Uma Ferramenta para Recomendação Pedagógica Baseada em Mineração de
Dados Educacionais
Ranilson Oscar Araújo Paiva
Mestrado em Modelagem Computacional do Conhecimento
Orientadores
Alan Pedro da SilvaIg Ibert Bittencourt
Ranilson Oscar Araújo Paiva [email protected]
2
Agenda Contextualização Problemática Proposta Estudo de Caso Conclusão Limitações e Trabalhos Futuros Referências
Ranilson Oscar Araújo Paiva [email protected]
Agenda
Contextualização• IDEB – Índice de Desenvolvimento
da Educação Básica5.0 / 10.0• PISA+ – Programa Internacional de
Avaliação de Alunos58º|75 / 64º|85
• UNESCO/EFA – Education for All88º / 120
Ranilson Oscar Araújo Paiva [email protected]
4Contextualização
O que o Governo pretende fazer a respeito desse
cenário?
Ranilson Oscar Araújo Paiva [email protected]
5Contextualização
Contextualização
• “Criar mecanismos para o acompanhamento individual de cada estudante do ensino fundamental”
• “Fortalecer o acompanhamento e o monitoramento do acesso e permanência na escola ...”
Plano Nacional de Educação (PNE 2010 - 2020)
Ranilson Oscar Araújo Paiva [email protected]
6Contextualização
E a Sociedade Brasileira de Computação?
Ranilson Oscar Araújo Paiva [email protected]
7Contextualização
Contextualização
• Acesso Participativo e Universal do Cidadão Brasileiro ao Conhecimento.• Vencer as barreiras tecnológicas, educacionais, culturais, sociais e
econômicas que impedem o acesso e a interação.• Concepção de sistemas, ferramentas, modelos, métodos,
procedimentos e teorias.• Criação de plataformas de aplicativos de e-learning que permitam a
integração eficiente de ferramentas de comunicação para poderem ser usadas em conjunto, com a finalidade de permitirem a prática do aprendizado eletrônico.
Grandes Desafios da Pesquisa em Computação no Brasil
Ranilson Oscar Araújo Paiva [email protected]
8Contextualização
Contextualização
• Workshop de Desafios da Computação Aplicada à Educação• Registro de longo prazo dos perfis de aprendizes e tutores.• Mineração de dados educacionais para viabilizar a busca por
padrões de aprendizagem.• Personalização da aprendizagem como meio de melhorar a
qualidade de ensino e o desempenho dos alunos.
CSBC 2012 - I DesafIE!
Ranilson Oscar Araújo Paiva [email protected]
Contextualização 9
Que Soluções têm sido utilizadas nesse sentido?
Ranilson Oscar Araújo Paiva [email protected]
Contextualização 10
Contextualização Mudança de Paradigma AAA Learning
Anytime Qualquer Momento
Anywhere Qualquer Lugar
Anyone Qualquer Pessoa
Ranilson Oscar Araújo Paiva [email protected]
Contextualização 11
Contextualização MOOCs
Massive Massivo
Open Aberto
Online Online
Courses Cursos
Ranilson Oscar Araújo Paiva [email protected]
Contextualização 13
ContextualizaçãoRanilson Oscar Araújo Paiva [email protected]
Contextualização 14
Contextualização
2º Brasil (6%), 3º India (5%) e 4º China (4%)
Ranilson Oscar Araújo Paiva [email protected]
Contextualização 15
ContextualizaçãoRanilson Oscar Araújo Paiva [email protected]
Contextualização 16
E como é a dinâmica de um curso nesse modelo?
Ranilson Oscar Araújo Paiva [email protected]
Problemática 17
ProblemáticaRanilson Oscar Araújo Paiva [email protected]
Problemática 18
ProblemáticaRanilson Oscar Araújo Paiva [email protected]
Problemática 19
ProblemáticaRanilson Oscar Araújo Paiva [email protected]
Problemática 20
O que ocorreu?Como poderia ter sido evitado?
Ranilson Oscar Araújo Paiva [email protected]
Problemática 21
ProblemáticaDados Educacionais• Conteúdo Pedagógico• Testes• Atividades• Exercícios• Histórico Educacional• Dados Pessoais• Links Externos• Interações via Fórum• Interações via Chat• Logs de Acesso
Ranilson Oscar Araújo Paiva [email protected]
Problemática 22
ProblemáticaRanilson Oscar Araújo Paiva [email protected]
Problemática 23
Problemática
1. Como tratar esses dados?
2. O que fazer com os resultados?
3. Como interagir com os resultados?
Ranilson Oscar Araújo Paiva [email protected]
Problemática 24
Problemática
“A Mineração de Dados Educacionais tem por objetivo obter
informações relevantes de grandes quantidades de dados. Dados esses
oriundos de diversas fontes dentro do contexto educacional.
Isso é feito através da descoberta de padrões, com grande
significância, nesses dados.”ROMERO, 2011
Mineração de Dados Educacionais
Ranilson Oscar Araújo Paiva [email protected]
Problemática 25
Problemática
2. O que fazer com os resultados?
3. Como interagir com os resultados?
Ranilson Oscar Araújo Paiva [email protected]
Problemática 26
1. Mineração de Dados Educacionais
Problemática
“Recomendações são ações reativas, ou preventivas, associadas a situações pedagógicas definidas. Essas ações podem ser realizadas utilizando os recursos nativos de um ambiente de aprendizado, ou através de recursos externos. O propósitos dessas recomendações é melhorar a experiência de aprendizado e solucionar problemas pedagógicos conhecidos.”
PAIVA, 2012
Recomendações Pedagógicas
Ranilson Oscar Araújo Paiva [email protected]
Problemática 27
Problemática
3. Como interagir com os resultados?
Ranilson Oscar Araújo Paiva [email protected]
Problemática 28
1. Mineração de Dados Educacionais
2. Recomendações Pedagógicas
Problemática
“Ferramentas de software e técnicas cujo objetivo é prover
sugestões de itens a serem utilizados por um usuário. As
sugestões providas focam em ajudar os usuários em diversos
processos de tomada de decisão .”
RICCI, 2011
Ferramentas de Recomendação
Ranilson Oscar Araújo Paiva [email protected]
Problemática 29
ProblemáticaRanilson Oscar Araújo Paiva [email protected]
Problemática 30
1. Mineração de Dados Educacionais
2. Recomendações Pedagógicas
3. Ferramenta
Proposta
Ferramenta para
Recomendação Pedagógica Utilizando
Mineração de Dados Educacionais
Ranilson Oscar Araújo Paiva [email protected]
Proposta 31
Objetivos
1. Criar um processo para a recomendação pedagógica.2. Especificar, e encapsular em componentes distintos, os
cenários de mineração dos dados educacionais.3. Implementar componentes que reutilizem algoritmos de
mineração de dados educacionais.4. Construir uma Ferramenta com um processo de
recomendação que possibilite professores e tutores a utilizar as técnicas empregadas, sem a necessitem de conhecimento técnico sobre o assunto.
5. Gerar recomendações personalizadas.
Ranilson Oscar Araújo Paiva [email protected]
Proposta 32
O ProcessoRanilson Oscar Araújo Paiva [email protected]
Proposta 33
Cenários
• Componentes que definem os dados e formas de processamento adequados, para uma determinada situação pedagógica.
• Orientam a mineração dos dados.• Tornam a mineração dos dados objetiva • Acessam os dados de interesse, os algoritmos a
serem utilizados, APIs e seus parâmetros.
Ranilson Oscar Araújo Paiva [email protected]
Proposta 34
36
ArquiteturaRanilson Oscar Araújo Paiva [email protected]
Proposta 39
Ranilson Oscar Araújo Paiva [email protected]
Estudo de Caso 40
UFAL Línguas - Espanhol• Espanhol | Nível Básico (Certificado)• 6 Unidades (5 meses de curso)• 1 Professor e 8 Tutores• 200 Inscritos (Gratuito)• 34 Concluintes• 700+ Megabytes de Dados• 1.220.000 Triplas RDF (Ontologia)
Cenário 01Avaliar a Qualidade das Interações dos Alunos no Ambiente de Aprendizagem
Ranilson Oscar Araújo Paiva [email protected]
Estudo de Caso 41
Ranilson Oscar Araújo Paiva [email protected]
Estudo de Caso 42
Ranilson Oscar Araújo Paiva [email protected]
Estudo de Caso 43
Detectar PráticasRanilson Oscar Araújo Paiva [email protected]
Estudo de Caso 44
Ranilson Oscar Araújo Paiva [email protected]
45Estudo de Caso
Descobrir PadrõesRanilson Oscar Araújo Paiva [email protected]
46Estudo de Caso
Descobrir PadrõesRanilson Oscar Araújo Paiva [email protected]
Estudo de Caso 50
Ranilson Oscar Araújo Paiva [email protected]
51Estudo de Caso
RecomendarRanilson Oscar Araújo Paiva [email protected]
Estudo de Caso 52
RecomendarRanilson Oscar Araújo Paiva [email protected]
53Estudo de Caso
Ranilson Oscar Araújo Paiva [email protected]
57Estudo de Caso
Conclusão1. Criamos um processo para a recomendação pedagógica.2. Criamos cenários para guiar a Mineração dos Dados.3. Criamos uma ferramenta com processo de
recomendação, capaz de auxiliar professores e tutores na gestão de seus alunos.
4. Realizamos um estudo de caso (dados reais).5. Acreditarmos ter contribuído para a Informática na
Educação através da natureza multidisciplinar do trabalho.6. Apresentamos um artigo sobre o tema no DesafIE! (2012)
Ranilson Oscar Araújo Paiva [email protected]
59Conclusão
Limitações e Trabalhos Futuros
1. Criação automática de cenários.2. Ampliação do escopo das recomendações.3. Aprimoramento do monitoramento de avaliação
de recomendações e resultados dos alunos.4. Submissão de artigo para Journal.
Ranilson Oscar Araújo Paiva [email protected]
60Trabalhos Futuros
ReferênciasABEL, F.; BITTENCOURT, Ig Ibert; COSTA, Evandro de Barros; HENZE, N.; KRAUSE, Daniel; VASSILEVA, J. Recommendations in Online Discussion Forums for E-Learning Systems. IEEE Transactions on Learning Technologies, 2010, vol. 3, pp. 165-176.AROYO, Lora. INABA, Akiko. SOLDATOVA, Larissa. MIZOGUCHI, Riichiro. EASE: Evolutional Authoring Support Environment, 2004.AUDINO, Daniel Fagundes. NASCIMENTO, Rosemy da Silva. Revista Contemporânea de Educação, vol. 5, n. 10, julho/dezembro 2010.BAKER, R.S.J.d. Data Mining for Education. McGaw, B., Peterson, P., Baker, E. (Eds.) International Encyclopedia of Education. Elsevier, 2010, ed. 03, vol. 07, pp. 112-118.BAKER, R.S.J.d.; ISOTANI, Seiji; de CARVALHO, A.M.J.B. Mineração de Dados Educacionais: Oportunidades para o Brasil. Revista Brasileira de Informática na Educação, 2011, vol. 19, n. 02, pp. 3-13.BITTENCOURT, Ig Ibert ; COSTA, Evandro de Barros ; Marlos Silva ; SOARES, Elvys . A Computational Model for Developing Semantic Web-based Educational Systems. Knowledge-Based Systems, 2009, vol. 22, pp. 302-315.BITTENCOURT, Ig Ibert ; COSTA, Evandro de Barros . Modelos e Ferramentas para a Construção de Sistemas Educacionais Adaptativos e Semânticos. Revista Brasileira de Informação na Educação, 2011, vol. 19, pp. 85-98.CNN MONEY, Disponível em: http://money.cnn.com/2009/06/17/news/economy/goldman_sachs_jim_oneill_interview.fortune/index.htm, Acessado em: 05/04/2013.DAVIDOFF, Linda L. Introdução à Psicologia. McGraw-Hill do Brasil, 1983 pp. 112-115DEOGUN, Jitender S.; RAGHAVAN, Vijay V.; SARKAR, Amartya; SEVER, Hayri. Data Mining: Trends in Research and Development. “Data mining: Trends and issues-guest editors’ introduction,” V. V. Raghavan, J. S. Deogun, and H. Sever. Journal of Amer. Soc. for Information Sci., Vol. 49(4), pp. 397-402, Abril 1998.DESAFIE!. I Workshop de Desafios da Computação Aplicada à Educação. Disponível em: http://www.imago.ufpr.br/csbc2012/desafie.php. Acessado em: 14/05/2013.DOMINGUES, Anna Katrina; YACEF, Kalina; CURRAN, James R. Data Mining for Individualized Hints in eLearning. Proceedings of the 3rd International Conference on Educational Data Mining. Junho, 2010.DUKE. Bioelectricity: A Quantitative Approach. Duke University's First MOOC. Disponível em: http://dukespace.lib.duke.edu/dspace/handle/10161/6216. Acessado em: 27/03/2013. Fevereiro, 2013.FERREIRA, Rafael; COSTA, Evandro de Barros; BRITO, Patrick; BITTENCOURT, Ig Ibert; MACHADO, Aydano; MARINHO, Tarsis; HOLANDA, Olavo. A Framework for Building Web Mining Applications in the World of Blogs: A Case Study in Product Sentiment Analysis Expert Systems With Applications. Expert Systems with Applications, 2012, vol. 39, pp. 4813-4834.
Ranilson Oscar Araújo Paiva [email protected]
61Referências
ReferênciasGAYARD, Leonel Aguilar. RUBIRA, Celília M. F. GUERRA, Paulo A. de Castro. COSMOS: A Component System Model for Software Architectures. Universidade Estadual de Campinas. Instituto de Computação, 2008.HAN, Jiawei; KAMBER, Micheline. Data Mining: Concepts and Techniques, 2006, ed. 02 - Elsevier/Morgan Kaufmann.IAQUINTA, Leo. SEMERARO, Giovanni. Lightweight Approach to the Cold Start Problem in the Video Lecture Recommendation. 2011.KKD NUGGETS, Disponível em: http://www.kdnuggets.com/polls/2012/where-applied-analytics-data-mining.html. Acessado em: 22/02/2013.LAROSE, Daniel T. Data Mining Methods and Models. Wiley, 2006.LEFFA, V. J. Uma ferramenta de autoria para o professor: o que é e o que faz. Letras de Hoje, Porto Alegre, v. 41, n. 144, pp. 189-214, 2006.MANHAES, Laci Mary Barbosa. CRUZ, Sérgio Manuel Serra da. COSTA, Raimundo J. Macário, ZAVALETA, Jorge. ZIMBRÃO, Geraldo. Previsão de Estudantes com Risco de Evasão Utilizando Técnicas de Mineração de Dados. Anais do XXII SBIE - XVII WIE, 2011. MÁRQUEZ, Vera; ROMERO C.; VENTURA S. Predicting School Failure Using Data Mining. Proceedings of the 4th International Conference on Educational Data Mining. Julho, 2011.MERCERON, A. Educational data mining: a case study. Proceeding of the 2005 conference on Artificial. 2005 Disponível em: http://dl.acm.org/citation.cfm?id=1562589MINIX.ORG. The MINIX 3 Operating System. Disponível em: http://www.webcitation.org/64sAstWXM. Acessado em 2012-01-20.NISBET, Robert. ELDER, John. MINER, Gary. Statistical Analysis and Data Mining Applications. Elsevier, 2009.NORTH, Matthew. Data Mining for the Masses. 2012OLIVEIRA, Dalila Andrade. A Reestruturação do Trabalho Docente: Precarização e Flexibilização. Educ. Soc., Campinas, vol. 25, n. 89, pp. 1127-1144, Set./Dez. 2004. Disponível em: http://www.cedes.unicamp.br.PNE. Portal do Mec. Plano Nacional de Educação – PNE. Disponível em: http://portal.mec.gov.br/index.php?option=com_content&view=article&id=16478&Itemid=1107. Acessado em: 24/04/2012.PNE(b). Projeto de Lei 8035/2010. Câmara dos Deputados. Disponível em: http://www.camara.gov.br/proposicoesWeb/fichadetramitacao?idProposicao=490116. Acessado em: 12/04/2012.REIHANEH, Rabbany K.; MANSOUREH, Takaffoli; ZAÏANE, Osmar R. Analyzing Participation of Students in Online Courses Using Social Network Analysis Techniques. Proceedings of the 4th International Conference on Educational Data Mining. Julho, 2011.
Ranilson Oscar Araújo Paiva [email protected]
62Referências
ReferênciasREYNOLDS, K.; Kontostathis, A.; EDWARDS, L. Using Machine Learning to Detect Cyberbullying. 10th International Conference on Machine Learning and Applications and Workshops, 2011 p. 241-244.ROMERO, C., VENTURA, S. Educational Data Mining: A Survey from 1995 to 2005. Expert Systems with Applications, 2007 33(1), pp. 135-146.Romero, Cristóbal; Ventura, Sebastian; Pechenizkiy; Baker, Ryan. Handbook of Educational Data Mining.Florida: CRC Press, 2011.Russell, Stuart; Norvig, Peter. Artificial Intelligence: A Modern Approach. 3. ed. New Jersey: Pearson Education, 2010.SILVA, Alan Pedro da; COSTA, Evandro; BITTENCOURT, Ig Ibert. Uma Linha de Produto de Software baseada na Web Semântica para Sistemas Tutores Inteligentes. Revista Brasileira de Informação na Educação, 2012 v. 20, pp. 87.SOMMERVILLE, Ian. Software Engineering. ed. 09. Addison-Wesley, 2011.UFALLinguas. Disponível em: http://www.ufal.edu.br/cied/informes/cied-torna-publico-o-edital-do-curso-201cel-mundo-hispanico-sin-fronteiras . Acessado em: 15/01/2013.UFALLinguas(b). Disponível em: http://www.ufal.edu.br/cied/documentos/editalsimplificadocursoextensaoespanhol.pdf. Acessado em: 15/01/2013.W3C.ORG. Authoring Tool Definition. Disponível em: http://www.w3.org/TR/2012/WD-ATAG20-20120410/#def-Authoring-Tool. Acesso em: 03/01/2013.WALKER, Maurice. PISA 2009 Plus Results: Performance of 15-year-olds in Reading, Mathematics and Science for 10 Additional Participants. Acer Press, 2011.WITTEN, Ian; FRANK, Eibe; HALL, Mark. Data Mining: Practical Machine Learning Tools and Techniques. Elsevier, 2011. ed. 3. Massachusetts.WU, Xindong; et. Al. Top 10 Algorithms in Data Mining. Knowledge Information Systems, 2007 - Springer.
Ranilson Oscar Araújo Paiva [email protected]
63Referências
Agradecimentos
Uma pessoa nobre nunca se esquece, e é sempre grata, pelos favores que recebeu de outros.
Buddha
Ranilson Oscar Araújo Paiva [email protected]
64Agradecimentos
Obrigado!