Formação de Grupos Heterogêneos de Estudantes para Aplicação de Práticas Ativas de Aprendizagem
DOI:
https://doi.org/10.5753/rbie.2023.2591Keywords:
Aprendizagem ativa, Grupos heterogêneos, Aprendizado de máquina, Agrupamento, Suporte docente, Taxonomia de BloomAbstract
Diante do atual panorama educacional brasileiro, de altos índices de reprovação e de ainda recorrentes práticas tradicionais associadas à pedagogia bancária, alternativas baseada em práticas ativas de aprendizagem têm se revelado poderosas ferramentas de engajamento, interatividade e até mesmo de melhoria do rendimento escolar de estudantes. Isso ocorre também em cenários onde uma turma de estudantes se caracteriza por sua heterogeneidade, seja em termos cognitivos, de interações, aprendizagem ou com relação a outros aspectos. Nessa perspectiva, este trabalho propõe uma abordagem, denominada ActivePlan, que objetiva identificar os perfis cognitivos e interacionais de estudantes em uma turma e, com base neles, formar grupos heterogêneos. A ideia é: (i) agrupar estudantes por similaridades cognitivas e interacionais, com vistas ao reconhecimento de conhecimentos comuns e (ii) formar grupos com perfis heterogêneos de estudantes com vistas a algumas Práticas Ativas de Aprendizagem (PAA). A abordagem faz uso de um método de aprendizado de máquina não supervisionado e propõe um algoritmo adaptado para a formação de grupos heterogêneos para algumas PAAs. A abordagem foi avaliada com base em dados reais de estudantes em turmas do ensino técnico integrado ao médio, considerando a PAA denominada Trezentos. Grupos com conhecimentos comuns associadas ao desempenho dos estudantes (e.g., desempenho muito alto, desempenho baixo) foram obtidos na primeira fase da abordagem. Por meio dessas competências comuns identificadas, grupos com perfis mistos de estudantes compatíveis com a prática Trezentos foram gerados. A média de valor da métrica diversidade para os 24 grupos formados indica uma composição realmente heterogênea no tocante aos perfis esperados de estudantes à prática Trezentos.
Downloads
Referências
Anderson, L. W., & Krathwohl, D. R. (2001). A taxonomy for learning, teaching, and assessing: A revision of Bloom's taxonomy of educational objectives. Longman. [GS Search]
Bacich, L., & Moran, J. (2018). Metodologias ativas para uma educação inovadora: uma abordagem teórico-prática. Penso Editora. [GS Search]
Baker, R., Isotani, S., & Carvalho, A. (2011). Mineração de dados educacionais: Oportunidades para o Brasil. Revista Brasileira de Informática na Educação, 19(02), 03. doi:10.5753/rbie.2011.19.02.03. [GS Search]
Bollela, V. R., Senger, M. H., Tourinho, F. S. V., & Amaral, E. (2014). Aprendizagem baseada em equipes: da teoria à prática. Medicina (Ribeirão Preto), 47(3), 293-300. doi: 10.11606/issn.2176-7262.v47i3p293-300. [GS Search]
Cabral, M. M. W. (2019). A utilização da taxonomia de Bloom no processo de ensino–aprendizado para alunos do ensino superior. Revista Calafiori, 3(1), 32-38. [GS Search]
Costa, N., Júnior, C. P., & Fernandes, M. (2019, November). Recomendação de ações pedagógicas utilizando planejamento automático e taxonomia digital de Bloom. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE) (Vol. 30, No. 1, p. 1531). doi:10.5753/cbie.sbie.2019.153. [GS Search]
Costa, N. T., & Fernandes, M. A. (2021). Sequenciamento de Ações Pedagógicas baseadas na Taxonomia de Bloom usando Planejamento Automatizado apoiado por Algoritmo Genético. Revista Brasileira de Informática na Educação, 29, 485-501. doi:10.5753/rbie.2021.29.0.485. [GS Search]
Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2000). CRISP-DM 1.0: Step-by-step data mining guide. SPSS inc, 9, 13. [GS Search]
Chanamarn, N., & Tamee, K. (2017). Enhancing Efficient Study Plan for Student with Machine Learning Techniques. International Journal of Modern Education & Computer Science, 9(3). [GS Search]
Dalcin, E., Abegg, I., & Ceretta, P. S. (2021). O uso de tecnologias digitais no processo de ensino e aprendizagem no moodle: um mapeamento sistemático da literatura. Revista Tecnologias Educacionais em Rede (ReTER), 2(3), 8-01. doi:10.5753/cbie.sbie.2019.1531. [GS Search]
Dutt, A., Ismail, M. A., & Herawan, T. (2017). A systematic review on educational data mining. Ieee Access, 5, 15991-16005. doi:10.1109/ACCESS.2017.2654247. [GS Search]
Fragelli, R. (2019). Método trezentos: Aprendizagem ativa e colaborativa, para além do conteúdo. Penso Editora. [GS Search]
França, R. S., & do Amaral, H. J. C. (2013). Mineração de dados na identificação de grupos de estudantes com dificuldades de aprendizagem no ensino de programação. RENOTE, 11(1). doi:10.22456/1679-1916.41634. [GS Search]
Ferreira, Gislaine Rossetti Madureira. Modelo de combinação socioafetiva: um foco na formação de grupos para um ambiente virtual de aprendizagem. 2021. [GS Search]
Galhardi, A. C., & Azevedo, M. M. D. (2013, October). Avaliações de aprendizagem: o uso da taxonomia de Bloom. In Anais do VII Workshop Pós-graduação e Pesquisa do Centro Paula Souza, São Paulo (Vol. 1, No. 1, pp. 237-247). [GS Search]
Harrington, P. (2012). Machine learning in action. Simon and Schuster. [GS Search]
Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques Third Edition [M]. The Morgan Kaufmann Series in Data Management Systems, 5(4), 83-124. [GS Search]
Hackeling, G. (2017). Mastering Machine Learning with scikit-learn. Packt PublishingLtd. [GS Search]
INEP - INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS ANÍSIO TEIXEIRA (2020). Sinopses Estatísticas da Educação Superior – Graduação. Brasília: INEP, 2020. Acedido em 10 de outubro de 2020. Disponível em [Link]
Krathwohl, D. R. (2002). A revision of Bloom's taxonomy: An overview. Theory into practice, 41(4), 212-218. [GS Search]
Kuo, C. C., Glover, F., & Dhir, K. S. (1993). Analyzing and modeling the maximum diversity problem by zero-one programming. Decision Sciences, 24(6), 1171-1185. doi:10.1111/j.1540-5915.1993.tb00509.x [GS Search]
Kelvin, T., Leandro, F., Fagundes, R., & Freitas, E. (2021, November). Políticas para Adoção de Learning Analytics: Uma Proposta Baseada nas Opiniões dos Estudantes. In Anais do XXXII Simpósio Brasileiro de Informática na Educação (pp. 885-896). SBC. doi:10.5753/sbie.2021.218599. [GS Search]
Lima, R. W. D. (2009). Mapa de Conteúdos e Mapa de Dependências: ferramentas pedagógicas para uma metodologia de planejamento baseada em objetivos educacionais e sua implementação em um ambiente virtual de aprendizagem. Natal: UFRN. 106p. Tese de Doutorado. [GS Search]
Maina, E. M., Oboko, R. O., & Waiganjo, P. W. (2017). Using machine learning techniques to support group formation in an online collaborative learning environment. International Journal of Intelligent Systems & Applications, 9(3), 26-33. doi:10.5815/ijisa. [GS Search]
Macêdo, P. H., Santos, W. B., & Maciel, A. M. (2020). Análise de perfis de engajamento de estudantes de ensino a distância. RENOTE, 18(2), 326-335. [GS Search]
Martínez-Plumed, F., Contreras-Ochando, L., Ferri, C., Hernandez- Orallo, J.,Kull, M., Lachiche, N. J. A. H., Ramírez-Quintana, M. J., & Flach, P. A. (2019). CRISP-DM Twenty Years Later: From Data Mining Processes to Data Science Trajectories. IEEE Transactions on Knowledge and Data Engineering. doi:10.1109/TKDE.2019.2962680. [GS Search]
Mazur, E. (2015). Peer Instruction: a revolução da aprendizagem ativa. Penso Editora. [GS Search]
Morais, I. R. D., Garcia, T. C. M., Rêgo, M. C. F. D., Zaros, L. G., & Gomes, A. V. G. (2020). Ensino remoto emergencial: orientações básicas para elaboração do plano de aula. [GS Search]
Monteverde, I., Amaral, G., Ramos, D., do Nascimento, P., Gadelha, B., & Oliveira, E. (2017, October). M-cluster: Uma ferramenta de recomendação para formação de grupos em ambientes virtuais de aprendizagem. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE) (Vol. 28, No. 1, p. 1657). doi:10.5753/cbie.sbie.2017.1657. [GS Search]
Monteverde, I., Ramos, D., Amaral, G., Gadelha, B., & Oliveira, E. (2018, October). Framework Conceitual para Formação de Grupos de Alunos utilizando Trilhas de Aprendizagem em um Ambiente Virtual de Aprendizagem. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE) (Vol. 29, No. 1, p. 1673). doi:10.5753/cbie.sbie.2018.1673. [GS Search]
Moran, J. (2015). Mudando a educação com metodologias ativas. Coleção mídias contemporâneas. Convergências midiáticas, educação e cidadania: aproximações jovens, 2(1), 15-33. [GS Search]
Moran, J. M. (2007). A educação que desejamos: novos desafios e como chegar lá. Papirus Editora. [GS Search]
Moubayed, A., Injadat, M., Shami, A., & Lutfiyya, H. (2020). Student engagement level in an e-learning environment: Clustering using k-means. American Journal of Distance Education, 34(2), 137-156. doi:10.1080/08923647.2020.1696140. [GS Search]
Neto, V. S., Feitosa, R. M., Pinheiro, D. N., Lima, M. L., & Labidi, S. (2016, February). Data Mining to Identify Learning Groups with Difficulties in Programming Education. In The International Conference on Innovations in Intelligent Systems and Computing Technologies (ICIISCT2016) (p. 1). [GS Search]
Nalli, G., Amendola, D., Perali, A., & Mostarda, L. (2021). Comparative Analysis of Clustering Algorithms and Moodle Plugin for Creation of Student Heterogeneous Groups in Online University Courses. Applied Sciences, 11(13), 5800. doi:10.3390/app11135800. [GS Search]
OCDE. Pisa 2018. Paris, 2019. Disponível em: https://www.oecd-ilibrary.org/education/. Acesso em: 20 out. 2020.
Oliveira, P. L. S., Rodrigues, R. L., Ramos, J. L. C., & Silva, J. C. S. (2022). Identificação de Pesquisas e Análise de Algoritmos de Clusterização para a Descoberta de Perfis de Engajamento. Revista Brasileira de Informática na Educação, 30, 01-19. doi:10.5753/rbie.2022.2508. [GS Search]
Oliveira, P. L. S., Rodrigues, R. L., Ramos, J. L. C., & Silva, J. C. S. (2020, November). Uma Análise de Algoritmos de Clusterização para Descoberta de Perfis de Engajamento. In Anais do XXXI Simpósio Brasileiro de Informática na Educação (pp. 1012-1021). SBC. doi:10.5753/cbie.sbie.2020.1012. [GS Search]
Oliveira, M., Nogueira, M., & Oliveira, E. (2015, July). Sistema de apoio à prática assistida de programação por execução em massa e análise de programas. In Anais do XXIII Workshop sobre Educação em Computação (pp. 90-99). SBC. doi:10.5753/wei.2015.10225. [GS Search]
Oliveira, M. G., Neves, A., Lopes, M. F. S., Medeiros, H. F., Andrade, M. B., & Reblin, L. L. (2018). Um curso de programação a distância com metodologias ativas e análise de aprendizagem por métricas de software. RENOTE, 15(1). doi:10.22456/1679-1916.75143. [GS Search]
Oyelade, O. J., Oladipupo, O. O., & Obagbuwa, I. C. (2010). Application of k Means Clustering algorithm for prediction of Students Academic Performance. doi:10.48550/arXiv.1002.2425. [GS Search]
Perrenoud, P. (2015). Dez novas competências para ensinar. Artmed editora. [GS Search]
Pereira, P., Cunha, J. L., Sales, G., & Freire, A. (2018, October). Análise de perfis de interação de alunos no ambiente virtual Moodle via agrupamento hierárquico. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE)(Vol.29,No.1,p.1413). doi:10.5753/cbie.sbie.2018.1413 [GS Search]
Pereira, A. J., Gomes, A. S., Primo, T. T., da Silva, R. M. A., Rodrigues, R. L., de Campos Filho, A. S., ... & de Melo Júnior, R. P. (2021, November). Identificação e caracterização de níveis de interação no ensino remoto de emergência na Educação Básica. In Anais do XXXII Simpósio Brasileiro de Informática na Educação (pp. 145-156).SBC. doi:10.5753/sbie.2021.218498. [GS Search]
Pimentel, E. P., de França, V. F., & Omar, N. (2003, November). A identificação de grupos de aprendizes no ensino presencial utilizando técnicas de clusterização. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE) (Vol. 1, No. 1, pp. 495-504). doi:10.5753/cbie.sbie.2003.495-504. [GS Search]
Rousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53–65. DOI:10.1016/0377-0427(87)90125-7. doi:10.1016/0377-0427(87)90125-7. [GS Search]
Romero, C., Romero, J. R., & Ventura, S. (2013). A survey on pre-processing educational data. In Educational data mining (pp. 29-64). Springer, Cham. doi:10.1007/978-3-319-02738-8_2. [GS Search]
Ramos, J. L. C., e Silva, R. E. D., Silva, J. C. S., Rodrigues, R. L., & Gomes, A. S. (2016). A comparative study between clustering methods in educational data mining. IEEE Latin America Transactions, 14(8), 3755-3761. doi:10.1109/TLA.2016.7786360. [GS Search]
Ramos, J. L. C., Santos, L. F. L., Silva, J. C. S., & Rodrigues, R. L. (2020, November). Identificação de perfis de interação de estudantes de educação a distância por meio de técnicas de agrupamentos. In Anais do XXXI Simpósio Brasileiro de Informática na Educação (pp. 932-941). SBC. doi:10.5753/cbie.sbie.2020.932. [GS Search]
Ramos, D. B., Ramos, I. M. M., Gasparini, I., & de Oliveira, E. H. T. (2021). A new learning path model for E-Learning systems. International Journal of Distance Education Technologies (IJDET), 19(2), 34-54. Disponível em [Link]. [GS Search]
Ramos, I. M. M., Ramos, D. B., Gadelha, B., & de Oliveira, E. H. T. (2021). An Approach to Group Formation in Collaborative Learning Using Learning Paths in Learning Management Systems. IEEE Transactions on Learning Technologies. doi:10.1109/TLT.2021.3117916. [GS Search]
Silva, L. M., Barbosa, J. L., & Rigo, S. J. (2021). Análise de Dados e Serviços Inteligentes Aplicados na Educação à Distância: um mapeamento sistemático. Revista Brasileira de Informática na Educação, 29, 331-357. doi:10.5753/rbie.2021.29.0.331. [GS Search]
Souza, J. P. L., de Souza , D. Y., & Dutra, J. F. (2020). Predição precoce de problemas de desempenho de estudantes em modalidade de educação online: um estudo de caso no ensino médio integrado. doi:10.18265/1517-0306a2021id5182. [GS Search]
Vygotsky, L. S. Formação social da mente. São Paulo, Martins Fontes, 1984. [GS Search]
Arquivos adicionais
Published
Como Citar
Issue
Section
Licença
Copyright (c) 2023 Johnny Yuri Solano Marinho, Damires Yluska de Souza Fernandes
![Creative Commons License](http://i.creativecommons.org/l/by-nc-nd/4.0/88x31.png)
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.