Geração de modelos de predição para estudantes em risco de evasão em cursos técnicos a distância utilizando técnicas de mineração de dados

(1)

Programa de P ós-Graduaç ão em Computaç ão

Dissertac¸ ˜ao

Geraç ão de Modelos de Prediç ão para Estudantes em Risco de Evas ão em Cursos T écnicos a Dist ância Utilizando T écnicas de Mineraç ão de Dados

Emanuel Marques Queiroga

(2)

Geraç ão de Modelos de Prediç ão para Estudantes em Risco de Evas ão em Cursos T écnicos a Dist ância Utilizando T écnicas de Mineraç ão de Dados

Dissertaç ão apresentada ao Programa de P ós-Graduaç ão em Computaç ão da Universi-dade Federal de Pelotas, como requisito par-cial à obtenç ão do t´ıtulo de Mestre em Ci ência da Computaç ão

Orientador: Prof. Dr. Cristian Cechinel

Coorientador: Prof. Dr. Ricardo Matsumura Araujo

(3)

Q3g Queiroga, Emanuel Marques

QueGeração de modelos de predição para estudantes em risco de evasão em cursos técnicos a distância utilizando técnicas de mineração de dados / Emanuel Marques Queiroga ; Cristian Cechinel, orientador ; Ricardo Matsumura Araujo, coorientador. — Pelotas, 2017.

Que93 f. : il.

QueDissertação (Mestrado) — Programa de Pós-Graduação em Computação, Centro de Desenvolvimento Tecnológico, Universidade Federal de Pelotas, 2017.

Que1. Mineração de dados. 2. Predição. 3. Evasão. 4. Inteligência artificial. I. Cechinel, Cristian, orient. II. Araujo, Ricardo Matsumura, coorient. III. Título.

CDD : 005

(4)

Agradeço aos meus av ós Ereni e Jo ão, sem eles nada em minha vida teria sido poss´ıvel. Obrigado, por oferecer-me a oportunidade de estudar e nunca terem desis-tido de mim.

Agradeço imensamente a minha namorada Tain á, que me acompanhou ao longo dessa jornada e em tantos momentos foi privada de lazer e e das t ão sonhadas via-gens de f érias, para que eu pudesse dar continuidade a esse trabalho.

Devo no m´ınimo um obrigado a minhas dindas, N ádia e Marcia, por todo o suporte que me deram em minha inf ância, por todos pux ões de orelha que eu mereci e foram dados.

No meio acad ˆemico, gostaria de agradecer ao apoio incondicionalmente prestado pelos meus orientadores Prof. Dr. Cristian Cechinel e Prof. Dr. Ricardo Matsumura Araujo, que em nenhum momento desistiram deste projeto.

Meus sinceros agradecimentos ao Instituto Federal Sul-rio-grandense Campus Visconde da Graça e a Universidade Federal de Pelotas, pelo suporte dado para execuç ão.

(5)

elas apenas fazem o melhor com tudo o que t ˆem.

(6)

QUEIROGA, Emanuel Marques. Geraç ão de Modelos de Prediç ão para Estudan-tes em Risco de Evas ão em Cursos T écnicos a Dist ância Utilizando T écnicas de Mineraç ão de Dados. 2017. 92 f. Dissertaç ão (Mestrado em Ci ência da Computaç ão) – Programa de P ós-Graduaç ão em Computaç ão, Centro de Desenvol-vimento Tecnol ógico, Universidade Federal de Pelotas, Pelotas, 2017.

A evas ão é considerada um dos principais problemas relacionados com a Educaç ão a Dist ância (EAD). Nessa modalidade de ensino, a interaç ão entre estudantes e profes-sores geralmente é mediada por um Ambiente Virtual de Aprendizagem (AVA), onde ficam registradas em seus logs de interaç ões as aç ões realizadas pelos estudantes e professores durante o processo de ensino-aprendizagem. O grande volume de dados gerados por essas interaç ões permite a utilizaç ão de t écnicas de mineraç ão para analisar os dados dos estudantes. Este trabalho aplica t écnicas de mineraç ão de dados e aprendizagem de m áquina em logs das interaç ões dos estudantes de cursos t écnicos a dist ância dentro dos AVAs com o objetivo de identificar estudantes em situaç ão de risco de evas ão, utilizando como vari áveis principais de entrada para os modelos de prediç ão apenas a contagem dessas interaç ões e atributos variados das mesmas. Foram utilizados dados de logs no AVA (contagens de interaç ões e situaç ão final dos estudantes) de quatro cursos t écnicos EAD. As interaç ões dos estudantes foram contabilizadas separadamente da seguinte forma: quantidade de interaç ões di árias, soma das interaç ões semanais, m édia semanal das interaç ões, desvio padr ão e situaç ão final. Foram avaliados dois cen ários diferentes, sendo eles: 1) Geraç ão de modelos de prediç ão com treinamento e teste utilizando dados do pr óprio curso e a partir de validaç ão cruzada e 2) Treinamento dos modelos com dados de tr ês cursos e teste dos modelos com dados do curso restante. No primeiro cen ário, foram obtidos modelos de prediç ão da evas ão com ACG de at é 84% antes da d écima semana de curso, alcançado 95% at é a semana 52. No segundo, a maioria dos modelos de prediç ão apresentam resultados de at é 80% nas primeiras dez semanas de curso alcançando 98% antes da metade do curso. Um dos modelos alcançou uma ACG de at é 95% desde as primeiras semanas. Na comparaç ão direta com o modelo estat´ıstico, ambas as t écnicas apresentaram resultados pr óximos nas primeiras semanas. Entretanto, a partir da d écima semana, os modelos gerados por meio de mineraç ão de dados apresentaram um crescimento significativo nas ACG, enquanto que o modelo estat´ıstico se manteve est ável. Assim a contribuiç ão deste trabalho é a geraç ão de modelos de prediç ão que possam auxiliar de forma mais precisa no combate a evas ão.

(7)

QUEIROGA, Emanuel Marques. Generating predictive models for at-risk stu-dents in distance technical courses using data mining techniques. 2017. 92 f. Dissertaç ão (Mestrado em Ci ência da Computaç ão) – Programa de P ós-Graduaç ão em Computaç ão, Centro de Desenvolvimento Tecnol ógico, Universidade Federal de Pelotas, Pelotas, 2017.

Evasion is considered one of the main problems related to e-learning (EAD). In this teaching modality, the interaction between students and teachers is usually mediated by a Virtual Learning Environment (AVA), where the actions taken by students and teachers during the teaching-learning process are recorded in their interaction logs. The large volume of data generated by these interactions allows the use of mining techniques to analyze student data. This work applies data mining and machine learning techniques to logs of students’ interactions of distance technical courses within AVA’s in order to identify students at risk of evasion, using as main input variables for the prediction models Only the count of these interactions and varied attributes of them. Data from logs in the AVA (interaction counts and students’ final situation) of four EAD technical courses were used. Student interactions were counted separately as follows: number of daily interactions, sum of weekly interactions, weekly mean of interactions, standard deviation and final situation. Two different scenarios were evaluated: 1) Generation of prediction models with training and test using data from the course itself and from cross validation and 2) Training of the models with data from three courses and test of the models with data from the course remaining. In the first scenario, prediction models of prediction of ACG evasion up to 84% were obtained before the tenth week of course, reaching 95% until week 52. In the second scenario, most of the prediction models present results of up to 80% In the first ten weeks of the course reaching 98% before the middle of the course. One of the models has achieved an ACG of up to 95% since the first few weeks. In the direct comparison with the statistical model, both techniques showed close results in the first weeks. However, from the tenth week, the models generated through data mining showed a significant growth in the GCA, while the statistical model remained stable. The contribution of this work is the generation of models able to early predict dropout students..

(8)

Figura 1 Matriculas em cursos a Dist ˆancia 2015 - Adaptado de CENSO (2015) 17

Figura 2 Quantitativos de estudantes EAD - Adaptado de CENSO (2015) . . 18

Figura 3 Descoberta do conhecimento - KDD. Adaptado de FAYYAD; PIATETSKY-SHAPIRO; SMYTH (1996) . . . 23

Figura 4 Descoberta do conhecimento - KDD. Adaptado de HAN; PEI; KAM-BER (2011) . . . 26

Figura 5 Formul ´a teorema de Bayes . . . 30

Figura 6 Conjunto de dados . . . 32

Figura 7 Exemplo de ´arvore . . . 32

Figura 8 Form ´ula da transformada l ´ogica . . . 33

Figura 9 Modelo de uma rede neural - Adaptado de SEGATTO; COURY (2008) 34 Figura 10 Partes de um dos arquivos ARFF utilizado no projeto . . . 37

Figura 11 Fluxo de dados e sequ ˆencia dos projetos . . . 48

Figura 12 Cen ´ario 1 . . . 56

Figura 13 Cen ´ario 2 . . . 57

Figura 14 Resultado Cen ´ario 1 Experimento final Curso 3 VP . . . 58

Figura 15 Resultado Cen ´ario 1 Experimento final Curso 3 VN . . . 59

Figura 22 Resultado curso 1 - Verdadeiros Negativos Cen ´ario 2 . . . 65

Figura 23 Arvore de decis ˜ao curso 1 - Semana 25 . . . .´ 67

Figura 24 Arvore de decis ˜ao curso 1 - Semana 50 . . . .´ 68

(9)

Tabela 1 Quadro de evoluç ão da Mineraç ão de Dados - Adaptado de

VAS-CONCELOS; CARVALHO (2004) . . . 20

Tabela 2 Comparativo entre trabalhos relacionados - Parte 1 . . . 44

Tabela 5 Quantitivo de dados utilizados . . . 52

Tabela 6 Modelo de log do Moodle . . . 53

Tabela 7 Vari ´aveis Utilizadas . . . 54

Tabela 8 Comparativo entre Experimentos do Autor . . . 70

(10)

ABED Associaç ão Brasileira de Educaç ão a Dist ância ABNT Associaç ão Brasileira de Normas T écnicas ARFF Attribute Relation File Format

AVA Ambiente Virtual de Aprendizagem CaVG Campus Visconde da Grac¸a

CSV Comma-separated values EAD Educaç ão a Dist ância

EDM Mineraç ão de Dados educacionais IDH Índice de Desenvolvimento Humano IFSul Instituto Federal Sul-rio-grandense LDB Lei de Diretrizes e Bases da Educaç ão

KDD Descoberta de conhecimento em Bases de Dados(Knowledge Discovery in Databases)

MD Mineraç ão de Dados MEC Minist ério da Educaç ão

Moodle Modular Object-Oriented Dynamic Learning Environment PNUD Plano das Nac¸ ˜oes Unidas para o Desenvolvimento UFPel Universidade Federal de Pelotas

VP Verdadeiros Positivos VN Verdadeiros Negativos

(11)

1 INTRODUC¸ ˜AO . . . . 12

1.1 Objetivos e metas . . . . 14

1.2 Estrutura do texto . . . . 15

2 REFERENCIAL TE ´ORICO . . . . 16

2.1 Educaç ão a Dist ância . . . . 16

2.2 Evas ˜ao Escolar . . . 18

2.3 Minerac¸ ˜ao de Dados . . . 20

2.3.1 Selec¸ ˜ao dos dados . . . 23

2.3.2 Pr ´e-processamento e limpeza dos dados . . . 24

2.3.3 Minerac¸ ˜ao de dados educacionais . . . 26

2.3.4 Aprendizagem de M ´aquina . . . 29

2.3.5 Ferramentas para minerac¸ ˜ao de dados . . . 35

3 TRABALHOS RELACIONADOS . . . . 39

3.1 Descric¸ ˜ao dos trabalhos relacionados . . . . 39

3.2 An ´alise dos trabalhos relacionados . . . . 47

4 METODOLOGIA E EXPERIMENTOS . . . . 50

4.1 Contexto . . . . 50

4.2 Metodologia . . . . 51

4.2.1 Coleta . . . 51

4.2.2 Pr ´e-processamento dos dados . . . 52

4.2.3 Modelo Estat´ıstico descritivo . . . 54

4.2.4 Geraç ão e avaliç ão dos modelos de prediç ão . . . 55

4.2.5 Configurac¸ ˜ao do experimento final . . . 56

4.3 Resultados encontrados . . . . 57

4.3.1 Resultados Cen ´ario 1 . . . 58

4.3.2 Resultados Cen ´ario 2 . . . 61

4.3.3 Arvores de Decis ˜ao . . . .´ 65

5 DISCUSS ˜AO DOS RESULTADOS . . . . 70

5.1 Comparac¸ ˜ao com os Trabalhos Relacionados . . . . 71

6 CONSIDERAC¸ ˜OES FINAIS . . . . 74

REFER ˆENCIAS . . . . 76

(12)

(13)

No atual contexto social tornou-se indispens ável a busca por conhecimentos e qualificaç ão das pessoas, de forma que nos últimos anos o governo brasileiro atrav és do Minist ério da Educaç ão e entidades de fomento t êm feito uma s érie de investimen-tos em programas de educaç ão buscando a qualificaç ão da m ão de obra produtiva no pa´ıs.

Considerando que o Brasil é um pa´ıs de grandes dimens ões, diversas cidades est ão afastadas dos grandes centros universit ários e acabam ficando isoladas de pro-gramas de graduaç ão e cursos t écnicos profissionalizantes. Desta forma, uma das alternativas adotadas pelo governo federal para a expans ão do acesso a educaç ão foi a utilizaç ão da modalidade à dist ância (Educaç ão a Dist ância - EAD), que tem como um de seus objetivos levar o ensino a estas localidades, geralmente utilizando Ambi-entes Virtuais de Aprendizagem (AVAs) (DELANO; CORR êA, 2013).

O AVA é o “local virtual” onde os cursos na modalidade a dist ância, ou semipre-senciais, normalmente acontecem. S ão ambientes que utilizam plataformas especial-mente planejadas para abrigar cursos. Uma das plataformas mais utilizadas no pa´ıs é o Modular Object-Oriented Dynamic Learning Environment (Moodle1_).

No Moodle existem diversas áreas para apresentaç ão de conte údos em diver-sos formatos, atividades de verificaç ão da aprendizagem e espaços para interaç ão s´ıncrona, por meio de chats, e ass´ıncrona, atrav és de f óruns de discuss ão. Tratam-se de recursos que permitem a interaç ão dos estudantes entre si e com a equipe de tutores e professores. A organizaç ão do ambiente virtual permite ao aluno um acom-panhamento organizado e sistematizado daquilo que é estudado a cada semana. A recuperaç ão da informaç ão e dos conte údos estudados tamb ém é um dos benef´ıcios proporcionados por cursos a dist ância que utilizam AVAs (SEGUNDO; RAMOS, 2005). Um dos principais desafios da EAD é obter a diminuiç ão do ´ındice de evas ão, que conforme o Censo EAD (CensoEAD, 2013), foi de 18,6% em 2010, 20,5% em 2011, 11,74% em 2012 e 16,94% em 2013 nos cursos autorizados pelo Minist ério da Educaç ão (MEC). Num contexto onde em 2013 haviam 5754 cursos autorizados pelo

(14)

MEC e a taxa de matriculas anual foi de 882.843, temos em torno de 149.553 alunos evadidos.

BARROSO; FALC ãO (2004) agrupam as condiç ões desencadeantes para evas ão em 3 classificaç ões, i) econ ômica - impossibilidade de permanecer no curso por quest ões socioecon ômicas; ii) vocacional – o aluno n ão se identifica com o curso; iii) institucional – abandono por fracasso nas disciplinas iniciais, inadequaç ão aos m étodos de estudo, dificuldades de relacionamento com colegas ou com membros da instituiç ão.

Segundo MANH ãES et al. (2011), a detecç ão precoce de grupos de alunos com risco de evas ão é uma condiç ão importante para reduzir o problema da evas ão, uma vez que um tratamento mais adequado pode ser ofertado a esses alunos. Ainda se-gundo MANH ãES et al. (2011), atualmente o processo de identificaç ão desse grupo de alunos é manual, subjetivo, emp´ırico e sujeito a falhas, pois depende primordial-mente da experi ência acad êmica e do envolvimento dos docentes. Geralprimordial-mente, estes desempenham in úmeras atividades, portanto é dif´ıcil acompanhar e reconhecer as necessidades de cada aluno e identificar aqueles alunos que apresentam risco de evas ão.

Com o grande volume de dados gerados pelos ambientes virtuais de apren-dizagem, o trabalho de descoberta do conhecimento atrav és da an álise dessas informaç ões sem uma ferramenta adequada se torna mais complexo, trabalhoso e dispendioso. Assim, tentando minimizar este problema e os apontados por MANH ãES et al. (2011), a mineraç ão de dados surge como uma alternativa no tratamento e para descoberta de conhecimento nessas bases.

A mineraç ão de dados é a disciplina que estuda a descoberta de novas informaç ões a partir da an álise de grandes quantidades de dados, tendo como ob-jetivo identificar relaç ões e padr ões nos dados e, assim, produzir novas informaç ões. Estas informaç ões podem propiciar a descoberta de novas regras ou padr ões associ-ados ao comportamento e assim possibilitar a prediç ão de situaç ões (BAKER; YACEF, 2009).

Como exemplo, poder´ıamos aplicar a mineraç ão de dados nas informaç ões de venda de um mercado em um determinado per´ıodo, assim podendo identificar a relaç ão entre os produtos e reorganizar o estoque para que os produtos com a relaç ão mais pr óxima de venda fiquem em lugares estrat égicos ou at é mesmo planejar o es-toque de determinados produtos em determinados per´ıodos.

A mineraç ão de dados tamb ém pode ser aplicada em problemas mais complexos, tais como: a prediç ão de condiç ões clim áticas, a identificaç ão de faces, a alocaç ão de banda de um servidor, a prediç ão de caracter´ısticas do solo e a utilizaç ão de dados educacionais para descoberta de padr ões e prediç ão de comportamento.

(15)

de pesquisa recente e que tem como principal objetivo o desenvolvimento e aplicaç ão de t écnicas de mineraç ão de dados na exploraç ão de conjuntos de dados coletados em ambientes educacionais.

Atualmente a EDM vem se estabelecendo como uma forte e consolidada linha de pesquisa que possui grande potencial para melhorar a qualidade do ensino (BAKER; ISOTANI; CARVALHO, 2011). Essa área pode ajudar as instituiç ões a criarem mo-delos de prediç ão que tenham condiç ões de avaliar as chances de um determinado acad êmico evadir.

A aplicaç ão da EDM pode possibilitar o tratamento diferenciado entre os alunos, dedicando formas de aux´ılio diferenciadas a um determinado aluno que esteja com uma probabilidade maior de evas ão.

1.1 Objetivos e metas

Este trabalho tem como objetivo estudar e aplicar as t écnicas de mineraç ão de dados e aprendizagem de m áquina em dados dispon´ıveis da EAD do Instituto Federal Sul-rio-grandense (IFSUL), propondo um modelo de prediç ão para evas ão de alunos baseado somente na contagem de interaç ões e suas variaç ões, assim possibilitando o emprego em diferentes dom´ınios de aplicaç ão.

O objetivo geral se desdobra nas seguintes metas espec´ıficas, a serem contem-pladas neste trabalho.

• Realizar um levantamento das pesquisas dispon´ıveis na área de mineraç ão de dados educacionais, principalmente para a prediç ão de estudantes em risco de evas ão e/ou reprovaç ão.

• Documentar as principais teorias e conceitos aplicados na mineraç ão de dados educacionais e principalmente nos dados de interaç ões de alunos com ambien-tes de aprendizagem, bem como os algoritmos que apresentam os resultados mais satisfat órios na área e suas caracter´ısticas.

• Gerar e testar modelos de prediç ão para identificaç ão de estudantes de cur-sos t écnicos a dist ância em risco de evas ão, utilizando somente contagem de interaç ões e diferentes variaç ões desta.

Considerando os aspectos apresentados, o foco deste trabalho é utilizar apenas contagem de interaç ões ao longo do tempo, uma vez que esta é uma m étrica fa-cilmente generaliz ável para outras plataformas e abordagens de ensino, em con-traste com abordagens que s ão extremamente espec´ıficas (e.g. utilizando tipos de interaç ões que n ão necessariamente existem em todas plataformas ou s ão utilizadas em todas execuç ões de cursos).

(16)

1.2 Estrutura do texto

Essa dissertac¸ ˜ao esta constitu´ıda por este e mais seis cap´ıtulos, conforme estru-tura descrita a seguir.

No cap´ıtulo 2 s ão apresentados os referenciais te óricos sistematizados que foram utilizados no desenvolvimento dessa dissertaç ão, considerando o tema central de pes-quisa.

No cap´ıtulo 3 s ão apresentados diversos trabalhos na área de mineraç ão de dados educacionais enfocados no problema da prediç ão de estudantes em risco, assim como as principais t écnicas aplicadas por esses trabalhos e uma breve discuss ão sobre as diferenças entre os mesmos e os resultados obtidos.

No cap´ıtulo 4 s ão apresentados a metodologia e os experimentos desenvolvidos no decorrer desta dissertaç ão. Para isto, é apresentado o contexto dos dados que foram utilizados para os experimentos, os processos utilizados para mineraç ão de dados e a geraç ão dos modelos propriamente dita.

No cap´ıtulo 5 s ˜ao apresentados os resultados encontrados nos experimentos deste trabalho.

No cap´ıtulo 6 é feita a discuss ão dos resultados obtidos nesta dissertaç ão e sua comparaç ão com o estado da arte na prediç ão de evas ão.

O cap´ıtulo 7 apresenta as considerac¸ ˜oes finais bem como propostas para trabalhos futuros.

(17)

Este cap´ıtulo apresenta a sistematizaç ão de conceitos que foi feita considerando o tema central de pesquisa desta dissertaç ão. Nesse sentido, s ão apresentados os con-ceitos sobre Educaç ão a Dist ância, Evas ão Escolar, Mineraç ão de Dados, Mineraç ão de Dados Educacionais (EDM) e ainda Aprendizagem de M áquina.

2.1 Educaç ão a Dist ância

A educaç ão a dist ância(EAD) é uma modalidade de ensino onde discentes e do-centes est ão separados fisicamente, ou seja, n ão est ão no mesmo local f´ısico. Atu-almente a forma de mediaç ão entre os discentes e docentes mais utilizada s ão os ambientes virtuais como o Moodle (LITTO; FORMIGA, 2011).

Historicamente a educaç ão a dist ância faz parte da formaç ão profissional e cul-tural de milh ões de pessoas que n ão possam frequentar uma instituiç ão de ensino presencial, por motivos como por exemplo, a dificuldade de acesso aos grandes cen-tros profissionalizantes e/ou universit ários. Entretanto, somente nas últimas d écadas passou a fazer parte das atenç ões pedag ógicas (MAIA; MATTAR, 2008).

Ap ós as grandes guerras novas iniciativas de ensino se tornaram uma necessi-dade pelo aumento da demanda social por educaç ão. Com o aperfeiçoamento das t écnicas de transporte e comunicaç ão como os serviços de correios, tel égrafos, ra-diof ônicos e at é mesmo telef ônico podendo ser aplicados diretamente na comunicaç ão e informaç ão n ão somente dos ex ércitos, mas tamb ém da sociedade, cresceu a de-manda por uma forma de educaç ão que pode-se levar às pessoas, afastadas dos grandes centros, educaç ão de qualidade. Baseado em um modelo de ensino por correspond ência, que surgiu na antiga Uni ão Sovi ética em 1922, a França criou seu serviço de ensino postal para atender estudantes deslocados pelo êxodo das guerras e o mesmo, em dois anos, passou a atender 350 mil usu ários (JUNIOR, 2013).

Com a evoluç ão dos meios de comunicaç ão o ensino a dist ância utilizou integrada-mente o áudio e o videocassete, as transmiss ões de r ádio e televis ão, o videotexto, o computador e, com o advento da internet, a tecnologia de multimeios, que combinando

(18)

textos, sons, imagens, assim como mecanismos de geraç ão de caminhos alternativos de aprendizagem (hipertextos, diferentes linguagens) e instrumentos para fixaç ão de aprendizagem com feedback imediato (programas tutoriais informatizados) JUNIOR (2013).

Como sugere FARIA (2004), no s éculo XXI necessitam as instituiç ões de ensino estarem preparadas para interagir com uma geraç ão mais atualizada e mais infor-mada, porque os modernos meios de comunicaç ão, liderados pela Internet, permitem o acesso instant âneo à informaç ão e os alunos t êm mais facilidade para buscar co-nhecimento por meio da tecnologia colocada à sua disposiç ão. Os procedimentos did áticos, nesta nova realidade, devem privilegiar a construç ão coletiva dos conheci-mentos, mediados pela tecnologia, na qual o professor é um part´ıcipe pr ó-ativo que intermedeia e orienta esta construç ão.

Na Figura 1 constantes no Censo Brasileiro de educaç ão a dist ância CENSO (2015), é poss´ıvel analisar os n úmeros de matriculas registradas em cursos de educaç ão a dist ância, nos diferentes formatos dispon´ıveis no Brasil atualmente.

Figura 1: Matriculas em cursos a Dist ância 2015 - Adaptado de CENSO (2015) A Figura 2, apresenta os quantitativos de estudantes que em 2015 estavam cur-sando algum tipo de curso a dist ância homologado pelo Minist ério da Educaç ão.

(19)

Figura 2: Quantitativos de estudantes EAD - Adaptado de CENSO (2015) Segundo a Associaç ão Brasileira de Educaç ão a Dist ância (ABED), os tr ês prin-cipais problemas enfrentados pela Educaç ão a Dist ância no Brasil s ão a evas ão, a resist ência dos pr óprios educadores e a dificuldade de adaptaç ão dos estudantes a essa modalidade de ensino CENSO (2015).

Como esse trabalho tem como um de seus objetivos a geraç ão de modelos de prediç ão que auxiliem na identificaç ão de estudantes em risco de evas ão, esse pro-blema ser á abordado na pr óxima seç ão desse trabalho.

2.2 Evas ˜ao Escolar

A evas ão est á entre os temas que tem grande relev ância no debate sobre educaç ão no cen ário das pol´ıticas p úblicas, sendo um dos temas mais discutidos na educaç ão. Assim a evas ão é um grande desafio para as escolas, pais e para o sis-tema educacional, sendo ela um dos principais problemas enfrentados pela educaç ão no Brasil.

O conceito de evas ão escolar definido por EYNG et al. (2013) é quando o aluno deixa de frequentar a aula, caracterizando o abandono da escola durante o ano letivo. Ele ainda define a evas ão como um processo gradativo, que muitas vezes vai ocor-rendo no andamento do curso e n ão é notado. Para isso ele usa o seguinte relato: ”No começo eram faltas espor ádicas. Depois, passaram a ser semanais. A professora foi se acostumando ao sil êncio quando chamava o nome do aluno. At é que um dia ele n ão apareceu mais.”

Segundo a legislaç ão brasileira vigente, a responsabilidade da evas ão na educaç ão é tanto do Estado quanto da fam´ılia, desta forma tendo esses dois agen-tes o dever da orientaç ão s ócioeducacional de crianças e adolescenagen-tes. A Lei de Diretrizes e Bases da Educaç ão (LDB) é clara quanto a isso como podemos ver abaixo(QUEIROZ, 2001).

Art. 2o_{. A educac¸ ˜ao, dever da fam´ılia e do Estado, inspirada nos}

(20)

finalidade o pleno desenvolvimento do educando, seu preparo para o exerc´ıcio da cidadania e sua qualificac¸ ˜ao para o trabalho.

O governo brasileiro, ciente deste problema, vem estudando a evas ão h á alguns anos e definiu que a evas ão é definida em tr ês eixos(MANH ãES et al., 2011):

• Evas ão de curso - quando o estudante desliga-se do curso de graduaç ão em situaç ões diversas: abandono (deixa de se matricular), desist ência (oficial), 3 transfer ência (mudança de curso) ou exclus ão por norma institucional;

• Evas ão da instituiç ão - quando o estudante desliga-se da instituiç ão na qual est á matriculado;

• Evas ˜ao do sistema - quanto o estudante abandona de forma definitiva ou tem-por ´aria o ensino superior.

Hoje, mesmo com o d éficit nacional de m ão de obra especializada e as universi-dades oferecendo a cada ano um crescente n úmero de vagas, o n úmero de formados reduz a cada ano(BRASIL, 2013). Somando a isso h á ainda o fator de que a ocupaç ão de uma vaga em uma instituiç ão p ública de ensino seguida do abandono tornou-se um problema generalizado, independente da instituiç ão, gerando perdas pessoais, sociais e financeiras(MANH ãES et al., 2011).

Desta forma o problema da evas ão deixou de ser um problema pessoal do estu-dante e passa para a ser um problema de estado, que precisa ser combatido para n ão comprometer ainda mais a m ão de obra produtiva do pa´ıs em um futuro pr óximo.

Alguns autores como BARROSO; FALC ãO (2004) que avaliam o problema da evas ão, definem os fatores que desencadeiam a evas ão escolar em tr ês principais agrupamentos:

• econ ômica - impossibilidade de permanecer no curso por quest ões socioe-con ômicas;

• vocacional – o aluno n ˜ao se identifica com o curso;

• institucional – abandono por fracasso nas disciplinas iniciais, inadequaç ão aos m étodos de estudo, dificuldades de relacionamento com colegas ou com mem-bros da instituiç ão.

Apesar de existirem muitos trabalhos sobre a evas ão, poucos s ão voltados para o ensino t écnico. Da mesma forma, existe uma gama muito grande de relat órios com os n úmeros da evas ão no ensino superior, mas praticamente nada sobre o ensino t écnico. Valendo ressaltar que no Brasil o ensino t écnico é enquadrado como ensino m édio e fica clara uma separaç ão entre t écnico e m édio nos dados divulgados pelo Governo Brasileiro.

(21)

Em 2012 um relat ório desenvolvido pelo Programa das Naç ões Unidas para o De-senvolvimento (PNUD), classifica o Brasil como a terceira maior taxa de evas ão no ensino m édio, entre os 100 pa´ıses com maior Índice de Desenvolvimento Humano (IDH), chegando a alcançar taxas de 24,3%(DE OLIVEIRA, 2017).

Assim, a evas ão se tornou um problema de grandes proporç ões na educaç ão bra-sileira e a criaç ão de novas ferramentas que possam fornecer uma forma de aux´ılio aos educadores nessa tarefa se torna de suma import ância. Desta forma, este tra-balho atrav és da mineraç ão de dados educacionais tem como uma de suas metas a geraç ão de modelos de prediç ão para identificaç ão de estudantes de cursos t écnicos a dist ância que apresentem risco de evas ão.

2.3 Minerac¸ ˜ao de Dados

Com o surgimento dos sistemas de informaç ão o armazenamento de dados se tor-nou uma das prioridades das instituiç ões. Para isso foram criadas bases de dados que cresceram de forma demasiadamente r ápida, como podemos notar com maior eviden-cia nas últimas d écadas, seja pela reduç ão no preço de aquisiç ão dos equipamentos ou pela maior utilizaç ão da comunidade em geral (CIOS; PEDRYCZ; SWINIARSKI, 1998).

Tabela 1: Quadro de evoluç ão da Mineraç ão de Dados - Adaptado de VASCONCE-LOS; CARVALHO (2004) Etapa Evolucion ária Quest ão Comercial Tecnologias Dispon´ıveis Fornecedores de Produtos Caracter´ısticas Coleç ão de dados(1960s)

“Qual foi minha receita total nos ´ultimos cinco anos?”

Computadores, fitas e discos IBM, CDC Retrospectiva, distribuiç ão de dados est ática Acesso a dados(1980s) “Quais foram as vendas unit árias de S ão Paulo em março?” Bancos de dados relacionais(RDBMS), Structured Query Language (SQL),ODBC Oracle, Sybase, Informix, IBM, Microsoft Retrospectiva, distribuiç ão de dados din âmica a n´ıvel de registros Data Warehousinge Suporte à Decis ão(1990s) “Quais foram as vendas unit árias de S ão Paulo

em marc¸o? Avalie tamb ´em

Campinas.” On-Line Analytical Processing(OLAP) Pilot, Comshare, Arbor, Cognos, Microstrategy Retrospectiva, distribuiç ão din âmica de dados m últiplos n´ıveis Mineraç ão de Dados

“Qual a previs ão para as vendas de Campinas no pr óximo m ês? Porqu ê?” Algoritmos avançados, computadores multiprocessados, banco de dados massivos. Pilot, Lockheed, IBM, SGI, e outras (novas empresas) Prospectiva, distribuiç ão de informaç ão ativa.

Devido a essa melhora na tecnologia da informaç ão e o crescimento da Internet, as organizaç ões s ão capazes de coletar e armazenar enormes quantidades de dados.

(22)

Para o armazenamento foram desenvolvidas diferentes estruturas de armazena-mento para as novas demandas que foram surgindo. Estas podem ser desde simples base de dados contendo o estoque de um super-mercado at é a indexaç ão de grandes motores de busca como o Google.

Entre essas bases de dados podemos citar algumas que t ˆem um enorme tamanho como descritas por (BRAMER, 2013):

• Os sat élites de observaç ão da NASA geram cerca de um terabyte de dados por dia;

• O projeto Genoma armazena milhares de bytes para cada uma das bilh ˜oes de bases gen ´eticas;

• Instituiç ões mant êm reposit órios com milhares de transaç ões dos seus clientes; Percebeu-se gradualmente que os dados n ão s ão iguais a informaç ão, que os da-dos devem ser analisada-dos e extra´ıda-dos. Assim surgiu uma pergunta crucial ”Com o volume de dados armazenados crescendo diariamente, o que fazer com os dados armazenados?”(CAMILO; SILVA, 2009).

Mesmo com profissionais treinados para analisar e interpretar os dados, os aumen-tos na quantidade de dados, tipo de dados, e dimens ões de an álise, t êm dificultado estas aç ões. A computaç ão tem ido al ém do armazenamento, transmiss ão e proces-samento. Os dados precisam ser convertidos em informaç ão e conhecimento para apoiar a tomada de decis ão(PASTA, 2011).

Fazer com que os dados armazenados, seja em um grande Data Center ou em pe-quenos servidores, se transformem de simples c ódigos sem sentido aparente em uma s érie de informaç ões úteis é um dos principais desafios. Esse processo de descoberta pode fazer com que uma empresa simplesmente perca sua competitividade ou uma instituiç ão de ensino deixe de formar in úmeros alunos em um ano.

Com a interessante tarefa de descoberta de conhecimento nas bases de dados, tendo em vista que as t écnicas tradicionais de exploraç ão de dados n ão s ão mais ade-quadas para tratar a grande maioria dos reposit órios, foi proposta, no final da d écada de 80, a Mineraç ão de Dados, do ingl ês Data Mining. Assim a quest ão levantada anteriormente pode ser respondida(CAMILO; SILVA, 2009).

Desta forma, a mineraç ão de dados com suas tarefas e t écnicas representa a fase principal Descoberta de Conhecimento em Bases de Dados, do ingl ês para Knowledge Discovery in Databases (KDD).

Alguns dos casos onde a mineraç ão de dados pode auxiliar os processos de to-mada de decis ão de forma satisfat ória s ão citados por BRAMER (2013), OLSON; DE-LEN (2008), WITTEN et al. (2016) e CAMILO; SILVA (2009):

(23)

• Retenç ão de clientes: identificaç ão de perfis para determinados produtos, venda cruzada;

• Bancos: identificar padr ˜oes para auxiliar no gerenciamento de relacionamento com o cliente;

• Cart ão de Cr édito: identificar segmentos de mercado, identificar padr ões de ro-tatividade;

• Cobrança: detecç ão de fraudes;

• Telemarketing: acesso facilitado aos dados do cliente; • Eleitoral: identificaç ão de um perfil para poss´ıveis votantes; • Medicina: indicaç ão de diagn ósticos mais precisos;

• Segurança: na detecç ão de atividades terroristas e criminais; • Aux´ılio em pesquisas biom étricas;

• RH: identificaç ão de compet ências em curr´ıculos [9];

• Tomada de Decis ão: filtrar as informaç ões relevantes, fornecer indicadores de probabilidade.

• Com ércio: Melhorar a disposiç ão de seus produtos nas prateleiras, atrav és do padr ão de consumo de seus clientes;

• Marketing: direcionar o envio de mensagens promocionais, obtendo melhores retornos;

Tradicionalmente o modelo de transformaç ão dos dados em informaç ão segundo FAYYAD; PIATETSKY-SHAPIRO; SMYTH (1996), consiste no processamento manual de todas essas informaç ões por especialistas que produzem relat órios para an álise. Assim ele cita que com a sobre-carga de dados gerada pela era da informaç ão esse processo de descoberta do conhecimento manual se tornou impratic ável, tanto pelo tempo demandado quanto pela dificuldade da tarefa, e a KDD surge como uma tenta-tiva de solucionar este problema.

A definiç ão de KDD amplamente utilizada na área é dada por FAYYAD; PIATETSKY-SHAPIRO; SMYTH (1996):

(24)

KDD é um processo, n ão trivial, de extraç ão de informaç ões impl´ıcitas, previamente desconhecidas e potencialmente úteis, a partir dos dados armazenados em um banco de dados”.

Pode se dizer que o processo é n ão trivial por termos t écnicas de busca ou in-fer ência envolvidas, ou seja, n ão é apenas um processo de computaç ão direta. Os padr ões descobertos tem de ser v álidos com algum grau de certeza, novos (para o sistema e de prefer ência tamb ém para o usu ário), potencialmente úteis (trazer algum benef´ıcio) e compreens´ıveis (se n ão imediatamente ent ão depois da interpretaç ão).

A geraç ão do conhecimento se d á atrav és de uma sequ ência de etapas que exe-cutadas de forma correta podem resultar na geraç ão de conhecimento útil. Estas eta-pas podem ser basicamente resumidas em 5: seleç ão dos dados a serem utilizados; preparaç ão para a utilizaç ão atrav és de um tratamento pr évio (pr é-processamento); transformaç ão para um formato adequado; o processamento do conjunto de dados por algoritmos especialistas (mineraç ão de dados) e a an álise dos resultados obti-dos(FAYYAD; PIATETSKY-SHAPIRO; SMYTH, 1996).

Figura 3: Descoberta do conhecimento - KDD. Adaptado de FAYYAD; PIATETSKY-SHAPIRO; SMYTH (1996)

2.3.1 Selec¸ ˜ao dos dados

A etapa de seleç ão dos dados possui um impacto significativo sobre a qualidade do resultado final e é a primeira no processo de descobrimento de informaç ão, uma vez que nesta fase é escolhido o conjunto de dados contendo todas as poss´ıveis vari áveis tamb ém conhecidas como caracter´ısticas ou atributos e registros tamb ém chamados de casos ou observaç ões que far ão parte da an álise. Normalmente essa escolha dos dados fica a crit ério de um especialista do dom´ınio, ou seja, algu ém que realmente entende do assunto em quest ão(PRASS, 2004).

Segundo PRASS (2004), a seleç ão é um processo complexo por tratar de dados que podem vir de diversas fontes, que podem ser desde planilhas at é sistemas lega-dos. Assim esses dados podem possuir diversos formatos, sendo comum que ocorra a necessidade de um software espec´ıfico para o tratamento destes dados, tamanha a peculiaridade envolvida na aplicaç ão.

(25)

2.3.2 Pr ´e-processamento e limpeza dos dados

O Pr é-processamento e limpeza dos dados é a etapa onde s ão efetuadas ta-refas como a verificaç ão e eliminaç ão das redund âncias e inconsist ências das ba-ses, recuperaç ão dos dados incompletos ou outliers que em estat´ıstica s ão valores at´ıpicos, é uma observaç ão que apresenta um grande afastamento das demais da s érie.

DUNKEL et al. (1997) cita como um dos problemas do pr é-processamento é a identificaç ão dos dados inapropriados dentro do conjunto dispon´ıvel. Assim, tomar a atitude de classificar um dado com ruim é de grande complexidade e o aux´ılio de um especialista do dom´ınio é fundamental, pois na maioria dos casos apenas algu ém que realmente entende do assunto é capaz de dizer se um dado é um outlier ou um erro de digitaç ão.

Segundo HAN; PEI; KAMBER (2011) as t ´ecnicas de pr ´e-processamento podem ser divididas em:

• Limpeza dos dados (data cleaning); • Integrac¸ ˜ao de dados (data integration);

• Transformaç ão de dados (data transformation); • Reduç ão de dados (data reduction);

2.3.2.1 Limpeza dos dados

A etapa de limpeza dos dados, ou data cleaning, é uma etapa de investigaç ão visando detectar dados que estejam duplicados, incorretos e/ou faltantes(missing va-lues). Para corrigir isso HAN; PEI; KAMBER (2011) sugerem como soluç ões seguir as seguintes etapas:

• Ignorar os registros;

• Completar manualmente os valores faltantes; • Substituir por uma constante global;

• Uso da m ´edia para preencher os valores faltantes;

• Uso do valor mais prov ável, que pode ser predito com aux´ılio de uma regress ão, árvores de decis ão, entre outras.

(26)

Os outliers s ão outro problema que é tratado nesta etapa do pr é-processamento. Estes valores podem ser detectados atrav és da an álise de agrupamento, onde os valores similares formam grupos, destacando-se os outliers SCHMITT (2005).

As mesmas soluç ões anteriormente citadas para o tratamento dos dados faltantes podem ser utilizadas para os outiliers com o cuidado para a exclus ão, esta s ó deve ser efetuada quando o dado representar algum erro, seja de medida ou algo similar. Assim n ão comprometendo as etapas seguintes (SCHMITT, 2005).

2.3.2.2 Integrac¸ ˜ao dos dados

Como dito anteriormente, o processo de mineraç ão é complexo e diversas vezes h á a necessidade de tratar dados vindos de diversas fontes diferentes. Para isto é ne-cess ária a etapa de integraç ão dos dados, seja manualmente ou automatizadamente atrav és de um sistema. Esta etapa pode acabar por ser extremamente demorada de-pendendo dos dados, alguns autores como FERNANDEZ (2010) chegam a estimar que dependendo da base essa etapa pode consumir at é mesmo 70% do tempo do projeto.

2.3.2.3 Transformac¸ ˜ao

Antes da fase onde acontece a efetiva minerac¸ ˜ao dos dados na KDD, os dados necessitam ser armazenados e formatados adequadamente para que os algoritmos possam ser aplicados.

Em alguns casos, dependendo do algoritmo utilizado é necess ária a transformaç ão do tipo de dados, pois existem algoritmos que trabalham apenas com valores num éricos e outros apenas com valores categ óricos. Assim, pode ser necess ária a convers ão dos dados de um tipo para outro.

Segundo PRASS (2004), nesta fase, se necess ário, é poss´ıvel obter dados fal-tantes atrav és da transformaç ão ou combinaç ão de outros, s ão os chamados “dados derivados”. Um exemplo de um dado que pode ser calculado a partir de outro é a idade de um indiv´ıduo, que pode ser encontrada a partir de sua data de nascimento. Outro exemplo é o valor total de um financiamento que pode ser calculado a partir da multiplicaç ão do n úmero de parcelas pelo valor da parcela.

Quando a mineraç ão de dados envolve a utilizaç ão de algoritmos de redes neurais, autores como HAN; PEI; KAMBER (2011) aconselham a utilizaç ão da transformaç ão min-max, pois esta pode melhorar a efici ência dos algoritmos. A transformaç ão min-max é definida por: seja uma determinada vari ável A, com valores A1, A2, A3, A4, ..., An. Sendo o valor m´ınimo representado por minA e o valor m áximo representado por maxA e deseja-se transformar os valores em A1, A2, A3, A4, ..., An para valores em um intervalo [a,b], ent ão os valores A1, A2, A3, A4, ..., An s ão dados pela equaç ão:

(27)

Figura 4: Descoberta do conhecimento - KDD. Adaptado de HAN; PEI; KAMBER (2011)

2.3.2.4 Reduc¸ ˜ao dos dados

Apesar de ser de dif´ıcil quantificaç ão, muitas as vezes as bases de dados pos-suem dados que n ão apresentam grande relev ância para a mineraç ão. A reduç ão da dimensionalidade destes dados pode diminuir o custo computacional da tarefa de mineraç ão. Mesmo com o tempo de processamento diretamente ligado a vari áveis como o tamanho da base, a tarefa a ser realizada e o algoritmo a ser utilizado, tende-se em uma batende-se otimizada a contende-seguir um melhor custo benef´ıcio na vari ável tempo de processamento/resultado final (PRASS, 2004).

Diversos autores divergem sobre os processos utilizados para a reduç ão da base, mas podemos dizer que uma das teorias mais aceitas é a de HAN; PEI; KAMBER (2011) que utiliza a t écnica de componentes principais (JOHNSON; WICHERN et al., 2002). Est á t écnica consiste na identificaç ão dos componentes de maior impacto na base atrav és de uso de estat´ıstica e seu isolamento, assim excluindo os componentes de pouco ou nenhum impacto.

2.3.3 Minerac¸ ˜ao de dados educacionais

Diversos trabalhos procuram modelar comportamentos de alunos de EAD com a intenç ão de realizar previs ões sobre estes, e utilizando uma variedade de t écnicas e bases de dados, em geral com resultados satisfat órios. Estas pesquisas geralmente se diferenciam nas t écnicas utilizadas e no seu objetivo de previs ão. Assim, alguns destes trabalhos s ão voltados para a prediç ão das notas dos alunos nas avaliaç ões de uma determinada disciplina ou at é mesmo no curso todo, enquanto outros trabalhos visam à prediç ão da situaç ão de evas ão do aluno demonstrando se o mesmo est á ou n ão em situaç ão de risco de evas ão.

Segundo ROMERO; VENTURA (2013), a maioria das t écnicas tradicionais de mineraç ão de dados incluindo, mas n ão se limitando a classificaç ão, agrupamento, e t écnicas de an álise de associaç ão j á foram aplicadas com êxito no dom´ınio da educaç ão.

Grande parte das t ´ecnicas seguem a taxonomia proposta por BAKER; ISOTANI; CARVALHO (2011) e aceita por grande parte dos pesquisadores da ´area como Ro-mero, Ventura e Jayaprakash entre outros, da seguinte forma:

(28)

– Classificaç ão – Regress ão

– Estimac¸ ˜ao de densidade • Agrupamento

• Mineraç ão de relaç ões

– Mineraç ão de regras de associaç ão – Mineraç ão de correlaç ões

– Mineraç ão de padr ões sequenciais – Mineraç ão de causas

• Destilac¸ ˜ao dos dados • Descobertas com modelos

Segundo BAKER; ISOTANI; CARVALHO (2011), na prediç ão atrav és da an álise e fus ão das informaç ões contidas nos dados s ão criados modelos que infiram carac-ter´ısticas e informaç ões sobre esses dados, estas s ão chamadas de vari áveis predi-tivas(predicted variables). Para isto é necess ário que se tenha uma quantidade rela-tiva de dados e que haja uma codificaç ão manual da identificaç ão de uma ou mais vari áveis.

Entre os 3 tipos de prediç ão citados por BAKER; ISOTANI; CARVALHO (2011), os mais utilizados s ão classificaç ão e regress ão, enquanto que estimaç ão de densidade dificilmente é utilizado devido a depend ência estat´ıstica dos dados. Os outros dois tipos de prediç ão variam conforme a vari ável a ser prevista. Quando esta vari ável é num érica s ão utilizados geralmente algoritmos de regress ão linear e redes neu-rais. Enquanto que com vari áveis bin árias ou categ óricas s ão utilizados algoritmos de classificaç ão como árvores de decis ão.

O agrupamento tem por objetivo a identificaç ão de grupos de dados que apresen-tem semelhanças entre si em alguma vari ável ou aspecto, assim auxiliando na tarefa de descoberta de novas informaç ões. Geralmente os dados s ão agrupados utilizando alguma medida de dist ância que decide a semelhança entre os dados, uma vez feita esta etapa, os dados podem voltar a ser analisados pois podem ser gerados reagru-pamentos a partir dos anteriores (ROMERO; VENTURA, 2013).

Na EDM, o agrupamento pode ser utilizado para agrupar alunos, interaç ões ou at é mesmo materiais. Assim esta etapa passa tanto pela descoberta da relaç ão das

(29)

vari áveis como pela tentativa de aprendizado de quais vari áveis e valores tem um maior impacto sobre alguma outra vari ável que geralmente é a que se busca prever. No conceito taxon ômico de BAKER; YACEF (2009) existem 4 tipos de mineraç ão dife-rentes usadas para identificar relaç ões, sendo eles:

• Regras de associaç ão; • Correlaç ões;

• Sequ ˆencias; • Causas;

A mineraç ão por regras de associaç ão tem como premissa b ásica a busca por vari áveis que tenham seu valor associado ao valor de outras vari áveis. Para isso utiliza-se se-ent ão (if-then), assim quando uma vari ável assume um determina valor podemos inferir o valor da segunda vari ável.

Assim as regras de associaç ão representam padr ões existentes em transaç ões armazenadas. Utilizando o exemplo de VASCONCELOS; CARVALHO (2004), a partir de uma base de dados, na qual registram-se os itens adquiridos por clientes, uma estrat égia de mineraç ão, com o uso de regras de associaç ão, poderia gerar a seguinte regra: cinto, bolsa ! sapato, a qual indica que o cliente que compra cinto e bolsa, com um determinado grau de confiança, compra tamb ém sapato. Este grau de certeza de uma regra é definido por dois ´ındices: o fator de suporte e o fator de confiança.

Na mineraç ão de correlaç ões, o objetivo é encontrar correlaç ões lineares entre as vari áveis. BAKER; ISOTANI; CARVALHO (2011) cita como exemplo um conjunto de dados educacionais que ap ós onde busca-se identificar a nota de um aluno a partir do tempo gasto na aula por esse em tarefas n ão relacionadas às dadas pelo professor.

Em mineraç ão de sequ ências, busca-se encontrar uma associaç ão temporal entre os eventos e o impacto deles nas vari áveis. Como exemplo BAKER; ISOTANI; CARVA-LHO (2011) cita a trajet ória dos atos e aç ões de um determinado aluno e o resultado de sua aprendizagem.

Na mineraç ão de causas, a principal id éia é que se busquem identificar eventos que ocasionem outros eventos. Isso se d á atrav és da an álise de padr ões de covari ância. Como exemplo podemos citar o comportamento de um aluno em aula, muitas vezes seu comportamento inadequado est á ligado diretamente à sua dificuldade de apren-dizagem. Assim um resultado ruim em determinadas tarefas pode representar na verdade um problema de aprendizagem (BAKER; ISOTANI; CARVALHO, 2011).

A destilaç ão dos dados busca facilitar a compreens ão de dados complexos e suas caracter´ısticas. Essa etapa possibilita que os dados sejam analisados e assim as pessoas os compreendam e identifiquem padr ões sobre eles, auxiliando na tomada

(30)

de decis ões. Um exemplo seria a curva de aprendizagem de um aluno, que s ão representaç ões matem áticas do desempenho de um estudante quando submetido a tarefas de ensino (ARGOTE, 1999). À medida que as repetiç ões s ão efetuadas, o es-tudante demanda menos tempo para o aprendizado, seja pela familiaridade adquirida com os meios, seja pela adaptaç ão às ferramentas utilizadas ou pela descoberta de “atalhos” para realizaç ão da tarefa (DAR-EL, 2013).

Segundo autores como Bevitt (BEVITT et al., 2015), o melhor per´ıodo para se for-necer ao aluno um feedback de seu poss´ıvel desempenho seria com duas semanas a partir do in´ıcio do semestre. Assim restando ao aluno mais tempo para uma mudança em seu comportamento e uma poss´ıvel melhora em seu desempenho acad êmico. 2.3.4 Aprendizagem de M áquina

Nesta seç ão ser á abordado o conceito de aprendizagem de m áquina e os algorit-mos utilizados nesta dissertaç ão.

Desde de a invenç ão das m áquinas, a humanidade vem buscando formas para que elas imitem o comportamento humano em determinadas tarefas, seja por bonecos falantes ou at é mesmo rob ôs que pratiquem esportes. Entretanto, com o surgimento dos computadores e o aumento da capacidade tanto de armazenamento quanto de processamento surgiu a área chamada de aprendizagem de m áquina.

A aprendizagem de m áquina é uma sub- área da Ci ência da Computaç ão, tendo como objetivo de pesquisa o desenvolvimento de t écnicas e sistemas computacio-nais que adquiram conhecimento sobre determinados dados de forma aut ônoma. Es-ses sistemas s ão algoritmos desenvolvidos para a prediç ão de situaç ões que possam ocorrer em determinados problemas a partir dos fatos ocorridos anteriormente em situaç ões parecidas. Cada um destes algoritmos possui determinadas caracter´ısticas que podem possibilitar sua classificaç ão quanto à linguagem de descriç ão, modo, pa-radigma e forma de aprendizagem(MONARD; BARANAUSKAS, 2003).

A aprendizagem geralmente é d´ıvida nas seguintes classificaç ões: • Aprendizagem

– Aprendizagem Supervisionada ∗ Classificac¸ ˜ao

∗ Regress ˜ao

– Aprendizagem N ˜ao supervisionada ∗ Algoritmos de agrupamento

Em aprendizagem supervisionada existe um ”professor” que verifica as sa´ıdas dos algoritmos com o padr ão de entradas atuais, assim fazendo alteraç ões no algoritmo

(31)

para que as respostas fiquem o mais corretas poss´ıvel. Ou seja, observa-se alguns pares de exemplos de entrada e sa´ıda, de forma a aprender uma funç ão que mapeia a entrada para a sa´ıda. Este tipo de aprendizagem é utilizado em algoritmos como redes ne úrais por exemplo, onde cada ajuste de peso das sinapses s ão voltados para ajustar a sa´ıda.

Em aprendizagem n ão supervisionada, n ão existe o ”professor”, pois nem sempre os conjuntos de dados de entrada tem a chamada sa´ıda. Assim os algoritmos v ão lendo a entrada e tentando descobrir as sa´ıdas identificando os padr ões sozinhos. Um dos exemplo disto s ão os algoritmos de clusterizaç ão que buscam descobrir si-milaridades e diferenças entre os padr ões existentes, assim como derivar conclus ões

´uteis a respeito deles (HASTIE; TIBSHIRANI; FRIEDMAN, 2009).

A seguir apresentaremos os algoritmos que foram utilizados na pesquisa desen-volvida nesse trabalho.

2.3.4.1 Algoritmos Bayesianos

Baseado no teorema de Bayes, os algoritmos bayesianos em suas diversas for-mas s ão modelos probabil´ısticos que buscam calcular a probabilidade de uma deter-minada vari ável pertencer a uma deterdeter-minada classe. Este m étodo é conhecido como prediç ão estat´ıstica e ela faz parte da aprendizagem supervisionada(MARQUES; DU-TRA, 2002).

Os algoritmos baseanos s ão baseados no teorema de Bayes, onde se indica que é poss´ıvel calcular a probabilidade de um determinado evento ocorrer dada a probabi-lidade de um outro evento que j á tenha ocorrido. Assim temos: Probabiprobabi-lidade(A dado B) = Probabilidade(A e B)/Probabilidade(A)

Figura 5: Formul ´a teorema de Bayes

Alguns experimentos demonstram que os algoritmos Bayesianos conhecidos como Naive Bayes podem obter resultados similares às Árvores de Decis ão e às Redes Neu-rais, entretanto tem um custo computacional menor(ZHANG, 2004). Isso é uma de suas caracter´ısticas e geralmente associada a sua simplicidade mesmo assim guar-dando um alto pode preditivo, assim sendo um dos algoritmos mais utilizados (CA-MILO; SILVA, 2009).

Os algoritmos bayesianos tem como principal vantagem o fato de que agentes podem tomar decis ões racionais mesmo quando n ão existe informaç ão suficiente para se provar que uma aç ão funcionar á(CHARNIAK, 1991).

(32)

2.3.4.2 Arvores de decis ˜ao - J48 e Random Forest´ ´

Arvores de decis ão s ão algoritmos de classificaç ão supervisionada, pois neles é necess ário saber quais s ão as classes de cada registro do conjunto de treinamento. Neste trabalho utilizamos dois algoritmos diferentes dessa t écnica, J48 e Random Forest(Florestas aleat órias).

Esse tipo de algoritmo gera uma estrutura de ´arvore que que classifica as amos-tras desconhecidas. Para isso, utiliza os dados dos conjuntos de treinamento, criando uma ´arvore e a partir desta, classificando as amostras desconhecidas sem necessa-riamente testar todos os valores dos seus atributos(MICHALSKI; CARBONELL; MIT-CHELL, 2013).

Para este tipo de algoritmo é necess ário que ele sempre defina quais s ão os ele-mentos desta árvore. Assim podemos fazer a analogia a uma árvore normal e ver os seus n ós conectados às ramificaç ões.

Desta forma, existem basicamente tr ês tipos de n ós: o n ó raiz, que inicia a árvore, os n ós comuns que dividem um determinado atributo e geram ramificaç ões e os n ós folha que cont ém as informaç ões de classificaç ão do algoritmo. J á as ramificaç ões possuem todos os valores poss´ıveis do atributo indicado no n ó para facilitar a compre-ens ão e interpretaç ão(QUINLAN, 1986).

Com a árvore montada cada n ó tem a tarefa de testar um atributo dos novos n ós. Desta forma segundo PICHILIANI (2008), podemos dizer que o atributo que melhor classificar os dados deve ser escolhido como um n ó da árvore. Para facilitar a com-preens ão, é comum colocar os valores das probabilidades de cada classe dentro do n ó.

A classificaç ão de cada novo elemento da árvore é feita percorrendo os ramos e n ós da árvore de acordo com os valores dos atributos da amostra desconhecida. Este algoritmo permite uma an álise mais detalhada levando em consideraç ão cada valor de todos os atributos (PICHILIANI, 2008).

Na Figura 6 temos um conjunto de dados simples demonstrando se o dia é apto ou n ão a pr ática de t ênis(RUSSELL; NORVIG, 2010):

(33)

Figura 6: Conjunto de dados

Na Figura 7 abaixo podemos ver a ´arvore que seria gerada a partir do dados do conjunto de treinamento anterior.

Figura 7: Exemplo de ´arvore

O algoritmo J48, baseado em árvores de decis ões nada mais é que uma vers ão do algoritmo C4.5 desenvolvida em Java e utilizada dentro da biblioteca do Weka. O C4.5 é um algoritmo utilizado para criar uma árvore de decis ão e foi desenvolvido por QUIN-LAN (1993) C4.5 é uma extens ão do algoritmo anterior de Quinlan o ID3. As árvores de decis ão geradas pelo algoritmo C4.5 podem ser utilizadas para classificaç ão e s ão portanto conhecidas como classificadores estat´ısticos.

Utilizando a abordagem gulosa para induzir árvores de decis ão para posterior classificaç ão. O J48 gera árvores de decis ão, em que cada n ó da árvore avalia a exist ência ou signific ância de cada atributo individual. As árvores de decis ão s ão constru´ıdas do topo para a base, atrav és da escolha do atributo mais apropriado para cada situaç ão (MARTINS; MARQUES; COSTA, 2009).

Ainda segundo MARTINS; MARQUES; COSTA (2009), uma vez que é escolhido o atributo, os dados de treino s ão divididos em sub-grupos, correspondendo aos di-ferentes valores dos atributos e o processo é repetido para cada sub-grupo at é que

(34)

uma grande parte dos atributos em cada sub-grupo pertençam a uma única classe. A induç ão por árvore de decis ão é um algoritmo que habitualmente aprende um con-junto de regras com elevada acuidade. Este algoritmo é escolhido para comparar a percentagem de acerto com outros algoritmos(QUINLAN, 1993).

O algoritmo Random Forest é uma t écnica de classificaç ão desenvolvida por BREI-MAN (2001). Nela diferentemente das árvores de decis ão padr ão, os dados s ão div´ıdivos em diversos subconjuntos menores onde cada um deles s ão criadas amos-tragens chamadas de bootstrap. Esse t écnica chamada de bootstrap é utilizada para garantir que geralmente 1/3 dos exemplos sejam usados para testar as árvores ap ós sua construç ão (HO, 1995).

Com os subconjuntos separados, ent ão é desenvolvida uma árvore de decis ão para cada um deles. Ent ão a floresta aleat ória é a coleç ão dessas árvores dos sub-conjuntos(HO, 1995).

2.3.4.3 Simple Logistic

O Simple Logistic é um classificador que utiliza modelos de regress ão log´ıstica linear simples. Uma regress ão log´ıstica simples é uma regress ão log´ıstica de apenas um par âmetro (AGRESTI; KATERI, 2011).

Regress ão log´ıstica vem do fato de que a regress ão linear tamb ém pode ser usada para executar a classificaç ão do problema, apenas transformando o alvo categ órico com valores cont´ınuos. A id éia de regress ão log´ıstica é fazer com que a regress ão linear produza probabilidades. Podemos dizer que é melhor predizer probabilidades de classe em vez de prever as classes em si. Assim a Regress ão log´ıstica estima probabilidades das classe diretamente utilizando a transformada l ógica (AGRESTI; KATERI, 2011).

Para a regress ão linear n ós temos uma soma linear. Na regress ão log´ıstica, esta soma linear é incorporada na f órmula conhecida como transformada l ógica. Essa transformada é um modelo de curva com formato de S que tem valores entre 0 e 1 (AGRESTI; KATERI, 2011).

Figura 8: Form ´ula da transformada l ´ogica

2.3.4.4 Redes Neurais

As redes neurais artificiais surgiram em 1943 como uma tentativa de criar um mo-delo matem ático que imitasse o comportamento de um neur ônio biol ógico

(35)

(MCCUL-LOCH; PITTS, 1943). Elas podem ser definidas como t écnicas computacionais que apresentam um modelo matem ático inspirado na estrutura neural de organismos inte-ligentes e que adquirem conhecimento atrav és da experi ência (CARVALHO, 2009).

As redes neurais artificiais basicamente s ão formadas por um conjunto de ter-minais de entrada, tamb ém conhecidos como camada de entrada, que repassam a informaç ão para as camadas intermedi árias onde ocorre o processamento e uma ca-mada de sa´ıda, que é onde saem as informaç ões processadas.

Essas redes podem ser compostas por v árias camadas de processamento de sim-ples funcionamento. Cada camada é conectada com a pr óxima e esta associada a um peso, assim cada neur ônio processa somente os dados que recebe em sua entrada e repassa o resultado para a camada seguinte.

Assim as Redes neurais artificias geralmente s ˜ao apresentadas como sistemas de neur ˆonios interconectados que podem computar valores de entradas (CARVALHO, 2009).

Figura 9: Modelo de uma rede neural - Adaptado de SEGATTO; COURY (2008) O tamanho das redes neurais pode variar de acordo com a tarefa a que ela é uti-lizada, assim variando de uma rede de um neur ônio at é centenas ou milhares (CAR-VALHO, 2009).

Para este trabalho foram utilizadas redes neurais de Perceptron Multi-Camadas (Multi Layer Perceptron - MLP). Este modelo de rede foi criado buscando sanar alguns problemas que existiam nas redes de uma ´unica camada por RUMELHART; HINTON; WILLIAMS (1985).

(36)

Neste novo modelo de rede foi feita a inclus ão de camadas intermedi árias de neur ônios e de um algoritmo de aprendizagem por retro-propagaç ão (back-propagation). Nesse modelo de rede todos os neur ônios de uma camada est ão li-gados a todos os neur ônios das camadas anterior e posterior. Assim foi poss´ıvel um treinamento eficiente, pois cada camada tem uma funç ão espec´ıfica.

2.3.5 Ferramentas para minerac¸ ˜ao de dados

Hoje a mineraç ão de dados é mais importante do que nunca para as instituiç ões, sejam elas grandes ou pequenas, se querem alavancar seus produtos é necess ário a mineraç ão de dados para lhes fornecer um subs´ıdio para as tomadas de decis ões buscando uma vantagem competitiva.

Com a adoç ão de t écnicas bem estabelecidas, ferramentas e recorrendo à ajuda de especialistas em mineraç ão de dados, as aç ões baseadas em evid ências de da-dos e an álises avançadas t êm melhores chances de aumentar a otimizaç ão de seus produtos e facilitar o crescimento de seu neg ócio, seja ele a venda de produtos ou um instituiç ão de ensino que quer minimizar os efeitos da evas ão em seus cursos (GUPTA, 2014).

Atualmente as ferramentas de mineraç ão de dados dispon´ıveis na Web s ão abun-dantes. Sendo que a maioria dos fornecedores oferece uma demonstraç ão, freeware ou ambos para ajud á-lo a determinar qual ferramenta para mineraç ão é melhor para os seus dados. Podemos destacar algumas como RapidMiner, RProgramming, Orange, Knime, NLTK, Oracle Data Mining, SAS, Cognos e o Weka.

Neste trabalho, optou-se pela utilizaç ão do WEKA (Waikato Environment for Kno-wledge Analysis), na vers ão 3.9.0, que é desenvolvida por universit ários da Universi-dade de Waikato, na Nova Zel ândia. A escolha deste software se motivou por alguns fatores como facilidade de utilizaç ão, obtenç ão direta da p ágina do desenvolvedor sem custos, n úmero consider ável de algoritmos dispon´ıveis para utilizaç ão junto com a pos-sibilidade de alteraç ão dos par âmetros de execuç ão dos mesmos e a pospos-sibilidade de f ácil comparaç ão entre os algoritmos testados.

O Weka é uma ferramenta baseada em Java e de c ódigo aberto, sob a GNU Gene-ral Public License, e que possui dois tipos de utilizaç ão prim ários, um pela sua inter-face gr áfica e outra em pacote de classes em Java. Ele teve sua primeira vers ão de-senvolvida em 1999 principalmente para analisar dados agr´ıcolas(HALL et al., 2009).

Alguns dos principais atributos do Weka s ão o pr é-processamento de dados, a visualizaç ão e an álise preditiva, al ém de t écnicas de modelagem, clustering, agrupa-mento, associaç ão, regress ão e classificaç ão.

Na utilizaç ão da interface gr áfica é poss´ıvel a interaç ão com os dados, entretanto uma das restriç ões dessa utilizaç ão é o limite de tamanho das bases, o que n ão permiti o uso de quantidades elevadas de dados, e n ão tem suporte a utilizaç ão de threads

(37)

por exemplo. J á na utilizaç ão na classe em Java, esta pode ser importada em um projeto de aplicaç ão e customizada para o uso conforme a vontade de desenvolvedor, o que é uma grande vantagem em relaç ão por exemplo ao RapidMiner.

Neste projeto foram utilizadas os dois tipos de implementaç ão do Weka. Para os testes iniciais foi utilizado o aplicativo do pr óprio Weka e sua interface visual. Entre-tanto conforme os testes foram avançando e a base de dados foi aumentando subs-tancialmente, optamos pelo desenvolvimento de um software pr óprio na tentantiva de automatizar algumas etapas do projeto, possibilidade de uma maior customizaç ão dos testes, suporte ao processamento paralelo e assim consequentemente agilidade na geraç ão dos modelos, suporte a alta quantidade de dados do projeto e a integraç ão com um banco de dados externo (BOUCKAERT et al., 2010).

Segundo HALL et al. (2009), o Weka em seu aplicativo pode ser utilizado de diver-sas formas, em funç ão do mesmo possuir quatro diferentes interfaces implementadas acess´ıveis atrav és de sua tela inicial, que s ão elas:

1. Explorer: Nesta interface s ˜ao aplicadas as tarefas e t ´ecnicas de MD sobre a base de dados;

2. Experimenter: Esta interface é útil para a aplicaç ão de um ou mais t écnicas de classificaç ão sobre uma grande base de dados e em seguida fazer comparaç ões estat´ısticas sobre elas;

3. Knowledge-flow: Esta é considerada a interface que mais apresenta o funciona-mento da ferramenta, uma vez que tem sua representaç ão de forma gr áfica; 4. Simple client: Esta interface oferece um local para inserç ão de comandos.

Mesmo possuindo uma apar ência considerada simples, é nela que realiza qual-quer operaç ão suportada pelo WEKA.

Os formatos de arquivos que o Weka trabalha s ão somente 2, CSV(Comma-separated values) ou ARFF(Attribute Relation File Format). Segundo REPICI (2010), Comma-separated values tamb ém conhecido como CSV, s ão arquivos texto de for-mato regulamentado pelo RFC 4180 que faz uma ordenaç ão de bytes ou um forfor-mato de terminador de linha. Enquanto que ARFF é um formato de arquivo pr óprio do Weka onde est ão contidas informaç ões como: a definiç ão do dom´ınio dos atributos e as inst âncias, que representam os dados que ser ão trabalhados(HALL et al., 2009).

Neste projeto foram utilizados somente arquivos ARFF, isso se deu por uma opç ão de desenvolvimento do projeto. Uma das propriedades deste tipo de arquivo que pe-sou na seleç ão de trabalharmos somente com Attribute Relation File Format, foi o fato de o Weka ter menos problemas na interpretaç ão desse arquivo.

Os arquivos ARFF s ˜ao compostos por uma estrutura de tr ˆes partes conforme defi-nida por PASTA (2011), sendo eles:

(38)

1. Cabec¸alho;

2. Declaraç ão dos atributos; 3. Seç ão de dados.

A declaraç ão dos atributos é feita no cabeçalho, sendo um atributo por linha. Os tipos de atributos a que o Weka tem suporte s ãoPASTA (2011):

1. Num érico: trabalhando com n úmeros reais e decimais; 2. Inteiros: n úmeros sem decimais;

3. Datas;

4. String: com ressalva para a substituiç ão de espaços em branco por underline; 5. Enumerados: nos quais os tipos s ão previamente definidos pelo usu ário, Ex.:

Sexo Masc, Fem.

(39)

No c ódigo listado no Anexo B, podemos ver uma parte da utilizaç ão do Weka via seu pacote de classes para Java. Este trecho de c ódigo foi retirado de uma das aplicaç ões iniciais utilizando o algoritmo Bayesnet, uma base de dados em ARFF, utiliza classificadores e fez parte dos experimentos onde o treino e o teste das bases de dados eram efetuados juntos utilizando validaç ão cruzada.

(40)

Agora apresentaremos algumas das pesquisas de relev ância na área de mineraç ão de dados educacionais e os resultados obtidos pelas mesmas.

3.1 Descric¸ ˜ao dos trabalhos relacionados

No experimento de JAYAPRAKASH et al. (2014), busca-se criar um sistema de alerta de risco quanto ao desempenho do aluno, a fim de diminuir as taxas de evas ão e retenç ão escolares, fornecendo ao aluno um feedback atualizado de seu poss´ıvel rendimento escolar. Para isto ele utiliza dados demogr áficos como sexo e idade, interaç ões dos alunos com o ambiente virtual de aprendizagem, desempenho acad êmico anterior, tempo na universidade, tempo online no ambiente virtual, dados do teste de aptid ão escolar (SAT Verbal e Matem ático), entre outros. Assim anali-sando dados de 9938 alunos e aplicando árvores de decis ão com o algoritmo J48, redes Bayesianas com o Naive Bayes, M áquinas de suporte Vetorial com o SVM/SMO e regress ão log´ıstica. Na tarefa de prediç ão todos algoritmos apresentaram resultados muito pr óximos, tendo o classificador de regress ão log´ıstica apresentado resultados ligeiramente maiores que os outros 3 com 94,20% de acur ácia geral e 66,70% de precis ão na prediç ão de alunos em risco de evas ão.

LYKOURENTZOU et al. (2009), prop õe um sistema de prediç ão de alunos em situaç ão de risco de evas ão que combine os resultados da aplicaç ão de 3 algorit-mos diferentes, sendo eles, Redes Neurais, M áquinas de suporte vetorial e sequ ência m´ınima de otimizaç ão (SVM/SMO) e conjunto probabil´ıstico simplificado Fuzzy ART-MAP (PESFAM). Em sua pesquisa o autor utiliza dados demogr áficos invariantes no decorrer do curso como sexo e resid ência, al ém de dados acad êmicos como perfor-mance e n´ıvel escolar, e dados variantes como n úmero de interaç ões com o ambiente virtual, notas e at é mesmo a data da entrega dos trabalhos. Com a aplicaç ão dos algoritmos s ão criados 3 esquemas diferentes buscando a prediç ão da evas ão, onde no primeiro um estudante é considerado evadido se pelo menos uma t écnica classifi-cou este estudante como tal, no segundo o estudante é considerado evadido se pelo