• Share
  • Email
  • Embed
  • Like
  • Save
  • Private Content
Ufal   mmcc - nees - uma ferramenta de recomendação pedagógica baseada em mineração de dados educacionais
 

Ufal mmcc - nees - uma ferramenta de recomendação pedagógica baseada em mineração de dados educacionais

on

  • 480 views

Slides da dissertação ...

Slides da dissertação

Apresentação do processo e das técnicas utilizadas para a concepção de uma ferramenta para recomendação pedagógica baseada em mineração de dados educacionais.

Statistics

Views

Total Views
480
Views on SlideShare
480
Embed Views
0

Actions

Likes
0
Downloads
3
Comments
0

0 Embeds 0

No embeds

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment
  • Exibir o queseráabordadoapresentação
  • Desafio 04 – GrandesDesafios da PesquisaemComputação no Brasil (SBC, 2006)
  • Nota-se aconsonância entre as necessidadeseducacionais do país e osdesafiosque a comunidade de informática e a comunidade de informáticanaeducação, estãobuscandosuperar.Registrosgeram dados e com isso a mineraçãodesses dados se faznecessária.
  • Objetivos:Apresentarumamudança no paradigma da forma como a educação/o conhecimentoépropagado. Passando de uma forma centralizada, focadaemgrandescentros e baseadaemencontrospresenciaisdiários (aulas).Apresentarosambientestradicionais de aprendizagem onlineExemplo: EAD | UFAL utiliza Moodle
  • Objetivo:Apresentarosambientestradicionais de aprendizagem onlineExemplo: Coursera, EDX e UdacityA Udacity, juntamente com a Georgia Tech, oferecerão o primeiromestradoatravés de ambientes MOOC.
  • Estatísticasmaisrecentes (23 de Outubro de 2013), informamque o courserachegou a 5 milhões e 200 mil alunos.O Brasil continua bemcolocadoemrelaçãoaonúmero de registrosativos, com 3.8% (197.600) e ocupando a 4ª colocação.
  • Como é, então, a dinâmicaem um cursonessamodalidade?Apresentamos o curso de Bioeletricidadeoferecidoatravés da plataformacoursera.Mesmoexigindo (diretaouindiretamente) alguns pre-requisitosespecíficos, 12725 alunosregistraram-se no curso.
  • Notamos um acentuadodeclínio nonúmero de alunos com o progredir do curso.Dos 12725 alunos, apenas 7761 (um poucomaisque a metade dosalunosregistrados) assistirampelomenosum dos vídeosdisponibilizados.Asituaçãoficouaindamaissériaquandofoiavaliado o número de alunosquerealizaram, pelomenos, umaavaliação. 3658 alunos (um poucomaisque um quarto dos alunosregistrados).Porfim, apenas 346 alunosprestaram a avaliação final, sendoqueapenas 313 alunostiveramrendimentosuficienteparaterdireito a um certificado do curso.
  • Mais um gráficodemonstrando o declínio, dessaveztomandocomo base a exibição dos vídeos da semana.Aquivemos o declínio do acessoaosvídeos do curso, paracadasemana do curso.
  • Porqualmotivo o número de concluíntesfoitãobaixoemrelaçãoao total de alunosregistrados?Seráquealgopoderiatersidofeitoparaapoiarouresgataressesalunos?
  • Notamosque a quantidade de dados armazenadospeloambienteeducacionalémuitogrande e diversa. Essefato, associado a outros motivos, tornadifícil (quandonãoexistesuporte), ouatémesmoimpossível, detectar e reagirem tempo hábil a situaçõesqueprejudiquem a experiência de aprendizagem dos alunos.
  • Com base nessasinformações, conseguimosidentificar 3 entidades:Os dados educacionais:O atornão-humano:O atorhumano:Tem-seumaquantidadeimensa, e diversa, de dados educacionaisComo contar com atoresnão-humanos, pararealizar o processamento/tratamentodesses dados?Como contar com o conhecimento dos especialistas no domíniopedagógico, atoreshumanos, paradecidir o quefazer com osresultados do tratamento dos dados?
  • Tem-seumaquantidadeimensa, e diversa, de dados educacionaisComo contar com atoresnão-humanos, pararealizar o processamento/tratamentodesses dados?Como contar com o conhecimento dos especialistas no domíniopedagógico, atoreshumanos, paradecidir o quefazer com osresultados do tratamento dos dados?
  • Definição da mineração de dados educacionais.
  • Definição de recomendaçãopedagógica.
  • Definição de ferramentas de recomendação.
  • Tabelacontendoostrêscenárioscriadospara a dissertação.Essecenáriosforamcriados com base emcarências e necessidadesidentificadasporpesquisadoresemeducação:(MORAN, 2006) afirma que a avaliação dos alunos deve ser feita de forma continuada, por meio de atividades que possibilitem a avaliação qualitativa da aprendizagem. Essas atividades são classificadas pelo autor em três categorias: i) atividades relacionadas ao conteúdo; ii) pesquisas sobre temas próximos à vida e interesses do aluno; e iii) avaliação da qualidade da participação do aluno no ambiente virtual (por exemplo: as tradicionais provas, a participação dos alunos, comentários, críticas e atitudes em relação aos assuntos abordados, aos professores e colegas). Deu origem ao 1º cenário: Avaliar a qualidade das interações dos alunos no ambiente de aprendizagem.(HUANG, 2012) afirma ser possível realizar intervenções pedagógicas que visem recuperar e sensibilizar o aluno para a melhoria de seu desempenho, evitando a reprovação. Essa preocupação gerou nosso segundo cenário, que baseia-se na possibilidade de oferecer aos professores uma forma de identificar quais alunos estão sob o risco de falha em uma determinada prova, ou outro tipo de avaliação. Tal cenário foi denominado Prever o resultado de provas e avaliações.(KANELLOPOULOS, 2008) afirma que o número de desistentes nos cursos a distância são "definitivamente" superiores ao de cursos convencionais.(BAYER, 2012) afirma ser necessário de se obter antecipadamente, de forma confiável, esse conhecimento a partir dos dados educacionais armazenados pelo ambiente de aprendizagem. Esses requisitos originaram o último cenário criado para essa dissertação, cujo objetivo é identificar comportamentos de risco dentro do ambiente de aprendizagem, como por exemplo aqueles que antecedem a desistência de um aluno. Esse cenário foi denominado: Agrupar alunos por nível de participação, comprometimento e engajamento com o curso.
  • Aquivemos a arquitetura de altonível (de abstração) da ferramenta, mostrando a relação entre as diversascamadasque a constituem. Percebe-se a relação entre oscenários de mineração com a camadapersistência de dados e com a camada de mineração. Como, também, a relação entre as APIs, queimplementamosalgorítmos de mineração de dados educacionais, com a camada de mineração. Após a mineração dos dados, osresultadossãodirecionadosàcamada de recomendação, queencaminharápara a camada da interface com o usuário as recomendaçõespedagógicas (personalizadaspara a situação do aluno).Arquitetura de altonível (de abstração) da ferramenta de autoria.GUI: Interface Gráfica com o Usuário é o módulo através do qual os usuários ou interagem com a ferramenta, ou são alertados sobre os resultados gerados por ela (mais detalhes sobre a GUI serão apresentados na Subseção 4.2.3)Recomendações: módulo responsável por personalizar, propor e acompanhar os efeitos das recomendações no desempenho dos alunos, assim como avaliar o grau de utilidade de cada uma das recomendações geradas.Mineração: módulo responsável pelo processo completo de mineração dos dados. É através desse módulo que os dados são pré-processados, e sobre esses dados são aplicadas as técnicas e parâmetros de mineração de interesse para o cenário desejado. O resultado desse processo é, em seguida, pós-processado para que os resultados possam ser apreciados com maior simplicidade. Para alcançar esses objetivos o módulo segue as "orientações de mineração" definida nos "cenários de mineração", e faz uso de APIs que, dentre outras funcionalidades, implementam os algoritmos necessários.Controlador de APIs: funciona seguindo o padrão de projetos Facade (referência), direcionando para a API apropriada uma solicitação feita por outro componente.APIs: contém implementações de terceiros para funcionalidades úteis do sistema. Por exemplo, a API dos algoritmos de mineração de dados do WEKA®.Controlador de Cenários: assim como os demais controladores, funciona seguindo o padrão de projetos Facade, direcionando para o Cenário de Mineração apropriado uma solicitação feita por outro componente.Cenários: contém as especificações para cada Cenário de Mineração de Dados. Como exemplos de cenários pedagógicos, citam-se i) evitar evasão de alunos e ii) Persistência: este módulo contém os métodos para gerenciamento dos dados em suas respectivas fontes/repositórios.
  • Aquivemos odiagrama de componentes da ferramentamostrando um núcleo central (Micro Kernel), quecontém as funcionalidadesnativas da ferramenta. Épossívelnotarqueháflexibilidadenainclusão/exclusão de cenários e, também, emrelaçãoàs APIs queimplementemalgoritmos de mineração de dados educacionais.
  • Para o estudo de casoutilizamos o cenário 01 de mineração de dados que, conformemencionadoanterioremente, tem porobjetivoavaliar a qualidade das interações dos alunos no ambiente de aprendizagem.
  • Especialistas no domíniopedagógicodefiniram, dentreos dados disponíveis, aquelescujomonitoramentoalertariasobrequalidade a qualidade das interações dos alunos no ambiente de aprendizagem.
  • Avaliamososresultados.Marcamososnósquepoderiamgerarregras de interessepara o cenário 01.
  • Avaliamososresultados.Marcamososnósquepoderiamgerarregras de interessepara o cenário 01.
  • Avaliamososresultados.Marcamososnósquepoderiamgerarregras de interessepara o cenário 01.
  • Tela de boas vendas da interface com o autor.É exibido o processo de recomendação pedagógica e uma breve descrição do mesmo.
  • Agradecimentosfinais

Ufal   mmcc - nees - uma ferramenta de recomendação pedagógica baseada em mineração de dados educacionais Ufal mmcc - nees - uma ferramenta de recomendação pedagógica baseada em mineração de dados educacionais Presentation Transcript

  • Ranilson Oscar Araújo Paiva roap@ic.ufal.br Uma Ferramenta para Recomendação Pedagógica Baseada em Mineração de Dados Educacionais Mestrado em Modelagem Computacional do Conhecimento Ranilson Oscar Araújo Paiva Orientadores Alan Pedro da Silva Ig Ibert Bittencourt
  • Agenda Ranilson Oscar Araújo Paiva Agenda        Contextualização Problemática Proposta Estudo de Caso Conclusão Limitações e Trabalhos Futuros Referências 2 roap@ic.ufal.br
  • Contextualização Ranilson Oscar Araújo Paiva 3 roap@ic.ufal.br Como está a Educação no Brasil?
  • Contextualização Ranilson Oscar Araújo Paiva 4 roap@ic.ufal.br Contextualização 5.0 / 10.0 • IDEB – Índice de Desenvolvimento da Educação Básica 58º|75 / 64º|85 • PISA+ – Programa Internacional de Avaliação de Alunos 88º / 120 • UNESCO/EFA – Education for All
  • Contextualização Ranilson Oscar Araújo Paiva 5 roap@ic.ufal.br O que o Governo pretende fazer a respeito desse cenário?
  • Contextualização Ranilson Oscar Araújo Paiva 6 roap@ic.ufal.br Contextualização Plano Nacional de Educação (PNE 2010 - 2020) • “Criar mecanismos para o acompanhamento individual de cada estudante do ensino fundamental” • “Fortalecer o acompanhamento e o monitoramento do acesso e permanência na escola ...”
  • Contextualização Ranilson Oscar Araújo Paiva 7 roap@ic.ufal.br E a Sociedade Brasileira de Computação?
  • Contextualização Ranilson Oscar Araújo Paiva 8 roap@ic.ufal.br Contextualização Grandes Desafios da Pesquisa em Computação no Brasil • Acesso Participativo e Universal Cidadão Brasileiro ao Conhecimento. do • Vencer as barreiras tecnológicas, educacionais, culturais, sociais e econômicas que impedem o acesso e a interação. • Concepção de sistemas, ferramentas, modelos, métodos, procedimentos e teorias. • Criação de plataformas de aplicativos de e-learning que permitam a integração eficiente de ferramentas de comunicação para poderem ser usadas em conjunto, com a finalidade de permitirem a prática do aprendizado eletrônico.
  • Contextualização Ranilson Oscar Araújo Paiva 9 roap@ic.ufal.br Contextualização CSBC 2012 - I DesafIE! • Workshop de Desafios da Computação Aplicada à Educação • Registro de longo prazo dos perfis de aprendizes e tutores. • Mineração de dados educacionais para viabilizar a busca por padrões de aprendizagem. • Personalização da aprendizagem como meio de melhorar a qualidade de ensino e o desempenho dos alunos.
  • Contextualização Ranilson Oscar Araújo Paiva 10 roap@ic.ufal.br Que Soluções têm sido utilizadas nesse sentido?
  • Contextualização Ranilson Oscar Araújo Paiva Contextualização  Mudança de Paradigma  AAA Learning  Anytime  Qualquer Momento  Anywhere  Qualquer Lugar  Anyone  Qualquer Pessoa 11 roap@ic.ufal.br
  • Contextualização Ranilson Oscar Araújo Paiva 12 roap@ic.ufal.br E Recentemente?
  • Contextualização Ranilson Oscar Araújo Paiva Contextualização  MOOCs  Massive   Open   Aberto Online   Massivo Online Courses  Cursos 13 roap@ic.ufal.br
  • Contextualização Ranilson Oscar Araújo Paiva Contextualização 14 roap@ic.ufal.br
  • Contextualização Ranilson Oscar Araújo Paiva Contextualização 15 roap@ic.ufal.br
  • Contextualização Ranilson Oscar Araújo Paiva Contextualização 16 roap@ic.ufal.br
  • Problemática Ranilson Oscar Araújo Paiva 17 roap@ic.ufal.br E como é a dinâmica de um curso nesse modelo?
  • Problemática Ranilson Oscar Araújo Paiva Problemática 18 roap@ic.ufal.br
  • Problemática Ranilson Oscar Araújo Paiva Problemática 19 roap@ic.ufal.br
  • Problemática Ranilson Oscar Araújo Paiva Problemática 20 roap@ic.ufal.br
  • Problemática Ranilson Oscar Araújo Paiva 21 roap@ic.ufal.br O que ocorreu? Como poderia ter sido evitado?
  • Problemática 22 Ranilson Oscar Araújo Paiva roap@ic.ufal.br Problemática Dados Educacionais • • • • • • • • • • Conteúdo Pedagógico Testes Atividades Exercícios Histórico Educacional Dados Pessoais Links Externos Interações via Fórum Interações via Chat Logs de Acesso
  • Problemática Ranilson Oscar Araújo Paiva Problemática 23 roap@ic.ufal.br
  • Problemática Ranilson Oscar Araújo Paiva Problemática 24 roap@ic.ufal.br
  • Problemática Ranilson Oscar Araújo Paiva 25 roap@ic.ufal.br Problemática Mineração de Dados Educacionais “A Mineração de Dados Educacionais tem por objetivo obter informações relevantes de grandes quantidades de dados. Dados esses oriundos de diversas fontes dentro do contexto educacional. Isso é feito através da descoberta de padrões, com grande significância, nesses dados.” ROMERO, 2011
  • Problemática Ranilson Oscar Araújo Paiva Problemática 26 roap@ic.ufal.br
  • Problemática Ranilson Oscar Araújo Paiva 27 roap@ic.ufal.br Problemática Recomendações Pedagógicas “Recomendações são ações reativas, ou preventivas, associadas a situações pedagógicas definidas. Essas ações podem ser realizadas utilizando os recursos nativos de um ambiente de aprendizado, ou através de recursos externos. O propósitos dessas recomendações é melhorar a experiência de aprendizado e solucionar problemas pedagógicos conhecidos.” PAIVA, 2012
  • Problemática Ranilson Oscar Araújo Paiva Problemática 28 roap@ic.ufal.br
  • Problemática Ranilson Oscar Araújo Paiva 29 roap@ic.ufal.br Problemática Ferramentas de Recomendação “Ferramentas de software e técnicas cujo objetivo é prover sugestões de itens a serem utilizados por um usuário. As sugestões providas focam em ajudar os usuários em diversos processos de tomada de decisão .” RICCI, 2011
  • Problemática Ranilson Oscar Araújo Paiva Problemática 30 roap@ic.ufal.br
  • Proposta Ranilson Oscar Araújo Paiva 31 roap@ic.ufal.br Proposta Ferramenta para Recomendação Pedagógica Utilizando Mineração de Dados Educacionais
  • Proposta Ranilson Oscar Araújo Paiva 32 roap@ic.ufal.br Objetivos 1. Criar um processo para a recomendação pedagógica. 2. Especificar, e encapsular em componentes distintos, os cenários de mineração dos dados educacionais. 3. Implementar componentes que reutilizem algoritmos de mineração de dados educacionais. 4. Construir uma Ferramenta com um processo de recomendação que possibilite professores e tutores a utilizar as técnicas empregadas, sem a necessitem de conhecimento técnico sobre o assunto. 5. Gerar recomendações personalizadas.
  • Proposta Ranilson Oscar Araújo Paiva O Processo 33 roap@ic.ufal.br
  • Proposta Ranilson Oscar Araújo Paiva 34 roap@ic.ufal.br Cenários • Componentes que definem os dados e formas de processamento adequados, para uma determinada situação pedagógica. • Orientam a mineração dos dados. • Tornam a mineração dos dados objetiva • Acessam os dados de interesse, os algoritmos a serem utilizados, APIs e seus parâmetros.
  • 36
  • Proposta Ranilson Oscar Araújo Paiva Arquitetura 39 roap@ic.ufal.br
  • Estudo de Caso Ranilson Oscar Araújo Paiva Estudo de Caso 39 roap@ic.ufal.br
  • Estudo de Caso Ranilson Oscar Araújo Paiva 40 roap@ic.ufal.br UFAL Línguas - Espanhol • • • • • • • Espanhol | Nível Básico (Certificado) 6 Unidades (5 meses de curso) 1 Professor e 8 Tutores 200 Inscritos (Gratuito) 34 Concluintes 700+ Megabytes de Dados 1.220.000 Triplas RDF (Ontologia)
  • Estudo de Caso Ranilson Oscar Araújo Paiva 41 roap@ic.ufal.br Cenário 01 Avaliar a Qualidade das Interações dos Alunos no Ambiente de Aprendizagem
  • Estudo de Caso Ranilson Oscar Araújo Paiva 42 roap@ic.ufal.br
  • Estudo de Caso Ranilson Oscar Araújo Paiva 43 roap@ic.ufal.br
  • Estudo de Caso Ranilson Oscar Araújo Paiva Detectar Práticas 44 roap@ic.ufal.br
  • Estudo de Caso Ranilson Oscar Araújo Paiva 45 roap@ic.ufal.br
  • Estudo de Caso Ranilson Oscar Araújo Paiva Descobrir Padrões 46 roap@ic.ufal.br
  • Estudo de Caso Ranilson Oscar Araújo Paiva Descobrir Padrões 50 roap@ic.ufal.br
  • Estudo de Caso Ranilson Oscar Araújo Paiva 51 roap@ic.ufal.br
  • Estudo de Caso Ranilson Oscar Araújo Paiva Recomendar 52 roap@ic.ufal.br
  • Estudo de Caso Ranilson Oscar Araújo Paiva Recomendar 53 roap@ic.ufal.br
  • Estudo de Caso Ranilson Oscar Araújo Paiva 57 roap@ic.ufal.br
  • Conclusão Ranilson Oscar Araújo Paiva 59 roap@ic.ufal.br Conclusão 1. Criamos um processo para a recomendação pedagógica. 2. Criamos cenários para guiar a Mineração dos Dados. 3. Criamos uma ferramenta com processo de recomendação, capaz de auxiliar professores e tutores na gestão de seus alunos. 4. Realizamos um estudo de caso (dados reais). 5. Acreditarmos ter contribuído para a Informática na Educação através da natureza multidisciplinar do trabalho. 6. Apresentamos um artigo sobre o tema no DesafIE! (2012)
  • Trabalhos Futuros Ranilson Oscar Araújo Paiva 60 roap@ic.ufal.br Limitações e Trabalhos Futuros 1. Criação automática de cenários. 2. Ampliação do escopo das recomendações. 3. Aprimoramento do monitoramento de avaliação de recomendações e resultados dos alunos. 4. Submissão de artigo para Journal.
  • Referências Ranilson Oscar Araújo Paiva 61 roap@ic.ufal.br Referências ABEL, F.; BITTENCOURT, Ig Ibert; COSTA, Evandro de Barros; HENZE, N.; KRAUSE, Daniel; VASSILEVA, J. Recommendations in Online Discussion Forums for E-Learning Systems. IEEE Transactions on Learning Technologies, 2010, vol. 3, pp. 165-176. AROYO, Lora. INABA, Akiko. SOLDATOVA, Larissa. MIZOGUCHI, Riichiro. EASE: Evolutional Authoring Support Environment, 2004. AUDINO, Daniel Fagundes. NASCIMENTO, Rosemy da Silva. Revista Contemporânea de Educação, vol. 5, n. 10, julho/dezembro 2010. BAKER, R.S.J.d. Data Mining for Education. McGaw, B., Peterson, P., Baker, E. (Eds.) International Encyclopedia of Education. Elsevier, 2010, ed. 03, vol. 07, pp. 112-118. BAKER, R.S.J.d.; ISOTANI, Seiji; de CARVALHO, A.M.J.B. Mineração de Dados Educacionais: Oportunidades para o Brasil. Revista Brasileira de Informática na Educação, 2011, vol. 19, n. 02, pp. 3-13. BITTENCOURT, Ig Ibert ; COSTA, Evandro de Barros ; Marlos Silva ; SOARES, Elvys . A Computational Model for Developing Semantic Web-based Educational Systems. Knowledge-Based Systems, 2009, vol. 22, pp. 302-315. BITTENCOURT, Ig Ibert ; COSTA, Evandro de Barros . Modelos e Ferramentas para a Construção de Sistemas Educacionais Adaptativos e Semânticos. Revista Brasileira de Informação na Educação, 2011, vol. 19, pp. 85-98. CNN MONEY, Disponível em: http://money.cnn.com/2009/06/17/news/economy/goldman_sachs_jim_oneill_interview.fortune/index.htm, Acessado em: 05/04/2013. DAVIDOFF, Linda L. Introdução à Psicologia. McGraw-Hill do Brasil, 1983 pp. 112-115 DEOGUN, Jitender S.; RAGHAVAN, Vijay V.; SARKAR, Amartya; SEVER, Hayri. Data Mining: Trends in Research and Development. “Data mining: Trends and issues-guest editors’ introduction,” V. V. Raghavan, J. S. Deogun, and H. Sever. Journal of Amer. Soc. for Information Sci., Vol. 49(4), pp. 397402, Abril 1998. DESAFIE!. I Workshop de Desafios da Computação Aplicada à Educação. Disponível em: http://www.imago.ufpr.br/csbc2012/desafie.php. Acessado em: 14/05/2013. DOMINGUES, Anna Katrina; YACEF, Kalina; CURRAN, James R. Data Mining for Individualized Hints in eLearning. Proceedings of the 3rd International Conference on Educational Data Mining. Junho, 2010. DUKE. Bioelectricity: A Quantitative Approach. Duke University's First MOOC. Disponível em: http://dukespace.lib.duke.edu/dspace/handle/10161/6216. Acessado em: 27/03/2013. Fevereiro, 2013. FERREIRA, Rafael; COSTA, Evandro de Barros; BRITO, Patrick; BITTENCOURT, Ig Ibert; MACHADO, Aydano; MARINHO, Tarsis; HOLANDA, Olavo. A Framework for Building Web Mining Applications in the World of Blogs: A Case Study in Product Sentiment Analysis Expert Systems With Applications. Expert Systems with Applications, 2012, vol. 39, pp. 4813-4834.
  • Referências Ranilson Oscar Araújo Paiva 62 roap@ic.ufal.br Referências GAYARD, Leonel Aguilar. RUBIRA, Celília M. F. GUERRA, Paulo A. de Castro. COSMOS: A Component System Model for Software Architectures. Universidade Estadual de Campinas. Instituto de Computação, 2008. HAN, Jiawei; KAMBER, Micheline. Data Mining: Concepts and Techniques, 2006, ed. 02 - Elsevier/Morgan Kaufmann. IAQUINTA, Leo. SEMERARO, Giovanni. Lightweight Approach to the Cold Start Problem in the Video Lecture Recommendation. 2011. KKD NUGGETS, Disponível em: http://www.kdnuggets.com/polls/2012/where-applied-analytics-data-mining.html. Acessado em: 22/02/2013. LAROSE, Daniel T. Data Mining Methods and Models. Wiley, 2006. LEFFA, V. J. Uma ferramenta de autoria para o professor: o que é e o que faz. Letras de Hoje, Porto Alegre, v. 41, n. 144, pp. 189-214, 2006. MANHAES, Laci Mary Barbosa. CRUZ, Sérgio Manuel Serra da. COSTA, Raimundo J. Macário, ZAVALETA, Jorge. ZIMBRÃO, Geraldo. Previsão de Estudantes com Risco de Evasão Utilizando Técnicas de Mineração de Dados. Anais do XXII SBIE - XVII WIE, 2011. MÁRQUEZ, Vera; ROMERO C.; VENTURA S. Predicting School Failure Using Data Mining. Proceedings of the 4th International Conference on Educational Data Mining. Julho, 2011. MERCERON, A. Educational data mining: a case study. Proceeding of the 2005 conference on Artificial. 2005 Disponível em: http://dl.acm.org/citation.cfm?id=1562589 MINIX.ORG. The MINIX 3 Operating System. Disponível em: http://www.webcitation.org/64sAstWXM. Acessado em 2012-01-20. NISBET, Robert. ELDER, John. MINER, Gary. Statistical Analysis and Data Mining Applications. Elsevier, 2009. NORTH, Matthew. Data Mining for the Masses. 2012 OLIVEIRA, Dalila Andrade. A Reestruturação do Trabalho Docente: Precarização e Flexibilização. Educ. Soc., Campinas, vol. 25, n. 89, pp. 11271144, Set./Dez. 2004. Disponível em: http://www.cedes.unicamp.br. PNE. Portal do Mec. Plano Nacional de Educação – PNE. Disponível em: http://portal.mec.gov.br/index.php?option=com_content&view=article&id=16478&Itemid=110 7. Acessado em: 24/04/2012. PNE(b). Projeto de Lei 8035/2010. Câmara dos Deputados. Disponível em: http://www.camara.gov.br/proposicoesWeb/fichadetramitacao?idProposicao=490116. Acessado em: 12/04/2012. REIHANEH, Rabbany K.; MANSOUREH, Takaffoli; ZAÏANE, Osmar R. Analyzing Participation of Students in Online Courses Using Social Network Analysis Techniques. Proceedings of the 4th International Conference on Educational Data Mining. Julho, 2011.
  • Referências Ranilson Oscar Araújo Paiva 63 roap@ic.ufal.br Referências REYNOLDS, K.; Kontostathis, A.; EDWARDS, L. Using Machine Learning to Detect Cyberbullying. 10th International Conference on Machine Learning and Applications and Workshops, 2011 p. 241-244. ROMERO, C., VENTURA, S. Educational Data Mining: A Survey from 1995 to 2005. Expert Systems with Applications, 2007 33(1), pp. 135146. Romero, Cristóbal; Ventura, Sebastian; Pechenizkiy; Baker, Ryan. Handbook of Educational Data Mining.Florida: CRC Press, 2011. Russell, Stuart; Norvig, Peter. Artificial Intelligence: A Modern Approach. 3. ed. New Jersey: Pearson Education, 2010. SILVA, Alan Pedro da; COSTA, Evandro; BITTENCOURT, Ig Ibert. Uma Linha de Produto de Software baseada na Web Semântica para Sistemas Tutores Inteligentes. Revista Brasileira de Informação na Educação, 2012 v. 20, pp. 87. SOMMERVILLE, Ian. Software Engineering. ed. 09. Addison-Wesley, 2011. UFALLinguas. Disponível em: http://www.ufal.edu.br/cied/informes/cied-torna-publico-o-edital-do-curso-201cel-mundo-hispanico-sinfronteiras. Acessado em: 15/01/2013. UFALLinguas(b). Disponível em: http://www.ufal.edu.br/cied/documentos/editalsimplificadocursoextensaoespanhol.pdf. Acessado em: 15/01/2013. W3C.ORG. Authoring Tool Definition. Disponível em: http://www.w3.org/TR/2012/WD-ATAG20-20120410/#def-Authoring-Tool. Acesso em: 03/01/2013. WALKER, Maurice. PISA 2009 Plus Results: Performance of 15-year-olds in Reading, Mathematics and Science for 10 Additional Participants. Acer Press, 2011. WITTEN, Ian; FRANK, Eibe; HALL, Mark. Data Mining: Practical Machine Learning Tools and Techniques. Elsevier, 2011. ed. 3. Massachusetts. WU, Xindong; et. Al. Top 10 Algorithms in Data Mining. Knowledge Information Systems, 2007 - Springer.
  • Agradecimentos Ranilson Oscar Araújo Paiva 64 roap@ic.ufal.br Agradecimentos Uma pessoa nobre nunca se esquece, e é sempre grata, pelos favores que recebeu de outros. Buddha Obrigado!