Escolar Documentos
Profissional Documentos
Cultura Documentos
Resumo A mineração de dados educacionais (EDM) é uma área recente de pesquisa que tem como
principal objetivo o desenvolvimento de métodos para explorar conjuntos de dados coletados
em ambientes educacionais. Atualmente ela vem se estabelecendo como uma forte e consolidada
linha de pesquisa que possui grande potencial para melhorar a qualidade do ensino. Apesar dos
esforços de pesquisadores brasileiros, essa área ainda é pouco explorada no país. Para
divulgar alguns dos resultados desta área este artigo apresenta uma revisão das pesquisas
realizadas na área, dando ênfase aos métodos e aplicações que vêem influenciado, com sucesso,
a pesquisa e a prática da educação em vários países. Serão discutidas as condições que
viabilizam a pesquisa da EDM no cenário internacional e quais os desafios para consolidar a
área no Brasil. Além disso, também será abordado o pontencial impacto da EDM na melhora
da qualidade dos cursos na modalidade educação a distância (EAD) que vêm recebendo
incentivo governalmental e um crecente número de alunos matriculados.
Abstract Educational Data Mining (EDM) is the research area concerned with the development and use
of data mining methods for exploring data sets collected in educational settings. In recent years,
EDM has become established internationally as a field and research community, with evidence
of considerable potential to improve the quality of education. Though there have been efforts to
establish EDM research in Brazil, EDM is not yet well established in Brazil. Towards increasing
awareness of EDM research in Brazil, this paper presents a review of research on EDM,
discussing methods and successful applications of EDM research which have influenced
research and educational practice internationally. The article discusses some of the enabling
conditions for EDM research, and the challenges that must be met for this field to reach its full
potential in Brazil. In specific, we discuss the potential that EDM research has to benefit the
increasing number of Brazilian distance learners.
2
Baker, R.S.J.d., de Carvalho, A.M.J.B. RBIE
obtidas ao utilizar métodos de mineração de dados codificação e a identificação das variáveis não precisam
precisam garantir que o modelo encontrado possa ser ser perfeitas). Como indicado na taxonomia, existem três
utilizados para inferir o comportamento ou a tipos de predição: classficação, regressão, e estimação de
aprendizagem novos alunos e/ou classe. RapidMiner [cf. densidade. A estimação de densidade é raramente
30] é uma ferramenta que oferece um melhor apoio a utilizada na EDM devido a falta de independência
estas análises, embora ainda exija do usuário um grande estatística dos dados. Em classificação, a variável
esforço para obter a validação desejada. Devido a esta predicionada é binária ou categórica. Alguns algoritmos
lacuna na área de mineração de dados, muitos populares na EDM, disponíveis em ferramentas como o
pesquisadores que publicam na área de EDM utilizam RapidMiner [30], incluem árvores de decisão, regressão
modelos desenvolvidos na área de psicometria [e.g. 10, logística (para predições binárias), e regressão step.
18, 33]. Quando a variável predicionada é um número, os
Existem várias linhas de pesquisa na área de EDM. algoritmos de regressão mais populares incluem
Muitas delas derivadas diretamente da área de mineração regressão linear, redes neurais, e máquinas de suporte
de dados. Assim, nos parágrafos a seguir faremos uma vetorial. Para classificação e regressão, as variáveis
breve introdução de alguns dos tópicos mais interessantes preditoras podem ser categóricas ou numéricas; métodos
da área. diferentes ficam mais (ou menos) efetivos, dependendo
das carecterísticas das variáveis preditoras utilizadas.
Uma taxonomia das principais sub-áreas de pesquisa
em EDM é apresentada em [4]: Existem dois benefícios de se utilizar métodos de
predição em EDM. Primeiro, métodos de predição são
Predição (Prediction) utilizados para estudar quais aspectos de um modelo são
o Classificação (Classification) importantes para predição, dando informação sobre o
o Regressão (Regression) construto sendo examinado (exemplos de constructo
o Estimação de Densidade (Density modelado incluem curvas de aprendizagem e
Estimation) representações de tipos variados de comportamento). Esta
Agrupamento (Clustering) estratégia é frequentemente utilizada em pesquisas que
Mineração de relações (Relationship Mining) tentam, de forma direta, predizer os benefícios
o Mineração de Regras de associação educacionais para um conjunto de estudantes [e.g. 37],
(Association Rule Mining) sem primeiro predizer os fatores mediantes ou
o Minieração de Correlações (Correlation intermediários. Ou seja, o objetivo é verificar o quanto o
Mining) aluno aprender sem considerar as diversas variáveis que
o Mineração de Padrões Sequenciais influenciam a aprendizagem como, por exemplo,
(Sequential Pattern Mining) variáveis relacionadas ao comportamento do estudante
o Mineração de Causas (Causal Mining) [33]. Segundo, os métodos de predição auxiliam a
Destilação de dados para facilitar decisões predizer o valor das variáveis utilizadas em um modelo.
humanas (Distillation of Data for Human Essa abordagem é necessária, pois analisar todos os
Judgment) dados de um grande banco de dados para gerar um
Descobrimento com modelos (Discovery with modelo é tipícamente financeiramente inviável, além de
Models) consumir muito tempo [7]. Assim, o modelo pode ser
As três primeiras categorias dessa taxonomia são de construído utilizando parte dos dados e então ser aplicado
interesse tanto da área de EDM quanto da área de para modelar dados mais extensos [6]. Esse tipo de
mineração de dados em geral. As sub–categorias de técnica pode auxiliar no desenvolvimento e uso de
Predição: Classificação, Regressão e Estimação de atividades instrucionais, pois consegue estimar os
Densidade estão diretamente relacionadas as categorias benefícios educacionais antes mesmo da atividade ser
dos métodos de mineração de dados apresentados por aplicada com os alunos.
Moore [32]. Na área de agrupamento, o objetivo principal é achar
Na área de predição, a meta é desenvolver modelos dados que se agrupam naturalmente, classificando os
que deduzam aspectos específicos dos dados, conhecidos dados em diferentes grupos e/ou categorias. Estes grupos
como variáveis preditivas (predicted variables), através e categorias não são conhecidos incialmente. Através de
técnicas de agrupamento os grupos/categorias são
da análise e fusão dos diversos aspectos encontrados nos
automaticamente identificados através da manipulação
dados, chamados de variáveis preditoras (predictor
das características dos dados. É possível criar esses
variables). A Predição necessita que uma certa
grupos/categorias utilizando diferentes unidades de
quantidade dos dados seja manualmente codificada para
análise, por exemplo é possível achar grupos de escolas
viabilizar a correta identificação de uma ou mais
(para investigar as diferenças e similaridades entre
variáveis predicionada previamente conhecidas (a
3
Baker, R.S.J.d., de Carvalho, A.M.J.B. RBIE
escolas), ou achar grupos de alunos (para investigar as considerarmos o exemplo anterior onde um aluno
diferenças e similaridades entre alunos), ou até grupos de externaliza comportamentos inadequados que não
atos (para investigar padrões de comportamento) [2]. contribuem para resolver a tarefa dada pelo professor.
Nesta situação o aluno, em muitos casos, recebe uma nota
Em mineração de relações, a meta é descobrir ruim na prova final. Nesta situação, o comportamento do
possíveis relações entre variáveis em bancos de dados. aluno pode ser a causa dele não aprender e, assim,
Esta tarefa pode envolver a tentativa de aprender quais resultado em uma performance ruim na prova. Contudo,
variáveis são mais fortemente associadas com uma pode ser que o aluno externalize tal comportamento
variável específica, previamente conhecida e importante, inadequado devido a dificuldade em aprender, e portanto,
ou pode envolver as relações entre quaisquer variáveis a causa da performance ruim na prova não é o
presentes nos dados. Para identificar essas relações, comportamento em sí, mas sim a dificuldade de
existem quatro tipos de mineração: (a) regras de aprendizagem do aluno. Aalisando o padrão de
associação; (b) correlações; (c) sequências; ou (d) causas. covariância, a mineração de causa pode inferir qual
Na mineração de regras de associação, procura-se evento foi a causa do outro.
gerar/identificar regras do tipo se-então (if-then) que
permitam associar o valor observado de uma variável ao Na área de destilação de dados para facilitar
valor de uma outra variável. Ou seja, caso uma condição decisões humanas, são realizadas pesquisas que tem
seja verdadeira (e.g. variável Y possui valor 1) e uma como objetivo apresentar dados complexos de forma a
regra associe essa condição ao valor de uma outra facilitar sua compreensão e expor suas características
variável X, então podemos inferir o valor desta variável mais importantes. Através da destilação é possível que os
X. Por exemplo, ao analisar um conjunto de dados seria dados sejam utilizados por pessoas para inferir aspectos
possível identificar uma regra que faz a associação entre sobre os dados e, assim, tomar decisões que
a variável “objetivo do aluno”, uma variável binária que anteriormente não poderiam ser tomadas e nem
pode ter os valores alcançado ou não alcançado, e uma automatizadas apenas com o uso dos métodos da EDM.
outra variável binária “pedir ajudar ao professor” que Os métodos dessa sub-área da EDM facilitam a
pode ter os valores sim ou não. Neste contexto, se o aluno visualização da informação contida nos dados
tem como objetivo aprender geometria, mas está com educacionais coletados por softwares educacionais [22,
dificuldade (i.e. a variável objetivo do aluno tem valor 25]. Estes métodos “purificam” os dados para auxiliar as
não alcançado), então é provável que ele peça ajuda do pessoas na identificação de padrões. Em diversas
professor (i.e. a variável pedir ajuda ao professor tem ocasiões, esses padrões são previamente conhecidos, mas
valor positivo). são difíceis de serem visualizados e/ou descritos
Em mineração de correlações, a meta é achar formalmente. Por exemplo, uma visualização clássica em
correlações lineares (positivas ou negativas) entre EDM é a curva de aprendizagem. Essa curva indica o
variáveis. Por exemplo, ao analisar um conjunto de nível de aprendizagem de um aluno (ou de um conjunto
dados, seria possível identificar a existência de uma de alunos) ao longo do tempo. Ela é apresentada num
correção positiva entre uma varíavel que indica a plano cartesiano conforme mostra a figura 1. Nesta curva
quantidade de tempo que um aluno passa externalizando relaciona-se o número de oportunidades que o aluno
comportamentos que não estão relacionados as tarefas praticou um componente de conhecimento1 (apresentado
passadas pelo professor (e.g. conversas paraletas, no eixo x) e a sua performance (porcentagem de valores
brincadeiras e outras perturbações que ocorrem em sala corretos, apresentada no eixo y). Uma curva que desce
de aula) e a nota que este aluno recebe na proxíma prova. rapidamente no inicio do gráfico e depois gradativamente
Em mineração de sequências, o objetivo principal é diminui sua inclinação indica que o modelo de
achar a associação temporal entre eventos e o impacto conhecimento é bem especificado. Ou seja, o modelo
destes eventos no valor de uma variável. Neste caso, é representa corretamente quais as relações entre os
possivel determinar qual trajetória de atos e ações de um componentes de conhecimento e as atividades realizadas
aluno pode, eventualmente, levar a uma aprendizagem pelos alunos. Essas atividades oferecem a oportunidate de
efetiva. Dessa forma, é possível criar um conjunto de practicar os componentes de conhecimento relacionados e
atividades instrucionais que podem melhorar a qualidade ao decorrer deste processo o aluno aprende a medida que
do ensino fazendo com que os alunos externalizem ações suas habilidades e conhecimentos são testados.
que vão ajudá-lo a construir seu conhecimento e Caso a curva de aprendizagem possua diversos pontos
desenvolver as habilidades necessárias para trabalhar com fora dos locais esperados, ou seja, porcentagem de erros
conteúdo sendo apresentado pelo professor. muito acima ou muito abaixo do esperado dado o número
Em mineração de causas, desenvolve-se algoritmos e
técnicas para verificar se um evento causa outro evento 1
Um componente de conhecimento pode ser definido como um
através da analise dos padrões de covariância (uma conceito, uma habilidade, uma regra ou um princípio utilizado para
sistema que faz isso é TETRAD [39]). Por exemplo, se resolver uma tarefa. Maiores informações sobre a definição de
componentes de conhecimento podem ser obtidas em [27].
4
Baker, R.S.J.d.,
R. de
e Carvalho, A.M.J.B. RBIE
1 2
Repositório para armazenam mento e análise de
d dados educaciionais http:///www.carnegieleaarning.com/
3
https://pslcdattashop.web.cmu.ed
du/ https ://mathtutor.web.ccmu.edu/
5
Baker, R.S.J.d., de Carvalho, A.M.J.B. RBIE
utilizem os dados gerados por estes sistemas de forma como “gaming the system”). Com o uso dos métodos da
que seja possível realizar a mineração de dados [1, 38]. EDM (e.g. mineração de causas e correlações) em
Nos Estados Unidos, dados de escolas e distritos conjunto com softwares educacionais é possível apontar
(conjunto de escolas de uma cidade) estão començando a os diferentes fatores que influenciam o comportamento
ser disponibilizados aos pesquisadores através de bancos do aluno e identificar aspectos sutis, muitas vezes
de dados públicos como, por exemplo, o banco de dados imperceptíveis, do design de software que instigam ou
do Centro Nacional de Estatísticas Educacionais incentivam o surgimento de comportamentos indesejados
(National Center for Education Statistics). Estes recursos e inadequados por parte dos alunos [8]. Através desta
permitem que pesquisadores possam, mais facilmente, verificação a área da EDM também contribui para
obter grandes quantidades de dados reais e relevantes oferecer princípios de desenvolvimento que podem ser
para realizar análises utilizando técnicas provindas da aplicados para criar softwares que minimizam o problema
área de EDM. Os pesquisadores que fazem uso destes de comportamento e maximizam a aprendizagem do
dados podem conduzir pesquisas com alta validade aluno.
ecológica, ou seja, os resultados podem ser utilizados no
Pesquisas nessa área também proporcionaram
contexto escolar, enquanto que ao mesmo tempo evita-se
modelos automatizados que podem ser utilizados durante
os custos tradicionais da pesquisa e da coleta de dados
a interação dos alunos com os programas educacionais
nesta área.
para identificar quando os alunos estão tentando trapacear
Com a difusão destes repositórios de dados para conseguir melhores notas sem ter aprendido o
educacionais abertos diminui-se a necessidade de (a) conteúdo adequadamente [6]. Diversos algoritmos que
recrutar escolas, professores, e estudantes; (b) realizar analizam em tempo real os dados das interações dos
estudos convencionais que requerem recursos humanos alunos com a interface do sistema foram desenvolvidos
especializados; (c) ir para escolas e conduzir para verificar automaticamente quando comportamentos
esperimentos que duram dias ou até semanas; (d) inserir, inadequados ocorrem. Essa funcionalidade permite que
formatar e digitalizar os dados obtidos; e etc. Essa sistemas educacionais apresentem comportamentos
abordagem poderá salvar grande parte do tempo e dos “inteligentes” oferecendo suporte e feedback apropriados
custos envolvidos em pesquisas educacionais. Além para melhorar a qualidade da aprendizagem dos alunos.
disso, os resultados poderão ser obtidos mais
Um exemplo deste tipo de sistema inteligente é
rapidamente, serão mais precisos e, finalmente,
apresentado por Baker e colegas [5]. Neste trabalho, os
proporcionarão o desenvolvimento de práticas
autores desenvolveram um personagem (Scooter) que
pedagógicas que podem ser utilizados para melhorar a
reage de acordo com o comportamento apresentado pelo
qualidade do ensino de forma eficaz.
aluno. Quando o aluno interage com o sistema de forma
4. Principais Aplicações da EDM adequada, Scooter faz sinal de positivo conforme mostra
a imagem no canto superior esquerdo da Figura 2.
Quando o aluno tenta trapacear, por exemplo, pedindo
As pesquisas em mineração de dados educacionais vêm
ajuda ao sistema diversas vezes para tentar obter a
oferecendo contribuições significativas para a teoria e a
resposta final de um exercício sem ao menos tentar
prática da educação [9]. Podemos citar diversos exemplo
resolvê-lo, então Scooter muda seu comportamento
do uso de métodos da EDM para melhorar os modelos de
conforme mostra a imagem no canto inferior esquerdo da
conhecimento do estudante em vários diferentes domínios
Figura 2. Como nesta situação o sistema não possui dados
como ensino de língua estrangeira, geometria, química,
suficientes para determinar se o aluno realmente
física e muitos outros [10, 14, 17, 33]. Um dos benefícios
aprendeu ou não o conteúdo desejado então Scooter tenta
desse avanço foi a redução considerável do tempo gasto
diagnosticar o conhecimento do aluno através de uma
pelos alunos para desenvolver suas habilidades
sequência perguntas adicionais (à direita da Figura 2) que
academicas, principalmente em domínios como a
possuem dois propósitos: (1) verificar se o aluno
matemática [15].
aprendeu o conteúdo corretamente; (2) revisar o conteúdo
Métodos da EDM também viabilizaram a expansão para auxiliar aqueles alunos que não aprenderam
do conhecimento científico relacionado aos estados corretamente. Como resultado, os autores do trabalho
emocionais do aluno (e.g. motivado, frustrado, confuso, enfatizam que o comportamento deste personagem
etc). Eles também têm auxiliado a identificar a relação auxiliou o professor a identificar os alunos que não
entre estes estados emocionais e o comportamento estavam aprendendo corretamente e também incentivou
apresentado pelo aluno, principalmente quando ocorre a os alunos a manter um comportamento adequado para
externalização intencional de ações inadequadas aprender de forma eficaz o conteúdo da matéria.
(trapaças) ao interagir com software educacionais (em
Além da contribuição para o desenvolvimento de
inglês, esse comportamento inadequado é conhecido
programas educacionais eficazes, resultados da EDM
6
Baker, R.S.J.d.,
R. de
e Carvalho, A.M.J.B. RBIE
também influênciaram
i áreas mais tradicionais da coletaados nos Estaddos Unidos) [334]. Na JEDM
M (Journal
educação. Um resultado importante fo oi apresentado por of Edducational Data Mining), a revista mais iimportante
Beck e Mo ostow [11] que, através da annálises de dado
os de da árrea, não existee até o momennto nenhum aartigo com
atividades relacionadas a leitura, demo ostrou que re-ller a autorres brasileiros.
mesma história
h é vaantajoso paraa crianças com
A
Ao mesmo tem mpo, o potenccial para a peesquisa, o
desabilidad
des (que lêem m vagarosameente), mas não
desennvolvimento e a aplicação da EDM em ambientes
oferecer benefícios paraa as outras crrianças que estão
e
educaacionais vem m crescendo m muito no Brrasil. Em
aprendendo o a ler. Nessse último caso c ler histó
órias
particcular, com a criação da U Universidade A Aberta do
diferentes propocionam mais
m benefício os à aprendizagem
Brasiil e a legalização de diversoss cursos na modalidade à
[11]. Essee resultado também
t indicca que existe a
distânncia, criou-se grandes oporttunidade para pesquisas
necessidade de se oferecer suporte paara personalizar a
em EEDM no país. A Atualmente, o Brasil é um ddos países
forma de apresentar
a o co
onteúdo em claasse auxiliando o os
que mais cresce nno número dee cursos oferrecidos na
alunos a atiingirem os objetivos desejadoos.
modaalidade Educaçção a Distanciaa (EaD). Em 22008, mais
de 7550.000 estudanntes brasileiross participaram de cursos
e/ou programas de EaD pela inteernet [31]. Estaa mudança
no ssistema educcacional brasiileiro proporcciona um
ambi ente singular na qual a miineração de daados pode
propoorcionar impacctos muito posiitivos.
O
Os dados obtiidos em ambbientes de EaaD, como
granddes quantidaddes de texto envolvendo ddiscussões
(sincrronas e assínccronas) em chaats, fóruns de discussão,
wikiss, blogs, e outtras formas dee interação texxtual entre
estuddante-estudantee e estudante-pprofessor, têm excelente
potenncial de seremm utilizadas parra realizar-se m
mineração
de teexto de descoobrir modelos interessantes sobre os
alunoos. Através das diversass técnicas dda EDM,
breveemente apresenntadas na Seçãão 2, é possívell averiguar
Figura 2. Scooter, umu personagem m que adapta suas se ass diversas ferrramentas dispponíveis em ambientes
ações a paartir da análisee das interações realizadas pelo
p onlinne são realm mente eficazzes para auuxiliar a
aluno. aprenndizagem do aaluno. Por exeemplo, apesar de muitos
Emboraa a EDM sejaa uma área de d pesquisa ainda ambi entes virtuaais de aprrendizagem possuirem
recente, arrtigos dessa árrea são frequentemente citaados ferrammenta de chatt (sala de batee papo), são ppoucos os
pela comuunidade de Computação apliicada à Educaação. trabaalhos científicoos que analizam
m os dados obbtidos por
Em seu arttigo sobre o estado
e da arte na área de EDDM, essa ferramenta e correlacionnam o conteeúdo das
Baker e Yacef
Y apresen
ntam a lista dos artigos mais
m conveersas com a apprendizagem doos alunos [3]. O mesmo
citados na área até o mo omento de acordo com o google probllema ocorre coom fóruns de ddiscussão [21]. Perguntas
scholar [9]. Destaca-se que muitos arrtigos tiveram um comoo, quais foram m os tópicoss discutidos? Quais as
grande númmero de citações em apenas alguns
a meses após
a concllusões alcançaddas pelos alunoos? Quem inteeragiu com
sua publicaação. Por exem
mplo, em apenaas 7 meses (enttre o quemm? Qual a porrcentagem de mensagens rellacionadas
momento da publicação e a escrita do d artigo sobrre o ao asssunto da aullas? São algum mas das pergguntas que
estado da arte realizado por Baker e Yacef), 5 arttigos preci sam ser respoondidas para que o professor, ou o
publicados em coferênccias e revistaas relacionadaas à próprrio software eeducacional, poossa compreennder quais
EDM tiveram mais de 80 0 citações adicionais. proceessos de interaação facilitam a aprendizageem e quais
destees dificultam o desenvolvimeento do conheccimento do
5. EDM
M: Oportun
nidades peelo Brasil alunoo.
A pesquisa de P Prata et al [34],, mostra um exxemplo da
A área de EDM vem estabelecendo o uma comunid dade aplicaação da EDM em atividades colaborativas realizadas
o nos EUA qu
forte tanto uanto na Euro opa. Contudo,, no em aambientes dee EaD. Nestaa pesquisa, oos autores
Brasil a com
munidade e as pesquisas nesssa área ainda estão
e estuddaram a relaçãão entre os attos de colabooração e a
em seu esttágio inicial. Nas
N seis ediçõees de workshops e aprenndizagem dos aalunos em escoolas do ensino médio. Os
conferênciaas internacion nais em mineração de daados resulttados obtidos indicam que oos alunos que aprendem
educacionaais, realizadoss desde 2004 4, só um arrtigo bem o conteúdo aapresentado peelo professor ttem maior
publicado teve
t a co-autorria de um pesq quisador afiliad
do a chancce de mosttrar comportaamentos inappropriados
uma instituuição Brasileirra (e este artig
go envolveu daados especcificos (insultoos) durante o anndamento do ccurso. Este
7
Baker, R.S.J.d., de Carvalho, A.M.J.B. RBIE
resultado é interessante, pois muitos professores ambientes de EaD de forma estruturada e com objetivos
acreditam que os alunos com baixa performance escolar bem definidos. Recentemente, alguns trabalhos
são os maiores responsáveis por atrapalhar a publicados no Simpósio Brasileiro de Informática na
aprendizagem dos outros alunos, contradizendo os dados Educação tiveram como tema principal o uso da EDM
obtidos por Prata et al. Essas visões antagônicas sugerem para analisar textos, apoiar a produção de conteúdo
que os comportamentos dos alunos precisam ser melhor educacional, apoiar a aprendizagem em ambientes
estudados e compreendidos para identificar a razão de sua virtuais de aprendizagem e criar serviços semânticos [28].
ocorrência. No trabalho de Isotani et al. [23] identificou-
Uma pesquisa brasileira que merece destaque nessa
se que muitos dos comportamentos inadequados que
área é apresentada por Kampff [24]. Em sua tese de
surgem durante o uso de ambientes colaborativos
doutorado , Kampff utiliza técnicas da área de EDM para
ocorrem devido a falta de um planejamento adequado das
identificar comportamentos e características de alunos
atividades colaborativas. Estudando tais comportamentos
com alto risto de evazão ou reprovação em ambientes
é possível identificar as características dequeles alunos
virtuais de aprendizagem. Ao verificar que um aluno
que conseguem aprender através da EaD e também
possui tais comportamentos/características o sistema
dequeles que não conseguem.
alerta o professor que poderá tomar as decisões
Para realizar estes estudos de comportamento, pedagógicas necessárias para que o aluno fique mais
ferramentas como o TagHelper [20] utilizadas por Prata e motivado, volte a aprender e não desista do curso. Esse
colegas para analisar atividades colaborativas podem recurso é muito interessante, pois o professor pode
facilitar e agilizar o trabalho de pesquisadores e melhorar suas técnicas de ensino, e verificar quais alunos
educadores. Assim, será possível compreender mais estão passando por dificuldades enquanto ainda é
rapidamente o impacto dos comportamentos e das possível remediar a situação (o que não ocorre nos
interações entre alunos e professores no processo de sistemas de EaD convencionais e nem na maioria das
ensino-aprendizagem em ambientes presenciais e de EaD. salas de aula presenciais).
Como consequência direta, técnicas mais efetivas serão
Um outro resultado interessante é apresentado por
desenvolvidas para ajudar professores a criarem
Pimentel e Omar [35]. Neste trabalho, os autores utilizam
abordagem pedagógicas e ambientes computacionais que
técnicas da EDM para identificar as relações entre
incentivam a aprendizagem aumentando as chances dos
medidas de conhecimento (cognitivas) e medidas
alunos aprenderem de maneira mais rápida e eficaz..
metacognitivas. As medidas cognitivas retratam o real
No Brasil, o desafio de analisar e compreender o desempenho do aluno na resolução de cada problema
comportamento dos alunos é muito grande devido a enquanto que as medidas cognitivas indicam o grau de
diversidade da população. De acordo com Blanchard et conciência (awareness) do aluno em relação ao seu
al. [12] existe uma correlação entre os dados socio- próprio conhecimento.
culturais dos alunos e suas ações, atitudes e
A EaD no Brasil também oferece grandes
comportamentos apresentados durante a aprendizagem.
oportunidades para se realizar pesquisas relacionadas ao
Isso significa que para desenvolver ambientes de EaD
suporte ao diálogo e a discussão. Conforme resultados
efetivos no Brasil, onde a diversidade cultural e
obtidos por Scheuer e McLaren [40] é possível utilizar
econômica é grande, será necessário o desenvolvimento
técnicas da área de EDM para apoiar professores a
de algoritmos e ferramentas computacionais que levam
conduzir discussões em salas de aula virtuais de forma
em consideração a realidade brasileira. Pesquisas nessa
efetiva. A EDM também pode proporcionar benefícios à
área auxiliarão a descobrir formas inteligentes de difundir
avaliação e a aprendizagem através de discussões
e personalizar o conteúdo do cursos para apoiar o aluno
assíncronas [cf. 21], utilizando ferramentas que são
de acordo com sua personalidade, religião, raça, cultura,
frequentemente encontradas nos ambientes de EaD
idade, sexo, e etc, fazendo com que cada indivíduo tenha
utilizados no Brasil. Uma revisão do estado da arte sobre
uma experiência única dentro do ambiente virtual de
o potencial da EDM em melhorar os cursos via internet
aprendizagem. Tal possibilidade é uma das grande
nas universidade é apresentado por Romero, Ventura, &
vantagens da EaD e tem sido defendida ao longo dos anos
Garcia [38]. Neste trabalho os autores recomendam à
por muitos educadores. A quase 15 anos atrás Preti
todos os pesquisadores interessados que apliquem os
identificou a EaD como essencial para desenvolvimento
métodos disponíveis na área de mineração de dados
da educação no Brasil, dizendo que a EaD é “uma
educacionais para casos específicos de EaD e, dessa
modalidade de se fazer educação, onde se democratiza o
forma, promover um ensino mais personalizado e de
conhecimento” [36].
melhor qualidade.
Para que a EaD e a EDM tenham impacto na
Um passo importante e, necessário, para que a área de
sociedade brasileira é necessário que pesquisadores e
EDM tenha resultados tão positivos no Brasil quanto
educadores comecem a utilizar os dados obtidos em
8
Baker, R.S.J.d., de Carvalho, A.M.J.B. RBIE
aqueles obtidos no exterior, será a padronização dos oportunidade para promover a revolução da EDM e
dados obtidos nos cursos de EaD. Estes dados precisam beneficiar minhares de alunos; em grande parte por
ser sistêmicos, anonimizados, e seguindo um padrão bem causa do incentivo governalmental ao uso da Educação-a-
definido que seja utilizado por todos os ambientes Distância (EaD). Através da coleta de dados em grande
virtuais. É importante que todas as informações escala é possível criar modelos e fazer predições que
necessárias sejam coletadas e que os dados sejam serão aplicáveis uma qualquer ambiente virtual de
estrututados de forma a considerar os resultados das aprendizagem e até mesmo em salas de aula
análises anteriores, pois dessa forma as informações mais convencionais. Para isso, é preciso que os dados das
relevantes são enfatizadas, melhor compreendidas e mais interações dos alunos com o material didático e com os
facilmente utilizadas [cf. 1, 27, 34, 38]. professores e colegas nos ambientes de EaD sejam
disponibilizados de forma padronizada e estruturada para
A quantidade de alunos em cursos de EaD cria
comunidade científica brasileira. Além disso, esses dados
oportunidades excelentes para pesquisas na área de EDM
precisam incluir as informações necessárias para
e pode, futuramente, beneficiar significativamente o
viabilizar a pesquisa e o estudo aprofundado da educação
processo de ensino e aprendizagem no Brasil. Contudo, o
no país. Assim, acredita-se que a EDM tem grande
desenvolvimento de pesquisas nesta área vai depender da
potencial para ajudar o Brasil a se destacar no cenário
avaliação de dados pela comunidade científica brasileira,
educacional mundial através de ações que promovam o
assim como aconteceu com a comunidade internacional
ensino eficaz nos ambientes de EaD e nas escolas através
que criou o Pittsburgh Science of Learning Center e o
do uso de tecnologias educacionais que complementam o
DataShop, como discutido anteriormente neste artigo. No
ensino em sala de aula..
Brasil, acredita-se fortemente que um esforço conjunto
envolvendo pesquisadores, educadores e reguladores
deva ser realizado para que o progresso nessa área ocorra Acknowledgements
de forma ágil. Através da estruturação e do
armezenamento de dados de alta qualidade será possível Os autores gostariam de agradecer o apoio do Centro de
disponibilizar publicamente para toda a comunidade de Ciências da Aprendizagem de Pittsburgh (Pittsburgh
pesquisa brasileira e internacional, grandes quantidades Science of Learning Center) e do apoio da National
de dados que, se analisadas corretamente, poderão Science Foundation entitulado “Toward a Decade of
beneficiar estudantes do Brasil e do mundo através de: (a) PSLC Research”, número de projeto SBE-0836012.
mecanismos e ferramentas educacionais mais eficiente;
(b), modelos para identificar alunos com dificuldades de
aprendizagem; (c) meios de melhorar a qualidade do Referências
material didático; e (d) o desenvolvimento de métodos
pedagógicos mais eficazes; além de outros. [1] Allevato, A., Thornton, M., Edwards S., Perez-
Quinones, M. Mining data from an automated
6. Conclusões grading and testing system by adding rich report-
ing capabilities. In Proceedings of the Interna-
A mineração de dados educacionais (EDM) surgiu tional Conference on Educational Data Mining.
como uma área de pesquisa que possui grande potencial 167–176. 2008.
para contribuir com a melhor compreensão dos processos
de ensino, de aprendizagem e de motivação dos alunos [2] Amershi, S., Conati, C. Combining Unsuper-
tanto em ambientes individuais quanto em ambientes vised and Supervised Classification to Build
colaborativos de ensino. No momento, as principais User Models for Exploratory Learning Environ-
contribuições da EDM estão focadas em duas linhas ments. Journal of Educational Data Mining,
principais: (a) a análise de dados e a criação de modelos 1(1):18-71. 2009.
para melhor compreender os processos de aprendizagem;
e (b) o desenvolvimento de métodos mais eficazes para [3] Anjewierden, A., Kollöffel, B.J., & Hulshof, C.
dar suporte à aprendizagem quando o aluno estuda Towards educational data mining: Using data
utilizando softwares educacionais (e.g. cursos via mining methods for automated chat analysis to
internet). Nos EUA e na Europa diversos sistemas tutores understand and support inquiry learning process-
inteligentes estão utilizando técnicas da EDM para es. In Proceedings of the International Work-
proporcionar uma aprendizagem mais personalizada e de shop on Applying Data Mining in e-Learning,
melhor qualidade. Ao mesmo tempo, resultados da área já pagínas 27-36. 2007.
vêm influenciando outros domínios como, por exemplo o [4] Baker, R.S.J.d. Data Mining for Education.
ensino de leitura para crianças como apresentado por McGaw, B., Peterson, P., Baker, E. (Eds.) Inter-
Beck e Mostow [11]. O Brasil tem uma grande national Encyclopedia of Education (3rd edi-
9
Baker, R.S.J.d., de Carvalho, A.M.J.B. RBIE
10
Baker, R.S.J.d., de Carvalho, A.M.J.B. RBIE
[23] Isotani, S., Inaba, A., Ikeda, M. and Mizoguchi, [31] Ministério da Educação do Brasil (MEC).
R. (2009) An Ontology Engineering Approach to Relatório disponível em:
the Realization of Theory-Driven Group For- http://portal.mec.gov.br/index.php?option=com_
mation. International Journal of Computer- content&view=article&id=13260:novo-
mecanismo-de-busca-de-polos-pode-ser-
Supported Collaborative Learning, Springer,
acessado-pela-internet&catid=210. 2009.
4(4), 445-478.
[32] Moore, A. Statistical Data Mining Tutorials.
[24] Kampff, A. J. C. Mineração de dados Available online at :
educacionais para geração de alertas em http://www.autonlab.org/tutorials/ 2005.
ambientes virtuais de aprendizagem como apoio
à prática docente. Tese de doutorado em [33] Pavlik, P., Cen, H., Wu, L. and Koedinger, K.
Informática na Educação. Universidade Federal Using Item-type Performance Covariance to
do Rio Grande do Sul, 2009. Improve the Skill Model of an Existing Tutor. In
Proceedings of the International Conference on
[25] Kay, J., Maisonneuve, N., Yacef, K. Reimann, P. Educational Data Mining, 77-86. 2008.
The Big Five and Visualisations of Team Work
Activity. In Proceedings of Intelligent Tutoring [34] Prata, D.N., Baker, R.S.J.d., Costa, E., Rosé,
C.P., Cui, Y., de Carvalho, A.M.J.B. Detecting
Systems (ITS06). 197-206. 2006.
and Understanding the Impact of Cognitive and
Interpersonal Conflict in Computer Supported
[26] Klemann, M., Reategui, E., Lorenzatti, A. O Collaborative Learning Environments. In Pro-
Emprego da Ferramenta de Mineração de Textos ceedings of the International Conference on
SOBEK como Apoio à Produção Textual. Anais Educational Data Mining, 131-140. 2009.
do Simpósio Brasilerio de Informática na [35] Pimentel, E.P., Omar, N. Descobrindo
Educação, 2009. Conhecimentos em Dados de Avaliacao
Aprendizagem com Tecnicas de Mineracao de
[27] Koedinger, K.R., Baker, R.S.J.d., Cunningham, Dado. Workshop sobre Informática na Escola.
K., Skogsholm, A., Leber, B., Stamper, J. A Anais do Congresso da Sociedade Brasileira de
Data Repository for the EDM commuity: The Computação, 147-155, 2006
PSLC DataShop. Romero, C., Ventura, S.,
Pechenizkiy, M., Baker, R.S.J.d. [36] Preti, O. Educação a Distância: indicios de um
(Eds.) Handbook of Educational Data Mining. percurso. Cuiabá: NEAT/IE – UFMT. 1996.
Boca Raton, FL: CRC Press. 2010. [37] Romero, C., Ventura, S., Espejo, P.G., Hervas,
[28] Longhi , M. T., Behar, P. A., Bercht, M., C. Data Mining Algorithms to Classify Students.
Simonato, G. Investigando a subjetividade In Proceedings of the International Conference
afetiva na comunicação assíncrona de ambientes on Educational Data Mining, 8-17. 2008.
virtuais de aprendizagem. Anais do Simpósio
Brasilerio de Informática na Educação, 2009.
[38] Romero, C., Ventura, S., Garcia, E. Data mining
[29] Marinho, T., Dermeval, D., Ferreira, R., Braz, L. in course management systems: Moodle case
M., Bittencourt, I. I., Costa, E. B., Luna, H. P. study and tutorial, Computers & Education, 51:
L. Um Framework para Mineração de Dados 368–384, 2008.
Educacionais Basedo em Serviçõs Semânticos.
Anais do Simpósio Brasilerio de Informática na [39] Scheines, R., Sprites, P., Glymour, C., Meek, C.
Educação, 2009. Tetrad II: Tools for Discovery. Lawrence Erl-
baum Associates: Hillsdale, NJ. 1994.
11
Baker, R.S.J.d., de Carvalho, A.M.J.B. RBIE
12