Abstract— Social network analysis is appointed as a promising approach to analyze the interactions in e-learning environments. Virtual Learning Environments (VLE) allow the register of significant amounts of data, proving to be a valuable data source to support researches on online interactions. This study is applied in a course offered in Brazil for training individuals to act as digital inclusion agents in telecenters. Our goals were to investigate the influence of the tutor’s role in the grouping of individuals who interact through the VLE and to investigate the grouping of individuals from different regions of the country. Our approach presents the visualization of structure of interactions among the actors and discusses structural aspects of the interactions occurred in the VLE. We found that the classification of individuals by region could be predicted by the classification using a community detection method.
Keywords— social network analysis, virtual learning environment, e-learning, community detection, Louvain method.
I. INTRODUÇÃO
ANÁLISE de redes sociais (ARS) é uma área que tem apresentado metodologias com grande utilidade para descrever e analisar os comportamentos de rede em negócios, economia, medicina e educação. Na educação online, os ambientes virtuais de aprendizagem (AVAs) ocupam lugar de destaque em vários níveis de ensino porque oferecem ao aprendiz uma rede virtual com possibilidade de acesso à conteúdos, atividades e interações com outros participantes da rede, sejam eles tutores ou outros aprendizes. AVAs permitem diferentes tipos de interação, que podem ser alvo de estudos da ARS, cujo foco são os laços relacionais entre atores, que podem ser pessoas, grupos de pessoas, materiais, organizações e outras coletividades, permitindo diferentes níveis de agregação [1].
Diversos estudos têm aplicado a ARS em casos específicos de utilização de AVAs. Por exemplo, Mansur et al. [2] mediram os níveis de participação do aluno na ferramenta Wiki da plataforma Moodle [3]. Reihaneh et al. [4] aplicaram ARS para avaliar as participações em discussões online,
A. S. Silva, Universidade Federal Rural da Amazônia (UFRA), Belém, Pará, Brasil, [email protected]
S. R. Brito, Universidade Federal Rural da Amazônia (UFRA), Belém, Pará, Brasil, [email protected]
N. L. Vijaykumar, Instituto Nacional de Pesquisas Espaciais (INPE), São José dos Campos, Brasil, [email protected]
C. A. J. Rocha, Instituto Federal de Educação, Ciência e Tecnologia do Pará (IFPA), Belém, Pará, Brasil, [email protected]
J. C. W. A. Costa, Universidade Federal do Pará (UFPA), Belém, Pará, Brasil, [email protected]
C. R. L. Francês, Universidade Federal do Pará (UFPA), Belém, Pará, Brasil, [email protected]
identificando estudantes centrais e periféricos na discussão. A partir das discussões dos estudantes nos fóruns, Reihaneh et
al. [4] utilizam técnicas da ARS para construir uma estrutura
hierárquica dos temas discutidos, fornecendo aos tutores uma visão geral rápida dos temas em discussão.
As aplicações de ARS em AVAs têm foco principalmente nas interações em ferramentas de fóruns, chats, blogs e wikis [5], que são recursos úteis para discutir um assunto ou criar um canal de comunicação entre os alunos e entre alunos e seus tutores [6]. Por outro lado, o estudo de Zhang e Zhang [7] aplicou ARS combinada com análise do conteúdo das mensagens, apontando que as interações são geralmente superficiais, o que remete a importância de avaliar a qualidade das interações usando análise de conteúdo das mensagens.
As evidências nos estudos analisados apontam a área de ARS como uma promissora metodologia para analisar dados estruturais e dinâmicos das interações ocorridas no contexto de cursos ofertados com o apoio dos AVAs. De fato, a abordagens baseadas em ARS oferecem uma perspectiva de análise multinível porque permite diferentes níveis de agregação [8] para analisar as conexões entre grandes grupos de indivíduos. Esses indivíduos podem pertencer a agrupamentos, também conhecidos como comunidades, que são grupos de atores que possuem propriedades ou características similares [9]. A ARS também oferece a possibilidade de aplicação em qualquer tempo, sobre grandes conjuntos de dados, sem a intervenção ou contato direto dos pesquisadores com os participantes.
Este artigo utiliza uma combinação de técnicas de ARS como uma estratégia para acompanhar e monitorar as interações de um curso de formação em larga-escala. O estudo é aplicado sobre um curso oferecido em todas as regiões do Brasil, através de um AVA, para formação de indivíduos para atuar como agentes de inclusão digital nos telecentros do país. Sobre esse cenário, os objetivos deste trabalho são: (i) investigar a influência do papel do tutor na formação de grupos de indivíduos que interagem através do AVA; e (ii) investigar se a formação de grupos de indivíduos se dá de forma independente da região a que pertencem.
As próximas seções deste artigo estão organizadas da seguinte forma: na seção II, apresentamos as fontes de dados do cenário de estudo (a rede Telecentros.BR) e as estratégias de análise utilizadas (métodos); na seção III, nós apresentamos resultados e discussão sobre as descobertas; e, por fim, na seção IV apresentamos as conclusões deste trabalho.
A. S. Silva, S. R. Brito, N. L. Vijaykumar, C. A. J. Rocha, J. C. W. A. Costa and C. R. L. Francês
Social Network Analysis to Monitor Interactions
in Virtual Learning Environment
II. A REDE TELECENTROS.BR E AS ESTRATÉGIAS DE ANÁLISE UTILIZADAS
No Brasil, consideradas as peculiaridades de caráter geográfico e as dimensões territoriais extraordinárias, além das dificuldades de acesso entre as diversas regiões do País, são inúmeros os desafios para que uma política de inclusão digital contemple efetivamente todas as regiões.
No processo de inclusão digital, vários aspectos são fundamentais, dentre estes, a extensão de uso dos recursos tecnológicos para todas as classes sociais, de preferência, com utilização que permita aos usuários terem acesso à informação e aos serviços básicos da Internet [10]. Nessa direção, uma das ações do Governo Brasileiro é o Programa Telecentros.BR, criado mediante Decreto específico [11], com financiamento público, que visa apoiar a implantação de novos telecentros públicos e fortalecer os já existentes no país. No programa, os telecentros contam com indivíduos, denominados "monitores", que atuam com o objetivo de apoiar o uso das tecnologias da informação e comunicação (TICs) como ferramentas para alavancar transformações sociais em sua comunidade.
Uma das metas do programa Telecentros.BR é a formação de monitores para atuar nos telecentros como agentes de inclusão digital nas comunidades. Para formar os monitores, o programa conta com polos de formação, que atendem regiões ou estados do país.
A. A Rede Telecentros.BR
O curso para monitores no Telecentros.BR possui uma configuração com cinco polos regionais de formação (Norte, Nordeste, Sul, Sudeste e Centro-Oeste), dois polos Estaduais (São Paulo e Ceará) e um polo Nacional, com a função de organizar e mediar as ações dos demais polos.
Na formação dos monitores, foi utilizado um único ambiente virtual de aprendizagem, onde conteúdos, atividades e estratégias foram definidos de forma colaborativa para atender a diversidade das características regionais do Brasil (população ribeirinha, indígenas, quilombolas, zonas rurais e urbanas de cada região). O projeto do curso envolveu desde o
design instrucional, a proposição de conteúdos e atividades, as
diretrizes pedagógicas e escolhas tecnológicas a serem utilizadas, além das estratégias de monitoramento e avaliação. Cada polo de formação possui tutores que atendem monitores de sua região geográfica. A integração dos participantes em um único ambiente de aprendizagem facilita as interações entre tutores e monitores de diferentes regiões do país.
O projeto de formação dos monitores contempla a oferta de um curso de 480 horas, dividido em dois módulos:
• 80 horas para “ambientação” e um “voo rasante” (visão geral sobre os conteúdos da formação);
• 400 horas, com foco específico no desenvolvimento de projetos comunitários pelos monitores, apoiados pela infraestrutura do Telecentro.
Ao longo do curso, as interações são principalmente motivadas em torno de projetos comunitários desenvolvidos pelos monitores, com auxílio dos tutores, para serem aplicados nas comunidades do entorno dos telecentros. Além disso, as interações também são motivadas pelas dificuldades de
acesso, problemas do cotidiano dos telecentros e relações pessoais.
Para o trabalho colaborativo entre os polos e para a formação dos monitores, o ambiente de aprendizagem conta com tecnologias de interação (listas de discussão, Wiki e recursos internos da plataforma Moodle[3]) que facilitam a troca de experiências e compartilhamento de soluções que auxiliam na solução de problemas do dia-a-dia dos telecentros. Neste estudo, são aplicadas técnicas de ARS para analisar seguintes relações: (a) entre os tutores; (b) entre monitores; (c) entre tutores com os monitores. A distinção entre esses três níveis de composição permite visualizar as características iniciais da estratégia de conectividade e evolução da rede. As dimensões de composição da rede sugerem atividades de vários tipos de comunidades online que podem ser classificadas nas categorias de socialização, compartilhamento de conteúdos e de conhecimentos [12]. Por exemplo:
• no nível (a), das relações entre os tutores de diferentes polos, há principalmente construção coletiva de conteúdos, compartilhamento de conhecimentos e socialização de estratégias de acompanhamento dos monitores;
• no nível (b), das relações entre monitores, há principalmente socialização de projetos comunitários e compartilhamento de conhecimentos e soluções para problemas do dia-a-dia dos telecentros;
• no nível (c), das relações entre tutores com monitores, há principalmente compartilhamento de conteúdos e de conhecimentos.
Para este estudo, foram utilizados os registros de 07 meses de troca de mensagens instantâneas no ambiente virtual de aprendizagem. A escolha dessa ferramenta se deu pelo fato de não ser uma ferramenta de uso obrigatório no decorrer do curso e pelo seu uso espontâneo crescente, observado ao longo da formação.
B. Estratégias de Análise Utilizadas
Uma rede social é frequentemente formada e construída pela comunicação diária e contínua entre pessoas, portanto, inclui diferentes tipos de relacionamentos entre indivíduos ou grupos [13]. Neste estudo, a partir dos registros de interação (troca de mensagens instantâneas no AVA) entre tutores e monitores são extraídas as estruturas sociais construídas ao longo da formação, na forma de redes sociais. Para nós, cada ator na rede, representado por um nó ou vértice, é um monitor ou tutor no AVA.
Foram extraídos registros de interação de 1.400 atores, sendo 182 tutores e 1.218 monitores. Cada mensagem trocada entre os atores no AVA representa um link (ou aresta) em nossa rede, totalizando 56.706 links. Essa rede não possui
loops, ou seja, mensagens enviadas de um ator para si mesmo.
A troca de mensagens entre atores é tratada de forma direcional, ou seja, o conjunto de dados analisado contém informações sobre remetente e destinatário de cada mensagem trocada.
Uma vez que o papel (tutor, monitor) que um participante exerce na formação pode influenciar os indicadores da rede
social, nós utilizamos esse atributo para definir clusters para identificar e medir as interações entre tutores e monitores. Um
cluster, portanto, representa um grupo de atores com um
atributo em comum – nesse caso, o papel do ator.
Os atores também possuem um atributo que indica o polo de formação, que determina a sua região ou Estado (Norte, Nordeste, Sul, Sudeste, Centro-Oeste, São Paulo, Ceará, Nacional). Nós também definimos clusters para agrupar os participantes conforme o polo de formação – isso facilita a representação visual da rede e permite a identificação de atores ou clusters com mais ou menos links para outras regiões.
Para visualização das redes, foi utilizado o software Pajek [14] que torna possível identificar principalmente aglomerações que formam subgrupos dentro da rede e identificar separadamente vértices pertencentes às mesmas aglomerações. A análise combinada dessas redes menores contribui para o entendimento sobre as colaborações entre os diferentes papéis e para compreender como essas diferentes redes estão relacionadas umas com as outras.
Uma das principais aplicações da ARS está na identificação da importância de um vértice dentro da rede. Dentre as métricas de centralidade, selecionamos o grau (degree), a proximidade (closeness) e a intermediação (betweeness), que foram utilizadas para comparar as subredes extraídas de acordo com o papel dos participantes.
O grau de centralidade ( ) é definido como o número de
links que um nó possui [1], ou seja, o grau do nó (Equação 1).
Essa medida foca na visibilidade do nó ( ) na rede, ou seja, o nó mais central é aquele que possui o maior grau (d) [14]. Por outro lado, um nó menos central indica que o ator ocupa uma posição periférica na rede. O propósito de utilizar essa métrica foi verificar se, ao longo do treinamento, há uma intensificação das trocas de mensagens entre monitores, independente das relações com tutores.
( ) = ( ) (1)
Nós também utilizamos a proximidade ( ) de um nó, que é uma medida baseada em distância e foca na proximidade de um nó relação aos demais nós da rede [1]. Nós utilizamos essa métrica porque ela permite identificar se um ator pode interagir rapidamente com os demais, ou seja, seu potencial de compartilhamento de informações com o resto dos participantes na rede. A Equação 2 apresenta a centralidade por proximidade normalizada ( ) .
( ) =
∑ , (2) onde é o número de nós em uma rede e ,
representa o número de links que existem no menor caminho que conecta e dentro da rede, com ≠ .
A intermediação ( ) é uma métrica que permite analisar o quanto um nó está no caminho entre outros nós [15], assim, é uma medida que serve para analisar o grau de articulação (mediação) de um nó. Nós utilizamos essa métrica porque
quando um nó possui alto grau de intermediação, ele tem potencial controle sobre as interações entre os dois nós não adjacentes. De fato, as interações entre dois atores que não se relacionam dependem dos atores que se localizam no caminho entre eles, ou seja, tipicamente um papel de intermediador. O papel do intermediador pode ser principalmente exercido por tutores, mas é esperado que alguns monitores sejam potenciais intermediadores. A Equação 3 apresenta a centralidade por intermediação de um nó .
( ) = ∑ (3) onde gjk é o número de caminhos geodésicos (mais curtos e
de mesmo tamanho) que ligam os nós j e k, e gjk(ni) são os
caminhos, no total de gjk, que passam pelo nó ni. A
centralidade por intermediação mede, para um nó ni, a soma
de probabilidades de o mesmo estar no caminho geodésico entre todos os demais nós do grafo. Para normalizar tal índice, deve-se dividi-lo pelo seu máximo possível, que é o número de pares de nós no grafo que não incluem ni, ou seja, (g - 1)(g - 2)/2 chegando-se à centralidade por intermediação
normalizada ( ) para (Equação 4).
( ) =( )(( ))⁄ (4) Além das medidas de centralidade, analisadas de acordo com o papel que os participantes exercem nas redes, nós comparamos a densidade estrutural da rede completa em relação à rede formada apenas por tutores e à rede formada somente por monitores. A densidade estrutural expressa um percentual referente ao coeficiente entre as relações existentes e as relações possíveis [14] e é definida para redes direcionadas e sem loops na Equação 5.
=
( ) (5)
sendo o número de links existentes na rede.
Clusters foram previamente definidos pelos atributos de
papel ou polo dos participantes. No entanto, para identificar se há formação de clusters independentemente da mediação do tutor ou independentemente dos participantes pertencerem à mesma região geográfica, nós aplicamos um algoritmo de detecção de comunidade, baseado na otimização da função de modularidade, conhecido como método de Louvain [16]–[18]. Métodos de detecção de comunidade são estudados na literatura de ARS e muitos algoritmos tem sido apresentados – uma boa revisão desses algoritmos pode ser encontrada em [9].
O método Louvain consiste em duas fases: primeiro, ele procura por "pequenas comunidades" otimizando a modularidade localmente; segundo, ele agrega nós da mesma comunidade e constrói uma nova rede cujos nós são as comunidades. Estes passos são repetidos iterativamente até que um máximo de modularidade seja atingido [16]. A partir da saída do método Louvain, nós comparamos as comunidades
automaticamente detectadas com os clusters previamente definidos pelo polo dos atores. Finalmente, nós aplicamos métodos de redução da estrutura de rede para compreender a estrutura resultante e identificar os papéis dos atores dentro das comunidades encontradas.
III. RESULTADOS
Cada ator está associado a um único papel na rede (tutor ou monitor), permitindo a criação de dois clusters utilizados para a extração de duas subredes: uma formada apenas por tutores e outra apenas por monitores. Assim, nós processamos as medidas estruturais para cada uma dessas subredes, com a finalidade de compará-las com as medidas da rede com todos os participantes.
TABELAI.DENSIDADE E CENTRALIDADE DAS REDES TELECENTROS.BR. Indicadores Tutores+Monitores Tutores Monitores Densidade (sem loops) 0,0288 0,1121 0,0067
Grau médio* 80,8 40,6 16,3
Grau mais alto* 3101 614 547
Proximidade média 0,2852 0,2782 0,1156 Proximidade mais alta 0,4128 0,4083 0,2527 Intermediação média 0,0016 0,0091 0,0010 Intermediação mais alta 0,0747 0,1849 0,0426
Em termos estruturais, a rede formada pelos tutores é 289,3% mais densa do que a rede de todos os participantes (tutores+monitores) e 1572,3% mais densa que a rede formada por apenas monitores. Isso pode ser justificado pelo fato de que os tutores tiveram mais encontros presenciais que os monitores. Além disso, os tutores interagiam com o objetivo de avaliar conteúdos, atividades e estratégias de acompanhamento dos monitores. A Fig. 1 apresenta a rede formada apenas por tutores, agrupados por polos de formação, que são identificados por diferentes cores. Nesta subrede, é possível observar a existência de links entre tutores de diferentes polos, motivada pelo trabalho colaborativo de construção de conteúdos e compartilhamento de estratégias de acompanhamento dos monitores.
Figura 1. Rede de tutores.
O grau médio e o grau mais alto na rede de todos os participantes é significativamente maior do que na rede de tutores e na rede de monitores, o que revela maior interação entre atores de diferentes papéis, possivelmente motivada pelas ações de mediação desempenhadas pelo tutor.
Fica evidente, a partir dos valores mais altos dos indicadores de centralidade por intermediação e centralidade por proximidade, a importância do papel dos tutores no curso de formação para motivar as participações e as interações entre monitores. Percebemos que os tutores possuem posições privilegiadas cuja eliminação causa uma desestabilização na rede, que pode ser observada pelo elevado número de nós que ficam à margem (sem links) do componente principal da rede, apresentado na Fig. 2.
Figura 2. Rede dos monitores.
A Fig. 3 apresenta a rede completa com todos os participantes, onde observamos uma intensa troca de mensagens entre participantes de diferentes polos, o que sugere a possibilidade de encontrar a formação de clusters ou comunidades independente de sua região geográfica. Assim, para a rede com todos os participantes nós aplicamos o método Louvain com parâmetro de resolução igual a 1, encontrando 26 clusters (ID-1 até ID-26) com modularidade igual a 0,7967.
Usando o índice estatístico de Rajski [14] para analisar a associação entre a saída do método Louvain e os clusters definidos pelos polos de formação, nós encontramos o valor 0,8705, indicando forte associação. De fato, a alta correlação do índice Rajski indica que a classificação do cluster por polo pode ser prevista pela classificação usando o método Louvain. A Tabela II apresenta o número de nós coincidentes entre a saída do método Louvain e aqueles pré-definidos por polo.
TABELAII.CRUZAMENTO ENTRE CLUSTERS (MÉTODO LOUVAIN E POLOS). ID Cluster Clusters por polos*
(Louvain) 1 2 3 4 5 6 7 8 1 1 2 62 2 0 2 0 0 2 0 0 1 131 0 1 0 0 3 0 1 1 3 106 1 0 0 4 0 3 0 1 0 203 0 0 5 0 44 0 0 0 1 0 0 6 1 2 0 1 0 3 2 110 7 0 0 123 1 0 1 0 0 8 0 0 0 0 0 0 0 15 9 0 0 1 33 0 1 0 0 10 0 0 0 31 0 0 0 0 11 0 0 1 34 0 0 0 0 12 0 1 1 29 0 0 0 0 13 0 0 1 29 0 0 0 1 14 0 0 0 27 1 0 0 0 15 0 0 0 33 0 0 1 0 16 0 0 0 33 0 0 0 0 17 0 0 0 31 0 2 0 0 18 0 0 0 24 0 1 0 0 19 0 1 0 30 0 0 0 0 20 0 0 1 64 0 1 0 0 21 0 0 0 26 1 0 0 0 22 0 1 0 31 0 0 0 0 23 0 0 0 27 0 1 0 1 24 0 0 0 27 0 0 0 0 25 0 1 0 1 1 1 43 1 26 0 0 0 1 0 1 0 0
* (1) Nacional; (2) Centro-Oeste; (3) Norte; (4) Nordeste; (5) Sul;
(6) Sudeste; (7) São Paulo; (8) Ceará.
De acordo com a Tabela II, é possível observar as células com maior coincidência entre os clusters (em destaque), por exemplo: no cluster ID-2 (Louvain) 89,5% pertencem ao polo Nordeste; no cluster ID-3 94,6% pertencem ao Sul; no cluster ID-4 98,1% pertencem ao Sudeste; no cluster ID-5 97,8% pertencem ao Centro-Oeste; no cluster ID-6 92,4% pertencem ao Ceará; no cluster ID-7 98,4% pertencem ao Norte. Nós também encontramos 17 clusters (cluster ID-2 e cluster ID-9 até cluster ID-24) com predominância de membros do Nordeste, cujo polo atendeu um maior número de monitores.
Em seguida, nós utilizamos métodos de redução para compreender a estrutura de rede e identificar o papel dos participantes dentro dos clusters encontrados pelo método Louvain. A extração das subredes para cada cluster (Louvain) oferece uma visão local que inclui o papel e o polo dos participantes. Usando essa visão local, nós aplicamos uma operação de shrink (encolhimento) nos nós com papel de monitor, favorecendo a análise da relação entre tutores e monitores. Como exemplo, a Fig. 4 mostra o cluster ID-2 com 133 nós (38 tutores e 95 monitores) e a Fig. 5 mostra o mesmo
cluster após o shrink nos atores com papel de monitores.
Na Fig. 4, onde o tamanho dos vértices é determinado pelo grau de centralidade do ator, nós podemos observar um grupo
de monitores no entorno de alguns tutores e, no centro, um grupo de tutores cujas relações acontecem principalmente com seus pares, que pode também ser observado na Fig. 5.
Figura 4. Rede do cluster ID-2 (método Louvain).
Figura 5. Rede do cluster ID-2 (método Louvain) após operação shrink. Com a aplicação do método Louvain, apesar da existência de um grande número de links entre atores de diferentes polos, nós encontramos grupos mais densamente conectados pertencentes a uma mesma região geográfica. Essa constatação contrariou expectativas de gestores do programa que esperavam a formação de agrupamentos de participantes no AVA, independentemente de suas regiões geográficas. Além disso, nós não encontramos grupos com participação significativa de monitores sem a presença de tutores.
IV. CONCLUSÕES
Neste artigo, apresentamos uma análise das interações entre os agentes que compõem os polos da Rede de Formação para Inclusão Digital no programa Telecentros.BR baseada em indicadores de análise de redes sociais. O elemento mais importante do estudo realizado são as relações que se articulam entre os participantes. A extração de subredes, de acordo com o papel dos participantes permitiu analisar as interações entre pares, excluindo as interações decorrentes da relação tutor-monitor. Na análise estrutural dessas redes, nós encontramos que a rede formada apenas por tutores apresentou maior densidade, centralidade por proximidade e centralidade
por intermediação.
Com a identificação do polo dos participantes, nós encontramos através do método de detecção de comunidades que, apesar da existência de um grande número de interações entre participantes de diferentes polos, os agrupamentos encontrados foram determinados principalmente pela região geográfica dos participantes.
Uma limitação deste estudo está na ausência do tratamento semântico das mensagens trocadas e sua correlação com o desempenho dos monitores no curso. O avanço deste estudo deve se concentrar nesses aspectos, a fim de explorar o potencial das técnicas de ARS no apoio ao acompanhamento dos participantes ao longo do curso.
Esta pesquisa pretende contribuir com abordagens e metodologias de monitoramento e acompanhamento dos participantes em programas de educação e treinamento online em larga-escala, através da incorporação de métricas de análise de redes sociais. As medidas produzidas nesse estudo, se consideradas para o nível do ator, também podem apoiar a seleção de novos tutores.
Finalmente, AVAs podem gerar quantidades significativas de dados sobre as interações entre os participantes, garantindo uma fonte de dados promissora para direcionar novas pesquisas de aplicações de ARS na educação e treinamento online.
AGRADECIMENTOS
S. R. Brito recebeu suporte financeiro (bolsa de estudos - 0645-14-1) da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) para a realização deste estudo.
REFERÊNCIAS
[1] S. Wasserman and K. Faust, Social network analysis: Methods and
applications, Cambridge university press, 1994.
[2] A. B. F. Mansur et al., “Analysis of social learning network for wiki in moodle E-Learning,” in 4th Int. Conf. on Interaction Sciences
(ICIS) IEEE, Busan, 2011, pp. 1–4.
[3] Moodle. http://www.moodle.org.
[4] R. K. Reihaneh et al. “Social network analysis and mining to support the assessment of on-line student participation,” SIGKDD Explor.
Newsl., vol. 13, no. 2, pp. 20–29, May 2012.
[5] C. Greenhow et al. “Learning, teaching, and scholarship in a digital age – Web 2.0 and classroom research: what path should we take now? ,” Educational Researcher, vol. 38, no. 4, pp. 246–259, May 2009.
[6] S. B. Shum and R. Ferguson. “Social learning analytics,” J.
Educational Technology & Society, vol. 15, no. 3, pp. 3–26, Jul 2012.
[7] J. Zhang and J. Zhang. “A case study on web-based knowledge construction in Moodle platform,” in 5th. Int. Conf. on Computer
Science and Education (ICCSE) IEEE, 2010, pp. 1110–1114.
[8] C. Rozenblat and G. Melançon. “A Small World Perspective on Urban Systems,”. in Methods for Multilevel Analysis and Visualisation of
Geographical Networks, vol. 11, C. Rozenblat & G. Melançon, Eds.
Netherlands: Springer Netherlands. 2013, pp. 19–32.
[9] S. Fortunato. “Community detection in graphs,” Phys Rep, vol. 486, no. 3–5, pp. 75-174, Feb 2010.
[10] M. B. Sales et al. “Application of Bayesian Networks to Assist the Expansion of the Digital Inclusion Of Elderly People,” IEEE Latin
America Transactions, vol. 8, no. 3, pp. 275–279, Jun 2010.
[11] Brasil. “Decreto n.° 6991, de 27 de outubro de 2009, Institui o Programa Nacional de Apoio à Inclusão Digital nas Comunidades Telecentros.BR”, Diário Oficial [da] Republica Federativa do Brasil, Brasília, DF, n. 206, Sec. 1, p. 3.
[12] D. Hinds and R. M. Lee. “Social network structure as a critical success condition for virtual communities,” in Proceedings of the 41st
Annual Hawaii International Conference on System Sciences (HICSS’08), Jan. 2008, pp. 323–323.
[13] Y. Z. Jin et al. “Extracting Social Networks among Various Entities
on the Web,” in The Semantic Web: Research and Applications
(Lecture Notes in Computer Science), vol. 4519, Springer Berlin
Heidelberg, 2007, pp. 251–266.
[14] W. Nooy et al. Exploratory social network analysis with Pajek, 2nd ed., New York: Cambridge University Press, 2011.
[15] J. Scott. Social Network Analysis, 3rd ed., London: SAGE publication, 2013.
[16] V. D. Blondel et al. “Fast unfolding of communities in large networks,” J Stat. Mech.: Theory and Experiment,Mech-Theory. vol. 2008, 2008.
[17] R. Rotta and A. Noack. “Multilevel local search algorithms for modularity clustering,” J Experimental Algorithms. vol. 16, article 2.3, 2011.
[18] M. E. J. Newman and M. Girvan. “Finding and evaluating community structure in networks,” Physical review. vol. 69, no. 2, 2004.
Aleksandra do Socorro da Silva possui graduação em
Bacharelado em Ciência de Computação pela Universidade Federal do Pará (1994), mestrado em Ciências da Computação pela Universidade Federal de Campina Grande (2000). Atualmente é doutoranda no Programa de Pós-Graduação em Engenharia Elétrica da Universidade Federal do Pará e professora do Instituto Ciberespacial da Universidade Federal Rural da Amazônia.
Silvana Rossy de Brito possui graduação em Bacharelado
Ciência da Computação pela Universidade Federal do Pará (1993), mestrado em Informática pela Universidade Federal do Espírito Santo (2001). Atualmente é doutoranda no Programa de Pós-Graduação em Engenharia Elétrica na Universidade Federal do Pará e professora do Instituto Ciberespacial da Universidade Federal Rural da Amazônia.
Nandamudi Lankalapalli Vijaykumar possui graduação em
Tecnologia de Computação pelo Instituto Tecnológico de Aeronáutica (1978), Mestrado em Computação Aplicada pelo Instituto Nacional de Pesquisas Espaciais (1984), Doutorado em Engenharia Eletrônica e Computação (Área: Informática) pelo Instituto Tecnológico de Aeronáutica (1999) e Pós-doutorado pela University College Cork (UCC) no Coastal and Marine Resrouces Centre, Cork, Irlanda. Atualmente é Tecnologista Senior do Instituto Nacional de Pesquisas Espaciais.
Cláudio Alex Jorge da Rocha possui graduação em
Tecnologia em Processamento de Dados pela Universidade da Amazônia (1991), mestrado em Ciências da Computação e Matemática Computacional pela Universidade de São Paulo (1999) e doutorado em Engenharia Elétrica pela Universidade Federal do Pará (2009). Atualmente é professor do Instituto Federal de Educação, Ciência e Tecnologia do Pará.
Joao Crisóstomo Weyl Albuquerque Costa possui graduação em Engenharia Elétrica pela Universidade Federal do Pará (1981), mestrado em Engenharia Elétrica/Telecomunicações pela Pontifícia Universidade Católica do Rio de Janeiro (1989), doutorado em Engenharia Elétrica/Telecomunicações pela Universidade Estadual de Campinas (1994) e Pós-doutorado pelo Royal Institute of Technology, Suécia. Atualmente é professor do Instituto de Tecnologia da Universidade Federal do Pará.
Carlos Renato Lisboa Francês possui graduação em
Bacharelado em Ciência da Computação pela Universidade Federal do Pará (1995), mestrado em Ciências da Computação e Matemática Computacional pela Universidade de São Paulo (1998), doutorado em Ciências da Computação e Matemática Computacional pela Universidade de São Paulo (2001) e pós-doutorado pelo Instituto de Engenharia e Sistemas de Computadores do Porto, Portugal. Atualmente é professor do Instituto de Tecnologia da Universidade Federal do Pará.
