MOOCOLAB E TRABALHOS RELACIONADOS

Analisando o trabalho de Drachsler e Kalz (2016), pode-se dizer que o Framework proposto se encaixa no nível meso, pois faz a análise dos dados, visando criar insights sobre o comportamento de grupos de alunos em vez de um indivíduo. Essas percepções podem informar a instituição para adaptar seu modelo educacional e buscar estratégias que possam potencializar a interação e, assim, modificar o comportamento de alunos que estejam se mostrando pouco engajados no curso.

O presente Framework levou em consideração os trabalhos de Khalil (2017), Sein- Echaluce, Fidalgo-Blanco e García-Peñalvo (2017) e Klemke, Eradze e Antonaci (2018) para implementar Learning Analytics. Para isso é necessário realizar as seguintes etapas:

1 - Captura e Seleção dos dados – nesta etapa os dados são coletados a partir dos acessos aos cursos e informações de cadastros, bem como através de testes realizados no decorrer do curso. Foram considerados as seguintes variáveis: o número de acessos, horários, visualizações de vídeos, participação em fóruns, utilização de chats, realização de atividades, tempos de permanências no ambiente, tempo de permanência em cada atividade, notas, entre outros, levando em consideração o trabalho de Kahan, Soffer, Nachmias (2018). O objetivo é coletar dados que possam identificar padrões de comportamento no MOOC.

2 - A partir dos dados coletados foram aplicadas técnicas de Mineração de Dados e predição para identificar o aluno que necessita de auxílio, bem como avaliar possíveis abandonos no decorrer do processo de aprendizagem. Para isto foi utilizado o algoritmo K- means (MACQUEEN, 1967) para criar padrões de comportamento dos alunos, baseados nos dados coletados.

3 - É, então, possível fazer o processo de recomendação através do modelo baseado em conhecimento.

4 - A partir dessas análises, os resultados serão gerados em forma de relatórios e gráficos que poderão ser visualizados pelos próprios alunos, docentes e gestores da instituição. Com essas análises, o objetivo é causar uma reflexão nos atores envolvidos no processo de aprendizagem, visando gerar adaptações no ambiente e mudanças de comportamento.

Os trabalhos de Zuquello (2015) e Moraes (2015) são importantes no desenvolvimento do Framework por considerarem o contexto e os fatores da personalidade/temperamento dos alunos, a fim de melhorar o processo de colaboração na EaD.

No caso de Zuquello (2015), as interações do aluno no ambiente são analisadas visando recomendar objetos de aprendizagem que diminuam a sua evasão. Para isto o modelo utiliza filtragem colaborativa para encontrar similaridade entre os Recursos Educacionais de Aprendizagem - REA, levando em conta informações contextuais entre usuários para, posteriormente, prever qual REA é relevante para fazer as predições e recomendações.

Apesar do trabalho de Zuquello (2015) não estar relacionado com colaboração, a pesquisa busca realizar a recomendação de REA, considerando a interação do aluno na web. Entretanto, a coleta de dados no MOOColab será realizada a partir da interação no ambiente MOOC sem considerar a interação do aluno na web.

Já Moraes (2015) realiza a recomendação de monitores em um ambiente virtual de aprendizagem (AVA). Apesar de não estar relacionado diretamente com MOOC é um trabalho importante na concepção da forma como devemos analisar o comportamento dos alunos no ambiente e gerar a recomendação dos monitores. Para realizar a recomendação, foram utilizados algoritmos de similaridade para recomendar monitores com o mesmo perfil dos alunos.

No caso do MOOColab o processo de recomendação foi gerado a partir do conceito de heterogeneidade, tendo em vista que, segundo Vigotsky (1989), o nível de desenvolvimento potencial, determinado através da solução de problemas sob a orientação de um professor ou em colaboração com companheiros mais capazes, é uma importante etapa no processo de internalização da aprendizagem.

O simples contato com os objetos de conhecimento não garante aprendizagem, no entanto, a intervenção do outro (membro mais maduro) é essencial para que o processo ocorra. Esta visão não implica uma postura diretiva, de intervenção, mas sim enfatiza a importância do contexto.

Avaliando os Frameworks existentes, observamos que foram utilizados diferentes critérios no momento da recomendação. Os trabalhos de Khalil (2017) e Drachsler e Kalz (2016) fomentaram a colaboração a partir da análise de variáveis que identificam padrões de comportamento nos cursos massivos. As variáveis que foram avaliadas foram: visualização em vídeos, download de vídeos, visualizações em fóruns, comentários em fóruns, tópicos abertos em fóruns, chats realizados, atividades realizadas, horário de acessos, quantidade de acessos. A partir dos resultados da análise destes dados foi possível avaliar possíveis estratégias para melhorar a colaboração.

O trabalhos de Zuquello (2015) utilizou como critérios: o comportamento dos alunos (mensurado a partir dos dados de navegação dos alunos na web) e sua performance ao longo do curso, através das atividades disponibilizadas no decorrer do curso.

Da mesma forma, o trabalho de Klemke, Eradze e Antonaci (2018) utilizaram como critérios o comportamento dos alunos (considerando as variáveis tempo de acesso e interação em fóruns) e a performance para adaptarem o ambiente com técnicas de gamificação.

Por sua vez, o trabalho de Sein-Echaluce, Fidalgo-Blanco e García-Peñalvo (2017) utilizaram como critérios a personalidade do usuário, além da performance do aluno ao longo do curso. Enfim, o Framework Affinity (MORAIS, 2015) utilizou como critérios: a disponibilidade no ambiente, a reputação do aluno, o nível de habilidade dos alunos, a proximidade física e social.

Sob a perspectiva dos critérios MOOColab utilizou como critérios: o comportamento dos alunos - considerando as mesmas variáveis de Khalil (2017) e Drachsler e Kalz (2016); a performance ao longo do curso – considerando a realização das atividades ao longo do curso, como nos trabalhos de Zuquello (2015) e Klemke, Eradze e Antonaci (2018); a personalidade (usando o MBTI) como em Sein-Echaluce, Fidalgo-Blanco e García-Peñalvo (2017); a disponibilidade no ambiente, a reputação do aluno, o nível de habilidade dos alunos, a proximidade física e social, como em Morais (2015). Além disso, acrescentamos o critério idioma que foi encontrado na literatura, como em Assami et al. (2018). O Quadro 19 mostra as características do MOOColab.

Quadro 19 - Características do Framework MOOColab

Dimensão Descrição

Interessados Sujeito dos dados: Alunos e Professores e Gestores

Objetivo Criar um Framework de Colaboração Personalizado a partir da recomendação de pares

Instrumentos Learning Analytics, Sistemas de Recomendação, Dashboards Dados habilidades, reputação, comportamento, performance, idioma,

coletados disponibilidade, personalidade, proximidade física e proximidade social.

Colaboração Fomentada a partir da recomendação de colegas a outros Resultados Modelo conceitual e implementação do Framework Aplicação Implementação do Framework em uma plataforma MOOC Validação Experimentos e surveys