Os autores concluem apresentando as principais contribuições do trabalho. Nele foram analisados 18 exemplos de tutores de rastreamento criados desde 2009, que demonstraram ser eficazes para ajudar os alunos a aprender em ambientes educacionais reais.
Como contribuições, o projeto CTAT foi pioneiro em um paradigma não-programador para a criação de STI. Uma segunda contribuição intelectual foi uma demonstração, em vários projetos de pesquisa de tutores, de que esse paradigma pode ser útil e eficaz. Uma terceira contribuição foi a evidência de uma economia substancial de custos: a construção de tutores de exemplo de rastreamento mostrou ser 4-8 vezes mais econômica.
3.2.2 A Learning Analytics tool with hybrid graphical and textual interpretation generation
Filvà et al. (2016) abordam o despreparo observado perante professores, que têm dificuldades com as competências digitais básicas e também dificuldades para entender o que seus alunos fazem nos ambientes de aprendizagem online. Com isso, apresentam no artigo uma abordagem de como visualizar e analisar a interação do aluno em sistemas de aprendizagem online e AVA. Nela, foram aplicadas técnicas por meio do conceito de Learning Analytics.
O software proposto coleta informações sobre a interação dos alunos no Moodle. Os dados são coletados e processados para exibir aos professores informações de maneira analítica por meio de painéis de aprendizado. O tipo de painel ajuda os professores a interpretar e entender gráficos, além de fornecer informações sobre interações e tendências agrupadas por trimestre e comparadas ao comportamento dos grupos.
Junto com o painel gerado, a proposta tem o objetivo de gerar um relatório, no qual cada gráfico possui um texto adicional explicando o próprio gráfico e o seu conteúdo. Os autores buscavam fornecer informações adicionais para gerar um texto autoexplicativo sobre os dados que ele contém.
Com base nessas informações, o professor poderia realizar avaliações e orientações para o aluno.
O objetivo dos autores era melhorar a tutoria/orientação e a avaliação do aluno. A ferramenta apresentada extrai dados do Moodle, reunindo os dados de interação dos alunos em um DWh, de forma que fosse apresentado ao professor de maneira significativa. As informações eram apresentadas ao professor por meio de um Modelo Visual da Atividade Online do Aluno. O modelo possui dois
componentes principais: (i) as visualizações gráficas; e (ii) informações textuais geradas de forma automática pelo software.
Por fim, o trabalho apresentou um impacto positivo e direto no campo da compreensão do comportamento dos alunos quando eles interagem com os ambientes virtuais de aprendizagem. Inclui um modelo único, um relatório analítico, com elementos gráficos e textuais, relevantes e úteis para os professores. Assim o modelo apresentado permite ao professor evitar o uso de diferentes ferramentas e plug-ins do Moodle para analisar a atividade do aluno em um curso online. Os textos descritivos gerados a partir dos gráficos conseguiram quebrar a barreira da interpretação analítica para os professores com pouco entendimento da análise quantitativa.
3.2.3 A Multi-Agent Architecture for Monitoring Tutoring Activities in VLEs
Fontes et al. (2016) propuseram uma arquitetura SMA para monitorar atividades de tutoria em AVA usando informações extraídas dos processos de Learning Analytics (LA). A metodologia utilizada no desenvolvimento do trabalho está dividida em (i) Modelo de Conhecimento, (ii) Módulo de Avaliação, (iii) Sistema Multiagente e (iv) Avaliação.O Modelo de conhecimento é responsável pela criação de uma ferramenta para análise de correlações e criação do modelo de conhecimento. O modelo em questão contempla criação de uma ferramenta para análise de correlações e criação do modelo de conhecimento propriamente dito. Para identificar a correlação, os autores utilizaram coeficiente de correlação de Pearson (LEBLANC, 2004;
SHARMA, 2012). Já para o nível de significância da análise, utilizaram o valor para α = 0,05 (SCHLOTZHAUER, 2007; RUBIN, 2012). Por fim, para a remoção de outlayers (HAWKINS, 2013), aplicou-se a técnica Z-Score (WARNER, 2012) nas informações que serviriam para análise.
O Módulo de Avaliação é responsável pela classificação dos dados. Ele é construído utilizando a linguagem de programação Java. Para a classificação dos dados, utilizou-se o algoritmo K-Means (MACQUEEN, 1967), disponível na biblioteca WEKA (Waikato Environment for Knowledge Analysis). E para a construção do Core III, utilizou-se a linguagem de programação JavaServer Faces, em conjunto com a API PrimeFaces (FONTES et al., 2016).
Já o Sistema Multiagente contempla o modelo de SMA proposto. O SMA proposto neste trabalho tem como objetivo operar no acompanhamento das atividades de tutoria no AVA Moodle,
de modo autônomo e proativo. Para a modelagem do SMA os autores utilizaram a metodologia MAS- CommonKADS+. Já para a implementação do SMA, utilizou-se o framework JADE (Java Agent Development Framework). O SMA proposto é formado por uma comunidade de agentes especializados que atuam autônoma e proativamente, sendo cada um deles especialista em determinada tarefa.
Por fim, a Avaliação apresenta a forma de validação do estudo. Como forma de validação, os autores propuseram um estudo de caso com algumas disciplinas ofertadas pela Secretaria de Educação a Distância da Universidade Federal do Rio Grande do Norte, que utiliza o Moodle como AVA. A base de dados histórica cedida corresponde aos anos de 2012 e 2013 em que foram retornados dados de 62 turmas, pertencentes a 10 cursos de graduação totalizando no dataset informações de 2.227 alunos e 38 tutores.
A validação seguiu as orientações de uma pesquisa quantitativa. Ela é conduzida por meio da aplicação de um questionário e busca apurar as opiniões dos atores envolvidos nesse processo. Este processo permitiu validar a eficácia da solução proposta em um cenário real.
Por fim, os autores informaram que o trabalho se trata de um estudo preliminar sobre a criação de uma arquitetura multiagente para acompanhamento das atividades de tutoria em AVA. Os autores definiram como trabalhos futuros modelar e implementar o SMA e realizar o estudo de caso para validar a eficácia da solução proposta. Dessa forma, os autores visam promover a participação efetiva dos alunos da modalidade a distância.
3.2.4 Analyzing Content Structure and Moodle Milestone to Classify Student Learning Behavior in a Basic Desktop Tools Course
Ros et al. (2017) apresentam uma abordagem que analisa a estrutura de conteúdo do Moodle para classificar o comportamento de aprendizado dos alunos em um curso virtual online. Essa abordagem utiliza os processos de Learning Analytics. Ele é composto pela captura de dados, extração de informações relevantes, processamento para análise posterior e execução de um conjunto de ações.
Ao analisar os diferentes parâmetros que são registrados pelo sistema de log e a estrutura de conteúdo no Moodle para um curso online, é possível classificá-los em diferentes características de aprendizado. Essas características permitem estudar o comportamento de aprendizagem dos alunos e
classificá-los para entender como eles estão aprendendo, como melhorar a estrutura de conteúdo e as notas dos alunos. Como consequência, ajuda os alunos a minimizar más práticas, bem como detecta desistências ou a solidão de um aluno nesta modalidade.
Para ligar as informações coletadas, uma redução multidimensional de parâmetros foi implementada com base no PCA (Principal Component Analysis) (DING, 2005). Apenas os parâmetros relevantes de cada tipo de característica foram selecionados para classificar os alunos. Os dados coletados foram classificados por meio da análise exploratória de dados (EDA) e filtrados com base nas características coletadas com o PCA.
A classificação do comportamento de aprendizagem dos alunos foi realizada propondo características como: (i) informações gerais do curso; (ii) recursos de aprendizagem; (iii) avaliações;
(iv) ferramentas de interação; e (v) implicação dos alunos. As cinco características são compostas por uma quantidade de 71 indicadores retirados do banco de dados do Moodle. Para reduzir a quantidade de indicadores e estudar os mais representativos, um algoritmo PCA foi implementado, reduzindo a dimensionalidade do conjunto de dados.
Os autores pretendem utilizar em trabalhos futuros o método PCA para todos os indicadores, além de melhorar o parâmetro tempo. Ele permite analisar de forma dinâmica os diferentes estados de cada característica para cada aluno, fornecendo assim, informações sobre como o conteúdo e a dinâmica do curso influenciam o comportamento do aluno. Assim, o objetivo dos autores é implementar um sistema capaz de determinar de forma automática o comportamento dos alunos, visando melhorar os processos de ensino-aprendizagem.
3.2.5 Mining Moodle Data to Detect the Inactive and Lowperformance Students during the Moodle Course
Hussian et al. (2018) buscam monitorar as atividades do aluno e prever aqueles com baixo desempenho no Moodle. Isso permite aos tutores/professores conferir os alunos quando o nível de suas atividades cair dos níveis normais. É possível verificar também quando suas notas forem mais baixas que o normal.
No início do processo foram detectados os alunos inativos analisando os dados de interação com o Moodle. A seguir, foram detectados os alunos de baixo desempenho durante o curso, com base nas notas e eventos dos alunos, para que o instrutor possa intervir em tempo real. Em seguida, foram
encontradas as atividades e eventos que estão relacionados a alunos com alta performance. Por fim, foram encontrados os algoritmos de Machine Learning apropriados para prever alunos inativos e de baixo desempenho.
Para atingir esse objetivo, o estudo aplicou a abordagem de Machine Learning e uma técnica estatística usando o campo da análise preditiva. A ferramenta proposta descobre conhecimento útil dos dados de registros do Moodle, que ajudam o instrutor a tomar uma decisão inteligente sobre o aprendizado e o curso do aluno. A identificação de alunos de baixo desempenho e inativos ajuda o instrutor a detectar o problema acadêmico com antecedência. Com esta informação, o tutor/professor pode alertar os alunos por e-mail, antes do exame final.
O resultado experimental mostrou que a técnica de classificação com algoritmos de regra de indução e logica fuzzy (FURIA) alcançou alta precisão na detecção de alunos inativos, além de prever as diferentes categorias do aluno durante o curso. A aplicação k-means possibilitou agrupar usuários inativos, ativos e com baixo desempenho. O sistema permite que o instrutor se concentre durante o curso em grupos de alunos inativos e com baixo desempenho e, em seguida, forneça feedback em tempo real.
Os autores também verificaram que a maioria dos estudantes com alto desempenho concluiu mais testes e teve mais participação no fórum de discussão em comparação com os alunos de baixo desempenho. Com isso, demonstraram que o sistema proposto pode ser integrado ao sistema Moodle para enviar alerta aos alunos inativos e de baixo desempenho e criar um ambiente educacional eficiente para os alunos. Assim, os autores visavam diminuir a taxa de reprovação e abandono do aluno no curso.