Os estudos já realizados sobre a evasão em MOOC são, em sua maioria, ancorados em learning analytics, este campo do saber que Siemens e Gasevic (2012) trazem, a partir da definição da Sociedade de Pesquisa em Learning Analytics, como a medição, coleta, análise e relatórios de dados sobre os alunos e seus contextos, com o objetivo de entender e otimizar a aprendizagem e os ambientes em que ela ocorre. A ponderação de Banihashem et al. (2018), em revisão sistemática da literatura sobre learning analytics, foi considerada sob uma perspectiva educacional, o que serve também ao enfoque dessa tese. Para esses autores, não foi focado o
aspecto técnico, onde a mineração de dados, o processamento algorítmico, a coleta de dados e a análise de dados são importantes, mas sim o ponto de vista educacional, no qual a introdução bem-sucedida de inovações educacionais nunca é apenas uma questão de fornecer acesso a novas ferramentas, por mais úteis que sejam. Para esses autores, os resultados de sua revisão mostraram que learning analytics podem trazer benefícios notáveis para a educação, como aumento do envolvimento dos alunos, melhoria dos resultados da aprendizagem, identificação dos alunos em risco, fornecimento de feedback em tempo real e personalização da aprendizagem.
Para Drachsler e Kalz (2016), pesquisas sobre MOOC e pesquisas sobre learning analytics estão naturalmente e intimamente entrelaçadas, pois MOOC criam grandes quantidades de dados que podem alimentar as várias tecnologias de análise de aprendizado. Os dados podem incluir aspectos tais como: a hora de submissão de tarefas, endereços IP para geolocalização, dados sobre a visualização dos vídeos, participação nos fóruns, as avaliações e outras atividades. Os dados sobre MOOC são de uma dimensão jamais vista em outras situações educacionais. Para Clow (2012), os dados educacionais têm por objetivo produzir intervenções inteligentes em situações educacionais. Grande parte das pesquisas, sobre a evasão e permanência em MOOC, usando estes métodos de análise de dados, foca-se na identificação de fatores que preveem a conclusão do curso, ou mesmo padrões de engajamento dos participantes (GUTL et al., 2014; WEN et al., 2014), ou ainda modelos de previsão da evasão (KLOFT et al., 2014; TAYLOR et al., 2014).
A partir da análise dos dados que são provenientes de cursos online, modelos de previsão da evasão podem ser propostos. Prieto et al. (2017) realizaram um estudo sobre um detector automático, baseado no histórico dos cliques dos participantes, que possa prever, quais participantes estão em risco de abandonar e quais tem maior chance de concluírem o curso. Xing et al. (2016) desenvolveram um modelo de previsão temporal dos alunos que estão em risco de desistirem do curso. Em vez de utilizar todos os dados de todos os participantes com risco de abandonarem o curso, o modelo é capaz de determinar especificamente os participantes em risco de evadir na semana seguinte, usando os dados coletados das semanas anteriores. Isto permite uma intervenção mais direcionada e com um número menor de participantes.
As maiores críticas direcionadas aos MOOC são, sem sombra de dúvidas, as baixas taxas de conclusão, que geralmente oscilam entre 5% e 12% dos inscritos (CUSACK, 2014; KOLLER et al., 2013; HO et al., 2014; UNIVERSITIES UK, 2013). Entretanto, as razões dos participantes para se inscrever em um MOOC podem ser as mais variadas, e muitos não têm a intenção de realizar todo o curso quando se inscrevem. É possível imaginar uma metáfora de vitrine, em que os cursos MOOC estão expostos, atraindo a atenção dos que passam, e que faz pensar em uma situação de consumo em que muitos param e olham a vitrine, mas poucos efetivamente entram na loja para comprar algo, ou podem até mesmo entrar e sair sem nada adquirir. DeBoer, J. et al. (2014) argumentam que dados sobre MOOC não são apenas volumosos e de vários tipos, mas eles requerem uma reconceitualização – novas variáveis educacionais ou interpretações diferentes de variáveis já existentes. Corroboram essa ideia ao demonstrar a inadequação ou as falhas de quatro variáveis convencionais da análise quantitativa de MOOC: inscrição, participação, currículo e finalização. Para os autores os MOOC oferecem não somente maior quantidade e diversidade de dados, como têm também parâmetros diferentes como parte do seu caráter. Argumentam que os objetos de análise nos MOOC, sejam em larga escala, sejam em escala individual são diferentes de seus análogos da educação convencional (presencial) em razão do contexto. A tese que eles apresentam é a de que estas variáveis precisam ser redefinidas para serem úteis na descrição e avaliação da experiência educacional dos MOOC. Ao se referirem a uma reconceitualização de variáveis, afirmam que isto implica em atualizar o modo como elas são utilizadas e interpretadas. São ajustes teóricos em vez de operacionais. Usam os termos “inscritos” para aqueles que somente se inscrevem e “usuários alunos” para aqueles que interagem com o curso. Restringir a definição de inscrição somente a usuários que se comprometem a completar o curso negligencia a atividade e experiência de um grande número de usuários. Se pesquisadores considerarem MOOC menos como cursos e mais como convites abertos ao engajamento com recursos educacionais, então os padrões de participação são menos preditivos de sucesso do que as variáveis em si mesmas. Estes autores afirmam que em MOOC, os alunos podem, geralmente, ignorar ou substituir a decisão de um professor sobre a sequência em que o material do curso é utilizado. Um modo simples de reconceitualizar o sucesso (finalização) é diferenciando a variável pela intenção que pode ser inferida pela atividade do aluno. De Boer et al. mostram que 1) a matrícula,
tradicionalmente estimada como o número de estudantes registrados e que se comprometem a completar uma classe, pode ser reconceitualizada como caminhos diferenciados, refletindo os objetivos individuais dos alunos; 2) a participação pode ser reconceitualizada de acordo com as diversas formas em que ocorre, e poderia ser um resultado em si mesma;3) currículo pode ser reconceitualizado como os percursos individuais, assíncronos, para os quais não existe uma maneira correta e prescrita de prosseguir; finalmente, 4) o sucesso ou finalização pode ser reconceitualizado como aquilo que for relevante para os objetivos do indivíduo. Os pesquisadores educacionais devem examinar suposições e interpretações desejadas de conceitos tradicionais no espaço dos MOOC, e análises neste sentido podem ampliar o sentido do que é participação e sucesso nos cursos.