Submitted by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2016-06-17T13:47:25Z No. of bitstreams: 1 Dissertação - David Brito Ramos.pdf: 4100632 bytes, checksum: 1dbc884d0e02bf6156a6f4c85f22cc88 (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2016-06-17T13:48:20Z (GMT) No. of bitstreams: 1 Dissertação - David Brito Ramos.pdf: 4100632 bytes, checksum: 1dbc884d0e02bf6156a6f4c85f22cc88 (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2016-06-17T13:48:42Z (GMT) No. of bitstreams: 1 Dissertação - David Brito Ramos.pdf: 4100632 bytes, checksum: 1dbc884d0e02bf6156a6f4c85f22cc88 (MD5) / Made available in DSpace on 2016-06-17T13:48:42Z (GMT). No. of bitstreams: 1 Dissertação - David Brito Ramos.pdf: 4100632 bytes, checksum: 1dbc884d0e02bf6156a6f4c85f22cc88 (MD5) Previous issue date: 2016-04-04 / FAPEAM - Fundação de Amparo à Pesquisa do Estado do Amazonas / The Educational area has received great benefits with the use of internet and digital media. Along with new technologies, Virtual Learning Environments (VLE) emerged, in which students and teachers can interact synchronously and asynchronously. The Distance Education began to use the VLE as the main tool to mediate the relationship between students, teachers and content. However, it also has been used as a support tool in blended learning and even the presential teaching. Virtual Learning Environments collect data about users that can be useful to define the learner's profile, his/her behavior and identify their difficulties and needs. Thus, the teacher or the AVA itself can personalize learning and maintain a real-time monitoring. One way to perform a learner monitoring is by observing the actions that he/she takes within the system, these actions make paths that are known as learning paths. In this sense, a Systematic Review of the Literature (SLR) to identify how these paths are represented in VLEs was held. The advantage in the use of learning paths is the transparent monitoring, i.e. no information is requested directly from the learner, the data collected tend to match as close as possible to their actual situation. This work, therefore, describes a model for identification and representation of learning paths that presents a view of actions performed in the LMS Moodle. The model extracts the data stored in database records and uses the structure of graphs as a basis for modeling the information about the students learning paths and present them visually to teachers and tutors. In order to validate the model, a plugin that uses Web standards was developed for Moodle, where its possibilities of use were investigated and validated through analysis of several real scenarios and an application questionnaire based on the Technology Acceptance Model (TAM). The proposed model was applied in two courses offered by the Institute of Computing (ICOMP) during the second academic semester of the year 2015 and proved promising in carrying out the monitoring of learners through a visual tool that aids in behavior analysis through the learning paths. / A área de educação recebeu grandes benefícios com o uso da Internet e das mídias digitais. Por meio do uso de novas tecnologias, surgiram os ambientes virtuais de aprendizagem (AVA), no qual discentes e docentes podem interagir de forma síncrona e assíncrona. A Educação a Distância (EaD) passou a utilizar o AVA como principal ferramenta para mediar a relação entre alunos, professores e conteúdo. No entanto, ele também tem sido utilizado como ferramenta de suporte no ensino semipresencial e até mesmo no presencial. Ambientes virtuais de aprendizagem coletam dados sobre os usuários que podem ser úteis para definir o perfil do aprendiz, o seu comportamento e identificar suas dificuldades e necessidades. Com isso, o docente, ou o próprio AVA, pode personalizar o aprendizado e manter um acompanhamento em tempo real. Uma das formas de monitoramento do aprendiz pode ser realizada por meio da observação das ações que ele executa dentro do sistema, sendo que essas formam caminhos que são conhecidos como Trilhas de Aprendizagem (TA). Nesse sentido, foi realizada uma Revisão Sistemática da Literatura (RSL) que identificou como essas trilhas são representadas no AVAs. A vantagem no uso de trilhas de aprendizagem é que se trata de um monitoramento transparente, ou seja, sem solicitação de informações diretamente do aprendiz, os dados coletados tendem a corresponder o mais próximo possível da sua situação real. Este trabalho, portanto, descreve um modelo de identificação e representação de trilhas de aprendizagem que apresenta uma visualização de ações realizadas no AVA Moodle. O modelo extrai os dados contidos nos registros do banco de dados e utiliza a estrutura de grafos, como base, para modelar as informações sobre as trilhas de aprendizagem dos alunos e apresentá-las visualmente aos docentes e tutores. Para validar o modelo, um plugin que utiliza padrões da Web foi desenvolvido para o Moodle, onde foram investigadas suas possibilidades de uso e validação por meio de análise de diversos cenários reais e aplicação de questionário baseado no modelo de aceitação de tecnologia (TAM). O modelo proposto foi aplicado em duas disciplinas ofertadas pelo Instituto de Computação (IComp), durante o segundo semestre letivo do ano de 2015 e mostrou-se promissor em realizar o acompanhamento dos aprendizes por meio de uma ferramenta visual que auxilia na análise de comportamento por meio das trilhas de aprendizagem.

Submitted by Juliana Tregnago (julianatregnago@gmail.com) on 2018-06-18T14:56:36Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação_ilmara_Versão Final 2018 - Final.pdf: 3009131 bytes, checksum: 754000508a433f0c384e6fdbc99f7888 (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2018-06-19T13:28:31Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação_ilmara_Versão Final 2018 - Final.pdf: 3009131 bytes, checksum: 754000508a433f0c384e6fdbc99f7888 (MD5) / Made available in DSpace on 2018-06-19T13:28:32Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação_ilmara_Versão Final 2018 - Final.pdf: 3009131 bytes, checksum: 754000508a433f0c384e6fdbc99f7888 (MD5) Previous issue date: 2017-10-20 / FAPEAM - Fundação de Amparo à Pesquisa do Estado do Amazonas / Groups are a basic social structure, and as inside as outside of the academic world they form and change themselves in various ways for multiple purposes. While students form groups easily out of class, forming groups on a course can be an unnatural process. However, for collaborative learning to succeed, it is important to form groups that can be effective and efficient in accomplishing the objectives of the task. In this sense, it is sought to improve the interactions of students mainly in group activities. The group work is a resource widely used by the teacher, with the intention of encouraging students' interaction in collaborative activities. There is a lack of support for group creation in Virtual Learning Environments (VLEs). In this sense, Learning Path (LPs) can be resources to suggest groups of learners. The use of LPs is promising because it shows the paths taken by students in VLEs, which makes it possible to suggest groups based on these interactions, since to perform groups in the EAD modality is really a challenging task for the teacher. In general, in this modality, students only have 20% of face-to-face contact with each other and with the teacher, making it difficult to establish criteria for grouping. In this context, this research proposes a conceptual framework for the formation of groups in collaborative activities, through data extracted from the LPs graphs, to assist the teacher in the teaching-learning process. To verify the feasibility of the proposed conceptual framework, the M-CLUSTER tool was developed that analyzes the attributes described below and suggests the formation of groups. The mechanism emphasizes the formation of groups by applying the K-Means algorithm, which is used with three similarity metrics, which are the distances: Euclidean, Manhattan and Cosine, using attributes (vertex access, quantity, dispersion and variances of the standard edges, forward and return, and student id) obtained through the data extracted from the LPs. Meetings were held with the teachers (specialists) to validate the results. In the case study, M-CLUSTER used the attributes and classified them with K-Means, obtaining three clustering results, one for each metric. The teacher chooses among the suggestions generated and makes one available to the students so they can choose their partners within the cluster, thus forming the groups. These groups suggested by the tool were validated and visualized by the teacher, from two representations, one descriptive and one visual through bubble charts. To validate the suggested groups, two activities were carried out in the discipline, in the first activity, the students chose their group partners and in the second, the groups were formed according to the suggestions of the tool. According to the results obtained from the case study shows that the tool obtained satisfactory results where 75% of students matched or improved their individual scores in relation to those achieved in the first activity. / Grupos são estruturas sociais básicas, tanto dentro quanto fora do mundo acadêmico, eles se formam e se modificam em vários modos para múltiplos propósitos. Enquanto alunos, formar grupos fora de sala de aula aparenta ser mais fácil, por sua vez, em ambiente educativo formar grupos pode ser um processo complexo. Contudo, para que a aprendizagem colaborativa seja bem-sucedida, é importante formar grupos que possam ser efetivos e eficientes em realizar os objetivos da tarefa. Nesse sentido, busca-se melhorar as interações dos discentes principalmente em atividades em grupo. O trabalho em grupo é um recurso bastante usado pelo docente, com o intuito de incentivar a interação dos alunos nas atividades colaborativas. Há nos AVAs uma deficiência em dar suporte à criação de grupos. As Trilhas de Aprendizagem (TAs) podem ser recursos para sugerir grupos de aprendizes. O uso de TAs é promissora porque mostra os caminhos percorridos pelos alunos nos AVAs, o que possibilita sugerir grupos baseados nessas interações, pois realizar grupos na modalidade EAD é realmente uma tarefa desafiadora para o docente. No geral, nessa modalidade, os alunos só possuem 20% do contato presencial entre si e com o docente, dificultando estabelecer critérios para realizar os agrupamentos. Diante deste contexto, nesta pesquisa é proposta um framework conceitual para formação de grupos em atividades colaborativas, por meio dos dados extraídos dos grafos das TAs, para auxiliar o docente no processo de ensinoaprendizagem. Para verificar a exequibilidade do framework conceitual proposto foi desenvolvida a ferramenta M-CLUSTER que analisa os atributos descritos as seguir e sugere a formação de grupos. O mecanismo dá ênfase à formação dos grupos aplicando o algoritmo K-Means, que é utilizado com três métricas de similaridade, que são as distâncias: Euclidiana, Manhattan e Cosseno, usando os atributos (média de acesso de vértices, quantidade, dispersão e variâncias das arestas padrão, avanço e retorno e id do aluno) obtidos por meio dos dados extraídos das TAs. Foram realizadas reuniões com os docentes (especialistas) para validar os resultados. No estudo de caso, o M-CLUSTER usou os atributos e os classificou com o KMeans, obtendo três resultados de agrupamentos, um para cada métrica. O docente escolhe dentre as sugestões geradas e disponibiliza uma delas aos estudantes para eles escolherem seus parceiros dentro do cluster, assim formando os grupos. Esses grupos sugeridos pela ferramenta foram validados e visualizados pelo docente, a partir de duas representações, uma descritiva e outra visual por meio de gráficos de bolhas. Para validar os grupos sugeridos, foram realizadas duas atividades na disciplina, na primeira atividade, os estudantes escolheram seus parceiros de grupo e na segunda, os grupos foram formados de acordo com as sugestões da ferramenta. De acordo com os resultados obtidos do estudo de caso mostra que, a ferramenta obteve resultados satisfatórios onde 75% dos alunos igualaram ou melhoraram suas notas individuais em relação às alcançadas na primeira atividade.