CAPÍTULO 2 – FUNDAMENTAÇÃO TEÓRICA
2.2 Learning Analytics
2017, foram os seguintes: 28,75% das instituições reportaram taxas de evasão na faixa de 16% a 20%; 36,96% informaram evasão na faixa de 21% a 25% e 38,40% relataram taxas de evasão entre 26% e 50% [50].
Essa taxas revelam que a evasão ainda é um dos grandes obstáculos para as instituições que oferecem cursos a distância [28]. Diante disso, analisar o desempenho dos alunos e subsidiar o desenvolvimento de metodologias que favoreçam o aprendizado e aumentem o engajamento e a motivação para reduzir essas taxas de evasão é muito importante. Esse é um dos grandes obje- tivos da Learning Analytics [51]. Na seção a seguir, abordaremos o conceito e as características dessa área da pesquisa educacional.
2.2
Learning Analytics
Os AVAs geram enormes quantidades de dados referentes ao registro das atividades dos seus usuários nos cursos a distância. A disseminação dos cursos a distância também veio acom- panhada de índices de evasão superiores aos dos cursos da modalidade presencial. Diante desse cenário, cresce cada vez o interesse a respeito da forma como esses dados podem ser utilizados para auxiliar a prática pedagógica e promover melhorias nos AVAs [15]. Essa abordagem se encaixa exatamente no conceito de Learning Analytics.
Muitas definições podem ser atribuídas ao termo Learning Analytics. De forma mais de- talhada, Gaševi´c, Dawson e Siemens [52] conceituam a Learning Analytics como a coleta, a análise e o relato dos dados gerados pelos alunos e seus contextos, com o objetivo de otimizar o aprendizado e o ambiente no qual este ocorre. Esse processo pode fornecer informações es- tratégicas sobre o que está acontecendo nos AVAs e indicar quais são os alunos que podem abandonar o curso ou aqueles que precisam de uma atenção especial para melhorar o seu de- sempenho dentro do ambiente virtual [53].
Na modalidade EAD, apoiada substancialmente pelas TICs, a Learning Analytics, dentre outras possibilidades, avalia o grau de participação e as interações dos alunos nos AVAs, ge- ralmente baseada em métodos quantitativos, como, por exemplo: número de mensagens pos- tadas, número de mensagens lidas, páginas visualizadas, hits, número de acessos etc. [54]. Para alcançar os objetivos a que se propõe, essa área de pesquisa educacional possui uma faceta multidisciplinar, valendo-se das melhores práticas de áreas como Mineração de Dados Educa- cionais, Visualização de Dados e Bussiness Inteligence, transformando os dados educacionais dos alunos, extraídos dos AVAs, em informações úteis para professores, tutores, gestores e psi- copedagogos. A Figura 2.1 apresenta um mapa conceitual com todas essas etapas.
2.2 Learning Analytics 31
Figura 2.2: Mapa conceitual da Learning Analytics
Fonte: Adaptado de Silva Junior e Oliveira, 2016
Utilizando os seus dispositivos de acesso (I), tais como computadores, tablets, smartpho- nesetc., os alunos acessam os AVAs, leem conteúdos, respondem atividades, interagem com colegas, professores e tutores etc. Essas atividades e interações apontam a trajetória de apren- dizagem dos alunos e podem indicar a eficiência de uma experiência de aprendizagem e estabe- lecer perfis sociais, cognitivos e comportamentais dos discentes no AVA. Essas interações são coletadas, registradas e armazenadas pelos AVAs em forma de logs e dados (II). Porém, diante da dificuldade de interpretação desses dados coletados pelo AVA, a Learning Analytics (III) aplica, dentre outras técnicas, a mineração de dados e a visualização de dados educacionais. Na etapa de mineração dos dados (IV), estes são processados, gerando informações sobre a apren- dizagem dos alunos. Na etapa de visualização de dados (V), essas informações são apresentadas graficamente, geralmente por meio de uma funcionalidade integrada com o AVA, classificada como Ferramenta de Avaliação da Aprendizagem (VI). Essas ferramentas podem ser plugins ou aplicações para os AVAs. Os relatórios gráficos gerados por essas ferramentas são uma forma de feedback para os atores que atuam na modalidade EAD (professores, tutores, gestores etc.) avaliarem as suas proposições didático-pedagógicas e identificarem a necessidade de melhorias no processo de ensino-aprendizagem dos alunos [55].
2.2 Learning Analytics 32
da Learning Analytics ocorrem em cinco fases distintas: captura, relatório, prevenção, ação e refino. A etapa de captura corresponde à tomada de decisão e à adoção de técnicas para garantir que os dados necessários nas próximas etapas serão devidamente armazenados, visto que esses dados podem vir de fontes variadas. No estágio de relatório, os dados são processados por técnicas que incluem desde métodos simples de visualização a algoritmos mais robustos que sintetizam e combinam os dados para obter informações significativas. A prevenção é fase na qual é necessária a atuação de professores, tutores e gestores em aplicações/ferramentas que fornecem respostas para questões formuladas previamente para problemas, como por exemplo, o o risco de abandono do curso. A ação, como o próprio nome já diz, é o passo no qual ações são tomadas para mudar uma circunstância e melhorar a motivação e o engajamento dos alunos. A última etapa, a do refino, é aquela não qual os passos anteriores são avaliados, para se certificar de que os dados sejam coletados e aplicados sobre os indivíduos em condições corretas e que tenham máxima eficiência e eficácia.
No escopo desse trabalho, propomos uma ferramenta de Learning Analytics na forma de um relatório para o AVA Moodle, utilizando técnicas simples de visualização de dados para subsidiar a prevenção do risco de evasão dos alunos e ações de professores, tutores e gestores de curso. Diante disso, consideramos importante para fundamentar os objetivos propostos, discutir mais detalhadamente os conceitos de visualização de dados e infográficos e também apresentar as características de uma ferramenta de Learning Analytics em um AVA, conforme discorrem as seções 2.2.1 e 2.2.2, respectivamente.
2.2.1
Visualização de Dados e Infográficos
Dentre as técnicas utilizadas pela Learning Analytics, destacamos a visualização de dados. Sobre isso, Einhardt, Cechinel e Tavares [16] enfatizam que a visualização de dados educa- cionais é considerada uma área crítica que merece a atenção dos pesquisadores. A técnica facilita a análise de grandes quantidades de informação, pois permite a representação dos dados a partir de exibição visual. Trata-se, portanto, de uma área da computação gráfica e da interface com usuário, cujo objetivo é extrair o máximo de informação de uma grande quantidade ou volume de dados, de forma rápida, clara e precisa.
Para cada tipo de dado, a visualização de dados poderá utilizar técnicas específicas. Nesse sentido, Shneiderman [57] criou uma taxonomia para as técnicas de visualização, classificando- as quanto ao tipo de dados e tarefas, da seguinte forma: unidimensionais (1D), como gráficos de linhas, histogramas e de barras; bidimensionais (2D), como mapeamento por cores, imagens, histogramas 2D e gráficos de barra também 2D; tridimensionais (3D) ou temporais e multi-
2.2 Learning Analytics 33
dimensionais (nD), grafos, e podem ter suporte a tarefas como obtenção de uma visão ampla ou detalhada, zooming, filtragem, identificação de relacionamentos, manutenção de histórico de ações e extração de informações diversas. Baseados nessas técnicas, alguns autores esta- beleceram uma lista de tarefas (tasks) de alto nível, que se aplicam a todos os tipos de dados. Conforme Plaisant [23], essas tarefas são as seguintes:
• Visão geral – visão geral de todos os dados. Pode incluir a avaliação do número de itens, o intervalo e a distribuição dos valores de atributos ou estimar alterações que mudaram desde a última vez que o usuário analisou os dados;
• Zoom – foco especial num determinado conjunto de informação;
• Filtragem – execução de buscas dinâmicas, permitindo aos usuários se concentrar rapida- mente em seus interesses, sem itens indesejados;
• Detalhes mediante solicitação do usuário - detalhes são fornecidos conforme solicitação do utilizador;
• Relação – identificação de relações entre itens; • Histórico – memorização das ações executadas;
• Extração e Relatório – gravação de subconjuntos dos dados ou de determinadas visuali- zações.
Utilizando essas e outras técnicas de exibição de dados e tarefas de alto nível para os usuá- rios, os infográficos são um tipo mais moderno de visualização de dados [18], empregados exa- tamente para transmitir informações complexas para um público, de uma maneira que possam ser rapidamente absorvidas e facilmente compreendidas [58]. Eles possuem forte apelo visual, misturando elementos gráficos para representar dados numéricos com explicação textual, con- tendo ícones, imagens, cores e elementos de design gráfico [18]. Devido a essas características, os infográficos são utilizados em diversas áreas, tais como: medicina, física, geologia, contabi- lidade, comunicação, administração etc., para exibir todo tipo de dado. Com o objetivo de criar infográficos mais dinamicamente, muitas ferramentas e frameworks de visualização de dados foram desenvolvidas. Podemos citar o Chart JS11, D3.Js12, Tableau13 e o Google Charts14.
No contexto dessa pesquisa, adotamos infográficos elaborados com a ferramenta Google Chats, empregando a técnica de visualização do tipo unidimensional, com gráficos dos tipos
11https://www.chartjs.org/ - Gráficos JavaScript simples e flexíveis para designers e desenvolvedores.
12https://d3js.org/ - biblioteca JavaScript para visualizações de dados dinâmicas e interativas em navegadores. 13www.tableau.com - fornece produtos de visualização de dados interativos focados em business intelligence. 14https://developers.google.com/chart/