Escolar Documentos
Profissional Documentos
Cultura Documentos
ANALYTICS:
ANÁLISE E
DESEMPENHO DO
ENSINO E
APRENDIZAGEM
Andrea Filatro
1
Editora Senac São Paulo – São Paulo – 2019
2
Sumário
Capítulo 1
3 Educação adaptativa
Considerações finais
Referências
Capítulo 2
2 Métricas de desempenho
Considerações finais
Referências
Capítulo 3
3
3 Enem/Enade – Como as avaliações externas geram informações sobre o
desempenho dos alunos e cursos
Considerações finais
Referências
Capítulo 4
Considerações finais
Referências
Capítulo 5
Considerações finais
Referências
Capítulo 6
4
1 Estatística básica
2 Análise de clusters
Considerações finais
Referências
Sobre a autora
5
Capítulo 1
Educação 3.0 –
ajudando o estudante a
assumir o protagonismo
do processo, por meio
do learning analytics
6
Você está convidado a fazer essa exploração conosco!
7
ção 1.0, vigente no século XIX, preparava as pessoas para o modo de
produção agrícola, com os alunos aprendendo em grupos heterogêneos e
de maneira bastante artesanal.
Sistema padroniza-
Baseada na colaboração on-line,
do: estudo se dá em Indústria: trabalho se
na partilha de saberes, na difusão
grandes grupos, dá em fábricas, com
de informação e na interatividade
com pessoas de ferramentas mecâni-
2.0 homem-máquina, por meio de re-
mesma idade; local cas, em grandes gru-
des sociais, fóruns e chats apresen-
passa a ser fechado pos e a partir de tare-
tados como softwares livres, de
e atividades são fas repetitivas.
programação aberta e coletiva.
repetitivas.
Fonte: elaborado pela autora, com base em Sant’Ana, Suanno e Sabota (2017, p. 166) e Porvir
(s.d.).
8
FASE WEB EDUCAÇÃO TRABALHO
Multitarefa: trabalho
Transição: estudo
Agrega às funcionalidades das se dá em pequenos
ainda se organiza
versões anteriores a interpretação grupos interdiscipli-
em grandes grupos,
semântica dos dados do usuário nares, que resolvem
3.0 que fazem a mesma
durante sua navegação, a fim de problemas comple-
atividade ao mesmo
proporcionar uma experiência per- xos. Usam ferramen-
tempo; é preciso
sonalizada de uso da rede. tas digitais durante
nova configuração.
todo o dia.
Fonte: elaborado pela autora, com base em Sant’Ana, Suanno e Sabota (2017, p. 166) e Porvir
(s.d.).
9
va, ubíqua e pervasiva que se impõe nos últimos anos, abrindo caminho e
impulsionando novas metodologias como o learning analytics.
Recursos educa-
cionais gratuitos /
abertos criados e
Direitos autorais e recur-
reutilizados por
Materiais tra- sos educacionais livres /
estudantes em vá-
dicionais de abertos para estudantes
Tipos de conteúdo rias instituições,
direitos dentro de um mesmo cur-
disciplinas, na-
autorais so ou disciplina, às vezes
ções, e comple-
entre instituições
mentados por ma-
teriais originais
criados para eles
10
EDUCAÇÃO EDUCAÇÃO
CARACTERÍSTICAS EDUCAÇÃO 2.0
1.0 3.0
Orquestrador da
Fonte de Guia e fonte de criação de conhe-
Papel do professor
conhecimento conhecimento cimento
colaborativo
11
Das várias características apontadas para a Educação 3.0, uma que
se aplica particularmente ao tema deste capítulo e ao livro como um todo
são as tecnologias de análise e interpretação, especialmente a ciência dos
dados, que, como veremos ao longo desta discussão, tem uma contribui-
ção importante para o processo de ensino-aprendizagem nos dias atuais.
2 Feedback e o protagonismo do
aluno
A evolução das gerações educacionais mostra como, ao longo do
tempo, os alunos passaram a ocupar um papel cada vez mais ativo, parti-
cipativo e construtivo na educação. Keats e Schmidt (2007) resumem os
pontos essenciais da Educação 3.0, que para eles evidenciam o protago-
nismo estudantil na Educação 3.0:
12
1. O papel dos alunos se amplia para fazer escolhas de um modo diferente do que es-
tava disponível na Educação 1.0 e na Educação 2.0.
2. Mais do que receptores passivos de conhecimento, os estudantes se tornam produ-
tores de conteúdo de aprendizagem, e esse conteúdo pode ser reutilizado e até
mesmo liberado sob licenças abertas como Creative Commons, que permitem o
compartilhamento gratuito e a criação de obras derivadas.[1]
3. Os arranjos institucionais permitem a certificação da aprendizagem alcançada pe-
los alunos em diferentes contextos de aprendizagem, e não apenas dos cursos regu-
lamentados e ministrados por instituições reconhecidas.
IMPORTANTE
13
É importante acrescentar que, no âmbito da Educação 3.0, todo esse
protagonismo dos alunos se torna mais acessível, mais visível e mais
passível de monitoramento e retroalimentação com o apoio de tecnologi-
as de aprendizagem baseadas em participação e análise/interpretação de
dados. Estamos falando aqui mais especificamente da chamada analítica
da aprendizagem, tradução para o termo learning analytics que dá título a
esta obra.
14
os programas destinados a melhorar a retenção têm sido efetivos e de-
vem ser mantidos.
PARA PENSAR
15
O propósito do learning analytics é, portanto, compreender o pro-
gresso dos alunos ao longo de um programa, curso ou disciplina, e quali-
ficar sua interação com conteúdos, ferramentas e pessoas. A partir dessa
compreensão embasada em dados, é possível construir melhores propos-
tas pedagógicas, capacitar os alunos a terem um papel proativo em sua
aprendizagem, identificar os alunos em situação de risco e avaliar fatores
que afetam a conclusão e o sucesso dos estudos.
3 Educação adaptativa
À medida que as instituições de ensino passam a adotar metodologi-
as híbridas, com ações presenciais complementadas por ações remotas, a
educação se realiza cada vez mais em ambientes e plataformas on-line.
16
Para educadores e pesquisadores, a análise de dados educacionais
propicia insights sobre a interação do aluno com textos on-line, materiais
didáticos e colegas. Os alunos também podem se beneficiar dessa análi-
se, por meio de softwares móveis e plataformas on-line que usam dados
específicos dos estudantes para produzir sistemas de apoio que atendam
às suas necessidades de aprendizagem.
Considerações finais
17
Por mais delineada que esteja a Educação 3.0 por diversos autores –
e ainda que a expressão Educação 4.0 também seja utilizada em algumas
publicações nacionais e internacionais, praticamente com os mesmos
princípios (CARVALHO NETO, 2017; HARKINS, 2008) –, Lengel
(2012) argumenta que a escola e a universidade atual não evoluíram para
acompanhar as demandas da contemporaneidade. Pelo contrário, conti-
nuam seguindo um modelo fabril, com aulas padronizadas e atividades
repetitivas, pouco adequadas ao momento que vivemos.
De fato, não é difícil perceber que existe um gap entre o que a soci-
edade exige e o que as instituições formais oferecem. No entanto, viven-
ciamos a expansão da educação a distância e dos modelos híbridos, que
representam uma brisa de inovação em relação às ações educacionais
convencionais.
Referências
BARROS, Daniela; OKADA, Alexandra. Os estilos de coaprendizagem
para as novas características da Educação 3.0. In: GOMES, Maria João;
OSÓRIO, Antonio José; RAMOS, Altina; SILVA, Bento Duarte da; VA-
LENTE, Luís (Org.). Atas da VIII Conferência Internacional de TIC
18
na Educação Challenges 2013: Aprender a qualquer hora e em qualquer
lugar. Braga, Portugal, 2013, pp. 1208-1222.
19
tudo teórico para além das tecnologias. Revista Educação e
Linguagens, Campo Mourão, v. 6, n. 10, jan./jun. 2017.
20
[1] Há que se observar, contudo, que liberar ou não uma obra para com-
partilhamento livre e gratuito é uma decisão do(s) autor(es), não do pú-
blico que usufrui da obra. E, nesse sentido, é importante considerar tam-
bém que esse conceito ainda é questionado por alguns especialistas em
direitos autorais, que não veem amparo legal para esse tipo de licença.
De todo modo, o que se destaca aqui é a democratização na produção e
na distribuição do conhecimento, uma característica incontestável da
Educação 3.0.
21
Capítulo 2
22
ção de dados. É também conhecido como educational data mining (EDM
ou, em português, “mineração de dados educacionais”).
23
sucedem são o pré-processamento de dados (ou seja, a preparação de da-
dos, abrangendo mecanismos para captação, organização e tratamento
dos dados) e o pós-processamento dos resultados obtidos na etapa de
mineração.
1 Processos de avaliação
Para compreender o potencial da mineração de dados educacionais
nos processos avaliativos, vamos considerar primeiro as três categorias
básicas de avaliação empregadas na aprendizagem:
24
Sabemos que as tecnologias têm sido usadas há tempos na avaliação
diagnóstica (na aplicação de pré-testes, por exemplo); e o mesmo pode
ser dito com respeito à avaliação somativa (nos exames de larga escala,
como a Prova Brasil, o Saeb, o Enem, o Enade, por exemplo). Podemos
dizer, contudo, que sua utilização na avaliação formativa, comparativa-
mente, é (ou era) menos frequente, devido à dificuldade de aplicar várias
avaliações estruturadas ao longo do processo.
25
cazes de acompanhamento e avaliação para que dificuldades específicas
dos alunos possam ser identificadas e, a partir daí, endereçadas pelos
professores ou pelo sistema. Como já afirmavam Moore e Kearsley
(2007, p. 30):
26
Assim, educadores e designers instrucionais que atuam em escolas,
universidades e outras instituições de ensino realizam ações como proje-
tar, planejar, construir e manter sistemas educacionais. Os alunos usam
esses sistemas para aprender.
2 Métricas de desempenho
Há muitos exemplos de aplicação da mineração de dados em ambi-
entes educacionais. Entre eles, a predição do desempenho dos alunos é
uma das mais antigas e mais populares.
27
cionalidade permite que sistemas educacionais apresentem comporta-
mentos “inteligentes”, ofereçam suportes e feedbacks apropriados.
28
ção entre dados socioculturais dos alunos e suas ações, atitudes e com-
portamentos durante a aprendizagem, a mineração de dados educacionais
pode oferecer apoio ao aluno de acordo com sua personalidade, religião,
raça, cultura, idade, sexo, etc., proporcionando a cada indivíduo uma ex-
periência única.
A ideia de big data na educação pode parecer nova, mas ela está
presente desde 1995, quando Agrawal e Srikant apresentaram o primeiro
trabalho relacionado à mineração de dados educacionais.
29
realizado em Pittsburgh, Estados Unidos (FILATRO; CAVALCANTI,
2018; BAKER; INVENTADO, 2014).
30
geral, os diferentes sistemas computacionais utilizados para apoiar a
aprendizagem costumam centralizar, em um único local, registros das
ações de ensino-aprendizagem executadas por estudantes e educadores.
Mineração de
Identifica relações nos padrões de comportamento dos alunos e diagnosti-
relaciona-
ca dificuldades de aprendizagem
mentos
Destilação de
dados para Representa os dados de forma mais compreensível usando técnicas de
julgamento visualização de informação
humano
31
TÉCNICA DESCRIÇÃO
Rastreio de
Usa modelos cognitivos para comparar competências identificadas e as
conhecimen-
respostas dos alunos ao longo de um período de tempo
to
Considerações finais
A geração e o armazenamento de dados sobre o ensino-aprendiza-
gem em grandes quantidades são possibilitados hoje por sistemas com-
putacionais de apoio à aprendizagem. Seja no contexto da educação a
distância ou da educação presencial mediada por tecnologias, pratica-
32
mente tudo o que os alunos e os professores fazem nos ambientes virtu-
ais de aprendizagem é rastreado e monitorado.
Referências
AGRAWAL, Rakesh; SRIKANT, Ramakrishnan. Mining sequential pat-
terns. In: Eleventh international conference on data engineering. Tai-
pei, Taiwan: IEEE Computer Society Press, 1995, pp. 3-14.
33
BAKER, Ryan Shaun Joazeiro de; ISOTANI, Seiji; CARVALHO, Adria-
na Maria Joazeiro Baker de. Mineração de Dados Educacionais: Oportu-
nidades para o Brasil. Revista Brasileira de Informática na Educação,
v. 19, n. 2, 2011.
FARIA, Susana Maria Sousa Martins Leite de. Educational Data Mi-
ning e Learning Analytics na melhoria do ensino on-line. 2014. 138 f.
Dissertação (Mestrado em Estatística, Matemática e Computação) – Uni-
versidade Aberta de Portugal, 2014.
34
ROMERO, Cristóbal et al. Handbook of Educational Data Mining.
Boca Raton, FL: CRC Press, 2011.
35
[1] Machine learning (aprendizado de máquina) – habilidade dos siste-
mas computadorizados de melhorar seu entendimento e desempenho por
meio de modelos matemáticos e descoberta de padrões de dados, que são
usados para fazer predição sem que tenham sido previamente configura-
dos para isso (FILATRO; CAVALCANTI, 2018).
36
Capítulo 3
Dados – informações –
conhecimento –
inteligência. Um
processo essencial para
a educação para o
século XXI
37
A fim de complementar e ilustrar essa discussão, vamos analisar
ainda aspectos relacionados a dados e informações sobre o desempenho
de alunos e de cursos através dos grandes sistemas de avaliações nacio-
nais como o Enem e o Enade.
1 Transformando dados em
conhecimento para a melhora do
processo ensino-aprendizagem
Segundo definições de dicionários reconhecidos como o brasileiro
Houaiss e o inglês Oxford, podemos dizer que, na área da ciência da
computação, dado é uma informação (ou um pedaço de informação) ca-
paz de ser processada(o) por um computador.
De forma mais específica, Semidão (2014, pp. 96, 98, 99), a partir
de um exaustivo estudo sobre a tríade dados-informações-conhecimen-
tos, apresenta definições variadas que nos ajudam a entender melhor o
conceito de dado(s):
38
cialmente de sinais e são a matéria-prima a ser processada. Os dados
representam observações ou fatos fora de contexto, e não são direta-
mente significativos. Tanto a informação quanto o conhecimento são
comunicados por meio de dados. (Dictionary of Information Science
and Technology, p. 152)
Conjunto de dados que foi processado até ganhar uma forma signifi-
cativa. Vista dessa forma, informação é um conjunto de dados reuni-
dos em uma forma compreensível; forma capaz de comunicação e
de utilização; a essência do que é um significado foi anexado aos
fatos brutos. (International Encyclopedia of Information and Library
Science, p. 244)
39
Informação compreendida sob a luz da experiência e incorporada no
entendimento intelectual dos que conhecem algo sobre algum obje-
to. (Online Dictionary for Library and Information Science, verbete
“knowledge”, s.p.).
40
formados em conhecimento explícito, muitas vezes confirmando e outras
vezes colocando em xeque conhecimentos tácitos cultivados por educa-
dores e gestores.
41
Figura 1 – A cadeia conceitual para dados,
informação, conhecimento, insight e sabedoria
42
PARA PENSAR
43
um processo geral de descoberta de conhecimento por meio da identifica-
ção de padrões, a partir de dados, que sejam válidos, novos, potencial-
mente úteis e compreensíveis. Ou seja, nesse processo os dados deverão
resultar em algum benefício novo que possa ser compreendido pelas pes-
soas para apoiar uma possível tomada de decisão, agora baseada em co-
nhecimentos explícitos resultantes.
44
de capacitação e atualização; além disso, dados como o número de pes-
soas treinadas anualmente, as horas de treinamento ofertadas e a percep-
ção dos treinandos sobre aspectos variados das ações são registrados jun-
tamente com os dados das ofertas presenciais.
45
2. Análise comparativa – capacidade de observar padrões e relações
entre dois ou mais aspectos de um curso. Pode trazer insights sobre
como a sequência de atividades de aprendizagem propostas impacta
a participação dos estudantes ao longo do tempo, porém não se res-
tringe ao domínio temporal, aplicando-se também à análise de rede
social, de conteúdo e de discurso. Uma aplicação é acompanhar o
fluxo de discussão on-line de um pequeno grupo de alunos e verifi-
car como o envolvimento dos membros do grupo muda e evolui ao
longo do tempo em relação a outros componentes do curso.
46
dos em uma discussão, as redes que se formam em atividades cola-
borativas (por meio de sociogramas), atividades que ocorrem fora
do LMS (como em redes sociais e microblogs), se determinadas mí-
dias foram assistidas via streaming ou por meio de download, ou
que porções de um vídeo foram assistidas.
47
Figura 2 – Framework conceitual para as
dimensões de análise dados educacionais
Como podemos notar, é a extensão dos dados que podem ser coleta-
dos, processados e utilizados para possibilitar o acesso a informações so-
bre desempenho, engajamento, presença e gestão, entre outros. Na seção
a seguir, veremos como isso se aplica ao nível macro dos sistemas educa-
cionais, por meio dos dados gerados em avaliações de larga escala como
o Enem e o Enade.
48
Desse esforço, resultaram nos anos seguintes várias avaliações de
larga escala para os diversos níveis do ensino no Brasil. O Sistema de
Avaliação da Educação Básica (Saeb), instituído em 1990, foi o primeiro
deles, seguido pelo Enem – Exame Nacional do Ensino Médio, instituído
em 1998 e adotado como critério de seleção para o ensino superior em
2009, e pelo Enade – Exame Nacional de Desempenho dos Estudantes,
cuja primeira aplicação ocorreu em 2004.
49
PARA SABER MAIS
3.3 Estudos
50
Sabemos que a avaliação é um elemento muito importante no pro-
cesso de ensino-aprendizagem. Ela reflete o nível de desempenho de alu-
nos por meio da atribuição de notas ou conceitos. Porém, mais do que
isso, pode ser usada como uma ferramenta para determinar o grau de as-
similação de conceitos, técnicas, procedimentos, normas e valores; ajuda
o professor a aperfeiçoar seus métodos de trabalho; e ainda auxilia os
alunos no desenvolvimento de autoconfiança.
51
informações e conhecimento que estão embutidos nos microdados – tais
como as relações entre diferentes indicadores, utilizando-se para isso o
processo KDD e a abordagem de learning analytics. Por exemplo, a par-
tir das técnicas de mineração e analítica dos dados, é possível identificar
relações entre fatores socioeconômicos e culturais como faixa etária, gê-
nero, renda familiar, origem escolar, área geográfica, etc. e desempenho
dos alunos nas avaliações.
Considerações finais
Exemplos da análise de dados educacionais visando à melhoria do
processo de ensino-aprendizagem ainda são raros no Brasil, o que de cer-
ta forma se justifica pela recentidade do tema. Ao mesmo tempo, quando
consideramos as dimensões possíveis de análise, fica patente o potencial
e a importância de adotar de forma mais intensiva métodos de mineração
e analítica de dados, com o intuito de conhecer a situação dos diversos
níveis e modalidades de ensino, os fatores relacionados e, por con-
sequência, nortear a implantação de melhorias no sistema educacional
brasileiro.
Referências
BAKHARIA, Aneesha et al. A conceptual framework linking learning
design with learning analytics. Proceedings of the Sixth International
Conference on Learning Analytics & Knowledge 2016. ACM: New
York, 2016, pp. 329-338.
52
DOURADO, Raphael et al. Novas possibilidades de avaliação em larga
escala na educação básica através do uso de EDM e Learning Analytics.
XXXVII Congresso da Sociedade Brasileira de Computação, 2017.
53
[1] Em estatística, coorte é um grupo de indivíduos que têm em comum
um conjunto de características (idade, localização geográfica, condição
física, etc.) e estão expostos aos mesmos eventos (por exemplo, desas-
tres, fatos históricos, uso de medicação e, no caso educacional, situação
didática ou metodologia de ensino, entre outros).
54
Capítulo 4
LMSs e plataformas
educacionais – como
avaliar se um ambiente
é adequado para a nova
educação?
55
soluções desenvolvidas para os LMSs mais utilizados mundialmente
(Moodle, Blackboard e Canvas).
56
tórios, informações de classe e agendamento, etc., assim como informa-
ções on-line do tipo páginas Web e páginas de conteúdo do curso. Nas
salas de aula convencionais, os professores em geral buscam melhorar o
ensino monitorando a aprendizagem e o desempenho dos alunos através
da observação direta e da análise de material escrito.
57
De forma mais detalhada, os sistemas para educação apoiada por
mídias e tecnologias abrangem:
IMPORTANTE
58
do o modo de interação de cada aluno com base em seu modelo
individual.
59
IMPORTANTE
60
Oferece o suporte de rubricas (para identificar e apoiar alunos em
dificuldades) e dados mais detalhados de ferramentas (para identificar e
entender padrões de engajamento de alunos e professores com conteúdo,
recursos e avaliações), elevando os relatórios do LMS a um patamar
superior.
61
Figura 3 – Exemplo de resultados exibidos pelo
SmartKlass™ Learning Analytics para o LMS
Moodle
62
Figura 4 – Exemplo de resultados exibidos pelo
recurso Analytics para o LMS Canvas
63
PARA SABER MAIS
64
de mapear fluxos de alto volume de dados, em tempo real, com vistas a
auxiliar o planejamento acadêmico, o design de programas e cursos e as
medidas de intervenção com relação aos alunos.
1. interoperabilidade e integração;
65
2. personalização;
4. colaboração; e
Essa visão é apoiada pelo Horizon Report 2017, que também traz a
visão de alguns líderes em relação aos LMSs tradicionais, como limita-
dos em capacidade, concentrados demais na administração da aprendiza-
gem e não na aprendizagem em si. Essa crítica emerge especialmente a
partir da disseminação dos MOOCs em 2011, com a adoção de platafor-
mas abertas como o OpenEdX, e a utilização paralela por alunos e do-
centes de ferramentas como Google Apps, WordPress, Slack e iTunes U
(externas aos LMSs). Diante desse cenário, o relatório indica os NG-
DLEs como espaços mais flexíveis que podem oferecer suporte, persona-
lizar, cumprir os padrões de design universal e desempenhar um papel
maior na avaliação de aprendizagem formativa. Nessa visão, em vez de
existirem como sistemas únicos e isolados, esses ambientes se tornam
uma confederação de sistemas e componentes computacionais que ade-
rem a padrões comuns (ADAMS BECKER et al., 2017).
66
2 Quais informações são importantes
para a tomada de decisões?
Diante das possibilidades de trabalhar com dados internos e exter-
nos a LMSs e considerando o conceito mais amplo de ambientes digitais
de aprendizagem de nova geração, quais informações provenientes de
tantas fontes diferentes são realmente importantes para a tomada de deci-
são em educação apoiada por mídias e tecnologias?
2. Dados relativos à aprendi- Áreas mais acessadas da página inicial do(s) ambiente(s)
zagem proposta de design ins-
Número de acessos a conteúdos (textos, vídeos, multimí-
trucional e à aprendizagem
dia, materiais complementares, links externos…)
propriamente dita
Fonte: elaborado pela autora, com base em IMS GLOBAL (2017); Bakharia et al. (2016); Filatro e
Cavalcanti (2018).
67
TIPOS DE DADOS INDICADORES
Número de acessos a atividades (questionários, fóruns,
desafios, jogos, simuladores…)
Fonte: elaborado pela autora, com base em IMS GLOBAL (2017); Bakharia et al. (2016); Filatro e
Cavalcanti (2018).
68
TIPOS DE DADOS INDICADORES
Número de postagens em blogs e redes sociais (por tipo
de mídia – texto, imagem, áudio, vídeo…)
Número de comentários em postagens de blogs e redes
sociais
Números de curtidas ou aprovações em postagens de
blogs e redes sociais
Fonte: elaborado pela autora, com base em IMS GLOBAL (2017); Bakharia et al. (2016); Filatro e
Cavalcanti (2018).
69
TIPOS DE DADOS INDICADORES
Índice de abandono/evasão
Nota final em atividades on-line (questionários, fóruns,
6. Dados de desempenho final desafios, jogos, simuladores…)
Nota em provas presenciais
Nota em projeto final
Nota final no curso ou disciplina
Fonte: elaborado pela autora, com base em IMS GLOBAL (2017); Bakharia et al. (2016); Filatro e
Cavalcanti (2018).
70
Figura 5 – Abrangência dos dados coletados e sua contribuição para
a tomada de decisão educacional
DADOS CONSOLIDADOS DADOS DISTRI-
DADOS INDIVIDUAIS DE GRUPOS, TURMAS BUÍDOS DE UM
OU COLETIVOS PERÍODO
71
cessário coletar outros dados referentes a tentativas, superações de fases
ou progresso em níveis.
72
mente, os dados ali listados fornecem indicadores para avaliar processos
de:
avaliação da aprendizagem;
Considerações finais
Para deixar mais claro o potencial da avaliação dos processos com o
apoio da mineração e da analítica de dados da aprendizagem, encerramos
o capítulo com as questões organizadas por Davenport et al. (2010 apud
NUNES; CHAVES, 2015) com relação ao modo de usar as informações
de modo mais efetivo e gerar insights a partir das informações obtidas.
73
cos podem responder à pergunta: “O que aconteceu?”. Alertas podem
responder à pergunta: “O que está acontecendo?”. E extrapolações po-
dem responder à pergunta: “O que acontecerá?”. A essas constatações
podem se seguir insights do tipo “Como e por que aconteceu?”, pergunta
à qual a modelagem estatística pode responder, ou “Qual é a melhor ação
a seguir?”, pergunta à qual sistemas de recomendação podem responder,
ou “O que de melhor ou pior pode acontecer”, pergunta à qual medidas
de predição, otimização e simulação podem ajudar a responder.
Referências
ADAMS BECKER, Samantha et al. NMC Horizon Report: 2017.
Higher Education Edition. Austin, Texas: The New Media Consortium,
2017.
74
siness Press, 2010.
75
Capítulo 5
Mobile Education –
gerando dados de forma
ubíqua e pervasiva
76
porque a nossa configuração corporal favorece, desde que nascemos, o
movimento.
77
Centro-
Norte Nordeste Sudeste Sul
Oeste
1.1 M-learning
78
Em termos conceituais, o processo de ensino-aprendizagem inter-
mediado por dispositivos móveis, como telefones celulares, smartphones
e tablets, é conhecido como m-learning (do inglês mobile learning, ou
aprendizagem móvel, ou aprendizagem com mobilidade).
79
Segundo Saccol, Schlemmer e Barbosa (2011), o m-learning pode
ser caracterizado por:
PARA PENSAR
80
na medida em que dúvidas surgirem em campo e que situações inespera-
das se apresentarem. Dessa forma, os espaços de ensino-aprendizagem
acabam por se ampliar para além da sala de aula tradicional ou das situa-
ções formais formação/capacitação, favorecendo a educação continuada
por toda a vida.
1.2 U-learning
Como podemos ver, um dos aspectos mais positivos dos dispositi-
vos móveis é que eles permitem a aprendizagem em diferentes contextos.
À medida que o contexto muda, é necessário adequar a forma de apren-
der a esse novo contexto. Nesse sentido, Saccol et al. (2011) consideram
o u-learning (do inglês ubiquitous learning, ou aprendizagem ubíqua)
ainda mais abrangente que o m-learning.
81
No u-learning, tudo o que ocorre ao redor do aprendiz é percebido e
capturado na forma de dados contextuais, podendo gerar a entrega perso-
nalizada de conteúdos, adaptação de atividades de aprendizagem e a re-
comendação de interações com pessoas ou locais próximos.
82
PARA SABER MAIS
83
ções podem ocorrer enquanto os alunos carregam seus dispositivos
móveis. Analisar esses dados pode gerar informações úteis e levar a
uma compreensão do padrão de interação entre os alunos.
84
Interações explícitas: envolvem alto nível de intervenção humana,
de modo que os dispositivos móveis são controlados externamente
pelos aprendizes e influenciados por suas entradas e atividades. Os
estudantes se comunicam de forma explícita com os dispositivos de
diferentes maneiras – por meio de linha de comando, interface gráfi-
ca, entrada de fala e gestos etc., e transmitem ao sistema móvel suas
expectativas e necessidades.
85
tics (ver [capítulo 2]). Isso se aplica especialmente à avaliação formativa,
aquela que ocorre durante a situação didática e retroalimenta o processo
de ensino-aprendizagem por meio de feedbacks.
86
c. o feedback é oportuno na medida em que é recebido por estudantes
enquanto ainda importa para eles e a tempo de eles prestarem aten-
ção para aprenderem mais ou receberem mais apoio.
Considerações finais
Vimos neste capítulo como é amplo o potencial de utilização dos
dispositivos móveis para a aprendizagem, especialmente quando consi-
deramos a captura e o tratamento dos dados móveis e contextuais dos
aprendizes.
87
ender melhor como se dá a análise de dados no learning analytics em ge-
ral e em suas versões móvel e ubíqua.
Referências
ALJOHANI, Naif R.; DAVIS, Hugh C. Learning analytics in mobile and
ubiquitous learning environments. 11th World Conference on Mobile
and Contextual Learning: mLearn 2012, Finland. 16-18 Oct 2012.
88
ubíqua. São Paulo: Pearson, 2011.
TABUENCA, Bernardo et al. Time will tell: The role of mobile learning
analytics in self-regulated learning. Computers & Education 89, 2015,
pp. 53-74.
89
Capítulo 6
Estatística educacional e
learning analytics
Por essa razão, iniciamos este capítulo com uma breve revisão dos
fundamentos da estatística e a seguir concentramos nossa atenção nas
técnicas de análise de clusters (ou clusterização), de análise fatorial e de
regressão.
90
1 Estatística básica
A estatística é uma ciência que faz parte da matemática e que em-
prega métodos para a coleta, organização, descrição, análise e interpreta-
ção de dados, visando a tomada de decisão em ambientes de incertezas e
variações.
91
variável dependente), teste de hipóteses (resposta à pergunta
sim/não), séries temporais, etc.
92
cair abaixo de um ponto de corte pré-especificado, a pesquisa determina
que há um efeito significativo na amostra e, portanto, na população.
93
c. formular corretamente o problema a ser analisado, a partir da
compreensão do contexto e da identificação dos parâmetros de
interesse a serem investigados.
94
5. Apresentar os dados, facilitando a análise, interpretação e tomada
de decisão através de:
a. tabelas;
b. gráficos;
b. interpretar resultados;
c. tirar conclusões.
95
PARA PENSAR
96
Além disso, a própria Associação Americana de Estatística reconhe-
ce que, por sua natureza interdisciplinar, a ciência de dados é composta
por várias outras ciências, como as ciências da computação, por exem-
plo, com diferentes modelos, tecnologias, processos e procedimentos re-
lacionados aos dados. Entre eles, podemos citar: a) a área de gerencia-
mento de banco de dados, que permite a transformação, a conglomeração
e a organização de dados; b) o aprendizado de máquina, que converte da-
dos em conhecimento; e c) os sistemas distribuídos e paralelos, que for-
necem a infraestrutura computacional para realizar a análise dos dados.
2 Análise de clusters
Podemos dizer que agrupar e rotular aspectos da realidade são duas
das ocupações mais padronizadas do cérebro humano. Ao dividir a rea-
lidade existente em diferentes categorias, estamos realizando tarefas de
agrupamento e classificação que podem ser melhoradas ao longo do tem-
po à medida que aprendemos mais sobre a realidade (VELLIDO, et al.,
2011).
97
A análise de clusters, também conhecida como clusterização (do in-
glês clustering, agrupamento) é uma técnica estatística cujo objetivo é
encontrar dados semelhantes entre si. Essa técnica distribui variados da-
dos analisados (heterogêneos) em conglomerados com características si-
milares (mais homogêneas) denominados clusters.
PARA PENSAR
98
(a) Partição
Fonte: adaptado de Linden (2009) e Regazzi (2001 apud VICINI; SOUZA, 2005, p. 19).
99
(d) Dendograma
Fonte: adaptado de Linden (2009) e Regazzi (2001 apud VICINI; SOUZA, 2005, p. 19).
100
os dados que foram coletados, dispostos no eixo da coluna, e as variá-
veis, dispostas no eixo da linha. Por fim, o último exemplo que apresento
é o dendograma (d), que é um diagrama em forma de árvore, que exibe o
agrupamento de acordo com a ordenação hierárquica entre os dados.
101
A análise fatorial é especialmente útil para conjuntos complexos de
dados, aplicando-se, por exemplo, a estudos psicológicos, pesquisas no
âmbito da política, verificação de status socioeconômico e resultados de
dietas alimentares. Por essa razão, é de grande interesse na área
educacional.
102
para criar variáveis independentes ou dependentes que serão usadas
posteriormente em modelos de regressão (como veremos a seguir).
103
VARIÁVEL INDE-
VARIÁVEL DEPENDENTE (Y)
PENDENTE (X)
Renda Consumo
Memória RAM Tempo de resposta do sistema
Grau de escolaridade Renda anual
104
Figura 2 – Exemplo de diagrama de dispersão
85 1,83
50 1,65
70 1,90
55 1,60
77 1,80
85 1,78
93 1,86
65 1,70
60 1,65
105
No entanto, a análise gráfica da relação entre variáveis é importante,
mas os olhos nem sempre são um bom juiz da intensidade de uma rela-
ção. É preciso, então, utilizar medidas numéricas que acompanhem o
gráfico.
106
Considerações finais
Neste capítulo, exploramos fundamentos e técnicas da estatística
como conclusão do nosso estudo sobre learning analytics.
Referências
AMARAL, Fernando. Introdução à ciência de dados: mineração de da-
dos e big data. Rio de Janeiro: Alta Books, 2016.
107
blica, Campinas, v. 16, n. 1, jun. 2010.
108
Sobre a autora
109
Administração Regional do Senac no Estado de São Paulo
Presidente do Conselho Regional
Abram Szajman
Gerente/Publisher
Jeane Passos de Souza
Coordenação Editorial/Prospecção
Luís Américo Tousi Botelho
Márcia Cavalheiro Rodrigues de Almeida
Administrativo
João Almeida Santos
Comercial
Marcos Telmo da Costa
Acompanhamento Pedagógico
Ana Claudia Neif Sanches Yasuraoka
110
Designer Educacional
Francisco Shoiti Tanaka
Revisão Técnica
Whaner Endo
Preparação de Texto
Patrícia Café
Revisão de Texto
AZ Design Arte e Cultura
Capa
Antonio Carlos De Angelis
Editoração Eletrônica
Michel Iuiti Navarro Moreno
Ilustrações
Michel Iuiti Navarro Moreno
Imagens
iStock Photos
Produção do ePub
Daniele Lippert
Juliana Ramos
Lucas Camargo
Rhodner Paiva
Ricardo Diana
111
Todos os direitos desta edição reservados à
Editora Senac São Paulo
Rua 24 de Maio, 208 – 3º andar
Centro – CEP 01041-000 – São Paulo – SP
Caixa Postal 1120 – CEP 01032-970 – São Paulo – SP
Tel. (11) 2187-4450 – Fax (11) 2187-4486
E-mail: editora@sp.senac.br
Home page: http://www.editorasenacsp.com.br
112
Dados Internacionais de Catalogação na Publicação
(CIP)
Filatro, Andrea
Learning analytics: análise e desempenho do ensino e
aprendizagem / Andrea Filatro. – São Paulo: Editora Senac
São Paulo, 2019. (Série Universitária)
Bibliografia.
e-ISBN 978-85-396-2576-5 (ePub/2019)
1. Educação 2. Educação 3.0 3. Educação e Tecnolo-
gia 4. Análise de aprendizado 5. Pesquisa em educação:
Métodos estatísticos 6. Estatísticas educacionais: Processa-
mento de dados I. Título. II. Série.
18-859s CDD-370.72
371.33
BISAC EDU027000
EDU037000
EDU029030
113
Siga a Editora Senac nas redes sociais.
114
Avaliação de impacto ambiental
Souza, Barbara
9788539625994
294 páginas
115
licenciamento ambiental brasileiro. Explora cada etapa do processo e os
princípios fundamentais da Avaliação de Impacto Ambiental, com ênfase
nas melhores práticas. São abordados os desafios na concepção e
implementação de propostas de desenvolvimento desde projetos até
planos e políticas. Os principais tópicos incluem o licenciamento
ambiental, o desenvolvimento sustentável, consideração de alternativas,
a hierarquia de mitigação, determinação de significância e engajamento
de partes interessadas. O livro é destinado a profissionais da área
ambiental, incluindo proponentes, consultores e reguladores, bem como
pesquisadores e estudantes.
116
Design instrucional contextualizado
Filatro, Andrea
9788539604715
216 páginas
117
engloba a dimensão andragógica, relacionada com as condições inerentes
à aprendizagem de adultos.
118
A formação do professor e outros escritos
Azanha, José Mário Pires
9788539603237
235 páginas
119
Ensino Médio (Enem), a autonomia da escola, o ensino público e os
Parâmetros Curriculares Nacionais (PCNs).
120
Comida de bebê
Lobo, Rita
9788539614493
168 páginas
Como é esperto esse seu bebê: nem fez um ano e já vai melhorar a
alimentação da casa toda. Não acredita? Está tudo aqui, nas páginas de
Comida de Bebê: uma introdução à comida de verdade. Com apoio de
médicos e nutricionistas, Rita Lobo traz as respostas para as dúvidas
mais comuns da fase de introdução alimentar e, de quebra, ainda ensina a
família a comer com mais saúde, mais sabor e muito mais prazer. Venha
121
descobrir como o pê-efe, o prato feito, essa grande instituição brasileira,
vai virar o pê-efinho do bebê.
122
O que tem na geladeira?
Lobo, Rita
9788539626205
352 páginas
123
você vai aprender os melhores cortes, técnicas de cozimento e
combinações de sabor para esses alimentos. Além das preparações com
hortaliças, raízes e legumes, o livro apresenta também opções de receitas
com carnes para compor o cardápio. Tem filé de pescada frita, tagine de
peixe, coxa de frango assada, peito de frango grelhado, bisteca grelhada,
lombo de porco, costelinha, kafta de carne, bife de contrafilé e muito
mais. Nas mais de 200 receitas, bem variadas, você encontra opções de
entradas, pratos principais, muitos acompanhamentos e até alguns bolos,
como o de cenoura, de mandioca, de pamonha, e sobremesas, como o
doce de abóbora, o curau e um incrível sorvete de cenoura indiano, o
kulfi. Para Rita Lobo, cozinhar é como ler e escrever: todo mundo
deveria saber. Mas ninguém nasce sabendo! Este livro vai dar uma
mãozinha nesse processo de aprendizagem.
124
Table of Contents
Capítulo 1 Educação 3.0 – ajudando o estudante a
assumir o protagonismo do processo, por meio do 6
learning analytics
1 As novas TAs e a geração de dados 7
2 Feedback e o protagonismo do aluno 12
3 Educação adaptativa 16
Considerações finais 17
Referências 18
Capítulo 2 Big Data e Data Mining: transformando
22
dados em conhecimentos para a área de educação
1 Processos de avaliação 24
2 Métricas de desempenho 27
3 Big data e educação 29
Considerações finais 32
Referências 33
Capítulo 3 Dados – informações – conhecimento –
inteligência. Um processo essencial para a educação 37
para o século XXI
1 Transformando dados em conhecimento para a melhora do
38
processo ensino-aprendizagem
2 Tipos de informações: desempenho, engajamento, presença,
44
gestão, etc.
3 Enem/Enade – Como as avaliações externas geram
48
informações sobre o desempenho dos alunos e cursos
Considerações finais 52
Referências 52
Capítulo 4 LMSs e plataformas educacionais – como
avaliar se um ambiente é adequado para a nova 55
educação?
1 Tipos de LMSs e quais dados eles podem extrair da 56
125
participação e desempenho dos alunos em cursos presenciais,
híbridos e 100% on-line
2 Quais informações são importantes para a tomada de decisões? 67
3 Quais processos devem ser avaliados? 72
Considerações finais 73
Referências 74
Capítulo 5 Mobile Education – gerando dados de forma
76
ubíqua e pervasiva
1 Dados e informações em todos os lugares e a todo tempo 76
2 Analítica da aprendizagem móvel 83
3 Analítica da aprendizagem ubíqua 84
4 Trabalhando com processos avaliativos para mobile 85
Considerações finais 87
Referências 88
Capítulo 6 Estatística educacional e learning analytics 90
1 Estatística básica 91
2 Análise de clusters 97
3 Análise fatorial e regressão 101
Considerações finais 107
Referências 107
Sobre a autora 109
126