Análises

A terceira dimensão do Modelo Conceitual proposto nesta tese consiste da análise dos dados obtidos na fase anterior, com os objetivos de facilitar a compreensão sobre o que aconteceu e o que está acontecendo (análise descritiva); prever situações baseando-se em dados históricos (análise preditiva) e oferecer

insights para decisões mais inteligentes baseadas em dados sobre o que deverá ser

feito (análise prescritiva). Com isso, a análise de dados educacionais prevista no Modelo Conceitual contempla três níveis, ou categorias, de análises, conforme ilustrado na Figura 4.2.

Figura 4.2 _{– Categorias de análises de dados. Fonte: elaborado pela autora.}

A análise descritiva proporciona melhor entendimento sobre o que aconteceu, tendo como base dados históricos (DAVENPORT, 2012). Resultados de análises descritivas são, geralmente, apresentados por meio de relatórios, tabelares ou gráficos, que possibilitam facilitar a compreensão sobre as razões para o sucesso ou fracasso no passado.

Modelos de análise descritiva evoluíram para modelos preditivos, que utilizam dados históricos sobre um evento e integra novos conjuntos de dados a fim de fazer previsões sobre o futuro ou indicar a probabilidade de que uma situação ocorra (NYCE, 2007). A análise preditiva, conforme visto no capítulo 3 deste documento, teve valor expressivo em trabalhos desenvolvidos na área de LA nos últimos anos.

Um nível mais elevado de análise em relação às categorias anteriores, ainda escassamente explorado em educação online, e pouco explorado na área de gestão de negócios, é a análise prescritiva. Este tipo de análise parte da previsão obtida na categoria 2 de análise e prescreve recomendações, ou ações, para influenciar o que acontecerá no futuro (SCHAFFHAUSER, 2014). Um exemplo para este tipo de análise em educação, apresentado por Schaffhauser (2014) é um sistema de monitoramento da aprendizagem que poderia recomendar material adicional ou sites da web para um aluno com baixo desempenho em um determinado tópico. Apesar de ser um conceito atual e cujas discussões sobre seu emprego na área de educação estar nos seus primeiros rudimentos, neste trabalho esta categoria de análise está presente no Modelo Conceitual proposto e poderá ser empregada para resolver diversos problemas atuais da educação online, tais como a retenção dos alunos, a melhoria da aprendizagem e o re/planejamento pedagógico.

4.2.3.1 Técnicas para Análises de Dados

Diversas técnicas podem ser aplicadas para investigar dados e encontrar padrões escondidos em conjuntos de dados educacionais. O Modelo Conceitual proposto contempla quatro grupos de técnicas de análises que podem ser utilizados sobre os dados coletados em situações de ensino e aprendizagem: estatísticas, visualização de dados, mineração de dados e análise de redes sociais. Outras técnicas podem ser adicionadas conforme necessidade e interesse de aplicações.

O primeiro conjunto de técnicas indicado no Modelo é de Estatísticas. A maioria dessas estatísticas são disponibilizadas pelo próprio SGA por meio de relatórios de dados. Esses dados, embora úteis, muitas vezes são difíceis de serem interpretados, sobretudo pela grande quantidade de informações exibidas, geralmente, em formato tabelar.

De acordo com Card, Mackinlay e Shneiderman (1999), a Visualização de Dados consiste no uso de representações de dados visuais, suportadas por computadores para ampliar a cognição. Desta forma, o conjunto de técnicas de

visualização de dados proposto no Modelo Conceitual consiste em representar os resultados, obtidos a partir dos métodos estatísticos de análises, em formatos de maior representatividade visual a fim de facilitar a interpretação e análise das informações. Diversas representações gráficas, como histogramas, gráficos lineares, retangulares, de setores, barra de progresso, scatterplot, mapas e representações 3D, podem ser usadas para representar as informações em formato claro e compreensível. Visualização de dados possibilita oferecer a observação sobre um conjunto maior de variáveis em uma mesma representação visual. É desejável que as ferramentas educacionais analíticas ofereçam a opção de selecionar diferentes possibilidades de representações visuais para o usuário a fim de possibilitar o uso da representação que ele está mais familiarizado ou que tenha maior facilidade para interpretar.

Liu (2006) define a Mineração de Dados como o processo de descoberta de padrões úteis ou conhecimento a partir de fontes de dados, tais como bases de dados, textos, imagens e web. Há diversos métodos que podem ser utilizados para minerar dados, a maioria se enquadra nas seguintes categorias: aprendizagem supervisionada (ou classificação e previsão), aprendizagem não supervisionada (ou agrupamento) e regras de associação (LIU, 2006). Técnicas de mineração de dados são previstas no Modelo Conceitual proposto a fim de ampliar o suporte e atendimento às diferentes necessidades de usuários, viabilizando a construção de ferramentas analíticas a partir de modelos de análise preditivos e prescritivos.

A Análise de Redes Sociais possibilita representar visualmente, por meio de grafos, as relações sociais e conexões a partir do estudo quantitativo das ligações entre os indivíduos (D'ANDREA; FERRI e GRIFONI, 2009). A análise de redes sociais pode ser utilizada, por exemplo, para melhorar recomendações.

As técnicas de análises de dados podem ser utilizadas individualmente ou em conjunto, dependendo do objetivo da ferramenta de análise. O Modelo Conceitual proposto nesta tese considera esses diversos grupos de técnicas apresentado com o propósito de apoiar a construção de ferramentas de análise em qualquer uma das categorias apresentadas: descritiva, preditiva e prescritiva. Para isso, a implementação de uma ferramenta analítica educacional deve vencer o desafio de projetar e desenvolver análises a partir da técnica, ou técnicas, mais apropriada para atender aos objetivos da aplicação e minimizar o tempo entre a análise e a ação, apoiando a tomada de decisão de estudantes, de instrutores e/ou de gestores. A

ferramenta deve, ainda, possibilitar a extensão incremental do volume de dados para análises e garantir desempenho e escalabilidade.

A dimensão de Análises presente no Modelo Conceitual proposto provê evidências resultantes das análises realizadas para apoiar a tomada de decisão educacional, que consiste da quarta dimensão do Modelo, apresentado na Seção seguinte.