Uma abordagem de Mineração de Dados Educacionais para previsão de desempenho a partir de padrões comportamentais de Autorregulação da Aprendizagem

Abstract

O presente estudo buscou desenvolver um processo de modelagem preditiva do desempenho de estudantes por meio de indicadores comportamentais de autorregulação da aprendizagem em ambientes de LMS. A abordagem foi realizada por meio da mineração de dados contidos em um ambiente de aprendizagem do tipo LMS de uma instituição de ensino superior. Os dados foram armazenados durante um período de sete anos. Foi realizado o desenvolvimento, avaliação e comparativo entre quatro modelos de previsão, por meio dos algoritmos de Árvore de Decisão (CART), Regressão Logística, SVM e Naive Bayes. O modelo de regressão logística apresentou-se como sendo o mais satisfatório para predizer o desempenho acadêmico dos estudantes, sendo capaz de fazê-lo com uma taxa de acurácia de 0,893 e área sobre a curva ROC de 0,9574. Por fim, foi realizada a concepção, implementação e avaliação de uma interface para visualização de dados com o objetivo de aumentar a capacidade de professores e tutores em perceber o desempenho de alunos a partir do seu registro comportamental de alunos armazenados na plataforma de LMS.