Escolar Documentos
Profissional Documentos
Cultura Documentos
discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/275344764
CITATIONS READS
4 421
5 authors, including:
Some of the authors of this publication are also working on these related projects:
Using GIFT and MOOCs to support adaptive training experiences View project
All content following this page was uploaded by Jonathas Magalhes on 23 April 2015.
The user has requested enhancement of the downloaded file. All in-text references underlined in blue are added to the original document
and are linked to publications on ResearchGate, letting you access and read them immediately.
Jornada de Atualizao em Informtica na Educao - JAIE 2012 1/29
Captulo
1
Minerao de Dados Educacionais: Conceitos, Tc-
nicas, Ferramentas e Aplicaes
Evandro Costa, Ryan S.J.d. Baker, Lucas Amorim, Jonathas Magalhes, Tar-
sis Marinho
Abstract
With the increasing use of Interactive Learning Environments (ILEs) or even Learning
Management Systems (LMSs) on the Web to support student learning, an increasingly
massive volume of data is being generated by students and instructors participating in
a range of interactions. This creates an opportunity for researching online learning, but
these data are still only being exploited to a limited degree, compared to the quantity of
findings that could be obtained from these data. For example, in order to understand stu-
dent behaviors and the ways in which students learn, researchers in the emerging field of
Educational Data Mining (EDM) have worked to develop data mining methods that are
relevant for these types of data sets and research questions. The results of EDM analy-
ses have proven useful for improving educational practices and the design of curriculum,
both for classroom and distance use of educational technologies. They have also proven
useful for supporting adaptive personalization in online education. In this chapter, the
principal concepts and techniques of EDM will be discussed, with examples from rele-
vant educational data sets and with reference to common applications of EDM methods.
Such methods will be discussed to address the following data mining tasks: classification
and regression, clustering, and association rule mining. Methods specially developed for
predicting student knowledge, emotion, and preparation for future learning, will also be
discussed.
Resumo
Com o crescente uso de Ambientes Virtuais de Aprendizagem (AVA) na Web e outras tec-
nologias para apoio ao processo de ensino e aprendizagem, um grande volume de dados
tem sido gerado a partir das diferentes modalidades de interao no sistema envolvendo
principalmente estudantes e professores. Entretanto, boa parte desses dados no tm sido
Jornada de Atualizao em Informtica na Educao - JAIE 2012 2/29
1.1. Introduo
1.1.1. Motivaes
Diariamente, motivada principalmente pelas novas tecnologias de coleta e armazena-
mento de dados e pelo advento da Web, uma vasta quantidade de dados produzida
para os mais diversos setores, a exemplo de Sade, Educao, Negcios. Portanto, parte
pondervel desses dados necessita urgentemente ser analisada.
Em particular, verifica-se que muitas instituies educacionais que fazem uso de
Ambientes Virtuais de Aprendizagem (AVAs), ou outras tecnologias de apoio ao processo
de ensino e aprendizagem dos estudantes, esto produzindo um grande volume de dados.
Assim, considerando a existncia de recursos computacionais suficientes para tais insti-
tuies, surge ento um desafio macro que o de como explorar adequadamente esses
dados, visando obter informao valiosa, considerando principalmente requisitos de qua-
lidade de consistncia e corretude, de rpido tempo de obteno e o seu carter oportuno.
Por exemplo, isso remete a questes importantes, tais como: o que especificamente fazer
com esses dados educacionais? Como reverter estas informaes extradas em benefcios
para as instituies, para estudantes e professores envolvidos no contexto de um curso?
Como cada um destes atores podem identificar e utilizar as informaes escondidas nos
dados coletados de tal modo que consigam tirar proveitos delas?
Um cenrio particular e importante do que foi descrito acima o da Universi-
dade Aberta do Brasil1 , na qual se geram grandes volumes de dados, atravs do uso de
AVAs. Portanto, trata-se de um exemplo de instituio que se beneficiaria (ou talvez j se
beneficia) muito da utilizao apropriada de anlise de dados, ou mais especialmente de
minerao de dados educacionais.
1 http://www.uab.capes.gov.br/
Jornada de Atualizao em Informtica na Educao - JAIE 2012 3/29
bases de dados (identificado numa rea que em ingls se denomina Knowledge Discovery
in Databases, KDD). Em KDD verifica-se ainda a incluso de mais duas grandes etapas:
pr-processamento de dados (preparao de dados, abrangendo mecanismos para capta-
o, organizao e tratamento dos dados) e ps-processamento dos resultados obtidos na
minerao de dados. Neste sentido, de acordo com Fayyad et al. [Fayyad et al. 1996],
KDD o processo no trivial de identificao de padres, a partir de dados, que sejam
vlidos, novos, potencialmente teis e compreensveis. Trata-se, portanto, de uma de-
finio abrangente, na qual KDD descrito como um processo geral de descoberta de
conhecimento composto pelas trs grandes etapas mencionadas. Os padres menciona-
dos devem ser novos, compreensveis e teis, ou seja, devero trazer algum benefcio
novo que possa ser compreendido rapidamente pelo usurio para uma possvel tomada de
deciso.
No entanto, h uma falta de consenso entre os autores sobre uma definio para
o termo Minerao de Dados, dificultando a consolidao de uma definio nica. H
inclusive autores que consideram Data Mining como sinnimo de KDD, referindo-se a
ambas como uma disciplina que objetiva a extrao automtica de padres interessantes
e implcitos de grandes colees de dados [Klsgen and Zytkow 2002]. Doravante neste
texto, por simplicidade, no distinguiremos mais estes dois termos.
Minerao de Dados uma rea interdisciplinar, mobilizando principalmente co-
nhecimentos de anlise estatstica de dados, aprendizagem de mquina, reconhecimento
de padres e visualizao de dados [Cabena et al. 1998].
Para descobrir conhecimento que seja relevante, importante estabelecer metas
bem definidas. Segundo Fayyad et al. [Fayyad et al. 1996], no processo de descoberta de
conhecimento as metas so definidas em funo dos objetivos na utilizao do sistema,
podendo ser de dois tipos bsicos: verificao ou descoberta. Quando a meta do tipo
verificao, o sistema est limitado a verificar hipteses definidas pelo usurio, enquanto
que na descoberta o sistema encontra novos padres de forma autnoma. A meta do tipo
descoberta, em geral, est relacionada com as seguintes tarefas de minerao de dados:
predio e descrio, sendo o foco do presente texto.
Tarefas Preditivas objetivam predizer o valor de um determinado atributo (vari-
vel) baseado nos valores de outros atributos. O atributo a ser predito comumente conhe-
cido como a varivel preditiva, dependente ou alvo, enquanto que os atributos usados para
fazer a predio so conhecidos com as variveis preditoras, independentes ou explicati-
vas. De modo mais abstrato, a predio se utiliza de uma tupla de variveis para predizer
outras variveis ou valores desconhecidos [Fayyad et al. 1996].
Tarefas Descritivas procuram encontrar padres (correlaes, tendncias, grupos,
trajetrias e anomalias) que descrevam os dados.
As metas de predio e descrio so alcanadas abordando alguma das seguintes
tarefas e mtodos de minerao de dados: classificao, regresso, agrupamento, sumari-
zao, modelagem de dependncia e identificao de mudanas e desvios.
Jornada de Atualizao em Informtica na Educao - JAIE 2012 4/29
Apesar de algumas iniciativas primeiras com workshops especficos dentro das confern-
cias sobre Artificial Intelligence in Education (AIEd) e sobre Intelligent Tutoring Sys-
tems (ITS), foi somente em 2005, em Pittsburgh, EUA, que foi organizado o primeiro
Workshop on Educational Data Mining, como parte do 20th National Conference on Ar-
tificial Intelligence (AAAI 2005). Da em diante, houve mais algumas realizaes deste
workshop entre 2006 e 2007. Seguindo-se, em 2008 lana-se, em Montreal, Canad, a
primeira conferncia em EDM: First International Conference on Educational Data Mi-
ning, evento este que se estabeleceu e ganhou regularidade de realizao anual, estando
agora em 2012 na sua quinta edio. Em 2009, esta sociedade investiu na criao de um
peridico e publicou o seu primeiro volume do JEDM - Journal of Educational Data Mi-
ning. Em 2011 constituiu-se a sociedade cientfica para EDM (International Educational
Data Mining Society 2 ). Enfim, a rea de EDM est bem consolidada internacionalmente,
mas, ainda dando os seus primeiros passos no Brasil, ficando a produo por conta de
algumas poucas iniciativas de pesquisas isoladas.
alguns desafios prticos que se apresentam em vrios contextos educacionais esto rela-
cionados, por exemplo, a falta de padronizao dos dados, o que acaba exigindo grande
esforo de pr-processamento [Baker 2011]. Alm disso, h a necessidade de adequao
dos algoritmos clssicos de minerao de dados para lidar com especificidades ineren-
tes aos dados educacionais, tais como a no independncia estatstica e a hierarquia dos
dados [Baker 2010a].
Entre as tarefas e mtodos de minerao de dados educacionais a serem discutidos
no presente texto, incluem-se: classificao e regresso, agrupamento de dados, minera-
o de regras de associao. Outras abordagens, entretanto, sero comentadas.
A tarefa de classificao diz respeito ao processo de encontrar um modelo que des-
creve e distingue classes de dados ou conceitos. Os modelos so derivados com base nas
anlises de colees de dados, denominadas conjuntos de treinamentos, os quais corres-
pondem a objetos de dados para os quais os rtulos de classes so conhecidos. O modelo
usado para predizer o rtulo de classe de objetos para os quais o rtulo de classe desco-
nhecido. Ele associa um item de dado a uma ou vrias classes predefinidas. Os modelos
derivados podem ser representados em vrias formas, tais como: rvore de deciso, regras
de classificao, funes matemticas, redes neurais [Han and Kamber 2000].
Enquanto na classificao a predio feita para um atributo classificador que
assume valores discretos, em modelos de regresso a varivel alvo continua, ou seja,
associa um item de dado a uma ou mais variveis de predio de valores reais. Por sua
vez, a anlise de agrupamento de dados procura associar um item de dado com um ou
vrios agrupamentos determinados pelos dados, valendo-se principalmente de medidas
de similaridades. J a abordagem de minerao de regras de associao busca encontrar
possveis relaes interessantes entre atributos de uma base de dados. Estas abordagens
sero discutidas em detalhes na prxima seo deste captulo, onde se discutem outras
abordagens.
Predio
Classificao
Regresso
Agrupamento
Minerao de Relaes
Minerao de Regras de Associao
Minerao de Correlaes
Minerao de Padres Sequenciais
Minerao de Causas
Dos mtodos destacados na taxonomia acima, alguns dos mais demandados esto
descritos em detalhes, quais sejam: Predio, Agrupamento e Minerao de Relaes
(apenas Regras de Associao) e os demais esto sucintamente discutidos.
1.2.1. Predio
Na tarefa de predio, a meta desenvolver modelos que faam inferncia sobre aspectos
especficos dos dados (variveis preditivas) por meio da anlise e associao dos diversos
aspectos encontrados nos dados (variveis preditoras). Um modelo preditivo pode ser
entendido como uma funo f (X, ) Y , onde X um conjunto de variveis preditoras,
so parmetros desconhecidos e Y a varivel preditiva Y . Em outras palavras, deseja-
se estimar o valor de Y por meio da descoberta de utilizando-se X. No processo de
predio, fundamental que boa parte dos dados sejam rotulados manualmente, ou seja,
a aprendizagem do modelo ocorrer de forma supervisionada e dar-se- utilizando um
conjunto de treinamento com valores previamente conhecidos de Y .
Segundo Baker et al. [Baker 2011], h dois benefcios relacionados utilizao
da predio em EDM. Primeiro, os mtodos de predio podem ser utilizados para es-
tudar quais aspectos de um modelo so importantes para predio. Esta estratgia fre-
quentemente utilizada em pesquisas que tentam, de forma direta, predizer os benefcios
educacionais de determinadas tcnicas e ferramentas para um conjunto de estudantes, isso
sem considerar os fatores intermedirios, como apresentado em [Romero et al. 2008]. Se-
gundo, os mtodos de predio auxiliam a predizer o valor das variveis utilizadas em um
Jornada de Atualizao em Informtica na Educao - JAIE 2012 7/29
modelo. O intuito de utilizar essa abordagem verificar quais dados so mais impor-
tantes para o modelo pois analisar todos os dados de um grande banco de dados para
gerar um modelo invivel, do ponto de vista financeiro e de tempo [Baker 2011]. Dessa
forma, o modelo pode ser construdo utilizando parte dos dados e ento ser aplicado para
modelar dados mais extensos [Baker et al. 2008]. Esse tipo de tcnica pode auxiliar no
desenvolvimento e uso de atividades instrucionais, pois consegue-se estimar os benefcios
educacionais antes mesmo da atividade ser aplicada aos alunos.
Em EDM, so utilizados mais frequentemente dois tipos de tcnicas de predio:
classificao e regresso. Na classificao a varivel preditiva binria ou categrica e
na regresso a varivel preditiva contnua. Em ambos os casos, as variveis preditoras
podem ser categricas ou contnuas.
A Figura 1.1 representa o funcionamento de um modelo classificador, que tem
como entrada um conjunto de treinamento, que consiste de um conjunto de amostras
(ou instncias) de dados onde a classe j conhecida (ver Tabela 1.1a). A partir desse
conjunto de dados, o processo de aprendizagem induz um modelo classificador que em
seguida testado junto a um conjunto de testes, que consiste de um conjunto de amostras
cujas classes so ocultadas (ver Tabela 1.1b) e precisam ser preditas a partir do modelo.
de classificao. Em [Damez et al. 2005], utilizado uma rvore de deciso fuzzy para
modelagem de usurio no intuito de distinguir usurios experientes de leigos. utili-
zado um agente para aprender as caractersticas cognitivas das interaes dos usurios e
classific-los. Feng et al. [Feng and Koedinger 2005] buscam por fontes de erro em pre-
dizer o conhecimento de um estudante. Eles utilizam regresso stepwise para predizer
quais mtricas explicam o erro na predio de resultados de exames.
Em relao regresso, os algoritmos mais populares so regresso linear, re-
des neurais e mquinas de vetores de suporte para regresso. Como exemplo de uti-
lizao de tcnicas de regresso em EDM, podemos citar o trabalho de Beck & Wo-
olf [Beck and Woolf 2000] que utilizam regresso linear para predizer variveis observ-
veis. O modelo acoplado num agente de aprendizagem dentro de um STI. O agente
aprende a predizer a probabilidade da prxima resposta do estudante estar correta e em
quanto tempo o estudante gerar a resposta.
A seguir so apresentados alguns algoritmos de predio, relativamente h mo-
delos de classificao, descrevendo o mtodo de induo de rvore de deciso e o de
mquina de vetor de suporte, alm do modelo de regresso, apresentado atravs da abor-
dagem de regresso linear.
Mquina de Vetores de Suporte (do ingls, Support Vector Machine (SVM)) um algo-
ritmo supervisionado utilizado para a tarefa de classificao que utiliza um hiperplano
como separador de classes [Tan et al. 2005]. Este hiperplano descoberto usando os ve-
tores de suporte (conjunto de treinamento) e funciona como um suporte para o limite da
deciso ao classificar.
Para dar uma explicao intuitiva do funcionamento da tcnica de SVM, consi-
dere os dados de treinamento apresentados na Figura 1.3. Suponha que os dados sejam
relativos a uma turma com informaes dos alunos, representados por crculos, como as-
siduidade e nmero de postagens num frum de discusso (variveis preditoras). Alm
disso os dados rotulam cada aluno conforme seu desempenho na disciplina (varivel pre-
ditiva), alunos que passaram da disciplina (crculos brancos) e alunos que no atingiram a
nota mnima (crculos cinzas). Intuitivamente, a meta do SVM descobrir qual a melhor
forma de separar os dois grupos de alunos.
Nota-se que existe um nmero infinito de hiperplanos (linha tracejada) que podem
separar as classes apresentadas (crculos brancos e crculos cinzas). Ento o objetivo do
SVM encontrar qual o melhor hiperplano, ou seja aquele que maximize a distncia
entre as instncias das classes vizinhas. Um exemplo de melhor hiperplano para os dados
apresentados na Figura 1.3 encontrado pelo SVM apresentado na Figura 1.4.
Jornada de Atualizao em Informtica na Educao - JAIE 2012 10/29
Regresso linear uma tcnica de predio que envolve uma varivel preditiva y e uma
nica varivel preditora x, onde y modelado em funo linear de x [Han and Kamber 2000]:
y = b + wx, (1)
1.2.2. Agrupamento
Em agrupamento, o objetivo dividir o conjunto de dados em grupos, de forma que os ob-
jetos contidos nos dados fiquem agrupados naturalmente de acordo com a semelhana en-
tre eles. Os algoritmos de agrupamento so tcnicas de aprendizado no-supervisionado,
logo os grupos ou categorias, e at mesmo suas quantidades, no so conhecidos inicial-
mente. A equao abaixo nos diz quantos grupos de k objetos so possveis dentro de um
conjunto de dados contendo n objetos.
Jornada de Atualizao em Informtica na Educao - JAIE 2012 11/29
1 k
i k
N(n, k) = (1) (k i)n . (2)
k! i=0 i
Se tomarmos, por exemplo, n = 25 e k = 5, temos que N(n, k) = 2.436.648.974.110.751.
Esta tarefa portanto muito complexa e considerada um problema NP-Hard. 3 4
Os algoritmos de agrupamento podem tanto comear sem nenhuma hiptese a
priori sobre os grupos nos dados (tal como o algoritmo k-means com reincio aleatrio),
ou comear de uma hiptese especfica, gerada possivelmente por pesquisa anterior em
outros dados. Um algoritmo de agrupamento pode gerar grupos do tipo hard, onde cada
3 Um problema considerado NP-Hard quando pode-se assumir que sua complexidade , pelo menos,
to grande quanto a do problema NP mais complexo.
4 NP o conjunto de problemas de deciso onde as instncias para as quais a resposta sim podem ser
Figura 1.5. Grfico dos dados da Tabela 1.2, onde nota (Nota final) e tempo
(Tempo de utilizao).
elemento pertence a somente um grupo (ex.: algoritmo k-means), ou do tipo soft (tambm
conhecido como fuzzy), onde um elemento pode pertencer a mais de um grupo (ex.:
Modelos de Mistura Gaussiana).
Diversos trabalhos na rea de Minerao de Dados Educacionais fazem uso das
tcnicas de agrupamento, em [Moreno et al. 2012], um Algoritmo Gentico utilizado
para realizar agrupamento inter-homogneo e intra-heterogneo de estudantes para fins
de atividades de aprendizagem colaborativa. Diversas caractersticas dos estudantes so
consideradas, tais como uma estimativa de seu nvel de conhecimento e estimativas de
suas habilidades de comunicao e de liderana.
Em [Xu ], um mtodo estatstico (mistura de distribuies de probabilidade) de
agrupamento do tipo fuzzy, chamado de Anlise Latente de Classes, utilizado para agru-
par professores de acordo com os seus comportamentos ao utilizar uma biblioteca digital
para auxlio preparao de contedo instrucional. Em [Amershi 2009], diferentes tipos
de estudantes so identificados em ambientes de aprendizagem a partir de dados oriundos
de logs da interface e do rastreamento do movimento dos olhos, esses dados servem de
entrada para um algoritmo de agrupamento do tipo K-Means que se encarrega de agrupar
os estudantes de acordo com suas similaridades comportamentais.
Em [Talavera 2004], tambm utilizado um mtodo estatstico para identificar
padres de comportamento de estudantes em um cenrio de colaborao num ambiente
de aprendizagem. Em [Shen 2003], os estudantes so agrupados de acordo com suas
preferncias com o intuito de melhor adaptar os sistemas de ensino a distncia de acordo
com suas necessidades. Ainda em [Shen 2003], so construdos modelos representativos
Jornada de Atualizao em Informtica na Educao - JAIE 2012 13/29
de cada grupo, que por fim utilizado para identificar as melhores prticas de ensino e
sugesto de material de acordo com as preferncias dos membros de cada grupo.
Em seguida, alguns algoritmos de agrupamento bastante usados em EDM so
mostrados.
Esse processo repetido at que os elementos sejam atribudos aos mesmos grupos
das interaes anteriores por repetidas interaes, de forma que os centrides permaneam
estveis da em diante.
Tal como aponta [Witten and Frank 2005], este mtodo de agrupamento simples
e efetivo. fcil provar que o processo minimiza a distncia quadrtica total de cada ponto
do grupo ao seu centride, e assim que a iterao estabiliza, cada ponto estar atribudo
Jornada de Atualizao em Informtica na Educao - JAIE 2012 14/29
Alm das abordagens descritas acima, existem outras abordagens tambm bastante usadas
em EDM, incluindo mtodos estatsticos como Anlise de Fatores e Modelos de Mistura
Gaussiana.
Os Modelos de Mistura Gaussiana constituem um mtodo estatstico de agrupa-
mento do tipo fuzzy. A base dos algoritmos de agrupamento estatstico o modelo de
misturas finitas, onde uma mistura uma conjunto de k distribuies de probabilidade,
representando os k grupos, que governam os valores de atributos dos membros daquele
grupo. Em outras palavras, cada distribuio d a probabilidade de uma instncia em
particular ter um certo conjunto de atributos se ela for um membro daquele grupo. Cada
instncia em particular pertence a um e somente um dos grupos, mas no se sabe a qual
deles [Witten and Frank 2005].
Com esta fundamentao, os Modelos de Mistura Gaussiana so capazes de pro-
duzir agrupamentos com grupos que se sobrepem ou at mesmo deixar algumas instn-
cias do conjunto de dados sem estar atribudas a nenhum grupo. Esta flexibilidade pode
ser interessante para algumas aplicaes. Uma das desvantagens desta abordagem um
custo computacional relativamente alto.
Minerao de regras de associao introduzida em [Agrawal et al. 1993], uma das mais
importantes tcnicas de minerao de dados, tendo como objetivo central derivar regras
de conhecimento, referindo-se a relacionamentos entre objetos de um conjunto de dados,
visando exibir caractersticas e tendncias. Isto , procura-se associao entre itens do tipo
uma transao que contm os itens X tambm possui o conjunto de itens Y (X Y ),
sendo X Y = 0. / Assim, a regra tem a forma Se X, ento Y , onde X denominado de
corpo da regra e Y de cabea da regra. A cada regra derivada pelo algoritmo, verifica-se
a sua validade e importncia. Para isso, faz-se uso de duas medidas bsicas: o suporte
e a confiana, comparando-as com os seus respectivos limiares estabelecidos (suporte
mnimo e confiana mnima).
A medida de suporte diz respeito ocorrncia relativa da regra de associao
detectada dentro do conjunto de dados de transaes, sendo calculada pelo quociente
entre o nmero de transaes que sustentam a regra e o nmero total de transaes. J a
medida de confiana de uma regra de associao refere-se ao grau com o qual a regra
verdadeira entre os registros individuais, sendo calculada pelo quociente entre o nmero
de transaes sustentando a regra e o nmero de transaes sustentando apenas o corpo
da regra.
Um exemplo de uso dessa tcnica em EDM a minerao de regras em um banco
de dados de notas de alunos em disciplinas. Neste contexto seria possvel derivar regras
como 90% dos alunos que tm bom desempenho nas disciplinas de Lgica e Matemtica
so bem sucedidos tambm em Programao.
Os algoritmos clssicos de minerao de regras de associaco derivam regras ape-
nas conjuntivas, limitando-se a utilizao do operador lgico AND. Desde meados dos
anos 90 que vrios algoritmos clssicos de derivao de regras de associao tm sido de-
senvolvidos, por exemplo: quantitative association rule [Srikant and Agrawal 1996], ge-
neralized association rule [Srikant and Agrawal 1995], sequential patterns [Mannila et al. 1997]
e association rules extended with negation [Tsur et al. 1998]. A literatura de algoritmos
de regras de associao ampla, mas no presente texto vamos ressaltar apenas o clssico
algoritmo Apriori. Apriori [Agrawal et al. 1993] consolidou-se como o primeiro algo-
ritmo de minerao de regras de associao assumido como eficiente. Esse algoritmo
combina uma estratgia de busca denominada Breadth-first search (BFS) com uma estru-
tura de rvore para contagem de ocorrncia de candidatos.
de visualizao da informao [Hershkovitz and Nachmias 2008, Kay et al. 2006]. Al-
guns exemplos dessas particularidades so destacadas por Baker [Baker 2010a]: Os dados
so organizados em termos da estrutura do material de aprendizagem (habilidades, pro-
blemas, unidades, aulas) e da estrutura de contexto de aprendizagem (alunos, professores,
pares de colaborao, classes e escolas).
A destilao dos dados para facilitar decises humanas tem dois propsitos prin-
cipais [Baker 2010b]: a) Identificao - os dados so apresentados de forma que humanos
possam identificar os padres mais facilmente, que so difceis de expressar formalmente;
b) Classificao - a destilao de dados pode ser usada tambm para apoiar a modelos de
predio. Neste caso, parte dos dados so exibidos para serem rotulados por humanos.
Esses rtulos so utilizados como base para a construo desses modelos.
Segundo Baker[Baker et al. 2006], uma rea chave para destilao de dados para
facilitar decises humanas a metodologia de repetio de texto. Essa metodologia con-
siste em apresentar pequenas partes da base de dados em formato de texto, aps rece-
berem rtulos por agentes humanos. Ainda segundo Baker[Baker 2010a], a repetio de
texto tem sido utilizadas para, por exemplo: o desenvolvimento de modelos de predi-
o para usurios que tentam trapacear o sistema em vrios ambientes de aprendizagem
[Baker et al. 2006, Baker et al. 2010].
A identificao de padres de aprendizagem e diferenas individuais dos estudan-
tes a partir da visualizao um mtodo chave para explorao de bases de dados educa-
cionais [Baker 2010a]. Como o exemplo apresentado por Baker [Baker 2010a] dentro do
domnio do modelo do estudante, como pode ser visto na Figura 1.8.
Esta tcnica permite que novos atributos sejam derivados apartir dos atributos originais
com o intuito de facilitar a extrao de determinada informao de forma mais eficaz. O
novo conjunto de atributos pode substituir ou ser agregado aos atributos originais. Con-
Jornada de Atualizao em Informtica na Educao - JAIE 2012 19/29
sidere, por exemplo, um conjunto de fotografias onde deseja-se classificar de acordo com
a presena ou no de uma face humana. Os dados brutos, contendo informaes apenas
a nvel de pixels, podem no ser interessantes para essa tarefa, mas novos atributos, num
nvel mais alto, podem ser gerados a partir de outros algoritmos que detectem a presena,
ou no, de certas bordas na imagem. Esses novos atributos podem servir de entrada a um
conjunto maior de tcnicas de classificao [Tan et al. 2005].
Essa tarefa necessria quando os dados de entrada da tcnica de minerao que se pre-
tende utilizar precisam estar em um formato especfico e diferente do formato atual dos
dados.
Modelagem do estudante;
Modelagem do domnio;
Suporte pedaggico;
Descoberta cientfica.
Nesta seo sero apresentadas como aplicaes que utilizam a minerao de da-
dos educacionais podem auxiliar educadores em diferentes reas, ou mesmo algum sis-
tema computacional, a exemplo de um STI.
1.5.1. WEKA
Weka uma coleo do estado da arte de algoritmos de aprendizagem de mquina e ferra-
mentas de pr-processamento [Hall et al. 2009]. uma ferramenta de cdigo aberto e foi
desenvolvido na Universidade de Waikato na Nova Zelndia. Weka possui uma variedade
de algoritmos de aprendizagem, que incluem ferramentas de pr-processamento. Alm
disso, oferece suporte a todo processo de minerao, que inclui suporte a preparao dos
dados de entrada, avaliao estatstica da aprendizagem, visualizao dos dados de en-
trada e os resultados. Todas as funcionalidades disponveis podem ser acessadas atravs
de uma interface comum, apresentada na Figura 1.9.
A interface oferecida pelo Weka permite que os algoritmos de aprendizagem e
as diversas ferramentas para transformao possam ser aplicados as bases de dados sem
que seja necessrio escrever nenhum cdigo. O Weka inclui mtodos para os problemas
padres de minerao de dados, como: regresso, classificao, agrupamento, regras de
associao e seleo de atributos [Hall et al. 2009]. Todos os algoritmos aceitam o for-
mato padro estabelecido para o Weka, o ARFF. ARFF um formato de entrada especfico
da ferramenta e tem a forma de uma tabela relacional simples. O ARFF pode ser lido de
um arquivo e/ou construdo a partir de uma base de dados.
Na tela principal apresentada na Figura 1.9, o Weka disponibiliza quatro opes o
Jornada de Atualizao em Informtica na Educao - JAIE 2012 22/29
1.5.2. RapidMiner
O RapidMiner um sistema de cdigo aberto para a minerao de dados. um aplicativo
distribudo de forma independente para anlise de dados, minerao de texto e de dados,
alm disso, permite a integrao com outros produtos desenvolvidos pelo mesmo projeto.
Na Figura 1.11 apresentada uma de suas telas, onde a fonte de dados carregada pode ser
Jornada de Atualizao em Informtica na Educao - JAIE 2012 24/29
visualizada.
Poderosa, mas intuitiva interface grfica para o usurio para o design do processo
de anlise;
Referncias
[Agrawal et al. 1993] Agrawal, R., Imielinski, T., and Swami, A. (1993). Mining as-
sociation rules between sets of items in large databases. In Proceedings of the 1993
ACM SIGMOD international conference on Management of data, SIGMOD 93, pages
207216, New York, NY, USA. ACM.
[Amershi 2009] Amershi, S., C. C. (2009). Combining unsupervised and supervised
classification to build user models for exploratory learning environments. Journal of
Educational Data Mining, 1(1):1871.
[Baker 2011] Baker, R.S.J.d., I. S. d. C. A. (2011). Minerao de dados educacionais:
Jornada de Atualizao em Informtica na Educao - JAIE 2012 26/29
[Fayyad et al. 1996] Fayyad, U. M., Piatetsky-Shapiro, G., and Smyth, P. (1996). Ad-
vances in knowledge discovery and data mining. In Fayyad, U. M., Piatetsky-Shapiro,
G., Smyth, P., and Uthurusamy, R., editors, A, chapter From data mining to knowledge
discovery: an overview, pages 134. American Association for Artificial Intelligence,
Menlo Park, CA, USA.
[Feng and Koedinger 2005] Feng, M., H. N. and Koedinger, K. (2005). Looking for sour-
ces of error in predicting students knowledge. In Educational Data Mining: Papers
From the 2005 AAAI Workshop, pages 5461, Menlo Park. AAAI Press.
[Hall et al. 2009] Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., and
Witten, I. H. (2009). The weka data mining software: an update. SIGKDD Explor.
Newsl., 11(1):1018.
[Han and Kamber 2000] Han, J. and Kamber, M. (2000). Data mining: concepts and
techniques. Morgan Kaufmann Publishers Inc., San Francisco, CA, USA.
[Kay et al. 2006] Kay, J., Maisonneuve, N., Yacef, K., and Reimann, P. (2006). The big
five and visualisations of team work activity. In Proceedings of the 8th international
conference on Intelligent Tutoring Systems, ITS06, pages 197206, Berlin, Heidel-
berg. Springer-Verlag.
[Klsgen and Zytkow 2002] Klsgen, W. and Zytkow, J. M., editors (2002). Handbook
of data mining and knowledge discovery. Oxford University Press, Inc., New York,
NY, USA.
[Koedinger et al. 2010a] Koedinger, K. R., Baker, R. S. J., Cunningham, K., Skogsholm,
A., Leber, B., and Stamper, J. (2010a). A data repository for the EDM community:
The PSLC DataShop. Handbook of Educational Data Mining, pages 4355.
[Koedinger et al. 2010b] Koedinger, K. R., Baker, R. S. J., Cunningham, K., Skogsholm,
A., Leber, B., and Stamper, J. (2010b). A data repository for the EDM community:
The PSLC DataShop. Handbook of Educational Data Mining, pages 4355.
[Kotsiantis 2009] Kotsiantis, S. (2009). Educational data mining: a case study for
predicting dropout-prone students. Int. J. Knowl. Eng. Soft Data Paradigm.,
1(2):101111.
Jornada de Atualizao em Informtica na Educao - JAIE 2012 28/29
[Lloyd 1982] Lloyd, S. (1982). Least squares quantization in pcm. Information Theory,
IEEE Transactions on, 28(2):129 137.
[Mannila et al. 1997] Mannila, H., Toivonen, H., and Inkeri Verkamo, A. (1997). Disco-
very of frequent episodes in event sequences. Data Min. Knowl. Discov., 1(3):259289.
[Mierswa et al. 2006] Mierswa, I., Wurst, M., Klinkenberg, R., Scholz, M., and Euler, T.
(2006). Yale: Rapid prototyping for complex data mining tasks. In Ungar, L., Craven,
M., Gunopulos, D., and Eliassi-Rad, T., editors, KDD 06: Proceedings of the 12th
ACM SIGKDD international conference on Knowledge discovery and data mining,
pages 935940, New York, NY, USA. ACM.
[Moreno et al. 2012] Moreno, J., Ovalle, D. A., and Vicari, R. M. (2012). A genetic
algorithm approach for group formation in collaborative learning considering multiple
student characteristics. Comput. Educ., 58(1):560569.
[Passos and Goldsmith 2005] Passos, E. L. and Goldsmith, R. (2005). Data Mining: Um
guia Prtico. Campus, 1 edition.
[Quinlan 1993] Quinlan, J. R. (1993). C4.5: programs for machine learning. Morgan
Kaufmann Publishers Inc., San Francisco, CA, USA.
[Romero et al. 2008] Romero, C., Ventura, S., Espejo, P. G., and Hervs, C. (2008). Data
mining algorithms to classify students. In In Proc. of the 1st Int. Conf. on Educational
Data Mining (EDM08), p. 187191, 2008. 49 Data Mining 2009.
[Srikant and Agrawal 1995] Srikant, R. and Agrawal, R. (1995). Mining generalized as-
sociation rules. In Proceedings of the 21th International Conference on Very Large
Data Bases, VLDB 95, pages 407419, San Francisco, CA, USA. Morgan Kaufmann
Publishers Inc.
[Srikant and Agrawal 1996] Srikant, R. and Agrawal, R. (1996). Mining quantitative
association rules in large relational tables. In Proceedings of the 1996 ACM SIGMOD
international conference on Management of data, SIGMOD 96, pages 112, New
York, NY, USA. ACM.
Jornada de Atualizao em Informtica na Educao - JAIE 2012 29/29
[Superby et al. 2009] Superby, J., Vandamme, J.-P., and Meskens, N. (2009). Determi-
nation of factors influencing the achievement of the first-year university students using
data mining methods. In Proceedings of the Workshop on Educational Data Mining
at the 8th International Conference on Intelligent Tutoring Systems (ITS 2006), pages
3744.
[Talavera 2004] Talavera, L., G. E. (2004). Mining student data to characterize similar
behavior groups in unstructured collaboration spaces. Workshop on artificial intelli-
gence in CSCL. 16th European conference on artificial intelligence, pages 1723.
[Tan et al. 2005] Tan, P.-N., Steinbach, M., and Kumar, V. (2005). Introduction to Data
Mining, (First Edition). Addison-Wesley Longman Publishing Co., Inc., Boston, MA,
USA.
[Tsur et al. 1998] Tsur, D., Ullman, J. D., Abiteboul, S., Clifton, C., Motwani, R., Nes-
torov, S., and Rosenthal, A. (1998). Query flocks: a generalization of association-rule
mining. SIGMOD Rec., 27(2):112.
[Witten and Frank 2005] Witten, I. H. and Frank, E. (2005). Data Mining: Practical Ma-
chine Learning Tools and Techniques. Morgan Kaufmann Series in Data Management
Systems. Morgan Kaufmann, 2nd edition.
[Xu ] Xu, B., R. M. Understanding teacher users of a digital library service: A clustering
approach.