Submitted by Silvana Teresinha Dornelles Studzinski (sstudzinski) on 2016-04-13T16:14:39Z
No. of bitstreams: 1
André Filipe Aloise_.pdf: 2050975 bytes, checksum: aefff409cbb3df80118f36f342444a75 (MD5) / Made available in DSpace on 2016-04-13T16:14:39Z (GMT). No. of bitstreams: 1
André Filipe Aloise_.pdf: 2050975 bytes, checksum: aefff409cbb3df80118f36f342444a75 (MD5)
Previous issue date: 2016-02-24 / Nenhuma / Este texto propõe um modelo de Sistema de Recomendação Educacional (SRE) para professores e coordenadores de curso que utiliza a predição de reprovação de aprendizes em disciplinas na modalidade de Educação a distância. Considerando o papel da educação na formação do indivíduo, torna-se importante manter o aprendiz até a conclusão do curso buscando também propiciar um bom coeficiente de rendimento. A EaD veio para ampliar as opções das pessoas que buscam uma qualificação, porém para o sucesso dessa modalidade os números, ao término dos cursos, precisam mostrar um aproveitamento positivo. Sistemas de Recomendação Educacional têm sido desenvolvidos para explorar os perfis de aprendizes com o objetivo de detectar suas dificuldades e lhes fazer uma sugestão, a qual pode ser um objeto de aprendizagem, uma revisão de literatura, ou ainda um estudo colaborativo com outros aprendizes. O objetivo desta dissertação é propor o modelo M-SRECP, um modelo de Sistema de Recomendação Educacional que tem como público-alvo professores e coordenadores de curso, os quais recebem dados estatísticos de possibilidade de reprovação de aprendizes em uma disciplina a partir de um sistema de predição e faz recomendações a este público-alvo, a fim de que os mesmos efetuem ações pedagógicas visando reduzir o número de aprendizes reprovados. Técnicas como classificação de perfis de usuários, para delinear a entrega de recomendação, sensibilidade a contextos e Customer Relationship Management (CRM) foram utilizadas neste trabalho, com o intuito de viabilizar um diferencial quanto à recomendação ao público-alvo (professor e coordenador de curso), colocando-o como principal foco do processo (CRM), ao longo de uma disciplina (sensibilidade a contextos). A atuação do público-alvo visa atenuar o quantitativo de aprendizes reprovados em disciplinas na modalidade EaD, oferecendo a estes uma oportunidade de melhorar o seu coeficiente de rendimento, reduzir o tempo matriculado no curso e, consequentemente, acelerar sua certificação. Um protótipo do modelo foi elaborado para a realização do experimento no Instituto Federal de Educação, Ciência e Tecnologia do Amazonas, no programa Universidade Aberta do Brasil, curso de Filosofia da educação, disciplina de Linguagem Brasileira de Sinais, em 2015/2. Coletou-se através de um questionário, os perfis de 30 professores, o que permitiu a classificação do perfil de professor utilizando árvore de decisão com a ferramenta RapidMiner. O perfil do professor da disciplina de Libras também foi coletado, no entanto o mesmo foi submetido à classificação para definir se, além dele, haveria a necessidade da coordenação do curso de Filosofia da Educação receber também a recomendação semanal dos aprendizes com risco de reprovação na disciplina. O protótipo também foi apresentado a um conjunto de 12 professores para que os mesmos realizassem uma avaliação de facilidade de uso percebida e de percepção de utilidade através do Technology Acceptance Model (TAM). Chegou-se à conclusão que o M-SRECP é uma ferramenta computacional que pode auxiliar o professor e o coordenador do curso a resgatar os aprendizes antes que a reprovação ocorra, auxiliando na melhora do desempenho do aprendiz na disciplina ainda em andamento. / This text proposes an Educational Recommendation System (ERS) model for teachers and course coordinators based on prediction of apprentices failure in e-learning courses. Considering the role of education in shaping the individual, it is important to keep the apprentice in the course until it's completion, seeking to provide a good GPA. E-learning has expanded the options of people seeking a qualification, but for it's success the numbers, at the end of the course, need to show a positive performance. Educational Recommender Systems have been developed to explore the profiles of learners in order to detect their problems and to make them a suggestion, which can be a learning object, a literature review, or a collaborative study with other learners. The aim of this work is to propose M-SRECP, an educational recommender system model whose target audience is course coordinators and teachers, who receives statistics of possibility of failure of apprentices in a discipline, from a prediction system, and makes recommendations to this target audience, so they can make pedagogical actions aiming to reduce the number of failed apprentices. Techniques such as user profiles classification that guide the delivery of the recommendation, context awareness and Customer Relationship Manager were used in this work, in order to provide a differential on the recommendation to the target audience (teacher and course coordinator ), putting them in the main focus of the process (CRM), over a discipline (context awareness). The actions of the target audience aims at reducing the failed apprentices in e-learning mode disciplines, offering them an opportunity to improve their GPA, reduction of the time enrolled in the course and thus accelerating their certification. A prototype of the model was developed for an experiment at the Federal Institute of Education, Science and Technology of Amazonas, in the Open University of Brazil program, in the Philosophy of Education course, in discipline Brazilian Language of Signs in 2015/2. It was collected through a questionnaire, 30 teachers profiles, which allowed the classification of teacher's profile using Decision Tree with RapidMiner. The discipline Libras teacher's profile was also collected, however it has been subjected to classification to determine whether, besides him, there would be the need for the coordination's course of Philosophy of Education also receive weekly recommendation of apprentices with failure risk in the discipline. The prototype was also presented to a set of 12 teachers so that they could make an evaluation of perceived ease of use and utility perception through the Technology Acceptance Model (TAM). It was concluded that M-SRECP is a computational tool that can help teachers and course coordinators to rescue apprentices before the failure to occur, helping to improve the learner's performance in a discipline still in progress.
Identifer | oai:union.ndltd.org:IBICT/oai:www.repositorio.jesuita.org.br:UNISINOS/5182 |
Date | 24 February 2016 |
Creators | Aloise, André Filipe |
Contributors | http://lattes.cnpq.br/6754464380129137, Rigo, Sandro José, Barbosa, Jorge Luis Victoria |
Publisher | Universidade do Vale do Rio dos Sinos, Programa de Pós-Graduação em Computação Aplicada, Unisinos, Brasil, Escola Politécnica |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Source | reponame:Repositório Institucional da UNISINOS, instname:Universidade do Vale do Rio dos Sinos, instacron:UNISINOS |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0022 seconds