Avaliação de discentes na modalidade de ensino a distância em cursos de educação profissional em nível superior, por meio de algoritmos preditivos

Abstract

A oferta de cursos a distância no ensino superior se amplia cada vez mais, assim como o número de alunos que evadem estes cursos. Quarenta por cento das instituições de ensino alegam desconhecer as razões da evasão de seus alunos, o que faz com que sejam necessários processos adequados para uma avaliação precoce da aprendizagem dos alunos, de forma a priorizar aqueles que passam por maior dificuldade, mesmo que não peça ajuda. Assim sendo, o objetivo deste trabalho é empregar algoritmos preditivos utilizados em aprendizagem de máquina assistida e aplicá-los na análise de dados acadêmicos dos alunos, prevendo da forma mais eficaz possível seus desempenhos nas avaliações somativas e possibilitando à instituição de ensino ações preventivas em situações desfavoráveis. A metodologia usada foi a netnografia com uma amostra composta pelas interações realizadas no ambiente virtual de aprendizagem dos alunos de sete cursos de ensino superior totalmente a distância da Faculdade de Informática e Administração Paulista (FIAP). Como resultados observou-se que algoritmos de predição apresentam taxas de acerto diferentes, as amostragens colhidas nos períodos iniciais de curso podem ser mais significativas do que em períodos maiores e indicadores como a exposição do aluno aos objetos de aprendizagem podem ser menos relevantes do que se presume. Sugere-se que as instituições de ensino que façam uso do mesmo ambiente virtual de aprendizagem possam adaptar os algoritmos preditivos utilizados neste estudo e realizem suas próprias predições, auxiliando no processo de ensino- aprendizagem de seus alunos e, por consequência, diminuir seus índices de evasão. O produto gerado por este trabalho é um algoritmo preditivo escrito em Linguagem R para fins de avaliação dos alunos em cursos superiores na modalidade de ensino a distância que utilizam a plataforma Moodle (software intitulado “Sistema para predição de avaliação formativa no ensino a distancia em curso superior” registrado no Instituto Nacional da Propriedade Industrial sob o número BR512019000915-0).

The supply of distance courses in higher education is increasing, as is the number of students who avoid these courses. Forty percent of the educational institutions claim to be unaware of the reasons for their students' evasion, which means that adequate processes are necessary for an early assessment of student learning to prioritize those who are more difficult, even if they do not ask help. Therefore, the objective of this work is to use predictive algorithms used in assisted machine learning and to apply them in the analysis of the students' academic data, providing the most effective possible performance in summative evaluations and enabling the institution of preventive actions in situations unfavorable. The methodology used was the netnography with a sample made up of the interactions carried out in the virtual learning environment of the students of seven higher education courses totally at a distance from the Faculdade de Informática e Administração Paulista (FIAP). As results, it was observed that prediction algorithms have different hit rates, the samplings collected in the initial periods of the course may be more significant than in larger periods and indicators such as the student's exposure to the learning objects may be less relevant than if presumed It is suggested that educational institutions that make use of the same virtual learning environment can adapt the predictive algorithms used in this study and make their own predictions, helping in the teaching-learning process of their students and, consequently, evasion. The product generated by this work is a predictive algorithm written in R language for the purpose of evaluating students in distance learning courses using the Moodle platform (software titled " Sistema para predição de avaliação formativa no ensino a distancia em curso superior" registered in the Instituto Nacional da Propriedade Industrial, number BR512019000915-0).