Utilização da mineração de dados para identificar a evasão nos cursos EaD do Instituto Federal de Educação, Ciência e Tecnologia Farroupilha
Visualizar/
Data
2020-03-17Autor
Sonnenstrahl, Thiago Siqueira 
Primeiro orientador
Pertile, Solange de Lurdes
Primeiro coorientador
Bernardi, Giliane
Metadata
Mostrar registro completoResumo
O Instituto Federal Farroupilha, como uma componente da Rede Federal de Educação Básica, Profissional, Técnica e Tecnológica, tem a permanência e o êxito dos estudantes como uma das metas do Plano de Desenvolvimento Institucional (PDI) 2019/2026. Gerenciar o desempenho de alunos em um ambiente virtual de ensino e aprendizagem (AVEA) é de fundamental importância para a redução dos índices de evasão e reprovação nos cursos da modalidade de Ensino a Distância (EaD). Assim, esta pesquisa tem como objetivo, através da Mineração de Dados Educacionais (MDE), analisar, por meio da interação dos alunos no AVEA, possíveis evasões em cursos do Instituto Federal Farroupilha na modalidade a distância, disponibilizando dados estratégicos para os gestores educacionais da instituição. O desenvolvimento do trabalho dividiu-se em quatro etapas distintas, baseando seu procedimento em uma pesquisa bibliográfica, juntamente a uma abordagem quali-quantitativa. A primeira etapa buscou, por meio de uma pesquisa exploratória, dados de evasão e demais informações junto à Diretoria de educação a distância do Instituto Federal Farroupilha (IFFar). A segunda etapa deu-se com uma revisão bibliográfica acerca do estudo da evasão no EaD. A terceira etapa foi a de mineração de dados e avaliação dos resultados. A quarta e última etapa consistiu-se de uma análise qualitativa dos dados da mineração, como forma de basear a instituição para tomada de decisão no âmbito da Diretoria de Educação a Distância, considerando-se a interação dos alunos no AVEA. O desenvolvimento da pesquisa foi realizado por meio de três experimentos, utilizando interações no AVEA Moodle de duas turmas de um curso subsequente na modalidade EaD. Cada experimento consistiu em uma turma, e o terceiro experimento foi a unificação dos dados em um único conjunto. Como resultado, na mineração do experimento 3, que uniu os dados das duas turmas, a taxa de acerto foi superior a 88%, obtido com o algoritmo Randon Forest. Os melhores atributos que realizaram a predição foram visualização de tarefa e visualização de material. A dissertação de mestrado apresentada está inserida na linha de pesquisa de Desenvolvimento de Tecnologia Educacional em Rede, do Programa de Pós-Graduação em Tecnologias Educacionais em Rede, e gerou como produtos o próprio texto aqui apresentado e a estratégia de MDE criada.
Os arquivos de licença a seguir estão associados a este item:
Exceto quando indicado o contrário, a licença deste item é descrito como Attribution-NonCommercial-NoDerivatives 4.0 International