Linha de pesquisa: Inteligência Artificial

Resumo: Os Ambientes Virtuais de Aprendizagem (AVAs) têm sido cada vez mais utilizados para auxiliar no processo de ensino e aprendizagem de estudantes de diversos níveis de ensino nos últimos anos. A utilização desses ambientes gera grandes volumes de dados, que podem ser explorados para compreender e analisar os comportamentos dos estudantes. A análise desses dados de interações nos AVAs podem fornecer entendimento sobre como os materiais e recursos disponíveis são utilizados, e, consequentemente, a relação entre o comportamento dos estudantes e seu desempenho acadêmico. Neste contexto, a aprendizagem autorregulada (SRL, do inglês Self Regulated Learning) é uma teoria valiosa para detectar como a aprendizagem ocorre, levando em consideração as características individuais dos estudantes. Dentre as várias abordagens possíveis para detectar aprendizagem autorregulada em AVAs, as técnicas de Mineração de Dados Educacionais (EDM, do inglês Educational Data Mining) podem ser utilizadas para compreender o processo de ensino aprendizagem e identificar aspectos negativos e positivos que influenciam este processo. Nesse contexto, o objetivo desta tese é desenvolver um framework para detectar perfis de aprendizagem autorregulada de estudantes em AVAs, utilizando técnicas de EDM com conjuntos de dados previamente processados, e estabelecer conexões entre esses perfis e o desempenho acadêmico dos estudantes. Para construção deste framework foram conduzidos estudos de caso utilizando um método de caráter exploratório baseado no processo de Prova de Conceito (PoC, do inglês Proof of Concept). Foram realizadas análises exploratórias com dados de dois AVAs distintos: Classroom eXperience (CX) e Moodle. Nestas análises foram desenvolvidos, avaliados e comparados três modelos de aprendizagem não-supervisionada, utilizando os algoritmos K-Means, Agglomerative Clustering e HDBSCAN. O algoritmo K-Means demonstrou resultados interessantes ao ser aplicado nos dados do Moodle utilizando o conjunto de dados públicos OULAD, alcançando um coeficiente de silhueta de 0,64. Além disso, mostrou-se igualmente satisfatório ao lidar com dados do CX, atingindo um coeficiente de 0,75. Por outro lado, tanto o algoritmo K-Means quanto o HDBSCAN demonstraram desempenhos satisfatórios ao serem aplicados nos dados do Moodle provenientes do IFSULDEMINAS - Campus Carmo de Minas,obtendo coeficientes acima de 0,6. Além disso, os grupos identificados pelos algoritmos nos três datasets apresentaram diferenças estatisticamente significativas, com p-value inferior a 0,05. Os resultados dessas análises confirmaram as hipóteses de pesquisa desta tese e forneceram subsídios para a construção do Framework baseado em Algoritmos de Agrupamento de Dados (AAD). Diante disso, propõe-se uma abordagem dividida em duas fases para a construção e validação do framework, ambas atualmente em andamento. A primeira fase consiste no desenvolvimento e validação do Framework de Aplicação Orientado a Objetos. A segunda fase compreenderá a análise dos logs de um curso de curta duração disponibilizado em um AVA, apoiado por uma arquitetura pedagógica que visa promover a aprendizagem autorregulada, utilizando o framework. Adicionalmente, serão aplicados questionários de autorregulação e conduzidas entrevistas em grupo focal com os estudantes que participaram do referido curso. Visando correlacionar os autorrelatos da aprendizagem dos estudantes com os resultados encontrados pelo framework.

Link para a defesa: https://meet.google.com/jhb-tsgg-tiy