Processo de Mineração de Dados Educacionais aplicado na Previsão do Desempenho de Alunos: Uma comparação entre as Técnicas de Aprendizagem de Máquina e Aprendizagem Profunda
DOI:
https://doi.org/10.5753/rbie.2021.29.0.519Keywords:
Mineração de Dados Educacionais, Aprendizagem Profunda, Aprendizagem de Máquina, Previsão de DesempenhoAbstract
Com o aumento da disponibilidade de dados, sobretudo no contexto educacional, surgiram áreas específicas para extração de informações relevantes, como a Mineração de Dados Educacionais (MDE), que integra inúmeras técnicas que dão suporte à captação, processamento e análises desses conjuntos de registros. A principal técnica associada a MDE é a Aprendizagem de Máquina (AM), que vem sendo empregada a décadas no processamento de dados em diversos contextos, mas com a evolução tecnológica outras técnicas têm se sobressaído como a Aprendizagem Profunda (AP), baseada na aplicação de Redes Neurais Artificiais Multicamadas. Com foco neste contexto, esse estudo tem como objetivo realizar a previsão do desempenho de alunos, em um conjunto de dados públicos, e comparar as técnicas de AM e AP, ademais indicar quais os principais atributos preditores para o desempenho dos alunos. Para isso foi implementado um processo de MDE baseado em 4 etapas: 1) Coleta de dados; 2) Extração de recursos e limpeza de dados (pré-processamento e transformação); 3) Processamento analítico e algoritmos; e 4) Análise e interpretação dos resultados. Como resultado foi identificado que os modelos gerados a partir dos algoritmos tradicionais de AM têm um bom desempenho, mas inferior ao modelo AP que teve uma acurácia de 94%, bem como foi constatado que atributos relacionados às atividades escolares são mais preditores para o desempenho dos alunos do que os dados de características demográficas e socioeconômicas.
Downloads
Referências
Aggarwal, C. C. (2015). Data Mining: The Textbook. 1. ed. New York, USA: Springer. E-book. doi: 10.1007/978-3-319-14142-8
Aggarwal, C. C. (2018). Neural Networks and Deep Learning: A Textbook. 1. ed. New York, USA: Springer, 2018. E-book. doi: 10.1007/978-3-319-94463-0
Alvim, P. (2010). Open Source com jCompany© Developer Suite. 3a Ed. ed. Belo Horizonte: E-book. [GS Search]
Badar, M., Haris, M., & Fatima, A. (2020). Application of Deep Learning for retinal image analysis: A review. Computer Science Review, 35, 1–18. doi: 10.1016/j.cosrev.2019.100203 [GS Search]
Bahrampour, S., et al. (2015). Comparative Study of Deep Learning Software Frameworks. Cornell Univeristy, 3, 1–9, 2015. [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, 3–13. doi: 10.5753/rbie.2011.19.02.03 [GS Search]
Baker, R. S. J. D. (2015). Big data and education. 2. ed. New York, USA: A Massive Online Open Textbook (MOOT) - Teachers College, Columbia University. [GS Search]
Baker, R. S., & Inventado, P. S. (2014). Educational Data Mining and Learning Analytics. In: J.A. Larusson and B. White (EDS.) (org.). Learning Analytics: From Research to Practice. 1. ed. New York, USA: Springer, 1–195. E-book. doi: 10.1007/978-1-4614-3305-7 [GS Search]
Bishop, C. M. (1995). Neural networks for pattern recognition. 1. ed. EUA. E-book. [GS Search]
Boulemtafes, A., Derhab, A., & Challal, Y. (2020). A review of privacy-preserving techniques for Deep Learning. Neurocomputing, 384, 21–45. doi: 10.1016/j.neucom.2019.11.041.[GS Search]
Cortez, P., & Silva, A. (2008). Using Data Mining to Predict Secondary School Student Performance. In A. Brito and J. Teixeira Eds., Proceedings of 5th FUture BUsiness TEChnology Conference (FUBUTEC 2008). [GS Search]
De Los Reyes, D. A. G. et al. (2019). Predição de sucesso acadêmico de estudantes: uma análise sobre a demanda por uma abordagem baseada em transfer learning. Revista Brasileira de Informática na Educação, 27, 1, 1–25. doi: 10.5753/rbie.2019.27.01.01 [GS Search]
De Souza, V. F., & Perry, G. T. (2020). Tendências de Pesquisas em Mineração de Dados Educacionais em MOOCs: um Mapeamento Sistemático. Revista Brasileira de Informática na Educação, 28, 491-508. doi: 10.5753/rbie.2020.28.0.491] [GS Search]
EDM. Sociedade Internacional de Educational Data Mining. (2020). Disponível em: http://educationaldatamining.org/. Acesso em: 31 jan. 2021.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. Cambridge, MA, USA, 2016. E-book. [GS Search]
Guo, S. X., et al. (2019). Attention-Based Character-Word Hybrid Neural Networks With Semantic and Structural Information for Identifying of Urgent Posts in MOOC Discussion Forums. IEEE Access, 7, 120522–120532. doi: 10.1109/ACCESS.2019.2929211 [GS Search]
Hand, D. J. (1997). Construction and Assessment of Classification Rules. 1. ed. New York. E-book. [GS Search]
Hinton, G. E., Osindero, S., & Teh, Y. W. (2006). A Fast Learning Algorithm for Deep Belief Nets. Neural Computation, 18, 7, 1527–1554. doi: 10.1162/neco.2006.18.7.1527 [GS Search]
Igual, L., & Seguí, S. (2017). Introduction to Data Science: A Python Approach to Concepts, Techniques and Applications. 1. Ed. Springer. E-book. doi: 10.1007/978-3-319-50017-1
Japkowicz, N., & Shah, M. (2014). Evaluating Learning Algorithms: A Classification Perspective. 1a Ed. ed. Cambridge, E-book. [GS Search]
Kovalev, V., Kalinovsky, A., & Kovalev, S. (2016). Deep Learning with Theano, Torch, Caffe, TensorFlow, and Deeplearning4J: Which One Is the Best in Speed and Accuracy? In: 13th International Conference on Pattern Recognition and Information Processing (PRIP 2016), 99–103. [GS Search]
Kubat, M. (2017). An Introduction to Machine Learning. 2. ed. Coral Gables, FL, USA: Springer. E-book. doi: 10.1007/978-3-319-63913-0
Landis, J. R., & Koch, G. G. (1977). An Application of Hierarchical Kappa-type Statistics in the Assessment of Majority Agreement among Multiple Observers. Biometrics, 33, 2, 363–374, 1977. doi: 10.2307/2529786 [GS Search]
Le, Q., Torrisi, M., & Pollastri, G. (2020). Deep Learning methods in protein structure prediction. Computational and Structural Biotechnology Journal, 426, 1–10. doi: 10.1016/j.csbj.2019.12.011 [GS Search]
Lecun, Y., Bengio, Y., & Hinton, G. (2015). Deep Learning. Nature, 521, 7553, 436–444. doi: 10.1038/nature14539 [GS Search]
Lin, J., et al. (2019). Automatic Knowledge Discovery in Lecturing Videos via Deep Representation. IEEE Access, 7, 33957–33963. doi: 10.1109/ACCESS.2019.2904046 [GS Search]
MURAT, F., et al. (2020). Application of Deep Learning techniques for heartbeats detection using ECG signals-analysis and review. Computers in Biology and Medicine, 120, 1–14. doi: 10.1016/j.compbiomed.2020.103726 [GS Search]
NG, S. S. Y. et al. (2016). An independent study of two Deep Learning platforms - H2O and SINGA. In: 2016, Bali, Indonesia. International Conference on Industrial Engineering and Engineering Management (IEEM 2016). Bali, Indonesia: 1279–1283. doi: 10.1109/IEEM.2016.7798084 [GS Search]
Rigo, S. J. et al. (2014). Aplicações de Mineração de Dados Educacionais e Learning Analytics com foco na evasão escolar: oportunidades e desafios. Revista Brasileira de Informática na Educação, 22, 01, 168–177. doi: 10.5753/RBIE.2014.22.01.132 [GS Search]
Ripley, B. D. (1996). Pattern recognition and neural networks. 1. ed. Cambridge, E-book. [GS Search]
Romero, C., & Ventura, S. (2013). Data mining in education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 3, 1, 12–27. doi: 10.1002/widm.1075 [GS Search]
Romero, C., & Ventura, S. (2020). Educational data mining and learning analytics: An updated survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 10, 3, 1–21. doi: 10.1002/widm.1355 [GS Search]
Schmidhuber, J. (2015). Deep Learning in neural networks: An overview. Neural Networks, 61, 85–117. doi: 10.1016/j.neunet.2014.09.003 [GS Search]
Sengupta, S. et al. (2020). Ophthalmic diagnosis using Deep Learning with fundus images – A critical review. Artificial Intelligence in Medicine, 102, 1–36. doi: 10.1016/j.artmed.2019.101758 [GS Search]
Sezer, O. B., Gudelek, M. U., & Ozbayoglu, A. M. (2020). Financial time series forecasting with Deep Learning: A systematic literature review: 2005–2019. Applied Soft Computing Journal, 90, 1–65, 2020. doi: 10.1016/j.asoc.2020.106181 [GS Search]
Shahiri, A. M., Husain, W., & Rashid, N. A. (2015). A Review on Predicting Student’s Performance Using Data Mining Techniques. Procedia Computer Science, 72, 414–422. doi: 10.1016/j.procs.2015.12.157 [GS Search]
Soffer, S., et al. (2019). Convolutional Neural Networks for Radiologic Images: A Radiologist’s Guide. Radiology, 290, 3, 590–606. doi: 10.1148/radiol.2018180547 [GS Search]
Waheed, H., et al. (2020). Predicting academic performance of students from VLE big data using Deep Learning models. Computers in Human Behavior, 104, 1–13, 2020. doi: 10.1016/j.chb.2019.106189 [GS Search]
Wen, Y., et al. (2020). Consideration of the local correlation of learning behaviors to predict dropouts from MOOCs. Tsinghua Science and Technology, 25, 3, 336–347. doi: 10.26599/TST.2019.9010013 [GS Search]
Xin, Y., et al. (2018). Machine Learning and Deep Learning Methods for Cybersecurity. IEEE Access, 20, 1–9. doi: 10.1109/ACCESS.2018.2836950 [GS Search]
Yang, J., Zhang, X. L., & Su, P. (2018). Deep-Learning-Based Agile Teaching Framework of Software Development Courses in Computer Science Education. Procedia Computer Science, 154, 137–145, 2018. doi: 10.1016/j.procs.2019.06.021 [GS Search]
Zhang, Y. & Wu, B. (2019). Research and application of grade prediction model based on decision tree algorithm. In: 2019, Chengdu, China. Turing Celebration Conference (ACM TURC 2019). Chengdu, China: ACM, 1–6. doi: 10.1145/3321408.3322857 [GS Search]
Zhao, Rui et al. (2019). Deep Learning and its applications to machine health monitoring. Mechanical Systems and Signal Processing, 115, 213–237. doi: 10.1016/j.ymssp.2018.05.050 [GS Search]
Arquivos adicionais
Published
Como Citar
Issue
Section
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
