Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
RECIFE
2016
Catalogao na fonte
Bibliotecria Monick Raquel Silvestre da S. Portes, CRB4-1217
Aprovada em 21/12/2016
____________________________________
Orientador: Prof. Dr. Alex Sandro Gomes
BANCA EXAMINADORA
___________________________________________________________
Prof. Fernando da Fonseca de Souza
Centro de Informtica / UFPE
___________________________________________________________
Prof. Dr. Giordano Ribeiro Eulalio Cabral
Centro de Informtica / UFPE
___________________________________________________________
Prof. Dr. Marcelo Brito Carneiro Leo
Departamento de Qumica / UFRPE
___________________________________________________________
Prof. Dr. Francisco Milton Mendes Neto
Departamento de Cincias Exatas e Naturais / UFERSA
___________________________________________________________
Profa. Dra. Filomena Maria Gonalves da Silva Cordeiro Moita
Departamento de Educao / UEPB
Dedico este trabalho aos meus pais:
Jairo Rodrigues da Silva e Socorro Lins Rodrigues
A minha irm Ravenna Lins Rodrigues
E a minha esposa Simone Aparecida da Silva Lins.
Agradecimentos
O uso crescente dos sistemas de LMS, do ingls Learning Management System, tem
gerado um crescente volume de dados provenientes de interaes entre professores
e alunos. Esse volume de dados, se devidamente explorado, pode fornecer o
entendimento de como os alunos autorregulam-se no desenvolver da sua
aprendizagem e as relaes destas habilidades com o desempenho acadmico.
Diante deste contexto, delimitamos o objetivo de pesquisa desta tese como sendo a
modelagem preditiva do desempenho de estudantes por meio de indicadores
comportamentais de autorregulao da aprendizagem em ambientes de LMS. O
mtodo utilizado nesta pesquisa foi baseado na metodologia CRISP-DM, percorrendo
pelas fases de Entendimento do domnio em educao, Entendimento dos dados
educacionais, Preparao dos dados, Modelagem, Avaliao do modelo e
Implementao da soluo em formato de software de visualizao de dados. O
processo de modelagem foi realizado por meio de dados histricos de uma instituio
de ensino superior, armazenados durante um perodo de sete anos. Como resultado
da fase de modelagem, foi realizado o desenvolvimento, avaliao e comparativo
entre quatro modelos de previso, por meio dos algoritmos de rvore de Deciso
(CART), Regresso Logstica, SVM e Naive Bayes. O modelo de regresso logstica
apresentou-se como sendo o mais satisfatrio, sendo capaz de predizer o
desempenho acadmico dos estudantes, de acordo com variveis de autorregulao
da aprendizagem, com uma taxa de acurcia de 0,893 e rea sobre a curva ROC de
0,9574. Por fim, foi realizada a concepo, implementao e avaliao de uma
soluo de software, para visualizao de dados, capaz de fornecer indcios de
previsibilidade do desempenho do aluno a partir do seu registro comportamental
armazenado na plataforma de LMS.
1. Introduo ............................................................................................................. 17
1.1 Justificativa ...................................................................................................... 17
1.1 Contexto e Motivao ...................................................................................... 19
1.2 Questes de pesquisa ..................................................................................... 20
1.3 Objetivos .......................................................................................................... 21
1.3.1 Geral ......................................................................................................... 21
1.3.2 Especficos ................................................................................................ 21
1.4 Mtodo de Pesquisa ........................................................................................ 21
1.5 Organizao e estrutura da tese ...................................................................... 22
2. Autorregulao da Aprendizagem ...................................................................... 24
2.1 Conceito de autorregulao da aprendizagem ................................................ 24
2.2 Modelos tericos de autorregulao da aprendizagem ................................... 27
2.2.1 O modelo de Zimmerman.......................................................................... 27
2.2.2 O modelo de Pintrich ................................................................................. 28
2.3 Caractersticas da autorregulao em ambientes de EAD .............................. 30
2.4 Relao entre autorregulao e desempenho acadmico ............................... 31
2.5 Abordagens de mensurao da autorregulao .............................................. 32
2.5.1 Instrumentos de coleta .............................................................................. 33
2.5.2 Abordagens de mensuraes ................................................................... 34
2.6 Consideraes sobre o captulo ...................................................................... 36
3. Minerao de Dados Educacionais (EDM) ............................................................ 38
3.1 Contextualizao sobre Minerao de Dados Educacionais ........................... 38
3.2 reas relacionadas a EDM .............................................................................. 39
3.4 Tarefas de Minerao de Dados em contextos Educacionais ......................... 42
3.4.1 Classificao ............................................................................................. 42
3.4.2 Agrupamento ............................................................................................. 52
3.4.3 Regresso Linear ...................................................................................... 55
3.4.4 Regras de associao ............................................................................... 56
3.5 Consideraes sobre o captulo ...................................................................... 56
4. Mapeamento Sistemtico da Literatura .............................................................. 58
4.1 Processo do Mapeamento Sistemtico............................................................ 58
4.1.1 Objetivo do mapeamento .......................................................................... 59
4.1.2 Questes de pesquisa............................................................................... 59
4.1.3 Critrios de Incluso e Excluso ............................................................... 59
4.1.4 Estratgia de busca .................................................................................. 60
4.1.5 Anlise e Interpretao dos Resultados .................................................... 63
4.2 Consideraes sobre o captulo ...................................................................... 68
5. Mtodo da Pesquisa .......................................................................................... 70
5.1 Fases do Processo .......................................................................................... 70
5.3 Entendimento do Domnio ............................................................................... 71
5.4 Entendimento dos dados ................................................................................. 72
5.5 Preparao dos dados ..................................................................................... 74
5.5.1 Seleo dos dados .................................................................................... 74
5.5.3 Categorizao de Variveis ...................................................................... 75
5.6 Modelagem ...................................................................................................... 76
5.6.1 Algoritmos de Classificao ...................................................................... 77
5.7 Avaliao dos Modelos .................................................................................... 78
5.7.1 Avaliao da Preciso de Classificao .................................................... 79
5.8 Implementao da soluo .............................................................................. 80
5.8.1 Prototipagem ............................................................................................. 80
5.8.3 Arquitetura e Implementao .................................................................... 81
5.8.4 Avaliao da soluo de software desenvolvida ....................................... 82
5.9 Consideraes sobre o captulo ...................................................................... 87
6. Resultados ......................................................................................................... 89
6.1 Resultados sobre o entendimento do domnio ................................................. 89
6.1.1 Pblico alvo e Amostra.............................................................................. 91
6.2 Resultados sobre o entendimento dos dados .................................................. 92
6.2.1 Identificao das variveis significativas ................................................... 92
6.2.2 Extrao das bases de dados histricas da plataforma Moodle ............... 95
6.3 Resultados sobre a preparao dos dados ..................................................... 97
6.2.1 Extrao das variveis relacionadas ao desempenho dos estudantes ..... 97
6.4 Resultados da Modelagem e Validao........................................................... 99
6.4.1 Construo dos modelos de classificao ................................................ 99
6.4.2 Validao dos modelos de classificao ................................................. 101
6.4.3 Modelo de Regresso Logstica .............................................................. 104
6.6 Resultados do desenvolvimento e implementao ........................................ 110
6.6.1 Prottipos de baixa fidelidade ................................................................. 110
6.6.2 Arquitetura e Implementao .................................................................. 112
6.6.3 Experimento de validao com professores ............................................ 118
6.7 Consideraes sobre o captulo .................................................................... 128
7. Discusses ....................................................................................................... 130
7.1 Lacunas de pesquisa identificadas ................................................................ 130
7.2 Capacidade preditiva de desempenho acadmico ........................................ 131
7.2.1 Comparativo entre modelos de classificao .......................................... 132
7.2.2 Significncia e poder de explicao das variveis .................................. 132
7.2.3 Previso do desempenho dos alunos ..................................................... 134
7.3 Soluo de software desenvolvida................................................................. 135
7.4.1 Percepo dos professores..................................................................... 136
8. Consideraes Finais ....................................................................................... 138
8.1 Concluso ...................................................................................................... 138
8.2 Dificuldades e Limitaes .............................................................................. 139
8.3 Contribuies ................................................................................................. 139
8.4 Trabalhos Futuros .......................................................................................... 140
8.4 Produo Cientfica Desenvolvida ................................................................. 141
Referncia Bibliogrfica .......................................................................................... 145
Apndices................................................................................................................ 163
Anexos .................................................................................................................... 216
Captulo 1 Introduo
_________________________________________________________________________________
Captulo
1
1. Introduo
Este captulo apresenta uma viso geral desta tese. So explicitados os
argumentos que justificam o desenvolvimento do trabalho, o contexto e motivao, os
objetivos, o mtodo de pesquisa e a organizao e estruturao da tese.
1.1 Justificativa
Com a evoluo no desenvolvimento de artefatos tecnolgicos para a
educao, os ambientes computacionais de ensino e os contedos digitais passaram
a ser vistos como tecnologias essenciais na conduo dos processos educacionais.
Esse aumento no desenvolvimento e utilizao de plataformas de aprendizagem
online tem impactado diretamente o aumento dos cursos na modalidade a distncia
(WANG, DOLL, et al., 2013). Este crescimento tem possibilitado a gerao de alta
carga de dados, provindas de interaes dos usurios, permitindo a gerao de
grandes bases de dados com informao sobre o comportamento dos estudantes.
Estes dados, se devidamente explorados, tem potencial para fornecer importantes
indcios de como os alunos interagem e aprendem. (KOEDINGER, BAKER, et al.,
2010).
Acompanhar essas interaes, nas diferentes ferramentas de comunicao e
plataformas de aprendizagem, um dos desafios mais intensos e exaustivos que os
professores da modalidade de Educao a Distncia enfrentam atualmente. Turmas
cada vez maiores e heterogneas e o tempo limitado imposto aos professores,
induzem a adotar uma postura passiva, apenas respondendo mensagens e corrigindo
atividades. Perceber as individualidades de cada aluno, ou at mesmo intervir no seu
17
Captulo 1 Introduo
_________________________________________________________________________________
19
Captulo 1 Introduo
_________________________________________________________________________________
20
Captulo 1 Introduo
_________________________________________________________________________________
1.3 Objetivos
Nesta seo so apresentados os objetivos desta tese, ou seja, as metas que
o trabalho procurou alcanar.
1.3.1 Geral
1.3.2 Especficos
A quinta fase foi responsvel por a validao da modelagem. Nesta fase foi
verificado como os modelos desenvolvidos com as tcnicas de minerao so
executados nos dados reais. Nesta tese a avaliao foi realizada por meio de tcnicas
que buscam identificar o poder de previso dos modelos por meio de mtricas de
preciso de classificadores.
Por fim, a sexta e ltima fase do mtodo foi a fase de implementao, a qual
buscou materializar os resultados encontrados na fase de modelagem. Esta fase de
implementao foi direcionada construo de uma interface de software dashboard
que proporcionasse ao professor/tutor uma visualizao dos indicativos
comportamentais de alunos que se encontram em estado crtico de autorregulao da
aprendizagem e consequentemente em risco de mau desempenho acadmico.
Todas as fases e instrumentos utilizados em cada fase descrita acima foram
detalhados no Captulo 5 desta tese.
22
Captulo 1 Introduo
_________________________________________________________________________________
23
Captulo 2 Autorregulao da Aprendizagem
__________________________________________________________________________
Captulo
2
2. Autorregulao da
Aprendizagem
Neste captulo iniciamos a seo referente fundamentao, na qual
apresentamos os conceitos fundamentais. Este captulo apresenta algumas teorias
existentes sobre autorregulao da aprendizagem e trabalhos relacionados, que
fornecem a base terica para posicionar este trabalho no campo da pesquisa. Entre
os conceitos a serem explorados esto: o significado e conceito de autorregulao da
aprendizagem, teorias e modelos de autorregulao da aprendizagem e por fim as
abordagens de mensurao existentes.
24
Captulo 2 Autorregulao da Aprendizagem
__________________________________________________________________________
25
Captulo 2 Autorregulao da Aprendizagem
__________________________________________________________________________
26
Captulo 2 Autorregulao da Aprendizagem
__________________________________________________________________________
27
Captulo 2 Autorregulao da Aprendizagem
__________________________________________________________________________
O modelo proposto por Pintrich, Smith, et al. (1993) composto por quatro
etapas, o planejamento e ativao, o monitoramento, o controle e, por fim, reao e
reflexo. Estas etapas podem acontecer de modo simultneo e dinmico durante a
realizao das tarefas.
Em cada uma das fases, devem ocorrer atividades de regulao em quatro
reas: cognio, motivao e afeto, comportamento e contexto. O Quadro 1 apresenta
as etapas do modelo e as reas de regulao.
28
Captulo 2 Autorregulao da Aprendizagem
__________________________________________________________________________
Percepo das
dificuldades da
tarefa.
Ativao do
interesse
pessoal.
29
Captulo 2 Autorregulao da Aprendizagem
__________________________________________________________________________
Estas habilidades podem ser importantes para alunos que participam de cursos
nesta modalidade (SCHUNK e ZIMMERMAN, 1998; HARTLEY e BENDIXEN, 2001;
30
Captulo 2 Autorregulao da Aprendizagem
__________________________________________________________________________
31
Captulo 2 Autorregulao da Aprendizagem
__________________________________________________________________________
32
Captulo 2 Autorregulao da Aprendizagem
__________________________________________________________________________
33
Captulo 2 Autorregulao da Aprendizagem
__________________________________________________________________________
34
Captulo 2 Autorregulao da Aprendizagem
__________________________________________________________________________
35
Captulo 2 Autorregulao da Aprendizagem
__________________________________________________________________________
36
Captulo 2 Autorregulao da Aprendizagem
__________________________________________________________________________
37
Captulo 3 Minerao de Dados Educacionais (EDM)
_________________________________________________________________________________
Captulo
3
3. Minerao de Dados
Educacionais (EDM)
Neste captulo explicitamos as principais tcnicas de Minerao de Dados
Educacionais, nos quais so apresentados os conceitos necessrios para a
fundamentao desta tese. Entre os conceitos a serem explorados esto:
contextualizao sobre EDM, reas relacionadas e abordagens, as principais tarefas,
intercalando com os principais trabalhos desenvolvidos na literatura.
38
Captulo 3 Minerao de Dados Educacionais (EDM)
_________________________________________________________________________________
Romero e Ventura (2010) definem a EDM com sendo '' a aplicao de tcnicas
de minerao de dados (DM) para tipos especficos de conjuntos de dados
provenientes de ambientes educacionais para abordar questes educacionais
importantes ''.
1
http://www.educationaldatamining.org/
39
Captulo 3 Minerao de Dados Educacionais (EDM)
_________________________________________________________________________________
Computer Science
Computer-
Computer- Machine
based
Based Learning
education
Education Educational
Data
Mining
Education Statistic
Learning
Analytics
Embora boa parte dos trabalhos em EDM utilizem destas tarefas, os sistemas
educacionais tm caractersticas especiais que exigem o desenvolvimento de novas
abordagens de minerao de dados (ROMERO, VENTURA, et al., 2010).
Pesquisadores envolvidos com EDM utilizam no apenas tarefas de minerao de
dados tradicionais, mas tambm propem desenvolver e aplicar mtodos e tcnicas
extradas de uma variedade de reas relacionadas com a EDM (estatsticas,
aprendizado de mquina, minerao de texto, anlise de logs web, psicometria).
40
Captulo 3 Minerao de Dados Educacionais (EDM)
_________________________________________________________________________________
41
Captulo 3 Minerao de Dados Educacionais (EDM)
_________________________________________________________________________________
3.4.1 Classificao
Uma das tarefas mais populares em minerao de dados a tarefa de
classificao. Em EDM a tarefa de classificao geralmente utilizada para classificar
perfis de alunos, classificao de estilos de aprendizagem e previso de desempenho
(PAI, LYU e WANG, 2010; PARDOS, WANG e TRIVEDI, 2012).
Essa tarefa pode ser compreendida como a busca por uma funo que permita
associar corretamente cada registro , de uma base de dados, a um nico rtulo
categrico , denominado classe. Uma vez identificada, essa funo pode ser
42
Captulo 3 Minerao de Dados Educacionais (EDM)
_________________________________________________________________________________
43
Captulo 3 Minerao de Dados Educacionais (EDM)
_________________________________________________________________________________
rvore de Deciso
Uma das razes para que os algoritmos de rvore de deciso sejam bastante
utilizados o fato do conhecimento adquirido poder ser representado visualmente por
um conjunto de regras (TAN, STEINBACH e KUMAR, 2009). Essas regras podem ser
expressas em linguagem natural, facilitando o entendimento por parte das pessoas.
44
Captulo 3 Minerao de Dados Educacionais (EDM)
_________________________________________________________________________________
atributos), com um ramo e sub-rvore para cada um dos valores possveis do teste.
Na construo da rvore de deciso, procram associar cada n de deciso ao atributo
mais informativo entre aqueles que ainda no foram utilizados no caminho desde a
raiz da rvore.
Naive Bayes
(| = ) = =1 ( | = ) (3.1)
45
Captulo 3 Minerao de Dados Educacionais (EDM)
_________________________________________________________________________________
()
=1 ( |)
(| = ) = (3.2)
()
J que P(x) fixo para cada Y, escolhe-se a classe que maximiza o numerador,
() =1 ( |).
Regresso Logstica
( ) = ln ( ) = 0 + 1 1 + + (3.3)
1
46
Captulo 3 Minerao de Dados Educacionais (EDM)
_________________________________________________________________________________
() = ( ) = 0+11++ (3.4)
1
48
Captulo 3 Minerao de Dados Educacionais (EDM)
_________________________________________________________________________________
Matriz de Confuso
Uma das maneiras mais comuns de avaliar modelos por meio da derivao
de medidas que, de alguma maneira, tentam medir a qualidade do modelo. Essas
medidas geralmente podem ser obtidas a partir da matriz de confuso, reduzindo suas
quatro clulas principais a um nico ndice numrico de qualidade. A seguir
descrevemos algumas das principais medidas derivadas da matriz de confuso.
49
Captulo 3 Minerao de Dados Educacionais (EDM)
_________________________________________________________________________________
50
Captulo 3 Minerao de Dados Educacionais (EDM)
_________________________________________________________________________________
51
Captulo 3 Minerao de Dados Educacionais (EDM)
_________________________________________________________________________________
o classificador A tem uma pequena vantagem. De acordo com Faveiro, Belfiore, et al.
(2009), existem quatro faixas de valores de referncia para classificar a rea da curva
ROC. O classificador tido como excelente se o valor da rea maior do que 0,8.
Tem discriminao aceitvel se estiver entre 0,7 e 0,8 e no tem poder de
descriminao se estiver abaixo de 0,5.
Kolmogorov-Smirnov
comum encontrar situaes nas quais um modelo aparenta ser melhor que
outro para algumas das mtricas, mas pior com relao a outras. Nesses casos,
utilizar uma nica medida pode dar a falsa impresso de que o desempenho pode ser
avaliado utilizando-se apenas essa medida (PRATI, BATISTA e MONARD, 2008).
Desta forma, mtricas que tenham como objetivo reduzir a avaliao de um
modelo de classificao a um nico valor tendem, em maior ou menor grau, a uma
perda de informao e a avaliao de um modelo utilizando uma nica medida pode
levar a concluses errneas. Para uma avaliao mais precisa ideal que seja
utilizado um conjunto de mtricas levando em considerao o objetivo da pesquisa.
3.4.2 Agrupamento
52
Captulo 3 Minerao de Dados Educacionais (EDM)
_________________________________________________________________________________
Agrupamento Hierrquico
53
Captulo 3 Minerao de Dados Educacionais (EDM)
_________________________________________________________________________________
Agrupamento No-Hierrquico
55
Captulo 3 Minerao de Dados Educacionais (EDM)
_________________________________________________________________________________
56
Captulo 3 Minerao de Dados Educacionais (EDM)
_________________________________________________________________________________
57
Captulo 4 Mapeamento sistemtico da Literatura
_________________________________________________________________________________
Captulo
4
4. Mapeamento Sistemtico da
Literatura
Neste captulo, explicitamos as etapas e resultados do mapeamento
sistemtico realizado nesta tese, com o objetivo de identificar trabalhos relacionados
e lacunas de pesquisa que tenham relao com a aplicao de mtodos para a
mensurao de caractersticas da autorregulao da aprendizagem em ambientes de
LMS.
58
Captulo 4 Mapeamento sistemtico da Literatura
_________________________________________________________________________________
Q1: Qual a natureza das principais pesquisas que vm sendo desenvolvidas com o tema
de Autorregulao da Aprendizagem?
Q2: Quais as principais formas de coleta, no que diz respeito aos construtos de SRL, em
ambientes de LMS?
Q3: Quais as principais tcnicas que esto sendo utilizadas para analisar e mensurar as
caractersticas de SRL?
59
Captulo 4 Mapeamento sistemtico da Literatura
_________________________________________________________________________________
A fonte de pesquisa utilizada para a busca dos estudos primrios foi a base
Elsevier Scopus (http://www.scopus.com), uma vez que este repositrio tambm inclui
as bases da IEEE Digital Library, ACM Digital Library e ScienceDirect. Foram
realizadas duas interaes por meio de uma primeira e uma segunda string de busca.
O Quadro 5 mostra a primeira string de busca:
12 11 11
10 9
8 7 7
6
6
4
4 3 3
2 1
0
2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
60
Captulo 4 Mapeamento sistemtico da Literatura
_________________________________________________________________________________
Figura 10: Principais peridicos com publicaes na rea nos ltimos dez anos
Educational Psychology
0 1 2 3 4 5 6 7 8
O segundo peridico que teve mais publicaes no tema foi o jornal Internet
and Heigher Education, obtendo um total de cinco publicaes. Os demais peridicos
tiveram menos de duas publicaes nos ltimos dez anos.
Segunda String de busca
Para especificar ainda mais a busca, limitando apenas a trabalhos que
utilizaram abordagens quantitativas para mensurao de SRL, foi necessrio
desenvolver uma segunda string de busca adicionando os seguintes termos: statistic,
data mining, learning analytics e Machine Learning.
Para a construo dos termos chaves da pesquisa foram utilizadas as palavras-
chave da questo central. O Quadro 6 mostra a segunda string de busca.
Quadro 6: Segunda String de Busca
2 String de Busca
TITLE-ABS-KEY(("Self-Regulated Learning" OR "SRL") AND ("learning
management system" OR "online learning environment" OR "computer
supported collaborative learning" OR "LMS" OR "eLearning")) AND
("questionnaire" OR "log" OR "data base")AND("statistic" OR "data mining"
OR "learning analytics" OR "Machine Learning")AND(
EXCLUDE(LANGUAGE,"Chinese") OR EXCLUDE(LANGUAGE,"Croatian")) AND(
EXCLUDE(DOCTYPE,"cr") OR EXCLUDE(DOCTYPE,"ip") OR EXCLUDE(DOCTYPE,"re"))
61
Captulo 4 Mapeamento sistemtico da Literatura
_________________________________________________________________________________
Figura 12: Principais peridicos com publicaes na rea nos ltimos seis anos
Educational Psychology
Anales De Psicologia
0 1 2 3 4 5 6 7 8
O processo foi iniciado com a leitura dos vinte e quatro artigos selecionados na
segunda interao. Inicialmente foi feita a identificao dos objetivos e das
metodologias de cada um dos artigos, selecionando informaes relevantes para
responder cada uma das questes de pesquisa.
63
Captulo 4 Mapeamento sistemtico da Literatura
_________________________________________________________________________________
Modelo terico
Desenvolvimento de software
Desenvolvimento de questionrio
Anlise de Dados
0 2 4 6 8 10 12 14 16 18 20
64
Captulo 4 Mapeamento sistemtico da Literatura
_________________________________________________________________________________
Questionrio
Arquivos de Log
No mencionado
Dados textuais
0 2 4 6 8 10 12
Uma segunda forma de coleta utilizada nos trabalhos foi por meio de arquivos
de log. Os principais trabalhos que utilizaram essa abordagem para coleta de dados
foram Schoor e Bannert (2012); Sabourin, Mott e Lester (2012); Bondareva, Conati, et
al. (2013); Nussbaumer, Hillemann, et al. (2015); SEGEDY, Kinnebrew e Biswas
(2015); Sonnenberg e Bannert (2015); You (2016). A maioria destes trabalhos
utilizaram dados de softwares educacionais, de contedo especfico para e-Learning.
65
Captulo 4 Mapeamento sistemtico da Literatura
_________________________________________________________________________________
Um dos trabalhos que merece destaque o trabalho do You (2016). Este foi o
nico dos trabalhos que utilizou arquivos de log provindos de ambientes de LMS. O
estudo procurou identificar indicadores comportamentais para a aprendizagem
autorregulada em sistemas de LMS como forma de previso de sucesso dos alunos
no trmino de um curso. Para tal, utilizou a regresso linear para construo de
modelos e verificao de variveis significativas. O trabalho possui algumas limitaes
com relao escolha das variveis explicativas. Foram utilizadas apenas variveis
relacionadas a quantidade de acesso, tempos de visualizaes e atraso na entrega
de atividades.
Terceira questo de pesquisa
A terceira questo de pesquisa foi elaborada com o objetivo de identificar quais
as principais tcnicas que esto sendo utilizadas para analisar e mensurar as
caractersticas de SRL? As tcnicas de anlise mais utilizadas foram anlise de
regresso e anlise fatorial, sendo quatro trabalhos que utilizaram regresso linear
(YUKSELTURK e BULUT, 2009), (PARK e LIM, 2015), (YOU, 2016) e quatro trabalhos
que utilizaram anlise fatorial confirmatria (BARNARD, LAN, et al., 2009), (CHO e
JONASSEN, 2009), (ADESOPE, ZHOU e NESBIT, 2015), (ALI, HATALA, et al., 2014).
A maioria dos trabalhos que utilizaram regresso linear como tcnica principal,
tiveram como foco o desenvolvimento de modelos de previso, especificamente
desempenho de alunos. Todos os trabalhos que utilizaram anlise fatorial como
tcnica principal, tiveram como objetivo a validao de questionrios ou a identificao
de pesos ou cargas fatoriais dos construtos de SRL. A Figura 15 apresenta as
principais tcnicas.
Outras
Regresso Linear
Classificao
Anlise de Agrupamento
0 2 4 6 8 10 12 14
66
Captulo 4 Mapeamento sistemtico da Literatura
_________________________________________________________________________________
67
Captulo 4 Mapeamento sistemtico da Literatura
_________________________________________________________________________________
Estatstica
Learning Analytics
Outros
0 1 2 3 4 5 6 7 8 9 10
68
Captulo 4 Mapeamento sistemtico da Literatura
_________________________________________________________________________________
69
Captulo 5 Mtodo da Pesquisa
__________________________________________________________________________
Captulo
5
5. Mtodo da Pesquisa
Neste captulo, explicitamos as etapas do mtodo da pesquisa, relatando a
caracterizao, o entendimento do domnio, o entendimento dos dados, o processo
de preparao dos dados, a fase de modelagem e aplicao de tcnicas de EDM para
descoberta de padres comportamentais de autorregulao da aprendizagem, a
avaliao dos modelos desenvolvidos e, por fim, a concepo, implementao e
avaliao da soluo proposta.
70
Captulo 5 Mtodo da Pesquisa
__________________________________________________________________________
71
Captulo 5 Mtodo da Pesquisa
__________________________________________________________________________
2
www.nead.upe.br
72
Captulo 5 Mtodo da Pesquisa
__________________________________________________________________________
Em seguida foi realizada uma juno dos dados coletados por meio do
questionrio OSLQ (Seo 5.3) e os dados comportamentais dos alunos extrados do
banco de dados da plataforma Moodle do semestre 2014.1. A Figura 19 mostra o fluxo
do processo da identificao das variveis comportamentais significativas.
Aps a juno das bases foi gerada uma tabela de anlise contendo as variveis
de ambas as bases de dados. Em seguida, foi aplicada a tcnica de correlao, com
o objetivo de identificar as variveis comportamentais que mais se correlacionavam
com os construtos de autorregulao da aprendizagem presentes no questionrio.
A funo desta fase foi analisar se a afirmao dos alunos, respondida por meio
do questionrio, teriam relao com o seu comportamento dentro da plataforma de
LMS, onde posteriormente foi escolhido um conjunto de variveis comportamentais,
na base de dados Moodle, que fossem suficientes para representar o fenmeno sem
a necessidade da utilizao de questionrios.
73
Captulo 5 Mtodo da Pesquisa
__________________________________________________________________________
Como produto final desta fase identificamos um conjunto de trinta e trs variveis
comportamentais, armazenadas na plataforma, que representassem o fenmeno de
autorregulao da aprendizagem, possibilitando a eliminao do questionrio,
utilizando apenas o conjunto de variveis comportamentais armazenadas em banco
de dados.
Esta tabela foi construda a partir da juno das bases de dados referente a um
perodo de sete anos de cursos de EAD na instituio.
74
Captulo 5 Mtodo da Pesquisa
__________________________________________________________________________
Desta forma todos os registros da base de dados foram includos em uma nova
tabela. Para tal, foi realizado a construo de um conjunto de scripts SQL (Apndice
D) com o objetivo de extrair as variveis comportamentais mapeadas na fase de
entendimento dos dados. Foi realizada a extrao de trinta e trs variveis agrupadas
por construto de autorregulao da aprendizagem, adicionadas s variveis
relacionadas ao desempenho dos alunos.
Algumas dificuldades foram encontradas durante a fase de seleo dos dados,
tais como: mudana da estrutura relacional nas diversas verses do Moodle, sistemas
de SGBD diversos, divergncia na identificao nica de alunos, alto volume de dados
e divergncia de sintax nos scripts de extrao dos dados, devido s diversas verses
dos sistemas de SGBD.
Aps a extrao das variveis foram aplicados processos de reduo de
variveis, categorizao e limpeza dos dados. Inicialmente foram mapeadas e
coletadas 40 variveis comportamentais de SRL, dos quais 7 variveis foram retiradas
por motivos de autocorrelao e alta presena de frequncia zero.
Posteriormente foi feito uma anlise das disciplinas que tinham comportamento
diferenciado das demais e verificamos que as disciplinas de Estgio Supervisionado
deveriam ser retiradas da base de anlise. Estas disciplinas tinham comportamento
diferenciado e no seguiam o padro de avaliao estabelecido para as demais
disciplinas.
75
Captulo 5 Mtodo da Pesquisa
__________________________________________________________________________
segunda classe notas iguais ou maiores que 4,0. Nesta binarizao o objetivo foi
dividir os grupos de alunos em situao de risco de reprovao direta e alunos com
chance de aprovao.
A terceira categorizao foi tambm do tipo transformao binria, com valores
de notas abaixo de 7,0 para a primeira classe e notas acima de 7,0 para a segunda
classe. Nesta binarizao o objetivo foi dividir os grupos em alunos aprovados direto
e alunos reprovados com chance de recuperao.
Estas trs formas de categorizao foram testadas e validadas na fase de
modelagem e por fim escolhemos a que demonstrou melhores resultados com os
algoritmos de classificao.
5.6 Modelagem
Nesta fase definimos as tcnicas de modelagem de dados, especificamente um
conjunto de algoritmos de classificao, bem como seus ajustes de parmetros. Esta
fase teve como objetivo modelar os padres comportamentais de autorregulao, por
meio de tcnicas de minerao de dados educacionais, utilizando variveis
comportamentais como preditoras do desempenho acadmico dos alunos. A Figura
21 mostra o fluxo do processo de modelagem.
Para esta fase utilizamos uma base de dados com um total de 30.217 alunos,
no qual foi realizada a separao de 21.154 (70%) observaes (alunos) para
treinamento dos modelos de classificao e 9.063 (30%) de observaes (alunos)
para a fase de teste e validao, de acordo com Hair, Black, et al. (2009). Em seguida
a base de treinamento foi utilizada para realizar a modelagem e construo dos
classificadores.
Esta construo dos classificadores foi realizada por meio da tcnica de Cross-
Validation ou validao cruzada. Essa tcnica realiza o particionamento do conjunto
76
Captulo 5 Mtodo da Pesquisa
__________________________________________________________________________
Essa fase ocorreu de forma cclica com a fase anterior (5.5). Em alguns
momentos foi necessrio retornar fase de preparao dos dados para fazer
tratamentos e manipulaes nas variveis originais, afim de obter os melhores
resultados em termos de modelagem.
3
https://cran.r-project.org
77
Captulo 5 Mtodo da Pesquisa
__________________________________________________________________________
78
Captulo 5 Mtodo da Pesquisa
__________________________________________________________________________
79
Captulo 5 Mtodo da Pesquisa
__________________________________________________________________________
5.8.1 Prototipagem
4 https://cran.r-project.org/web/packages/ROCR/ROCR.pdf
5 https://cran.r-project.org/web/packages/plotROC/plotROC.pdf
6 https://cran.r-project.org/web/packages/ggplot2/ggplot2.pdf
80
Captulo 5 Mtodo da Pesquisa
__________________________________________________________________________
7
http://shiny.rstudio.com/
8
http://ramnathv.github.io/rCharts/
9
https://plot.ly/r/
81
Captulo 5 Mtodo da Pesquisa
__________________________________________________________________________
82
Captulo 5 Mtodo da Pesquisa
__________________________________________________________________________
10
http://www.attrakdiff.de/
83
Captulo 5 Mtodo da Pesquisa
__________________________________________________________________________
-3 -2 -1 0 1 2 3
Tcnico Humanizado
Complicado Simples
Impraticvel Prtico
Rebuscado Direto
Imprevisvel Previsvel
Confuso Claramente estruturado
Desorganizado Gerencivel
Qualidade hednica (HQ)
-3 -2 -1 0 1 2 3
Isolador Conectivo
HQ-I. (Identidade)
Amador Profissional
Deselegante Elegante
Inferior Alto Nvel
Segregador Integrador
Afasta-me das pessoas Aproxima-me das pessoas
No apresentvel Apresentvel
Convencional Inventivo
HQ-S. (Estmulo)
Enfadonho Simptico
Rejeitvel Convidativo
Atratividade
Mau Bom
Repulsivo Atrativo
Desmotivador Motivador
Fonte: http://www.attrakdiff.de/
84
Captulo 5 Mtodo da Pesquisa
__________________________________________________________________________
Por fim, realizamos uma anlise grfica comparativa que buscou identificar,
para os 28 itens dos questionrios, as diferenas entre as expectativas dos
professores e suas experincias durante a realizao das tarefas. O teste de
usabilidade, aplicado entre as duas coletas, descrito com mais detalhes a seguir.
Avaliao de Usabilidade
85
Captulo 5 Mtodo da Pesquisa
__________________________________________________________________________
11
https://www.techsmith.com/camtasia.html
86
Captulo 5 Mtodo da Pesquisa
__________________________________________________________________________
: 2 = 0
{ 0 1
1 : 1 2 0
87
Captulo 5 Mtodo da Pesquisa
__________________________________________________________________________
88
Captulo 6 Resultados
_________________________________________________________________________________
Captulo
6
6. Resultados
Neste captulo, explicitamos os resultados do mtodo apresentado no captulo
anterior, bem como as especificaes que foram necessrias para atingir os
resultados e suas respectivas discusses.
89
Captulo 6 Resultados
_________________________________________________________________________________
90
Captulo 6 Resultados
_________________________________________________________________________________
12
http://uab.capes.gov.br/
91
Captulo 6 Resultados
_________________________________________________________________________________
Para a identificao destas variveis foi realizada uma juno dos dados
coletados por meio do questionrio OSLQ (Seo 5.3) e os dados comportamentais
dos alunos extrados do banco de dados da plataforma Moodle do semestre 2014.1.
Ou seja, para todos os alunos que responderam o questionrio, buscou-se os seus
respectivos comportamentos armazenados no banco de dados do sistema de LMS
Moodle.
93
Captulo 6 Resultados
_________________________________________________________________________________
94
Captulo 6 Resultados
_________________________________________________________________________________
13
https://www.postgresql.org/
14
https://www.mysql.com/
95
Captulo 6 Resultados
_________________________________________________________________________________
semestres distribudos ao longo de cinco anos. Ao longo destes anos foram utilizadas
seis instncias de LMS distintas. Para a terceira oferta foram coletados oito semestres.
96
Captulo 6 Resultados
_________________________________________________________________________________
97
Captulo 6 Resultados
_________________________________________________________________________________
98
Captulo 6 Resultados
_________________________________________________________________________________
99
Captulo 6 Resultados
_________________________________________________________________________________
A. Acurcia (bin. <4) B. Acurcia (bin. <7) C. Acurcia (cat. <4 <7 <10)
100
Captulo 6 Resultados
_________________________________________________________________________________
Algoritmos de Classificao
Mtricas de Avaliao
Regresso Logstica rvore de Deciso SVM Naive Bayes
Accuracy 0,893 0,8622 0,8717 0,7312
No Information Rate 0,5561 0,5572 0,5634 0,5596
P-Value [Acc > NIR] < 2,2e-16 < 2,2e-16 <2e-16 < 2,2e-16
Kappa 0,7825 0,7197 0,7388 0,4755
Mcnemar's Test P-Value 3,44E-02 0,000119 0,197 < 2,2e-16
Sensitivity
(Recall) 0,8633 0,8273 0,8474 0,8815
Specificity 0,9167 0,8899 0,8905 0,613
Pos Pred Value 0,8921 0,8566 0,8571 0,6419
(Precision)
Neg Pred Value 0,8936 0,8664 0,8827 0,868
101
Captulo 6 Resultados
_________________________________________________________________________________
0,95
0,9
0,85
0,8
0,75
0,7
0,65
0,6
Accuracy Sensitivity Specificity Pos Pred Value
Outra medida que foi utilizada nesta tese para a escolha do melhor modelo de
classificao foi o clculo da curva ROC. Esta medida visualizada por meio de uma
representao grfica que esclarece o desempenho de um sistema classificador
binrio e, alm disso, permite estudar a variao da sensibilidade e especificidade
para diferentes valores de corte (FAWCETT, 2006).
102
Captulo 6 Resultados
_________________________________________________________________________________
103
Captulo 6 Resultados
_________________________________________________________________________________
105
Captulo 6 Resultados
_________________________________________________________________________________
106
Captulo 6 Resultados
_________________________________________________________________________________
A seguir realizamos outra avaliao, por meio da preciso preditiva, que buscou
verificar o quanto o modelo consegue classificar os estudantes (em desempenho
satisfatrio ou no) de forma correta.
107
Captulo 6 Resultados
_________________________________________________________________________________
preditiva. Para esta fase de avaliao da preciso foi utilizada uma base de teste com
um total de 9.063 observaes, que representou 30% do total de observaes da base
total. A matriz de confuso gerada (Quadro 15) representou os nveis de preciso
preditiva atingidos pelo modelo logstico.
Accuracy : 0.893
95% CI : (0.8864, 0.8993)
No Information Rate : 0.5561
P-Value [Acc > NIR] : < 2.2e-16
Kappa : 0.7825
Mcnemar's Test P-Value : 3.444e-05
Sensitivity : 0.8633
Specificity : 0.9167
Pos Pred Value : 0.8921
Neg Pred Value : 0.8936
Prevalence : 0.4439
Detection Rate : 0.3832
Detection Prevalence : 0.4295
Balanced Accuracy : 0.8900
'Positive' Class : 1
Fonte: Elaborada pelo Autor (2016)
108
Captulo 6 Resultados
_________________________________________________________________________________
109
Captulo 6 Resultados
_________________________________________________________________________________
110
Captulo 6 Resultados
_________________________________________________________________________________
Para esta tese foram prototipados os mdulos de Viso geral dos dados e Anlise de
Desempenho (previso de desempenho), como mostrado na Figura 33.
111
Captulo 6 Resultados
_________________________________________________________________________________
112
Captulo 6 Resultados
_________________________________________________________________________________
Arquitetura
113
Captulo 6 Resultados
_________________________________________________________________________________
medida que uma disciplina finaliza e possvel ter acesso aos registros
comportamentais dos alunos e seus respectivos desempenhos.
Por fim o mdulo de interface responsvel por consumir os resultados do
mdulo de inteligncia e apresentar para o usurio a interface em formato de
dashboard. A seguir apresentamos os resultados de interface relacionados a este
mdulo, onde ser descrito cada um dos componentes e suas respectivas
funcionalidades.
Implementao
115
Captulo 6 Resultados
_________________________________________________________________________________
116
Captulo 6 Resultados
_________________________________________________________________________________
117
Captulo 6 Resultados
_________________________________________________________________________________
118
Captulo 6 Resultados
_________________________________________________________________________________
119
Captulo 6 Resultados
_________________________________________________________________________________
120
Captulo 6 Resultados
_________________________________________________________________________________
121
Captulo 6 Resultados
_________________________________________________________________________________
15
http://www.attrakdiff.de/
122
Captulo 6 Resultados
_________________________________________________________________________________
123
Captulo 6 Resultados
_________________________________________________________________________________
Para uma visualizao mais detalhada sobre cada um dos itens das quatro
categorias de anlise, calculamos os valores mdios dos pares de palavras. A Figura
48 apresenta o grfico comparativo das mdias dos pares de palavras disponibilizados
no questionrio para os usurios.
Este grfico mostra cada um dos 28 itens do questionrio. Em relao
interpretao grfica, podemos afirmar que para a categoria Qualidade Pragmtica
(PQ), dos sete itens do questionrio, quatro deles tiveram mdias maiores em relao
experincia e trs tiveram mdias maiores em relao expectativa.
124
Captulo 6 Resultados
_________________________________________________________________________________
125
Captulo 6 Resultados
_________________________________________________________________________________
atratividade teve trs itens com mdia maior para experincia, trs itens com mdia
maior para expectativa e um item com valor de mdia igual para ambos. importante
destacarmos que todos os pontos (mdias), dos pares de palavras, situaram-se na
regio acima da mdia (acima de zero).
Embora graficamente possamos perceber as diferenas entre expectativas e
experincia do usurios, apenas resultados grficos no so suficientes para
concluirmos sobre a existncia de diferena significativa entre expectativa e
experincia do usurio. Para tal foi necessrio aplicar testes estatsticos com o
objetivo de verificar diferenas significativas do ponto de vista estatstico.
: 2 = 0
{ 0 1
1 : 1 2 0
Para a realizao das anlises optamos por utilizar o Teste de Wilcoxon, com
correo de continuidade, a um nvel de significncia de 5%. Este teste substitui o
teste t de Student para amostras emparelhadas, quando os dados so medidos em
126
Captulo 6 Resultados
_________________________________________________________________________________
escala ordinal baseando-se nos postos (ranks) das diferenas entre pares (CAMPOS,
1987).
Foi necessrio fazer uma transformao na escala das variveis. Foi realizado
uma categorizao de 0 7, permitindo assim a aplicao do teste de Wilcoxon. No
Quadro 17 temos os resultados dos testes de Wilcoxon (p-valor) para cada uma das
amostras pareadas.
127
Captulo 6 Resultados
_________________________________________________________________________________
De acordo com Campos (1987), testes com p-valor acima de 0,05 significam
que a hiptese 0 tende a ser aceita, ou seja, pode-se afirmar que no existiu
diferena significativa entre a expectativa e a experincia dos usurios.
128
Captulo 6 Resultados
_________________________________________________________________________________
129
Captulo 7 Discusses
__________________________________________________________________________
Captulo
7
7. Discusses
Este captulo apresenta as discusses e as implicaes sobre os resultados
alcanados nesta tese. Alm disso, abordamos as descobertas que enriqueceram os
resultados, como tambm suas implicaes no mbito da educao a distncia.
130
Captulo 7 Discusses
__________________________________________________________________________
131
Captulo 7 Discusses
__________________________________________________________________________
132
Captulo 7 Discusses
__________________________________________________________________________
classificao. De acordo com James, Witten, et al. (2013) a escolha das variveis
um dos fatores mais importantes para o sucesso na construo de um classificador.
Por fim, outra varivel que merece destaque, quanto significncia estatstica
a varivel 25. Esta varivel fez parte do construto Gesto do tempo. Esta varivel
buscou extrair o tempo mdio entre a criao de um tpico, no frum, e a primeira
postagem do aluno, ou seja, o tempo que o aluno levou para comear a interagir no
frum da disciplina.
Alm destas trs variveis discutidas, mais vinte variveis fizeram parte do
modelo de previso desenvolvido. Embora tenhamos discutido as trs que tiveram o
133
Captulo 7 Discusses
__________________________________________________________________________
Para esta tese, um dos casos mais crticos de erro de classificao o erro do
tipo (falso positivo), ou seja, prever um aluno na classe de alunos com
desempenho satisfatrio, mas na verdade esse aluno pertenceria a classe de
134
Captulo 7 Discusses
__________________________________________________________________________
A busca por um modelo com alto poder de generalizao, foi justificada pelo
objetivo especfico desta tese, o qual props o desenvolvimento e implementao de
um sistema de previso, como apoio ao professor para tomada de deciso, em relao
previsibilidade do desempenho do aluno, de acordo com seu comportamento auto
regulatrio. A prxima seo mostra uma discusso sobre os resultados do
desenvolvimento desta soluo.
135
Captulo 7 Discusses
__________________________________________________________________________
Essa ferramenta vai facilitar a visualizao dos dados do Moodle que o professor
no consegue entender.
Ns no temos essa cultura de tomar aes antes que as coisas aconteam. Essa
ferramenta nos d essa informao, o professor precisa criar a cultura de, com essa
informao, tomar uma ao. Essa ferramenta deve estar tambm com as pessoas
que se preocupem com a gesto do curso.
Uma vez que este trabalho desenvolveu e avaliou uma soluo de software
com propsitos de utilizao no contexto da educao a distncia, sua evoluo e
validao em contextos reais torna-se uma necessidade. Alm disso, com base neste
trabalho, outros pesquisadores podero se concentrar na aplicabilidade da soluo
para turmas reais e verificar sua robustez e por consequncia a gerao de novos
requisitos, por meio de experimentos de maior durao e com outras instituies de
ensino.
137
Captulo 8 Consideraes Finais
__________________________________________________________________________
Captulo
8
8. Consideraes Finais
O ltimo captulo desta tese apresenta as consideraes finais, dificuldade e
limitaes, contribuies, trabalhos futuros e por fim apresenta as principais
produes cientficas desenvolvidas durante o perodo de doutorado.
8.1 Concluso
Esta tese buscou identificar relao de influncia dos fatores de autorregulao
da aprendizagem no desempenho de alunos pertencentes modalidade de educao
a distncia. Tendo como questo de pesquisa a seguinte indidagao As diferenas
individuais de padres comportamentais de autorregulao da aprendizagem
influenciam o desempenho de alunos na modalidade de EAD?
Para tal realizamos uma busca exaustiva de comportamentos de alunos em
contextos de cursos a distncia que pudessem responder a esta questo de pesquisa,
considerando que existem diferenas significativas nas habilidades de cada aluno em
estabelecer estratgias de autorregulao da aprendizagem.
O uso de tcnicas de minerao de dados educacionais mostrou-se como uma
abordagem satisfatria para o entendimento e mensurao do femmeno em estudo.
Durante as fases e procedimentos desta tese buscamos desenvolver um modelo que
permitisse realizar a previso do desempenho acadmico de estudantes, a partir do
seu comportamento autorregulatrio.
Os achados desta pesquisa contribuiram de forma satisfatria, tanto do ponto
de vista da modelagem, quanto da implementao da soluo de software
desenvolvida, constribuindo para facilitar o acompanhamento e a tomada de deciso
por parte de professores na modalidade de ensino a distncia.
138
Captulo 8 Consideraes Finais
__________________________________________________________________________
Aps a fase de extrao das bases de dados, outra etapa que demandou
bastante esforo foi a identificao de variveis representativas do femmeno em
estudo desta tese. Neste sentido, o processo empregado nesta tese mostra-se como
inovador pois permitiu mapear um conjunto satisfatrio de variveis comportamentais
de autorregulao, armazenadas em plataformas de LMS.
8.3 Contribuies
Durante o desenvolvimento desta tese, diversas contribuies emergiram de
acordo com a execuo do mtodo proposto. Algumas contribuies que merecem
destaque so: (1) Gerao de um conjunto de scripts para extrao de variveis em
plataformas Moodle; (2) Gerao de um conjunto de scripts em R para anlise de
dados e construo de classificadores; e (3) Construo de uma arquitetura de
software de visualizao de dados em Shiny.
139
Captulo 8 Consideraes Finais
__________________________________________________________________________
Por fim, uma das contribuies com grande potencial para replicao em outras
pesquisas foi o desenvolvimento da arquitetura de software e ferramenta de
visualizao de dados, desenvolvida e avaliada nesta tese. Esta aplicao foi
desenvolvida por meio de um processo distribudo e est disponvel no Github
(https://github.com/grupoccte), podendo ser adaptada e evoluda para atender
diversas instituies, bem como ser integrada em diversos sistemas de LMS.
140
Captulo 8 Consideraes Finais
__________________________________________________________________________
N Artigo
RODRIGUES, RODRIGO LINS; RAMOS, J. L. C.; GOMES, A. S.; SEDRAZ SILVA, JOO
CARLOS; MACIEL, A. M. A. Discovering level of participation in MOOCs through clusters
1 analysis. In: IEEE 16th International Conference on Advanced Learning Technologies (ICALT),
2016, Texas, USA. IEEE 16th International Conference on Advanced Learning Technologies
(ICALT), 2016.
RODRIGUES, RODRIGO LINS; SILVA, J. C. S.; RAMOS, J. L. C.; SOUZA, F. F.; GOMES, A.S.
Uma Abordagem de Regresso Mltipla para Validao de Variveis de Autorregulao da
4 Aprendizagem em Ambientes de LMS. In: V Congresso Brasileiro de Informtica na Educao,
2016, Umberlndia. XXVII Simpsio Brasileiro de Informtica na Educao, 2016.
RAMOS, J. L. C.; SILVA, J. C. S.; RODRIGUES, RODRIGO LINS; GOMES, A. S.; SOUZA, F.F.
Mapeamento de dados de um LMS para medida de construtos da distncia transacional. In:
5
V Congresso Brasileiro de Informtica na Educao, 2016, Umberlndia. XXVII Simpsio Brasileiro
de Informtica na Educao, 2016.
ISEPPON, D.; GOMES, A. S.; RODRIGUES, RODRIGO LINS; RAMOS, J. L. C.; SEDRAZ SILVA,
JOO CARLOS. Impact of teaching action on student interaction in virtual learning
6 environments: canonical correlation analysis. In: V Congresso Brasileiro de Informtica na
Educao, 2016, Umberlndia. XXVII Simpsio Brasileiro de Informtica na Educao, 2016.
141
Captulo 8 Consideraes Finais
__________________________________________________________________________
SOARES, F.; RICHARD MACHADO, C. J.; DINIZ, D.; MACIEL, A. M. A.; RODRIGUES, RODRIGO
LINS. Educational Data Mining to support Distance Learning students with difficulties in the
7 Portuguese Grammar. In: V Congresso Brasileiro de Informtica na Educao, 2016,
Umberlndia. XXVII Simpsio Brasileiro de Informtica na Educao, 2016.
SILVA, J. C. S.; GOMES, A. S.; RAMOS, J. L. C.; RODRIGUES, RODRIGO LINS; SOUZA, F. F.
Anlise da efetividade de componente curricular para motivar colaboradores em projetos de
8 Software Pblico. In: V Congresso Brasileiro de Informtica na Educao, 2016, Umberlndia.
XXII Workshop de Informtica na Escola, 2016.
SEDRAZ SILVA, JOO CARLOS; GOMES, A. S.; RAMOS, J. L. C.; SOUZA, F. F.; RODRIGUES,
RODRIGO LINS. Dificuldades e sugestes para a adoo de Software Pblico em atividades
9 acadmicas. In: V Congresso Brasileiro de Informtica na Educao, 2016, Uberlndia. XXVII
Simpsio Brasileiro de Informtica na Educao, 2016.
SOUZA,. V. L.; MELO FILHO, I. J.; GOMES, A. S.; RODRIGUES, RODRIGO LINS. O Processo
de Autoavaliao em Ambientes Colaborativos e sua Relao com a Minerao de Dados
11 Educacionais. In: XXXVI Congresso da Socieadade Brasileira de Computao, 2016, Porto
Alegre/RS. V - Workshop de Desafios da Computao Aplicada Educao, 2016.
SILVA, R.; RAMOS, J. L. C.; RODRIGUES, RODRIGO LINS; GOMES, A. S.; FONSECA, A.
Minerao de dados educacionais na anlise das interaes dos alunos em um Ambiente
12 Virtual de Aprendizagem. In: IV Congresso Brasileiro de Informtica na Educao, 2015, Macei.
Simpsio Brasileiro de Informtica na Educao, 2015.
AMARAL, Y.; RODRIGUES, RODRIGO LINS; MACIEL, A. M. A.; SOARES, F.; GONCALVES, A.
F. D. Analysis of the linearity relation between the tutors actions and the learners interactions
13
in Distance Education courses. In: IV Congresso Brasileiro de Informtica na Educao, 2015,
Macei. Simpsio Brasileiro de Informtica na Educao, 2015.
RAMOS, JORGE LUIS CAVALCANTI; SILVA, JOAO CARLOS SEDRAZ; RODRIGUES, RODRIGO
LINS; GOMES, ALEX SANDRO. Analysis of students' expectations and skills in e-learning. In:
15
2014 9th Iberian Conference on Information Systems and Technologies (CISTI), 2014, Barcelona.
2014 9th Iberian Conference on Information Systems and Technologies (CISTI). p. 1.
142
Captulo 8 Consideraes Finais
__________________________________________________________________________
RAMOS, J. L. C.; RODRIGUES, R. L.; GOMES, A. S.; SILVA, J. C. S. Analisando Fatores que
Afetam o Desempenho de Estudantes Iniciantes em um Curso a Distncia. In: Simpsio
18
Brasileiro de Informtica na Educao, 2014, Dourados. Congresso Brasileiro de Informtica na
Educao, 2014.
ADEODATO, P. J. L.; SANTOS FILHO, M. M.; RODRIGUES, R. L. Predio de desempenho de
escolas privadas usando o ENEM como indicador de qualidade escolar. In: Congresso
19
Brasileiro de Informtica na Educao, 2014, Dourados. Simpsio Brasileiro de Informtica na
Educao, 2014.
RAMOS, J. L. C.; GOMES, A. S.; RODRIGUES, R. L.; SILVA, J. C. S. A literatura brasileira sobre
minerao de dados educacionais. In: Congresso Brasileiro de Informtica na Educao, 2014,
20
Dourados. Workshop de Minerao de Dados em Ambientes Virtuais do Ensino/Aprendizagem,
2014.
SEIXAS, L. R.; GOMES, A. S.; MELO FILHO, I. J.; RODRIGUES, R. L. Gamificacao como
Estrategia no Engajamento de Estudantes do Ensino Fundamental. In: Simpsio Brasileiro de
21
Informtica na Educao, 2014, Dourados. Congresso Brasileiro de Informtica na Educao,
2014.
PERRIS, PAULO A. R.; RODRIGUES, RODRIGO LINS; GOMES, ALEX SANDRO. Concepo de
ferramentas de percepo, representando dados do fluxo de atividades discentes em
22 ambiente colaborativo de aprendizagem. In: XXIV Simpsio Brasileiro de Informtica na
Educao, 2013.
RODRIGUES, RODRIGO LINS; PERRIS, PAULO A. R.; GOMES, ALEX SANDRO. Percepo do
23 uso de jogos integrados ao LMS Amadeus. In: XXIV Simpsio Brasileiro de Informtica na
Educao, 2013.
N Artigo
RAMOS, J. L. C.; SILVA, R.; RODRIGUES, RODRIGO LINS; SEDRAZ SILVA, JOO CARLOS;
1 GOMES, A. S. A Comparative Study between Clustering Methods in Educational Data Mining.
Revista IEEE Amrica Latina, v. 4, p. 34, 2016.
RODRIGUES, RODRIGO LINS; RAMOS, J. L. C.; SEDRAZ SILVA, JOO CARLOS; GOMES, A.
2 S. Discovery engagement patterns MOOCs through cluster analysis. Revista IEEE Amrica
Latina, v. 4, p. 34, 2016.
SEDRAZ SILVA, JOO CARLOS; RODRIGUES, RODRIGO LINS; RAMOS, J. L. C.; SOUZA, F.
4 F.; GOMES, A. S. Educational Data Mining in Oriented Learning Activities. RENOTE. Revista
Novas Tecnologias na Educao, v. 1, p. 1, 2016
RODRIGUES, RODRIGO LINS; RAMOS, J. L. C.; SEDRAZ SILVA, JOO CARLOS; SOUZA, V.
5 L.; GOMES, A. S.; SOUZA, F. F. Systematic mapping about approaches measurement of Self-
Regulated Learning. RENOTE. Revista Novas Tecnologias na Educao, v. 1, p. 1, 2016.
143
Captulo 8 Consideraes Finais
__________________________________________________________________________
RODRIGUES, RODRIGO LINS; RAMOS, J. L. C.; SEDRAZ SILVA, JOO CARLOS; GOMES, A.
S.; TENORIO, A. C.; SOUZA, F. F. Validation of a self-regulated learning measurement
6 instrument in the Brazilian context using confirmatory factor analysis. RENOTE. Revista
Novas Tecnologias na Educao, v. 1, p. 1, 2016.
144
Referncia Bibliogrfica
Unsupported source type (Misc) for source Kam.
ADESOPE, O. O.; ZHOU, M.; NESBIT, J. C. Achievement Goal Orientations and Self-
Reported Study Strategies as Predictors of Online Studying Activities. Journal of
Educational Computing Research, p. 436-458, 2015.
AGRAWAL, R.; IMIELINSKI, T.; SWAMI, A. Mining association rules between sets of
itens in large databases. ACM SIGMOD Conference Management of Data,
Washington, 1993.
AGRAWAL, R.; IMIELINSKI, T.; SWAMI, A. Mining association rules between sets of
itens in large databases. ACM SIGMOD Conference Management of Data,
Washington, 1993.
ALI, L. et al. Leveraging MSLQ Data for Predicting Students Achievement Goal
Orientations. Journal of Learning Analytics, p. 157-160, 2014.
ALLY, M. The Theory and Practice of Online Learning. Edmonton. CA: Athabasca
University Press, 2004.
ANTONENKO, P. D.; TOY, S.; NIEDERHAUSER, D. S. Using cluster analysis for data
mining in educational technology research. Educational Technology Research
and Development, p. 383-398, 2012.
145
ARKSEY, H.; OMALLEY, L. Scoping Studies: Towards A Methodological Framework,
2005.
BAKER, R. S. J. Data mining for education. In: McGaw, B., Peterson, P., Baker, E.
(eds.) International Encyclopedia of Education. Elsevier, Amsterdam, v. 7, n. 3, p.
112118, 2010.
BAVARESCO, J.; ROSA, R. Redes Neurais com Neuralnet e Shiny. In: II Simpsio
de Informtica IFSUL Passo Fundo , Passo Fundo, p. 55-64, 2015.
146
M. Teboulle (Eds.),Grouping multidimensional data. Heidelberg: Springer., p. 25
71, 2006.
BIENKOWSKI, M.; FENG, M.; MEANS, B. Enhancing teaching and learning through
educational data mining and learning analytics: An issue brief. US Department of
Education, Office of Educational Technology, p. 1-57, 2012.
BONDAREVA, D. et al. Inferring learning from gaze data during interaction with an
environment to support self-regulated learning. In Artificial Intelligence in
Education , Springer Berlin Heidelberg, p. 229-238, 2013.
147
na Educao. [S.l.]: [s.n.]. 2012.
CARSON, A. D. Predicting student success from the LASSI for learning online (LLO).
Journal of Educational Computing Research, 2011. 399414.
COLTHORPE, K. et al. Know thy student! Combining learning analytics and critical
148
reflections to develop a targeted intervention for promoting self-regulated learning.
Journal of Learning Analytics, p. 134-15, 2015.
149
EGAN, J. P. Signal detection theory and ROC analysis. Academic Press, New York,
1975.
ESSA, A.; AYAD, H. Student success system: Risk analytics and data visualization
using ensembles of predictive models. In The 2nd International conference on
learning analytics and knowledge, Vancouver, BC, Canada, 2012.
FICHER, C.; MILLER, G. Learning strategies for distance education students. Journal
of Agricultural Education, v. 41, p. 60-68, 2000.
150
GAEVI, D. et al. Externally-facilitated regulation scaffolding and role assignment to
develop cognitive presence in asynchronous online discussions. The Internet and
Higher Education, v. 24, p. 53-65, 2015.
151
HOFFMANN, R. Anlise de regresso: uma introduo econometria. [S.l.]: [s.n.],
2015.
HONG, T. P.; LIN, K. Y.; WANG, S. L. Fuzzy data mining for interesting generalized
association rules. Journal of Fuzzy Sets and systems, v. 2, n. 138, p. 255269,
2003.
KOEDINGER, K. R. et al. A data repository for the EDM community: The PSLC
DataShop. Handbook of educational data mining, p. 43, 2010.
152
Course. Journal of Educators Online, 2014.
LOPEZ, M. I. et al. Classification via Clustering for Predicting Final Marks Based on
Student Participation in Forums. International Educational Data Mining Society,
2012.
153
MEDEIROS, F. et al. Architecture for Social Interactions Monitoring in Collaborative
Learning Environments as a Support for the Teacher's Awareness. In 2013 IEEE
13th International Conference on Advanced Learning Technologies, p. 123-
127, 2013.
MERCERON, A.; YACEF, K. Educational Data Mining: a Case Study. AIED, p. 467-
474, 2005.
MIKUT, R.; REISCHL, M. Data mining tools. Wiley Interdisciplinary Reviews: Data
Mining and Knowledge Discovery, p. 431-443, 2011.
NARL, S.; ZGEN, K.; ALKAN, H. In the context of multiple intelligences theory,
intelligent data analysis of learning styles was based on rough set theory. Learning
and Individual Differences, p. 613-618, 2011.
NUGENT, R.; DEAN, N.; AYERS, E. Skill set profile clustering: the empty K-means
algorithm with automatic specification of starting cluster centers. In Educational
Data Mining, 2010.
154
Cronbach. [S.l.]: Revista Colombiana de Psiquiatra, 2005.
PAI, P. F.; LYU, Y. J.; WANG, Y. M. Analyzing academic achievement of junior high
school students by an improved rough set model. Computers & Education, p. 889-
900, 2010.
PASSOS, E.; GOLDSCHMIDT, R. Data Mining: um guia prtico. Editora Campus, Rio
de Janeiro, 2005.
155
PILATI, R.; LAROS, J. A. Modelos de equaes estruturais em psicologia:
conceitos e aplicaes. [S.l.]: Psicologia: teoria e pesquisa, 2007.
PINTRICH, P. R. et al. Reliability and predictive validity of the Motivated Strategies for
Learning Questionnaire (MSLQ). Educational and psychological measurement,
n. 53(3), p. 801-813, 1993.
PREECE, J.; ROGERS, Y.; SHARP, H. Design de interao. [S.l.]: Bookman, 2005.
RAD, A.; NADERI, B.; SOLTANI, M. Clustering and ranking university majors using
data mining and AHP algorithms: A case study in Iran. Expert Systems with
Applications, p. 755-763, 2011.
156
2013.
ROGERS, Y.; SHARP, H.; PREECE, J. Design de Interao. [S.l.]: Bookman Editora,
2013.
ROMERO, C.; VENTURA, C. Educational data mining: a review of the state of the art.
IEEE Trans. Syst. Man Cybern. Part C Appl. Rev, 2010. 601-618.
157
SABOURIN, J. et al. Predicting student self-regulation strategies in game-based
learning environments. International Conference on Intelligent Tutoring
Systems, Springer Berlin Heidelberg, p. 141-150, 2012.
SCHMITZ, B.; WIESE, B. S. New perspectives for the evaluation of training sessions
in self-regulated learning: Time-series analyses of diary data. Contemporary
Educational Psychology, n. 31(1), p. 6496, 2006.
158
environments, p. 13-48, 2015.
SERDYUKOV, P.; HILL, R. Flying with clipped wings: are students independent in
online college classes? Journal of Research in Innovative Teaching, 2013. 54
67.
SHETH, J.; PATEL, B. Best practices for adaptation of Data mining techniques in
Education Sector. National Journal of System and Information Technology, p.
186, 2010.
159
NACIONAL DE PS-GRADUAO EM ADMINISTRAO, p. 29-45, 2005.
VAN DEN BOOM, G.; PAAS, F.; VAN MERRINBOER, J. J. Effects of elicited
reections combined with tutor or peer feedback on self-regulated learning and
learning out- comes. Learning and Instruction, 2007. 532548.
160
Rio de Janeiro, 2008.
YANTO, I. T. R. et al. Applying variable precision rough set model for clustering student
suffering studys anxiety. Expert Systems with Applications, p. 452-459, 2012.
161
Handbook of SelfRegulation, p. 1339, 2000.
162
Apndices
163
Apndice
A
A: Lista de artigos do mapeamento
sistemtico
164
Development of the human Educational Psychology MH Cho, D Jonassen 2009
interaction dimension of the
Self-Regulated Learning
Questionnaire in asynchronous
online learning environments
Achievement Goal Orientations Journal of Educational Computing OO Adesope, M Zhou, 2015
and Self-Reported Study Research JC Nesbit
Strategies as Predictors of
Online Studying Activities
How Individual Self-Regulation Small Group Research E Panadero, PA 2015
Affects Group Regulation and Kirschner, S Jrvel, J
Performance: A Shared Malmberg
Regulation Intervention
Identifying significant indicators Internet and Higher Education JW You 2016
using LMS data to predict
course achievement in online
learning
MeL: Modelo de adaptacin Anales de Psicologia M Sanchez-Santillan, 2016
dinmica del proceso de MP Paule-Ruiz, R
aprendizaje en eLearning Cerezo
Effects of environmental and Indian Journal of Science and Y Park, K Lim 2015
human constructs on e-learning Technology
effectiveness in online
university settinings
Leveraging MSLQ Data for Journal of Learning Analytics L Ali, M Hatala, D 2014
Predicting Students Gaevi, PH Winne
Know Thy Student! Combining Journal of Learning Analytics K Colthorpe, K 2015
Learning Analytics and Critical Zimbardi, L Ainscough,
S Anderson
A Competence-based Service Journal of Learning Analytics A Nussbaumer, EC 2015
for Supporting Self-Regulated Hillemann, C Gtl, D
Learning Albert
Understanding, evaluating, and Journal of Learning Analytics I Roll, PH Winne 2015
supporting self-regulated
learning
Using Coherence Analysis to Journal of Learning Analytics JR Segedy, JS 2015
Characterize Self-Regulated Kinnebrew, G Biswas
Learning
Discovering the Effects of Journal of Learning Analytics C Sonnenberg, M 2015
Metacognitive Prompts on the Bannert
Sequential Structure of SRL
Identifying significant indicators Journal of Learning Analytics JW You 2015
using LMS data to predict
course achievement
Inferring Learning from Gaze Lecture Notes in Computer D Bondareva, C Conati, 2011
Data during Interaction with an Science R Feyzi-Behnagh, JM
Environment to Support Self- Harley
Regulated Learning
Early Prediction of Student Self- International conference on JL Sabourin, BW Mott, 2012
Regulation Strategies by educational data mining JC Lester
Combining Multiple Models
165
Apndice
B
B: Resultados do Questionrio
OSLQ
A figura abaixo mostra a coleta dos dados do questionrio. Foram coletados dados de
466 responsastes de alunos do NEAD/UPE durante um perodo de dois meses.
166
- 5 Concordo totalmente: 159 (34,12 %)
(4) Eu defino metas que me ajudam com o tempo de estudo
dedicado para os meus cursos distncia.
- 1 Discordo
6 (1,29 %)
totalmente:
- 2: 14 (3,00 %)
- 3: 75 (16,09 %)
- 4: 116 (24,89 %)
- 5 Concordo
255 (54,72 %)
totalmente:
(5) Eu no comprometo a qualidade do meu trabalho porque em
EAD.
- 1 Discordo totalmente: 112 (24,03 %)
- 2: 24 (5,15 %)
- 3: 55 (11,80 %)
- 4: 62 (13,30 %)
- 5 Concordo totalmente: 213 (45,71 %)
(6) Eu escolho o local onde realizo meus estudos para evitar
distraes.
- 1 Discordo
2 (0,43 %)
totalmente:
- 2: 7 (1,50 %)
- 3: 34 (7,30 %)
- 4: 74 (15,88 %)
- 5 Concordo
totalmente: 349 (74,89 %)
(7) Eu procuro um lugar confortvel para estudar.
-1
Discordo 2 (0,43 %)
totalmente:
- 2: 7 (1,50 %)
- 3: 24 (5,15 %)
- 4: 54 (11,59 %)
-5
Concordo 379 (81,33 %)
totalmente:
(8) Eu sei onde posso estudar de forma mais eficiente quando me
dedico a EAD.
- 1 Discordo
4 (0,86 %)
totalmente:
- 2: 10 (2,15 %)
- 3: 36 (7,73 %)
- 4: 91 (19,53 %)
- 5 Concordo
totalmente: 325 (69,74 %)
167
(9) Eu escolho um horrio do dia que tenha poucas distraes
para realizar meus estudos da EAD.
- 1 Discordo
19 (4,08 %)
totalmente:
- 2: 12 (2,58 %)
- 3: 55 (11,80 %)
- 4: 81 (17,38 %)
- 5 Concordo
totalmente: 299 (64,16 %)
(10) Eu tento fazer esquemas e anotaes relacionadas com os
contedos das disciplinas, porque as anotaes so importantes
para aprender em EAD
- 1 Discordo
7 (1,51 %)
totalmente:
- 2: 21 (4,54 %)
- 3: 45 (9,72 %)
- 4: 91 (19,65 %)
- 5 Concordo
299 (64,58 %)
totalmente:
(11) Eu costumo ler os materiais em voz alta para no sofrer
distraes
- 1 Discordo totalmente: 114 (24,46 %)
- 2: 56 (12,02 %)
- 3: 92 (19,74 %)
- 4: 69 (14,81 %)
- 5 Concordo totalmente: 135 (28,97 %)
(12) Eu preparo minhas perguntas antes de entrar nos chats e
fruns de discusses.
- 1 Discordo totalmente: 36 (7,73 %)
- 2: 58 (12,45 %)
- 3: 107 (22,96 %)
- 4: 86 (18,45 %)
- 5 Concordo totalmente: 179 (38,41 %)
(13) Eu realizo questes extra no meu cursos online, alm dos
materiais disponibilizados na plataforma eu pesquiso em outras
fontes.
- 1 Discordo
17 (3,65 %)
totalmente:
- 2: 33 (7,08 %)
- 3: 76 (16,31 %)
- 4: 76 (16,31 %)
- 5 Concordo
264 (56,65 %)
totalmente:
(14) Eu reservo tempo extra para estudar para minhas disciplinas
da EAD.
- 1 Discordo totalmente: 6 (1,29 %)
168
- 2: 35 (7,51 %)
- 3: 84 (18,03 %)
- 4: 107 (22,96 %)
- 5 Concordo totalmente: 234 (50,21 %)
(15) Eu tento agendar o mesmo tempo todos os dias ou todas as
semanas para estudar para meus cursos da EAD, e eu cumpro
com essa programao.
- 1 Discordo totalmente: 40 (8,58 %)
- 2: 47 (10,09 %)
- 3: 136 (29,18 %)
- 4: 116 (24,89 %)
- 5 Concordo totalmente: 127 (27,25 %)
(16) Apesar na modalidade em EAD eu no ter aulas dirias, eu
tentar distribuir meu tempo estudando uniformemente todos os
dias.
- 1 Discordo totalmente: 23 (4,94 %)
- 2: 49 (10,52 %)
- 3: 128 (27,47 %)
- 4: 108 (23,18 %)
- 5 Concordo totalmente: 158 (33,91 %)
(17) Eu procuro algum que sabe do contedo do curso para que
eu possa consultar quando preciso de ajuda.
- 1 Discordo totalmente: 52 (11,16 %)
- 2: 61 (13,09 %)
- 3: 96 (20,60 %)
- 4: 88 (18,88 %)
- 5 Concordo totalmente: 169 (36,27 %)
(18) Eu compartilho meus problemas com os meus colegas para
descobrir como resolver os nossos problemas.
- 1 Discordo totalmente: 23 (4,94 %)
- 2: 43 (9,23 %)
- 3: 84 (18,03 %)
- 4: 81 (17,38 %)
- 5 Concordo
235 (50,43 %)
totalmente:
(19) Quando necessrio, eu tento encontrar meus colegas de
curso presencialmente.
- 1 Discordo
18 (3,86 %)
totalmente:
- 2: 47 (10,09 %)
- 3: 53 (11,37 %)
- 4: 93 (19,96 %)
- 5 Concordo
255 (54,72 %)
totalmente:
169
(20) Eu costumo pedir ajuda ao tutor ou professor atravs de e-
mail ou mensagem via plataforma
- 1 Discordo totalmente: 16 (3,43 %)
- 2: 45 (9,66 %)
- 3: 83 (17,81 %)
- 4: 100 (21,46 %)
- 5 Concordo totalmente: 222 (47,64 %)
(21) Eu costumo fazer um resumo do meu aprendizado para
refletir a minha compreenso do que eu aprendi na disciplina.
- 1 Discordo totalmente: 28 (6,01 %)
- 2: 46 (9,87 %)
- 3: 119 (25,54 %)
- 4: 107 (22,96 %)
- 5 Concordo totalmente: 166 (35,62 %)
(22) Fao questionamentos sobre o material do curso online.
- 1 Discordo totalmente: 39 (8,37 %)
- 2: 73 (15,67 %)
- 3: 132 (28,33 %)
- 4: 96 (20,60 %)
- 5 Concordo totalmente: 126 (27,04 %)
(23) Me comunico com meus colegas para refletir como est meu
andamento no curso.
- 1 Discordo totalmente: 29 (6,22 %)
- 2: 47 (10,09 %)
- 3: 93 (19,96 %)
- 4: 86 (18,45 %)
- 5 Concordo totalmente: 211 (45,28 %)
(24) Me comunico com meus colegas para fazer um comparativo
entre o que estou aprendendo e o que eles esto aprendendo.
- 1 Discordo totalmente: 40 (8,58 %)
- 2: 64 (13,73 %)
- 3: 104 (22,32 %)
- 4: 95 (20,39 %)
- 5 Concordo totalmente: 163 (34,98 %)
170
Apndice
C
C: Panorama de Bases de Dados
Coletadas
171
Apndice
D
D: Documentao de Scripts SQL
172
- Criar view 'num_foruns_nota'
- Criar view 'provas'
- Criar view 'id_alunos'
- Criar view 'id_disciplinas'
- Criar view 'log_reduzido'
*/
173
WHERE p1.parent=0 AND (f.name ILIKE '%temtico%' OR f.name ILIKE
'%Temtico%' OR f.name ILIKE '%Tematico%' OR f.name ILIKE '%tematico%')
ORDER BY disciplina_id,id_forum,id_topico;
174
base.aluno_nome AS "Nome do Aluno",
base.aluno_id AS "ID do Aluno",
COALESCE(VAR01.VAR01,0) AS "VAR01",
COALESCE(VAR02.VAR02,0) AS "VAR02",
COALESCE(VAR03.VAR03,0) AS "VAR03",
COALESCE(VAR04.VAR04,0) AS "VAR04",
COALESCE(VAR05.VAR05,0) AS "VAR05",
COALESCE(VAR06.VAR06,0) AS "VAR06",
COALESCE(VAR07.VAR07,0) AS "VAR07",
COALESCE(VAR08.VAR08,0) AS "VAR08",
COALESCE(VAR09.VAR09,0) AS "VAR09",
COALESCE(VAR10.VAR10,0) AS "VAR10",
-- COALESCE(VAR11.VAR11,0) AS "VAR11",
-- COALESCE(VAR12.VAR12,0) AS "VAR12",
VAR13.VAR13 AS "VAR13",
VAR14.VAR14 AS "VAR14",
COALESCE(VAR15.VAR15,0) AS "VAR15",
COALESCE(VAR16.VAR16,0) AS "VAR16",
COALESCE(VAR17.VAR17,0) AS "VAR17",
COALESCE(VAR18.VAR18,0) AS "VAR18",
COALESCE(VAR19.VAR19,0) AS "VAR19",
COALESCE(VAR20.VAR20,0) AS "VAR20",
COALESCE(VAR21.VAR21,0) AS "VAR21",
COALESCE(VAR22.VAR22,0) AS "VAR22",
COALESCE(VAR23.VAR23,0) AS "VAR23",
COALESCE(VAR24.VAR24,0) AS "VAR24",
VAR25.VAR25 AS "VAR25",
-- COALESCE(VAR26.VAR26,0) AS "VAR26",
-- COALESCE(VAR27.VAR27,0) AS "VAR27",
COALESCE(VAR28.VAR28,0) AS "VAR28",
COALESCE(VAR17.VAR17,0) AS "VAR29",
COALESCE(VAR17.VAR17,0) AS "VAR30",
COALESCE(VAR31.VAR31,0) AS "VAR31",
-- COALESCE(VAR31a.VAR31a,0) AS "VAR31a",
COALESCE(VAR31b.VAR31b,0) AS "VAR31b",
COALESCE(VAR31c.VAR31c,0) AS "VAR31c",
COALESCE(VAR32a.VAR32a,0) AS "VAR32a",
COALESCE(VAR32b.VAR32b,0) AS "VAR32b",
COALESCE(VAR32c.VAR32c,0) AS "VAR32c",
COALESCE(VAR32d.VAR32d,0) AS "VAR32d",
COALESCE(VAR15.VAR15,0) AS "VAR33",
COALESCE(VAR19.VAR19,0) AS "VAR34",
COALESCE(VAR35.VAR35,0) AS "VAR35"
175
GROUP BY b.disciplina_id,b.aluno_id,ip_reduzido) AS temp
GROUP BY temp.disciplina_id, temp.aluno_id) AS VAR01
ON VAR01.disciplina_id = base.disciplina_id AND VAR01.aluno_id =
base.aluno_id
176
WHERE p.parent=0 AND (f.name ILIKE '%duvida%' OR f.name ILIKE
'%dvida%' OR f.name ILIKE '%Duvida%' OR f.name ILIKE '%Dvida%')
GROUP BY b.disciplina_id, b.aluno_id) AS VAR06
ON VAR06.disciplina_id = base.disciplina_id AND VAR06.aluno_id =
base.aluno_id
177
GROUP BY temp.disciplina_id, temp.aluno_id) AS VAR10
ON VAR10.disciplina_id = base.disciplina_id AND VAR10.aluno_id =
base.aluno_id
178
ORDER BY b.course,a.userid ASC,count DESC,"var14" ASC) AS VAR14
ON VAR14.course = base.disciplina_id AND VAR14.userid =
base.aluno_id
179
/* >>>>>>>> SCRIPT DE EXTRAO DA VARIVEL VAR19 <<<<<<<<< OK */
LEFT OUTER JOIN
(SELECT b.disciplina_id, b.aluno_id, count(*) AS "var19"
FROM mdl_forum_posts p
INNER JOIN mdl_forum_discussions d ON d.id = p.discussion
INNER JOIN base b ON d.course=b.disciplina_id AND
p.userid=b.aluno_id AND p.created BETWEEN b.data_inicio and b.data_final
GROUP BY b.disciplina_id, b.aluno_id) AS VAR19
ON VAR19.disciplina_id = base.disciplina_id AND VAR19.aluno_id =
base.aluno_id
180
LEFT OUTER JOIN
(SELECT b.disciplina_id,b.aluno_id, count(*)/26 AS "var24"
FROM base b
INNER JOIN (SELECT * FROM mdl_logstore_standard_log WHERE
action='loggedin') l
ON b.aluno_id=l.userid AND l.timecreated BETWEEN b.data_inicio and
b.data_final
GROUP BY b.disciplina_id,b.aluno_id) AS VAR24
ON VAR24.aluno_id = base.aluno_id AND VAR24.disciplina_id =
base.disciplina_id
181
ON VAR31.aluno_id = base.aluno_id AND VAR31.disciplina_id =
base.disciplina_id
182
LEFT OUTER JOIN
(SELECT b.disciplina_id,b.aluno_id, count(*) AS "var32c"
FROM base b
INNER JOIN (SELECT * FROM mdl_logstore_standard_log WHERE
"action"='loggedin' AND extract(hour from to_timestamp(timecreated)) >=
18 AND extract(hour from to_timestamp(timecreated)) < 24) l
ON b.aluno_id=l.userid AND l.timecreated BETWEEN b.data_inicio and
b.data_final
GROUP BY b.disciplina_id,b.aluno_id) AS VAR32c
ON VAR32c.aluno_id = base.aluno_id AND VAR32c.disciplina_id =
base.disciplina_id
183
- Junes que determinam os valores das variveis para cada aluno
- Ordenar o resultado por curso, semestre, perodo, nome da
disciplina e nome do estudante
- Salvar o resultado no arquivo c:/notas_SRL.csv
*/
184
(SELECT (row_number() OVER(PARTITION BY b.disciplina_id ORDER BY
b.disciplina_id, f.id)) AS id, b.disciplina_id, f.id AS id_forum01
FROM disciplinas b
INNER JOIN mdl_forum f ON b.disciplina_id=f.course AND f.assesstimefinish
BETWEEN b.data_inicio and b.data_final
INNER JOIN mdl_grade_items i ON i.iteminstance=f.id WHERE
i.itemmodule='forum') AS temp
WHERE id=1;
185
(SELECT (row_number() OVER(PARTITION BY b.disciplina_id ORDER BY
b.disciplina_id, f.id)) AS id, b.disciplina_id, f.id AS id_webquest02
FROM disciplinas b
INNER JOIN mdl_assign f ON b.disciplina_id=f.course AND f.duedate BETWEEN
b.data_inicio and b.data_final
INNER JOIN mdl_grade_items i ON i.iteminstance=f.id WHERE
i.itemmodule='assign') AS temp
WHERE id=2;
186
ORDER BY b.disciplina_id,b.aluno_id) AS PROVA01_2CHAMADA
ON PROVA01_2CHAMADA.disciplina_id = base.disciplina_id AND
PROVA01_2CHAMADA.aluno_id = base.aluno_id
187
LEFT OUTER JOIN
(SELECT b.disciplina_id,b.aluno_id,round(g.finalgrade,2) AS
"forum03"
FROM base b
INNER JOIN forum03 f ON b.disciplina_id=f.disciplina_id
INNER JOIN (Select * FROM mdl_grade_items WHERE itemmodule='forum')
i ON i.iteminstance=f.id_forum03
INNER JOIN mdl_grade_grades g ON g.itemid=i.id AND
g.userid=b.aluno_id
ORDER BY b.disciplina_id,b.aluno_id) AS FORUM03
ON FORUM03.disciplina_id = base.disciplina_id AND FORUM03.aluno_id
= base.aluno_id
188
-- Salvar o resultado no arquivo c:/notas_SRL.csv
)
TO 'c:/notas_postgres_SRL.csv' DELIMITER ';' CSV HEADER;
189
Apndice
E
E: Script de Anlise Fatorial
Confirmatria
190
semPaths(fit,"std", rotation = 2, layout = "tree3", nCharNodes = 0,
sizeLat = 12, sizeLat2 = 7,
curvePivot = TRUE, edge.label.cex=1.2, residuals = F)
191
Apndice
F
F: Script Estatsticas Descritivas
Este documento refere-se ao script utilizado para gerar a sumarizao nos dados
utilizados neste tese. Mostra o script de import da base de dados, bem como o script
de sumarizao e a tabela geral sumarizada.
#Carregando dados
dados <- data.frame(read.csv2("baseGeral.csv", header = TRUE, sep = ";",
dec = ","))
dados <- na.exclude(dados[,c(10:46,62)])
nomevariaveis <- colnames(dados)
Tabela sumrio
A tabela abaixo mostra os resultados da sumarizao de todas as variveis:
193
Apndice
G
G: Scripts R para algoritmos de
clasificao
VAR23+VAR24+VAR25+VAR28+VAR31+VAR31b+VAR31c+VAR32a+VAR32b+VAR32c+
VAR32d+VAR33+VAR34+VAR35,data=treinamento, method = "rf",
family=binomial, trControl = tc)
# Sumrio do modelo
summary(modelo)
194
classificacaoProb <- predict(modelo, newdata = teste)
classificacaoBinaria <- ifelse(classificacaoProb > 0.5,1,0)
# Curva ROC
FG <- prediction(classificacaoProb, teste$DESEMPENHO_BINARIO)
pFG <- performance(FG, measure = "tpr", x.measure = "fpr")
plot(pFG,col="blue",lwd=2,main="ROC Curve for Logistic")
abline(a=0,b=1,lwd=2,lty=2,col="gray")
aucFG <- performance(FG, measure ="auc")
aucFG <- aucFG@y.values[[1]]
aucFG
# contruo o modelo
modeloArvoreDecisao<- rpart
(DESEMPENHO_BINARIO~VAR01+VAR02+VAR03+VAR04+VAR05+VAR06+VAR07+VAR08+
VAR09+VAR10+VAR12+VAR13+VAR14+VAR16+VAR17+VAR18+VAR20+VAR21+VAR22+
VAR23+VAR24+VAR25+VAR28+VAR31+VAR31b+VAR31c+VAR32a+VAR32b+VAR32c+
VAR32d+VAR33+VAR34+VAR35,data=treinamento)
# sumarizando o modelo
summary(modeloArvoreDecisao)
# construindo o vetor de predies
classificacaoProb <- predict(modeloArvoreDecisao,teste)
classificacaoBinaria <- ifelse(classificacaoProb > 0.5,1,0)
# Curva ROC
pred <- prediction(classificacaoProb, teste$DESEMPENHO_BINARIO)
perf <- performance(pred, measure = "tpr", x.measure = "fpr")
plot(perf,col="blue",lwd=2,main="ROC Curve for Decision Tree")
abline(a=0,b=1,lwd=2,lty=2,col="gray")
auc <- performance(pred, measure ="auc")
auc <- auc@y.values[[1]]
auc
# construo do modelo
modeloNaiveBayes<-
naiveBayes(DESEMPENHO_BINARIO~VAR01+VAR02+VAR03+VAR04+VAR05+VAR06+VAR07+V
AR08+VAR09+VAR10+VAR12+VAR13+VAR14+VAR16+VAR17+VAR18+VAR20+VAR21+VAR22+
VAR23+VAR24+VAR25+VAR28+VAR31+VAR31b+VAR31c+VAR32a+VAR32b+VAR32c+
VAR32d+VAR33+VAR34+VAR35,data=treinamento)
# sumarizando o modelo
summary(modeloNaiveBayes)
# construindo o vetor de predies e adicionando a base de teste
classificacaoProb <- predict(modeloNaiveBayes,teste, type = "raw")
classificacaoProb <- classificacaoProb[,2]
classificacaoBinaria <- ifelse(classificacaoProb > 0.5,1,0)
# Curva ROC
pred <- prediction(classificacaoProb, teste$DESEMPENHO_BINARIO)
perf <- performance(pred, measure = "tpr", x.measure = "fpr")
plot(perf,col="blue",lwd=2,main="ROC Curve for Naive Bayes")
abline(a=0,b=1,lwd=2,lty=2,col="gray")
auc <- performance(pred, measure ="auc")
auc <- auc@y.values[[1]]
auc
196
# sumarizando o modelo
summary(modeloSVM)
# construindo o vetor de predis e adicionando a base de teste
classificacaoProb <- predict(modeloSVM,newdata=teste,type="response")
classificacaoBinaria <- ifelse(classificacaoProb > 0.5,1,0)
# Curva ROC
pred <- prediction(classificacaoProb, teste$DESEMPENHO_BINARIO)
perf <- performance(pred, measure = "tpr", x.measure = "fpr")
plot(perf,col="blue",lwd=2,main="ROC Curve for SVM")
abline(a=0,b=1,lwd=2,lty=2,col="gray")
auc <- performance(pred, measure ="auc")
auc <- auc@y.values[[1]]
auc
197
Apndice
H
H: Tabelas comparativas da
Regresso Logstica
198
3 Semestre 0.8744 0.9250426 Letras 0.841 0.8985874
4 Semestre 0.8439 0.9266285 Administrao 0.8936 0.9567689
5 Semestre 0.8573 0.9182223 Todos 0.8642 0.932377
6 Semestre 0.9237 0.9607981
7 Semestre 0.9311 0.968108
8 Semestre 0.893 0.9465806
Todos 0.8642 0.932377
199
Apndice
I
I: Comparativo entre
classificadores
M1: Comparao entre classificadores binrios, onde a binalizao foi feita 1 (alunos
com notas abaixo de 4,0) e 0 (alunos com notas acima de 4,0)
Mtricas de Avaliao (M1) Regresso Logstica rvore de Deciso SVM Naive Bayes
Accuracy 0,893 0,8622 0,8717 0,7312
No Information Rate 0,5561 0,5572 0,5634 0,5596
P-Value [Acc > NIR] < 2,2e-16 < 2,2e-16 <2e-16 < 2,2e-16
Kappa 0,7825 0,7197 0,7388 0,4755
Mcnemar's Test P-Value 3,44E-02 0,000119 0,197 < 2,2e-16
Sensitivity 0,8633 0,8273 0,8474 0,8815
Specificity 0,9167 0,8899 0,8905 0,613
Pos Pred Value 0,8921 0,8566 0,8571 0,6419
Neg Pred Value 0,8936 0,8664 0,8827 0,868
Prevalence 0,4439 0,4428 0,4366 0,4404
Detection Rate 0,3832 0,3663 0,37 0,3882
Detection Prevalence 0,4295 0,4277 0,4316 0,6048
Balanced Accuracy 0,8900 0,8586 0,8689 0,7472
ROC 0,9574502 0,915771 0,9291459 0,8850649
M2: Comparao entre classificadores binrios, onde a binalizao foi feita 1 (alunos
com notas abaixo de 7,0) e 0 (alunos com notas acima de 7,0)
200
Specificity 0,4853 0,6294 0,5772 0,4632
Pos Pred
Value 0,8539 0,8842 0,8728 0,8373
Neg Pred
Value 0,6245 0,6577 0,6784 0,499
Prevalence 0,7674 0,7595 0,7605 0,7634
Detection
Rate 0,6995 0,6807 0,6949 0,6534
Detection
Prevalence 0,8193 0,7698 0,7962 0,7804
Balanced
Accuracy 0,6984 0,7628 0,7455 0,6595
ROC 0,8822181 0,8965511 0,8780679 0,826732
Mtricas de
Avaliao Regresso Logstica rvore de Deciso
Accuracy 0,7452 0,7162
95% CI (0,7315, 0,7533) (0,7068, 0,7255)
No
Information 0,4566 0,4365
Rate
P-Value
[Acc > NIR] < 2,2e-16 < 2,2e-16
Kappa 0,6312 0,5635
Mcnemar's Test
P-Value 2,07E-03 1,565E-08
Classes 1,Class[0<4] 2,Class[4<7] 3,Class[7<=10] 1,Class[0<4] 2,Class[4<7] 3,Class[7<=10]
201
Specificity 0,893 0,8329 0,87 0,6414 0,793 0,90852
Pos
Pred Value 0,8604 0,6077 0,64 0,6541 0,4538 0,56211
Neg
Pred Value 0,8898 0,7943 0,91 0,8665 0,733 0,81134
Prevalence 0,4351 0,3219 0,24 0,4372 0,3155 0,24738
Detection Rate 0,3726 0,1755 0,18 0,3816 0,1177 0,08838
Detection
Prevalence 0,4331 0,2889 0,28 0,5834 0,2594 0,15723
Balanced
Accuracy 0,8747 0,6892 0,8 0,7571 0,5831 0,63289
202
Apndice
J
J: Comparativo Curva ROC entre
classificadores
203
# Criao do Modelo ArvoreDecisao
modeloArvoreDecisao<-ctree(DESEMPENHO_BINARIO~VAR01+VAR02+VAR03+VAR04+VAR
05+VAR06+VAR07+VAR08+
VAR09+VAR10+VAR12+VAR13+VAR14+VAR16+VAR17+VAR18+VAR20+VAR21+VAR22+
VAR23+VAR24+VAR25+VAR28+VAR31+VAR31b+VAR31c+VAR32a+VAR32b+VAR32c+
VAR32d+VAR33+VAR34+VAR35,data=treinamento)
4. Avaliando o classificador
# Gerando o vetor de probabilidades para o algoritmo SVM
classificacaoProbSVM <- predict(modeloSVM,newdata=teste,type="response")
204
205
Apndice
L
L: Casos de Uso e Prottipos
206
13 O professor poder selecionar os grupos de variveis que ser mostrado
(busca por ajuda, gesto do tempo, estrutura do ambiente,
autoavaliao, tarefas, metas) de acordo com o dicionrio.
Fluxo Alternativo
Passos Aes
1.1 Se o professor selecionar qualquer um dos trs mdulos o sistema
dever setar (Curso, Perodo e Disciplina) como o primeiro curso da
base, o primeiro perodo da base e a primeira disciplina.
13.1 Caso o professor selecione Insatisfatrio mostrar apenas as barras
referente ao grupo insatisfatrio, caso o usurio selecione satisfatrio
ser mostrado apenas as barras referente ao grupo satisfatrio.
207
Casos de Uso 2: Mdulo Indicadores
Fluxo Principal de Eventos
Passos Aes
1 O Usurio seleciona o mdulo ao qual deseja fazer utilizao. Tendo as
opes entre: Viso geral dos dados e Anlise de Desempenho.
2 O Usurio seleciona o perodo ao qual deseja informaes
3 O Usurio Seleciona a Disciplina a qual deseja informaes
4 O Usurio visualizar o grfico da figura 1 por default a primeira aba
(Geral)
5 O Usurio Clica na aba 2 (Indicadores)
6 O Usurio visualizar um grfico com a primeira varivel da tabela
Indicadores. No rodap de todos os grficos deve ter uma observao
Clique e arraste sobre uma regio para Zoom.
7 Ao passar o mouse em cima de alguma bolha aparecer um hit com o
nome do aluno, valor desse indicador para o aluno, valor mnimo [min(x)],
valor mximo [max(x)], e mdia [mean(x)] da varivel na disciplina
selecionada.
8 O usurio poder selecionar na tabela de indicadores (Figura 1 - direita)
qual indicador deseja mostrar no grfico, para isto, a tabela dever ser
um objeto reativo trocando informaes com o grfico.
9 Ao selecionar a varivel na tabela de indicadores, dever ser plotado o
grfico, com o ttulo referente a descrio da varivel.
10 Ao selecionar um aluno, a bolha que o representa tambm ser
destacada no grfico, com seu respectivo hit.
11 O Usurio seleciona o mdulo Anlise de Desempenho.
208
12 Ao selecionar as informaes aparecer uma tela [figura 2] contendo
dois objetos visuais (valueBox), que sero carregados
progressivamente, com os percentuais de alunos na classe 0
(Satisfatrio) e da classe 1 (Insatisfatrio), de acordo com a varivel
(DESEMPENHO_BINARIO) da base.
11 Aparecer o componente tabBox que servir de container para exibir o
grfico. O tabBox dever ter trs abas (figura 2)
12 O Usurio poder selecionar Insatisfatrio, satisfatrio ou ambos.
Fluxo Alternativo
Passos Aes
1.1 Se o Usurio selecionar qualquer um dos trs mdulos o sistema dever
setar (Curso, Perodo e Disciplina) como o primeiro curso da base, o
primeiro perodo da base e a primeira disciplina.
12.1 Caso o Usurio selecione Insatisfatrio mostrar apenas as bolhas
referente ao grupo insatisfatrio, caso o usurio selecione satisfatrio
ser mostrado apenas as barras referente ao grupo satisfatrio. Ambas
as opes tambm podem ser selecionadas. Idem para a ao 17
(Evaso).
209
Casos de Uso 3: Mdulo por Alunos
Fluxo Principal de Eventos
Passos Aes
1 O professor seleciona o mdulo ao qual deseja fazer utilizao. Tendo
as opes entre: Viso geral dos dados e Anlise de Desempenho
2 O Professor seleciona o perodo ao qual deseja informaes
3 O professor Seleciona a Disciplina a qual deseja informaes
4 O professor visualizar o grfico da figura 1 por default a primeira aba
(Geral)
5 Ao passar o mouse em cima de qualquer bolinha no grfico aparecer
um hit com informaes sobre Descrio da varivel (indicador), valor
do aluno, valor mnimo [min(x)], valor mximo [max(x)], e mdia [mean(x)].
6 O usurio poder selecionar na tabela Alunos qual aluno deseja mostrar
no grfico, para isto, a tabela dever ser um objeto reativo trocando
informaes com o grfico.
7 Ao selecionar um aluno na tabela reativa, dever ser plotado o grfico,
com o ttulo referente ao nome do aluno.
8 O professor seleciona o mdulo Anlise de Desempenho.
9 Ao selecionar as informaes aparecer uma tela [figura 2] contendo
dois objetos visuais com os percentuais de alunos na classe 0
(Satisfatrio) em verde e da classe 1 (Insatisfatrio) em vermelho, de
acordo com a varivel (DESEMPENHO_BINARIO) da base.
10 Aparecer o componente tabBox que servir de container para exibir o
grfico. O tabBox dever ter trs abas (figura 2)
11 O professor poder selecionar clicando na legenda somente satisfatrio,
somente a frequncia do aluno, ambos ou nenhum.
210
12 O professor poder selecionar os grupos de variveis que sero
mostrados (busca por ajuda, gesto do tempo, estrutura do ambiente,
autoavaliao, tarefas, metas) de acordo com o dicionrio.
Fluxo Alternativo
Passos Aes
1.1 Se o professor selecionar qualquer um dos trs mdulos o sistema
dever setar (Curso, Perodo e Disciplina) como o primeiro curso da
base, o primeiro perodo da base e a primeira disciplina.
11.1 Caso o professor selecione Insatisfatrio mostrar apenas as barras
referente ao grupo insatisfatrio, caso o usurio selecione satisfatrio
ser mostrado apenas as bolinhas referente mdia do grupo
satisfatrio.
211
212
Apndice
M
M: Roteiro da Avaliao de
Usabilidade
213
5 - Resposta a um breve questionrio sobre as expectativas dos usurios quanto
aplicao, conforme prottipos apresentados.
6 - Apresentao da aplicao: Viso Geral dos Dados e Anlise de Desempenho.
7 - Execuo de algumas tarefas utilizando a aplicao.
8 - Resposta a um breve questionrio sobre as experincias dos usurios quanto
aplicao.
Durante todo o experimento, um aplicador poder esclarecer dvidas gerais. Por
questes da anlise posterior da execuo das tarefas, a ajuda se limitar a esclarecer
pontos relacionados com a interpretao da tarefa e no da sua execuo.
Antes de iniciarmos o experimento, ser necessrio ler e assinar o Termo de
Consentimento Livre e Esclarecido de participao, onde esto expressas as
diretrizes e recomendaes acerca dos procedimentos a serem utilizados antes,
durante e aps o experimento.
A execuo das tarefas a seguir ser toda gravada para anlises posteriores, por isso,
o voluntrio deve, sempre que possvel, falar sobre o procedimento adotado, dvidas
que surgirem, resultados obtidos etc.
Antes de comear o teste voc ter 2 minutos para explorar vontade a aplicao.
Aps esse tempo, voc receber as tarefas a serem realizadas na aplicao.
214
[MDULO ANLISE DE DESEMPENHO - ABA ALUNOS]
a) Selecione o curso de Letras, 6 Perodo, disciplina Literatura Brasileira III, no construto
GESTO DO TEMPO. Em seguida, procure a aluna Eveline <sobrenome omitido> e
6
identifique os dois indicadores que a aluna se encontra em pior situao entre a
frequncia da aluna e a mdia da turma;
b) Fale quais aes pedaggicas devem ser realizadas em razo deste resultado.
215
Anexos
216
Anexo
A
A: Questionrio OSLQ
217
Anexo
B
B: Questionrio da Experincia do
usurio (UX)
Fonte: http://www.attrakdiff.de/
Qualidade pragmtica
-3 -2 -1 0 1 2 3
Qualidade Pragmtica
Tcnico Humanizado
Complicado Simples
Impraticvel Prtico
Embaraoso Claro
Imprevisvel Previsvel
Confuso Claramente estruturado
Desorganizado Gerencivel
Qualidade hednica
-3 -2 -1 0 1 2 3
Isolador Conectivo
Q. H. (Identidade)
Amador Profissional
Desalinhado Elegante
Superficial Abrangente
Isolador Integrador
Afasta-me das pessoas Aproxima-me das pessoas
No apresentvel Apresentvel
Convencional Inventivo
Sem imaginao Criativo
Q. H (Estmulo)
Cauteloso Arrojado
Conservador Inovador
Entediante Cativante
Pouco exigente Desafiador
Comum Original
Atratividade
-3 -2 -1 0 1 2 3
Atratividade
Desagradvel Agradvel
Feio Atraente
Enfadonho Simptico
218
Desinteressante Convidativo
Mau Bom
Repulsivo Atrativo
Desmotivador Motivador
219