Submitted by Fabio Sobreira Campos da Costa (fabio.sobreira@ufpe.br) on 2017-09-01T12:03:00Z
No. of bitstreams: 2
license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5)
Tese_Rodrigo_Lins_Rodrigues - V0.43-FINAL-CORRIGIDA.pdf: 5476393 bytes, checksum: c893cb1720ed122fe049b35bbd11a60e (MD5) / Made available in DSpace on 2017-09-01T12:03:00Z (GMT). No. of bitstreams: 2
license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5)
Tese_Rodrigo_Lins_Rodrigues - V0.43-FINAL-CORRIGIDA.pdf: 5476393 bytes, checksum: c893cb1720ed122fe049b35bbd11a60e (MD5)
Previous issue date: 2016-12-21 / O uso crescente dos sistemas de LMS, do inglês Learning Management System, tem
gerado um crescente volume de dados provenientes de interações entre professores
e alunos. Esse volume de dados, se devidamente explorado, pode fornecer o
entendimento de como os alunos autorregulam-se no desenvolver da sua
aprendizagem e as relações destas habilidades com o desempenho acadêmico.
Diante deste contexto, delimitamos o objetivo de pesquisa desta tese como sendo a
modelagem preditiva do desempenho de estudantes por meio de indicadores
comportamentais de autorregulação da aprendizagem em ambientes de LMS. O
método utilizado nesta pesquisa foi baseado na metodologia CRISP-DM, percorrendo
pelas fases de Entendimento do domínio em educação, Entendimento dos dados
educacionais, Preparação dos dados, Modelagem, Avaliação do modelo e
Implementação da solução em formato de software de visualização de dados. O
processo de modelagem foi realizado por meio de dados históricos de uma instituição
de ensino superior, armazenados durante um período de sete anos. Como resultado
da fase de modelagem, 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, sendo capaz de predizer o
desempenho acadêmico dos estudantes, de acordo com variáveis de autorregulação
da aprendizagem, 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
solução de software, para visualização de dados, capaz de fornecer indícios de
previsibilidade do desempenho do aluno a partir do seu registro comportamental
armazenado na plataforma de LMS. / The growing use of Learning Management System has generated an increasing
volume of data from interactions between teachers and students. This volume of data,
if properly explored, can provide an understanding of how students self-regulate
themselves in the development of their learning and the relationships of these skills to
academic performance. Given this context, we delimit the research objective of this
thesis as the predictive modeling of student performance through behavioral indicators
of self-regulation of learning in LMS environments. The method used in this research
was based on the CRISP-DM methodology, through the Understanding phases of the
domain in education, Understanding of educational data, Data preparation, Modeling,
Evaluation of the model and Implementation of the solution in data visualization
software format. The modeling process was performed through historical data from a
higher education institution, stored over a period of seven years. As a result of the
modeling phase, the development, evaluation, and comparison between four
prediction models were performed through the Decision Tree (CART), Logistic
Regression, SVM and Naive Bayes algorithms. The logistic regression model was the
most satisfactory, being able to predict students' academic performance, according to
self-regulated learning variables, with an accuracy rate of 0.893 and area under the
ROC curve of 0.9574. Finally, the design, implementation, and evaluation of a software
solution for data visualization were carried out, able to provide evidence of
predictability of student performance from the behavioral register stored in the LMS
platform.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/21132 |
| Date | 21 December 2016 |
| Creators | RODRIGUES, Rodrigo Lins |
| Contributors | http://lattes.cnpq.br/7188784344595649, GOMES, Alex Sandro, ADEODATO, Paulo Jorge Leitão |
| Publisher | Universidade Federal de Pernambuco, Programa de Pos Graduacao em Ciencia da Computacao, UFPE, Brasil |
| Source Sets | IBICT Brazilian ETDs |
| Language | Breton |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Source | reponame:Repositório Institucional da UFPE, instname:Universidade Federal de Pernambuco, instacron:UFPE |
| Rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil, http://creativecommons.org/licenses/by-nc-nd/3.0/br/, info:eu-repo/semantics/openAccess |
Page generated in 0.0025 seconds