Predição de desempenho no Moodle usando princípios da andragogia

Página do item simplificado
dc.contributor.advisor-co1Ferreira, Deller James
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/1646629818203057pt_BR
dc.contributor.advisor1Ambrósio, Ana Paula Laboissière
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/0900834483461062pt_BR
dc.contributor.referee1Rodrigues, Cássio
dc.contributor.referee2Siqueira, Sean Wolfgand Matsui
dc.contributor.referee3Ferreira, Deller James
dc.creatorTrindade, Fernando Ribeiro
dc.creator.Latteshttp://lattes.cnpq.br/1120552806624688pt_BR
dc.date.accessioned2020-09-09T18:48:27Z
dc.date.available2020-09-09T18:48:27Z
dc.date.issued2020-05-15
dc.description.abstractAccording to current literature, the teaching skills of tutors are essential to ensure excellence in teaching and, consequently, the interest of students in courses. In online teaching environments, students and tutors interact with each other through the various communication resources provided by virtual learning environments (VLE). With this, a large amount of educational data is collected by AVAS’s, making it possible to carry out analyzes of these data. However, in the academic literature, few studies have been conducted in order to collect behavioral data from tutors and use this data to make the prediction of students' school performance. Therefore, in this dissertation a framework of tutoring characteristics was elaborated correlated to the good school performance of students, and this framework was used to guide the data collection of tutors, which were used to make the prediction of student performance. The tutoring characteristics included in the framework were extracted from previous research, which investigated each tutoring attribute, and from tutoring attributes desired by Andragogy. The prediction of students' performance was carried out from the development of an extension of the Moodle Predicta tool, which performs classification of students as to possible failure or approval. The prediction of student performance is made from the behavioral data of students and tutors. The implementation of the prediction was preceded by a performance analysis of the classifying algorithms, and the implemented classifier was RandomForest, which achieved better performance according to the AUC metric. Educational data from Moodle from the Goiás Judicial School (EJUG) was used in a case study. Two exploratory data analyzes were conducted to learn about the courses and investigate the tutoring characteristics of the framework in EJUG tutors. The data from EJUG tutors were included in the classification model, used to predict student performance, showing that the actions of tutors can impact students' academic achievements.eng
dc.description.provenanceSubmitted by Luciana Ferreira (lucgeral@gmail.com) on 2020-09-09T12:43:47Z No. of bitstreams: 2 Dissertação - Fernando Ribeiro Trindade - 2020.pdf: 2624101 bytes, checksum: 72dd2149303e11a6dfa5e23f60eda50b (MD5) license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5)en
dc.description.provenanceApproved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2020-09-09T18:48:26Z (GMT) No. of bitstreams: 2 Dissertação - Fernando Ribeiro Trindade - 2020.pdf: 2624101 bytes, checksum: 72dd2149303e11a6dfa5e23f60eda50b (MD5) license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5)en
dc.description.provenanceMade available in DSpace on 2020-09-09T18:48:27Z (GMT). No. of bitstreams: 2 Dissertação - Fernando Ribeiro Trindade - 2020.pdf: 2624101 bytes, checksum: 72dd2149303e11a6dfa5e23f60eda50b (MD5) license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Previous issue date: 2020-05-15en
dc.description.resumoDe acordo com a literatura atual, as habilidades de docência dos tutores são fundamentais para se garantir a excelência no ensino e, consequentemente, o interesse dos alunos nos cursos. Em ambientes de ensino online alunos e tutores interagem entre si por meio dos diversos recursos de comunicação disponibilizados pelos ambientes virtuais de aprendizagem (AVA). Com isso, uma grande quantidade de dados educacionais é coletada pelos AVA’s, viabilizando a realização de análises desses dados. Contudo, na literatura acadêmica poucos trabalhos foram conduzidos com o intuito de coletar dados comportamentais dos tutores e utilizar esses dados para realizar a predição de desempenho escolar dos alunos. Portanto, nesta dissertação foi elaborado um framework de características de tutoria correlacionadas ao bom desempenho escolar dos alunos. O framework foi utilizado para guiar a coleta de dados dos tutores, que foram utilizados para realizar a predição de desempenho dos alunos. As características de tutoria incluídas no framework foram extraídas de pesquisas anteriores, que investigaram cada atributo de tutoria, e de atributos de tutoria desejados pela Andragogia. A predição de desempenho dos alunos foi realizada a partir do desenvolvimento de uma extensão da ferramenta Moodle Predicta, que realiza a classificação dos alunos quanto à possível reprovação ou aprovação. A predição de desempenho dos alunos é feita a partir dos dados comportamentais dos alunos e tutores. A implementação da predição foi antecedida de uma análise de performance dos algoritmos classificadores, e o classificador implementado foi o RandomForest, que obteve melhor desempenho segundo a métrica AUC. Os dados educacionais do Moodle da escola judicial de Goiás (EJUG) foram utilizados em um estudo de caso. Duas análises exploratórias de dados foram conduzidas para se conhecer os cursos e investigar as características de tutoria do framework nos tutores da EJUG. Os dados dos tutores da EJUG foram incluídos no modelo de classificação, utilizado na predição de desempenho dos alunos, mostrando que as ações dos tutores podem impactar nas conquistas escolares dos alunos.pt_BR
dc.description.sponsorshipFundação de Amparo à Pesquisa do Estado de Goiáspt_BR
dc.identifier.citationTRINDADE, F. R. Predição de desempenho no Moodle usando princípios da andragogia. 2020. 147 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Goiás, Goiânia, 2020.pt_BR
dc.identifier.urihttp://repositorio.bc.ufg.br/tede/handle/tede/10632
dc.languageporpt_BR
dc.publisherUniversidade Federal de Goiáspt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentInstituto de Informática - INF (RG)pt_BR
dc.publisher.initialsUFGpt_BR
dc.publisher.programPrograma de Pós-graduação em Ciência da Computação (INF)pt_BR
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectPredição desempenhopor
dc.subjectTutoriapor
dc.subjectMoodlepor
dc.subjectEaDpor
dc.subjectFrameworkpor
dc.subjectPerformance predictioneng
dc.subjectMentoringeng
dc.subjectMoodleeng
dc.subjectDistance learningeng
dc.subjectFrameworkeng
dc.subject.cnpqCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
dc.titlePredição de desempenho no Moodle usando princípios da andragogiapt_BR
dc.title.alternativePerformance prediction in Moodle using andragogy principleseng
dc.typeDissertaçãopt_BR

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
Dissertação - Fernando Ribeiro Trindade - 2020.pdf
Tamanho:
2.5 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

Mestrado em Ciência da Computação (INF)