=Paper=
{{Paper
|id=Vol-2185/CtrlE_2018_paper_115
|storemode=property
|title=Uma Revisão Sistemática Sobre o Uso de Learning Analytics em Ambientes Virtuais de Aprendizagem Brasileiros(A Systematic Review on the Use of Learning Analytics in Brazilian Virtual Learning Environments)
|pdfUrl=https://ceur-ws.org/Vol-2185/CtrlE_2018_paper_115.pdf
|volume=Vol-2185
|authors=Pedrina Célia Brasil,Tainá Jesus Medeiros,Isabel Dillmann Nunes
}}
==Uma Revisão Sistemática Sobre o Uso de Learning Analytics em Ambientes Virtuais de Aprendizagem Brasileiros(A Systematic Review on the Use of Learning Analytics in Brazilian Virtual Learning Environments)==
https://ceur-ws.org/Vol-2185/CtrlE_2018_paper_115.pdf
Uma Revisão Sistemática Sobre o Uso de Learning Analytics em
Ambientes Virtuais de Aprendizagem Brasileiros
Pedrina Célia Brasil1, Tainá Jesus Medeiros2, Isabel Dillmann Nunes1
1
Programa de Pós-Graduação em Inovação e Tecnologias Educacionais – PPgITE
Universidade Federal do Rio Grande do Norte – UFRN
1524 – Campus Universitário Lagoa Nova – CEP 59072-970 – Natal-RN, Brasil
2
Escolas de Engenharias e Tecnologia de Informação
Universidade Potiguar – UnP
59082-902, Av. Engenheiro Roberto Freire, 2184 - Capim Macio, Natal - RN, Brasil
pedrina.brasil@gmail.br, taina.medeiros@unp.br, bel@imd.ufrn.br
Abstract. Evidence shows that Learning Analysis is still in its early stages. In
Brazil, the work in this field of research is still very recent and scarce. The
purpose of this paper is to present the results of a Systematic Review of Literature
on studies that address or report the use of Learning Analysis on Brazilian
organizations. 321 articles were identified, of these 17 were considered relevant
to the purpose of this paper.
Resumo. Evidências mostram que o uso da análise de aprendizagem ainda está
em seus estágios iniciais. No Brasil os trabalhos neste campo de pesquisa ainda
são muito recentes e escassos. O propósito deste trabalho é apresentar os
resultados de uma Revisão Sistemática da Literatura (RSL) sobre estudos que
abordam/relatam o uso de análise de aprendizagem em organizações brasileiras.
Ao total 321 artigos foram identificados, destes 17 foram considerados relevantes
ao propósito desta pesquisa.
1. Introdução
A adoção em larga escala de Ambientes Virtuais de Aprendizagem (AVA) — também
conhecidos como Sistemas de Gerenciamento de Aprendizagem (SGA) — em contextos
escolares significa hoje que instituições de ensino e educadores podem tirar vantagem de grandes
conjuntos de dados extraídos e armazenados através desses sistemas (ALMAZROUI, 2013).
Os SGA possuem ferramentas genéricas normalmente incluídas em seu funcionamento,
tais como: compartilhamento de conteúdo pedagógico, acompanhamento do progresso
acadêmico dos alunos, opções de comunicação entre alunos e professores (fóruns, chats, etc),
elaboração e execução de atividades avaliativas, entre outros (ROMERO et al., 2013). Embora
esses sistemas promovam inúmeras funcionalidades, eles ainda carecem de ferramentas para
melhor agrupamento, relato, visualização e análise de aprendizagem dos alunos (DAWSON,
2009). Professores, por exemplo, reclamam da falta de funcionalidades que apoiem a tomada de
decisão docente, indicando a qualidade de aprendizagem dos alunos, se os alunos têm sido
suficientemente desafiados, se estão chateados, confusos, sobrecarregados, etc (DRINGUS e
ELLIS, 2005).
371
Nesse contexto, surge o campo de Learning Analytics (LA) — em português, análise de
aprendizagem. LA é definida como a medida, coleta, análise e relato dos dados sobre os alunos e
seus contextos de aprendizagem com o objetivo de entender e otimizar o aprendizado e o
ambiente que este ocorre (FERGUSON, 2012). Por meio da análise da aprendizagem é possível,
por exemplo, otimizar as oportunidades de um processo de ensino personalizado ao contexto do
usuário, uma vez que a análise possibilita a descoberta das dificuldades de aprendizagem que o
aluno enfrenta no seu contexto escolar.
Learning Analytics tem sido usada, por exemplo, para estudar cursos on-line, dar suporte
ao desenvolvimento de sistemas de e-learning (ensino eletrônico) mais efetivos e investigar
como as crianças "trapaceiam o sistema”1 (BAKER e YACEF, 2009; KOTSIANTIS, 2012;
SIEMENS e BAKER, 2012). Dados de rastreamento ocular (eye tracking) e sensores de
movimento têm sido usados para fornecer insights do exato processo de aprendizagem que
ocorre quando uma criança realiza uma atividade (BLIKSTEIN, 2011); e machine learning
(aprendizado de máquina) tem sido utilizada para ajudar a prever quando um aluno irá abandonar
a escola ou reprovar (BAYER et al., 2012).
O propósito deste trabalho é apresentar os resultados de uma Revisão Sistemática da
Literatura (RSL) sobre estudos que abordam/relatam o uso de análise de aprendizagem,
revisados e publicados entre 2012 e 2018. A RSL aqui proposta tem como objetivo identificar
como a análise de aprendizagem tem sido aplicada aos sistemas de apoio tecnológico em
ambiente de ensino de instituições brasileiras.
Ao total, foram relacionados 321 trabalhos, identificados automaticamente pelos motores
de busca da SCOPUS2 e CEIE3. Deles, 299 trabalhos foram rejeitados por de acordo com os
critérios de inclusão e exclusão; 22 foram selecionados inicialmente para análise de seleção
inicial e final. Dos 22 trabalhos selecionados, 2 foram identificados como trabalhos duplicados, 2
não foram possíveis ter acesso ao texto na íntegra dos estudos e 1 os autores não são afiliados a
instituições de ensino brasileiras. Desta forma, foram extraídos os dados de 17 trabalhos, que
embasam as descobertas e discussões desta pesquisa.
Para contextualizar as decisões tomadas durante esta revisão, na Seção 2, descrevemos o
processo adotado para a seleção de trabalhos e extração dos dados desta revisão. Na Seção 3,
mostramos os resultados obtidos e os discutimos, confrontando-os com afirmações encontradas
na literatura. Por fim, realizamos as considerações finais na Seção 4.
2. Método da Revisão Sistemática
Segundo Kitchenham e Charters (2007), uma RSL emprega um processo metódico para
identificar, avaliar e interpretar as evidências científicas disponíveis e relevantes relacionadas a
um tema específico de interesse. Este artigo apresenta os resultados da RSL que tem como
objetivo analisar os trabalhos relacionados ao uso de análise de aprendizagem em ambientes
educacionais brasileiros. O protocolo usado para realizar esta RSL foi baseado no trabalho de
Kitchenham e Charters (2007). A principal diferença entre o método aqui utilizado e
originalmente relatado é que, ao invés de utilizar um processo de busca manual, foi utilizada uma
busca automatizada para identificação dos trabalhos candidatos a esta pesquisa.
1
Usar as regras destinadas a proteger o sistema para manipulá-lo e direcioná-lo a um resultado desejado.
2
https://www.scopus.com/
3
www.br-ie.org/pub/index.php/index
372
2.1. Questões de Pesquisa
Esta RSL tem como questão central de pesquisa a seguinte pergunta: Como a análise de
aprendizagem tem sido aplicada em ambientes virtuais de aprendizagem brasileiros? Para
responder essa pergunta, foram definidas as seguintes questões de pesquisa:
● QP1: Que objetivos relacionados a análise de aprendizagem são abordados?
● QP2: Que instituições de ensino/pesquisa se utiliza de análise de aprendizagem?
● QP3: Quais dados são os mais explorados nas atividades de coleta?
● QP4: Que abordagens/tecnologias de coleta de dados são as mais aplicadas?
● QP5: Que abordagens/tecnologias de análise são as mais aplicadas?
● QP6: Os estudos apresentam resultados positivos as abordagens de análise de
aprendizagem propostas?
● QP7: Que ambientes virtuais de aprendizagem se tem utilizado de análise de
aprendizagem?
2.2. Processo de Pesquisa
A pesquisa foi realizada por meio de buscas automatizadas nos sistemas SCOPUS e CEIE. Todas
as pesquisas foram baseadas: no título, palavras-chave e resumo dos trabalhos. As buscas
ocorreram entre março e abril de 2018. Para todas as fontes, foi utilizado um conjunto de strings
de pesquisa simples que agregou como resultante um conjunto de trabalhos identificados,
conforme Tabela 1.
ID Fonte String Resultado
S01 SCOPUS ("learning analytic" OR "learning analytics" OR "learning data mining" 311
OR "educational data mining" OR "academic data mining") AND ("virtual
learning environment" OR "learning management system")
S02 SCOPUS (“análise de aprendizagem” OR “mineração de dados educacionais” OR 0
“mineração de dados acadêmicos” OR “mineração de dados escolares” OR
“mineração de dados de aprendizagem”) AND (“ambiente virtual de
aprendizagem” OR “ambientes virtuais de aprendizagem”)
S03 CEIE ("análise de aprendizagem" OR "mineração de dados educacionais" OR 8
"mineração de dados acadêmicos" OR "mineração de dados escolares" OR
"mineração de dados de aprendizagem") AND ("ambiente virtual de
aprendizagem" OR "ambientes virtuais de aprendizagem")
S04 CEIE ("learning analytic" OR "learning analytics" OR "learning data mining" OR 2
"educational data mining" OR "academic data mining") AND ("virtual
learning environment" OR "learning management system")
Tabela 1. Strings de Busca Utilizadas
373
Uma vez que a pesquisa resultou trabalhos tanto da base SCOPUS quanto da base CEIE,
foi utilizada a ferramenta Start4 para melhor gerenciamento do processo de execução e
centralização das informações desta revisão. Após a identificação, os estudos foram indexados na
ferramenta Start. O uso de arquivos BibTex5 com a relação dos estudos identificados facilitou o
processo de indexação, uma vez que a base SCOPUS permite exportar suas pesquisas para esse
formato. Embora a base CEIE, não permita o mesmo tipo de procedimento, o número resultante
de estudos facilitou o registro manual desses trabalhos.
2.3. Seleção dos Estudos
O processo de busca automatizada identificou 321 estudos (311 estudos da base SCOPUS e 10
estudos na base CEIE). A seleção dos artigos aconteceu em 3 fases: 1. Pré-Seleção, 2. Seleção
Inicial e 3. Seleção Final. Em cada uma dessas fases, os estudos identificados foram submetidos
à análise dos critérios de inclusão e exclusão definidos nesta revisão conforme Tabela 2.
Critérios de Inclusão Critérios de Exclusão
I1. Artigos publicados de janeiro/2012 a E1. Estudos que não atendem os critérios de inclusão; ou
abril/2018; e E2. Estudos não afiliados a instituições brasileiras de ensino
I2. Artigos em português ou inglês; e e ou pesquisa; ou
I3. Artigos que propõem/relatam um E3. Estudos duplicados; ou
processo, ferramenta, arquitetura ou E4. Estudos sem resumo; ou
diretriz para análise de dados de E5. Estudos que não são primários; ou
sistemas de apoio tecnológico ao E6. Estudos que não foi possível acessar o texto na íntegra; ou
ensino. E7. Estudos que não são artigos de revista/evento científico.
Tabela 2. Critérios de Inclusão e Exclusão de Estudos
Na fase de pré-seleção, os estudos identificados são relacionados e, a partir do tipo do
estudo, afiliação dos autores, ano de publicação e idioma do texto, são analisados. Para não ser
rejeitado nesta fase, os estudos precisam seguir os critérios de inclusão e exclusão definidos
nesta pesquisa.
Em seguida, é iniciada a segunda etapa de seleção dos estudos, seleção inicial. Nesta
etapa são aplicados os critérios de inclusão e exclusão em todos os estudos candidatos, por meio
da avaliação do título, resumo e palavras-chave. Os estudos aqui aceitos seguem para a próxima
etapa de seleção, conforme apresentado na Figura 1b.
Na etapa de seleção final são aplicados os critérios de inclusão e exclusão dos estudos
aceitos na seleção inicial, por meio da avaliação da introdução e conclusão dos trabalhos,
conforme apresentado na Figura 1c.
4
http://lapes.dc.ufscar.br/tools/start_tool
5
http://www.bibtex.org/
374
Figura 1. Processo de Seleção
Ao final de cada etapa de seleção, é realizada uma revisão dos estudos aceitos garantindo
assim a confiabilidade e reprodutibilidade da revisão.
2.4. Procedimentos de Decisão
A partir da relação dos estudos identificados na fase de pré-seleção, os pesquisadores (R1 e R2)
avaliam individualmente cada estudo, adicionando parecer de “aceito” ou “rejeitado” a cada um
dos trabalhos avaliados. Cada pesquisador deverá avaliar todos os trabalhos de forma
independente e individual, garantindo assim a confiabilidade do processo de seleção. No caso de
dúvida, o pesquisador deverá, a princípio, marcar o estudo como aceito e marcá-lo como sendo
obrigatória a revisão.
Em seguida, em um quadro de seleção geral, são relacionados os estudos selecionados e
as respectivas avaliações de R1 e R2. As discordâncias devem ser solucionadas de forma
colaborativa e consensual, através de revisões as avaliações realizadas. Após esse passo, as
discordâncias restantes serão avaliadas por um terceiro avaliador externo R3, que julgará as
discordâncias produzindo um dos dois resultados: aceito ou rejeitado.
Em seguida, os estudos incluídos são integrados, por R1, numa lista final de estudos
selecionados. Finalizados esses procedimentos, cada estudo selecionado deve ser lido
completamente e a ele ser aplicado os critérios de avaliação de qualidade.
2.5. Avaliação de Qualidade
Os critérios de qualidade têm como objetivo avaliar os aspectos metodológicos dos estudos
selecionados (NAKAGAWA, 2017). Através deles é possível, por exemplo, considerar os
aspectos de relevância do tema do trabalho e o uso dos métodos que conduzam aos objetivos
propostos no estudo.
Para esta revisão sistemática foram definidas 5 (cinco) questões para avaliação da
qualidade dos trabalhos, conforme relacionadas a seguir:
375
● QA1: O estudo apresenta algum método, técnica ou ferramenta existente no
mercado para auxiliar na sua abordagem?
● QA2: O estudo apresenta objetivos e/ou questões de pesquisa bem definidos e
embasados pela literatura?
● QA3: O estudo avaliado apresenta algum tipo de experimento controlado ou
estudo de caso para avaliação da abordagem proposta?
● QA4: O estudo avaliado apresenta uma breve comparação dos seus resultados
com resultados de outros trabalhos relacionados?
● QA5. O estudo avaliado apresenta resultados extraídos de um contexto real de
ensino?
Conforme o procedimento previsto em Kitchenham et al. (2010), para cada uma das
questões, é possível uma das seguintes pontuações: 1 (Sim, o estudo apresenta); 0.5 (O estudo
apresenta parcialmente); e 0 (Não, o estudo não apresenta). Ao final da avaliação, a pontuação
dos estudos é calculada por adição aritmética das respostas. Os artigos com pontuação total igual
a 0 são rejeitados, ou seja, eliminados da extração de dados.
2.6. Processo de Extração de Dados
Questões de Pesquisa Atributo Tipo de Dado
QP2: Que instituições de Título do trabalho. Texto
ensino/pesquisa se utiliza de análise
de aprendizagem? Afiliação dos autores. Texto
Lista Pré Definida (Presencial,
Modalidade de curso (s) analisado
Semipresencial, A Distância e Não
QP1: Que objetivos relacionados a (s).
Informado)
análise de aprendizagem são
abordados?
Objetivo da análise de
Texto
aprendizagem.
QP7: Que ambientes virtuais de
Ambiente (s) virtual (is) de ensino
aprendizagem se tem utilizado de Texto
analisado (s).
análise de aprendizagem?
QP3: Quais dados são os mais Dados coletados para análise de
Texto
explorados nas atividades de coleta? aprendizagem.
QP4: Que abordagens/tecnologias
Abordagem e/ou ferramenta (s) de
de coleta de dados são as mais Texto
coleta de dados utilizada (s).
aplicadas?
QP5: Que abordagens/tecnologias Abordagem e/ou ferramenta (s) de
Texto
de análise são as mais aplicadas análise de dados utilizada.
QP6: O estudo apresenta resultados Lista Pré Definida (Sim, Não, e Não
Resultados relatados pelo estudo.
positivos a sua abordagem? Diagnosticado)
Tabela 3. Extração de dados
376
O processo de extração de dados e avaliação de qualidade dos estudos são realizados ao
mesmo tempo, utilizando os procedimentos de avaliação de qualidade já descrito neste trabalho e
os atributos de extração relacionados na Tabela 3.
3. Resultados e Análise de Dados
Inicialmente foram identificados 321 artigos no total (311 SCOPUS e 10 CEIE). Seguindo os
procedimentos de seleção, 299 estudos foram rejeitados na etapa de pré-seleção pois não
atendiam totalmente os critérios de inclusão (Figura 2a) e atendiam total ou parcialmente os
critérios de exclusão (Figura 2b).
F2a. Etapa de Pré-Seleção - Análise dos Critérios F2b. Etapa de Pré-Seleção - Análise dos Critérios
de Inclusão de Exclusão
Os 22 estudos candidatos remanescentes da pré-seleção foram submetidos ao processo de
seleção inicial e final. Individualmente cada pesquisador (R1 e R2) analisou os estudos
candidatos aplicando os critérios de inclusão e exclusão a partir da leitura do título, resumo,
palavras-chave, autores e afiliação dos trabalhos.
Na seleção inicial, 2 artigos foram considerados duplicados por ambos os pesquisadores,
2 artigos foram rejeitados por atenderem o critério de exclusão E6 (Estudos que não foi possível
acessar o texto na íntegra). Os 18 artigos remanescentes foram submetidos a etapa de seleção
final. Nesta, os artigos foram analisados aplicando-se os critérios de inclusão e exclusão a partir
da leitura do introdução, conclusão e afiliação dos trabalhos. Durante esta etapa, 1 artigo foi
rejeitado uma vez que ele atendeu o critério de exclusão E2 (Estudos não afiliados a instituições
brasileiras de ensino e ou pesquisa). Após a etapa de seleção final, o número total de artigos
relevantes resultou em 17, os quais foram submetidos ao processo de extração de dados e
avaliação de qualidade, conforme Tabela 4 disponível em: https://goo.gl/fwKNZp.
3.1. Respostas às Questões de Pesquisa e Análise de dados
Os 17 estudos (Tabela 4) foram incluídos no processo de extração de dados e avaliação de
qualidade. A partir deles foram realizadas as descobertas e análise das questões de pesquisa deste
trabalho.
377
QP1: Que objetivos relacionados à análise de aprendizagem são abordados?
Ao analisar os estudos, cada um deles aborda uma aplicação da análise de aprendizagem
conforme objeto de estudo do trabalho. Somente 1 artigo (Id: 26956) não apresentou um objetivo
fim a abordagem de análise de aprendizagem proposta. Cinco artigos (Ids: 26836, 26973, 27090,
26878 e 26961) propõem a aplicação da análise de aprendizagem na identificação de estudantes
com baixa performance. Três artigos (Ids: 26836, 26973, 27094) propõem a aplicação da análise
de aprendizagem na identificação de alunos em risco de evasão. Quatro artigos (Ids: 27048,
26877, 2114, 26961) propõem a aplicação da análise de aprendizagem para auxiliar a tomada de
decisão docente através de síntese aos dados de performance, comunicação e acessos do usuário.
Outras aplicações de análise de aprendizagem identificadas foram: Acompanhar atividades de
tutoria (Id: 26892); Avaliar a satisfação dos alunos em relação ao conteúdo, processo e
resultados de aprendizagem (Id: 26878); Identificar grupos de alunos com características em
comum (Ids: 26914, 27091); Identificar o comportamento das interações dos alunos em AVA
(Ids: 27095, 2796), Promover participação efetiva dos alunos (Id: 26892); Identificar o
comportamento dos alunos no uso da ferramenta de fórum (Id: 27092); Checar a proficiência
gramatical dos alunos no uso da Língua Portuguesa-Br (Id: 27113); Assistir o estudante durante
o processo de aprendizagem (Id: 26878); Projetar um modelo de avaliação autêntico, que possa
fornecer avaliação e feedback aos alunos submetidos a metodologia PBL (Id: 26878); Entender
os perfis de respostas para orientar as próximas atividades de aprendizagem (Id: 26961).
Verificamos que 58% dos estudos tem como objetivo a aplicação da análise de aprendizagem em
cursos na modalidade à distância.
QP2: Que instituições de ensino/pesquisa se utiliza de análise de aprendizagem?
Ao analisar que Instituições de Ensino/Pesquisa estão envolvidas com o uso de análise de
aprendizagem no Brasil, foram encontradas 20 Instituições. Observamos que as Instituições em
destaques se encontram no Nordeste, mais especificamente no Estado de Pernambuco.
Verificamos que o Brasil em relação ao mundo possui pouquíssimos trabalhos relacionados ao
uso de análise de aprendizagem em ambientes virtuais de ensino, representando somente 5% de
todos os trabalhos identificados nesta pesquisa. Entre as instituições que apresentam trabalhos
reincidentes nesta área de pesquisa em território nacional estão: UFRN (2), UFCG (2), UFPE (3),
UPE (3) e UFRPE (3).
QP3: Quais dados são os mais explorados nas atividades de coleta?
Os dados mais explorados pelos estudos foram respectivamente: Número de postagem
enviadas em fórum (utilizado em 47% dos estudos); Matrícula do Aluno (utilizado em 35% dos
estudos), Número de Acessos ao Ambiente de Aprendizagem (utilizado em 29% dos estudos);
Postagens enviadas em chats (utilizado em 29% dos estudos), Interações do Usuário no
Ambiente (utilizado em 23% dos estudos), Identificação do Curso (utilizado em 23% dos
estudos), Notas dos Alunos (utilizado em 23% dos estudos), Postagens de fóruns lidas pelos
alunos (utilizado em 23% dos estudos).
Percebe-se que a maioria dos dados utilizados nas análises de aprendizagem são dados
quantitativos que dizem respeito a performance, identificação, vínculo com cursos e
comunicação inter usuários dos alunos.
QP4: Que abordagens/tecnologias de coleta de dados são as mais aplicadas?
378
A grande maioria dos trabalhos (70%) relatou as tecnologias utilizadas durante a coleta
dos dados de suas pesquisas. Alguns trabalhos utilizam-se de mais de uma tecnologia de coleta
(Ids: 26878, 26973, 27113, 26877 e 26956), outros somente uma tecnologia. As tecnologias de
coleta mais utilizadas são: Consultas SQL à Base de Dados do SGA (utilizado por 23% dos
estudos); Consultas à Arquivos de log do SGA (utilizado por 17% dos estudos) e Consultas
SPARQL a arquivos de dados educacionais armazenados em formato OWL/RDF (utilizado
11%). Apesar dessa diversidade, verificamos que a utilização de arquivos de log e base de dados
relacional encontram-se em mais uso.
QP5: Que abordagens/tecnologias de análise são as mais aplicadas?
A grande maioria dos trabalhos (64%) relatou utilizar técnicas de mineração de dados
para análise de aprendizagem. As tecnologias de análise mais utilizadas foram: Algoritmo de
Classificação K-Means (utilizado por 23% dos estudos); Algoritmo para criação de árvore de
decisão J48 (utilizado por 23% dos estudos); Métodos Estatísticos entre eles R, R
Square,Adjusted Square (utilizado por 23% dos estudos).
Diversas outras técnicas e ferramentas de análise de dados foram relatadas nos estudos,
entre elas: Aprendizado de Máquina, Random Forest, Sistema Weka, Teste de Correlação,
Coeficiente de correlação de Pearson, Verificação de Outliers, Algoritmo Z-Score, Algoritmo
ID3, Algoritmos de Clusterização Hierárquica, Desvio padrão, Redes Bayesianas, Algoritmo de
Simple Logistic, Algoritmo Multilayer Perceptron, Sistema QLik View, Sistema Moodle
Predicta, Sistema Pentaho, Cubo OLAP, Índice de Silhueta, Biblioteca Javascript jsChart,
Linguagem SPARQL, Algoritmos Fuzzy, Técnicas de Regressão, Teste Spearman, Ferramenta
Protege, Ferramenta MultiTrail, Ferramenta CMap Tools, Algoritmos de Processamento de
Linguagem Natural , Regras XML, Sistema CoGrOO, Algoritmo Expectation-Maximization e
Sistema FAG.
QP6: Os estudos apresentam resultados positivos as abordagens de análise de
aprendizagem propostas?
Na grande maioria dos estudos (94%) os autores consideraram positivos os resultados do
seu trabalho. Somente em 1 trabalho os autores não diagnosticaram o resultado. Verificamos que
o respectivo trabalho não propõe estudo de caso. Acreditamos, desta forma, que isso tenha
dificultado o diagnóstico dos resultados do estudo.
QP7: Que ambientes virtuais de aprendizagem se tem utilizado de análise de
aprendizagem?
Nos trabalhos selecionados, a utilização do ambiente virtual de aprendizagem Moodle
predomina em 70% das pesquisas. Acredita-se que esse número elevado se dar pelo Moodle ser
uma plataforma baseada em software livre e já ser consagrado no meio acadêmico. Porém, ainda
foi levantado o uso do PBLMaestro (Id: 26878), um software desenvolvido durante a pesquisa
dos autores. Outros cinco estudos (Ids: 26956, 26961, 26973, 27094) não informaram que
ambiente virtual de aprendizagem foi utilizado.
4. Considerações Finais
No Brasil, estudos que trabalham com a aplicação de análise de aprendizagem em ambientes
virtuais de ensino ainda são escassos. O que demonstra a carência de evidências que comprovem
como LA pode ser bem-sucedida quando aplicada em ambientes de ensino brasileiros. Esta
379
pesquisa buscou identificar como a análise de aprendizagem tem sido aplicada em ambientes
virtuais de aprendizagem utilizado por instituições de pesquisa/ensino nacionais. Verificamos
que, embora LA possa ser aplicada em qualquer modalidade de ensino, a maioria dos trabalhos
brasileiros utilizam-se de LA em cursos à distância. Além disso, verificamos que grande parte
dos trabalhos aplicam essa tecnologia com objetivo de verificar os índices de performance e
riscos de evasão dos alunos. Acreditamos que há altas expectativas para esse campo de pesquisa
que ainda não foram atingidas e/ou divulgadas. Com o uso de LA é possível identificar, por
exemplo, os padrões comportamentais e sociais que impactam no aprendizado do aluno.
Esperamos através desta pesquisa promover ferramentas que utilizam LA e sintetizar os dados o
estado atual deste campo de pesquisa a nível nacional. Além disso, apoiar a construção de novas
ferramentas que auxiliem a tomada de decisão docente, no que diz respeito a realização de
intervenções pedagógicas, durante o processo de ensino, seja ele presencial ou a distância.
Referências
ALMAZROUI, Yousef A. A survey of Data mining in the context of E-learning. International Journal of
Information Technology & Computer Science (IJITCS), v. 7, n. 3, p. 8-18, 2013.
BAKER, R. S. J. D.; YACEF, K. The state of educational data mining in 2009: a review and future
visions. Journal of Educational Data Mining, v. 1, n. 1, p. 3-17, 2009.
BAKER, R.; SIEMENS, G. Educational data mining and learning analytics. In: SAWYER, K. (Ed.). The
Cambridge handbook of the learning sciences. 2. ed. Cambridge: Cambridge University Press, 2014. p.
253-274.
BAYER, J. et al. Predicting drop-out from social behaviour of students. In: INTERNATIONAL
CONFERENCE ON EDUCATIONAL DATA MINING, 5., 2012, Chania. Anais. 2012.
BLIKSTEIN, Paulo. Using learning analytics to assess students' behavior in open-ended programming
tasks. In: Proceedings of the 1st international conference on learning analytics and knowledge. ACM,
2011. p. 110-116.
DAWSON, Shane Peter et al. Learning or performance: Predicting drivers of student motivation. 2009.
DRINGUS, Laurie, P., ELLIS, Timothy. (2005). Using data mining as a strategy for assessing
asynchronous discussion forums, Computer and Education Journal, 45, 141–160.
FERGUSON, Rebecca et al. Research evidence on the use of learning analytics: Implications for
education policy. 2016.
KOTSIANTIS, S. B. Use of machine learning techniques for educational proposes: a decision support
system for forecasting students’ grades. Artificial Intelligence Review v. 37, n. 4, p.331-344, 1 Apr.
2012
MÁRQUEZ-VERA, C. et al. Predicting student failure at school using genetic programming and different
data mining approaches with high dimensional and imbalanced data. Applied Intelligence, v. 38, n. 3,
p. 315-330, 1 Apr. 2013.
ROMERO, C., López, M.-I., Luna, J.-M., and Ventura, S. (2013). Predicting students’ final performance
from participation in on-line discussion forums. Computers & Education, 68:458 – 472.
SAKOWSK, Patrícia Alessandra Moritai; TÓVOLLI, Marina Haddad. Perspectivas da Complexidade
para a Educação no Brasil. Texto para Discussão, Instituto de Pesquisa Econômica Aplicada (IPEA),
2015
380