LDAAprendizagem BOOK

Marcelo Correia
Ivan Carlos Alcântara de Oliveira
Learning Design
e Avaliação de
Aprendizagem
São Paulo
2019
Sistema de Bibliotecas do Grupo Cruzeiro do Sul Educacional
PRODUÇÃO EDITORIAL - CRUZEIRO DO SUL EDUCACIONAL. CRUZEIRO DO SUL VIRTUAL
Pró-Reitoria de Educação a Distância: Prof. Dr. Carlos Fernando de Araujo Jr.
Autoria: Marcelo Correia e Ivan Carlos Alcântara de Oliveira
Revisão Textual: Selma Aparecida Cesarin e Luciene Oliveira da Costa Santos
2019 © Cruzeiro do Sul Educacional. Cruzeiro do Sul Virtual.

www.cruzeirodosulvirtual.com.br | Tel: (11) 3385-3009
Todos os direitos reservados. É proibida a reprodução, mesmo parcial, por qualquer processo, sem autorização
por escrito dos autores e detentor dos direitos autorais
Plano de Aula
Learning Design e
Avaliação de Aprendizagem
SUMÁRIO
9 Unidade 1 – Fundamentos do Learning Design
23 Unidade 2 – UX Design e Learning Experience
37 Unidade 3 – Learning Analytics: Fundamentos
Analytics: Processos,
61 Unidade 4 – Learning
Técnicas e Ferramentas
PLANO DE
AULA
Orientações de estudo
Para que o conteúdo desta Disciplina seja bem Conserve seu
aproveitado e haja maior aplicabilidade na sua material e local de
formação acadêmica e atuação profissional, siga estudos sempre
algumas recomendações básicas: organizados.
Aproveite as
Procure manter indicações
contato com seus de Material
colegas e tutores Complementar.
para trocar ideias!
Determine um Isso amplia a
horário fixo aprendizagem.
para estudar.
Mantenha o foco!
Evite se distrair com
as redes sociais.
Seja original!
Nunca plagie
trabalhos.
Não se esqueça
de se alimentar
Assim: e de se manter
Organize seus estudos de maneira que passem a fazer parte da hidratado.
sua rotina. Por exemplo, você poderá determinar um dia e horário
fixos como seu “momento do estudo”;
Procure se alimentar e se hidratar quando for estudar; lembre-se de que uma

alimentação saudável pode proporcionar melhor aproveitamento do estudo;
No material de cada Unidade, há leituras indicadas e, entre elas, artigos científicos, livros, vídeos e sites
para aprofundar os conhecimentos adquiridos ao longo da Unidade. Além disso, você também encontrará
sugestões de conteúdo extra no item Material Complementar, que ampliarão sua interpretação e
auxiliarão no pleno entendimento dos temas abordados;
Após o contato com o conteúdo proposto, participe dos debates mediados em fóruns de discussão, pois
irão auxiliar a verificar o quanto você absorveu de conhecimento, além de propiciar o contato com
seus colegas e tutores, o que se apresenta como rico espaço de troca de ideias e de aprendizagem.
6
Objetivos de aprendizagem
Fundamentos do Learning Design
Unidade 1
» Como são criados os fundamentos teóricos do Learning Design;

» Como diferenciar: Design Instrucional x Educacional x Learning Design;
» A relação entre LD (Learning Design) e UX (User Experience).
UX Design e Learning Experience

Unidade 2
» A fundamentação conceitual da Experiência do Usuário e a sua relação com o Learning Design;

» As bases da Experiência de Aprendizado ou Learning Experience;
» Conceitos fundamentais relacionados de Usabilidade e Arquitetura da Informação e sua relação com o Learning Design.
Unidade 3
Learning Analytics: Fundamentos

» Fornecer os conceitos fundamentais a respeito da Learning Analytics para facilitar o entendimento sobre o processo de produção
de ferramentas hipermídia dessa área, bem como conhecer o seu percurso histórico e o uso da modelagem preditiva;
» Conhecer resumidamente as áreas que contribuem com suas práticas e técnicas para o processo de produção de ferramentas
de Learning Analytics;
» Destacar as diferenças entre Learning Analytics, Academic Analytics e Educational Data Mining;
» Apresentar os estágios de implantação de Learning Analytics nas Instituições de Ensino Superior;
» Destacar alguns desafios para o desenvolvimento de ferramentas de Learning Analytics e as possiblidades do seu uso no
ensino superior.
Learning Analytics: Processos, Técnicas e Ferramentas

Unidade 4
» Apresentar algumas representações de modelos e processos para o desenvolvimento de ferramentas de Learning Analytics
propostos por alguns pesquisadores;
» Conhecer resumidamente as técnicas de mineração de dados e visualização da informação, utilizadas para o desenvolvimento
de ferramentas de Learning Analytics;
» Destacar algumas ferramentas de Learning Analytics desenvolvidas, enfatizando os ambientes virtuais, público-alvo e
características;
» Apresentar a categorização e o público-alvo para as ferramentas de Learning Analytics;
» Expor algumas tecnologias que podem ser utilizadas para o desenvolvimento das ferramentas de Learning Analytics.
7
1
Responsável pelo Conteúdo:

Prof. Dr. Marcelo Correia
Revisão Textual:
Prof.ª Dr.ª Selma Aparecida Cesarin
UNIDADE
1
Contextualização
O estudo desta Disciplina é fundamental ao discente para a compreensão das abor-
dagens teóricas contemporâneas da área da Educação e suas práticas.
Concorre também para a compreensão de onde este aluno insere-se na gama de

áreas do conhecimento que constituem a Educação e, em particular, o e-Learning, en-
tendendo as formas de atuação profissional possíveis hoje, bem como a compreensão
da correlação com as Tecnologias da Informação e da Comunicação e suas aplicações
à Educação hoje.
Neste estudo, partimos em busca do entendimento dessa área do conhecimento in-

terdisciplinar que é o chamado, no termo original, de Learning Design, e também faze-
mos a correspondência com o termo traduzido “Design da Aprendizagem”.
Conhecer os seus fundamentos teóricos, como área de investigação científica e suas

delimitações, é um primeiro passo. Entretanto, Learning Design não é uma área de sim-
ples compreensão e, tampouco, já consolidada pelo tempo, apesar de bem embasada.
Embora relativamente recente, o Learning Design tem suas bases alicerçadas sobre
outras áreas mais antigas. Pode ser considerado um desdobramento disso e, no caso
do Learning Design, para o seu entendimento, torna-se importante e mais didático
compreendê-lo também a partir do prisma da contradição com as áreas que se asseme-
lham a ele – nomeadamente, o Design ou Desenho Instrucional, o Design ou Desenho
Educacional e, finalmente, o próprio Learning Design.
Esse segmento no qual se situa o Learning Design é um campo de pesquisa que tem
ênfase na intenção pedagógica, seguindo princípios de alto nível de design, posiciona-
dos no âmbito da pesquisa educacional sociocultural.
O LD ocupa-se dos processos educacionais de planejamento e gestão de atividades

de aprendizagem, apoiando os professores na entrega e no compartilhamento de insi-
ghts e práticas para melhorar a aprendizagem dos alunos.
10
Introdução
O exame diagnóstico da Tecnologia Educacional faz incontornável uma visão re-
trospectiva. Neste ínterim, considerando-se as restrições tecnológicas relativas a cada
época, a Educação sempre procurou lançar mão de uma variedade de mídias, instru-
mentos e processos que estavam a seu alcance, a fim de facilitar seja o ensino, seja o
aprendizado dos alunos.
Uma mudança evidente ocorreu no início do século 20, com o surgimento do inte-
resse no uso de diferentes tipos de recursos na Educação, especialmente, a partir do
advento do registro da imagem fixa e da animada.
Esse interesse foi renovado e ampliado na década de 1960, com mudanças tec-
nológicas, como o melhor desenvolvimento dos computadores eletrônicos e dos digi-
tais; bem como mudanças sociais importantes, que levaram à extensão da escolaridade
obrigatória nos países industrializados, independência de colônias, grandes potências
polarizadoras que despontaram e competiam não só econômica e politicamente, mas
tecnologicamente pela hegemonia mundial.
E foi justamente das Instituições militares de ponta, fomentadas nesses países he-
gemônicos, que surgiram as Tecnologias Educacionais contemporâneas e seu suporte
científico e filosófico integrado a esse desenvolvimentismo.
No âmbito da Sociedade civil, as necessidades educacionais da população são então

percebidas como enormes, enquanto o desempenho dos Sistemas educacionais é con-
siderado baixo, relativo ao que se obtinha nos meios militares e, além disso, os recursos
humanos disponíveis são insuficientes.
Pensa-se, então, em aumentar a produtividade desses sistemas usando novas Tec-

nologias que, assim como já ocorrera com a Comunicação, podem “industrializar” a
Educação, o que, com prós e contras, fez latente uma revolução nos Sistemas de ensino,
que chega até os nossos dias.
Essa escolha leva a um afastamento das visões tradicionais da Educação: o estatuto

da Escola é questionado. Naquela altura, com o advento do Instrucionalismo, o professor
é considerado o instrumento de produção e os produtos da indústria são trabalhadores
com diferentes níveis de ensino.
Uma visão positiva e importante até os dias de hoje é a de que os professores não
são mais os únicos provedores de conhecimento. Entretanto, os Meios de Comunicação,
como a imprensa escrita, o Rádio, o Cinema, a Televisão, inundam o cidadão em esco-
larização com informações que competem com a Escola e podem trazer o bem e, talvez,
mais o mal se não forem filtrados pela própria Educação.
O estatuto da questão distingue entre o audiovisual, claramente associado ao apren-

dizado coletivo, e o ensino programado (então popular), relacionado à individualização
do ensino. Essas novas modalidades de ensino são assim consideradas capazes de levar
a economias substanciais, reduzindo o tempo de aprendizagem (portanto, os custos) e
11
UNIDADE
1
liberando o professor das tarefas mais mecânicas (repetições, correções de trabalhos de
casa), o que lhe permitiria dedicar mais tempo para orientar individualmente seus alunos,
no caso do ensino programado, ou criar grupos de discussão, numa metodologia coletiva.
Como era frequentemente o caso naquela época, a técnica e a metodologia são con-
sideradas capazes de compensar a falta de professores qualificados (a Pedagogia é entre-
gue pronta ao professor e aplicada ao aluno). Além disso, as tecnologias da comunicação
chegam a uma grande massa coletiva, vez que podem transmitir em Rede.
À partida, a ideia básica era que as novas Tecnologias podem aumentar a produtivi-
dade da Educação e que devem ser combinadas de acordo com três princípios: o aluno
deve progredir no seu próprio ritmo (o que encoraja o uso de instrução programada);
como membro de um grupo, os alunos se beneficiarão dos meios de comunicação au-
diovisuais; e, finalmente, o desempenho da Instituição Escola não deve ser apenas aca-
dêmico, mas socioeconômico, alinhada à vida social e à atividade produtiva.
Já naquela altura, acreditava-se que os educadores ainda não haviam compreendi-

do que os novos Meios de Comunicação requeriam um exame radical do processo de
ensino-aprendizagem, com a visão prematura de que seria necessário passar de um
Sistema de aprendizagem centrado no professor para um Sistema baseado no meio, no
contexto, em que as relações professor-aluno mudam, nas quais as situações em que os
alunos ativos são favorecidas, comparadas às tradicionais de caráter meramente recep-
tivo ou passivo.
A ideia da Tecnologia da Educação estava no ar. As novas mídias resultantes da revo-

lução dos Meios de Comunicação mostraram poder ser utilizadas para fins pedagógicos.
Em seguida, os meios eletrônicos e suas “máquinas de ensino”, os computadores pessoais.
Em um segundo sentido, a Tecnologia da Educação é uma forma sistemática de con-

ceber, perceber e avaliar todo um processo de aprendizagem, um estudo aplicado que
se propõe a melhorar e otimizar os Sistemas de Educação ou formação.
A partir dos anos oitenta, na cauda do cometa da Regra de Moore, a Informática

desenvolveu-se exponencialmente, não apenas como Tecnologia Educacional, mas tam-
bém como sujeito no processo de instrução.
Em seguida, surge um conjunto de ferramentas e, de forma correlata, de recursos, a

partir dos anos noventa, quando a Internet oferece novas possibilidades de difusão de
informações multimídia.
É notável que os desenvolvimentos em ambientes de aprendizagem computadoriza-

dos sempre tenham funcionado no contexto mais ou menos explícito das teorias relacio-
nadas à aprendizagem e à instrução.
Entre as teorias mais conhecidas estão, em primeiro lugar, aquelas marcadas pelo rótu-
lo das Ciências comportamentais (Behaviorismo). Em particular, ele destaca a importância
das contribuições de Gagné. Este estadunidense é o autor de um livro referência nos Es-
12
tados Unidos, que passou por muitas reedições: The conditions of learning (1985), ou
“As condições da Aprendizagem”, em português, cuja primeira edição remonta a 1965.
Em As Condições da Aprendizagem, Gagné apresentava uma perspectiva acerca

da Educação que ainda hoje se pode considerar justa. Segundo o autor, é fundamental
desenhar as condições externas (eventos). Essas condições ou eventos suportam as con-
dições internas (processos de aprendizagem).
Os nove eventos da instrução de Gagné (1985) eram os seguintes:

1. Despertar o interesse e a atenção;
2. Apresentar objetivos;
3. Ativar pré-requisitos de conhecimento;
4. Apresentar informação;
5. Fornecer orientação;
6. Descobrir formas de otimizar o desempenho (prática);
7. Feedback corretivo;
8. Avaliação do desempenho;
9. Maximizar a retenção do conhecimento.
Afinal entramos, então, na perspectiva do que chamamos de Design Instrucional, a

Ciência que visa a definir arquiteturas efetivas de Sistemas de treinamento.
O termo Design Educacional é criado logo posteriormente ao Design Instrucional

pelo próprio Gagné, na obra em que dedica seu título ao Design Instrucional, Prin-
ciples of Instructional Design, publicada, inicialmente, em 1974: “O Design Edu-
cacional é uma prática profissional com suas raízes no modelo sistemático do Design
Instrucional” (GAGNÉ, 2004).
O Learning Design surge mais recentemente e pode ser considerado um fato novo
deste século 21; entretanto, com suas raízes igualmente fincadas, parafraseando Gagné,
no modelo sistemático do Design Instrucional.
Learning Design: Conceitos Iniciais

Learning Design (LD) não é uma área de simples compreensão e, tampouco, já
consolidada pelo tempo. Entretanto, embora relativamente recente, tem suas bases ali-
cerçadas sobre outras, mais antigas.
Esse segmento, no qual se situa o Learning Design, é um campo de pesquisa que tem
13
UNIDADE
1
Alguns artigos do início deste século definem melhor os contornos da área, especialmen-
te Britain (2004), que revisa justamente os seus conceitos, especificações e ferramentas.
Ainda para Britain (2004), o processo de Learning Design abrangeria atividades-

-chave sequenciais para a realização do trabalho, que seriam os apresentados na Tabela
1, a seguir.
Tabela 1 – Atividades-chave envolvidas no processo de Learning Design

O Processo de Learning Design
Definir objetivos de aprendizagem
Desenvolver descrição narrativa de cenários de ensino-aprendizado
Criar um fluxo de atividades de aprendizado a partir de descrições narrativas
Atribuir recursos, ferramentas e pessoas a atividades
Execução (tempo real)
Suporte ao aluno e adaptação em tempo real
Refletindo (incluindo compartilhamento de saídas para reflexão de pares)
Fonte: BRITAIN, 2004, p.7
Para Beetham e Sharpe (2007), o termo Learning Design sugere que modelos de
práticas pedagógicas devem ser elaborados a partir de contextos reais de ensino e apren-
dizagem, ou seja, os modelos devem partir das práxis. Isso evidencia um viés do LD
muito voltado ao contexto e à experiência de aprendizagem direta do aluno.
O Learning Design consiste em estudar, projetar e adaptar dispositivos de ensino,

formações ou unidades e objetos de aprendizagem. Esse é o trabalho do learning desig-
ner na sua prática característica.
Atua na gestão de um projeto de formação nas e entre as 3 entidades do triângulo de

aprendizagem, o formando aprendiz, o conhecimento e o professor-facilitador.
Essa atuação considera o gerenciamento de um tripé clássico de sustentação: o tem-

po em que ocorre o aprendizado (treinamento síncrono ou assíncrono), o seu contexto
local (aprendizagem presencial ou a distância) e a ação de aprendizagem em si (treina-
mento individualizado ou coletivo, metodologias envolvidas).
O Learning Design, ou design da aprendizagem é, para alguns, a versão do termo

Design Instrucional em seu sentido primordial, focado mais no vínculo entre forma e
função educacional.
Alguns autores acreditam que os dois termos são sinônimos, outros veem emergir
um novo domínio do conhecimento com a sua criação, em convivência ou substituição
gradual em relação ao Design Instrucional.
14
Design Instrucional X Design Educacional X
Learning Design
Os termos Design Educacional, Learning Design e Design Instrucional são usados
de forma intercambiável, dependendo da natureza do trabalho e do ambiente em que é
realizado; entretanto, há nuances entre eles, e são consideravelmente distintos se exa-
minados mais de perto.
Por definição, o e-Learning abrange todo o espectro de ensino e aprendizado em

suporte eletrônico.
Designer Educacional, Learning Designer e Designer Instrucional: todas essas três

funções podem ser aplicadas ao e-Learning e já têm, umas mais, outras menos, conso-
lidação no Mercado.
De todo modo, um designer habilidoso pode circular entre os três campos dentro de
sua vida profissional, e chega mesmo a fazê-lo sem saber exatamente onde está a atuar
naquele momento, razão pela qual é importante conhecê-los com mais precisão.
A Educação é um produto ou um processo? Ambas as perspectivas trazem elementos vá-

lidos e a sua contraposição dialética constitui certo paradoxo: como ser ou ter um sem o
outro?
Design Instrucional
Instructional Design é um termo popularizado pelos pioneiros estadunidenses. Ana-
lisando um contexto global, principalmente nos países de língua inglesa, o termo “De-
sign Instrucional” é usado, enquanto nos países de língua francesa, o termo “Engenha-
ria Educacional” é utilizado como seu sinônimo.
De todo modo, em qualquer contexto, o Design Instrucional visa a maximizar o ape-

lo, a eficiência do aprendizado. Trabalha mais centrado no produto e em processos de
produção.
Essas instruções podem variar desde um Manual sobre como trabalhar com seguros
até um Curso sobre como gerenciar seu portfólio de investimentos.
Em The Conditions of Learning, publicado em 1965, nos Estados Unidos, Robert

Gagné lança as bases para as visões cognitivas do aprendizado e da instrução. Já em
1974, ele publica Principles of Instructional Design, obra que define o Design Instru-
cional, que o autor afirma tratar do seguinte: “O Design Instrucional é o plano de fundo
de conhecimento do qual seus procedimentos são derivados, e as várias formas com que
esses procedimentos são conduzidos” (GAGNÉ, 2004, p. 16).1
1 Tradução livre.
15
UNIDADE
1
O componente de estratégia instrucional do nosso modelo descreve como o designer
usa a informação da análise do que deve ser ensinado para formular um plano para
apresentar instrução aos alunos.
Nossa abordagem original a esse componente do modelo foi fortemente influenciada

pelo trabalho de Robert Gagné, conforme encontrado em seu livro The Conditions of
Learning, publicado pela primeira vez em 1965”2 (DICK; CAREY, 2015, p. 3).
O Design Instrucional é simplesmente um processo para ajudar a criar treinamento

eficaz de maneira eficiente. É um sistema – talvez mais precisamente um número de
sistemas – que ajuda a fazer as perguntas certas, tomar as decisões certas e produzir um
produto que seja tão útil e utilizável quanto a sua situação exigir e permitir3 (PISKURI-
CH, 2006, p. 2).
Design Educacional
“Design Educacional é uma prática profissional com suas raízes no modelo sistemáti-
co do Design Instrucional”4 (GAGNÉ, 2004), podendo Design Educacional ser conside-
rado uma espécie de termo guarda-chuva, nesse contexto.
Figura 1
Fonte: Getty Images
Tomando por base essa fundamentação, faz sentido a referida Ciência dar título a
esse curso de Pós-Graduação, como o faz, pois, dessa maneira, o Programa do Curso
posiciona-se como abrangente de todos os componentes da área da Educação, aqui
mediada pela Tecnologia.
2 Tradução livre.
3 Tradução livre.
4 Tradução livre.
16
O Designer Educacional definitivamente precisa de treinamento formal em aprendi-
zado e ensino, bem como conhecimento atual das Ciências da Aprendizagem.
Designers educacionais tendem a trabalhar numa variedade de projetos de uma am-

pla gama de assuntos. Isso significa que um Designer Educacional precisa de variedade
de competências.
A principal preocupação do Design Educacional é aplicar a Teoria da aprendizagem

apropriada ao design de materiais de aprendizagem e de eventos de aprendizagem, para
garantir que essa aprendizagem seja maximizada.
O seu trabalho está essencialmente centrado no aluno e nos seus processos de intera-
ção e apropriação. Assim, prioriza os processos didáticos envolvidos na aprendizagem,
e não o processo de produção de conteúdo.
Learning Design
Definição
Uma frase publicada pela Pearson nova-iorquina dá contornos lúdicos ao termo:
“Learning Design: é difícil, mas funciona”5 (PEARSON EDUCATION, 2018).
Figura 2
Fonte: Getty Images
5 Tradução livre.
17
UNIDADE
1
Learning Design – Numa visão prática, quando pensamos nesse termo, vem à me-
mória as seguintes ideias:
• “Design da Aprendizagem”, uma possível tradução literal;
• Planejamento Didático ou o clássico “Planejamento Pedagógico”;
• Metodologias e processos, trilhas de aprendizagem;
• Foco no processo de ensino-aprendizagem.
Portanto...
O Learning Design enfoca o processo de ensino-aprendizagem que acontece em

uma aula, uma Unidade de aprendizado ou um Curso inteiro.
O Learning Design “Constitui-se na descrição de um método que habilita os alunos a

alcançarem certos objetivos de aprendizagem específicos, por meio do desempenho de
atividades de aprendizagem específicas, em contextos específicos”6 (PEARSON EDU-
CATION, 2018).
O Design de Aprendizagem, em tradução literal, tem a característica, quiçá a vanta-

gem, de não se concentrar apenas no produto educativo, mas no processo da aprendi-
zagem, na pedagogia ou na andragogia, isto é, na aprendizagem dirigida ao aluno.
Essa abordagem mantém a experiência do aluno no centro de todas as decisões de

desenvolvimento, levando a melhores resultados para o aluno.
Processo
A chave para compreender a prática do Learning Design é apreender o seu proces-
so, que deve começar com uma avaliação inicial. Como sabemos, temos por definição
três tipos de modalidades avaliativas:
• A avaliação diagnóstica, cuja função é pesquisar quais as competências prévias
que o aluno traz consigo, antes de ser imerso nesse novo processo de aprendizagem;
• A avaliação formativa, que ocorre durante a execução das situações de aprendi-
zagem, e tem como objetivo acompanhar a evolução de desempenho e orientar o
aluno – seu intuito é a formação, como o próprio nome diz;
• A avaliação somativa, a clássica avaliação em formato de teste, que ocorre ao final
de uma situação de aprendizagem, seja em nível micro, seja em macro, dentro de
uma formação na qual o aluno é inserido.
Portanto, adota-se como ponto de partida para o processo de Learning Design uma
avaliação do tipo Diagnóstica.
As questões-chave são: o que o estudante já sabe, o que precisa aprender, e como o

meu aluno aprende melhor?
A segunda etapa do processo deve ser a do planejamento estratégico.
6 Tradução livre.
18
Como definiu Britain (2004), podemos considerar alguns passos que, resumidamen-
te, abrangeriam: que recursos tenho disponíveis, qual a jornada de aprendizado, a exe-
cução, qual o papel de cada um no processo?
Quanto à última, definir o papel de cada participante do processo está implícito tam-
bém em Britain.
Tabela 2 – Atividades-chave envolvidas no processo de Learning Design

O Processo de Learning Design
Definir objetivos de aprendizagem
Desenvolver descrição narrativa de cenários de ensino-aprendizado
Criar um fluxo de atividades de aprendizado a partir de descrições narrativas
Atribuir recursos, ferramentas e pessoas a atividades
Execução (tempo real)
Suporte ao aluno e adaptação em tempo real
Refletindo (incluindo compartilhamento de saídas para reflexão de pares)
Fonte: BRITAIN, 2004, p.7.
A última e importante fase do processo é a avaliação e o feedback, sempre funda-

mental, seja no clássico Modelo ADDIE, surgido nos primórdios do Design Instrucional,
seja nas modernas práticas de ensino.
As questões são: como avalio o atingimento dos objetivos de aprendizagem pelo alu-
no? Qual o formato da avaliação e como informar ao aluno o resultado do seu progresso?
Learning Design e User Experience

O desenvolvimento de produtos começa com princípios de aprendizagem baseados
em pesquisa que nos ajudam a entender como os alunos aprendem e o que funciona
para ajudá-los.
Como declara a importante Editora Pearson, é fundamental a apropriação de Meto-

dologias advindas de áreas relacionadas às Tecnologias da Informação e Comunicação
às Ciências Educacionais de hoje: “Aplicamos a pesquisa em ciências da aprendizagem
tanto ao design da User Experience (UX) ou ‘Experiência do Usuário’, quanto do pro-
duto em si” (PEARSON EDUCATION, 2018).
Experiência do Usuário, ou UX, é um “termo guarda-chuva” que engloba várias áreas

correlatas desse universo do conhecimento, como:
• Arquitetura da Informação;
• Design;
• Design de Interface;
• Usabilidade;
• Conteúdo;
• Pesquisa.
19
UNIDADE
1
Design
Arq forma
Inte n de
uite ção
In
e
rfac
ig
tur
Des
adea
Est onteú
dad
de
rat do
C
bili
égi
Usa
a
Pesquisa
Figura 3 – Áreas do conhecimento correlatas aos componentes da experiência do usuário

Fonte: adaptado de https://goo.gl/BNypiu
Podemos associar uma definição de Learning Design à definição dada pela Norma
ISO para a ciência componente da UX mais proeminente e influenciadora do seu domí-
nio, a Usabilidade.
“Learning Design: descrição de um método que habilita os alunos a alcançar certos

objetivos de aprendizagem específicos, por meio do desempenho de atividades de
aprendizagem específicas, em contextos específicos”7(PEARSON EDUCATION, 2018).
Essa definição, contraposta à antiga definição de 1998 dada pela Norma ISO, mostra
que o trabalho da Editora Pearson teve clara influência do mais antigo: “Usabilidade é
a medida pela qual um produto pode ser usado por usuários específicos para alcançar
objetivos específicos com eficácia, eficiência e satisfação em um contexto de uso
específico” (ISO 9241-11:1998, p. 6).
Mais importante que essa constatação, é compreendermos a correlação entre as

áreas do Learning Design e da UX, para entendermos a possibilidade que se consolida
de, dialeticamente, termos a consolidação formal de uma terceira área, produto das duas
primeiras, que vem surgindo: a Learning Experience.
Assim como o Learning Design (LD), a área de Experiência do Usuário (UX) im-
plementa processos de design centrados nos interagentes: no usuário (para sites Web
ou Aplicações), ou no aluno de ambientes de aprendizado mediado por computador
(e-Learning).
Nesta Disciplina, compreendemos:

• A fundamentação e a diferenciação conceitual de Design Instrucional, Design Edu-
cacional e Learning Design;
• A relação entre Learning Design (LD) e User Experience (UX) e as possibilidades
futuras da sua correlação.
7 Tradução livre.
20
Material Complementar
Indicações para saber mais sobre os assuntos abordados nesta Unidade:
Sites
Semantic Studios
O blog do autor Peter Morville.
https://goo.gl/NeFTNg
Livros
Information Architecture for the Word Wide Web
ROSENFELD, L.; MORVILLE, P. Information Architecture for the Word Wide Web.
3.ed. Sebastopol: O’Reilly, 2008;
Vídeos
Como instalar o Powerpoint Storyboard
https://goo.gl/8rW8jD
Leitura
Learning design e tecnologias: criação de ambientes colaborativos para a aprendizagem
ASSIS, M. P.; ALMEIDA, M. Learning design e tecnologias: criação de ambientes
colaborativos para a aprendizagem. Psicologia da Educação, PUC-SP, São Paulo, n. 44,
p. 47-56, jun. 2017.
https://goo.gl/LFG5Lc
Microsoft Powerpoint Storyboard
Acesse também a ferramenta Powerpoint Storyboard, para criação e planejamento de
storyboards.
https://msdn.microsoft.com/pt-br/library/hh409276.aspx
21
UNIDADE
1
Referências
BEETHAM, H.; SHARPE, R. Rethinking pedagogy for a digital age: designing and
delivering e-learning. Londres: Routledge, 2007.
BRITAIN, S. A review of learning design: concept, specifications and tools. A report

for the JISC E-learning Pedagogy Programme, mai. 2004.
DICK, W.; CAREY, L.; CAREY, J. The systematic design of instruction. 8.ed. New
York: Pearson, 2015.
GAGNÉ, R. The Conditions of Learning. 4.ed. New York: Holt, Rinehart & Winston, 1985.
GAGNÉ, R. et al. Principles of instructional design. 5.ed. Belmont: Cengage

Learning, 2004.
PEARSON EDUCATION. Using Learning Design to Build More Effective, Enga-

ging Products. New York (EUA): Pearson, 2018. Disponível em: <https://www.pear-
son.com/content/dam/one-dot-com/one-dot-com/global/Files/efficacy-and-research/
methods/LearningDesignWhitepaper_Final.pdf>.
PISKURICH, George M. Rapid Instructional Design: learning ID fast and right. 2.ed.
San Francisco: Pfeiffer, 2006.
22
2

Prof. Dr. Marcelo Correia
Revisão Textual:
Prof.ª Dr.ª Selma Aparecida Cesarin
UNIDADE
2
Contextualização
O estudo desta Disciplina é fundamental para o discente para a compreensão das
abordagens teóricas contemporâneas da área da Educação e suas práticas, seja em âm-
bito acadêmico, seja em corporativo.
Isso sempre visando à compreensão de onde esse aluno insere-se na gama de áreas
do conhecimento que constituem a Educação e, em particular, o e-Learning, entenden-
do as formas de atuação profissional possíveis hoje, bem como a compreensão da corre-
lação com as TICs, as Tecnologias da Informação e da Comunicação, e suas aplicações
à Educação – o que nos levou ao advento das TICE, as Tecnologias da Informação e da
Comunicação aplicadas à Educação.
Esse caráter interdisciplinar propicia conferir à EaD diferenciadas e inovadoras possi-

bilidades na prática do ensino, bem como limitações decorrentes dos meios que servem
de suporte tanto a seus conteúdos quanto à interação social entre professores e alunos,
objetivando a construção do conhecimento.
Aqui, é importante englobarmos os conceitos fundamentais a respeito do Learning

Design (LD), mas também salientarmos a sua prática no projeto didático-pedagógico.
Para que cheguemos ao conceito de Learning Experience, precisamos conhecer os

fundamentos Teóricos da UX (User Experience). Como se trata de um termo guarda-
-chuva, sendo a UX uma área do conhecimento na intersecção de várias outras, são
indissociáveis à sua compreensão a compreensão prévia das áreas da Usabilidade e
Arquitetura da Informação, entre outras.
A partir de então, podemos conhecer a relação dessa User Experience com o Learning
Design, a fim de derivarmos a ideia da construção dessa área do conhecimento e, por
raciocínio indutivo, compreendermos a resultante chamada de Learning Experience.
24
As Novas Tecnologias, Metodologias
e a Educação
É fundamental a compreensão das abordagens teóricas contemporâneas da área
da Educação, bem como suas práticas, seja em âmbito acadêmico, seja no da educa-
ção corporativa.
Como relacionar áreas do conhecimento originalmente do domínio da Informática e da Co-

municação Digital e aplicá-las à Educação na modalidade e-Learning?
Esse caráter interdisciplinar propicia conferir à EaD diferenciadas e inovadoras possi-

bilidades na prática do ensino, bem como limitações decorrentes dos meios que servem
de suporte tanto a seus conteúdos quanto à interação social entre professores e alunos,
objetivando a construção do conhecimento.
O desenvolvimento da EaD mostra-se benéfico ao contexto de reformulação dos

paradigmas da Educação, pois, em sua prática sociointerativa mediada pela tutoria,
evidencia que a Educação não se dá e não pode ter foco na simples transmissão do co-
nhecimento em sentido único, do professor aos alunos – dessa forma ela é apenas um
dado, ou informação transmitida, nunca conhecimento.
Ao contrário, a Educação se dá não na recepção pelo aluno, mas no processo de

ressignificação e apropriação de sentido, por meio, por exemplo, da interação colabo-
rativa mediada.
Um propósito dessa formação é justamente abordar as mediações tecnológicas na

Educação e o processo de apropriação simbólica mediado. O papel da mediação na
práxis educacional visa a um novo modelo de EaD que faça a travessia “dos meios às
mediações” (MARTÍN-BARBERO, 1995), de forma a criar ambientes de aprendizado
com alto coeficiente comunicacional, mudando o eixo de trabalho por meio das mídias
e da tecnologia sem abandoná-los, mas valorizando a ação de uma prática simbólica.
A Educação deve sua abordagem funcional à primeira geração da Sociologia do Co-

nhecimento, essencialmente funcionalista. Em sua segunda geração, a ênfase passa da
aquisição e da transmissão do conhecimento instrumentalizado e do “autoestudo” para
sua construção.
No contexto da contemporaneidade, surge a preocupação com a requalificação das

práticas educacionais monológicas e instrumentalistas, balizando-se pelo dialogismo,
construtivismo, mediação, apropriação e afirmação.
O novo papel da Educação passa a se inserir no contexto social do indivíduo, ao

mesmo tempo em que trabalha habilidades e competências e, nesse ínterim, o conhe-
cimento sistematizado também, atuando na construção das subjetividades e identidades
considerando o meio social.
25
UNIDADE
2
Nesse contexto pós-moderno, parte-se dos novos conceitos da produção colaborativa
mediada, partindo da contextualização social e cultural dos indivíduos envolvidos no
processo de ensino-aprendizagem.
Dessa forma, tem-se repensado a esfera do ensino, tornando a tecnologia uma “tec-
nologia social”, na qual as ferramentas colaborativas de compartilhamento podem auxi-
liar uma ação educativa que privilegia a participação interativa na construção do conhe-
cimento interdisciplinar entre os sujeitos interagentes – educadores, educandos e demais
atores envolvidos em âmbito escolar acadêmico.
Atribui-se, então, sentido às ações comunicacionais baseadas na síntese de imagem e

som por intermédio das mídias digitais interativas.
Quando falamos em convergência, falamos sobre a convergência de plataformas,

redes, formatos, padrões técnicos, softwares, mas também de forma essencial, a con-
vergência de conteúdos, linguagens, mídias e usos de tecnologias.
Essa convergência tem como efeito que as ferramentas de mídia (plataformas, redes),
bem como o conteúdo informacional e seus fluxos, são cada vez mais versáteis, mais
multimodais (imagem, texto, som, ambientes tridimensionais, realidade virtual, realida-
de aumentada).
Learning Experience: User Experience

e Learning Design
Learning Design ou LD pode ser traduzido como “Design da Aprendizagem”, mas ainda
considera-se fazer mais sentido a utilização do termo em inglês.
Já a Learning Experience não é ainda conhecida por uma sigla e sua tradução imediata é Ex-
periência da Aprendizagem ou do Aprendizado, não sendo ainda utilizada, para referir-se a
essa Ciência, a tradução em Português.
É importante compreender os fundamentos do Learning Design e, igualmente, da

User Experience, para compreendermos uma nova área do conhecimento interdisci-
plinar que desponta da aplicação ou hibridação da User Experience sobre o Learning
Design: a Learning Experience.
O Learning Design ou “Design da Aprendizagem” é para alguns a versão do termo

Design Instrucional em seu sentido primordial, focado mais no planejamento e na ela-
boração do vínculo entre forma e função educacional.
Alguns autores acreditam que os dois termos são sinônimos, outros veem emergir
um novo domínio do conhecimento com a sua criação, em convivência ou substituição
gradual em relação ao Design Instrucional.
Por outro lado, a User Experience é uma ciência mesmo transdisciplinar que vem do
campo de atuação das mídias digitais.
26
Falaremos sobre ambas, e algumas respectivas Ciências relacionadas a cada uma,
para que ao final compreendamos o quadro mais amplo do produto da sua hibridação.
Design Educacional e Learning Design para EaD

A Ciência da Educação vive um momento de transição e interdisciplinaridade carac-
terístico da condição pós-moderna. Educadores e modelos de ensino tradicionais tentam
conviver e se apropriar de tecnologias como lousas digitais interativas, laboratórios de
informática com Internet e recursos de e-learning e salas de aula multimídia.
A EaD, pelo fato de justamente tratar-se de uma atividade educativa mediada, insere-
-se num espaço de interseção entre as áreas do conhecimento das Ciências da Educação
e da Comunicação, que se equilibra sobre uma modalidade múltipla de linguagens pau-
tadas por recursos de interação colaborativa.
O campo referencial ao modelo de Design Educacional poderia ser o Learning Design

(LD), que pensa o Planejamento Didático, ou o Design Educacional, entendido como a área
que se incumbe da tarefa de criar conteúdos educacionais de uma maneira abrangente.
O exame diagnóstico da tecnologia educacional faz incontornável uma visão retros-

pectiva. Neste ínterim, considerando as restrições tecnológicas relativas a cada época,
a Educação sempre procurou lançar mão de uma variedade de mídias, instrumentos e
processos que estavam a seu alcance, a fim de facilitar seja o ensino, seja o aprendizado
dos alunos.
Pensa-se, então, em aumentar a produtividade desses sistemas usando novas tec-

nologias que, assim como já ocorrera com a Comunicação, podem “industrializar” a
Educação, o que, com prós e contras, fez latente uma revolução nos sistemas de ensino,
que chega até os nossos dias.
Atualmente, já se compreende que os novos meios de comunicação requerem um

exame do processo de ensino-aprendizagem, com a visão de que é necessário passar de
um sistema de aprendizagem centrado no professor para um sistema baseado no aluno
e no seu contexto, em que as relações professor-aluno mudam, nas quais as situações
em que os alunos são ativos são favorecidas, comparadas às tradicionais de caráter me-
ramente receptivo ou passivo.
As novas mídias convergentes resultantes da revolução dos meios de comunicação,

no âmbito dessa pós-modernidade na qual estamos imersos atualmente, e em particular
as TICE, trazem o desafio, numa perspectiva metodológica e não simplesmente de ado-
ção tecnicista, de uma forma sistemática humanizada de conceber, perceber e avaliar
todo um processo de aprendizagem, um estudo aplicado que se propõe a melhorar e
otimizar os Sistemas de Educação ou formação.
Em As condições da aprendizagem, Robert Gagné apresentava uma perspectiva

acerca da Educação que ainda é um paradigma válido. Segundo o autor, é fundamental
desenhar as condições externas (eventos). Essas condições ou eventos suportam as con-
dições internas (processos de aprendizagem).
27
UNIDADE
2
Os nove eventos da instrução de Gagné (1985) eram os seguintes:
1. Despertar o interesse e a atenção;
2. Apresentar objetivos;
3. Ativar pré-requisitos de conhecimento;
4. Apresentar informação;
5. Fornecer orientação;
6. Descobrir formas de otimizar o desempenho (prática);
7. Feedback corretivo;
8. Avaliação do desempenho;
9. Maximizar a retenção do conhecimento.
Com Gagné, desde 1965, entramos na perspectiva do que chamamos de Design

Instrucional, termo que ele cunha em suas obras, representando a Ciência que visa a
definir arquiteturas efetivas de Sistemas de treinamento.
O termo Design Educacional é criado logo posteriormente ao Design Instrucional

pelo próprio Gagné, na obra em que dedica o título ao Design Instrucional, Principles
of Instructional Design, publicada, inicialmente, em 1974: “O Design Educacional é
uma prática profissional com suas raízes no modelo sistemático do Design Instrucional”
(GAGNÉ, 2004).
Prática do Learning Design

Learning Design – Em uma visão prática, quando pensamos nesse termo, vem à
memória as seguintes ideias:
• “Design da Aprendizagem”, uma possível tradução literal;
• Planejamento Didático ou o clássico “Planejamento Pedagógico”;
• Metodologias e processos, trilhas de aprendizagem;
• Foco no processo de ensino-aprendizagem.
• Portanto...
O Learning Design enfoca o processo de ensino-aprendizagem que acontece numa

aula, numa Unidade de aprendizado ou num Curso inteiro.
O Learning Design constitui-se na descrição de um método que habi-
lita os alunos a alcançar certos objetivos de aprendizagem específicos,
por meio do desempenho de atividades de aprendizagem específicas,
em contextos específicos.” (PEARSON EDUCATION, 2018)
O “Design de Aprendizagem”, em tradução literal, tem a característica, ou a vantagem,

de não se concentrar apenas no produto educativo, mas também no processo da aprendi-
zagem, na Pedagogia ou na Andragogia, isto é, na aprendizagem dirigida ao aluno.
28
Essa abordagem mantém a experiência do aluno no centro de todas as decisões de
desenvolvimento, levando a melhores resultados para o aluno.
O segmento em que se situa o Learning Design é um campo de pesquisa que tem


Conhecida como Learning Design, essa abordagem mantém a experiência do aluno

no centro de todas as decisões de desenvolvimento, levando a melhores resultados para
o aluno.
O Learning Design supõe um trabalho de síntese, que integre as contribuições dos

especialistas, estuda um projeto em seus aspectos técnicos, econômicos, financeiros,
monetários e sociais, consiste em todos os métodos e ferramentas de aprendizagem,
adaptados a um público-alvo com objetivos educacionais claramente definidos, visa à
adaptação, ou mesmo à criação de métodos e ferramentas pedagógicas numa lógica de
otimização de rotas e custos.
Assim como é a postura da importante editora Pearson, que afirma: “O desenvolvi-

mento de produtos educacionais começa com princípios de aprendizagem baseados em
pesquisa que nos ajudam a entender como os alunos aprendem e o que funciona para
ajudá-los” (PEARSON EDUCATION, 2018).
User Experience
O termo UX significa User Experience, traduzido no Brasil como Experiência do Usuário.
Atualmente, as principais Empresas da área da Educação no mundo pensam o de-

sign educacional e o e-Learning como uma experiência de aprendizado do aluno, em
sentido amplo.
Como declara, ainda, a Editora Pearson, é fundamental a apropriação de metodolo-

gias advindas de áreas relacionadas às Tecnologias da Informação e Comunicação pelas
Ciências Educacionais: “Aplicamos a pesquisa em ciências da aprendizagem tanto ao
design da User Experience, quanto do produto em si” (PEARSON EDUCATION, 2018).
User Experience é um termo guarda-chuva e uma área que estuda e trabalha a ex-
periência do interagente (usuário, aluno) com a sua interface de sistema interativo, mas
também com a marca, produtos, serviços etc.
A User Experience engloba várias áreas correlatas desse universo do conhecimento, como:
• Arquitetura da Informação;
29
UNIDADE
2
• Design e Design de Interface;
• Usabilidade;
• Conteúdo;
• Pesquisa.
Design
Arq forma
Inte n de
uite ção
In
e
rfac
ig
tur
Des
ad
e a
Est onteú
dad
de
rat do
C
bili
égi
Usa
a
Pesquisa
Figura 1 – As áreas do conhecimento correlatas componentes da Experiência do Usuário

Fonte: adaptado de https://goo.gl/BNypiu
Podemos associar uma definição de Learning Design à definição dada pela Norma
ISO para a Ciência componente da UX mais proeminente e influenciadora do seu do-
mínio, a Usabilidade.
“Learning Design: descrição de um método que habilita os alunos a alcança-

rem certos objetivos de aprendizagem específicos, por meio do desempenho
de atividades de aprendizagem específicas, em contextos específicos”1 (PE-
ARSON EDUCATION, 2018).
Essa definição, contraposta à antiga definição de 1998 dada pela Norma ISO, mostra
que o trabalho da Editora Pearson teve clara influência do mais antigo: “Usabilidade é
a medida pela qual um produto pode ser usado por usuários específicos para alcançar
objetivos específicos com eficácia, eficiência e satisfação em um contexto de uso
específico” (ISO 9241-11:1998, p. 6).
Mais importante que essa constatação, é compreendermos a correlação entre as

áreas do Learning Design e da UX, para entendermos a possibilidade que se consolida
de, dialeticamente, termos a consolidação formal de uma terceira área, produto das duas
primeiras, que vem surgindo: a Learning Experience.
Assim como o Learning Design (LD), a área de Experiência do Usuário (UX) implemen-
ta processos de design centrados nos interagentes: no usuário (para sites Web ou Aplica-
ções), ou no aluno de ambientes de aprendizado mediados por computador (e-Learning).
1 Tradução livre.
30
Usabilidade
A Arquitetura da Informação e a análise de Usabilidade são etapas fundamentais num
projeto centrado no usuário. Isso tanto numa etapa de predefinição, de Planejamento e
de Design quanto numa posterior etapa de Avaliação.
A preocupação em desenhar interfaces interativas dentro de padrões de interação

é evidente nos projetos de Usabilidade. Na construção de menus e manuseio de sua
seleção e controle, no feedback sobre a resposta, auxílio à navegação, em interfaces
padronizadas que privilegiam a facilidade de uso durante a navegação, entre outros, os
padrões de interação preconizados por estudiosos da Usabilidade em mídias digitais têm
sido repetidos e readaptados à realidade das TICE.
Conforme a Norma ISO 9241, a Usabilidade é relevante para:

• Uso constante, para permitir aos usuários alcançarem seus objetivos com eficá-
cia, eficiência e satisfação;
• Aprendizagem, para permitir aos novos usuários tornarem-se efetivos, eficientes
e satisfeitos quando iniciarem o uso de um Sistema, produto ou serviço;2 [...] (ISO
9241-11:2018. p. VI).
Portanto, a própria Norma referente à Usabilidade já prevê, hoje, a sua aplicação à

realidade da Educação mediada pelas Tecnologias da Informação e da Comunicação.
A norma ISO 9241-11:2018 contempla esse conceito de qualidade, que se traduziria

em satisfação do usuário (ou do interagente, seja um utilizador de Internet e Apps de
maneira geral, seja um aluno EaD) como um dos componentes da Usabilidade.
Segundo o conceito expresso nessa definição, é a boa performance no uso da in-

terface de Sistema, traduzida como consequência da eficácia e da eficiência, o fator
motivador do grau de satisfação do usuário.
A Usabilidade considera mais o ponto de vista do usuário e seu contexto de uso do

que as características ergonômicas do produto. Com isso, ganham evidência os prin-
cípios de usabilidade, para garantir um produto que corresponda às expectativas do
usuário e que traga qualidade à solução apresentada.
A metodologia de avaliação de Usabilidade é a Avaliação Heurística, com suas con-

sagradas 10 Regras Heurísticas de Usabilidade (NIELSEN, 1995).
As dez regras de avaliação heurística de Usabilidade enfocam testes para a validação

do projeto:
• Visibilidade do estado do sistema pelo usuário;
• Compatibilidade do sistema com o mundo real;
• Liberdade e controle do usuário;
• Consistência e padrões;
2 Tradução livre.
31
UNIDADE
2
• Prevenção de erros;
• Reconhecimento ao invés de lembrança;
• Flexibilidade e eficiência de uso;
• Estética e design minimalista;
• Ajudar os usuários a reconhecer, diagnosticar e corrigir erros;
• Ajuda e documentação.
Arquitetura da Informação
A Arquitetura da Informação traz consigo uma metodologia para estruturação de
sistemas de informação aplicáveis a qualquer ambiente informacional, sendo este com-
preendido como o espaço que integra Contexto, Conteúdo e Usuários.
É uma área e um trabalho que se assemelham bastante ao trabalho do Designer

Instrucional, projetando interfaces de produtos interativos centrados no interagente (usu-
ário, aluno).
Considera-se que é a base para a construção dos espaços e fluxos de interface in-
terativa que darão lugar à Experiência de Aprendizado, ou Learning Experience, num
ambiente dedicado ao aprendizado, como um AVA ou outros recursos educacionais.
O trabalho do Arquiteto da Informação é balancear as características e as necessida-

des dos usuários, do conteúdo e do contexto, conforme mostra a figura a seguir:
Contexto
Objetivos do negócio
Ambiente de uso
Cultura da Empresa
Políticas da Empresa
Restrições
Usuário Conteúdo
Audiências Documentos
Tarefas Volume
Necessidades Formato
Comportamentos Estrutura
Experiência Governança
Atualização
Figura 2 – Information Architecture Concepts – Complex systems

Fonte: adaptada da Figura 1-4 – ROSENFELD; MORVILLE, 2006
Para melhor entender essa área e a sua relação com o Design Educacional ou Ins-
trucional, a obra inaugural e clássica é Information Architecture for the Word Wide
Web (MORVILLE, ROSENFELD, 2006).
32
Semantic Studios é o título do blog do autor do clássico Livro do urso polar (Information
Architecture for the World Wide Web), Peter Morville: https://goo.gl/NeFTNg
Nele, você encontrará artigos sobre as atualidades da área e os fundamentos da Arquitetu-
ra da Informação.
Learning Experience: Retomando

Com os conceitos apreendidos nos tópicos abordados, podemos chegar, de um exa-
me inicial dialético para contrapor todos os fundamentos estudados a uma síntese do
que seria essa nova Ciência interdisciplinar intitulada Learning Experience.
A apropriação desse conhecimento qualifica o estudante a planejar e a aplicar com

critério e conhecimento dessa abordagem conceitual à sua realidade de trabalho e ini-
ciar a consolidação de uma metodologia, que sugerimos seja baseada em paradigmas
ou heurísticas advindos dessas Ciências de referência, para o desenvolvimento de uma
nova base metodológica.
Nesta Disciplina conhecemos:

• A fundamentação e o conceitual sobre a Experiência do Usuário e a sua relação
com o Learning Design;
• As bases da Experiência de Aprendizado ou Learning Experience;
• Conceitos fundamentais relacionados à Usabilidade e à Arquitetura da Informação
e sua relação com o Learning Design.
33
UNIDADE
2
Sites
Semantic Studios
O blog do autor Peter Morville.
https://goo.gl/NeFTNg
Livros
Emotional Design
Norman, D. Emotional design. New York: Basic Books, 2004;
Não me faça pensar: Usabilidade na web

KRUG, S. Não me faça pensar: Usabilidade na web. 2.ed. Rio de Janeiro: Alta Books, 2008.
Leitura
Learning Design e Tecnologias: Criação de Ambientes Colaborativos para a Aprendizagem
ASSIS, M. P.; ALMEIDA, M. Learning design e tecnologias: criação de ambientes co-
laborativos para a aprendizagem. Psicologia da Educação, PUC-SP, São Paulo, n. 44,
p. 47-56, jun. 2017.
https://goo.gl/LFG5Lc
34
Referências
BARBERO, J. M. Dos meios às mediações. Rio de Janeiro: UFRJ, 1995.
GAGNÉ, R. The Conditions of Learning. 4.ed. New York: Holt, Rinehart & Winston, 1985.
GAGNÉ, R. et al. Principles of instructional design. 5.ed. Belmont: Cengage Learning, 2004.
NIELSEN, J. 10 Usability heuristics for user Interface design. 1 jan. 1995. Dispo-
nível em: <https://www.nngroup.com/articles/ten-usability-heuristics>. Acesso em: 20
out. 2018.
PEARSON EDUCATION. Using Learning Design to Build More Effective, Enga-

ging Products. New York (EUA): Pearson, 2018. Disponível em: <https://www.pear-
son.com/content/dam/one-dot-com/one-dot-com/global/Files/efficacy-and-research/
methods/LearningDesignWhitepaper_Final.pdf>. Acesso em 10 nov. 2018.
ROSENFELD, L. ; MORVILLE, P. Information Architecture for the Word Wide

Web. 3.ed. Sebastopol: O’Reilly, 2008.
35
3

Prof. Dr. Ivan Carlos Alcântara de Oliveira
Revisão Textual:
Prof.ª Me. Luciene Oliveira da Costa Santos
UNIDADE
3
Contextualização
Uma instituição de ensino superior que atua há mais de 10 anos na Educação a
Distância, tem 80 mil alunos de graduação e pós-graduação e, desde o seu início, faz
uso intenso de Tecnologia da Informação e Comunicação (TIC), envolvendo sistemas de
comunicação e de administração acadêmica, ambientes virtuais de aprendizagem (AVA),
uma plataforma de Massive Open Online Courses (MOOC) para o oferecimento de
cursos abertos e um sistema de Aprendizagem Adaptativo e Inteligente proprietário,
ainda em desenvolvimento, para o oferecimento de cursos de línguas.
Todos os dados dos cursos, seus personagens e uso das plataformas são devidamente
guardados nos bancos de dados da Instituição, perfazendo um interessante conjunto de
dados históricos.
Em particular, essa instituição tem um curso de graduação a distância que ocorre há

8 anos e utiliza o seu AVA. Nele, há uma turma que está em andamento há seis meses.
Virgulino é um estudante dessa turma, cursou algumas disciplinas e gostaria de

saber a respeito de sua situação nesse curso, especialmente as relacionadas à sua
atuação envolvendo os outros colegas.
Refletindo sobre alguns elementos do curso, Virgulino perguntou:
Como está a minha participação nos fóruns de discussão nas disciplinas?

Será que estou tendo uma boa participação, somente satisfatória ou acima das expectativas?
A tutora de Virgulino, Srta. Chicória, bastante dedicada e preocupada com o

aprendizado dos seus alunos, tem interesse em conhecer alguns aspectos relativos
às dificuldades encontradas por eles na sua disciplina. Então, a tutora Chicória
começou a pensar e questionou:
Qual unidade de minha disciplina gera maior dificuldade?

Há algum aluno com necessidade de reforço?
Qual aluno necessita de reforço e em qual assunto?
Os alunos estão conseguindo minimizar suas dificuldades com base nas minhas intervenções?
Já o coordenador do curso, Prof. Dr. Maurinho, está intrigado sobre o abandono

do curso pelos seus alunos, especialmente por saber que o motivo desse abandono
não foi financeiro, e sentiu a necessidade de investigar essa situação com o objetivo
de auxiliar seus alunos. Pensando em voz alta, o Prof. Maurinho disse:
38
Qual é o perfil do aluno com maior dificuldade?
Em qual parte do curso ocorre a maior taxa de evasão?
Existe alguma relação entre a evasão e as reprovações?
Por sua vez, Srta. Josefa, a designer instrucional da instituição, fez mudanças
no desenho do curso do Prof. Maurinho no último ano e ficou muito interessada
em saber:
O novo desenho para as disciplinas produziu melhora na aprendizagem?

O grau de satisfação dos alunos é maior do que o modelo anterior?
Além deles, o pró-reitor, o Prof. Dr. Vlad, preocupado com o atendimento aos
alunos pelos setores da Instituição, interessado no impacto competitivo que pode
gerar o sucesso dos seus alunos, consequente melhora na avaliação dos cursos
e visibilidade da instituição, além do aumento nas inscrições dos vestibulares,
gostaria de conhecer:
Qual a relação entre atendimento e atuação de alguns setores da instituição (secretaria,

coordenação, pró-reitoria, reitoria) envolvendo os alunos e a taxa de evasão em todos os cursos?
Existe alguma relação entre o critério de admissão e o sucesso do aluno nos cursos?
Qual o percentual de alunos que estão empregados ou com estágio na sua área de atuação?
Pois é, observamos que há uma grande quantidade de perguntas de interesse dos

diferentes personagens dessa Instituição de Ensino Superior.
Então, nós, estudantes deste material, poderíamos perguntar:
Será que há alguma área de pesquisa que estuda e se preocupa com a seleção e captura de dados
educacionais com o objetivo de processar, analisar, exibir e compartilhar informações com o
intuito de extrair algum conhecimento desses dados e melhorar os resultados da aprendizagem
dos alunos?
Ah, existe! Essa área chama-se Learning Analytics, uma emergente área de pesquisa
que se preocupa com essas questões. Vamos conhecê-la?
39
UNIDADE
3
Introdução
Ao imaginar o futuro da educação, provavelmente vêm à nossa mente novos
dispositivos de computação, tecnologias ubíquas, salas de aula virtuais tridimensionais e
interativas, monitores inovadores, dentre outros.
Porém, um elemento que não podemos tocar ou ver e que está se tornando cada vez
mais importante para a educação são os dados e a sua análise. Isso mesmo! Especialmente
se pensarmos no ensino superior que faz o uso de diversos sistemas, como os Ambientes
Virtuais de Aprendizagem (AVA), Sistemas de Aprendizagem Abertos (Massive Open
Online Courses – MOOCs), Sistemas de Aprendizagem Adaptativos e Inteligentes,
Sistemas de Gestão da Aprendizagem e/ou Sistemas Institucionais, que são utilizados
como uma Tecnologia da Comunicação e Informação (TIC) para ensinar, aprender e
armazenar dados.
O uso dos espaços desses sistemas por funcionários, administradores, educadores e
estudantes acaba deixando “pegadas digitais”, tais como: acesso a uma página de um
curso; tempo de leitura envolvendo um texto teórico; tempo utilizado para assistir um
vídeo ou áudio; interações em áreas colaborativas, como o fórum, o bate-papo, o blog
e o wiki; resultados obtidos da resolução de atividades individuais e em grupos, além
do tempo utilizado para resolvê-las; envio de e-mails; tempo desde o último acesso ao
sistema; colocação de informações pessoais e outros.
Essas “pegadas digitais” representam uma trilha de aprendizagem que funciona como
um histórico e, por meio de sua análise, tem o poder de informar como ocorre o ensino
e a aprendizagem nesses meios, além de extrair o conhecimento carregado nessas
trilhas com o objetivo de melhorar a aprendizagem dos estudantes, sugerir necessidade
de reforço, identificar dificuldades de aprendizagem, monitorar o risco de evasão, sugerir
caminhos para os educadores melhorar o seu processo de ensino, e muito mais.
Nessa linha, encontra-se Learning Analytics (LA) uma recente área de pesquisa que
tem o foco no estudo dos dados, análise e desenvolvimento de ferramentas analíticas
com o objetivo de melhorar a aprendizagem e os ambientes nos quais ela ocorre. Essas
ferramentas podem fazer parte de um sistema hipermídia genérico e/ou de um AVA
e são projetadas para os membros do meio educacional e voltadas para a melhoria da
aprendizagem dos alunos, como apresenta Silva Jr. e Oliveira (2016).
De forma simplificada e informal, podemos dizer que LA envolve o uso dos dados e
sua análise para responder perguntas a respeito do processo de ensino e aprendizagem
com o intuito de ter esse conhecimento para melhorá-lo.
A fim de tentar compreender melhor essa área, poderíamos nos perguntar:
• Qual a finalidade de LA?
• Qual sua definição, conceitos e áreas correlatas?
• Quais são seus desafios e aspectos relevantes?
40
Então, no intuito de auxiliar a responder a essas perguntas e conhecer um pouco a
respeito dessa interessante área de pesquisa, convido-o a ler o texto a seguir.
Percurso Histórico
Historicamente, a Learning Analytics começou em meados de 2010 com um grupo
de pesquisadores relacionados à educação digital que se uniram em um esforço para
apoiar o seu surgimento como um movimento internacional, criaram a organização
profissional Society for Learning Analytics Research (SOLAR) e fizeram a primeira
conferência Learning Analytics and Knowledge (LAK) no ano de 2011 em Alberta no
Canadá. Tendo continuado com as conferências anuais:
• LAK 2012 em Vancouver, Canadá;
• LAK 2013 em Indianápolis, Estados Unidos;
• LAK 2014, em Leuven, na Bélgica;
• LAK 2015 em Poughkeepsie, Nova Iorque, Estados Unidos;
• LAK 2016 em Edinburgh, Reino Unido; e
• LAK 2017 em Vancouver, Canadá.
Essas conferências foram e são patrocinadas pela SOLAR. Além de patrocinar as

conferências anuais, a SOLAR fundou uma publicação acadêmica, The Journal of
Learning Analytics Research. Também, ocasionalmente, SOLAR organiza oficinas
sobre assuntos relacionados.
Quem desejar saber mais a respeito, tem interesse em discutir ou partilhar os seus
resultados a respeito da LA deve consultar o site de SOLAR.
https://solaresearch.org/
Conceitos
Durante a primeira década do século XXI, a maioria das universidades tem investido
em novos sistemas, TICs, voltados para a educação e Ambientes Virtuais de Apren-
dizagem. Esses artefatos reúnem dados de estudantes, como um retrato detalhado do
aluno desde a sua admissão até a sua formação no ensino superior.
Por meio desses dados temos a oportunidade de encontrar respostas para algumas
perguntas ou dúvidas a respeito do percurso da aprendizagem do estudante. Nessa
linha, vem a área de pesquisa Learning Analytics (LA) que, informalmente, diz respeito
ao uso de dados educacionais com o objetivo de responder perguntas sobre o ensino e
a aprendizagem.
41
UNIDADE
3
Você pode se perguntar por que LA tem pouco tempo de pesquisa se as instituições
de ensino possuem informações e registros de desempenho dos seus alunos há tanto
tempo? Boa pergunta!
1. Os dados a respeito do ensino e da aprendizagem dos alunos estão mais acessíveis
e abundantes, ou seja:
• A instituições reúnem dados de registros de estudantes de fontes variadas que
permitem obter um histórico detalhado desde a sua matrícula até a conclusão.
• Esses dados podem ser acessados com relativa facilidade.
• Também, o uso dos Ambientes Virtuais de Aprendizagem (AVAs), como
Moodle, Teleduc, Tidia-Ae e Blackboard nas aulas presenciais, semipresenciais
ou a distância, permitem obter, de forma digital, dados a respeito do acesso e
navegação dos alunos a seus espaços de ensino e aprendizagem, tais como as
áreas de material educacional, dos exercícios, das avaliações, das ferramentas
colaborativas, dentre outras.
• Então, os valores medidos pelos AVAs permitem obter informações do com-
portamento dos alunos e a forma como eles aprendem.
2. O surgimento de abordagens analíticas inovadoras que permitem manipular os
dados, gerar informações e conhecimento que podem ser visualizados. Assim, é
possível realizar o uso da tecnologia com o intuito de apoiar a tomada de decisão
e treinar estudantes e professores na efetividade da aprendizagem dos alunos.
O termo Learning Analytics começou a ser usado mais regularmente em 2011,

a partir da 1ª Conferência Internacional de LAK que ocorreu nesse mesmo ano em
Alberta no Canadá.
Nessa conferência, foi realizada uma definição de LA de grande aceitação na

comunidade acadêmica:
“Learning Analytics é a medição, coleta, análise e comunicação de dados sobre alunos

e seus contextos, para fins de compreensão e otimização da aprendizagem e dos
ambientes em que ela ocorre.” (SIEMENS, LONG, 2011, p.34) (tradução nossa).
Baseados nas apresentações de Mckay (2014), vamos detalhar algumas partes dessa
definição?
A medição é o ponto central da LA e ocorre nos diversos âmbitos de uma instituição,

desde os sistemas de administração acadêmica até os ambientes virtuais de aprendizagem
que armazenam as medidas (os dados) em seus bancos de dados (BD).
A partir das medições temos, a coleta que é realizada pelas Tecnologias de Informação
e Comunicação (TIC).
42
Por sua vez, a análise envolve técnicas e algoritmos que realizam a manipulação,
inferência e processamento de grande quantidade de dados coletados e nos ajuda a
compreender como está o andamento da situação dos alunos.
Segundo Suchithra, Vaidhehi e Yver (2015), em LA, a análise envolve: o desempenho

dos alunos obtido pela avaliação; a participação de alunos em salas de aula tradicionais; a
participação de alunos em salas de aprendizagem online; a participação em discussões;
as sugestões personalizadas; a tomada de decisão; fatores de sucesso de estudantes;
sistema de feedback e pedagogia.
Mas poderíamos nos perguntar: que dados? Em princípio, os dados disponíveis para
LA são qualquer coisa que pode ser medida. Porém, não têm que ser necessariamente
quantificável e pode incluir, por exemplo, texto, imagem e vídeo.
Quem são os alunos nessa definição?
Bem, obviamente, são os estudantes, tanto de dentro quanto fora da Instituição. Além
dos estudantes, os integrantes da Instituição que influenciam o ensino e a aprendizagem
também podem ser considerados “alunos”, tais como os professores, os tutores,
designers instrucionais e os responsáveis pela administração do ensino (coordenadores,
diretores, pró-reitores, reitores). Por isso, alunos são aqueles que estão preocupados
com o ensino e a aprendizagem.
E o que seria o contexto?
O contexto corresponde ao estudo personalizado e indica que cada aluno em cada

ambiente é único e a educação (ou o local na qual ela se dá), para ser eficaz, deve se
esforçar para ser sensível e responsivo a essa diferença.
Da definição, observamos que o propósito da LA é compreender e otimizar

a aprendizagem e os ambientes em que ela ocorre, mas quais são seus objetivos
específicos? Alguns objetivos são: queremos conhecer como ocorre o ensino e a
aprendizagem; agir utilizando esse conhecimento para melhorá-los; compreender em
que ambiente e contexto o ensino e a aprendizagem ocorrem.
Por último, e, talvez, o mais importante, vem a comunicação. Como apresentado

anteriormente, todos temos dúvidas e gostaríamos de saber as respostas com o objetivo
de melhorar a aprendizagem dos alunos, razão principal para processar e analisar toda
essa informação em LA.
Então, a comunicação permite compartilhar com os alunos o que aprendemos, a

partir dos dados trilhados por eles nos ambientes, ajudando-os a melhor compreender a
sua situação no curso, a navegar de forma consciente e interagir no ambiente educacional
para melhorar a sua aprendizagem.
43
UNIDADE
3
Voltando ao ponto, anteriormente abordado, a respeito dos dados trilhados pelos
alunos desde a sua matrícula até a sua formação. Durante esse período, o estudante
realiza cursos, participa de disciplinas e eventos, gerando dados na forma de “pegadas
digitais” que podem informar o seu percurso de aprendizagem e prever situações,
pelo uso de técnicas adequadas. Por meio dessas pegadas, os envolvidos no processo
educacional podem desejar fazer perguntas com o intuito de melhorar a aprendizagem,
inclusive o próprio estudante.
Tendo em vista que alguns dos envolvidos no processo educacional do ensino superior
são estudantes, professores/tutores, administradores (coordenadores, diretores, pró-
reitores, reitor) e projetista de curso/conteudista/design instrucional e que todos têm
perguntas, vamos especular sobre algumas delas?
Estudante
• Qual curso/disciplina devo cursar?
• Qual é o perfil de quem faz esse curso?
• Quais são os pré-requisitos para cursar uma determinada disciplina?
• O que eu posso fazer ao finalizar o curso/disciplina?
• Qual a classe de profissionais ou de graduados cursaram esse curso de pós-
-graduação?
• Quais cursos esses estudantes realizam em paralelo a esse curso de graduação/
pós-graduação?
• Qual a proporção de alunos concluintes no curso? E qual a taxa de evasão? Qual
foi o motivo dessa evasão?
• Qual a proporção de alunos aprovados na disciplina? E qual a taxa de alunos re-
provados?
• O professor/tutor já ensinou nesse curso/disciplina anteriormente? Por quanto tempo?
• Qual proporção de alunos mediados por esse professor/tutor é bem-sucedida nas
próximas disciplinas do curso?
• É melhor cursar primeiro o curso de pós-graduação A ou o B para ser melhor
qualificado e/ou ter sucesso profissional?
• Como está o meu andamento no curso/disciplina? Está dentro do esperado ou
tenho que melhorar?
• Como está o meu desempenho no curso/disciplina? Há algum assunto que merece
mais atenção?
• Estou precisando de reforço em qual assunto/unidade/parte da disciplina/curso?
• Como estou indo em relação aos meus colegas de curso/disciplina? Estou dentro
da média?
44
• Como está a minha participação nos eventos colaborativos (tipo fórum de discussão,
bate-papo, blog, wiki)? O que preciso melhorar?
Professor/Tutor
• Quantas foram as matrículas nas últimas entradas?
• O que foi ensinado nesse curso/disciplina nas ofertas anteriores? Qual a taxa de
aprovação?
• Quantos docentes ministraram esse curso/disciplina anteriormente? Quem foram eles?
• Como os alunos avaliaram o curso/disciplina nas edições anteriores?
• Qual foi a avaliação dos docentes anteriores?
• O que os alunos anteriores mais gostaram no curso/disciplina?
• O que os alunos anteriores menos gostaram no curso/disciplina?
• Qual atividade no curso/disciplina teve maior taxa de insucesso?
• Qual atividade no curso/disciplina teve maior taxa de sucesso?
• Qual unidade gerou maior dificuldade no curso/disciplina?
• Os alunos estão conseguindo minimizar suas dificuldades com minhas intervenções?
• Qual unidade obteve melhor resultado no curso/disciplina?
• Qual a formação dos alunos da turma atual? E das turmas anteriores?
• Quais cursos/disciplinas os alunos estão cursando ao mesmo tempo?
• Como foram os alunos da minha turma no colégio?
• Quais são as ambições desses alunos?
• Qual a média de notas dos alunos desse curso/disciplina?
• Qual a quantidade de alunos com notas superiores à média em turmas anteriores?
E da turma em andamento?
• Há algum aluno com necessidade de reforço? Em qual assunto/unidade/curso/
disciplina? Quem é esse aluno?
• Há algum aluno em risco de evasão?
• Este curso/disciplina apresenta grupos de alunos com características de desempenho
similares? Quantos grupos? Quais são os alunos de cada grupo? Quais são as
características? E em edições anteriores?
• Quais as diferenças observadas de desempenho em relação ao gênero dos
estudantes? E se consideramos região ou polo de origem? E a pensarmos na
situação econômica? E as turmas anteriores, como era o comportamento?
45
UNIDADE
3
• Qual a real dependência dos pré-requisitos para o sucesso do aluno no curso/
disciplina?
• As técnicas de ensino utilizadas no curso/disciplina estão se mostrando eficazes?
Administradores (coordenação, pró-reitor, reitor)

• Como está o desempenho dos alunos que possuem financiamento estudantil?
• O curso está educando os alunos de forma eficaz? Como estão os resultados?
• Qual o percentual de alunos que está com baixo desempenho? Quais são esses alunos?
• Qual disciplina do curso gera maior índice de dificuldade e consequente baixo
desempenho?
• Em qual ponto do curso ocorre a maior quantidade de evasão?
• Qual o perfil de aluno tem maior dificuldade no curso?
• Qual o perfil de aluno tem maior chance de evasão no curso?
• Qual perfil de aluno tem maior êxito no curso?
• Qual tipo de aluno devo admitir para cursar o meu curso?
• Qual a quantidade de alunos que estão em fase de estágio ou estão atuando na área
do curso? Como está o seu desempenho?
• Os alunos que estão fazendo estágio ou atuam na área do curso têm melhor
desempenho do que aqueles que não estão nessa situação?
• Existe alguma relação entre o critério de admissão e o sucesso do aluno no curso?
• Qual a influência de fatores como status socioeconômico, etnia, gênero, identidade
sexual, região, polo de origem com o sucesso do estudante no curso?
• A grade curricular e os conteúdos do curso atendem à necessidade do profissional
a ser formado?
• Qual a relação entre atendimento e atuação de alguns setores da instituição
(secretaria, coordenação, pró-reitoria, reitoria), envolvendo os alunos e a taxa de
evasão no(s) curso(s)?
• Todos os alunos estão atingindo os seus objetivos?
• Os alunos estão fazendo melhor ou pior do que o esperado?
Projetista de curso/Conteudista/Designers instrucionais

• Qual unidade das disciplinas do curso apresenta maior dificuldade e baixo desempenho?
• Qual disciplina apresenta melhor desempenho? Qual apresenta pior desempenho?
• Qual item didático ou recurso é mais acessado e utilizado pelos alunos?
46
• O uso de materiais interativos produz algum ganho na aprendizagem dos alunos e
melhora seu desempenho? Que tipo de material interativo?
• Os cursos iniciaram faz alguns anos e no ano passado foi alterado o desenho dos
materiais do curso, então pergunto: O novo desenho para as disciplinas produziu
melhora na aprendizagem? Qual foi o impacto? O grau de satisfação dos alunos é
maior? Houve alguma dificuldade? Essa dificuldade está relacionada a algum item
específico? Qual?
• O curso atende às expectativas dos alunos?
Como vimos, por meio desse pequeno esboço, todos os envolvidos no processo
educacional têm perguntas, e com a LA temos a oportunidade de ajudá-los a encontrar
essas respostas. Cabe ressaltar que muitas das perguntas idealizadas por algum dos
personagens apresentados pode ser compartilhada por outro.
Suponha que você também seja um personagem de um curso a distância (graduação

ou pós-graduação), reflita:
Que pergunta você gostaria de saber com o objetivo de melhorar a sua própria
aprendizagem ou de um aluno em um AVA?
Então, agora que já fomos inseridos no contexto de LA, vamos conhecê-la um

pouco mais?
Considerando os termos “Learning” e “Analytics” separadamente, sabemos que

Learning é traduzido para Aprendizagem, mas o que é Analytics?
O termo Analytics, ou Analítico, ou Ciência da Análise, tem natureza genérica, não

está vinculada a nenhuma área específica e pode ser informalmente definida como a
habilidade no uso dos dados, sua análise e raciocínio, de forma sistemática, com o
objetivo de conduzir eficientemente a tomada de decisão. Em síntese, Analytics é a
informação ou conhecimento resultante da análise sistemática ou da estatística aplicada
aos dados.
Há variados tipos de análises que compõem o termo Analytics. Dentre esses tipos,
há: Modelagem Preditiva e Estatística, Otimização, Mineração de Dados (Data Mining)
e Mineração de Textos (Text Mining).
Existem variadas definições de LA, no geral, cita Chatti et al. (2012), todas têm
ênfase na conversão de dados educacionais em informações que permitam a realização
de ações para apoiar a melhoria no processo de aprendizagem.
Conforme Chatti et al. (2012) e Ferguson (2012), as práticas e técnicas de LA

são baseadas em diversas áreas. Algumas dessas áreas, destacadas na Figura 1, são:
Academic Analytics, Action Research, Aprendizagem Adaptativa Personalizada,
Big Data, Business Intelligence (BI), Educational Data Mining (EDM), Sistemas de
Recomendação, Visualização da Informação e Web Analytics.
47
UNIDADE
3
Academic
Analytics
Visualização Action
da Informação Research
Web Analytics Educacional

Learning Data Mining
Analytics
Business Sistema de
Intelligence Recomendação
Aprendizagem
Big Data Adaptativa
Personalizada
Figura 1 – Algumas áreas que contribuem para as práticas e técnicas de Learning Analytics
Duval (2011) relata que essas áreas têm em comum o uso de grandes coleções de
dados, em um nível de granularidade que as permite detectar padrões existentes e
descobrir conhecimento a partir deles.
Para compreender melhor cada uma dessas áreas, vamos conhecer uma descrição
resumida delas?
• Academic Analytics: Termo que pode ser utilizado para descrever a aplicação
dos princípios de Business Intelligence (BI) na área acadêmica, com o objetivo de
estudar os fatores tecnológicos e gerenciais que afetam o modo como as instituições
reúnem, analisam e utilizam os dados (GOLDSTEIN; KATZ, 2005, apud ELIAS,
2011, p.4; CONDE et al., 2015).
• Action Research: Tem como objetivo melhorar a prática docente e garantir a
qualidade educacional. Baseado em uma situação de ensino real, professores e alunos
investigam sistematicamente questões decorrentes das pesquisas, considerando
a ação e reflexão correlata. Por meio de ciclos iterativos de ação, percepção e
avaliação, o ensino pode ser regularmente ajustado às necessidades de todos os
alunos (CHATTI et al., 2012).
48
• Aprendizagem Adaptativa Personalizada: Chatti et al. (2012) destacam que
a maioria das soluções de aprendizagem adaptativa personalizada são aplicadas
na área de LA para indicar automaticamente aos alunos os próximos passos a
serem seguidos a partir de um material de ensino e de suas necessidades individuais,
ou para apoiá-los em suas decisões, recomendando diferentes opções a partir de
suas preferências.
Porém, tanto as soluções de aprendizagem adaptativa personalizada quanto LA,

necessitam da elaboração de um modelo que sintetize as principais características
do aluno a partir de seus dados, a fim de garantir a assertividade no tratamento das
diferentes necessidades e proporcionar uma experiência de aprendizagem sob medida
para cada usuário (CHATTI et al., 2012; LOTSARI et al., 2014).
• Big Data: Segundo Hurwitz et al. (2016), esse termo pode ser definido como a
capacidade de administrar um enorme volume de dados diferentes, na velocidade
correta e dentro do prazo com o objetivo de permitir análises e tomadas de decisão
em tempo real. Um resumo das características de Big Data são:
• Volume: envolve a quantidade de dados.
• Velocidade: indica a rapidez com que os dados são processados.
• Variedade: relativo a tipos variados de dados.
• Veracidade: relaciona-se à precisão dos dados quanto ao contexto em que
é aplicada.
• Business Intelligence: De acordo com Baker (2007, apud ELIAS, 2011, p.3),
BI é um processo bem estabelecido no mundo dos negócios por meio do qual os
responsáveis pela tomada de decisão têm a oportunidade de integrar o pensamento
estratégico com a tecnologia da informação para ser capaz de sintetizar “grandes
quantidades de dados” em recursos para tomada de decisão.
Dessa forma, o principal objetivo da área de BI é transformar dados corporativos em

informações úteis para apoio à tomada de decisão por parte da gestão, enquanto as áreas
de Learning Analytics, Academic Analytics e Education Data Mining se concentram
mais especificamente em ferramentas e métodos para explorar dados provenientes de
contextos educativos (DYCKHOFF et al. 2012; SERRANO-LAGUNA et al., 2012).
• Education Data Mining (EDM): EDM se concentra basicamente na aplicação de
técnicas típicas de mineração de dados, como clustering (agrupamento), classificação
e mineração de regras de associação, para apoiar professores e alunos na análise do
processo de aprendizagem (CHATTI et al., 2012; CONDE et al., 2015).
• Sistemas de Recomendação: Chatti et al. (2012) dizem que sistemas de
recomendação agregam dados sobre o comportamento ou as preferências
do usuário, a fim de tirar conclusões para a recomendação de itens que ele
provavelmente pode estar interessado. Esse tipo de técnica é cada vez mais utilizado
em LA, principalmente envolvendo algoritmos de recuperação e aprendizado de
49
UNIDADE
3
máquina provenientes de sistemas de recomendação comerciais, e que devem ser
adaptados para que a sua utilização em LA atinja os resultados esperados.
• Visualização da Informação: Segundo Castro e Ferrari (2016), consiste na
apresentação dos dados em forma de imagens e/ou representações visuais (gráficos)
com o objetivo de compreender a natureza de como os dados estão distribuídos,
realizar uma extração rápida e facilitada do conhecimento envolvido neles e permitir
que seu conhecimento seja compartilhado diretamente entre diferentes pessoas e
instituições. Algumas técnicas simples de visualização envolvem os tipos de gráfico:
histograma, gráficos de frequência, gráfico de Pareto, gráfico de setores, grafos,
árvores, treemaps e dashboards.
• Web Analytics: É o processo de coleta, análise e apresentação de informações de
uso de um site da Internet deixadas por visitantes e clientes (MCFADDEN, 2005,
apud ELIAS, 2011, p.3; SERRANO-LAGUNA et al., 2012).
Um fato relevante é que boa parte dessas teorias se utilizam de técnicas matemáticas
e análise estatística para processar e avaliar as suas ações.
Retomando aos conceitos associados a LA, Elias (2011) afirma que o uso de LA por
parte dos alunos, instrutores e consultores acadêmicos em tempo real é fundamental
para melhorar o sucesso do aluno.
Então, o foco de LA deve ser na seleção, captura e processamento de dados que

serão úteis para os estudantes e instrutores do curso ou em um nível individualizado.
Além disso, deve ser focada em sistemas capazes de ajustar o conteúdo, níveis de
suporte e outros serviços personalizados por meio da captura, elaboração de relatórios,
processamento e ação sobre os dados em uma base contínua de forma que minimize o
tempo entre a captação e o uso dos dados.
Por esses fatos, o estudo e o progresso da LA devem envolver:

1. O desenvolvimento de novos processos e ferramentas que visam melhorar a
aprendizagem e o ensino para alunos e instrutores individuais; e
2. A integração destas ferramentas e processos para a prática do ensino e
aprendizagem.
Ainda, LA possui como foco principal a análise de informações do passado utilizando

conjuntos de dados em lotes. Porém, a análise de dados em tempo real tem se mostrado
uma linha de pesquisa promissora, que pode integrar a análise de dados do passado
com os dados da sessão atual, gerando conjuntos de dados com o objetivo de informar
o tomador de decisão sobre temas atuais específicos que podem ser melhorados para
prover uma melhor experiência de aprendizagem para o aluno em tempo real e não
apenas para os próximos grupos (FERNÁNDEZ; MARIÑO, 2016).
O ciclo da LA de sucesso, apresentado em Clow (2012), relata quatro etapas
interligadas: (1) os alunos; (2) geração de dados; (3) usados para produzir métricas,
análises ou modelos visuais; e (4) fechar o ciclo, realizando feedback aos alunos por
meio de uma ou mais intervenções.
50
Há uma grande variedade de técnicas computacionais que podem ser empregadas,
todas com propriedades interessantes, mas é a interpretação dos resultados que realmente
constitui o núcleo do processo de análise. (D’AQUIN; JAY, 2013).
É fato que, o surgimento da educação digital mediada por computador, proporcionada
pelas TICs, permite-nos gravar, analisar e agir sobre as ações individuais dos alunos,
professores e funcionários de maneiras ainda não completamente imaginadas. Essa
realidade abriu portas para muitas oportunidades para compreender a aprendizagem
e melhorá-la. No entanto, temos que ficar atentos às questões éticas do que pode ser
acessado e compartilhado.
Podemos nos perguntar: como podemos ter certeza de que os profissionais que
trabalham com LA mantêm os padrões éticos da comunidade acadêmica e não utilizam
os dados da trilha de aprendizagem dos alunos de forma ilícita?
Tratar essa questão com sabedoria é um dos desafios mais importantes que
enfrentamos. Como investigar e analisar os dados entregando os benefícios que a LA
promete e não comprometer a ética?
Um texto bastante completo que aborda uma revisão da literatura envolvendo as
questões éticas e legais na prática de Learning Analytics, escrito por Niall Sclater, pode
ser acessado no link a seguir.
Code of practice for learning analytics: http://goo.gl/22FIcu
Learning Analytics e Academic Analytics

Learning Analytics e Academic Analytics são dois termos que geram um pouco de
confusão e dificuldade no estabelecimento de suas características, no intuito de facilitar
essa caracterização. Vamos conhecê-las?
Siemens e Long (2011) destacam que LA está conectado ao mundo do Big Data
e surgiu considerando as áreas de Business Intelligence e Ciência de Dados (Data
Science). Segundo eles, Academic Analytics (AA) é a aplicação de Business Intelligence
na educação e enfatiza Analytics em níveis institucionais, regionais e internacionais.
LA é mais específico do que AA, pois o foco de AA é exclusivamente no processo de

aprendizagem e reflete o papel de análise de dados a nível institucional, enquanto LA se
concentra no processo de aprendizagem que inclui analisar a relação entre o aluno, o
conteúdo, a instituição, e o educador.
No entanto, Mckay (2014) diz que LA envolve a análise de dados sobre o ensino
superior em todos os níveis e hesita em fazer a distinção entre LA e AA. Ele acredita que
a aprendizagem do aluno é profundamente enraizada nas estruturas institucionais, sendo
impossível apreciar devidamente a experiência de aprendizagem para um estudante sem
o acesso à microexperiência de uma atividade individual em um ambiente virtual e à
macroexperiência do seu progresso desde a matrícula até algum tipo de ajuda financeira
recebida para a continuidade dos seus estudos.
51
UNIDADE
3
O Quadro 1 apresenta algumas características de Learning Analytics e Academic
Analytics retiradas de Siemens e Long (2011). Nesse quadro, pode-se observar qual nível
educacional é indicado, quais são os seus objetos de análise e quem são os beneficiários
de cada um dos Analytics.
Learning Analytics e Educational

Data Mining
Learning Analytics e Educational Data Mining também são dois conceitos que geram
dificuldades na diferenciação. Então, para conhecer melhor as suas características, vamos
ver alguns pontos destacados por alguns pesquisadores a respeito de cada um deles?
Agudo-Peregrina et al. (2014) destacam que Learning Analytics emerge a partir
de duas tendências principais e convergentes: o crescente uso de AVAs em instituições
de ensino, e a aplicação de técnicas de mineração de dados utilizados nos processos de
Business Intelligence (BI) nas organizações. Eles ressaltam ainda que LA frequentemente
é relacionada a Educational Data Mining (EDM), apesar das diferenças existentes tanto
em relação aos objetivos quanto em relação a abrangência de cada área.
Quadro 1 – Características de Learning Analytics e Academic Analytics

Tipo de Analytics Nível / Objetos de Análise Quem se beneficia
Nível de Curso: redes sociais, desenvolvimento
conceitual, análise de discurso, “curriculum Faculdade/estudantes
Learning Analytics inteligente”.
Departamental: modelagem preditiva, padrões
Faculdade/estudantes
de sucesso/falha.
Institucional: arquivos dos aprendizes,
desempenho dos aprendizes, fluxo de Administradores, financiadores e marketing
conhecimento.
Academic Analytics
Regional: comparação entre sistemas
Administradores e financiadores
(estado/província).
Nacional e Internacional Governo nacional e autoridades da educação
Fonte: (SIEMENS; LONG, 2011, p. 34) (tradução nossa).
Agudo-Peregrina et al. (2014) descreve que o principal objetivo da LA é a de melhorar

os resultados e os processos da aprendizagem global em aprendizagem por meio das
salas de aula virtuais. A unidade mais básica de dados da aprendizagem em ambientes
virtuais da LA é a interação, mas ainda não há consenso sobre quais interações são
relevantes para uma aprendizagem eficaz.
Zielinski e Schmitt (2015) relatam que os campos de investigação denominados LA e

EDM podem ter finalidades semelhantes, porém, os métodos adotados para alcançar os
objetivos têm diferenças, como pode ser observado no Quadro 2, adaptado de Siemens
e Baker (2012).
52
Baker e Yacef (2009, apud AGUDO-PEREGRINA et al., 2014, p.2) destacam que
EDM está relacionada com o desenvolvimento de métodos para análise de dados de
aprendizagem, enquanto a área de LA está relacionada com o uso desses dados para a
melhoria do processo de aprendizagem.
Além disso, as técnicas utilizadas para LA podem ser bastante diferentes daquelas
utilizadas em EDM. EDM se concentra basicamente na aplicação de técnicas típicas de
mineração de dados, enquanto LA inclui ainda outros métodos, tais como ferramentas
estatísticas e de visualização ou técnicas de análise de redes sociais, e na aplicação prática
deles para estudar a sua eficácia real sobre a melhoria do ensino e da aprendizagem
(CHATTI et al., 2012; CONDE et al., 2015).
Quadro 2 – Diferenças entre Learning Analytics e Educational Data Mining

Característica Learning Analytics Educational Data Mining
A avaliação humana é o ponto principal e a

A avaliação humana é uma ferramenta para se
Tipo de Descoberta descoberta automatizada é uma ferramenta para
chegar à descoberta automatizada.
alcançar este objetivo.
Ênfase principal na redução do sistema a

Visão Reducionista Ênfase principal na compreensão do sistema geral,
componentes, análise individual desses
ou Holística envolvendo toda a sua complexidade.
componentes e na relação entre eles.
Sua origem mais forte está em web semântica, Fortes origens em software educacional e
Origens “currículo inteligente”, previsão de resultados e modelagem do estudante, com ênfase na
intervenções sistêmicas. previsão de resultados do curso.
Adaptação e Foco principal em fornecer informações e poder a Foco principal na adaptação automática sem
Personalização instrutores e alunos. intervenção humana.
Análise de rede social, análise de sentimento, análise

Classificação, clustering (agrupamento),
de influência, análise do discurso, previsão de
modelagem Bayesiana, mineração de
Técnicas e Métodos sucesso do estudante, análise de concepção, modelos
relacionamento, descoberta com modelos,
de sensemaking (informalmente, é o processo pelo
visualização.
qual damos significado à experiência).
Fonte: Adaptado de Siemens e Baker (2012).
Learning Analytics e a Modelagem Preditiva

Você deve ter observado o termo Modelagem Preditiva apresentado no texto e
destacado no Quadro 1, aplicado a Learning Analytics. Mas, o que seria?
Castro e Ferrari (2016) descrevem que predição se refere à construção e uso de um

modelo para avaliar a classe de um objeto ou para estimar um ou mais atributos de um
certo objeto.
Em outras palavras, predição refere-se a identificar qual a classificação de um objeto

dentro de um conjunto e realizar a estimação de algumas características para o objeto
que não estão especificadas.
53
UNIDADE
3
Por exemplo, por meio da modelagem preditiva, baseado em um histórico de
grupos de alunos que evadiram de um curso no passado, é possível classificar um aluno
que se encontra em situação similar e encontra-se em risco de evasão. Além disso, é
possível estimar quais temas o estudante pode ter mais dificuldade, baseado em seus
conhecimentos prévios, ou nas suas ações dentro de um ambiente virtual. Conhecendo
essas situações, pode-se realizar alguma ação com o intuito de auxiliá-lo a minimizar
esses problemas.
Mckay (2014) diz que quando criamos um modelo preditivo, o que realmente fazemos
é examinar os dados do passado para ver como os antecedentes estão relacionados
aos resultados atuais. Em outras palavras, quando examinamos cuidadosamente o que
aconteceu no passado, aprendemos com a experiência. Com isso, podemos realizar
ações e ou tomar decisões para melhorar os resultados da aprendizagem dos alunos, que
é o objetivo central da LA.
Learning Analytics e as Instituições

de Ensino Superior
Considerando o percurso da LA em uma instituição e os seus estágios de implantação
que indicam o seu amadurecimento no desenvolvimento da LA, temos o gráfico da Figura
1 obtido de Siemens, Dawson e Lynch (2013) que apresenta e discute as políticas e as
estratégias para implantação da LA na Austrália, pensando na melhoria da qualidade e
produtividade do Ensino Superior.
Impacto para o Estudante / Membros / Setor / Organização
Integrado
• Recursos de compartilhamento dados

Setor de
• Inovação
Transformação
• Dados
DDa abertos
• Setor
SSeet de sabedoria com agilidade
Transformação
Organizacional
• Modelos
Moo
M preditivos
Organização • AAp
Aprendizagem personalizada
• Medida pelo Impacto e pela
• Estratégia Organizacional
Equipe de Grade
Curricular
Estudante • Painéis para o estudante
• Painéis para o corpo docente e funcionários
Experimentação • Ferramentas de Relatórios para a inteligência do Negócio
• Integração de dados entre sistemas
• RRe
Relatórios
ela
ellaaatttó detalhados
Conscientização • Painéis
Pai
PPa
ain
ai
in de exemplo
Limitado
• RRe
Relatórios
eellaa básicos
• Dados
DDa de log
Iniciante Avançado
Amadurecimento no Desenvolvimento do Learning Analytics
Figura 2 – Modelo de Sofisticação da Learning Analytics nas Instituições de Ensino Superior
Fonte: Adaptado de SIEMENS; DAWSON & LYNCH, 2013
54
Por meio desse gráfico, pode-se verificar que o do amadurecimento da LA pode
auxiliar na integração da organização e de seus membros. No estágio inicial, os resultados
obtidos com a LA têm baixo impacto, sendo pontuais para os diretamente envolvidos
em um curso ou disciplina, tal como o conhecimento a respeito da taxa de aprovação
pelo professor do curso. Com o avanço no desenvolvimento da LA, pode-se chegar
a um nível de integração tão alto que permita a todos os envolvidos conhecer melhor
como está o processo de ensino e aprendizagem na instituição e tomar decisões que
tenham um grande impacto e tragam muitos benefícios.
Nesse gráfico, também é possível observar que o processo de implantação da LA nas
instituições inicia por uma etapa de conscientização com relatórios básicos, por exemplo,
percentual de estudantes aprovados, reprovados e desistentes em uma disciplina/curso.
Em seguida, temos a etapa de experimentação com relatórios mais detalhados, como
a situação dos estudantes em um dado curso em períodos anteriores e no atual.
Avançando um pouco, o poder da LA começa a envolver mais membros, como
estudantes, professores e a administração da organização, melhorar a integração entre
os sistemas, a fornecer informações mais detalhadas a respeito dos envolvidos no
processo de ensino e aprendizagem, gerando relatórios com painéis bem elaborados
que permitam extrair conhecimento e fomentar a inteligência do negócio.
A seguir, continua uma fase de maior amadurecimento onde é possível realizar uma apren-
dizagem individualizada e prever situações com antecedência para tomar decisões, sempre
com o objetivo de melhorar a aprendizagem dos seus alunos, consequentemente, fazendo a
organização ganhar maior credibilidade e visibilidade no mercado competitivo da educação.
Por fim, o estágio final envolve a criação de um setor de transformação, capaz de inovar,
compartilhar dados com agilidade e funcionar como um diferencial para a instituição,
gerando conhecimento que pode ser utilizado com sabedoria tornando-a referência.
Disso tudo, observa-se que LA tem potencial para apontar reformas institucionais
consideráveis e, por meio delas, proporcionar melhora na qualidade do ensino e da
aprendizagem, além de, ao mesmo tempo, fomentar a inovação.
Learning Analytics: Possibilidades

e Desafios
Então, agora que conhecemos os conceitos por trás da área de Learning Analytics,
que tal destacarmos algumas de suas possibilidades de uso e desafios?
A partir da análise dos dados da aprendizagem, algumas possibilidades no emprego

de LA para o ensino superior, relatados por Siemens e Long (2011), são:
1. Pode melhorar a tomada de decisão administrativa e alocação de recursos
organizacional.
2. Pode identificar os alunos em risco e fornecer a intervenção para ajudá-los a
alcançar o sucesso.
55
UNIDADE
3
3. Pode criar, através de dados e análises transparentes, um entendimento
compartilhado de sucessos e desafios da instituição.
4. Pode inovar e transformar o sistema da instituição, bem como modelos
acadêmicos e abordagens pedagógicas.
5. Pode auxiliar no estudo de temas complexos identificando situações de risco e
fornecer apoio.
6. Pode aumentar a produtividade e eficácia organizacional ao fornecer informações
atualizadas e permitir uma resposta rápida aos desafios.
7. Pode auxiliar os líderes institucionais na avaliação dos materiais de um curso e
na atividade docente.
8. Pode fornecer aos alunos o conhecimento sobre seus hábitos de aprendizagem
e dar recomendações para melhorias.
Porém, vale destacar que, para alcançar essas possibilidades, existem alguns desafios
importantes envolvendo LA e o desenvolvimento de suas ferramentas, conforme
apresentam Duval e Verbert (2012) e Wolff (2013):
1. Um problema realmente difícil é descobrir quais são os dados que devem ser
considerados para prover uma aprendizagem significativa.
2. Traduzir esses dados em representações visuais e oferecer feedback que
permitam apoiar a aprendizagem é um outro desafio. O perigo de apresentá-los
sem sentido ou de forma confusa pode prejudicar e não auxiliar na aprendizagem.
3. Avaliar a usabilidade e utilidade é possível, mas a avaliação do impacto real de
aprendizagem é difícil. Uma forma de tentar resolver este problema é a adoção
de uma metodologia de pesquisa em design, onde o foco é sobre a concepção,
desenvolvimento e implantação de ferramentas e do estudo dos efeitos que estes
têm em contextos de aprendizagem real.
4. Por meio da coleta das “pegadas digitais” deixadas no ambiente pelos
alunos, é possível construir conjuntos de dados que ajudarão a transformar
a investigação em aprendizagem, mais do que uma ciência empírica.
Compartilhá-los é outro desafio.
5. O uso da LA para melhorar a aprendizagem e minimizar a reprovação dos
estudantes. Desde que tutores não interajam face a face com os alunos, pode
ser difícil identificar e responder aos alunos que têm dificuldades em tempo para
tentar auxiliá-los.
Considerações Finais
Nesta unidade, você foi apresentado:
• a um resumo da história da Learning Analytics (LA) que permitiu perceber a
natureza recente dessa área de pesquisa, além de conhecer sobre a organização
SOLAR, os eventos LAK que ela patrocina e publicação criada;
56
• aos conceitos de LA e algumas questões éticas, pode-se dizer que LA têm ênfase
na conversão de dados educacionais em informações que permitam a realização de
ações para apoiar a melhoria no processo de aprendizagem;
• às perguntas que os envolvidos no processo educacional podem se interessar em
fazer e que a LA pode auxiliar a responder;
• a algumas áreas relacionadas à LA, dentre elas: Business Intelligence, Big Data,
Action Search, Visualização, Academic Analytics e Educational Data Mining;
• a uma síntese a respeito das diferenças entre Learning Analytics e as duas áreas
correlatas Academic Analytics e Educational Data Mining;
• ao uso da Modelagem Preditiva em LA, que possibilita, por exemplo, o aprendizado
com a experiência e a identificar o que esperar de cada aluno, detectar os que estão
em risco ou com chance de fracasso e tentar auxiliá-los;
• uma breve discussão sobre a Learning Analytics e a evolução no processo de sua
implantação dentro das Instituições de Ensino Superior;
• e, por fim, as possibilidades e aos desafios da LA.
Este texto iniciou uma discussão a respeito da LA e teve a intenção de apresentá-
la como uma recente e interessante área de pesquisa, especialmente àqueles que
desejam conhecer os conceitos básicos por detrás da LA para a construção de novas
ferramentas hipermídia vinculadas a Ambientes Virtuais de Aprendizagem e/ou a
Sistemas Institucionais.
Com base neste material, você pode refletir sobre o aprendizado em ambientes
virtuais e atuar realizando questões norteadoras que permitam propor novas ferramentas
de LA para apoiar os envolvidos no processo educacional e contribuir para melhorar a
aprendizagem dos alunos.
57
UNIDADE
3
Sites
Penetrating the Fog: Analytics in Learning and Education
SIEMENS, G.; LONG, P. Penetrating the Fog: Analytics in Learning and Education.
EDUCAUSE review, v. 46, n. 5, p. 30, 2011.
http://goo.gl/c8SPor
Uma ferramenta gráfica para suporte à atividade docente no Moodle
ZIELINSKI, F. D. C.; SCHIMITT, M. A. R. Uma ferramenta gráfica para suporte à
atividade docente no Moodle. RENOTE13. no. 1. 2015.
http://goo.gl/pJCi64
Leitura
Learning Analytics
ELIAS, T. Learning Analytics: The Definitions, the Processes, and the Potential. 2011.
Disponível em:
http://goo.gl/pOfSff
Code of practice for learning analytics
SCLATER, N. Code of practice for learning analytics: A literature review of the ethical
and legal issues. Jisc, 5 de Novembro 2014.
http://goo.gl/22FIcu
58
Referências
AGUDO-PEREGRINA, Á. F. et al. Can we predict success from log data in
VLEs? Classification of interactions for learning analytics and their relation with
performance. In: VLE-supported F2F and online learning. Computers in human
behavior, v. 31, p. 542-550, 2014.
CASTRO, L. N.; FERRARI, D. G. Introdução a Mineração de Dados – Conceitos

Básicos, Algoritmos e Aplicações. São Paulo: Saraiva, 2016.
CHATTI, M. A. et al. A reference model for learning analytics. International Journal

of Technology Enhanced Learning, v. 4, n. 5-6, p. 318-331, 2012.
CLOW, D. The learning analytics cycle: closing the loop effectively. In: Proceedings
of the 2nd international conference on learning analytics and knowledge.
ACM, 2012. p. 134-138.
CONDE, M. A. et al. Exploring Student Interactions: Learning Analytics Tools

for Student Tracking. In: Learning and Collaboration Technologies. Springer
International Publishing, 2015. p. 50-61.
D’AQUIN, M.; JAY, N. Interpreting data mining results with linked data for learning
analytics: motivation, case study and directions. In: Proceedings of the Third
International Conference on Learning Analytics and Knowledge. ACM, 2013.
p. 155-164.
DUVAL, E. Attention please!: learning analytics for visualization and recommendation.

Proceedings of the 1st International Conference on Learning Analytics and
Knowledge. ACM, 2011.
DUVAL, E.; VERBERT, K. Learning analytics. E-learning and Education, v. 8, n. 1, 2012.
DYCKHOFF, A. Lea et al. Design and implementation of a learning analytics toolkit for
teachers. Journal of Educational Technology & Society, v. 15, n. 3, p. 58-76, 2012.
FERNÁNDEZ, G; MARIÑO, O. Visualization Improvement in Learning Analytics

Using Semantic Enrichment. In: State-of-the-Art and Future Directions of Smart
Learning. Springer Singapore, 2016. p. 493-503.
FERGUSON, R. Learning analytics: drivers, developments and challenges. International

Journal of Technology Enhanced Learning, v. 4, n. 5-6, p. 304-317, 2012.
HURWITZ, J. et al. Big Data para Leigos. Alta Books, Rio de Janeiro, 2016.
LOTSARI, E. et al. A learning analytics methodology for student profiling. In:

Artificial Intelligence: Methods and Applications. Springer International Publishing,
2014. p. 300-312.
59
UNIDADE
3
MCKAY, T. An Introduction to Modern Learning Analytics. Michigan. University of
Michigan. Practical Learning Analytics Course. 2014. Aula Virtual.
SERRANO-LAGUNA, A. et al. Tracing a little for big improvements: Application

of learning analytics and videogames for student assessment. Procedia Computer
Science, v. 15, p. 203-209, 2012.
SIEMENS, G., BAKER, R. SJ d. Learning analytics and educational data mining:

towards communication and collaboration. Proceedings of the 2nd international
conference on learning analytics and knowledge. ACM, 2012.
SIEMENS, J.; DAWSON, S. e LYNCH, G. Improving the Quality and Productivity

of the Higher Education Sector Policy and Strategy for Systems-Level Deployment
of Learning Analytics, Society for Learning Analytics Research, December,
2013. Disponível em: https://sydney.edu.au/education-portfolio/ei/projects/SoLAR_
Report_2014.pdf. Data da consulta: 24/07/2016.
SILVA JR., C. B.; OLIVEIRA, I. C. A. Learning Analytics: Revisão da Literatura e

o Estado da Arte. 22º CIAED – Congresso Internacional ABED de Educação a
Distância. 19 a 23 de setembro, 2016.
SUCHITHRA, R.; VAIDHEHI, V.; IYER, N. E. Survey of Learning Analytics based

on Purpose and Techniques for Improving Student Performance. International
Journal of Computer Applications, v. 111, n. 1, 2015.
WOLFF, A. et al. Improving retention: predicting at-risk students by analysing

clicking behaviour in a virtual learning environment. In: Proceedings of the third
international conference on learning analytics and knowledge. ACM, 2013. p.
145-149.
ZIELINSKI, F. D. C.; SCHMITT, M. A. R. Uma ferramenta gráfica para suporte à

atividade docente no Moodle. RENOTE, v. 13, n. 1. 2015.
60
4
Learning Analytics: Processos,
Técnicas e Ferramentas

Prof. Dr. Ivan Carlos Alcântara de Oliveira
Revisão Textual:
Prof.ª Me. Luciene Oliveira da Costa Santos
UNIDADE
4
Contextualização
Uma instituição de ensino superior que atua há mais de 10 anos na Educação a
Distância, tem 80 mil alunos de graduação e pós-graduação e desde o seu início faz uso
intenso de Tecnologia da Informação e Comunicação (TIC), envolvendo sistemas de
comunicação e de administração acadêmica, ambientes virtuais de aprendizagem (AVA),
uma plataforma de Massive Open Online Courses (MOOC) para o oferecimento de
cursos abertos e um Sistema de Aprendizagem Adaptativo e Inteligente proprietário,
ainda em desenvolvimento, para o oferecimento de cursos de línguas.
Todos os dados dos cursos, seus personagens e uso das plataformas são devidamente
guardados nos bancos de dados da Instituição, perfazendo um interessante conjunto de
dados históricos.
Em particular, essa instituição tem um curso de graduação a distância que ocorre há

8 anos e utiliza o seu AVA. Nele, há uma turma que está em andamento há seis meses.
Virgulino é um estudante dessa turma, cursou algumas disciplinas e vai iniciar uma
nova disciplina que é considerada uma das mais difíceis do curso.
Recentemente, Virgulino começou a estudar uma emergente área de pesquisa,

chamada Learning Analytics, que se preocupa em propor e desenvolver
ferramentas que realizam a seleção e captura de dados relativos às ações trilhadas
pelos usuários em seus sistemas. Depois, processa, analisa e exibe a informação
contida nesses dados para auxiliar na melhora da aprendizagem dos alunos.
Então, Virgulino pensou: “porque não projetar uma proposta de ferramenta

capaz de responder algumas perguntas dessa disciplina que vou cursar e sugerir
futuramente à instituição?” Essas perguntas seriam:
• Como foi o resultado dos alunos aprovados e reprovados nessa mesma disciplina em edições
anteriores do curso?
• Dentre os recursos e atividades de cada unidade, há algum que aponta maior dificuldade?
• No decorrer da disciplina, essa ferramenta poderia me informar se minha tendência é ser
aprovado ou reprovado?
62
No projeto da ferramenta, Virgulino idealizou:
Bom! Vou selecionar e capturar os dados de todos os alunos nas edições anteriores da disciplina.
A partir desses dados, pretendo contabilizar os tempos dedicados ao estudo de cada recurso não
avaliativo e as notas obtidas pelos alunos em cada uma das atividades pontuadas.
Ah! Somente para informar, toda disciplina da instituição apresenta:

• Uma Unidade Estrutural: que contém informações a respeito do conteúdo
programático da disciplina, objetivos gerais e específicos, um vídeo de apresentação
do professor conteudista, além de uma atividade final dissertativa, corrigida
pelo professor;
• Três Unidades de Conteúdo: sendo que cada uma possui 1 vídeo de 15 minutos e
um texto teórico, os dois recursos sempre estão contidos dentro da própria página
do AVA e não podem ser realizados download. Além disso, têm 2 tipos de atividades
pontuadas em cada unidade: uma atividade de sistematização de autocorreção e um
fórum de discussão corrigido pelo professor.
Os cursos da instituição realizam uma prova interdisciplinar ao final de cada semestre,

envolvendo todas as disciplinas do período.
Virgulino acredita que cada recurso da unidade possui um tempo de estudo

esperado e cada atividade apresenta um indicador de expectativa. Esses valores
podem informar que o resultado do aluno naquele item foi, por exemplo, inaceitável
ou suficiente.
Nesse projeto da ferramenta de Learning Analytics, Virgulino imagina que ao

processar e analisar os dados de histórico das turmas anteriores, essa ferramenta
deve permitir a visualização da informação resultante da seguinte forma:
1. Um gráfico de barras para os alunos aprovados e reprovados com as expecta-
tivas e as médias obtidas em cada atividade, além de sinalizar seus indicadores
nesses itens.
2. Outro gráfico de barras com o tempo de cada recurso (vídeo e texto teórico)
de cada unidade, apresentando também os tempos obtidos para os alunos
aprovados, reprovados. Também, teria uma barra com os seus resultados.
63
UNIDADE
4
3. Uma figura de semáforo que sinalizaria a tendência de Virgulino na disciplina.
Ou seja:
• Verde: indica que está tendendo a ser aprovado;
• Amarelo: que deve tomar cuidado e ficar atento, pois, dependendo das suas notas
nas atividades e tempos de estudo dedicado aos recursos, pode reprovar; e
• Vermelho: representando uma situação preocupante, visto que os resultados de
Virgulino tendem à reprovação e ele deve estudar mais.
Ao realizar o esboço de sua ferramenta, chegou ao modelo abaixo:
O cenário que foi apresentado tem algumas teorias que poderiam ser melhor exploradas.
Mesmo que o Virgulino não seja o real desenvolvedor da ferramenta de Learning

Analytics, certamente ele gostaria de conhecer mais detalhes a respeito do
processo de desenvolvimento dessas ferramentas e suas técnicas para poder, por
exemplo, contribuir com sugestões no seu futuro como um profissional da área de
Educação a Distância, não é mesmo?
Então, que tal conhecê-los melhor?
64
Introdução
A utilização de Tecnologias de Informação e Comunicação (TIC) nos processos de
aprendizagem oferece uma nova maneira de transmitir o conhecimento por meio da
educação a distância. Como exemplo, temos o uso de plataformas de aprendizagem,
tais como Ambientes Virtuais de Aprendizagem (AVA), responsáveis por guardar em
uma base de dados as ações trilhadas pelos usuários.
Os dados dessas bases podem ser manipulados para permitir a obtenção de

conhecimento e tentar auxiliar o processo de aprendizagem dos alunos.
Nessa linha, temos a emergente área de Learning Analytics que “[...] é a medição,
coleta, análise e comunicação de dados sobre alunos e seus contextos, para fins de
compreensão e otimização da aprendizagem e dos ambientes em que ela ocorre.”
(SIEMENS; LONG, 2011, p.34, tradução nossa).
A análise dos grandes volumes de dados encontrados nessas plataformas de

aprendizagem com o intuito de melhorar o processo de ensino pelo uso de Learning
Analytics mostrou-se bastante promissora, e junto com esse crescimento ocorre também
o desenvolvimento de novas ferramentas com o objetivo de permitir a aplicação das
técnicas adequadas para a análise de tais dados.
Desde a primeira conferência de LA ocorrida em 2011, diversas pesquisas têm sido

realizadas com a finalidade de produzir conhecimento técnico para desenvolver novas
ferramentas para auxiliar a aprendizagem dos estudantes.
Aqui, vamos apresentar aspectos teóricos que permitem conhecer o processo de

desenvolvimento de ferramentas de LA e, com isso, fornecer condições para que você
possa propor uma que seja útil no seu contexto de atuação (seja como estudante,
professor/tutor, coordenador ou administrador).
Quando refletimos sobre a definição de LA, logo pensamos sobre as suas ferramentas,
o seu processo de desenvolvimento e surgem algumas perguntas, tais como:
• Há algum modelo ou processo que nos indique quais são as etapas que devem ser
consideradas no desenvolvimento de ferramentas de LA?
• Quais técnicas são utilizadas para análise dos dados?
• Existe algum estudo a respeito das formas de visualização da informação com base
nos dados analisados?
• Quais são as ferramentas de LA desenvolvidas? Estão vinculadas a algum ambiente
virtual de aprendizagem (AVA)? Para quem elas foram produzidas? Quais técnicas
foram utilizadas? Com qual finalidade?
Com o intuito de compreender melhor esses pontos e termos conhecimento suficiente

para propor nossas próprias ferramentas de LA, vamos estudar alguns aspectos
associados a essas questões.
65
UNIDADE
4
Modelos e Processos de Learning Analytics
Uma representação para os processos de Learning Analytics, proposto por Elias
(2011), é composto por sete etapas: selecionar, capturar, agregar, prever, usar, refinar e
compartilhar. Uma ilustração desse modelo é apresentada na figura 1.
Com o intuito de identificar todo o processo e os passos envolvidos no desenvolvi-

mento de ferramentas de Learning Analytics e o seu uso, vamos conhecer em detalhes
esse modelo.
No início, há uma questão previamente formulada a ser respondida com o objetivo

de avaliar, auxiliar e melhorar a aprendizagem dos estudantes. Uma questão poderia
ser, por exemplo: Qual a probabilidade de abandono dos estudantes em um certo
curso/disciplina?
Considerando essa situação e analisando a figura 1, observamos a circunferência

central que identifica cada um dos envolvidos no modelo de LA: organizações, compu-
tadores, pessoas e teorias. Além deles, temos os processos: dados, processamento da
informação e aplicação de conhecimento que tem natureza cíclica.
Na etapa de seleção, ocorre a identificação dos dados e, na captura, são tomadas

decisões e adotadas técnicas para certificar que os dados necessários nos próximos
passos serão disponibilizados, ou seja, os dados armazenados pelas organizações são
selecionados e capturados pelos computadores.
Nas fases de predizer e agregar, é assumido que os dados obtidos nos passos anteriores
são processados por métodos que vão desde uma simples visualização até algoritmos
mais complexos que resumem e combinam dados. Esses métodos envolvem Teorias
associadas à modelagem preditiva, mineração de dados e visualização da informação.
capturar
dados
selecionar
Organizações Computadores
Pessoas Teorias
refinar agregar
Aplicação de conhecimento Processamento da informação
usar predizer
Figura 1 – Modelo dos processos de Learning Analytics proposto por Elias (2011)
Fonte: Adaptado de ELIAS, 2011
66
A etapa de usar, realizado por pessoas, envolve a geração de ações que mudam
detalhes da atividade de aprendizado e podem executar situações que deem maior
suporte a alunos que estão perdendo engajamento.
A fase de refinar é responsável por manter a supervisão e a revisão dos passos
anteriores, procurando garantir que os dados sejam coletados e aplicados sobre o
indivíduo correto, na condição correta e com máximo impacto.
Por fim, no compartilhamento, ocorre a comunicação dos resultados obtidos para
avaliação pelos responsáveis. Nessa situação, as pessoas e as organizações podem
agir com o intuito de diminuir essa probabilidade de abandono e garantir que o aluno
conseguirá obter um aprendizado adequado e não desistirá do curso/disciplina.
Um segundo modelo de referência para LA, obtido de Chatti et al. (2012), divide
a análise dos dados em quatro dimensões: (1) dados e ambientes (o quê?); (2) as partes
interessadas (quem?); (3) objetivos (por quê?); e (4) métodos (como?). Como destaca
D’Aquin et al. (2014), LA tem muito a ver com os dados, e a maneira de fazer os dados
brutos terem sentido em termos da experiência, comportamento e conhecimento do aluno.
O modelo de Learning Analytics proposto por Chatti et al. (2012) é iterativo e
normalmente é composto de três etapas (figura 2). Sendo elas:
1. Coleta e pré-processamento de dados: a coleta dos dados ocorre de diversas
fontes, como ambientes educacionais e sistemas institucionais. O volume de
dados pode ser alto, então, é possível a existência de informações irrelevantes.
Esses dados são transformados na etapa de pré-processamento de acordo com
o formato necessário para a etapa seguinte
2. Análise e ação: com base nos dados pré-processados e de acordo com os
objetivos do exercício de análise dos dados, diferentes técnicas de LA podem
ser aplicadas. Considerando os dados, essa etapa pode incluir ações de moni-
toramento, análise, predição, intervenção, avaliação, adaptação, visualização,
personalização, recomendação e reflexão.
3. Pós-processamento: sua finalidade é garantir a melhoria contínua do processo,
combinando novos dados com fontes adicionais, refinamento da informação,
identificação de novos atributos para uma nova iteração, identificação e novos
indicadores ou escolha de um novo método analítico.
Coleta de Dados e
Pré-processamento Análise e Ação
Learning
Analycs
Pós-Processamento
Figura 2 – Modelo dos processos de Learning Analytics proposto por Chatti et al. (2012)
Fonte: Adaptado de Chatti et al., 2012
67
UNIDADE
4
Um outro modelo de LA proposto por Dyckhoff et al. (2012) tem como etapas:
coleta de dados, pré-processamento e mineração de dados, visualização, análise e ação.
Na coleta de dados, os dados são obtidos das variadas atividades realizadas pelos
alunos em um AVA enquanto eles interagem com seus elementos. Alguns exemplos
de atividades incluem a participação de exercícios em grupo, publicação em fóruns e a
leitura de documentos.
Na mineração dos dados pré-processados, diferentes técnicas de mineração são

utilizadas, como clustering (agrupamento), classificação, regras de associação e análise de
redes sociais, considerando sempre a privacidade dos dados. Depois disso, os resultados
são apresentados como um widget (ou seja, uma aplicação ou um componente de
interface que habilita o usuário a executar uma função ou acessar um determinado
serviço) integrado a um AVA, painel, ou ambiente de aprendizagem pessoal.
A partir do apresentado e por meio de uma análise, os professores podem ser

capazes de interpretar as informações, refletir sobre o impacto que o método de ensino
está gerando no processo de aprendizagem e consequente desempenho de seus alunos,
verificar se os objetivos relacionados a eficácia do ensino foram alcançados e melhorar
suas ações de intervenção.
Porém, importante destacar que disponibilizar uma visualização gráfica para um

conjunto de informações ou conhecimentos não garante que os professores serão
capazes de interpretar corretamente (DYCKHOFF et al., 2012, p. 60-61).
Uma ilustração dos processos descritos por Dyckhoff et al. (2012) encontramos
na figura 3. Nela, observamos que as ações realizadas pelos estudantes em um AVA
geram uma grande variedade de dados (registro de logs) que são processados por meio
da mineração de dados e fornecem informações, tais como: tempo gasto em uma
determinada atividade, nota geral na disciplina ou no curso, taxa de participação nas
atividades, dentre outras, exibindo-as em um painel de visualização. Essas informações
são analisadas pelo professor que pode agir para melhorar a aprendizagem dos alunos
com dificuldades.
Um resumo comparativo de cada um dos modelos dos processos de LA é apresentado

no quadro 1.
Por meio desse quadro, é possível identificar as similaridades entre os modelos

que, apesar de terem uma quantidade de etapas diferentes, todos envolvem a coleta
e processamento de dados trilhados pelos usuários em seus sistemas de ensino; o uso
de técnicas de modelagem preditiva, mineração de dados e visualização para realizar a
análise; e a utilização dos resultados pelas pessoas (alunos, professores, administradores)
com o objetivo de responder alguma questão formulada com antecedência para apoiar
na melhoria da aprendizagem dos alunos.
68
Monitoramento
Painéis de Visualização
Reflexão
feedback sobre
o desempenho
do grupo
escolher indicadores Learning Analytics:

por exemplo: tempo
gasto, áreas de
interesse, uso de
recursos, taxas de
Alt
era participação, correlação
Professora ç
ão com notas
n
om
Mineração
éto
do
de de Dados e
Analytics
en
si
no
aprendizagem
receptiva: observar,
ler, baixar conteúdo... registro de
AVA/ dados (log)
Ambiente Virtual Privacidade
aprendizagem ativa: de Aprendizagem dos Dados
participar, escrever,
Estudante colaborar
Figura 3 – Modelo dos processos de Learning Analytics proposto por Dyckhoff et al. (2012)
Fonte: Adaptado de Dyckhoff et al., 2012
Quadro 1 – Resumo dos modelos de Learning Analytics estudados

Elias (2011) Chatti et al. (2012) Dyckhoff et al. (2012)
Selecionar
Capturar Coleta e pré-processamento de dados Coleta de dados e pré-processamento
Agregar/ Relatar Predizer
Mineração de dados e Visualização
Predizer Análise e ação
Usar
Refinar Análise e ação
Pós-processamento
Compartilhar
Fonte: Autoria própria.
Mineração de Dados Educacionais:

Breve Discussão
Apesar de não ser o foco detalhar a teoria a respeito da mineração de dados e suas
técnicas, vamos discuti-las brevemente para que você tenha ideia de seu funcionamento.
Você deve ter observado nas diferentes propostas de modelos de Learning Analytics
apresentados na seção anterior que uma das etapas envolve a manipulação dos dados
de alunos e de sua trilha de aprendizagem. Essa manipulação corresponde ao uso das
técnicas de mineração de dados.
69
UNIDADE
4
Segundo Han e Kamber (2011), a mineração de dados pode ser vista como resultado
da evolução natural da tecnologia da informação. Enquanto Liu (2006, apud CHATTI et
al., 2012, p.11) define mineração de dados como o processo de descobrir padrões úteis
ou conhecimento a partir de fontes de dados, como bases de dados, textos, imagens, a
web, e sugere que os métodos de mineração de dados podem ser classificados em três
categorias: aprendizado supervisionado, que trata de classificação e predição, aprendizado
não supervisionado, ou clustering (agregação), e mineração de regras de associação.
Nos métodos de aprendizado supervisionado, os especialistas de domínio (no nosso

caso, os especialistas na área de educação) examinam e rotulam uma amostra dos dados
(por exemplo, o rótulo poderia ser o tempo estimado de estudo em um recurso do curso
pelo estudante) utilizada para treinamento da técnica de mineração e, esta, por sua vez,
tem o objetivo de reconhecer e classificar os demais conjuntos de dados de acordo com
o conhecimento adquirido na seção de treinamento (HAN; KAMBER, 2011).
Em alguns cenários, onde os rótulos de dados não estão disponíveis, é necessária a

aplicação de método de aprendizado não supervisionado. O método não supervisionado
trabalha com suposição de que determinado objeto pertence a algum agrupamento e
procura por padrões em um conjunto de dados não rotulado para classificar os objetos
(HAN; KAMBER, 2011). Por exemplo, seja o aluno Y com tempo de estudo X no
recurso A; então, o método supõe que o tempo de estudo X é o esperado e faz parte do
grupo de alunos com tempo satisfatório; a seguir, baseado nessa suposição, o método
procura por padrões que indicam tempo satisfatório, ótimo ou inaceitável dentro do
conjunto de alunos.
A mineração de regras de associação, por sua vez, trata da análise dos atributos
e geração de regras a partir de padrões e associações entre os atributos, indicando
elementos que implicam na presença de outros atributos em uma mesma transação,
representando padrões. Por exemplo, a partir de uma base de dados, na qual são
registradas as aprovações de alunos em uma determinada disciplina contendo três
unidades de conteúdo, uma estratégia de mineração, com o uso de regras de associação,
poderia gerar a seguinte regra: {Unidade I - bem avaliado, Unidade III - bem avaliado} →
{Aprovação na Disciplina}, a qual indica que o aluno que tem boa avaliação nas unidades
I e II da disciplina, com um determinado grau de certeza, é aprovado.
A mineração de dados na área educacional trata da aplicação dessas técnicas de

mineração em dados educacionais com o objetivo de resolver problemas desta área.
Romero e Ventura (2010) ressaltam que os dados e problemas da área de educação

têm algumas peculiaridades que sugerem um tratamento diferenciado em relação à
mineração de dados tradicional. Embora a maioria das técnicas de mineração de dados
possa ser aplicada diretamente, algumas devem ser adaptadas ao problema educacional
em particular.
Romero e Ventura (2010) ainda ponderam que ferramentas de mineração de dados

educacionais de LA devem ser concebidas para facilitar o uso por parte dos educadores ou
usuários não especialistas em mineração de dados. Sendo que, a maioria das ferramentas
de mineração de dados atuais são muito complexas para os integrantes da área da
educação e suas características vão muito além do escopo do que uma pessoa dessa área
70
normalmente está interessada em fazer, sendo necessário o suporte de um especialista
para compreendê-la. Isso porque as ferramentas de mineração de dados normalmente
são projetadas para privilegiar poder e flexibilidade, ao invés da simplicidade.
A aplicação de técnicas de mineração de dados em ambientes educacionais visa

atender aos interesses do público destes ambientes, incluindo o aluno e o professor.
Dentre os principais objetivos de uso de mineração de dados na área de educação

para atender a esses dois perfis, destacamos: a recomendação de atividades e recursos
para alunos com o intuito de melhorar a sua aprendizagem; sugestões de adaptação;
recomendação de cursos; discussões relevantes e livros; obter feedback sobre determinada
instrução; analisar a aprendizagem e comportamento dos alunos; detectar os alunos que
necessitam de suporte; prever o desempenho dos alunos; classificar os alunos em grupos;
identificar padrões de comportamento dos alunos; determinar as atividades mais eficazes;
e melhorar a adaptação e personalização de cursos (ROMERO; VENTURA, 2010).
Visualização da Informação
A crescente e massiva utilização de ambientes online, como redes sociais, fóruns
de discussão, chats, blogs, e AVAs tem consolidado a internet como uma fonte rica
de dados digitais inclusive para a área de educação. Este aumento na demanda produz
também um aumento no volume de dados gerados por esses ambientes.
Seguindo a tendência de aumento do volume de dados gerados pelos AVAs e
demais ambientes online sobre o rendimento na aprendizagem, cresce também a
dificuldade em analisar o desempenho na aprendizagem dos estudantes, e para tanto,
recursos computacionais devem ser utilizados para viabilizar a extração e análise de tais
informações (PERNOMIAN, 2008).
Diversas técnicas e abordagens podem ser aplicadas ao problema da manipulação dos
dados e a “Visualização da Informação” é uma das mais importantes áreas de pesquisa
que desenvolve tecnologias para extração e exibição da informação a partir dos dados
(BURKHARDT; RUPPERT; NAZEMI, 2012).
As técnicas de visualização podem ser úteis, por exemplo, para analisar as atividades
dos usuários em AVAs cujas informações obtidas das estatísticas do servidor não sejam
capazes de responder adequadamente os tipos de perguntas feitas por quem deseja
entender sobre a aprendizagem dos alunos nesses ambientes (MCGRATH, 2011).
A visualização de dados e informações baseia-se na capacidade humana de interpretar
visualmente as informações e, por meio dessa interpretação, perceber relacionamentos
e padrões que auxiliam na descoberta de novos conhecimentos.
Dessa forma, a “Visualização da Informação” procura interpretar as informações
contidas em um conjunto de dados e, considerando as técnicas visuais, tenta perceber
relacionamentos e padrões que auxiliam na descoberta de novos conhecimentos a partir
de indicadores educacionais como nota, índice de aprovação, reprovação, estilos de
aprendizagem dos estudantes e perfil metodológico das disciplinas.
71
UNIDADE
4
A combinação de técnicas de visualização com análises estatísticas é considerada
alternativa para a exploração adequada dos dados no processo de descoberta do
conhecimento, por conciliar o potencial da análise humana com o processo de descoberta
de novos conhecimentos (PERNOMIAN, 2008).
No contexto de um ambiente de LA, a utilização de técnicas de Visualização da

Informação pode ser de grande valor para professores e alunos, uma vez que lhes
permite ter uma visão geral de suas atividades e de como elas se relacionam com as de
seus pares ou outros agentes durante o processo de aprendizagem. Esse tipo de técnica
pode ser útil ainda para os administradores de AVAs, uma vez que permite, por exem-
plo, conhecer o comportamento dos usuários a partir das ações realizadas por eles no
sistema (DUVAL, 2011).
Conforme mencionado por Ball et al. (2006, apud PERNOMIAN, 2008, p. 23), as
técnicas de visualização geralmente são utilizadas em conjunto com técnicas de Interação
humano-computador (IHC), uma vez que precisam apresentar interfaces eficazes para
atender às necessidades de interatividade e facilitar a descoberta do conhecimento.
Operações como seleção de dados, visão detalhada, rolagem e navegação pela sua
estrutura são exemplos de estratégias de visualização que podem apoiar no processo de
exploração para busca de conhecimento.
Fry (2008) destaca que o processo de compreensão dos dados envolvendo a

“Visualização da Informação” começa com uma pergunta; os dados armazenados; e
envolve as fases: aquisição, análise, filtragem, mineração, representação e interação.
Por exemplo, podemos começar com as “pegadas digitais” deixadas pelos estudantes
dentro de um curso no AVA (os dados armazenados) e considerar uma pergunta realizada
pelo professor/tutor:
“Como está a porcentagem das médias dos meus alunos dentro do curso? ”
Em seguida, utilizar as fases descritas para obter os dados, manipulá-los, visualizar

a informação obtida e interagir com a interface com o intuito de descobrir algum
conhecimento oculto.
Observe a proximidade das fases da área de Visualização da Informação com as

etapas apresentadas nos modelos e processos de LA.
A apresentação dos dados requer ainda a aplicação de técnicas de visualização

específicas, de acordo com o tipo de informação a ser exibida. Também, o uso da
técnica deve considerar a facilidade de compreensão do público-alvo.
Romani (2000 apud PERNOMIAN, 2008, p.26) afirma que existem técnicas de
visualização específicas para cada tipo de informação, por exemplo, para dados de 1
dimensão (1D), gráficos em linhas, histogramas e de barras; para dados de 2 dimensões
(2D), mapeamento por cores, imagens, histogramas 2D, gráficos de barra (2D); para dados
de 3 dimensões ou temporais, figuras volumétricas, textura sobre superfície, animação,
dentre outras associadas às informações multidimensionais. Como complemento, vale
citar ainda as técnicas: treemaps, grafos e dashboards.
72
A título de conhecimento e sem nos preocuparmos com as questões de design e
com as técnicas de IHC, vamos explorar brevemente algumas técnicas de visualização
considerando, como exemplo, que foram realizadas as fases aquisição, análise, filtragem,
mineração e obtida a Tabela 1, contendo as médias de notas para 100 alunos de um
curso em um AVA com escala de notas inteira entre 0 e 10, além da frequência absoluta
e relativa dos alunos que obtiveram essas médias.
Tabela 1 – Média de notas dos 100 alunos de um curso no AVA, a frequência absoluta e relativa das médias
Médias 0 1 2 3 4 5 6 7 8 9 10
Frequência Absoluta 2 10 5 3 10 20 25 15 6 3 1
Frequência Relativa 2% 10% 5% 3% 10% 20% 25% 15% 6% 3% 1%
Fonte: Autoria própria
Histograma
Um histograma é uma representação da distribuição dos dados por meio de um
gráfico de barras, representados por retângulos adjacentes construídos com base em
intervalos discretos. A escala horizontal representa as classes de valores de dados e a
escala vertical as frequências absoluta ou relativa (CASTRO; FERRARI, 2016, p. 65).
A figura 4 apresenta um histograma contendo as médias e a frequência relativa para os
dados da tabela 1.
Polígono de Frequência
Um polígono de frequência serve para representar a distribuição dos dados e são
úteis, por exemplo, para comparar conjuntos de dados e a sua forma de distribuição de
frequência (CASTRO; FERRARI, 2016, p. 65). Esse gráfico utiliza segmentos de reta
ligados aos pontos acima dos valores. Um exemplo de polígono de frequência obtido
para alguns dados da tabela 1 é apresentado na figura 5.
Histograma
Frequência Relava
Média
Figura 4 – Histograma das frequências relativas envolvendo as médias de notas para um curso de 100 alunos
73
UNIDADE
4
Polígono de Frequência
30
30
25
25
Frequência Absoluta 20
20
15
15
10
10
Média
Figura 5 – Polígono de Frequência a frequência absoluta das médias de um curso de 100 alunos
Gráfico de Pareto
Gráfico de Pareto é um gráfico de barras utilizado para dados qualitativos, no qual
as barras são distribuídas em ordem decrescente de frequência (CASTRO; FERRARI,
2016, p. 66), conforme exemplo ilustrado na figura 6. As frequências podem ser ab-
solutas ou relativas.
Gráfico de Pareto
30
30
25
25
Frequência Absoluta
20
20
15
15
10
10
Média
Figura 6 – Gráfico de Pareto contendo a frequência absoluta das médias de um curso de 100 alunos
Gráfico de Setores
Também conhecido como tipo torta ou pizza, é um gráfico circular dividido em
setores, no qual cada setor possui o tamanho relativo ao valor da variável ou atributo
(CASTRO; FERRARI, 2016, p. 67). Úteis também para representar dados qualitativos.
Baseado nos dados da tabela 1, foi elaborado o gráfico de setores da figura 7.
Nesse gráfico, observe que cada setor possui uma cor e, acima dele, há a frequência
relativa, além do valor da variável (ou atributo) média.
74
Figura 7 – Gráfico de setores para a frequência relativa das médias de um curso de 100 alunos
Gráfico de Dispersão
Também chamado de scatter plot é um diagrama matemático que utiliza coordenadas
cartesianas para exibir os valores dos atributos de um banco de dados e são apresentados
como uma coleção de pontos com um valor no eixo horizontal e outro na vertical
(CASTRO; FERRARI, 2016, p. 67). Como exemplo, considerando os dados da tabela
1, foi elaborado um gráfico de dispersão ilustrado na figura 8.
Gráfico de Dispersão
Frequência Relava
Média
Figura 8 – Gráfico de dispersão da frequência relativa das médias de um curso de 100 alunos
Treemap
No ano de 1990, Ben Shneiderman do laboratório de Interação Humano Computator
(IHC) da Universidade de Maryland (Estados Unidos) desenvolveu um modelo visual para
mostrar o tamanho de arquivos e diretórios em um espaço de duas dimensões e o
chamou de treemap.
Detalhes podem ser obtidos em http://goo.gl/InyYOP
75
UNIDADE
4
Segundo Jonhson e Shneiderman (1991, apud DINIZ et al., 2012, p. 28), um treemap
é uma técnica de visualização que divide a região de exibição em uma sequência aninhada
de retângulos com área e cor previamente definidos que corresponde a atributos de um
conjunto de dados. Além disso, faz com que as pessoas direcionem seu olhar inicial nos
retângulos maiores para depois olhar os menores. Algumas de suas vantagens são:
• Faz uso de todo o espaço de visualização de maneira eficiente;
• Preserva o contexto geral da informação;
• Permite ter uma visão geral do escopo dos dados; e
• É útil para exibir valores quantitativos de atributos ou variáveis.
As propriedades do treemap são:

i) Cada retângulo tem um tamanho que depende do peso (valor) do atributo
ou variável;
ii) Cada retângulo pode apresentar uma cor diferente ou todos podem ter uma
única cor com escala variável dependente do valor de um atributo. Por exemplo,
considerando o atributo “intensidade do sentimento desejo”, uma mesma cor
com tonalidade mais escura pode determinar mais desejado, enquanto mais
clara pode representar menos desejado.
iii) Utilização de janelas pop-ups que exibem informações quando o mouse passa
ou clica sobre alguma região de interesse do retângulo.
A figura 9 apresenta um exemplo da frequência relativa (ou absoluta) das médias do

curso da tabela 1. Observe que o maior retângulo azul à esquerda representa a média 6,
de maior frequência relativa (25%) ou absoluta (25 alunos), enquanto o menor retângulo
com azul de tonalidade mais forte representa a média 10, de menor frequência relativa
(1%) ou absoluta (1). Observe que o treemap poderia ter sido colorido com uma única
cor com intensidade variável que dependeria do valor da nota iniciando com azul muito
claro para a nota 0 e muito escuro para a nota 10. Além disso, uma ferramenta de LA
poderia exibir o nome dos alunos que obtiveram a nota ao passar com o mouse ou clicar
em um determinado retângulo.
Figura 9 – Gráfico Treemap da frequência relativa (ou absoluta) das médias de um curso de 100 alunos
76
Grafo
Informalmente, um grafo é uma estrutura matemática e visual representada por
entidades (objetos) que possuem características relevantes (relações) entre si e têm
diversas propriedades. Os objetos são chamados de nós e as relações de arestas ou
arcos. Por meio dele, é possível representar diversos modelos do mundo real e extrair
muita informação e conhecimento relevante.
Historicamente, o primeiro grafo é datado de 1732, quando Leonard Euler propôs

um conhecido problema chamado “problema do carteiro chinês”. Nessa sua proposta,
Euler utilizou um grafo para modelar uma situação do mundo real na antiga Prússia
(atual Rússia), perto da cidade de Königsberg, no rio Pregel, onde havia sete pontes que
ligavam duas ilhas entre si e ao continente.
Euler representou os pedaços de terra (ilhas e continentes) por nós e os rios que
faziam fronteira por arestas e tentou encontrar um caminho que não cruzasse uma
mesma ponte duas vezes, tendo como ponto de partida e chegada o mesmo pedaço de
terra. Com o modelo de um grafo ele provou que não era possível ao “carteiro” sair de
um pedaço de terra e passar por todas as pontes uma única vez.
Podemos fazer variações em relação aos tamanhos dos nós (objetos), espessura das
arestas (relações), comprimento das arestas, cor das arestas, cor dos nós e, ainda, colocar
rótulos tanto para os nós quanto para as arestas.
No contexto de LA e da Visualização da Informação, alguns exemplos de uso

poderiam ser:
• Colaboração no fórum de discussão envolvendo as mensagens trocadas entre os
alunos. Quando a colaboração entre os envolvidos for mais intensa, o tamanho do
nó é maior, e menor se menos intensa. A interação (relação) entre os participantes,
cria uma aresta entre eles.
• Itens didáticos de uma unidade, disciplina ou curso acessados pelos estudantes.
Nesse contexto, os estudantes e os itens seriam representados pelos nós e o acesso
pelas arestas.
A figura 10 ilustra um grafo modelando a colaboração nos fóruns de discussão

de um curso completo ou de uma disciplina, envolvendo o aluno A1. Neste modelo,
os nós representam os alunos e as arestas a interação entre eles. Se o aluno é
muito participativo o tamanho do seu nó é maior, além de que, todos que tem a
mesma intensidade de participação são representados pela mesma cor. Se algum
aluno interagiu com o aluno A1, há uma aresta entre eles, além disso, a espessura
da aresta depende da intensidade da interação, grossa representando muito intensa
e fina, caso contrário.
77
UNIDADE
4
Figura 10 – Colaboração em um fórum de um curso ou disciplina envolvendo o aluno A1
Dashboard
Um dashboard ou painel de instrumentos é uma representação gráfica que pode ser
composta de diversas técnicas de visualização (por exemplo, um gráfico de barras, um
mapa e um medidor de desempenho em um mesmo painel) e proporciona a exibição
visual das informações processadas em uma única interface para ser explorada facilmente
e compreendida com o passar dos olhos.
Segundo Few (2005, apud TURBAN, 2009, p. 228), o desafio de um bom projeto de dashboard
é exibir todas as informações de forma clara, em uma mesma tela e sem distrações.
Um dashboard elaborado para Learning Analytics (LA) deve capturar a trilha de

aprendizagem dos alunos e apresentá-la visualmente com o intuito de promover a
conscientização, reflexão e permitir que: os alunos possam definir metas e acompanhar
seu progresso na obtenção dos seus objetivos; os educadores monitorem seus alunos com
a finalidade de identificar situações de risco e auxiliá-los; os administradores identifiquem
problemas no ambiente educacional que prejudicam a aprendizagem dos alunos e, com
isso, consigam contorná-los ou resolvê-los. Ao propor um dashboard, devemos somente
tomar o cuidado com a sobrecarga cognitiva presente.
Algumas características para um dashboard bem planejado para LA, adaptadas de

Turban (2008), são:
• Utiliza componentes visuais com o intuito de destacar os dados e as situações de
risco que exijam tomada de decisão. Exemplos desses componentes são: medidores,
gráficos, barras de desempenho, semáforos, mapas.
• É muito fácil de usar e demanda pouco ou nenhum treinamento.
• Combina dados de diversos sistemas da instituição, por exemplo, AVAs e sistemas
de gerenciamento acadêmico, fornecendo uma visão única, unificada e resumida do
ambiente educacional ao qual os estudantes se encontram.
78
• Permite obter mais detalhes pela navegação de suas áreas, por exemplo, ao
selecionar uma determinada cidade de um polo de origem, apresenta os resultados
de aprovação e reprovação dos alunos nessa localidade.
• Realiza atualização dinâmica dos dados e permite ao usuário que o utiliza obter as
informações mais recentes.
• Deve ficar atento ao seu público-alvo. No contexto educacional, esse público seria:
aluno, professor/tutor, coordenador e administradores da instituição.
Um exemplo de um dashboard como ferramenta para o professor/tutor de uma

disciplina pode ser visualizada na figura 11. Nessa figura, podemos observar 4 áreas:
1. Um mapa que apresenta as regiões do país que possuem alunos matriculados
na disciplina.
2. Um treemap que apresenta os alunos que foram reprovados em disciplinas
cursadas anteriormente, entre 0 a 5 disciplinas. Observe que todos estão com
a mesma cor, mas há um dégradé em cada retângulo. Nesse caso, cores mais
fortes de um retângulo representam média geral mais alta no curso, e cores mais
fracas indicam médias mais baixas.
3. Um gráfico de barras que informa a taxa de acertos nas unidades didáticas da
disciplina, com base no histórico das turmas anteriores. Por meio dele, podemos
observar que as unidades 1 e 6 são as que apresentam menor percentual de
acertos, indicando, provavelmente, que são as que os alunos têm maior dificuldade.
Figura 11 – Dashboard elaborado para uma disciplina de um curso, visão do professor/tutor

4. Os medidores representam a taxa de evasão dos alunos no curso quando são
reprovados em 3, 2, 1 ou nenhuma disciplina.
Baseado nessa figura 11, os educadores têm a possibilidade de tomar alguma decisão,
não é verdade? Tente imaginar quais seriam!
79
UNIDADE
4
Ferramentas: Características e Exemplos
A quantidade de AVAs baseados na web que incluem características de LA é pequena
se compararmos com os interesses do público-alvo por este tipo de ferramenta. Então,
vamos estudar algumas de suas características?
Conde et al. (2015) propôs uma classificação das ferramentas de LA em quatro

categorias com o objetivo de investigar como suas soluções são aplicadas para analisar
dados de AVAs. Mas, aqui, para facilitar o entendimento, foram condensadas em três,
conforme abaixo:
• Dashboards (DB): apresentam as informações das atividades dos alunos ou professores
na plataforma de ensino por meio de uma interface visual do tipo dashboard.
• Frameworks e Ferramentas (FF): contempla ferramentas e frameworks que podem
ser aplicados a variados tipos de plataformas ou contextos para explorar diferentes
aspectos da aprendizagem.
• Análise de problemas específicos (APE): compreende ferramentas com foco em
determinados tipos de dados e sua representação, sendo projetadas para monitorar
ou analisar partes pontuais de informações e atender a uma necessidade particular
no contexto de uso.
Além disso, podemos separar as ferramentas de LA dependendo do público-alvo para

o qual ela foi desenvolvida, ou seja, aluno, professor, designer instrucional, administrador
do AVA, coordenador e administrador da instituição. Na figura 12, podemos observar a
classificação pelo tipo de ferramenta e o seu público-alvo.
Administrador
do AVA
Dashboard Aluno
Frameworks e
Ferramentas Classificação de Professor
Ferramentas de
Learning Analytics
Análise de
Problemas Designer
Específicos Instrucional
Administrador
Notação: Categoria da
da Instituição Coordenador Ferramenta Público-Alvo
Figura 12 – Classificação e Foco das Ferramentas de LA
80
O quadro 2, adaptado de Silva Jr. e Oliveira (2016), apresenta o nome da ferramenta,
o ambiente de aprendizagem suportado, as classificações descritas anteriormente e,
a título de conhecimento, também apresenta a linguagem de programação utilizada
para desenvolvê-la.
Nesse quadro, podemos observar uma maior quantidade de ferramentas que utilizam o
AVA Moodle e uma variedade de plataformas específicas e pouco conhecidas, com exceção
dos Massive Open Online Courses (MOOC), representados pelas plataformas Open edX
e Khan Academy. Provavelmente, esse fato ocorre porque o Moodle é um software livre,
gratuito e de código aberto e os MOOCs uma tendência na Educação a Distância devido à
sua abrangência geográfica. O quadro 3 também mostra que as linguagens mais utilizadas
são PHP, Java e Python. Além disso, observamos que uma única ferramenta é direcionada
somente para o aluno e duas envolvendo interesses institucionais.
Detalhes de algumas dessas ferramentas são:

• Quiz My Class Understanding (QMCU): apresenta relatórios e gráficos com
foco no aluno para acesso por meio de dispositivos móveis.
• Learning Analytics Enriched Rubric (LAe-R): utiliza um método de avaliação
de estudantes baseado em indicadores associados aos dados de interações coletadas
no AVA.
• LeMO: aplica uma técnica de mineração de dados para identificar os caminhos de
aprendizagem do aluno.
• SoftLearn: utiliza técnica de inteligência artificial para descobrir os caminhos de
aprendizagem dos alunos a partir dos eventos registrados em logs do AVA.
• VeLA: aplica técnicas de visualização de dados como Grafos de Redes Sociais e
Representação Paralela de Coordenadas para facilitar a exploração de dados de
AVAs e a interação com as informações apresentadas.
• Add-on de Suporte a Learning Analytics na plataforma Khan Academy
(ALAS-KA): implementada para o ambiente Khan Academy, voltada para cursos
na modalidade MOOC, é executada na plataforma Google App Engine de processa-
mento em nuvem. Sua função é monitorar o uso do AVA pelos alunos por meio de
métricas, além de permitir a visualização das informações pelos alunos e professores.
Apresenta interfaces simples e padronizada de cores nos formatos dos gráficos, im-
plementados com o auxílio da biblioteca Google Charts API.
Detalhes podem ser vistos em: http://goo.gl/tCT40L
Quadro 2 – Ferramentas de LA
Ambientes de aprendizagem Linguagem de
Nome Categoria Foco
suportados Programação
HTML5, jQuery Mobile,
QMCU Interno DD Aluno
e ASP MVC4
LAe-R Moodle APE PHP Professor
LeMO Moodle, Clix e Chemgapedia APE Java Professor
81
UNIDADE
4
Ambientes de aprendizagem Linguagem de
Nome Categoria Foco
suportados Programação
Mapper TelEduc APE Java e PHP Professor
Não informado Open EDX DD Python Professor
Não informado Open EDX FF Java e R Professor
SoftLearn Moodle, Blackboard e ELGG FF Não informada Professor
VeLA Moodle FF Java Professor
ALAS-KA Khan Academy DD Python Aluno e Professor
Grockit analytics Interno FF Não informada Aluno e Professor
Learning Analytics
Go-Lab APE Não informada Aluno e Professor
Backend Services
SCALE Moodle e Web-CAT FF Não informada Aluno e Professor
Usalpharma
Second Life FF Python Aluno e Professor
Analytics Tool
Aluno, Professor e
SmartKlass™ Moodle DD PHP
Instituição
Intelliboard.net Moodle DD PHP Instituição
Fonte: Adaptado de Silva Jr e Oliveira (2016)
• Grockit Analytics: a ferramenta implementa as etapas de: coleta, seleção, análise,

visualização e distribuição das informações, de forma análoga aos processos de LA
descritos por Dyckhoff et al. (2012) e Chatti et al. (2012).
• SCALE: a ferramenta utiliza o software de código aberto Hackystat para coletar,
processar e apresentar informações a respeito das experiências de aprendizagem
dos alunos em um AVA e traduzi-las em oportunidades para feedback personalizado,
sem impactar negativamente o desempenho do ambiente.
• Usalpharma Analytics Tool: utiliza o ambiente virtual Second Life para imple-
mentar um simulador de laboratório a partir do qual são coletadas informações a res-
peito do uso do ambiente pelos alunos e apresentado feedback ao aluno e professor.
• SmartKlass™: apresenta diversas informações a respeito do desempenho dos
alunos no curso, tais como: uso individual dos espaços pelos estudantes, resultados
das atividades colaborativas e evolução no curso.
• IntellBoard.net: apresenta vários gráficos e relatórios de cursos e a trilha de
aprendizagem do aluno, tais como: total de visitas, o total de atividades/recursos/
professores de um curso, o número de alunos que completaram as atividades, o
número de cursos, o tempo total que o aluno passou em determinado local, número
total de visitas, a nota média do aluno para todos os cursos e nota média do aluno
para as atividades.
• Open Monitoring Environment (OME): utiliza a abordagem de mineração de
dados abertos, open data mining, para automatizar a coleta e pré-processamento
de dados com o apoio da ferramenta de mineração de dados Waikato Environment
for Knowledge Analysis (Weka).
82
Tecnologias para Learning Analytics
Uma síntese das tecnologias que podem ser utilizadas para o desenvolvimento de
ferramentas de Learning Analytics é apresentada no quadro 3. Nele, podemos observar
o nome da tecnologia, categoria, versão, características e endereço internet para
conhecê-la melhor.
Quadro 3 – Tecnologias para desenvolvimento de ferramentas de Learning Analytics

Tecnologia Categoria Versão Características Endereço
Weka (Waikato Permite realizar tarefas de mineração
Environment Software de e visualização da informação por http://www.cs.waikato.ac.nz
Gratuita
for Knowledge código aberto meio de Interface Gráfica. Integra /ml/weka/index.html
Analysis) com IDE Java.
Permite análise de dados e
Linguagem de visualização de dados. Tem pacotes
R Gratuita https://www.r-project.org/
Programação de algoritmos para mineração
documentados e validados
Atua em mineração de dados, possui
diversos algoritmos prontos, permite
RapidMiner Software Gratuita e Paga a extensão dos algoritmos e a conexão https://rapidminer.com/
com diversas fontes de dados, tais como
arquivos e diferentes SGBDs.
Permite a criação rápida de visualização
Tableau Software Gratuita e Paga da informação para Business Intelligence http://www.tableau.com/
e Analytics.
Considerações Finais
Nesta unidade, foram apresentados os modelos e processos de LA, em especial o
proposto por Elias (2011) composto das etapas: selecionar, capturar, agregar/relatar,
predizer, usar, refinar compartilhar, além dos modelos de Chatti et al. (2012) e Dickhoff et
al. (2012); foi realizada uma breve discussão a respeito da mineração de dados educacionais;
detalhado Visualização da Informação e algumas de suas técnicas, explorando treemaps,
grafos e dashboards com maior profundidade; foram apresentadas algumas características
e exemplos de ferramentas de LA produzidas; e, por fim, destacadas algumas tecnologias
utilizadas para no desenvolvimento de ferramentas para LA.
Baseado no que foi apresentado e na sua atuação como um personagem de um
ambiente educacional, seja como aluno, professor/tutor, coordenador, designer
instrucional, conteudista ou administrador, é possível refletir sobre os aspectos abordados
em relação ao desenvolvimento de ferramentas de LA e auxiliar os profissionais que as
implementam na avaliação dos artefatos produzidos, e, principalmente, com questões
que necessitam de respostas que ainda não encontramos nos sistemas atuais.
Finalizando, parafraseando Siemens e Long (2011) e complementando com algumas
reflexões pessoais, o uso de LA como um modelo de aconselhamento às pessoas
envolvidas no ambiente educacional pode melhorar o desempenho dos alunos, minimizar
as taxas de abandono em cursos e auxiliar na aplicação mais eficiente dos recursos pelas
instituições, desenvolver vantagens competitivas, além de melhorar a qualidade e o valor
da experiência de aprendizagem.
83
UNIDADE
4
Sites
SmartKlass™ Learning Analytics Moodle
Página contendo o plugin do Moodle SmartKlass com vídeo demo, algumas telas exemplo
e informações sobre o plugin.
http://goo.gl/Hz4xxq
IntelliBoard.net - Reporting and Analytics Tool for Moodle
Página contendo o plugin do Moodle IntelliBoard.net com algumas telas exemplo e
informações.
http://goo.gl/jvZlkC
Vídeos
ANALYSE: A Learning Analytics Tool for Open edX
Pequeno vídeo demonstrativo da ferramenta ANALYSE que apresenta algumas formas
de visualização da informação.
https://goo.gl/qUEJ4Z
ALAS KA: A Learning Analytics tool for the Khan Academy platform
Apresentação sobre a ferramenta ALAS-KA, seu desenvolvimento e avaliação de resultados.
http://goo.gl/IJUMFg
Pedro José Munoz Merino, UC3M - ANALYSE A Learning Analytics Extension for Open edX
Vídeo de Pedro José Munoz Merino que apresenta a ferramenta ANALYSE, arquitetura
e desenvolvimento.
http://goo.gl/ylfSgY
84
Referências
BAKER, B. M. A conceptual framework for making knowledge actionable
through capital formation. University of Maryland University College, 2007.
BURKHARDT, D; RUPPERT, T; NAZEMI, K. Towards process-oriented Information

Visualization for supporting users. In: Interactive Collaborative Learning (ICL),
2012 15th International Conference on. IEEE, 2012. p. 1-8.
CASTRO, L. N.; FERRRARI, D. G. Introdução a Mineração de Dados – Conceitos

Básicos, Algoritmos e Aplicações. São Paulo: Saraiva, 2016.
CHATTI, M. A. et al. A reference model for learning analytics. International

Journal of Technology Enhanced Learning, v. 4, n. 5-6, p. 318-331, 2012.
CLOW, D. The learning analytics cycle: closing the loop effectively. In: Proceedings
of the 2nd international conference on learning analytics and knowledge.
ACM, 2012. p. 134-138.
CONDE, M. A. et al. Exploring Student Interactions: Learning Analytics Tools for Student
Tracking. In: Learning and Collaboration Technologies. Springer International Publishing,
2015. p. 50-61.
D’AQUIN, M. et al. Using linked data in learning analytics. 2014.
DINIZ, F. A. et al. Aplicação de uma técnica de visualização de dados baseado em

árvores para auxiliar a priorização de requisitos em projetos ágeis. II Workshop
Brasileiro de Visualização de Software. WBVS 2012. 23 de setembro de 2012.
Disponível em: http://reuse.cos.ufrj.br/wbvs2012/papers/wbvs04.pdf. Data da
consulta: 28/07/2016.
DYCKHOFF, A. L. et al. Design and implementation of a learning analytics toolkit for

teachers. Journal of Educational Technology & Society, v. 15, n. 3, p. 58-76, 2012.
DUVAL, E. Attention please!: learning analytics for visualization and recommendation.

In: Proceedings of the 1st International Conference on Learning Analytics
and Knowledge. ACM, 2011. p. 9-17.
FRY, B. Visualizando Dados. Rio de Janeiro: Alta Books, 2008.
HAN, J; KAMBER, M; PEI, J. Data mining: concepts and techniques. Elsevier,

2011, p. 549-.
MCGRATH, O. G. Visualizing user activity in open e-learning contexts: challenges

and techniques for operational management. In: Proceedings of the 39th annual
ACM SIGUCCS conference on User services. ACM, 2011. p. 229-234.
85
UNIDADE
4
PERNOMIAN, V. A. Visualização exploratória de dados do desempenho na
aprendizagem em um ambiente adaptável. 2008. Tese de Doutorado. Universidade
de São Paulo.
ROMERO, C; VENTURA, S. Educational data mining: a review of the state of the

art. Systems, Man, and Cybernetics, Part C: Applications and Reviews, IEEE
Transactions on, v. 40, n. 6, p. 601-618, 2010.
SILVA JR., C. B.; OLIVEIRA, I. C. A. Learning Analytics: Revisão da Literatura e

o Estado da Arte. 22º CIAED – Congresso Internacional ABED de Educação a
Distância. 19 a 23 de setembro, 2016.
TURBAN, E. et al. Business Intelligence. Um enfoque gerencial para a inteligência

do negócio. Porto Alegre: Bookman, 2009.
ZIELINSKI, F. D. C.; SCHMITT, M. A. R. Uma ferramenta gráfica para suporte à

atividade docente no Moodle. RENOTE, v. 13, n. 1. 2015.
86

LDAAprendizagem BOOK

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

LDAAprendizagem BOOK

Enviado por

Direitos autorais:

Formatos disponíveis

Marcelo Correia

Ivan Carlos Alcântara de Oliveira

Pró-Reitoria de Educação a Distância: Prof. Dr. Carlos Fernando de Araujo Jr.

Autoria: Marcelo Correia e Ivan Carlos Alcântara de Oliveira

Revisão Textual: Selma Aparecida Cesarin e Luciene Oliveira da Costa Santos

2019 © Cruzeiro do Sul Educacional. Cruzeiro do Sul Virtual.

23 Unidade 2 – UX Design e Learning Experience

37 Unidade 3 – Learning Analytics: Fundamentos

Procure se alimentar e se hidratar quando for estudar; lembre-se de que uma

» Como são criados os fundamentos teóricos do Learning Design;

UX Design e Learning Experience

» A fundamentação conceitual da Experiência do Usuário e a sua relação com o Learning Design;

Learning Analytics: Fundamentos

Learning Analytics: Processos, Técnicas e Ferramentas

Responsável pelo Conteúdo:

Concorre também para a compreensão de onde este aluno insere-se na gama de

Neste estudo, partimos em busca do entendimento dessa área do conhecimento in-

Conhecer os seus fundamentos teóricos, como área de investigação científica e suas

O LD ocupa-se dos processos educacionais de planejamento e gestão de atividades

No âmbito da Sociedade civil, as necessidades educacionais da população são então

Pensa-se, então, em aumentar a produtividade desses sistemas usando novas Tec-

Essa escolha leva a um afastamento das visões tradicionais da Educação: o estatuto

O estatuto da questão distingue entre o audiovisual, claramente associado ao apren-

Já naquela altura, acreditava-se que os educadores ainda não haviam compreendi-

A ideia da Tecnologia da Educação estava no ar. As novas mídias resultantes da revo-

Em um segundo sentido, a Tecnologia da Educação é uma forma sistemática de con-

A partir dos anos oitenta, na cauda do cometa da Regra de Moore, a Informática

Em seguida, surge um conjunto de ferramentas e, de forma correlata, de recursos, a

É notável que os desenvolvimentos em ambientes de aprendizagem computadoriza-

Em As Condições da Aprendizagem, Gagné apresentava uma perspectiva acerca

Os nove eventos da instrução de Gagné (1985) eram os seguintes:

Afinal entramos, então, na perspectiva do que chamamos de Design Instrucional, a

O termo Design Educacional é criado logo posteriormente ao Design Instrucional

Learning Design: Conceitos Iniciais

Ainda para Britain (2004), o processo de Learning Design abrangeria atividades-

Tabela 1 – Atividades-chave envolvidas no processo de Learning Design

O Learning Design consiste em estudar, projetar e adaptar dispositivos de ensino,

Atua na gestão de um projeto de formação nas e entre as 3 entidades do triângulo de

Essa atuação considera o gerenciamento de um tripé clássico de sustentação: o tem-

O Learning Design, ou design da aprendizagem é, para alguns, a versão do termo

Por definição, o e-Learning abrange todo o espectro de ensino e aprendizado em

Designer Educacional, Learning Designer e Designer Instrucional: todas essas três

A Educação é um produto ou um processo? Ambas as perspectivas trazem elementos vá-

De todo modo, em qualquer contexto, o Design Instrucional visa a maximizar o ape-

Em The Conditions of Learning, publicado em 1965, nos Estados Unidos, Robert

Nossa abordagem original a esse componente do modelo foi fortemente influenciada

O Design Instrucional é simplesmente um processo para ajudar a criar treinamento

Designers educacionais tendem a trabalhar numa variedade de projetos de uma am-

A principal preocupação do Design Educacional é aplicar a Teoria da aprendizagem

O Learning Design enfoca o processo de ensino-aprendizagem que acontece em

O Learning Design “Constitui-se na descrição de um método que habilita os alunos a

O Design de Aprendizagem, em tradução literal, tem a característica, quiçá a vanta-

Essa abordagem mantém a experiência do aluno no centro de todas as decisões de

As questões-chave são: o que o estudante já sabe, o que precisa aprender, e como o

A segunda etapa do processo deve ser a do planejamento estratégico.

Tabela 2 – Atividades-chave envolvidas no processo de Learning Design

A última e importante fase do processo é a avaliação e o feedback, sempre funda-

Learning Design e User Experience

Como declara a importante Editora Pearson, é fundamental a apropriação de Meto-

Experiência do Usuário, ou UX, é um “termo guarda-chuva” que engloba várias áreas

Figura 3 – Áreas do conhecimento correlatas aos componentes da experiência do usuário

“Learning Design: descrição de um método que habilita os alunos a alcançar certos

Mais importante que essa constatação, é compreendermos a correlação entre as

Nesta Disciplina, compreendemos: