Submitted by Automação e Estatística (sst@bczm.ufrn.br) on 2018-07-26T17:05:20Z
No. of bitstreams: 1
IvanMaxFreireDeLacerda_TESE.pdf: 3236688 bytes, checksum: f8269c0c3bdbd5a0b84b45f9f4181c93 (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2018-07-26T19:49:52Z (GMT) No. of bitstreams: 1
IvanMaxFreireDeLacerda_TESE.pdf: 3236688 bytes, checksum: f8269c0c3bdbd5a0b84b45f9f4181c93 (MD5) / Made available in DSpace on 2018-07-26T19:49:52Z (GMT). No. of bitstreams: 1
IvanMaxFreireDeLacerda_TESE.pdf: 3236688 bytes, checksum: f8269c0c3bdbd5a0b84b45f9f4181c93 (MD5)
Previous issue date: 2018-03-02 / O crescente aumento dos dados registrados em cursos ofertados na modalidade a distância
proporciona a utilização de métodos computacionais adaptados a pesquisa e agrupamento
de dados educacionais, visando a descoberta de comportamentos de aprendizado.
Essa área de pesquisa possibilita o desenvolvimento de ferramentas automatizadas
de acompanhamento, predição e intervenção visando o aprimoramento dos índices educacionais.
Em virtude disso, este trabalho propõe uma metodologia para a análise de
programas de ensino a distância com base na tecnologia Learning Analytics, utilizando
os dados de acesso dos alunos ao Ambiente Virtual de Aprendizagem (AVA), identificando
os padrões sequenciais de uso mais frequentes e classificando-os de acordo com
as categorias de aprendizagem autorregulada. Para a mineração sequencial de dados sequenciais
os algoritmos SPAM e VGEN foram aplicados aos bancos de dados de duas
instituições educacionais. Além do desenvolvimento da metodologia, como resultado
desse processamento, uma grande incidência de um comportamento não previsto pela teoria
da aprendizagem autorregulada foi identificado, e para classifica-lo foi criado um
padrão chamado baixa participação. / The increasing of the data registered in courses offered in the distance modality boost
the use of computational methods adapted to the research and the grouping of educational
data, aiming to discover learning behaviors patterns. This research area allows the development
of automated monitoring, prediction and intervention tools aiming at improving
the educational indexes. As a result, this work proposes a methodology for analyzing distance
learning programs based on the Learning Analytics technology, using the students’
access data to the Learning Management System (LMS), identifying the most frequent
sequential patterns of use and classifying them as according to the self-regulated learning
categories. For a sequential mining of sequential data the SPAM and VGEN algorithms
were applied to the databases of two educational institutions. In addition to the development
of the methodology, as a result of processing, a high incidence of behavior not
predicted in the self-regulated learning theory was identified, and to classify it was created
a pattern called low participation.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufrn.br:123456789/25609 |
| Date | 02 March 2018 |
| Creators | Lacerda, Ivan Max Freire de |
| Contributors | 87455021453, Burlamaqui, Aquiles Medeiros Filgueira, 03420818459, Burlamaqui, Akynara Aglae Rodrigues Santos da Silva, 05228708480, Oliveira, Eloiza da Silva Gomes, 17880378715, Mendes Neto, Francisco Milton, 67304133449, Valentim, Ricardo Alexsandro de Medeiros |
| Publisher | PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO, UFRN, Brasil |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Source | reponame:Repositório Institucional da UFRN, instname:Universidade Federal do Rio Grande do Norte, instacron:UFRN |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0024 seconds