Baixado 39 vezes
![8
Conceitos fundamentais
Mineração de Dados Educacionais (EDM)
Nos últimos anos uma nova área de aplicação, chamada de Mineração
de Dados na Educação surgiu como uma nova área de pesquisa
visando dois objetivos principais [Romero e Ventura, 2006]:
(a) entender melhor o estudante com base em sua interação com
os sistemas usados;
(b) entender as configurações e características que levam ao
aprendizado;](https://image.slidesharecdn.com/apresentaorregresso-131201084717-phpapp02/75/Modelo-de-Regressao-Linear-aplicado-a-previsao-de-desempenho-de-estudantes-em-ambiente-de-aprendizagem-8-2048.jpg)
Carregado porRodrigo Rodrigues
Modelo de Regressão Linear aplicado à previsão de desempenho de estudantes em ambiente de aprendizagem
O documento investiga a aplicação de um modelo de regressão linear para prever o desempenho de estudantes em cursos online, utilizando dados de interações em fóruns e vídeo-aulas. Os resultados indicam que o aumento nas interações em fóruns está positivamente correlacionado com o desempenho acadêmico dos alunos. O estudo abre espaço para futuras pesquisas sobre modelagens mais complexas e a eficácia de previsões em ambientes de aprendizagem.
Mais conteúdo relacionado
Modelo de Regressão Linear aplicado à previsão de desempenho de estudantes em ambiente de aprendizagem
- 1. Modelo de RegressãoLinear aplicado à previsão de desempenho de estudantes em ambiente de aprendizagem Autores: Rodrigo Lins Rodrigues ([email protected]) Francisco P. A. de Medeiros ([email protected]) Alex Sandro Gomes ([email protected])
- 2. 2 Sumário • • • • • • Introdução Objetivos Trabalhos relacionados Conceitos fundamentais Realizaçãodo experimento Considerações finais
- 3. 3 Introdução Os ambientesvirtuais de aprendizagem possibilitam a geração de grande quantidade de dados; Predição de desempenho em algo rotineiro no ensino presencial, mas pouco explorado no ensino a distância; Extrair informações relevantes que auxiliem a gestão da aprendizagem e viabilizem o acompanhamento efetivo de estudantes é um desafio; Diversos trabalhos vem sendo desenvolvidos a partir de técnicas de mineração de dados educacionais para fins de tomada de decisão;
- 4. 4 Objetivo Geral O objetivodeste trabalho foi investigar a viabilidade da utilização do modelo de regressão linear para a obtenção de inferências em etapas iniciais da realização de cursos online, como forma de apoiar a tomada de decisão por parte de professores e gestores. Específicos Identificar comportamento do grupo e possibilitar o replanejamento por parte do professor; Encontrar padrões e modelos comportamentais que contribuam para oferecer princípios de desenvolvimento que possam ser aplicados para criar interfaces inteligentes;
- 5. 5 Trabalhos relacionados Há naliteratura trabalhos que associam a relação entre o nível de interação dos participantes de cursos online com indicadores de desempenho acadêmico. •Picciano (2002) observou uma correlação entre interações e aprendizagem e concluiu que esse desempenho e o sucesso de um curso dependem da habilidade de interagir dos participantes; •Russo e Benson (2004) encontraram uma correlação significativa entre o desempenho dos estudantes e a percepção da própria presença social online; •Watson (2008) associa às interações em ferramentas assíncronas com o potencial de engajamento dos alunos em cursos online;
- 6.
- 7. 7 Conceitos fundamentais Interação Diversas taxonomiasforam propostas ao longo das últimas décadas: Moore (1989) descreveu três formas de interação em educação à distância: interação entre o professor e o estudante, interação entre os estudantes e interação entre o estudante e o conteúdo; Johnson et al. (2010) enfatiza a importância das interações online na melhoria dos resultados de aprendizagem.
- 8. 8 Conceitos fundamentais Mineração deDados Educacionais (EDM) Nos últimos anos uma nova área de aplicação, chamada de Mineração de Dados na Educação surgiu como uma nova área de pesquisa visando dois objetivos principais [Romero e Ventura, 2006]: (a) entender melhor o estudante com base em sua interação com os sistemas usados; (b) entender as configurações e características que levam ao aprendizado;
- 9. 9 Conceitos fundamentais Regressão Linear • Emum modelo de regressão, geralmente a variável resposta é afetada por várias variáveis; Y = f ( X 1 , X 2 ,..., X k , X k +1 ,..., X k +m ) • Então, analisamos Y como função apenas das K primeiras variáveis, sendo que permanece um erro (ou resíduo), devido a não utilização das outras m variáveis. Pe s o (k g) 100 95 90 85 80 75 70 65 60 55 50 150 160 170 Altura (cm ) 180 190
- 10. 10 Conceitos fundamentais Regressão Linear Assim,o modelo ficaria: O modelo de regressão linear é composto por: Yi = f ( X 1i , X 2i ,..., X ki ) + µi i = 1, 2,..., n Se apenas uma variável explicativa é observada, temos: Yi = f ( X i ) + µi Os erros também podem ser devido a erros obtidos no processo de Mensuração da variável dependente.
- 11. 11 Conceitos fundamentais Regressão Linear 1.Determinar como duas variáveis se relacionam; 2. Estimar a função que determina a relação entre as variáveis; 3. Usar a equação ajustada para prever valores da variável dependente. Modelo de Regressão Linear Simples Yi = α + β X i + µi
- 12. 12 Conceitos fundamentais Regressão LinearSimples Y α }µ E (Y ) = α + β xi i β Coeficiente angular Inclinação populacional Intercepto X populacional Erro Aleatório Yi = α + β X i + µi Variável Dependente Variável Independente
- 13. 13 Conceitos fundamentais 2 O coeficientede determinação ou simplesmente R . É uma medida da proporção da variabilidade em uma variável que é explicada pela variabilidade da outra. Definimos o coeficiente de determinação ou explicação do modelo, que é dado por: SQreg bSxy R = = SQtot Syy 2 O coeficiente está entre 0 ≤ R 2 ≤ 1 logo, quanto mais próximo de 1 Estiver o valor de R 2 , melhor será o ajuste do modelo e quanto mais Próximo de 0 (zero), pior é o ajuste.
- 14. 14 Conceitos fundamentais Análise deVariância F= QMReg ~ F1; n − 2 QMRes H 0 : β1 = 0 H1 : β1 ≠ 0 se H0 verdadeiro (Não existe relação linear) se H0 falso (existe relação linear)
- 15. 15 Realização do experimento Disciplinade Jogos Educacionais da graduação em Licenciatura em Computação da UFRPE; O curso contou com a participação de 98 alunos do sétimo período na modalidade de EAD; A disciplina teve duração de dois meses durante o primeiro semestre de 2013; Dentre os módulos que foram abordados: Semana 1 - Nativos digitais, Geração Y e imigrantes digitais Semana 2 - Estilos de aprendizagem Semana 3 - Design de jogos educacionais Semana 4 - Projeto conceitual e fundamentos de Game Design Semanas 5 e 6 - Implementação de jogos.
- 16. 16 Realização do experimento Durantea disciplina diversos artefatos de interação foram utilizados, tais como: utilização de fóruns, vídeo-aulas, material em texto, disponibilização de slides e envio de atividades; Processo de avaliação e construção da variável resposta: Primeira unidade foi composta por três atividades virtuais e uma prova escrita presencial; Segunda unidade foi composta por duas atividades virtuais e uma prova escrita; O desempenho (variável resposta) foi calculado através da média das duas unidades.
- 17. 17 Realização do experimento Variáveis Sobre Desemp_final Int_forum_sem1, Int_forum_sem2, Int_forum_sem2, Int_forum_sem4, Int_forum_sem5, Estavariável foi composta por dados das 5 atividades virtuais e das duas provas presenciais, totalizando uma média representativa do desempenho final do aluno. Esta variável foi composta pelo somatório das quantidades de interações nos seis fóruns disponibilizados na disciplina durante todo o curso. Vídeo_sem1, Vídeo_sem2, Essa variável foi composta pelo somatório das Vídeo_sem3 Vídeo_sem4, quantidades de interações nas vídeo aulas Vídeo_sem5, disponibilizadas pelo professor da disciplina. Vídeo_sem6 Mat_sem1, Mat_sem2, Mat_sem3, Esta variável foi composta através dos dados Mat_sem4, Mat_sem5, Mat_sem6 de acesso dos materiais em formato de textos, apostilas disponibilizadas para leitura. Ppt_sem1, Ppt_sem2, Ppt_sem3, Variável que mostra a quantidade de acesso ao Ppt_sem4, Ppt_sem5, Ppt_sem6 material do tipo slide. Media_horas_acesso Esta variável foi composta pela hora média que os alunos costumam acessar o ambiente virtual.
- 18.
- 19. 19 Realização do experimento Testedo pressuposto de normalidade No estudo tivemos como variável dependente o desempenho final do aluno na disciplina (média final) e como variáveis independentes: (1) media da quantidade de interações em fóruns (MediaIntForum), (2) média das interações com vídeo-aulas (MediaIntVideo), (3) média das interações com textos (MediaIntMat) (4) média das interações com slides em formato .ppt (MediaIntPtt). Ao aplicarmos os testes de normalidade foi verificado que apenas a variável (MediaIntForum ) segue uma distribuição normal Variável MediaIntForum MediaIntVideo MediaIntMat MediaIntPtt Resultado do teste Shapiro-Wilks p-value = 0.1886 p-value = 0.0003031 p-value = 0.000419 p-value = 0.01826
- 20. 20 Realização do experimento Verificandoo ajuste do modelo linear múltiplo Call: lm(formula = Desemp_Final ~ MediaIntForum + MediaIntVideo + MediaIntMat + MediaIntPtt) Residuals: Min 1Q Median 3Q Max -35.602 -11.216 3.434 9.384 25.975 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 16.2680 3.8052 4.275 5.29e-05 *** MediaIntForum 3.7069 0.2966 12.499 < 2e-16 *** MediaIntVideo 1.1275 2.7798 0.406 0.686 MediaIntMat -1.7159 2.4482 -0.701 0.485 MediaIntPtt -2.2358 2.6594 -0.841 0.403 --Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
- 21. 21 Realização do experimento •Estimando o modelo linear (lm()) Como podemos observar, apenas a variável MediaIntForum obteve um resultado satisfatório quanto ao teste de normalidade; Abaixo temos o modelo de regressão simples que mostra a inclinação da reta de regressão ajustada na relação entre as duas variáveis. > dados <- lm(Desemp_Final~MediaIntForum) > dadosReg Call: lm(formula = Desemp_Final ~ MediaIntForum) Coefficients: (Intercept) MediaIntForum 13.110 3.626
- 22. 22 Realização do experimento Gráfico de dispersão > plot <- (Desemp_Final~MediaIntForum)
- 23. 23 Realização do experimento Testede significância (summary) > summary(dadosReg) Call: lm(formula = Desemp_Final ~ MediaIntForum) Residuals: Min 1Q Median 3Q Max -38.491 -10.284 2.693 10.095 25.416 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 13.1097 3.3396 3.926 0.000179 *** MediaIntForum 3.6259 0.2653 13.668 < 2e-16 *** --Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' Residual standard error: 14.04 on 82 degrees of freedom Multiple R-squared: 0.795, Adjusted R-squared: 0.7912 F-statistic: 186.8 on 1 and 82 DF, p-value: < 2.2e-16
- 24. 24 Realização do experimento Análisede resíduos •possibilitou a verificação das premissas do modelo; •(Residuals vs Fitted) correspondeu aos resíduos comparados aos valores preditos pelo modelo; •(normal Q-Q plot) mostrou o gráfico de quantis para os resíduos, no qual foi possível verificar a normalidade dos resíduos.
- 25. 25 Considerações finais • Podemosafirmar que o modelo linear simples explicou a relação entre dados de interação via fórum e o desempenho dos alunos; • Podemos ainda afirmar, com uma confiança de 95%, que 79,12% dos alunos que interagem via fórum de discussão, a medida que aumenta a quantidade de interação, tende a aumentar o despenho acadêmico; • Este resultado é satisfatório, se pensarmos que podemos aplicar modelos desta natureza para desenvolver sistemas que possam prever a proporção de alunos que terão desempenhos satisfatórios em um curso, baseado nas suas interações iniciais; • Como trabalhos futuros pretendemos aplicar uma modelagem envolvendo mais de uma variável independente e modelos não lineares, utilizando a análise de regressão linear generalizada;