Submitted by Rodrigo Yoshio Tamae (rytamae@yahoo.com.br) on 2018-05-09T20:50:34Z No. of bitstreams: 1 tamae_ry_dr_prud.pdf: 8732958 bytes, checksum: adaebfe74540ed474f93e923e81fb527 (MD5) / Rejected by ALESSANDRA KUBA OSHIRO ASSUNÇÃO (alessandra@fct.unesp.br), reason: Solicitamos que realize correções na submissão seguindo as orientações abaixo: Números de página aparecem duas vezes nas folhas a partir da 140. Agradecemos a compreensão. on 2018-05-10T19:58:40Z (GMT) / Submitted by Rodrigo Yoshio Tamae (rytamae@yahoo.com.br) on 2018-05-10T20:25:22Z No. of bitstreams: 1 tamae_ry_dr_prud.pdf: 8721951 bytes, checksum: 02e3bd0d2ad16ca569a7507cc1c1583d (MD5) / Approved for entry into archive by ALESSANDRA KUBA OSHIRO ASSUNÇÃO (alessandra@fct.unesp.br) on 2018-05-11T11:39:17Z (GMT) No. of bitstreams: 1 tamae_ry_dr_prud.pdf: 8721951 bytes, checksum: 02e3bd0d2ad16ca569a7507cc1c1583d (MD5) / Made available in DSpace on 2018-05-11T11:39:18Z (GMT). No. of bitstreams: 1 tamae_ry_dr_prud.pdf: 8721951 bytes, checksum: 02e3bd0d2ad16ca569a7507cc1c1583d (MD5) Previous issue date: 2018-03-16 / Esta pesquisa de doutorado está vinculada ao Programa de Pós-Graduação em Educação da Faculdade de Ciências e Tecnologia da Universidade Estadual Paulista "Júlio de Mesquita Filho" (FCT/Unesp), campus de Presidente Prudente-SP, na linha de pesquisa "Processos Formativos, Ensino e Aprendizagem", nas áreas de Educação a distância (EaD) e Formação de Professores. O grande avanço das Tecnologias Digitais da Informação e da Comunicação (TDIC) tem provocado inúmeras mudanças em todas as áreas da ciência. Na Educação ocorre a ampla adoção e utilização dos Ambientes Virtuais de Aprendizagem (AVA), os quais podem contribuir para a utilização de TDIC, metodologias ativas de aprendizagem e que favorecem a abordagem Construcionista, Contextualizada e Significativa (CCS). A abordagem CCS é aquela em que o cursista utiliza a tecnologia como instrumento para produzir algo que parte da sua vivência e realidade, e ao se deparar com os conceitos curriculares, o professor atua como mediador para ajudá-lo a formalizar esses conceitos. Nesse contexto, a Internet e os dispositivos móveis passaram a ser utilizados em escala crescente, e tem contribuído para a proliferação de grande quantidade de dados em formato digital que, por sua vez, ainda são pouco utilizados para gerar a descoberta de conhecimento em contextos educacionais. É onde destaca-se a área de mineração de dados educacionais (MDE), que consiste no desenvolvimento de métodos e técnicas orientados a explorar tais dados digitais para melhor compreender o comportamento dos cursistas e em quais condições eles aprendem. Assim, "como utilizar técnicas de MDE para identificar indícios da abordagem CCS nos cursos da modalidade híbrida?" é a questão que norteia esta pesquisa de doutorado, pois mesmo professores qualificados para atividades docentes, muitas vezes, não possuem proficiência suficiente quanto ao uso de recursos computacionais, tais como linguagens de programação e ferramentas de banco de dados, e muito menos, quanto ao uso de técnicas de mineração de dados aplicadas à contextos educacionais. A pesquisa fez uso tanto da abordagem quantitativa quanto qualitativa, com base no delineamento metodológico Ex Post Facto ou Pesquisa não-experimental, pois o estudo foi realizado após a conclusão dos fatos. Para responder as questões norteadoras, o curso de Educação Especial na Perspectiva Inclusiva do programa Redefor/Unesp foi analisado a partir das categorias CCS (contexto do cursista, espiral de aprendizagem e ciclo de ações, aprendizagem em rede, papel do professor e formalização de conceitos) definidas com base nas indicações de Schlünzen (2000; 2015), Santos (2015) e Valente (2005). Foi utilizado o modelo de mineração de dados proposto por Fayad, Piatetsky-Shapiro e Smyth (1996) e as fases que consomem maior esforço repetitivo possibilitaram o mapeamento de padrões a serem seguidos, e para minimizar os esforços e maximizar os resultados, foi proposto e implementado um protótipo de software denominado EDMXP (Educational Data Mining eXPeriment) em linguagem de programação Java para o suporte às atividades de seleção, pré-processamento, mineração e análise de dados. As tarefas de mineração de dados utilizadas foram as de agrupamento e classificação representadas pelos algoritmos Simple KMeans, VSM e J48. Os resultados foram compilados em uma linguagem que possibilita aos profissionais de Educação melhor compreenderem os resultados (tabelas e gráficos), além de um quadro de indicadores de desempenho (dashboard). Ao final, foi possível constatar que a MDE pode ser um fator transformador em Educação a partir do momento que possibilita que se tome decisões com base em dados e em fatos, e não apenas de forma intuitiva ou por meio de experiências vivênciadas. Representa, portanto, uma nova forma de fazer e pensar a Educação. / This doctoral research is bound to the Graduate Program in Education of the Faculty of Science and Technology of the São Paulo State University "Júlio de Mesquita Filho" (FCT / Unesp), Campus of Presidente Prudente-SP, in the research line "Formative Processes, Teaching and Learning", in the areas of Distance Education (D-Learning) and Teacher Training. The great advance of the Digital Technologies of Information and Communication (DTIC) has caused fullness changes in all areas of science. In Education there is a widespread adoption and use of Virtual Learning Environment (VLE), which can contribute to the use of DTIC, active learning methodologies and favoring the Constructionist, Contextualized and Significative (CCS) approach. The CCS approach is that in which student uses technology as an instrument to produce something that arise in your own experience and reality, and when he came across with curricular concepts, teacher acts as mediator to help him to formalize these concepts. In these context, the Internet and mobile devices started to be used on a growing scale and have contributed to the proliferation of large amounts of data in digital format, which in turn are little used to generate the knowledge discovery in educational contexts. It's where stands out the area of Educational Data Mining (EDM), which consists in the development of methods and techniques designed to exploit such digital data to better understand students behavior's and in what conditions they learn. Thus, "how to use EDM techniques to identify evidence of CCS approach in hybrid mode courses?" it's the issue that guides this doctoral research, because even qualified teachers for teaching activities often lack sufficient proficiency in the use of computational resources, such as programming languages and database tools, much less regarding the use of data mining techniques applied to educational contexts. The research made use of both quantitative and qualitative approach, based on the methodological design Ex Post Facto or non-experimental research, once this study was conducted after the completion of the facts. To answer the leading questions, the Special Education course in the Inclusive Perspective of the Redefor / Unesp program was analyzed from the CCS categories (student's context, learning spiral and cycle of actions, learning network, teacher role and concepts formalization) defined according to the indications of Schlünzen (2000; 2015), Santos (2015) and Valente (2005). It was used the data mining model proposed by Fayad, Piatetsky-Shapiro and Smyth (1996) and the phases that consume most repetitive effort allowed the mapping of patterns to be followed, and to minimize efforts and to maximize results, was proposed and implemented a software prototype named EDMXP (Educational Data Mining eXPeriment) in Java programming language to support selection, preprocessing, mining and data analysis activities. The data mining tasks used were clustering and classification tasks represented by the Simple KMeans, VSM and J48 algorithms. The results were compiled in a language that enables Education professionals to better understand results (tables and graphs), as well as a dashboard of performance indicators. Finally, it was possible to verify that EDM can be a transforming factor in Education from the moment that allows decisions based on data and facts, and not only in an intuitive way or by lived experiences. It represents, therefore, a new way of doing and thinking Education.

Submitted by Marília Sousa (mariliamariafeitoza@gmail.com) on 2018-07-26T12:25:36Z No. of bitstreams: 3 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação Marília.pdf: 1106096 bytes, checksum: 5f4d3a102f590e08a72c6af9ef02d2e4 (MD5) folha de aprovação.pdf: 114224 bytes, checksum: 83acb0aa4ff29dd5cc1364b9b391ac77 (MD5) / Approved for entry into archive by Secretaria PPGI (secretariappgi@icomp.ufam.edu.br) on 2018-07-26T18:20:47Z (GMT) No. of bitstreams: 3 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação Marília.pdf: 1106096 bytes, checksum: 5f4d3a102f590e08a72c6af9ef02d2e4 (MD5) folha de aprovação.pdf: 114224 bytes, checksum: 83acb0aa4ff29dd5cc1364b9b391ac77 (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2018-07-27T12:39:14Z (GMT) No. of bitstreams: 3 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação Marília.pdf: 1106096 bytes, checksum: 5f4d3a102f590e08a72c6af9ef02d2e4 (MD5) folha de aprovação.pdf: 114224 bytes, checksum: 83acb0aa4ff29dd5cc1364b9b391ac77 (MD5) / Made available in DSpace on 2018-07-27T12:39:15Z (GMT). No. of bitstreams: 3 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação Marília.pdf: 1106096 bytes, checksum: 5f4d3a102f590e08a72c6af9ef02d2e4 (MD5) folha de aprovação.pdf: 114224 bytes, checksum: 83acb0aa4ff29dd5cc1364b9b391ac77 (MD5) Previous issue date: 2017-09-29 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / The present work introduces the Educational Data Mining and an experiment involving prediction of partial exams. The experiment uses data of the Introduction to Computer Programming course of the Federal University of Amazonas and seeks to classify the students according to their grade, in a maximum of three classes: satisfactory, unsatisfactory and without concept (dropout students). As conclusion, there is a quantitative analysis with the predictive data. / O presente trabalho tem o intuito de apresentar a Mineração de Dados Educacionais e um experimento envolvendo previsão de provas parciais. O experimento é realizado através dos dados da disciplina de Introdução à Programação de Computadores da Universidade Federal do Amazonas e busca classificar os alunos de acordo com as notas obtidas, em no máximo três classes: satisfatório, insatisfatório e sem conceito (alunos evadidos). Como conclusão, tem-se uma análise quantitativa com os dados da previsão.

Sistemas educacionais possuem diversas funcionalidades capazes de apoiar a interação entre alunos e professores de maneira dinâmica, síncrona e assíncrona. Uma das formas de monitorar a eficácia do processo educacional e por meio da utilização dos dados armazenados nesses sistemas como fonte de informação. Pesquisas em Learning Analytics, Academic Analytics e Mineração de Dados Educacionais, buscam explorar os dados de sistemas educacionais utilizando processamento analítico e técnicas de mineração de dados. No entanto, há uma serie de fatores que dificultam a gestão eficiente do processo educacional a partir dos dados de sistemas educacionais. A transformação de dados provenientes de diferentes tipos de sistemas educacionais, como Sistemas de Gestão de Aprendizagem e Sistemas Acadêmicos, e uma tarefa complexa devido a natureza heterogênea dos dados. Dados provenientes desses sistemas podem ser analisados considerando diferentes stakeholders, sob varias perspectivas e níveis de granularidade. Neste cenário, um modelo de referência para a descoberta de conhecimento a partir de dados de sistemas educacionais, denominado Modelo de Referência de Dados Educacionais (EDRM), foi desenvolvido neste trabalho. O EDRM e um modelo dimensional no formato star schema, estruturado em um Data Warehouse, projetado para ser uma fonte única de dados integrados e correlacionados voltada a tomada de decisão. Assim, e possível armazenar dados de diversas fontes, combina-los e, por fim, realizar analises que levem as instituições a desenvolver uma melhor compreensão, rastrear tendências e descobrir lacunas e ineficiências acerca do processo educacional. Neste trabalho, o EDRM foi validado por meio de um estudo de caso, utilizando bases de dados reais coletadas de diferentes sistemas educacionais. Os resultados mostram que o EDRM e eficiente em tarefas com diferentes objetivos, utilizando processamento analítico e mineração de dados. / Educational systems support dynamic, synchronous and asynchronous interaction between students and educators. Researches in Learning Analytics, Academic Analytics and Educational Data Mining explore data from educational systems for knowledge discovery through analytical processing, statistical analysis and data mining. However, there are some factors that hinder an efficient management of the educational process. The transformation of data from different kinds of educational system, as Learning Management Systems and Student Information Systems, can be even more difficult due to data heterogeneity. Data from these systems can be analyzed considering different stakeholders, under different perspectives and under different granularities. Motivated by this scenario, in this work we propose Modelo de Referência de Dados Educacionais (EDRM), a reference data model for knowledge discovery in data from educational systems. EDRM is an analytical model structured under a Data Warehouse architecture following a multidimensional data model. EDRM is projected for being an resource of integrated and correlated data focused in decision taking in the educational process. EDRM was developed considering a deep analysis of data and functionalities from different educational systems. In this sense, data from different kinds of systems and sources can be used unified, integrated and consistently. This allows institutions to better comprehend their data, as well as discover patterns, gaps and inefficiencies about their educational process. In this work, EDRM was validated in a case study using real-world databases from different educational systems. The results indicate that EDRM is efficient in tasks with different objectives, using Learning Analytics and Educational Data Mining techniques, and analyzing different perspectives.

Submitted by JOSIANE SANTOS DE OLIVEIRA (josianeso) on 2017-06-27T13:30:09Z No. of bitstreams: 1 Paulo Fernando Benetti Marcon_.pdf: 962793 bytes, checksum: 8c45fbcf4084b51d6348450029bf5f28 (MD5) / Made available in DSpace on 2017-06-27T13:30:09Z (GMT). No. of bitstreams: 1 Paulo Fernando Benetti Marcon_.pdf: 962793 bytes, checksum: 8c45fbcf4084b51d6348450029bf5f28 (MD5) Previous issue date: 2017-03-31 / Nenhuma / O uso de recursos tecnológicos para auxiliar nas tarefas de ensino e aprendizagem é uma realidade. A disseminação de ambientes virtuais de aprendizado, como meio de promover a realização de cursos on-line, demonstra franca expansão. Além de tarefas que propiciam a ampliação dos meios de ensino, tais sistemas permitem o registro completo de todas as interações dos alunos no decorrer da realização de disciplinas. Essa gama de informação produzida pode ser utilizada para predição de estudantes em situação de risco enquanto a disciplina ocorre, o que para instituições de ensino pode representar redução nos índices de reprovação e evasão. Entretanto o número elevado de variáveis envolvidas, ainda mais quando várias disciplinas são consideradas, dificulta a construção de modelos computacionais eficientes. Desta forma, este trabalho visa investigar a construção de modelos generalistas – treinados com dados de diversas disciplinas disponíveis – contrapondo a construção de modelos individualizados – treinados individualmente com dados de cada disciplina. Para isto um amplo conjunto de dados educacionais foi extraído, obtido de uma instituição de ensino superior, composto de diferentes cursos, disciplinas e períodos letivos, não sendo utilizadas variáveis que invadissem a privacidade dos estudantes. Uma vez definidas as características e transformações dos dados que contribuíam à identificação de insucesso acadêmico no decorrer da disciplina então foram aplicados algoritmos clássicos de Mineração de Dados seguindo ambas as abordagens, generalista e individualizada, e a cada unidade de conteúdo das disciplinas. Os resultados obtidos demonstram vantagens e desvantagens de ambas as abordagens e que dadas as circunstâncias os modelos individualizados podem ser melhores, obtendo taxas de acerto maiores, e que em outras circunstâncias modelos generalistas apresentam um custo menor para a obtenção e manutenção dos modelos preditivos, mesmo com uma queda nos índices de acerto. / The use of technological resources to assist teaching and learning tasks is a reality. The dissemination of virtual learning environments, as a mean of promoting online courses, shows a clear expansion. In addition to tasks that allow the expansion of teaching resources, such systems allow the complete recording of all the interactions of the students inside the courses. This range of information produced can be used to predict at-risk students while the course is taking place, which for educational institutions may represent a reduction in failure and dropout rates. However, the high number of variables involved, especially when several courses are considered, makes it difficult to construct efficient computational models. In this way, this work aims to investigate the construction of generalist models – trained with data from several available courses – counterposing the construction of individualized models – individually trained with data from each course. In this way, a broad set of educational data was extracted, obtained from a higher education institution, composed of different undergraduate programs, courses and academic periods, not using variables that invaded students' privacy. Once the characteristics and transformations of the data that contributed to the identification of academic insuccess during the course were defined, then classical data mining algorithms were applied following both generalist and individualized approaches and to each content unit of the course. The results obtained demonstrate the advantages and disadvantages of both approaches and that given the circumstances the individualized models may be better, obtaining higher hit rates, and that in other circumstances generalist models present a lower cost for the obtaining and maintenance of the predictive models, even with a drop in hit rates.

Submitted by Hellen Luz (hellencrisluz@gmail.com) on 2017-08-01T18:29:23Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_MineracaoDadosEducacionais.pdf: 1606780 bytes, checksum: 4bc573a2cacfbe7dd9b23c98c5957a3d (MD5) / Approved for entry into archive by Irvana Coutinho (irvana@ufpa.br) on 2017-08-21T17:14:43Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_MineracaoDadosEducacionais.pdf: 1606780 bytes, checksum: 4bc573a2cacfbe7dd9b23c98c5957a3d (MD5) / Made available in DSpace on 2017-08-21T17:14:43Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_MineracaoDadosEducacionais.pdf: 1606780 bytes, checksum: 4bc573a2cacfbe7dd9b23c98c5957a3d (MD5) Previous issue date: 2014-09-19 / Uma das tecnologias digitais mais utilizadas nas atuais práticas de educação online é o Ambiente Virtual de Aprendizagem (AVA). Os educadores utilizam estes ambientes para disponibilizar informações online, mas possuem pouco suporte para avaliar o aprendizado dos educandos a distância, de forma que, a ausência da percepção do educador quanto ao estado de compreensão de seus educandos pode levar ao insucesso de um curso online. A maioria dos AVAs armazenam grandes volumes de dados provenientes do histórico dos acessos aos recursos do sistema pelos educandos, suas avaliações, dentre outros. Nos últimos anos a Mineração de Dados Educacionais vem sendo utilizada para explorar os dados provenientes de ambientes educacionais, bem como entender melhor os educandos e o seu processo de ensino e aprendizagem. O objetivo deste trabalho é avaliar o aprendizado online a partir dos dados provenientes do ambiente virtual LabSQL, utilizado na Universidade Federal do Pará, por meio da Mineração de Dados Educacionais, com a aplicação de técnicas como Árvore de Decisão, Redes Bayesianas, Regras de Associação e Análise de Agrupamento. Os resultados obtidos mostraram-se eficientes para apoiar os educadores na avaliação das aprendizagens online, pois permitem analisar o perfil dos educandos em relação à utilização dessa tecnologia e ao processo de ensino-aprendizagem no ambiente LabSQL. Além disso, as regras geradas a partir da mineração de dados indicam como o educando pode aprimorar a aprendizagem utilizando melhor o ambiente. / One of the digital technologies used in current practices of online education is the Virtual Learning Environment (VLE). Educators use these environments to provide online information, but have little support to assess the learning of learners at a distance, so that the lack of perception of the educator as to the state of understanding of their students can lead tofailure of an online course. Most VLEs store large volumes of data from the history of accesses to system resources made by students, their assessments, among others. In recent years the Educational Data Mining has been used to explore the data from educational settings, as well as better understand the students and their teaching and learning. The objective of this work is to assess online learning by the use of Educational Data Mining on the LabSQL virtual environment used in the Federal University of Pará, through the application of techniques called Decision Tree, Bayesian Network, Association Rules and Cluster Analysis. The results obtained proved to be efficient to support educators in the assessment of online learning because they allow the analysis of student’s profile regarding the use of this technology and the teaching-learning environment in LabSQL. Moreover, the rules generated from data mining indicate how the student can improve learning by better using the environment.