado supervisionado usam o valor do rótulo de saída do conjunto de dados detreinamento para avaliar a capacidade da hipótese induzida de predizer os valores de saídapara novos exemplos.

A Figura 2.4 apresenta um exemplo da estrutura de um algoritmo supervisionado.

Figura 2.4: Exemplo de um modelo de Aprendizado SupervisionadoFonte: Adaptação de (Quilici-Gonzalez e Zampirolli 2014)

2.7. APRENDIZADO DE MÁQUINA 31

Conforme ilustrado na Figura 2.4, os exemplos de treinamento são as informações deentrada para o algoritmo de aprendizado de máquina e, a partir desses exemplos, o algo-ritmo irá criar um modelo de classificação. Uma vez gerado o modelo de classificação, épossível utilizá-lo para classificar novas informações.

Já nas tarefas de descrição, o objetivo é explorar o conjunto de dados. Os algoritmospertencentes a essa categoria são denominados de algoritmos de aprendizado não super-visionado (descritivo). O termo não supervisionado vem da inexistência de um rótulo desaída nos dados do conjunto de treinamento. Dessa forma, uma vez que não há rótulo desaída, esses algoritmos buscam explorar os dados a partir de sua regularidade.

De acordo com Faceli et al. (2011), os algoritmos de aprendizado não supervisionadopodem ser divididos em três tipos:

1. Agrupamento: os dados são agrupados de acordo com sua similaridade;

2. Sumarização: objetiva encontrar uma descrição simples e compacta para um con-junto de dados;

3. Associação: consiste em encontrar padrões frequentes de associações entre os atri-butos de um conjunto de dados.

A Figura 2.5 apresenta a hierarquia das técnicas de aprendizado de máquina de acordocom os tipos de seus modelos.

Figura 2.5: Hierarquia das técnicas de aprendizado de máquinaFonte: Adaptação de (Faceli et al. 2011)

Diante disso, pode-se dizer que as técnicas que se adéquam ao enfoque deste trabalhosão as descritivas (aprendizado não supervisionado), já que não há rótulo de saída nosdados comportamentais dos tutores a distância.

As subseções a seguir apresentam destalhes sobre essas duas técnicas utilizadas nosexperimentos desta pesquisa.


2.7.1 k-MeansO algoritmo k-Means, proposto por J. MacQueen (MacQueen 1967), foi concebido

para particionar uma população n-dimensional em k conjuntos, com base em uma amos-tra. Primeiro, o algoritmo inicia com a escolha de k elementos que formarão os clustersiniciais. O número k refere-se ao número de clusters definidos. Por exemplo, para k =2, o algoritmo agrupará os elementos em dois clusters. A escolha inicial da posição dosclusters pode obedecer aos seguintes critérios: (i) por meio da seleção das k primeirasinstâncias; (ii) selecionando k instâncias de forma aleatória; ou (iii) por meio da seleçãode k instâncias que possuam alto grau de dissimilaridade.

Após terem sido escolhidos os clusters iniciais, são calculadas as distâncias dos de-mais elementos em relação aos clusters, de modo que os elementos que possuírem amenor distância serão agrupados ao cluster. Em seguida, é recalculado o centroide destecluster, considerando os novos elementos que foram agrupados. Esse processo é repetidoaté que todas as instâncias pertencentes a um cluster tenham sido analisadas (Wu 2012).O resultado final desse processo é o agrupamento dos dados em clusters.

2.7.2 Farthest FirstOutra abordagem para seleção de centros de um cluster é escolher pontos de dados

de distância máxima um do outro, maximizando assim o raio do cluster (Dasgupta 2002).Essa abordagem foi adotada pela primeira vez por Hochbaum e Shmoys (1985) e o nomedo algoritmo foi denominado de Farthest First, que em português equivale a “o primeiromais distante”.

Assim como o k-Means, o Farthest First opera em duas fases: seleção do centroide eatribuição de cluster.

A seleção do centroide começa por selecionar um ponto de dados aleatório como ocentro do conjunto original e, em seguida, é escolhido o próximo centro como sendo oponto mais distante (de acordo com a distância métrica) a partir do primeiro centro. Valesalientar que os centros subsequentes são escolhidos de forma semelhante, como sendoos mais distantes do conjunto dos centros previamente escolhidos.

Vale frisar ainda que o Farthest First difere do k-Means, pois todos os seus centroidessão pontos de dados reais e não os centros geométricos de clusters (Vadeyar e Yogish2014).

Capítulo 3

Trabalhos Relacionados

Este capítulo apresenta os trabalhos correlatos com o objeto de pesquisa desta tese eestá organizado da seguinte forma: a Seção 3.1 apresenta um levantamento dos trabalhosanalisados neste estudo; e a Seção 3.2 apresenta um estudo comparativo entre os trabalhosanalisados e o trabalho proposto nesta tese.

3.1 Trabalhos Analisados

A Learning Analytics é uma área de pesquisa em expansão, tendo como principaisenfoques os trabalhos relacionados com predição, agrupamento, mineração de relações,descoberta com modelos e tratamento de dados para apoio à decisão. Em todos estescasos, em maior ou menor grau, podem ser vislumbradas aplicações ligadas às questõesdiscutidas no âmbito dos modelos teóricos sobre riscos de reprovação, evasão escolar eligadas aos processos de antecipação de diagnósticos, conforme discutido nos trabalhos aseguir.

Arnold e Pistilli (2012) propuseram um sistema, denominado Course Signals (CS),que fornece um feedback significativo para o aluno, com base em modelos preditivos. Aideia desse sistema é utilizar a riqueza de dados encontrada em uma instituição de ensino,e, por meio de análises sobre os dados extraídos, determinar, em tempo real, quais osmomentos em que esses alunos podem estar em risco de reprovação.

O algoritmo de predição utilizado realiza uma avaliação dos dados com base em quatrocategorias: (i) desempenho, que é medido por um percentual sobre as notas obtidas; (ii)esforço, que é definido pela interação do estudante com o AVA, em comparação aos outrosestudantes; (iii) histórico acadêmico; e (iv) características dos alunos, que são definidaspela idade, quantidade de créditos matriculados, dentre outras.

Após processar o perfil de cada estudante, o algoritmo exibe um, dentre três possíveissinais, na página do perfil do aluno, que são: (i) luz vermelha, que indica uma alta proba-bilidade de insucesso no curso; (ii) luz amarela, que indica que o aluno pode ter problemaspara obter sucesso no curso; e (iii) luz verde, que indica uma elevada probabilidade doaluno obter sucesso no curso.

Com base nisso, os tutores, que também têm acesso a essas informações, podem pro-gramar uma agenda de intervenções para os alunos que se encontram em níveis maiscríticos, como, por exemplo, marcar reuniões presenciais ou encaminhar novos materiais

34 CAPÍTULO 3. TRABALHOS RELACIONADOS

de estudo.Paiva et al. (2013) propuseram uma ferramenta de recomendação pedagógica para au-

xiliar o professor no processo de tomada de decisões pedagógicas, por meio de técnicasde Mineração de Dados Educacionais (do inglês, Educational Data Mining1 – EDM). Aferramenta foi utilizada em um estudo de caso com dados reais de um curso de línguaEspanhola com 200 alunos. Ao final, os autores constataram que a ferramenta é aplicávele traz benefícios ao processo de ensino e aprendizagem, pois auxilia professores não ape-nas detectando práticas, mas, também, descobrindo os padrões que justificam tais práticase oferecendo recomendações pedagógicas para as situações identificadas.

Dimopoulos et al. (2013) desenvolveram um plugin para o Moodle (versão 2.2+),denominado LAe-R tool, que é capaz de extrair uma série de competências dos alunos,como, por exemplo, participação em fóruns ou chats, interação com outros usuários, alémde outros critérios, que podem ser definidos pelo professor, no intuito de ajudá-lo naidentificação de elementos que possam estar associados à aprendizagem dos alunos.

Uma vez definidos esses critérios, o plugin retorna os dados dos alunos corresponden-tes às características definidas pelo professor e, em seguida, forma uma tabela de apre-sentação para este, onde as linhas correspondem aos critérios e as colunas correspondemaos respectivos níveis de desempenho dos alunos.

Romero et al. (2013) propuseram o uso de diferentes abordagens de mineração dedados para melhorar a previsão de desempenho final dos alunos a partir de indicadores departicipação, quantitativos e qualitativos, em fóruns.

O objetivo do trabalho era determinar como a seleção de instâncias e atributos, o usode diferentes técnicas de EDM e a data em que os dados são coletados afetam na precisão ena clareza da previsão. Foi desenvolvido um módulo para o Moodle, tendo como objetivoa coleta de indicadores de fóruns e foram realizadas diferentes análises utilizando dadosreais de 114 estudantes do 1o ano do curso de Informática.

Os resultados da pesquisa indicaram que (i) foi possível realizar a previsão tanto aofinal do curso quanto antes do fim do curso; (ii) foi mais interessante aplicar técnicas deagrupamento e de regras de associação, ao invés de classificação tradicional para a obten-ção de modelos de desempenho do estudante; (iii) foi melhor selecionar um subconjuntode atributos em vez de todos os atributos disponíveis; e (iv) não se deve selecionar todasas mensagens do fórum, mas apenas as mensagens dos alunos com conteúdo relacionadoao tema do curso.

Charleer et al. (2014) projetaram uma ferramenta que explora técnicas de visualizaçãode informações educacionais, a fim de ajudar professores e estudantes a atingirem seusobjetivos. Essa ferramenta projeta, para os seus usuários, os níveis de suas atividadesem relação aos fatores que podem ajudá-los a atingirem seus objetivos. Por exemplo,caso um aluno esteja realizando poucos acessos ao AVA, a ferramenta permite que essealuno possa verificar seus níveis de acessos ao sistema e perceber que, em comparaçãoaos outros alunos, ele está bem aquém do esperado.

Cambruzzi (2014) apresentou um modelo de arquitetura para um sistema de LA, cha-mado de GVwise. Esse sistema também utilizou técnicas de EDM para predição de alu-

1A Educational Data Mining é uma área de pesquisa que objetiva projetar modelos, tarefas, métodos ealgoritmos para explorar dados coletados em ambientes educacionais (Peña-Ayala 2014).

3.1. TRABALHOS ANALISADOS 35

nos com risco de evasão em cursos de EaD e apresentou os conceitos da organizaçãodos dados em múltiplas trilhas para ambientes educacionais. Segundo o autor, o sistemapossui como diferencial a flexibilidade na integração e utilização dos dados gerados noprocesso de mediação digital, o que permite que funcionalidades de diferentes ferramen-tas de apoio sejam disponibilizadas. Como resultados, o autor destacou a identificaçãode perfis de alunos evasores e a realização de intervenções pedagógicas, com redução dasmédias da evasão.

Hernández-García et al. (2015) propuseram a utilização da LA para verificação defatores de interações sociais, tais como uso de fóruns, respostas a mensagens etc; quepodem influenciar o processo de aprendizado dos alunos. As interações sociais estuda-das foram aquelas que aconteceram dentro do ambiente de gerenciamento dos cursos adistância.

O estudo foi realizado com dados reais, advindos de 10 turmas de Introdução à Infor-mação Financeira, onde cada turma tinha mais de 60 alunos e com diferentes professores.Para a análise dos dados, foi utilizada a ferramenta Gephi 0.8.2., que é uma ferramentaprojetada para análise de dados, cujo objetivo é ajudar o pesquisador no levantamentode hipóteses, na descoberta de padrões e na descoberta de singularidades entre dados(Gephi 2016).

Já Fidalgo-Blanco et al. (2015) propuseram a utilização da LA para analisar o pro-gresso individual de um aluno, dentro do contexto do trabalho em equipe. Para que issopudesse ser feito, foram coletados dados referentes à troca de mensagens entre estudantesno AVA, número de visualizações de mensagens, dentre outros. Além disso, o sistemaidentifica os estudantes autores de tópicos e o número de mensagens enviadas por estes,a fim de identificar quais seriam os estudantes ativos e passivos no grupo. O AVA utili-zado foi o Moodle e, ao todo, foram analisados dados de 110 estudantes da UniversidadeTécnica de Madri. Para a análise dos dados, foi utilizado o coeficiente de correlação dePearson.

Similarmente ao trabalho Dimopoulos et al. (2013), Zielinski e Schmitt (2015) apre-sentaram um plugin para o Moodle, porém, neste caso, o plugin permite o acesso a visu-alizações do conteúdo acessado, das submissões e da participação da turma por meio degráficos.

Srilekshmi et al. (2016) propuseram um modelo para identificar os alunos que estãoem situação de risco, usando regras de associação e agrupamento. Uma vez que um alunoé identificado em situação de risco, o modelo define o seu perfil: (i) aluno visual, isto é,aquele que gosta de aprender assistindo vídeos ou vendo imagens; (ii) aluno auditivo, ouseja, aquele que gosta de aprender ouvindo áudios ou palestras; e (iii) aluno cinestésico,isto é, aquele que gosta de aprender fazendo coisas, praticando. Dependendo do perfildo aluno, o modelo sugere métodos para melhorar o seu desempenho. Segundo os au-tores, diversos experimentos foram conduzidos e os resultados mostraram que o modeloproposto identificou 90% de alunos em risco.

Govindarajan et al. (2016) desenvolveram um sistema que utiliza o algoritmo ParallelParticle Swarm Optimization (PPSO) para analisar e prever um caminho de aprendizadodinâmico para os alunos com base nos valores de competência e meta-competência obser-vados em um ambiente de aprendizagem. Primeiro, o algoritmo agrupa os alunos baseado


em seus valores de competência e meta-competência. Em seguida, o algoritmo prevê oscaminhos de aprendizado dinâmicos dos alunos usando uma medida de similaridade e asinformações do perfil dos alunos. Segundo os autores, as avaliações experimentais reali-zadas em um curso de programação de Java demonstram a eficácia do sistema proposto.

3.2 Estudo ComparativoA Tabela 3.1 apresenta um comparativo entre os trabalhos relacionados e o trabalho

proposto nesta tese, de acordo com os critérios de área de pesquisa, inovação, técnica deanálise empregada e alvo da análise, conforme descrito a seguir:

1. Área de Pesquisa: este critério se refere às áreas de pesquisa que foram estudadasno trabalho, sendo:

• EDM: sigla correspondente a Educational Data Mining;• LA: sigla correspondente a Learning Analytics.

2. Inovação: este critério se refere ao grau inovador do trabalho, onde é verificado seo trabalho em questão realizou a criação de uma nova ferramenta de análise ou sefez uso de alguma ferramenta já existente, sendo:

• CNF: sigla correspondente a Criação de Nova Ferramenta;• UFE: sigla correspondente a Uso de Ferramenta Existente.

3. Técnica Empregada: este critério se refere às técnicas de análise de dados que foramempregadas no trabalho, sendo:

• AMS: sigla correspondente às técnicas de Aprendizado de Máquina Supervi-sionado;• AMNS: sigla correspondente às técnicas de Aprendizado de Máquina Não

Supervisionado;• CC: sigla correspondente à técnica de Coeficiente de Correlação;• NMM: sigla correspondente à técnica de Normalização Min-Max;

4. Alvo: este critério se refere ao alvo da análise em questão, sendo:

• AL: sigla correspondente ao Aluno;• TD: sigla correspondente ao Tutor a Distância;• PR: sigla correspondente ao professor.

3.2.E

STU

DO

CO

MPA

RA

TIV

O37

Tabela 3.1: Comparativo entre os trabalhos relacionados e esta tese

TRABALHOÁREA DE PESQUISA INOVAÇÃO TÉCNICA EMPREGADA ALVO

EDM LA CNF UFE AMS AMNS CC NMM AL TD PR

(Arnold e Pistilli 2012) X X X X

(Paiva et al. 2013) X X X X X

(Dimopoulos et al. 2013) X X X

(Romero et al. 2013) X X X X X

(Charleer et al. 2014) X X X

(Cambruzzi 2014) X X X X X

(Hernández-García et al. 2015) X X X X

(Fidalgo-Blanco et al. 2015) X X X X

(Zielinski e Schmitt 2015) X X X

(Srilekshmi et al. 2016) X X X X X

(Govindarajan et al. 2016) X X X X

Esta tese X X X X X XFonte: Autoria própria


Embora a presente tese esteja no mesmo campo de pesquisa que os trabalhos supra-citados, esta apresenta uma perspectiva diferente, destacando-se: i) uso de técnicas deaprendizado de máquina não supervisionado; ii) uso da técnica de normalização Min-Max; e iii) análise de dados dos tutores a distância, conforme ilustrado na Tabela 3.1.

Outro ponto que difere este trabalho dos demais é com relação à sua composição. Osistema proposto nesta tese é composto por: i) um modelo de conhecimento; ii) um WebService que processa os dados por meio de técnicas da LA; e iii) um plugin para o Moodleque consome e apresenta os resultados obtidos pelo Web Service.

Portanto, diferentemente dos trabalhos discutidos nesta seção, o sistema propostonesta tese está voltado para o monitoramento e avaliação dos tutores a distância em AVAs.

Capítulo 4

Metodologia

Este capítulo apresenta a metodologia adotada nesta tese e, por meio da Seção 4.1,define os detalhes para a delimitação do objeto de estudo.

4.1 Metodologia Empregada

Conforme mencionado na Seção 1.1, o problema que justifica o tema desta tese é odesafio de identificar a relação de influência do desempenho dos tutores a distância na par-ticipação efetiva de alunos pertencentes à modalidade a distância. Como desdobramentodeste problema de pesquisa tem-se a seguinte indagação:

• O desempenho dos tutores a distância influencia a participação efetiva de alu-nos pertencentes à modalidade a distância?

Essa indagação, em caso de resposta afirmativa, e considerando a perspectiva de De-sign Science (Hevner et al. 2004, Wieringa 2014), permite definir a seguinte questão doconhecimento central:

• É possível desenvolver um sistema proativo que permita monitorar e avaliar odesempenho de tutores a distância em AVAs?

Essas questões, portanto, configuram um projeto de pesquisa baseado principalmenteem dois métodos de pesquisa: revisão da literatura e análise de dados (do mundo real).

Para orientar a revisão da literatura, considerou-se duas metodologias específicas nodomínio da Learning Analytics para definir o problema de pesquisa: a primeira propostapor Chatti et al. (2012); e a segunda proposta por Greller e Drachsler (2012).

Como discutido na Subseção 2.2.2.3, optou-se em utilizar a metodologia proposta porGreller e Drachsler (2012), por considerar os aspectos éticos, morais e legais sobre aanálise de dados, através de políticas de privacidade.

As dimensões propostas pela metodologia escolhida são apresentadas nas subseçõesa seguir.

40 CAPÍTULO 4. METODOLOGIA

4.1.1 InteressadosOs beneficiados com este trabalho dividem-se em duas categorias: (i) beneficiados de

forma direta; e (ii) beneficiados de forma indireta.Os beneficiados de forma direta são:

• Alunos: espera-se melhorar a atuação dos tutores a distância através da avaliação deseus desempenhos e, como consequência disso, espera-se que os tutores a distânciaexecutem suas atribuições de forma qualificada e que isso promova a participaçãoefetiva dos alunos;• Tutores a Distância: espera-se que, com o sistema proposto, os tutores a distância

possam refletir sobre seus desempenhos e melhorar as suas atuações;• Professores e Coordenadores de Curso: espera-se que o sistema proposto possa

auxiliar os professores e coordenadores de curso no monitoramento, avaliação etomada de decisão sobre o desempenho dos tutores a distância.

Já os beneficiados de forma indireta são:

• Instituições de Ensino: as instituições de ensino podem fazer uso do sistema paraavaliar a eficácia de modelos pedagógicos. Por exemplo, aplica-se um modelo pe-dagógico A em uma turma e, no semestre seguinte, aplica-se um modelo B nessamesma turma. Ao final, faz-se uso do sistema para avaliar o desempenho dos tuto-res a distância e a participação efetiva dos alunos para os modelos pedagógicos Ae B. Dessa forma, a instituição pode, por exemplo, catalogar informações sobre odesempenho de turmas a partir do uso de vários modelos de ensino e, dessa forma,melhorar os modelos de ensino e as práticas organizacionais, objetivando sempre amelhoria da aprendizagem;• Pesquisadores: os pesquisadores podem se beneficiar por meio da divulgação dos

resultados obtidos com este trabalho, ou ainda, aplicar uma variação deste traba-lho para alguma outra área, como na análise de dados médicos, análise da bolsade valores, entre outras. Ou seja, aplicar as técnicas e metodologias, que foramempregadas neste trabalho, como tentativa de solucionar outro problema.

4.1.2 ObjetivosOs objetivos das análises realizadas nesta tese são do tipo reflexão, pois estão direci-

onados à autoavaliação dos tutores a distância.Primeiramente, desenvolveu-se uma ferramenta para análise de correlações (Subseção

5.2.6.1), que analisou os atributos ilustrados na Tabela 4.1.

4.1.M

ETO

DO

LO

GIA

EM

PRE

GA

DA

41

Tabela 4.1: Atributos para análise de correlação

ATRIBUTO DO TUTOR A DISTÂNCIA ATRIBUTO DA TURMA

NÚMERO DE QUESTIONÁRIOS CRIADOS TAXA DE PARTICIPAÇÃO NOS QUESTIONÁRIOS

NÚMERO DE TÓPICOS CRIADOS NOS FÓRUNS TEMPO MÉDIO PARA FINALIZAÇÃO DOS QUESTIONÁRIOS

MÉDIA DE POSTAGENS EM TÓPICOS DOS FÓRUNS MÉDIA DE TÓPICOS CRIADOS NOS FÓRUNS

TAXA DE VISUALIZAÇÃO EM FÓRUNS MÉDIA DE POSTAGENS EM TÓPICOS DOS FÓRUNS

TAXA DE VISUALIZAÇÃO EM TÓPICOS DOS FÓRUNS MÉDIA DE VISUALIZAÇÃO EM FÓRUNS

NÚMERO DE TAREFAS CRIADAS MÉDIA DE VISUALIZAÇÃO EM TÓPICOS DOS FÓRUNS

NÚMERO DE TAREFAS AVALIADAS TAXA DE SUBMISSÃO DE TAREFAS

MÉDIA DE POSTAGENS EM CHATS MÉDIA DE POSTAGENS EM CHATS

TOTAL DE CLIQUES MÉDIA DE CLIQUES

NÚMERO DE PÁGINAS CRIADAS MÉDIA DE PÁGINAS VISUALIZADAS

NÚMERO DE URLs CRIADAS MÉDIA DE ARQUIVOS VISUALIZADOS

NÚMERO DE ARQUIVOS CRIADOSFonte: Autoria própria


Conforme pode ser visto na Tabela 4.1, a ferramenta para análise de correlações ana-lisou doze atributos dos tutores a distância e onze atributos das turmas. O objetivo dessaferramenta é identificar a relação de influência do desempenho dos tutores a distância naparticipação efetiva de alunos pertencentes à modalidade a distância.

Uma vez descobertas as correlações existentes entre o desempenho dos tutores a dis-tância e a participação efetiva dos alunos, desenvolveu-se um sistema para monitorar eavaliar o desempenho dos tutores a distância em AVAs. Esse sistema analisa os atributosilustrados na Tabela 4.2:

Tabela 4.2: Atributos para análise de desempenho dos tutores a distância

ATRIBUTO DO TUTOR A DISTÂNCIA

NÚMERO DE QUESTIONÁRIOS CRIADOS

NÚMERO DE TÓPICOS CRIADOS NOS FÓRUNS

MÉDIA DE POSTAGENS EM TÓPICOS DOS FÓRUNS

TAXA DE VISUALIZAÇÃO EM FÓRUNS

TAXA DE VISUALIZAÇÃO EM TÓPICOS DOS FÓRUNS

NÚMERO DE TAREFAS CRIADAS

NÚMERO DE TAREFAS AVALIADAS

MÉDIA DE POSTAGENS EM CHATS

TOTAL DE CLIQUES

NÚMERO DE URLS CRIADAS

NÚMERO DE ARQUIVOS CRIADOS

DESEMPENHOFonte: Autoria própria

Conforme pode ser visto na Tabela 4.2, o sistema para análise de desempenho analisadoze atributos dos tutores a distância. Vale ressaltar que o atributo ‘número de páginas cri-adas’ não está presente na Tabela 4.2, porque não apresentou correlação com os atributosdas turmas. Já o atributo ‘desempenho’, foi definido para representar o desempenho geralde cada tutor a distância. Esse atributo é calculado através de uma média ponderada, quefoi definida por meio dos resultados obtidos pela ferramenta para análise de correlações.A Subseção 5.3.1 apresenta os detalhes desse cálculo.

Vale ressaltar que os atributos apresentados nas Tabelas 4.1 e 4.2 (neste último caso,com exceção do atributo ‘desempenho’), foram definidos de forma empírica.

4.1. METODOLOGIA EMPREGADA 43

4.1.3 DadosOs experimentos realizados neste trabalho utilizaram três amostras. A primeira e a se-

gunda amostra foram utilizadas durante o desenvolvimento do modelo de conhecimento(Seção 5.2), mais especificamente, no desenvolvimento da ferramenta para análise corre-lações (Subseção 5.2.6.1). Já a terceira amostra foi utilizada durante o desenvolvimentodo Módulo I do sistema proposto nesta tese (Subseção 5.3.1).

Os dados das três amostras foram cedidos pela SEDIS/UFRN. Essa instituição usa oMoodle como AVA e, ao todo, foram cedidas duas bases de dados históricas.

Os dados das três amostras pertencem a 1 curso tecnólogo em Gestão Pública e a 10cursos de graduação, que são: (i) Bacharelado em Administração Pública; (ii) Licenci-atura em Ciências Biológicas; (iii) Licenciatura em Educação Física; (iv) Licenciaturaem Física; (v) Licenciatura em Geografia; (vi) Licenciatura em Letras; (vii) Licenciaturaem Matemática; (viii) Licenciatura em Pedagogia; (ix) Licenciatura em Química; e (x)Licenciatura em História.

Como já mencionado, durante o desenvolvimento da ferramenta para análise correla-ções, foram definidas duas amostras. A primeira amostra foi composta pelas informaçõesextraídas dos atributos dos tutores a distância, definidos na Tabela 4.1. Já a segunda amos-tra foi composta pelas informações extraídas dos atributos das turmas, definidos na Tabela4.1. Os dados dessas duas amostras foram extraídos da primeira base de dados histórica.Essa base de dados corresponde aos anos de 2012 a 2013.

No total, a primeira amostra utilizada no desenvolvimento da ferramenta para análisecorrelações foi composta por informações de 38 tutores a distância e a segunda amostrafoi composta por informações de 2.227 alunos, sendo os dados das duas amostras perten-centes à 62 turmas.

Já a terceira amostra foi utilizada durante o desenvolvimento do Módulo I do sistemaproposto. Essa amostra foi composta pelas informações extraídas dos atributos dos tutoresa distância, definidos na Tabela 4.2. Os dados dessa amostra foram extraídos da segundabase de dados histórica. Essa base de dados corresponde aos anos de 2013 a 2016. Comoo sistema proposto nesta tese está integrado ao Moodle da SEDIS, houve a necessário deutilizar uma base de dados compatível com a versão do Moodle que está sendo utilizadaatualmente pela SEDIS.

No total, a terceira amostra foi composta por informações de 353 tutores a distância,pertencentes à 1.281 turmas.

4.1.4 InstrumentosEssa dimensão está associada às tecnologias e técnicas que foram empregadas para a

análise dos dados. As subseções a seguir apresentam as informações do que foi utilizadopara a construção do sistema.

4.1.4.1 Linguagens de Programação

O sistema proposto nesta tese foi construído utilizando duas linguagens de programa-ção: (i) PHP (PHP 2016); e (ii) Java (Oracle 2016). A linguagem PHP foi utilizada para a


construção do plugin (Módulo III) para o Moodle que irá consumir e apresentar os resul-tados processados pelo Web Service. Já a linguagem Java foi utilizada para a construçãodo Web Service (Módulos I e II) que faz todo o processamento de LA. E para as consultasdas informações nas bases de dados, foi utilizada a linguagem de consulta estruturadaSQL (do inglês, Structured Query Language) (W3Schools 2016).

4.1.4.2 Ferramentas e APIs

A ferramenta Protégé (Protégé 2016) foi utilizada para construir a ontologia. ComoIDE (Integrated Development Environment), foi utilizado o NetBeans (NetBeans 2016).Já para o armazenamento das bases de dados, foi utilizado o PostgreSQL (PostgreSQL2016). Em relação às APIs (Applications Programming Interface), foi utilizada a APIWEKA (WEKA 2016b). Por fim, para a geração dos gráficos do plugin, foi utilizada aAPI Highcharts (Highcharts 2017).

4.1.4.3 Técnicas

A técnica de normalização Min-Max foi utilizada para normalizar os valores plotadosno gráfico de valores relativos, discutido na Subseção 5.3.2. Esses valores foram norma-lizados para uma escala entre 0 e 100, utilizando a Equação 2.1.

Já as análises das informações obtidas consistiram em dois tipos: (i) coeficiente decorrelação; e (ii) técnicas de aprendizado de máquina.

Para a análise via coeficiente de correlação, foi utilizado o coeficiente de correlaçãode Pearson (r). Porém, antes de realizar a análise de correlação de Pearson, aplicou-se atécnica Z-Score para remover os outliers.

Considerou-se o intervalo de −2.1 < Z < 2.1 para a margem aceitável de Z. Sendoque, pela tabela de distribuição normal, o intervalo de −2.1 < Z < 2.1 abrange 96.42%da área sob a curva da distribuição normal dos valores (Warner 2012).

A análise de correlação de Pearson foi realizada em conformidade com o nível designificância, seguindo os passos apresentados na Subseção 2.5.1, para:

• H0: r = 0;• H1: r 6= 0;• Nível de significância (α) de 0,05;• Nível de confiança de 95%;• n = 132 pares de dados.

Já para a análise via técnicas de aprendizado de máquina, foi utilizada a técnica deaprendizado de máquina não supervisionado chamada de agrupamento (clustering).

Para a escolha das técnicas de agrupamento que seriam empregadas no sistema pro-posto, foram levados em consideração três critérios: (i) desempenho (verificação da taxade erro); (ii) tempo de execução; e (iii) simplicidade para interpretação dos resultados.

Portanto, as técnicas que apresentaram os melhores resultados nos experimentos re-alizados foram as técnicas k-Means (MacQueen 1967) e Farthest First (Hochbaum eShmoys 1985).

4.1. METODOLOGIA EMPREGADA 45

4.1.5 Limitações ExternasEssa dimensão está relacionada com as questões éticas, morais e legais dos dados

analisados, de forma que as informações sejam protegidas por políticas e diretrizes deprivacidade.

A obtenção das cópias das duas bases de dados da SEDIS se deu através de um Termode Sigilo e Confidencialidade (Apêndice A), no qual ficou definido a possibilidade de ex-trair somente os dados que estivessem relacionados com a utilização do sistema, por partede seus usuários, e com restrição na recuperação de informações de registros pessoais,tais como CPF, RG, nome de pai e mãe, endereço residencial, dentre outros.

4.1.6 Limitações InternasEssa dimensão compreende as habilidades e competências internas para que as in-

formações sejam corretamente compreendidas, de modo que as mudanças venham estarfundamentadas com base no conhecimento extraído.

A compreensão correta das informações analisadas é de responsabilidade da equipe deespecialistas que construiu o sistema. E, após a compreensão das informações resultantesdesse processamento de dados, as informações são compartilhadas com toda a equipepedagógica, que ficará a cargo do uso do sistema.

Capítulo 5

Solução e Resultados

Este capítulo apresenta a solução proposta e os resultados obtidos nesta tese e estáorganizado da seguinte forma: a Seção 5.1 apresenta a arquitetura geral do sistema pro-posto; a Seção 5.2 descreve o modelo de conhecimento do sistema; e, por fim, a Seção5.3 define os detalhes do sistema proposto nesta tese.

5.1 Arquitetura GeralA Figura 5.1 apresenta a arquitetura geral do sistema proposto nesta tese, denominado

de MONITUM.

Figura 5.1: Arquitetura geral do sistema MONITUMFonte: Autoria própria

48 CAPÍTULO 5. SOLUÇÃO E RESULTADOS

Conforme pode ser visto na Figura 5.1, o sistema MONITUM é composto por trêsmódulos. Os Módulos I e II, e o modelo de conhecimento compõem o Web Service,sendo este responsável por todo o processamento e análise dos dados. O Módulo III é umplugin e está integrado ao Moodle. Ele é responsável por consumir os resultados do WebService e por apresentar aos coordenadores de curso, professores e os próprios tutores adistância formas distintas de visualizar os desempenhos obtidos por cada tutor a distânciaem suas respectivas turmas.

5.2 Modelo de Conhecimento

O modelo de conhecimento foi criado com o intuito de mapear as ações dos tutores adistância que estão associadas com a participação efetiva dos alunos pertencentes à mo-dalidade a distância. Para representar o modelo de conhecimento, criou-se uma ontologia.

A ontologia foi construída com o auxílio da ferramenta Protégé (Protégé 2016) e combase na metodologia 101 (do inglês, Ontology Development 101) proposta por Noy eMcGuinness (2016), conforme detalhada nas subseções a seguir.

5.2.1 Domínio e Escopo da Ontologia

De acordo com a metodologia 101, o desenvolvimento de uma ontologia deve iniciarcom a definição de seu domínio e escopo. Este processo tem como ponto de partida umconjunto de perguntas, a saber:

• Qual o domínio da ontologia?• Qual será o seu uso?• Quem a utilizará?• Que tipo de perguntas ela deverá responder (questões de competência)?

Considerando tais perguntas, pode-se dizer que a ontologia proposta tem como domí-nio a Participação Efetiva, no âmbito dos AVAs. Seu principal uso será auxiliar o sistemaMONITUM a sugerir ações aos tutores a distância que promovam a participação efetivados alunos em AVAs. Quem a utilizará será o sistema MONITUM que terá essa ontologiacomo base de conhecimento.

Para tanto, a base de conhecimento da ontologia proposta (Subseção 5.2.6) deverá sercapaz de responder as seguintes questões de competência:

• Que tipo de impacto uma determinada ação do tutor a distância pode causar naparticipação efetiva dos alunos?• Quais ações dos tutores a distância causam impactos positivos na participação efe-

tiva dos alunos?• Quais ações dos tutores a distância causam impactos negativos na participação efe-

tiva dos alunos?

5.2. MODELO DE CONHECIMENTO 49

5.2.2 Reutilização de Ontologias ExistentesO segundo passo da metodologia 101 sugere a reutilização de ontologias existentes.

No entanto, não foi encontrada nos repositórios disponíveis na literatura ontologias comdomínios similares ao proposto neste trabalho, sendo necessário, portanto, começar suaconstrução desde o início.

5.2.3 Enumeração de ConceitosO terceiro passo sugere a listagem de todos os conceitos importantes relacionados

ao domínio da ontologia. Sendo assim, os conceitos importantes relacionados com aParticipação Efetiva incluem: (i) ação do tutor; (ii) ação da turma; (iii) correlação fortepositiva; (iv) correlação moderada positiva; (v) correlação fraca positiva; (vi) correlaçãoforte negativa; (vii) correlação moderada negativa; e (vii) correlação fraca negativa.

5.2.4 Definição da Hierarquia das ClassesNo quarto passo, deve-se definir a hierarquia das classes. Neste trabalho, foi utili-

zado o processo de desenvolvimento top-down, ou seja, iniciou-se com a definição dosconceitos mais gerais do domínio e subsequentemente com as suas especializações. AFigura 5.2 ilustra a hierarquia das classes gerada pelo plugin OntoGraf (OntoGraf 2016),disponível na ferramenta Protégé.

Figura 5.2: Hierarquia das classesFonte: Autoria própria

Conforme observado na Figura 5.2, a partir dos conceitos enumerados na Subseção5.2.3, definiu-se uma classe geral, chamada de ParticipacaoEfetiva, em seguida, definiu-se a classe Acao como subclasse de ParticipacaoEfetiva, e, por fim, definiu-se as classes


mais específicas do domínio, isto é, AcaoDoTutor e AcaoDaTurma. Vale ressaltar que aclasse Thing, ilustrada na Figura 5.2, é definida pela ferramenta Protégé como superclassepadrão das ontologias.

5.2.5 Definição das Propriedades

As classes por si só não são capazes de fornecer informações suficientes para respon-der às questões de competência, definidas na Subseção 5.2.1. Portanto, uma vez definidasas classes, é necessário descrever as estruturas internas, as facetas e as relações existentesentre tais classes, conforme definido no quinto e no sexto passo da metodologia 101.

Conforme já mencionado, a ontologia proposta foi construída com o auxílio da ferra-menta Protégé. Essa ferramenta disponibiliza dois tipos de propriedades: Data Propertiese Object Properties. As propriedades do tipo Data Properties são utilizadas para definiros atributos das classes e as propriedade do tipo Object Properties são utilizadas para de-finir as relações entre as classes. A priori, não foi definida nenhuma propriedade do tipoData Properties na ontologia proposta.

Neste trabalho, resolveu-se unir os Passos 5 e 6 da metodologia nesta Subseção. OPasso 5 destina-se a definição das propriedades propriamente ditas e o Passo 6 destina-sea definição das facetas das propriedades, isto é, o tipo de valor, os valores permitidos, acardinalidade e outras características dos valores que as propriedades podem receber.

Na Subseção 5.2.4, foram selecionadas as classes a partir da lista de conceitos que foidefinida na Subseção 5.2.3. Já os termos restantes, foram definidos como propriedadesdessas classes, com pequenas alterações em suas nomenclaturas, isto é: (i) temCorre-lacaoFortePositivaCom; (ii) temCorrelacaoModeradaPositivaCom; (iii) temCorre-lacaoFracaPositivaCom; (iv) temCorrelacaoForteNegativaCom; (v) temCorrelacao-ModeradaNegativaCom; e (vi) temCorrelacaoFracaNegativaCom.

A Figura 5.3 ilustra a hierarquia das classes e suas respectivas propriedades geradasatravés do plugin OntoGraf.

Como pode ser observado na Figura 5.3, as linhas tracejadas representam as seis pro-priedades definidas na ontologia proposta, conforme pode ser visto na legenda. Para cadauma das seis propriedade definiu-se a classe AcaoDoTutor como Domain e a classe Aca-oDaTurma como Range, determinando assim a existência de seis possíveis relações quepartem da classe AcaoDoTutor e refletem na classe AcaoDoTurma.

Vale ressaltar que essas seis propriedade foram definidas com tipo de valor Instância.Esse tipo de valor permite estabelecer relações entre as instâncias das classes. Sendo as-sim, as propriedades definidas nesta ontologia estabelecem relações entre as instâncias daclasse AcaoDoTutor e as instâncias da classe AcaoDaTurma.


Figura 5.3: Hierarquia das classes e suas propriedadesFonte: Autoria própria

5.2.6 Criação das Instâncias

O último passo proposto pela metodologia 101 é a criação das instâncias das classes.O conjunto de instâncias constitui a base de conhecimento de uma ontologia.

O desenvolvimento da base de conhecimento da ontologia proposta foi dividido emduas etapas: (i) criação de uma ferramenta para análise de correlações; e (ii) criação dabase de conhecimento propriamente dita, conforme ilustrado na Figura 5.4.


Figura 5.4: Fluxo de criação da base de conhecimentoFonte: Autoria própria

As subseções a seguir apresentam os detalhes da criação da ferramenta para análisede correlações e da base de conhecimento.

5.2.6.1 Ferramenta para Análise de Correlações

O intuito dessa primeira etapa foi analisar, através da aplicação da LA, fatores com-portamentais dos tutores a distância que pudessem, ou não, estar associados com a parti-cipação efetiva dos alunos.


Conforme observado na Figura 5.4, o primeiro processo da ferramenta para análisede correlações consiste na extração e pré-processamento das informações relacionadasaos atributos dos tutores a distância e das turmas, definidos na Tabela 4.1. As principaisconsultas SQL utilizadas na extração dos dados estão ilustradas no Apêndice B. Valeressaltar que esses dados foram extraídos da primeira base de dados histórica, detalhadana Subseção 4.1.3. O pré-processamento consistiu na eliminação de dados inconsistentes.

Após a extração e pré-processamento dessas informações, foi construído e gerado odataset no formato arff (WEKA 2016a), utilizando a mesma estrutura de armazenamentoque é utilizada pelo software WEKA (WEKA 2016b). O dataset no formato arff é dividoem duas seções: (i) cabeçalho; e (ii) valores dos atributos.

O cabeçalho contém o nome do dataset, a lista dos atributos e os seus respectivostipos. A Figura 5.5 ilustra o cabeçalho gerado nesse processo.

Figura 5.5: Cabeçalho do dataset de análise de correlaçõesFonte: Autoria própria

O “@RELATION” é utilizado para definir o nome do dataset e o “@Attribute” éutilizado para definir o nome de cada atributo. Conforme pode ser visto na Figura 5.5,todos os atributos são do tipo real.


Já a segunda seção do dataset contém os valores dos atributos. A Figura 5.6 ilustra adisposição dos dados referentes aos atributos da Figura5.5 .

Figura 5.6: Valores do dataset de análise de correlaçõesFonte: Autoria própria

Conforme pode ser visto na Figura 5.6, o “@DATA” demarca a organização dos valo-res.

Para identificar a correlação dos comportamentos dos tutores a distância em relaçãoao comportamento da turma, isto é, as informações armazenadas no dataset, foi utilizadoo coeficiente de correlação de Pearson (r), e para o nível de significância da análise, foiutilizado o valor para α = 0,05. Portanto, o nível de confiança dos resultados é de 95%.No entanto, antes da realização da análise de correlação, foi realizada uma verificação daexistência de outliers nas informações que serviriam para análise. A técnica utilizada paraa remoção de outliers foi a Z-Score (Warner 2012), conforme ilustrado na Figura 5.4.

Conforme pode ser visto na Figura 5.4, após calcular o coeficiente de correlação dePearson para todas as combinações possíveis, foi gerado um arquivo com todas as corre-lações que passaram no teste de confiança, encerrando assim a primeira etapa.

Os resultados obtidos pela análise apresentaram dados bastante heterogêneos sobre oscomportamentos estudados. Ao todo foram estudados doze comportamentos dos tutoresa distância e onze comportamentos das turmas, gerando uma combinação total de centoe trinta e duas correlações, das quais cento e cinco correlações não passaram no teste deconfiança, ou seja, a indicação foi de aceitação da hipótese nula, e vinte e sete correlaçõespassaram no teste de confiança, sendo indicada a aceitação da hipótese alternativa. Dasvinte e sete correlações, três apresentaram correlação forte positiva, quinze apresentaramcorrelação moderada positiva e nove apresentaram correlação fraca positiva.

As subseções a seguir irão apresentar os resultados das correlações entre cada atributodo tutor a distância em relação aos atributos da turma.

5.2.6.1.1 Número de Questionários Criados

A Tabela 5.1 apresenta as correlações encontradas entre o atributo ‘número de questi-onários criados’ e os atributos da turma.


Tabela 5.1: Correlações do atributo ‘número de questionários criados’

ATRIBUTO DA TURMA r INTERPRETAÇÃO

MÉDIA DE PÁGINASVISUALIZADAS

0.543CORRELAÇÃO FORTE

POSITIVA

TAXA DE PARTICIPAÇÃO NOSQUESTIONÁRIOS

0.468CORRELAÇÃO MODERADA

POSITIVA

TAXA DE SUBMISSÃO DETAREFAS


POSITIVAFonte: Autoria própria

A partir dos resultados apresentados na Tabela 5.1, pode-se concluir que o aumentode questionários criados pelos tutores a distância tende a:

• Aumentar fortemente a visualização dos alunos nas páginas;• Aumentar moderadamente a participação dos alunos nos questionários; e• Aumentar moderadamente a submissão de tarefas por parte dos alunos.

5.2.6.1.2 Número de Tópicos Criados nos Fóruns

A Tabela 5.2 apresenta as correlações encontradas entre o atributo ‘número de tópicoscriados nos fóruns’ e os atributos da turma.

Tabela 5.2: Correlações do atributo ‘número de tópicos criados nos fóruns’


MÉDIA DE TÓPICOS CRIADOSNOS FÓRUNS


POSITIVA

MÉDIA DE VISUALIZAÇÃO EMTÓPICOS DOS FÓRUNS

0.276CORRELAÇÃO FRACA

POSITIVA

MÉDIA DE POSTAGENS EMCHATS


POSITIVA

MÉDIA DE CLIQUES 0.240CORRELAÇÃO FRACA


A partir dos resultados apresentados na Tabela 5.2, pode-se concluir que o aumentode tópicos criados pelos tutores a distância nos fóruns tende a:

• Aumentar moderadamente a criação de tópicos nos fóruns por parte dos alunos;


• Aumentar levemente a visualização dos alunos nos tópicos dos fóruns;• Aumentar levemente as postagens dos alunos nos chats; e• Aumentar levemente os cliques dos alunos na disciplina.

5.2.6.1.3 Média de Postagens em Tópicos dos Fóruns

A Tabela 5.3 apresenta as correlações encontradas entre o atributo ‘média de postagensem tópicos dos fóruns’ e os atributos da turma.

Tabela 5.3: Correlações do atributo ‘média de postagens em tópicos dos fóruns’




POSITIVA



POSITIVA

MÉDIA DE TÓPICOS CRIADOSNOS FÓRUNS



A partir dos resultados apresentados na Tabela 5.3, pode-se concluir que o aumentode postagens dos tutores a distância nos tópicos dos fóruns tende a:

• Aumentar moderadamente a participação dos alunos nos questionários;• Aumentar moderadamente as postagens dos alunos nos chats; e• Aumentar levemente a criação de tópicos nos fóruns por parte dos alunos.

5.2.6.1.4 Taxa de Visualização em Fóruns

A Tabela 5.4 apresenta as correlações encontradas entre o atributo ‘taxa de visualiza-ção em fóruns’ e os atributos da turma.

Tabela 5.4: Correlações do atributo ‘taxa de visualização em fóruns’


MÉDIA DE CLIQUES 0.350CORRELAÇÃO MODERADA

POSITIVA





A partir dos resultados apresentados na Tabela 5.4, pode-se concluir que o aumentode fóruns visualizados pelos tutores a distância tende a:

• Aumentar moderadamente os cliques dos alunos na disciplina; e• Aumentar moderadamente a participação dos alunos nos questionários.

5.2.6.1.5 Taxa de Visualização em Tópicos dos Fóruns

A Tabela 5.5 apresenta as correlações encontradas entre o atributo ‘taxa de visualiza-ção em tópicos dos fóruns’ e os atributos da turma.

Tabela 5.5: Correlações do atributo ‘taxa de visualização em tópicos dos fóruns’




POSITIVA

MÉDIA DE CLIQUES 0.270CORRELAÇÃO FRACA

POSITIVA




A partir dos resultados apresentados na Tabela 5.5, pode-se concluir que o aumentode tópicos visualizados pelos tutores a distância nos fóruns tende a:

• Aumentar moderadamente a participação dos alunos nos questionários;• Aumentar levemente os cliques dos alunos na disciplina; e• Aumentar levemente a submissão de tarefas por parte dos alunos.

5.2.6.1.6 Número de Tarefas Criadas

A Tabela 5.6 apresenta as correlações encontradas entre o atributo ‘número de tarefascriadas’ e os atributos da turma.

Tabela 5.6: Correlações do atributo ‘número de tarefas criadas’






A partir dos resultados apresentados na Tabela 5.6, pode-se concluir que o aumentode tarefas criadas pelos tutores a distância tende a:

• Aumentar levemente as postagens dos alunos nos chats.

5.2.6.1.7 Número de Tarefas Avaliadas

A Tabela 5.7 apresenta as correlações encontradas entre o atributo ‘número de tarefasavaliadas’ e os atributos da turma.

Tabela 5.7: Correlações do atributo ‘número de tarefas avaliadas’




POSITIVA




A partir dos resultados apresentados na Tabela 5.7, pode-se concluir que o aumentode tarefas avaliadas pelos tutores a distância tende a:

• Aumentar moderadamente a participação dos alunos nos questionários; e• Aumentar moderadamente a visualização dos alunos nas páginas.

5.2.6.1.8 Média de Postagens em Chats

A Tabela 5.8 apresenta as correlações encontradas entre o atributo ‘média de postagensem chats’ e os atributos da turma.

Tabela 5.8: Correlações do atributo ‘média de postagens em chats’





A partir dos resultados apresentados na Tabela 5.8, pode-se concluir que o aumentode postagens dos tutores a distância nos chats tende a:

• Aumentar fortemente as postagens dos alunos nos chats.


5.2.6.1.9 Total de Cliques

A Tabela 5.9 apresenta as correlações encontradas entre o atributo ‘total de cliques’ eos atributos da turma.

Tabela 5.9: Correlações do atributo ‘total de cliques’




POSITIVA



POSITIVA




A partir dos resultados apresentados na Tabela 5.9, pode-se concluir que o aumentode cliques dos tutores a distância na disciplina tende a:

• Aumentar moderadamente a participação dos alunos nos questionários;• Aumentar moderadamente a visualização dos alunos nas páginas; e• Aumentar levemente a submissão de tarefas por parte dos alunos.

5.2.6.1.10 Número de Arquivos Criados

A Tabela 5.10 apresenta as correlações encontradas entre o atributo ‘número de arqui-vos criados’ e os atributos da turma.

Tabela 5.10: Correlações do atributo ‘número de arquivos criados’





A partir dos resultados apresentados na Tabela 5.10, pode-se concluir que o aumentode arquivos criados pelos tutores a distância tende a:

• Aumentar moderadamente a participação dos alunos nos questionários.


5.2.6.1.11 Número de URLs Criadas

A Tabela 5.11 apresenta as correlações encontradas entre o atributo ‘número de URLscriadas’ e os atributos da turma.

Tabela 5.11: Correlações do atributo ‘número de URLs criadas’




POSITIVA



POSITIVA



POSITIVA

MÉDIA DE VISUALIZAÇÃO EMTÓPICOS DOS FÓRUNS



A partir dos resultados apresentados na Tabela 5.11, pode-se concluir que o aumentode URLs criadas pelos tutores a distância tende a:

• Aumentar fortemente a visualização dos alunos nas páginas;• Aumentar moderadamente a participação dos alunos nos questionários;• Aumentar moderadamente a submissão de tarefas por parte dos alunos; e• Aumentar levemente a visualização dos alunos nos tópicos dos fóruns.

Vale ressaltar que não foi criada uma subseção relacionada ao atributo ‘número depáginas criadas’ devido às recomendações de aceitação da hipótese nula (H0) para todosos resultados de correlação desse atributo.

5.2.6.2 Base de Conhecimento

A segunda etapa consiste na criação da base de conhecimento propriamente dita, istoé, a partir das vinte e sete correlações apresentadas nas subseções anteriores, foi possívelalimentar a base de conhecimento da ontologia proposta, conforme representado na Figura5.4.

A criação das instâncias consistiu no seguinte roteiro: (1) escolha de uma classe; (2)criação das instâncias dessa classe; e (3) preenchimento dos valores de suas respectivaspropriedades.

Seguindo esses passos, inicialmente, selecionou-se a classe AcaoDoTutor e, em se-guida, criou-se suas instâncias, conforme pode ser visto na Figura 5.7.

5.2.M

OD

EL

OD

EC

ON

HE

CIM

EN

TO61

Figura 5.7: Instâncias da classe AcaoDoTutorFonte: Autoria própria


Conforme pode ser observado na Figura 5.7, foram definidas onze instâncias da classeAcaoDoTutor. A nomenclatura atribuída para cada uma dessas instâncias foi baseadanos atributos dos tutores a distância apresentados na Tabela 4.1, apenas com pequenasalterações, conforme apresentada na Tabela 5.12.

5.2.M

OD

EL

OD

EC

ON

HE

CIM

EN

TO63

Tabela 5.12: Nomenclatura das instâncias da classe AcaoDoTutorATRIBUTO DO TUTOR A DISTÂNCIA INSTÂNCIA EQUIVALENTE

NÚMERO DE QUESTIONÁRIOS CRIADOS NumeroDeQuestionariosCriadosPorTutor

NÚMERO DE TÓPICOS CRIADOS NOS FÓRUNS NumeroDeTopicosCriadosPorTutor

MÉDIA DE POSTAGENS EM TÓPICOS DOS FÓRUNS MediaDePostagensEmTopicosPorTutor

TAXA DE VISUALIZAÇÃO EM FÓRUNS TaxaDeForunsVisualizadosPorTutor

TAXA DE VISUALIZAÇÃO EM TÓPICOS DOS FÓRUNS TaxaDeTopicosVisualizadosPorTutor

NÚMERO DE TAREFAS CRIADAS NumeroDeTarefasCriadasPorTutor

NÚMERO DE TAREFAS AVALIADAS NumeroDeTarefasAvaliadasPorTutor

MÉDIA DE POSTAGENS EM CHATS MediaDePostagensEmChatsPorTutor

TOTAL DE CLIQUES NumeroDeCliquesPorTutor

NÚMERO DE URLs CRIADAS NumeroDeURLsCriadasPorTutor

NÚMERO DE ARQUIVOS CRIADOS NumeroDeArquivosCriadosPorTutorFonte: Autoria própria


Vale ressaltar que o atributo ‘número de páginas criadas’ não foi contemplado na basede conhecimento, porque não obteve informações acima de 95% de confiança, sendo,portanto, descartado.

Em seguida, selecionou-se a classe AcaoDaTurma e criou-se suas instâncias, con-forme ilustrado na Figura 5.8.

5.2.M

OD

EL

OD

EC

ON

HE

CIM

EN

TO65

Figura 5.8: Instâncias da classe AcaoDaTurmaFonte: Autoria própria


Como pode ser visto na Figura 5.8, foram definidas onze instâncias da classe AcaoDa-Turma. A nomenclatura atribuída para cada uma dessas instâncias também foi baseadanos atributos das turmas apresentados na Tabela 4.1, apenas com pequenas alterações,conforme apresentada na Tabela 5.13.

5.2.M

OD

EL

OD

EC

ON

HE

CIM

EN

TO67

Tabela 5.13: Nomenclatura das instâncias da classe AcaoDaTurmaATRIBUTO DA TURMA INSTÂNCIA EQUIVALENTE

TAXA DE PARTICIPAÇÃO NOS QUESTIONÁRIOS TaxaDeQuestionariosEfetuadosPorTurma

TEMPO MÉDIO PARA FINALIZAÇÃO DOS QUESTIONÁRIOS TempoMedioParaFinalizacaoDosQuestionariosPorTurma

MÉDIA DE TÓPICOS CRIADOS NOS FÓRUNS MediaDeTopicosCriadosPorAlunodaTurma

MÉDIA DE POSTAGENS EM TÓPICOS DOS FÓRUNS MediaDePostagensEmTopicosPorAlunoDaTurma

MÉDIA DE VISUALIZAÇÃO EM FÓRUNS MediaDeForunsVisualizadosPorAlunoDaTurma

MÉDIA DE VISUALIZAÇÃO EM TÓPICOS DOS FÓRUNS MediaDeTopicosVisualizadosPorAlunoDaTurma

TAXA DE SUBMISSÃO DE TAREFAS TaxaDeTarefasSubmetidasPorTurma

MÉDIA DE POSTAGENS EM CHATS MediaDePostagensEmChatsPorAlunoDaTurma

MÉDIA DE CLIQUES MediaDeCliquesPorAlunoDaTurma

MÉDIA DE PÁGINAS VISUALIZADAS MediaDePaginasVisualizadasPorAlunoDaTurma

MÉDIA DE ARQUIVOS VISUALIZADOS MediaDeArquivosVisualizadosPorAlunoDaTurmaFonte: Autoria própria


Conforme mencionado anteriormente, o último passo para criação das instâncias éo preenchimento dos valores de suas propriedades. Vale ressaltar que, neste trabalho,todas as propriedades foram definidas para estabelecer relações unilaterais que partem dasinstâncias da classe AcaoDoTutor e refletem nas instâncias da classe AcaoDaTurma, jáque o intuito é representar as ações dos tutores a distância que impactam na participaçãoefetiva dos alunos. Dessa forma, foram preenchidos os valores das propriedades de cadainstância baseando-se nos resultados da ferramenta para análise de correções, discutidana Subseção 5.2.6.1.

A Figura 5.9 apresenta os valores das propriedades da instância NumeroDeQuestio-nariosCriadosPorTutor, geradas a partir do plugin OntoGraf.

Figura 5.9: Valores da instância NumeroDeQuestionariosCriadosPorTutorFonte: Autoria própria

Como pode ser visto na Figura 5.9, a instância NumeroDeQuestionariosCriados-PorTutor possui correlação moderada positiva com as instâncias TaxaDeTarefasSubme-tidasPorTurma e TaxaDeQuestionariosEfetuadosPorTurma, e correlação forte posi-tiva com a instância MediaDePaginasVisualizadasPorAlunoDaTurma. Essas relaçõesforam estabelecidas através das propriedades temCorrelacaoModeradaPositivaCom etemCorrelacaoFortePositivaCom, respectivamente, conforme indicado na legenda daFigura 5.9.

A Figura 5.10 apresenta os valores das propriedades da instância NumeroDeTopi-cosCriadosPorTutor, geradas a partir do plugin OntoGraf. Conforme pode ser visto naFigura 5.10, a instância NumeroDeTopicosCriadosPorTutor possui correlação mode-rada positiva com a instância MediaDeTopicosCriadosPorAlunoDaTurma, e correlaçãofraca positiva com as instâncias MediaDeTopicosVisualizadosPorAlunoDaTurma, Me-diaDePostagensEmChatsPorAlunoDaTurma e MediaDeCliquesPorAlunoDaTurma.Essas relações foram estabelecidas através das propriedades indicadas na legenda da Fi-gura 5.10.


Figura 5.10: Valores da instância NumeroDeTopicosCriadosPorTutorFonte: Autoria própria

A Figura 5.11 apresenta os valores das propriedades da instância MediaDePostagen-sEmTopicosPorTutor, geradas a partir do plugin OntoGraf.

Figura 5.11: Valores da instância MediaDePostagensEmTopicosPorTutorFonte: Autoria própria

De acordo com a Figura 5.11, a instância MediaDePostagensEmTopicosPorTutorpossui correlação moderada positiva com as instâncias MediaDePostagensEmChatsPo-rAlunoDaTurma e TaxaDeQuestionariosEfetuadosPorTurma, e correlação fraca po-sitiva com a instância MediaDeTopicosCriadosPorAlunoDaTurma.

A Figura 5.12 apresenta os valores das propriedades da instância TaxaDeForunsVi-


sualizadosPorTutor, geradas a partir do plugin OntoGraf.

Figura 5.12: Valores da instância TaxaDeForunsVisualizadosPorTutorFonte: Autoria própria

Conforme pode ser visto na Figura 5.12, a instância TaxaDeForunsVisualizadosPor-Tutor possui correlação moderada positiva com as instâncias MediaDeCliquesPorAlu-noDaTurma e TaxaDeQuestionariosEfetuadosPorTurma.

A Figura 5.13 apresenta os valores das propriedades da instância TaxaDeTopicosVi-sualizadosPorTutor, geradas a partir do plugin OntoGraf.

Figura 5.13: Valores da instância TaxaDeTopicosVisualizadosPorTutorFonte: Autoria própria

Como pode ser visto na Figura 5.13, a instância TaxaDeTopicosVisualizadosPor-Tutor possui correlação fraca positiva com as instâncias MediaDeCliquesPorAlunoDa-Turma e TaxaDeTarefasSubmetidasPorTurma, e correlação moderada positiva com ainstância TaxaDeQuestionariosEfetuadosPorTurma.


A Figura 5.14 apresenta os valores das propriedades da instância NumeroDeTarefas-CriadasPorTutor, geradas a partir do plugin OntoGraf.

Figura 5.14: Valores da instância NumeroDeTarefasCriadasPorTutorFonte: Autoria própria

De acordo com a Figura 5.14, a instância NumeroDeTarefasCriadasPorTutor pos-sui correlação fraca positiva com a instância MediaDePostagensEmChatsPorAlunoDa-Turma.

A Figura 5.15 apresenta os valores das propriedades da instância NumeroDeTarefa-sAvaliadasPorTutor, geradas a partir do plugin OntoGraf.

Figura 5.15: Valores da instância NumeroDeTarefasAvaliadasPorTutorFonte: Autoria própria

Conforme pode ser visto na Figura 5.15, a instância NumeroDeTarefasAvaliadas-PorTutor possui correlação moderada positiva com as instâncias MediaDePaginasVisu-alizadasPorAlunoDaTurma e TaxaDeQuestionariosEfetuadosPorTurma.

A Figura 5.16 apresenta os valores das propriedades da instância MediaDePostagen-sEmChatsPorTutor, geradas a partir do plugin OntoGraf.


Figura 5.16: Valores da instância MediaDePostagensEmChatsPorTutorFonte: Autoria própria

De acordo com a Figura 5.16, a instância MediaDePostagensEmChatsPorTutorpossui correlação forte positiva com a instância MediaDePostagensEmChatsPorAlu-noDaTurma.

A Figura 5.17 apresenta os valores das propriedades da instância NumeroDeCliques-PorTutor, geradas a partir do plugin OntoGraf.

Figura 5.17: Valores da instância NumeroDeCliquesPorTutorFonte: Autoria própria

Como pode ser visto na Figura 5.17, a instância NumeroDeCliquesPorTutor pos-sui correlação moderada positiva com as instâncias TaxaDeQuestionariosEfetuadosPor-Turma e MediaDePaginasVisualizadasPorAlunoDaTurma, e correlação fraca positivacom a instância TaxaDeTarefasSubmetidasPorTurma.

A Figura 5.18 apresenta os valores das propriedades da instância NumeroDeURLs-


CriadasPorTutor, geradas a partir do plugin OntoGraf.

Figura 5.18: Valores da instância NumeroDeURLsCriadasPorTutorFonte: Autoria própria

Conforme pode ser visto na Figura 5.18, a instância NumeroDeURLsCriadasPorTu-tor possui correlação moderada positiva com as instâncias TaxaDeTarefasSubmetidas-PorTurma e TaxaDeQuestionariosEfetuadosPorTurma, correlação fraca positiva coma instância MediaDeTopicosVisualizadosPorAlunoDaTurma e correlação forte positivacom a instância MediaDePaginasVisualizadasPorAlunoDaTurma.

Por fim, a Figura 5.19 apresenta os valores das propriedades da instância NumeroDe-ArquivosCriadosPorTutor, geradas a partir do plugin OntoGraf.

Figura 5.19: Valores da instância NumeroDeArquivosCriadosPorTutorFonte: Autoria própria


De acordo com a Figura 5.19, a instância NumeroDeArquivosCriadosPorTutor pos-sui correlação moderada positiva com a instância TaxaDeQuestionariosEfetuadosPor-Turma.

5.3 Sistema MONITUM

O MONITUM é um sistema proativo que foi desenvolvido para monitorar e avaliar odesempenho dos tutores a distância, fazer recomendações de ações que possam promovera participação efetiva dos alunos e servir como subsídio para os gestores dos referidoscursos. A Figura 5.20 ilustra o fluxo do sistema MONITUM.

O fluxo do sistema MONITUM inicia-se no Moodle. Para isso, foi desenvolvidauma rotina que solicita o serviço do Web Service para cada tutor a distância cadastradono semestre corrente, sendo que essas solicitações são efetuadas mensalmente, a partirdo início do semestre letivo. Cada solicitação é realizada através do protocolo HTTPRequest, passando como parâmetros:

• Um valor booleano para informar se é ou não a primeira solicitação do mês. Sefor, todos os processos do Módulo I são executados. Caso contrário, a execução éiniciada a partir do Módulo II. Essa medida foi tomada para evitar processamentosdesnecessários;• O ID da turma para identificar a turma em análise;• A categoria da turma para identificar o semestre letivo;• O ID do tutor a distância para identificar o tutor a distância em análise;• Um valor inteiro que representa o tempo em que as consultas SQL serão segmenta-

das, isto é, é um valor utilizado para filtrar as consultas SQL a partir do tempo emque as ações dos tutores a distância foram registradas no banco de dados.

Caso a solicitação seja a primeira do mês, o Módulo I irá executar os seus três proces-sos, isto é, a extração dos dados, o pré-processamento dos dados e a construção do dataset.Caso contrário, essas etapas são ignoradas e a execução iniciará a partir do Módulo II.

O Módulo II, por sua vez, realiza o processamento dos dados advindos do dataset,através das técnicas Min-Max, k-Means e Farthest First, seleciona as recomendações apartir da ontologia (Seção 5.2) e constrói um arquivo xml com o resultado de todos essesprocessamentos, conforme ilustrado na Figura 5.20.

Por fim, o Módulo III consome os resultados do Web Service, isto é, processa o ar-quivo xml e, através de diferentes formas, exibe os resultados dos desempenhos obtidospelos tutores a distância. Os usuários do Moodle que têm acesso ao Módulo III são: (i)coordenadores de curso; (ii) professores; e (iii) os próprios tutores a distância, conformeilustrado na Figura 5.20.

5.3. SISTEMA MONITUM 75

Figura 5.20: Fluxo do sistema MONITUMFonte: Autoria própria

As subseções a seguir apresentam os detalhes dos três módulos do sistema MONI-TUM.


5.3.1 Módulo IO Módulo I é responsável por três processos: (i) extração dos dados; (ii) pré-processa-

mento dos dados; e (iii) construção do dataset. O dataset é a saída do Módulo I que, porsua vez, servirá de entrada para o Módulo II.

Inicialmente, o Módulo I realiza a extração dos seguintes atributos dos tutores a dis-tância: (i) número de questionários criados; (ii) número de tópicos criados nos fóruns;(iii) média de postagens em tópicos dos fóruns; (iv) taxa de visualização em fóruns; (v)taxa de visualização em tópicos dos fóruns; (vi) número de tarefas criadas; (vii) númerode tarefas avaliadas; (viii) média de postagens em chats; (ix) total de cliques; (x) númerode URLs criadas; e (xi) número de arquivos criados. As principais consultas SQL utili-zadas na extração desses dados estão ilustradas no Apêndice C. Vale ressaltar que essesdados foram extraídos da segunda base de dados histórica, detalhada na Subseção 4.1.3.

Após realizar a extração desses onze atributos dos tutores a distância, realiza-se ocálculo do atributo ‘desempenho’. Esse atributo representa o desempenho geral de cadatutor a distância. O atributo ‘desempenho’ é calculado por meio da seguinte Equação 5.1.

Onde,NTC representa o número de tarefas criadas;NTCF representa o número de tópicos criados nos fóruns;MPT F representa a média de postagens em tópicos dos fóruns;TV F representa a taxa de visualização em fóruns;TV T F representa a taxa de visualização em tópicos dos fóruns;NTA representa o número de tarefas avaliadas;TC representa o total de cliques;NAC representa o número de arquivos criados;NQC representa o número de questionários criados;MPC representa a média de postagens em chats;NUC representa o número de URLs criadas.

A equação anterior trata-se de uma média ponderada que foi definida através das vintee sete correlações apresentadas na Subseção 5.2.6.1.

Os pesos dessa média foram utilizados para representar o impacto que os atributosanalisados possuem na participação efetiva dos alunos. Vale ressaltar que esses pesosforam definidos de forma empírica. Para cada atributo, verificou-se a sua correlação maisrelevante e, a partir disso, definiu-se por qual peso tal atributo seria multiplicado. Porexemplo, o atributo ‘número de questionários criados’ apresentou três correlações: umacorrelação forte positiva e duas correlações moderadas positivas. Portanto, a correlaçãomais relevante desse atributo é a correlação forte positiva. Dessa forma, definiu-se queesse atributo deveria ser multiplicado pelo peso 4. Esse processo foi repetido para osdemais atributos.

De um modo geral, o atributo que está sendo multiplicado pelo peso 1 impacta leve-mente, os atributos que estão sendo multiplicados pelo peso 2 impactam moderadamente


e os atributos que estão sendo multiplicados pelo peso 4 impactam fortemente na partici-pação efetiva dos alunos.

Após a extração de todos os atributos dos tutores a distância, o Módulo I realiza opré-processamento dos dados, que consistiu basicamente na eliminação de dados incon-sistentes.

Por fim, o Módulo I constrói e gera o dataset no formato arff. A Figura 5.21 ilustra ocabeçalho do dataset gerado nesse processo.

Figura 5.21: Cabeçalho do dataset de análise de desempenhoFonte: Autoria própria

A Figura 5.21 apresenta o nome que foi atribuído ao dataset, os atributos dos tutoresa distância e o tipo de tais atributos. Já a Figura 5.22 ilustra a disposição dos dadosreferentes aos atributos da Figura 5.21.

Figura 5.22: Valores do dataset de análise de desempenhoFonte: Autoria própria

5.3.2 Módulos II e IIIA análise e interpretação dos resultados se dão através da atuação em conjunto do mó-

dulo de processamento de dados (Módulo II) e do módulo de apresentação dos resultados


(Módulo III).O Módulo II tem o objetivo de processar as informações que foram extraídas pelo

Módulo I, conforme ilustrado na Figura 5.20. Ao todo, são realizados três tipos de pro-cessamento no Módulo II: (i) via Min-Max; (ii) via k-Means; e (iii) via Farthest First.

O Módulo II também é responsável por seleciona recomendações a partir da ontologia.Para cada atributo analisado, faz-se uma consulta na ontologia para recuperar quais tiposde impactos tal atributo causa na participação efetiva dos alunos. A partir dessa consultasão elaborados os textos das recomendações. Esse processo vai permitir que o tutor adistância saiba quais ações promovem a participação efetiva dos alunos.

Por fim, o Módulo II constrói um arquivo xml com o resultado de todos esses pro-cessamentos, como, por exemplo, a classificação do desempenho do tutor a distância viak-Means e Farthest First, a lista de recomendações etc. A Figura 5.23 ilustra um trechodo arquivo xml gerado pelo Módulo II.

Figura 5.23: Trecho do arquivo xml gerado pelo Módulo IIFonte: Autoria própria

Conforme pode ser visto na Figura 5.23, foram criadas tags para cada informação,como, por exemplo, a tag <desempenhogeral> representa a classificação do atributo ‘de-sempenho’. Todas as informações do arquivo xml são plotadas em diferentes formatos noMódulo III.

Já o Módulo III é responsável por consumir os resultados do Web Service, isto é,processar todas as informações do arquivo xml e apresentar aos coordenadores de curso,professores e os próprios tutores a distância formas distintas de visualizar os desempenhosobtidos por cada tutor a distância em suas respectivas turmas.

O Módulo III foi construído seguindo as especificações de uma estrutura do Moodle


conhecida como bloco, que nada mais é que um plugin. A Figura 5.24 ilustra o pluginintegrado ao Moodle.

Figura 5.24: Tela inicial do plugin integrado ao MoodleFonte: Autoria própria

Conforme pode ser visto na Figura 5.24, no canto inferior esquerdo, existe uma ima-gem no formato de um velocímetro. O ponteiro do velocímetro e o texto em cima delerepresentam o desempenho geral obtido pelo tutor a distância analisado, obtido por meioda classificação via k-Means do atributo ‘desempenho’. Essa é uma forma rápida dosusuários saberem o desempenho geral obtido pelo tutor a distância. No entanto, para ob-ter o relatório completo do desempenho do tutor a distância, o usuário deve clicar no linkabaixo do velocímetro.

O relatório completo é composto por três partes: (i) explicação do velocímetro; (ii)quatro gráficos que mostram o comparativo entre o desempenho obtido pelo tutor a dis-tância analisado em relação aos demais; (iii) uma tabela com a lista de atributos e seusrespectivos desempenhos e recomendações. A Figura 5.25 ilustra a tela com os textosexplicativos do velocímetro.


Figura 5.25: Tela com textos explicativos do velocímetroFonte: Autoria própria

Essa parte fica no topo do relatório e serve para mostrar aos usuários os critériosutilizados para calcular e classificar o desempenho do tutor a distância.

Em seguida, o relatório apresenta a seção de gráficos, que é composta por quatrográficos, isto é: (i) valores absolutos; (ii) valores relativos; (iii) gráfico k-Means; e (iv)gráfico Farthest First. A Figura 5.26 ilustra o gráfico de valores absolutos.

Figura 5.26: Gráfico de valores absolutosFonte: Autoria própria


O gráfico de valores absolutos, ilustrado na Figura 5.26, é um gráfico de barras queapresenta um comparativo entre o desempenho do tutor a distância analisado em relaçãoaos desempenhos dos demais tutores a distância. Nesse gráfico foram utilizados os valoresobtidos pelo atributo ‘desempenho’ de cada tutor a distância. Conforme pode ser visto naFigura 5.26, existe uma barra na cor preta. Essa barra representa o valor absoluto obtidopelo atributo ‘desempenho’ do tutor a distância analisado. As outras barras representamos desempenhos dos demais tutores a distância. O usuário pode passar o mouse em cimade cada barra para saber o seu respectivo valor. O usuário também pode obter informaçõessobre o gráfico, clicando no ícone ao lado direito do título do gráfico.

A Figura 5.27 ilustra o gráfico de valores relativos.

Figura 5.27: Gráfico de valores relativosFonte: Autoria própria

O gráfico de valores relativos, ilustrado na Figura 5.27, também é um gráfico de barrasque apresenta um comparativo entre o desempenho do tutor a distância analisado em rela-ção aos desempenhos dos demais tutores a distância, porém os valores estão representadosde uma maneira diferente. Nesse gráfico os valores obtidos pelo atributo ‘desempenho’de cada tutor a distância são normalizados antes de serem plotados no gráfico. Para isso,utiliza-se a técnica de normalização Min-Max.

Na Figura 5.27, as informações estão em uma escala de 0 a 100. Já na Figura 5.26,os valores estão em uma faixa de 0 a 2.000. Dessa forma, significa que de todos ostutores a distância analisados, o pior desempenho obtido foi dos tutores a distância quetiveram o atributo ‘desempenho’ = 0, enquanto que o melhor desempenho obtido foi dos


tutores distância que tiveram o atributo ‘desempenho’ = 2.000. A mesma lógica é aplicaao gráfico de valores relativos.

Os próximo gráficos apresentam os desempenhos dos tutores a distância a partir deduas técnicas de aprendizado não supervisionado.

A classificação do atributo ‘desempenho’ foi realizada por meio das técnicas k-Meanse Farthest First, utilizando-se do critério de distância euclidiana para o k-Means entreos centroides, tendo sido definido k = 3 para as duas técnicas, ou seja, foram criadostrês agrupamentos: (i) desempenho ruim; (ii) desempenho moderado; e (iii) desempenhobom.

A Figura 5.28 ilustra o resultado da classificação do atributo ‘desempenho’ por meioda técnica k-Means.

Figura 5.28: Gráfico k-MeansFonte: Autoria própria

Pode-se observar na Figura 5.28 que existem três agrupamentos, sendo o agrupamentode cor vermelha referente ao desempenho ruim, o agrupamento de cor amarela referenteao desempenho moderado e o agrupamento de cor verde referente ao desempenho bom.O ponto preto refere-se ao valor do atributo ‘desempenho’ do tutor a distância avaliado.Também foi adicionada uma linha tracejada sob o ponto preto para indicar isso. Os de-mais pontos azuis se referem aos valores do atributo ‘desempenho’ dos demais tutores adistância.


Ainda de acordo com a Figura 5.28, pode-se perceber que o ponto preto está maispróximo do centroide do agrupamento de desempenho bom. Desse modo, a indicação éde desempenho bom para o desempenho do tutor a distância analisado, segundo a técnicak-Means.

O mesmo conceito é utilizado para a classificação por meio do algoritmo FarthestFirst. A Figura 5.29 ilustra o resultado da classificação do atributo ‘desempenho’ pormeio da técnica Farthest First.

Figura 5.29: Gráfico Farthest FirstFonte: Autoria própria

Pode-se perceber que as técnicas k-Means e Farthest First indicaram classificaçõesdistintas. A técnicas k-Means indicou desempenho bom e a técnica Farthest First indicoudesempenho moderado. É normal que isso aconteça, já que as técnicas utilizam procedi-mentos distintos.

A ideia de apresentar gráficos com técnicas diferentes é oferecer, ao usuário, a opçãode analisar os resultados e, a partir deles, tomar as devidas decisões.

Por fim, é exibido um relatório individual dos atributos analisados, exceto o atributo‘desempenho’, já que esse atributo é calculado com base nos demais atributos e por ele játer sido exibido por meio do velocímetro e dos gráficos. A Figura 5.30 ilustra o relatórioindividual.


Figura 5.30: Relatório individual dos atributos analisadosFonte: Autoria própria

Conforme pode ser visto na Figura 5.30, o relatório possui três colunas: (i) critérioanalisado; (ii) desempenho; e (iii) recomendação.

A coluna ‘critério analisado’ lista os atributos analisados e as colunas ‘desempenho’e ‘recomendação’ listam os desempenhos obtidos por cada atributo e as suas recomenda-ções, respectivamente.

Vale ressaltar que, para cada atributo, foi criada sua própria rede de classificação e queos atributos são classificados por meio da técnica k-Means.

As recomendações são geradas a partir da ontologia da Participação Efetiva. Essas re-comendações são importantes para os tutores a distância saberem quais ações promovema participação efetiva dos alunos.

Capítulo 6

Considerações Finais

O último capítulo desta tese apresenta as considerações finais e está organizado daseguinte forma: a Seção 6.1 apresenta as conclusões; a Seção 6.2 define as dificuldades elimitações deste trabalho; a Seção 6.3 apresenta as contribuições desta tese; a Seção 6.4apresenta os trabalhos futuros; e, por fim, a Seção 6.5 apresenta as produções científicas.

6.1 ConclusõesEsta tese buscou identificar a relação de influência entre os fatores comportamentais

dos tutores a distância e os alunos pertencentes à modalidade a distância. A ferramentapara análise de correlações, discutida na Subseção 5.2.6.1, revelou correlações relevantesentre os desempenhos dos tutores a distância e a participação efetiva dos alunos. Dessaforma, esses resultados respondem a primeira indagação deste trabalho, apresentada naSubseção 4.1, cuja conclusão é:

• Sim, o desempenho dos tutores a distância influencia a participação efetiva dealunos pertencentes à modalidade a distância.

Para tal, foi realizada uma busca exaustiva dos comportamentos de tutores a distânciae alunos que pudessem responder a esta indagação. O uso do Coeficiente de Correlação dePearson mostrou-se como uma abordagem satisfatória para o entendimento e mensuraçãodo fenômeno em estudo.

Já as análises via técnicas de agrupamento permitem uma inferência de desempenhocomportamental de um tutor a distância em relação aos desempenhos dos demais tutores adistância. Dessa forma, esses resultados respondem a questão de pesquisa deste trabalho,apresentada na Subseção 1.3, cuja conclusão é:

• Sim, foi possível desenvolver um sistema capaz de monitorar e avaliar o de-sempenho de tutores a distância em AVAs.

Os achados desta pesquisa contribuem de forma satisfatória, no ponto de vista daimplementação da solução de software desenvolvida, contribuindo para autorreflexão dostutores a distância e para facilitar o monitoramento, a avaliação e a tomada de decisão porparte dos coordenadores de curso e professores.

86 CAPÍTULO 6. CONSIDERAÇÕES FINAIS

6.2 Dificuldades e Limitações

Uma das principais dificuldades, durante o desenvolvimento desta tese, foi a extraçãodas informações relacionadas aos atributos analisados. A complexidade da arquitetura dobanco de dados do Moodle, com um conjunto de aproximadamente 370 tabelas, tornou aextração dos dados, a fase com maior dedicação de tempo e esforço.

Uma das limitações desta tese foi a inexistência de um experimento temporal com oscoordenadores de curso, professores, tutores a distância e alunos durante um semestre.Desta forma, tem-se consciência da necessidade, em trabalhos futuros, da condução deum experimento controlado em um contexto real de ensino, para observar o impacto queo sistema pode causar na atuação dos tutores a distância, possíveis problemas de aceitaçãopor parte dos usuários e a própria robustez da ferramenta durante a sua utilização. Pode-seconsiderar esta como sendo a principal limitação desta tese.

6.3 Contribuições

Durante o desenvolvimento desta tese, diversas contribuições emergiram de acordocom a execução do método utilizado. Algumas contribuições que merecem destaque são:(i) geração de um conjunto de consultas SQL para extração de atributos em plataformasMoodle; (ii) construção de um modelo de conhecimento (ontologia) capaz de mapear asrelações existentes entre os atributos comportamentais dos tutores a distância e a par-ticipação efetiva dos alunos; (iii) construção de um Web Service capaz de processar asinformações relacionadas aos atributos dos tutores a distância, classificar o desempenhodos tutores a distância e fazer recomendações com base no modelo de conhecimento; e(iv) criação de um plugin para o Moode que permite a visualização dos dados processadospelo Web Service e que pode servir como subsídio para os gestores dos referidos cursos.

O entendimento das arquiteturas dos bancos de dados históricos e as respectivas ex-trações dos atributos podem ser consideradas as fases mais exaustivas do método de de-senvolvimento desta tese. A construção e disponibilização das principais consultas SQL(Apêndices B e C) também podem ser consideradas como uma das contribuições para acomunidade acadêmica de Learning Analytics, podendo ser aplicadas em outras pesquisase adaptadas para outros tipos de atributos.

Portanto, espera-se que esta pesquisa possa: (i) proporcionar uma melhor compreen-são sobre fatores comportamentais dos tutores a distância que impactam na participaçãoefetiva dos alunos pertencentes à modalidade a distância; (ii) permitir que os coordenado-res de cursos e os professores possam acompanhar o desempenho dos tutores a distânciae que estes possam refletir sobre os seus desempenhos obtidos; e (iii) potencializar a atu-ação qualificada do tutor a distância, fomentando o engajamento e a participação efetivados alunos.

6.4. TRABALHOS FUTUROS 87

6.4 Trabalhos FuturosEste trabalho possibilitou o desenvolvimento de um arcabouço tecnológico para mo-

nitoramento e avaliação de tutores a distância. Como possibilidades de trabalhos futuros,que podem ser explorados a partir desse estudo, tem-se:

• Definição de outros atributos relacionados aos comportamentos dos tutores a dis-tância;• Realização de novas análises com outras técnicas;• Definição dos pesos da Equação 5.1 por reforço de máquina;• Definição de estratégias pedagógicas associadas às recomendações que, além de

informarem aos tutores a distância quais ações promovem a participação efetivados alunos, definam como esse objetivo pode ser alcançado;• Evolução da interface do MONITUM;• Integração com outras plataformas de AVAs;• Realização de testes de usabilidade;• Realização de testes da efetividade da interface;• Realização de um estudo de caso para validar a eficácia da solução proposta.

6.5 Produções CientíficasOs resultados da pesquisa desenvolvidas durante a realização deste trabalho promove-

ram as seguintes produções científicas:

1. Título: A Multi-Agent Architecture for Monitoring Tutoring Activities in VLEs.

Autores: Laysa Mabel de Oliveira Fontes, Ricardo Alexsandro de Medeiros Valen-tim, Francisco Milton Mendes Neto, Rafael Castro de Souza.

Veículo: Revista IEEE América Latina.

Resultado: Publicado.

2. Título: Evaluating Online Tutoring Behavior with Learning Analytics.

Autores: Rafael Castro de Souza, Francisco Milton Mendes Neto, Araken de Me-deiros Santos, Laysa Mabel de Oliveira Fontes, Ricardo Alexsandro de MedeirosValentim e Patrício de Alencar Silva.

Veículo: Computers in Human Behavior.

Resultado: Submetido.

3. Título: Uma Arquitetura Multiagente para Acompanhamento e Monitoramento dasAtividades de Tutoria em AVAs.

Autores: Laysa Mabel de Oliveira Fontes, Ricardo Alexsandro de Medeiros Valen-tim, Francisco Milton Mendes Neto, Rafael Castro de Souza.

Veículo: Anais dos Workshops do CBIE 2016 - Workshop sobre Avaliação e Acom-panhamento da Aprendizagem em Ambientes Virtuais (WAvalia 2016).

88 CAPÍTULO 6. CONSIDERAÇÕES FINAIS


4. Título: Um Ambiente Inteligente de Avaliação de Comportamentos de Tutores eTurmas no Ambiente Virtual de Aprendizagem Moodle.

Autores: Rafael Castro de Souza, Francisco Milton Mendes Neto, Araken de Me-deiros Santos, Laysa Mabel de Oliveira Fontes, Efraim N. H. D. Rodrigues e Ri-cardo Alexsandro de Medeiros Valentim.

Veículo: Anais dos Workshops do CBIE 2016 - Workshop sobre Avaliação e Acom-panhamento da Aprendizagem em Ambientes Virtuais (WAvalia 2016).


5. Título: Investigação acerca do Impacto dos Comportamentos dos Tutores em Tur-mas de Ensino a Distância.

Autores: Rafael Castro de Souza, Francisco Milton Mendes Neto, Araken de Me-deiros Santos, Laysa Mabel de Oliveira Fontes e Ricardo Alexsandro de MedeirosValentim.

Veículo: Anais dos Workshops do CBIE 2016 - Workshop sobre Mineração deDados Educacionais 2016 (WMDE 2016).


Referências Bibliográficas

Academics Analytics, Academics Analytics Benchmarking for Academic Excellence(2016), About Academic Analytics, LLC, Acesso em: 03 set 2016.URL: http://www.academicanalytics.com/Public/About

Almeida, Mauricio B. e Marcello P. Bax (2003), ‘Uma Visão Geral sobre Ontologias:pesquisa sobre definições, tipos, aplicações, métodos de avaliação e de construção’,Scielo 32(3).

Alves, João Roberto Moreira (2009), A história de EAD no Brasil, em F. M.Litto eM. M. M.Formiga, eds., ‘Educação a Distância: o estado da arte’, Pearson Edu-cation do Brasil, São Paulo.

APT (2013), Applied Predictive Technologies Receives $100 Million Investment fromGoldman Sachs, Acesso em: 08 nov 2016.URL: http://www.predictivetechnologies.com/newsroom/press-releases/2013/applied-predictive-technologies-receives-$100-million-investment-from-goldman-sachs.aspx

Arnold, Kimberly E. e Matthew D. Pistilli (2012), Course Signals at Purdue: using lear-ning analytics to increase student success, em ‘Proceedings of the 2nd InternationalConference on Learning Analytics & Knowledge (LAK’12)’, ACM, New York, NY.

Belloni, Maria Luiza (2009), Educação a Distância, 5a edição, Autores Associados, Cam-pinas.

Berking, Peter e Shane Gallagher (2013), Choosing a Learning Management System:Advanced Distributed Learning (ADL) Co-Laboratories, Acesso em: 16 dez 2016.URL: http://www.academia.edu/5033345/Choosing_a_Learning_Management_System_Advanced_Distributed_Learning_ADL_Co-Laboratories

Bernardino, Hebert Soares (2011), ‘A Tutoria na EaD: os papéis, as competências e arelevância do tutor’, Revista Paidéi@ - Revista Científica de Educação a Distância2(4).

Bortolozzo, Ana Rita Serenato, Gilian Cristina Barros e Leda Maria Corrêa Moura (2009),Quem é e o que faz um Professor-Tutor, em ‘Anais do IX Congresso Nacional de

89

http://www.academicanalytics.com/Public/About

http://www.predictivetechnologies.com/newsroom/press-releases/2013/applied-predictive-technologies-receives-$100-million-investment-from-goldman-sachs.aspx




http://www.academia.edu/5033345/Choosing_a_Learning_Management_System_Advanced_Distributed_Learning_ADL_Co-Laboratories



90 REFERÊNCIAS BIBLIOGRÁFICAS

Educação (EDUCERE) e III Encontro Sul Brasileiro de Psicopedagogia (ESBPp)’,PUCPR, Curitiba, PR.

Cambruzzi, Wagner Luiz (2014), GVWISE: Uma Aplicação de learning analytics paraa Redução da Evasão na Educação a Distância, Dissertação de mestrado, Univer-sidade do Vale do Rio dos Sinos, Programa Interdisciplinar de Pós-Graduação emComputação Aplicada, São Leopoldo, RS.

Charleer, Sven, Joris Klerkx e Erik Duval (2014), ‘Learning Dashboards’, Journal ofLearning Analytics 1(3).

Chatti, Mohamed Amine, Anna Lea Dyckhoff, Ulrik Schroeder e Hendrik Thus (2012),‘A Reference Model for Learning Analytics’, IJTEL - International Journal of Te-chnology Enhanced Learning 4(5).

Cohen, Jacob (1988), Statistical Power Analysis for the Behavioral Sciences, 2a edição,Routledge.

Dasgupta, Sanjoy (2002), Performance Guarantees for Hierarchical Clustering, em ‘Pro-ceedings of the 15th Annual Conference on Computational Learning Theory’, ACM.

de Oliveira Soares, Ismar (2002), ‘Gestão Comunicativa da Educação: Caminhos da Edu-comunicação’, Revista Comunicação e Educação .

Dickinson, Ian (2009), Jena Ontology API, Acesso em: 08 jan 2013.URL: http://jena.sourceforge.net/ontology/index.html

Dimopoulos, Ioannis, Ourania Petropoulou, Michail Boloudakis e Symeon Retalis(2013), Using Learning Analytics in Moodle for Assessing Students’ Performance,em ‘Proceedings of the 2nd Moodle Research Conference (MRC2013)’, Sousse, Tu-nisia.

Downes, Stephen (2005), E-Learning 2.0, Elearn Magazine.

Education Week, Group Online Access (2014), Billion-Dollar Deal Heats Up Ed-TechMarket, Acesso em: 08 nov 2016.URL: http://www.edweek.org/ew/articles/2014/03/26/26acquisition.h33.html

Elias, Tanya (2011), ‘Learning Analytics: Definitions, Processes and Potential’.

Erbs, Rita Tatiana Cardoso (2004), O Processo de Avaliação na Modalidade de Educaçãoa Distância, em ‘Anais do XV Congresso Internacional de Educação a Distância’,Salvador, BA.

Faceli, Katti, Ana Carolina Lorena, João Gama e André de Carvalho (2011), InteligênciaArtificial: Uma Abordagem de Aprendizado de Máquina, LTC, Rio de Janeiro.

http://jena.sourceforge.net/ontology/index.html

http://www.edweek.org/ew/articles/2014/03/26/26acquisition.h33.html

http://www.edweek.org/ew/articles/2014/03/26/26acquisition.h33.html

REFERÊNCIAS BIBLIOGRÁFICAS 91

Faria, Adriano Antonio e Angela Salvadori (2010), ‘Educação a Distância e seu Movi-mento Histórico no Brasil’, Revistas das Faculdades Santa Cruz 8(1).

Ferguson, Rebecca e Simon Buckingham Shum (2012), Social Learning Analytics: FiveApproaches, em ‘Proceedings of the 2nd International Conference on LearningAnalytics & Knowledge (LAK’12)’, ACM Press, New York.

Fidalgo-Blanco, Ángel, María Luisa Sein-Echaluce, Francisco J. García-Peñalvo e Mi-guel Ángel Conde (2015), ‘Using Learning Analytics to Improve Teamwork Asses-sment’, Computers in Human Behavior 47.

Freire, Paulo (1974), Pedagogia do Oprimido, Paz e Terra, Rio de Janeiro.

Garrison, D. Randy (2011), E-Learning in the 21st Century: A Framework for Researchand Practice, 2a edição, Routledge.

Gephi (2016), The Open Graph Viz Platform, Acesso em: 10 dez 2016.URL: https://gephi.org/

Gervai, Solange Maria Sanches (2007), A Mediação Pedagógica em Contextos de Apren-dizagem Online, Tese de doutorado, Pontifícia Universidade Católica de São Paulo,São Paulo.

GIGAOM (2012), As ed tech heats up, Desire2Learn raises $80m in its first VC round,Acesso em: 06 nov 2016.URL: https://gigaom.com/2012/09/04/as-ed-tech-heats-up-desire2learn-raises-80m-in-its-first-vc-round/

Goldschmidt, Ronaldo, Emmanuel Passos e Eduardo Bezerra (2015), Data Mining: Con-ceitos, Técnicas, Algoritmos, Orientações e Aplicações, Elsevier Brasil.

Gomes, Apuena Vieira e Matilde Medeiros Araújo (2008), Avaliação de Desempenho daTutoria: Uma Experiência no Curso de Administração a Distância da UFRN, em‘Anais do V Congresso de Ensino Superior a Distância - VI Seminário de Educaçãoa Distância’, Gramado, RS.

Gomes, Hagar Espanha (1990), Manual de Elaboração de Tesauros Monolíngües, Acessoem: 24 mar 2017.URL: http://www.dominiopublico.gov.br/download/texto/me002423.pdf

Govindarajan, Kannan, Vivekanandan Suresh Kumar e Kinshuk (2016), Dynamic Lear-ning Path Prediction – A Learning Analytics Solution, em ‘Proceedings of the 8thInternational Conference on Technology for Education’, IEEE.

Greller, Wolfgang e Hendrik Drachsler (2012), ‘Translating Learning into Numbers: AGeneric Framework for Learning Analytics’, Educational Technology & Society15(3).

https://gephi.org/

https://gigaom.com/2012/09/04/as-ed-tech-heats-up-desire2learn-raises-80m-in-its-first-vc-round/

https://gigaom.com/2012/09/04/as-ed-tech-heats-up-desire2learn-raises-80m-in-its-first-vc-round/

http://www.dominiopublico.gov.br/download/texto/me002423.pdf

http://www.dominiopublico.gov.br/download/texto/me002423.pdf


Gruber, Thomas R. (1993), ‘A Translation Approach to Portable Ontologies’, KnowledgeAcquisition 5(2).

Guarino, Nicola (1998), Formal Ontology and Information Systems, em ‘Proceedings ofFOIS’98’, IOS Press.

Guizzardi, Giancarlo (2005), Ontological Foundations for Structural Conceptual Models,Tese de doutorado, Twente University of Technology, Twente, Holanda.

Hack, Josias Ricardo (2010), ‘Comunicação Dialógica na Educação Superior a Distância:a importância do papel do tutor’, Signo y Pensamiento 29(56).

Hawkins, Douglas (1980), Identification of Outliers, Springer Netherlands.

Hernández-García, Ángel, Inés González-González, Ana Isabel Jiménez-Zarco e JuliánChaparro-Peláez (2015), ‘Applying Social Learning Analytics to Message Boardsin Online Distance Learning: a case study’, Computers in Human Behavior 47.

Hevner, Alan, Salvatore March, Jinsoo Park e Sudha Ram (2004), ‘Design Science inInformation Systems Research’, MIS Quarterly 28(1).

Highcharts (2017), Make your data come alive, Acesso em: 03 fev 2017.URL: http://www.highcharts.com/

Hochbaum, Dorit S. e David B. Shmoys (1985), ‘A Best Possible Heuristic for the k-Center Problem’, Mathematics of Operations Research 10(2).

Hope, Andrea (2001), Quality Assurance, em G. M.Farrell, ed., ‘The Changing Faces ofVirtual Education’, The Commonwealth of Learning, Canada.

Hunt, Malcolm, Steve Davies e Vanessa Pittard (2007), Harnessing Technology Review2007: Progress and impact of technology in education, Acesso em: 16 dez 2016.URL: http://mirandanet.ac.uk/wp-content/uploads/2016/04/ht_review07.pdf

INEP, Ministério da Educação (2016a), Apresentação - Censo da Educação Superior2015, Acesso em: 12 out 2016, Brasília.URL: http://download.inep.gov.br/educacao_superior/censo_superior/apresentacao/2015/Apresentacao_Censo_Superior_2015.pdf

INEP, Ministério da Educação (2016b), Notas Estatísticas - Censo da Educação Superior2015, Acesso em: 12 out 2016, Brasília.URL: http://download.inep.gov.br/educacao_superior/censo_superior/documentos/2015/Notas_Estatisticas_Censo_Superior_2015.pdf

Jacob, Seibu Mary e Biju Issac (2014), ‘The Mobile Devices and its Mobile LearningUsage Analysis’, arXiv preprint arXiv:1410.4375 .

http://www.highcharts.com/

http://mirandanet.ac.uk/wp-content/uploads/2016/04/ht_review07.pdf

http://mirandanet.ac.uk/wp-content/uploads/2016/04/ht_review07.pdf

http://download.inep.gov.br/educacao_superior/censo_superior/apresentacao/2015/Apresentacao_Censo_Superior_2015.pdf



http://download.inep.gov.br/educacao_superior/censo_superior/documentos/2015/Notas_Estatisticas_Censo_Superior_2015.pdf




Johnson, L., R. Smith, H. Willis, A. Levine e K. Haywood (2011), The 2011 HorizonReport, The New Media Consortium, Austin, Texas.

Kats, Yefim (2013), Learning Management Systems and Instructional Design: Best Prac-tices in Online Education, IGI Global.

Keller, Gerald (2011), Statistics for Management and Economics, Cengage Learning.

LeBlanc, David (2004), Statistics: Concepts and Applications for Science, Jones & Bar-tlett Publishers.

Litto, Fredric Michael e Manuel Marcos Maciel Formiga (2012), Educação a Distância:o estado da arte, 2a edição, Person Education do Brasil, São Paulo.

Long, Phil e George Siemens (2011), ‘Penetrating the Fog: Analytics in Learning andEducation’, EDUCAUSE review 46(5).

MacQueen, James (1967), Some Methods for Classification and Analysis of MultivariateObservations, em ‘Proceedings of the Fifth Berkeley Symposium on MathematicalStatistics and Probability’.

Maggio, Mariana (2001), O Tutor na Educação a Distância, em E.Litwin, ed., ‘Educaçãoa Distância: temas para o debate de uma nova agenda educativa’, Artmed Editora,Porto Alegre.

Marquesone, Rosangela (2014), Big Data: técnicas e tecnologias para extração de valordos dados, Casa Do Código.

MEC/SEED (2007), Referenciais de Qualidade para a Educação Superior a Distância,Acesso em: 05 set 2009.URL: http://portal.mec.gov.br/seed/arquivos/pdf/referenciaisead.pdf

Meissner, Gunter (2013), Correlation Risk Modeling and Management, Wily FinanceSeries.

Mendes Neto, Francisco Milton (2013), Technology Platform Innovations and Forthco-ming Trends in Ubiquitous Learning, IGI Global.

Mendes Neto, Francisco Milton, Raphael de Carvalho Muniz, Aquiles Medeiros FilgueiraBurlamaqui e Rafael Castro de Souza (2015), ‘An Agent-Based Approach for De-livering Educational Contents Through Interactive Digital TV in the Context of T-Learning’, IJDET - International Journal of Distance Education Technologies 13(2).

Mitchell, Tom (1997), Machine Learning, McGraw-Hill.

Mülbert, Ana Luisa, Ariane Girondi, Alice Cybis Pereira e Marina Nakayama (2011),‘A Interação em Ambientes Virtuais de Aprendizagem: motivações e interesses dosalunos’, RENOTE - Revista Novas Tecnologias na Educação 9(1).

http://portal.mec.gov.br/seed/arquivos/pdf/referenciaisead.pdf

http://portal.mec.gov.br/seed/arquivos/pdf/referenciaisead.pdf


Moodle (2016), moodledocs, Acesso em: 11 abr 2016.URL: https://docs.moodle.org/

Moore, Michael e Greg Kearsley (2008), Educação a Distância: uma visão integrada,Cengage Learning, São Paulo.

Moran, José Manuel, Marcos T. Masetto e Marilda Aparecida Behrens (2010), NovasTecnologias e Mediação Pedagógica, 17a edição, Papirus, São Paulo.

Motiwalla, Luvai F. (2007), ‘Mobile learning: A framework and evaluation’, Computers& Education 49(3).

NetBeans (2016), Welcome to the NetBeans Community, Acesso em: 5 mai 2016.URL: https://netbeans.org/about/

Nobre, Isaura Alcina, Vanessa Battestin Nunes, Yvina Pavan Baldo, Elton Siqueira Mourae Danielli Veiga Carneiro (2008), Comunicação e Interação entre os Atores Respon-sáveis pela Gestão EAD - Experiência do Curso Superior de Tecnologia em Análisee Desenvolvimento de Sistemas em EAD – CEFETES, em ‘Anais do XIV CongressoInternacional de Educação a Distância’, Santos, SP.

Noy, Natalya F. e Deborah L. McGuinness (2016), Ontology Development 101: A Guideto Creating Your First Ontology, Acesso em: 21 set 2016.URL: http://protege.stanford.edu/publications/ontology_development/ontology101.pdf

Nunes, Vanessa Battestin (2012), Processo Avaliativo de Tutores a Distância em um Cursode Pós-Graduação e Reflexões sobre Mudanças de Condutas, Tese de doutorado,Universidade Federal do Espírito Santo, Centro de Educação, Vitória, ES.

Nunes, Vanessa Battestin (2013), O Papel do Tutor na Educação a Distância: o estado daarte, em ‘Anais do X Congresso Brasileiro de Ensino Superior a Distância (ESUD)’,UNIREDE, Belém, PA.

Oliveira, Marta Kohl (1993), Vygostky: aprendizado e desenvolvimento: um processosócio-histórico, 1a edição, Scipione, São Paulo.

OntoGraf (2016), Ontograf, Acesso em: 21 set 2016.URL: http://protegewiki.stanford.edu/wiki/OntoGraf

Oracle (2016), Java Powers our Digital World, Acesso em: 10 dez 2016.URL: https://go.java/index.html

O’Rourke, Norm, Larry Hatcher e Edward J. Stepanski (2005), A Step-by-Step Approachto Using SAS R© for Univariate & Multivariate Statistics, 2a edição, SAS Institute.

Paiva, Ranilson, Ig Ibert Bittencourt e Alan Pedro Silva (2013), Uma Ferramenta para Re-comendação Pedagógica Baseada em Mineração de Dados Educacionais, em ‘Anaisdos Workshops do II Congresso Brasileiro de Informática na Educação (CBIE)’,Campinas, SP.

https://docs.moodle.org/

https://netbeans.org/about/

http://protege.stanford.edu/publications/ontology_development/ontology101.pdf

http://protege.stanford.edu/publications/ontology_development/ontology101.pdf

http://protegewiki.stanford.edu/wiki/OntoGraf

https://go.java/index.html


Peña-Ayala, Alejandro (2014), ‘Educational Data Mining: a survey and a data mining-based analysis of recent works’, Expert Systems with Applications 41(4).

PHP (2016), Manual do PHP, Acesso em: 10 dez 2016.URL: https://secure.php.net/manual/pt_BR/index.php#index

Piaget, Jean (1978), Fazer e Compreender, 1a edição, Melhoramentos, São Paulo.

Pimentel, Nara Maria (2006), Educação a Distância, SEAD/UFSC, Florianópolis, SC.

PostgreSQL (2016), About, Acesso em: 10 dez 2016.URL: http://www.postgresql.org/about/

Preti, Oreste (1996), Educação a Distância: uma prática educativa mediadora e media-tizada, em O.Preti, ed., ‘Educação a Distância: inícios e indícios de um percurso’,EdUFMT/NEAD, Cuiabá.

Protégé (2016), A free, open-source ontology editor and framework for building intelli-gent systems, Acesso em: 21 set 2016.URL: http://protege.stanford.edu/

Quilici-Gonzalez, José Artur e Francisco de Assis Zampirolli (2014), Sistemas Inteligen-tes e Mineração de Dados, Triunfal Gráfica e Editora.

Ramalho, Rogério Aparecido Sá (2010), Desenvolvimento e Utilização de Ontologias emBibliotecas Digitais: uma proposta de aplicação, Tese de doutorado, Programa dePós-Graduação em Ciência da Informação, Universidade Estadual Paulista Júlio deMesquita Filho – UNESP, Marília, SP.

Ramos, Margarete da Silva (2013), Qualidade da Tutoria e a Formação do Tutor: osefeitos desses aspectos em cursos a distância, em ‘Anais do X Congresso Brasileirode Ensino Superior a Distância (ESUD)’, UNIREDE, Belém, PA.

Recode (2014), Google Capital Invests $40M in Renaissance Learning, Valued at $1B,Acesso em: 08 nov 2016.URL: http://www.recode.net/2014/2/19/11623638/google-capital-invests-40m-in-renaissance-learning-valued-at-1b

Reis, Izabella Saadi Cerutti Leal (2005), Avaliação e o Processo de Ensino Aprendiza-gem Online, em ‘Anais do XII Congresso Internacional de Educação a Distância’,Florianópolis, SC.

Rodrigues, Rosângela Schwarz (1998), Modelo de Avaliação para Cursos no Ensino aDistância: estrutura, aplicação e avaliação, Dissertação de mestrado, Programa dePós-Graduação em Engenharia de Produção, UFSC, Santa Catarina.

https://secure.php.net/manual/pt_BR/index.php#index

http://www.postgresql.org/about/

http://protege.stanford.edu/

http://www.recode.net/2014/2/19/11623638/google-capital-invests-40m-in-renaissance-learning-valued-at-1b




Romero, Cristóbal, Manuel-Ignacio López, Jose-María Luna e Sebastián Ventura (2013),‘Predicting Students’ Final Performance from Participation in On-line DiscussionForums’, Computers & Education 68(1).

Rosenberg, Marc Jeffrey (2001), E-Learning: Strategies for Delivering Knowledge in theDigital Age, 3a edição, McGraw-Hill, New York.

Rubin, Allen (2012), Statistics for Evidence-Based Practice and Evaluation, 3a edição,Cengage Learning.

Sá, Iranita (1998), ‘Educação a Distância: Processo Contínuo de Inclusão Social’.

Sartori, Ademilde Silveira (2005), Inter-Relações Educação-Comunicação na EducaçãoSuperior a Distância: a gestão de processos comunicacionais, em ‘Anais do XIICongresso Internacional de Educação a Distância’, Florianópolis, SC.

Schlotzhauer, Sandra D. (2007), Elementary Statistics Using JMP, SAS Institute.

Schumacker, Randall e Sara Tomek (2014), Learning Statistics Using R, SAGE Publica-tions.

SEDIS/UFRN (2017a), Edital n.o 04/2017-SEDIS, Acesso em: 23 mar 2017.URL: http://www.sedis.ufrn.br/images/Noticias/2017/Edital_04_2017-SEDIS_-_Tutores_a_dist%C3%A2ncia_para_2017_2_licenciatura_em_Qu%C3%ADmica.pdf

SEDIS/UFRN (2017b), Edital n.o 05/2017-SEDIS, Acesso em: 23 mar 2017.URL: http://www.sedis.ufrn.br/images/Noticias/2017/Edital_05_2017_-_SEDIS_-_TUTOR_PRESENCIAL_QU%C3%8DMICA_1.pdf

Sharma, A. K. (2005), Text Book Of Correlations and Regression, Discovery PublishingHouse.

Sharma, J. K. (2012), Business Statistics, Pearson Education India.

Siemens, George, Dragan Gasevic, Caroline Haythornthwaite, Shane Dawson, Si-mon Buckingham Shum, Rebecca Ferguson, Erik Duval, Katrien Verbert e RyanS. J. d. Baker (2011), Open Learning Analytics: an integrated & modularized plat-form, Proposal to design, implement and evaluate an open platform to integrate he-terogeneous learning analytics techniques.

Silva, Priscilla Chantal Duarte, Ricardo Shitsuka e Patrícia Aparecida Gomes Paschoal(2015), ‘Afetividade nas Interações em AVA: um estudo sobre a interação na educa-ção a distância’, Revista Brasileira de Aprendizagem Aberta e a Distância 14(1).

Srilekshmi, M., Sindhumol S., Shiffon Chatterjee e Kamal Bijlani (2016), LearningAnalytics to Identify Students at-risk in MOOCs, em ‘Proceedings of the 8th In-ternational Conference on Technology for Education’, IEEE.

http://www.sedis.ufrn.br/images/Noticias/2017/Edital_04_2017-SEDIS_-_Tutores_a_dist%C3%A2ncia_para_2017_2_licenciatura_em_Qu%C3%ADmica.pdf



http://www.sedis.ufrn.br/images/Noticias/2017/Edital_05_2017_-_SEDIS_-_TUTOR_PRESENCIAL_QU%C3%8DMICA_1.pdf




Tenório, André, José Ferrari Junior e Thaís Tenório (2015), ‘A Visão de Tutores sobre oUso de Fóruns em Cursos a Distância’, Revista Brasileira de Aprendizagem Abertae a Distância 14(1).

The Globe & Mail, Technology (2012), Desire2Learn Finally Accepts Venture Invest-ment, Acesso em: 06 nov 2016.URL: http://www.theglobeandmail.com/globe-investor/desire2learn-finally-accepts-ventureinvestment/article4516924/

Uschold, Mike e Michael Gruninger (1996), ‘Ontologies: Principles, Methods, and Ap-plications’, Knowledge Engineering Review 11(2).

Vadeyar, Deepshree A. e H. K. Yogish (2014), ‘Farthest First Clustering in Links Reorga-nization’, IJWesT - International Journal of Web & Semantic Technology 5(3).

Valente, José Armando (2009), Aprendizagem por Computador sem Ligação à Rede, emF. M.Litto e M. M. M.Formiga, eds., ‘Educação a Distância: o estado da arte’,Pearson Education do Brasil, São Paulo.

Vygotsky, Lev Semyonovitch (1978), Mind in Society: the development of higher psy-chological processes, 1a edição, Harvard University Press, Cambridge.

Vygotsky, Lev Semyonovitch (2007), A Formação Social da Mente: o desenvolvimentodos processos psicológicos superiores, 7a edição, Martins Fontes, São Paulo.

W3Schools (2016), Introduction to SQL, Acesso em: 5 mai 2016.URL: http://www.w3schools.com/sql/sql_intro.asp

Warner, Rebecca (2012), Applied Statistics: From Bivariate Through Multivariate Tech-niques, SAGE.

Weinberg, Sharon Lawner e Sarah Knapp Abramowitz (2002), Data Analysis for theBehavioral Sciences Using SPSS, Cambridge University Press.

WEKA (2016a), Arff, Acesso em: 21 set 2016.URL: http://weka.wikispaces.com/ARFF

WEKA (2016b), Weka 3: Data Mining Software in Java, Acesso em: 21 set 2016.URL: http://www.cs.waikato.ac.nz/ml/weka/

Wieringa, Roel (2014), Design Science Methodology for Information Systems and Soft-ware Engineering, Springer.

Wu, Junjie (2012), Advances in K-means Clustering: A Data Mining Thinking, Springer.

Zielinski, Felipe Dias Costa e Marcelo Augusto Rauh Schmitt (2015), ‘Uma FerramentaGráfica para Suporte à Atividade Docente no Moodle’, RENOTE - Revista NovasTecnologias na Educação 13(1).

http://www.theglobeandmail.com/globe-investor/desire2learn-finally-accepts-ventureinvestment/ article4516924/



http://www.w3schools.com/sql/sql_intro.asp

http://weka.wikispaces.com/ARFF

http://www.cs.waikato.ac.nz/ml/weka/

Apêndice A

Termo de Sigilo e Confidencialidade

Apêndice B

Consultas SQL: Análise de Correlações

As consultas apresentadas a seguir foram utilizadas pela ferramenta para análise decorrelações (Subseção 5.2.6.1) durante o processo de extração dos atributos dos tutores adistância e das turmas. Vale ressaltar que todas as tabelas dessa base de dados possuem oprefixo “mdlacademico_” e a instalação padrão do Moodle utiliza o prefixo “mdl_”.

102 APÊNDICE B. CONSULTAS SQL: ANÁLISE DE CORRELAÇÕES

Apêndice C

Consultas SQL: Análise de Desempenho

As consultas apresentadas a seguir foram utilizadas pelo Módulo I do sistema MONI-TUM (Subseção 5.3.1) durante o processo de extração dos atributos dos tutores a distân-cia.

112 APÊNDICE C. CONSULTAS SQL: ANÁLISE DE DESEMPENHO

monitum: um sistema proativo para monitoramento e

Documents