Mineração de Dados Educacionais e Metodologias Ativas integrados a um Sistema de Recomendação para prevenção da evasão na Educação a Distância
DOI:
https://doi.org/10.5753/rbie.2025.4641Keywords:
Metodologias Ativas, Mineração de Dados Educacionais, Evasão, Educação a DistânciaAbstract
À medida que aumenta a popularidade da Educação a Distância, o alto índice de evasão preocupa os gestores e professores, que buscam meios para identificar as situações passíveis de desistências e motivar os alunos a permanecerem nos estudos. Existem iniciativas para mitigação dessa situação, como a aplicação de técnicas de Mineração de Dados Educacionais e a utilização de Sistemas de Recomendação. Apesar de efetivas em aspectos de identificação de alunos propensos a evadir e na indicação de materiais complementares para a aprendizagem, carecem de mecanismos voltados à motivação discente e à intervenção pedagógica dos professores, já que não apresentam propostas metodológicas para incentivar a aprendizagem dos identificados com risco de evadir, prevenindo essa possibilidade. Esse artigo apresenta um modelo de Sistema de Recomendação que integra a estratégia pedagógica das Metodologias Ativas para mitigar os riscos de reprovação e potencializar a permanência dos alunos identificados através das técnicas de Mineração de Dados Educacionais como propensos a evadir. Nos estudos realizados na literatura, não foram encontradas evidências dessa integração, sendo o desenvolvimento do modelo a principal contribuição científica desse trabalho. Nesse sentido, um protótipo foi desenvolvido e aplicado em uma disciplina para a avaliação de funcionalidade e aceitação. De acordo com o Modelo TAM (Technology Acceptance Model), mais de 90% dos alunos concordaram com a facilidade de uso e 88% concordaram que o modelo pode ser útil no processo de ensino e aprendizagem.
Downloads
Referências
Acosta, O. C.; Reategui, E. B. & Behar, P. A. (2018). Recomendação de conteúdo em um ambiente colaborativo de Aprendizagem Baseada em Projetos. Revista Brasileira de Informática na Educação, 26(1), 91-111. doi: https://doi.org/10.5753/rbie.2018.26.01.91. [GS Search]
Almeida, C. M. M.; Scheunemann, C. M. B.; Santos, M. J. & Lopes, P. T. C. (2019). Propostas de metodologias ativas utilizando Tecnologias Digitais e ferramentas metacognitivas para auxiliar no processo de ensino e aprendizagem. Revista Paradigma, 40, 204-220. [GS Search]
Alshammari, A. (2024). Using analytics to predict students' interactions with learning management systems in online courses. Education and Information Technologies, 29(15), 20587-20612. doi: https://doi.org/10.1007/s10639-024-12709-9. [GS Search]
Alves, M. O.; Medeiros, F. P. A.; Melo, L. B.; Barbosa, A. S. R. & Brito, M. L. Q. (2020). Systematic Literature Review on the adoption of the Problem Based Learning methodology in Distance Education. Iberian Conference on Information Systems and Technologies (CISTI), 1-4. IEEE. doi: https://doi.org/10.23919/CISTI49556.2020.9141089. [GS Search]
Amaral, G. S.; Ramos, D. B.; Ramos, I. M. M. & Oliveira, E. H. T. (2021). Um sistema de recomendação de estratégias de aprendizagem baseado no perfil de motivação do aluno: SisREA. Simpósio Brasileiro de Informática na Educação (SBIE), 718-727. doi: https://doi.org/10.5753/sbie.2021.218743. [GS Search]
Andrade, T. L.; Almeida, C. M. M.; Barbosa, J. L. V. & Rigo, S. J. (2021a). Metodologias Ativas integradas a um Sistema de Recomendação e Mineração de Dados Educacionais para a mitigação de evasão em EaD. Simpósio Brasileiro de Informática na Educação (SBIE), 824-835. doi: https://doi.org/10.5753/sbie.2021.218385. [GS Search]
Andrade, T. L.; Rigo, S. J. & Barbosa, J. L. V. (2021b). Active Methodology, Educational Data Mining and Learning Analytics: A Systematic Mapping Study. Informatics in Education, 20(2): 171-204. doi: https://doi.org/10.15388/infedu.2021.09. [GS Search]
Baker, R. & Yacef, K. (2009). The state of educational data mining in 2009: a review and future visions. Journal of Educational Data Mining (JEDM), 1(1), 3-17. doi: https://doi.org/10.5281/zenodo.3554657. [GS Search]
Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32. doi: https://doi.org/10.1023/A:1010933404324. [GS Search]
Cambruzzi, W.; Rigo, S. J. & Barbosa, J. L. V. (2015). Dropout Prediction and Reduction in Distance Education Courses with the Learning Analytics Multitrail Approach. Journal of Universal Computer Science, 22(1), 23-47. doi: https://doi.org/10.3217/jucs-021-01-0023. [GS Search]
Campos, A.; Hollerweger, L.; Santos, G.; Farias, A. F. & Behar, P. A. (2018). Mapeamento de soluções tecnológicas em sistemas de recomendação educacionais em âmbito brasileiro. Informática na Educação: teoria e prática, 20(3), 79--96. doi: https://doi.org/10.22456/1982-1654.79624. [GS Search]
Chandrasekaran, D.; Thirunavukkarasu, G. S. & Littlefair, G. (2016). Collaborative Learning Experience of Students in Distance Education. International Symposium on Project Approaches in Engineering Education and Active Learning in Engineering Education Workshop, 90-99. [GS Search]
Cunha, F. O. M. & Siebra, C. A. (2016). Mapeamento sistemático na literatura acadêmico-científica sobre abordagens para a formação de grupos em E-Learning. Revista Brasileira de Informática na Educação, 24(3), 17-30. doi: https://doi.org/10.5753/rbie.2016.24.3.16. [GS Search]
Esteban, A.; Romero, C. & Zafra, A. (2021). Assignments as Influential Factor to Improve the Prediction of Student Performance in Online Courses. Applied Sciences, 11(21), 10145. doi: https://doi.org/10.3390/app112110145. [GS Search]
Ferreira, L. G. A.; Barbosa, J. L. V.; Gluz, J. C. & Vicari, R. (2015). UbiGroup: um modelo de recomendação ubíqua de conteúdo para grupos dinâmicos de aprendizes. Revista Brasileira de Informática na Educação, 23(3), 40-55. doi: https://doi.org/10.5753/rbie.2015.23.03.40. [GS Search]
Gómez-del Río, T. (2023). Aplicación de una metodologia de PBL y classe inversa a un curso de laboratório en Ingeniería Mecánica. Revista Latinoamericana de Tecnologia Educativa, 22(1), 191-206. doi: https://doi.org/10.17398/1695-288X.22.1.191. [GS Search]
Heidrich, L.; Barbosa, J. L. Victória; Cambruzzi, W.; Rigo, S. J.; Martins, M. G. & Santos, R. B. S. (2018). Diagnosis of learner dropout based on learning styles for online distance learning. Telematics and Informatics, 35(6), 1593-1606. Elsevier. doi: https://doi.org/10.1016/j.tele.2018.04.007. [GS Search]
Irfan, M., Sattar, A., Sher, A. & Ijaz, M. (2025). Comparing Random Forest and Logistic Regression for Predicting Student Completion in Online University Courses Using Behavioral Data. Artificial Intelligence in Learning, 1, 1-19. doi: https://doi.org/10.63913/ail.v1i1.2. [GS Search]
Jayaprakash, S., Krishnan, S. & Jaiganesh, V. (2020). Predicting Students Academic Performance using an Improved Random Forest Classifier. International Conference on Emerging Smart Computing and Informatics (ESCI), 238-243. IEEE. doi: https://doi.org/10.1109/ESCI48226.2020.9167547. [GS Search]
Kostopoulos, G.; Kotsiantis, S.; Pierrakeas, C.; Koutsonikos, G. & Gravvanis, G.A. (2018). Forecasting students' success in an open university. International Journal Learning Technology, 13, 26-43. doi: https://doi.org/10.1504/IJLT.2018.091630. [GS Search]
Kostopoulos, G.; Karlos, S. & Kotsiantis, S. (2019). Multiview Learning for Early Prognosis of Academic Performance: A Case Study. IEEE Transactions on Learning Technologies, 12(2), 212-224. doi: https://doi.org/10.1109/TLT.2019.2911581. [GS Search]
Kraml, M. (2024). Advantages and disadvantages of flipped classroom in adult education using distance learning for learning programming. International Journal of Educational Research (EPH), 8, 26-31. doi: https://doi.org/10.53555/ephijer.v8i1.109. [GS Search]
Leite, L. S. & Ramos, M. B. (2017). A metodologia ativa no Ambiente Virtual de Aprendizagem. Metodologia ativa na educação, 85-101. Pimenta Cultural. [GS Search]
Leite, R. R.; Pitangui, C. G.; de Assis, L. P. & Andrade, A. V. (2019). Sistemas de Recomendação em Ambientes Educacionais: estado da arte e perspectivas futuras. Simpósio Brasileiro de Informática na Educação (SBIE), 109-118. doi: https://doi.org/10.5753/cbie.wcbie.2019.109. [GS Search]
Leite, D.; Filho, E.; Oliveira, J. F. L.; Carneiro, R. E. & Maciel, A. (2021). Early detection of students at risk of failure from a small dataset. International Conference on Advanced Learning Technologies (ICALT), 42-46. IEEE. doi: https://doi.org/10.1109/ICALT52272.2021.00021. [GS Search]
Li, L.; Guo, R. & Han, M. (2018). On-Demand Virtual Lectures: Promoting Active Learning in Distance Learning. International Conference on E-Education, E-Business and E-Technology (ICEBT), 1-5. ACM. doi: https://doi.org/10.1145/3241748.3241757. [GS Search]
Li, Y.; Cui, X. & Zhang, Z. (2022). Dropout Rate Prediction for MOOC based on Inceptiontime Model. International Conference on Distance Education and Learning (ICDEL), 54-59. doi: https://doi.org/10.1145/3543321.3543330. [GS Search]
Lima, E. & Siebra, C. (2017). CollabEduc: Uma Ferramenta de Colaboração em Pequenos Grupos para Plataformas de Aprendizagem a Distância. Simpósio Brasileiro de Informática na Educação (SBIE), 1707--1716. doi: https://doi.org/10.5753/cbie.sbie.2017.1707. [GS Search]
Marangunić, N. & Granić, A. (2014). Technology acceptance model: a literature review from 1986 to 2013. Universal Access in the Information Society, 14, 81-95. Springer. doi: https://doi.org/10.1007/s10209-014-0348-1. [GS Search]
Manhães, L. M. B.; Da Cruz, S. M. S.; Costa, R. J. M.; Zavaleta, J. & Zimbrão, G. (2011). Previsão de estudantes com risco de evasão utilizando técnicas de mineração de dados. Simpósio Brasileiro de Informática na Educação (SBIE), 150-159. doi: https://doi.org/10.5753/cbie.sbie.2011.%25p. [GS Search]
Mattar, J. (2017). Metodologias ativas para a educação presencial, blended e a distância. Artesanato Educacional. [GS Search]
Oreshin, S.; Filchenkov, A.; Petrusha, P.; Krasheninnikov, E.; Panfilov, A.; Glukhov, I.; Kaliberda, Y.; Masalskiy, D.; Serdyukov, A.; Kazakovtsev, V.; Khlopotov, M.; Podolenchuk, T.; Smetannikov, I. & Kozlova, D. (2020). Implementing a Machine Learning Approach to Predicting Students' Academic Outcomes. International Conference on Control, Robotics and Intelligent System (CCRIS), 78-83. doi: https://doi.org/10.1145/3437802.3437816. [GS Search]
Queiroga, E.; Cechinel, C. & Araújo, R. (2017). Predição de estudantes com risco de evasão em cursos técnicos à distância. Simpósio Brasileiro de Informática na Educação (SBIE), 1547-1556. doi: https://doi.org/10.5753/cbie.sbie.2017.1547. [GS Search]
Queiroga, E. M., Cechinel, C. & Aguiar, M. S. (2019). Uma abordagem para predição de estudantes em risco utilizando algoritmos genéticos e mineração de dados: um estudo de caso com dados de um curso técnico a distância. Simpósio Brasileiro de Informática na Educação (SBIE), 119-128. doi: https://doi.org/10.5753/cbie.wcbie.2019.119. [GS Search]
Queiroga, E. M.; Paragarino, V. R.; Casas, A. P.; Primo, T. T.; Munoz, R.; Ramos, V. C. & Cechinel, C. (2022). Experimenting Learning Analytics and Educational Data Mining in different educational contexts and levels. Latin American Conference on Learning Technologies (LACLO), 1-9. IEEE. doi: https://doi.org/10.1109/LACLO56648.2022.10013478. [GS Search]
Ramos, J. L. C.; Silva, J. C. S.; Prado, L. C.; Gomes, A. S. & Rodrigues, R. L. (2018). Um estudo comparativo de classificadores na previsão da evasão de alunos em EAD. Simpósio Brasileiro de Informática na Educação (SBIE), 1463-1472. doi: https://doi.org/10.5753/cbie.sbie.2018.1463. [GS Search]
Ramos, D. B.; Ramos, I. M. M.; Gasparini, I. & Oliveira, E. H. T. (2020). Um framework conceitual para recomendação de estratégias de aprendizagem utilizando motivação e trilhas de aprendizagem. Simpósio Brasileiro de Informática na Educação (SBIE), 872-881. doi: https://doi.org/10.5753/cbie.sbie.2020.872. [GS Search]
Rodrigues, M.W.; Isotani, S. & Zárate, L. E. (2018). Educational Data Mining: A review of evaluation process in the e-learning. Telematics and Informatics, 35(6), 1701--1717. doi: https://doi.org/10.1016/j.tele.2018.04.015. [GS Search]
Rolim, V. B.; Mello, R. F. L. & Costa, E. B. (2017). Utilização de técnicas de aprendizado de máquina para acompanhamento de fóruns educacionais. Revista Brasileira de Informática na Educação, 25(3), 112-130. doi: https://doi.org/10.5753/rbie.2017.25.03.112. [GS Search]
Romero, C.; Ventura, S. & García, E. (2008). Data mining in course management systems: Moodle case study and tutorial. Computers & Education, 51(1), 368--384. https://doi.org/10.1016/j.compedu.2007.05.016. [GS Search]
Santos, R. M. M.; Pitangui, C. G.; Andrade, A. V. & Assis, L. P. (2016). Uso de Séries Temporais e Seleção de Atributos em Mineração de Dados Educacionais para Previsão de Desempenho Acadêmico. Simpósio Brasileiro de Informática na Educação (SBIE), 1146-1155. doi: https://doi.org/10.5753/cbie.sbie.2016.1146. [GS Search]
Shafiq, D. A.; Marjani, M.; Habbeb, R. A. A. & Asirvatham, D. (2022). A Conceptual Predictive Analytics Model for the Identification of at-risk students in VLE using Machine Learning Techniques. International Conference on Mathematics, Actuarial Science, Computer Science and Statistics (MACS), 1-8. IEEE. doi: https://doi.org/10.1109/MACS56771.2022.10023143. [GS Search]
Silva, F.; Silva, J.; Silva, R. & Fonseca, L. C. (2015). Um modelo preditivo para diagnóstico de evasão baseado nas interações de alunos em fóruns de discussão. Simpósio Brasileiro de Informática na Educação (SBIE), 1187-1196. doi: https://doi.org/10.5753/cbie.sbie.2015.1187. [GS Search]
Silva, J. T. & Silva, I. M. (2020). Uma revisão sistemática sobre a aprendizagem baseada em problemas no ensino de Ciências. Pesquisa e Ensino, 1, 1-29. doi: https://doi.org/10.37853/pqe.e202021. [GS Search]
Silva, V.; Ferreira, H.; Torres, A. & Rodrigues, F. (2021). Math Suggestion: uma ferramenta de recomendação de Objetos de Aprendizagem fundamentada nos princípios das avaliações de Autoeficácia e Análise de Desempenho. Simpósio Brasileiro de Informática na Educação (SBIE), 237-248. doi: https://doi.org/10.5753/sbie.2021.218677. [GS Search]
Silva, F. L.; Silva, K. K. A.; Slodkowski, B. K. & Cazella, S. C. (2022a). A aplicação de sistemas de recomendação no contexto educacional: uma revisão sistemática da literatura. Revista Iberoamericana de Tecnología en Educación y Educación en Tecnología, 32, 9-17. doi: https://doi.org/10.24215/18509959.32.e1. [GS Search]
Silva, L. M. da; Dias, L. P. S.; Barbosa, J. L. V.; Rigo, S. J.; Anjos, J. C. S. dos; Geyer, C. F. R. & Leithardt, V. R. Q. (2022b). Learning analytics and collaborative groups of learners in distance education: a systematic mapping study. Informatics in Education, 21(1): 113-146. doi: https://doi.org/10.15388/infedu.2022.05. [GS Search]
Tamada, M.; Giusti, R. & Netto, J. (2022). Predicting Students at Risk of Dropout in Technical Course Using LMS Logs. Eletronics, 11(3), 468. doi: https://doi.org/10.3390/electronics11030468. [GS Search]
Tomasevic, N.; Gvozdenovic, N. & Vranes, S. (2020). An overview and comparison of supervised data mining techniques for student exam performance prediction. Computers & Education, 143, 1-18. Elsevier. doi: https://doi.org/10.1016/j.compedu.2019.103676. [GS Search]
Tran, T. P.; Jan, T. & Kew, S. N. (2023). Learning Analytics for Improved Course Delivery: Applicationsand Techniques. International Conference on Digital Technology in Education (ICDTE), 100-106. doi: https://doi.org/10.1145/3568739.3568758. [GS Search]
Utari, M., Warsito, B. & Kusumaningrum, R. (2020). Implementation of Data Mining for Drop-Out Prediction using Random Forest Method. International Conference on Information and Communication Technology (ICoICT), 1-5. IEEE. doi: https://doi.org/10.1109/ICoICT49345.2020.9166276. [GS Search]
Waheed, H., Hassan, S., Aljohani, N. R., Hardman, J., Alelyani, S. & Nawaz, R. (2020). Predicting academic performance of students from VLE big data using deep learning models. Computers in Human Behavior, 104(1), 1-13. Elsevier. doi: https://doi.org/10.1016/j.chb.2019.106189. [GS Search]
Waheed, H.; Hassan, S.; Nawaz, R.; Aljohani, N. R.; Chen, G. & Gasevic, D. (2023). Early prediction of learners at risk in self-paced education: A neural network approach. Expert Systems with Applications, 213(A), 118868. Elsevier. doi: https://doi.org/10.1016/j.eswa.2022.118868. [GS Search]
Widyahastuti, F. & Tjhin, U. (2018). Performance Prediction in Online Discussion Forum: state-of-the-art and comparative analysis. International Conference on Computer Science and Computational Intelligence, 302-314. Elsevier. doi: https://doi.org/10.1016/j.procs.2018.08.178. [GS Search]
Wiedmann, T.; Barbosa, J. L. V.; Rigo, S. J. & Barbosa, D. N. F. (2016). RecSim: A Model for Learning Objects Recommendation using Similarity of Sessions. Journal of Universal Computer Science, 22(8), 1175-1200. doi: https://doi.org/10.3217/jucs-022-08-1175. [GS Search]
Arquivos adicionais
Published
Como Citar
Issue
Section
Licença
Copyright (c) 2025 Tiago Luís de Andrade, Caroline Medeiros Martins de Almeida, Jorge Luis Victória Barbosa, Sandro José Rigo
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
