Recommendation System model integrated with Active Methodologies, EDM, and Learning Analytics for dropout mitigation in Distance Education
DOI:
https://doi.org/10.17398/1695-288X.22.2.185Keywords:
Sistema de recomendación, Metodologías activas, Minería de datos educativos, Analítica de aprendizaje, AbandonoAbstract
Distance Education enabled educational practices based on digital platforms. Despite its wide adoption, the high dropout rates are a reason for concern for teachers and institutional managers. There are initiatives to mitigate this situation, such as Educational Data Mining (EDM), Learning Analytics (LA), and the use of Recommendation Systems (RS). Although effective in specific aspects, these techniques lack mechanisms for students' motivation and pedagogical intervention by teachers, as they do not present methodological proposals to encourage learning. Therefore, this article describes an RS model that shows a differential integration of the pedagogical approach of Active Methodologies with the support of Educational Data Mining and Learning Analytics techniques to identify students with dropout risks and enhance permanence. For this, a prototype was implemented, and a case study was carried out with professors from two universities to assess functionality and acceptance. According to the TAM Model, more than 87% of teachers agree with the ease of use, and 77% agree that RS can be helpful in students' teaching and learning process. Therefore, the model contributes to teaching practices, encourages collaborative learning, and favors monitoring this process and the activities developed by the students.
Downloads
References
Acosta, O. C.; Reategui, E. B. & Behar, P. A. (2018). Recomendação de conteúdo em um ambiente colaborativo de Aprendizagem Baseada em Projetos. Revista Brasileira de Informática na Educação, 26(1), 91-111. http://dx.doi.org/10.5753/rbie.2018.26.01.91
Almeida, C. M. M.; Scheunemann, C. M. B. & Lopes, P. T. C. (2020). Sala de aula invertida com tecnologias digitais e ferramenta metacognitiva para potencializar as aulas do ensino superior. Revista Latinoamericana de Tecnologia Educativa, 19(2), 65-81. https://doi.org/10.17398/1695-288X.19.2.65
Alves, M. O.; Medeiros, F. P. A. & Melo, L. B. (2020). Levantamento do estado da arte sobre Aprendizagem baseada em Problemas na Educação a Distância e Híbrida. In: Simpósio Brasileiro de Informática na Educação (SBIE), 61-71. https://doi.org/10.5753/cbie.sbie.2020.61
Andrade, T. L., Rigo, S. J., Barbosa, J. L. V. (2021). Active Methodology, Educational Data Mining and Learning Analytics: A Systematic Mapping Study. Informatics in Education, 20(2): 171-204. https://doi.org/10.15388/infedu.2021.09
Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32. https://doi.org/10.1023/A:1010933404324
Brito, M.; Medeiros, F. & Bezerra, E. P. (2019). An Infographics-based Tool for Monitoring Dropout Risk on Distance Learning in Higher Education. In: International Conference on Information Technology Based Higher Education and Training (ITHET). IEEE. https://doi.org/10.1109/ITHET46829.2019.8937361
Campos, A.; Hollerweger, L.; Santos, G.; Farias, A. F. & Behar, P. A. (2017). Mapeamento de soluções tecnológicas em sistemas de recomendação educacionais em âmbito brasileiro. Informática na Educação: teoria e prática, 20(3), 79–96. http://hdl.handle.net/10183/173928
Chandrasekaran, D.; Thirunavukkarasu, G. S. & Littlefair , G. (2016). Collaborative Learning Experience of Students in Distance Education. In: International Symposium on Project Approaches in Engineering Education and Active Learning in Engineering Education Workshop, 90-99. https://www.researchgate.net/publication/305983309_Collaborative_Learning_Experience_of_Students_in_Distance_Education
Costa, E.; Aguiar, J. & Magalhães, J. (2013). Sistemas de Recomendação de Recursos Educacionais: conceitos, técnicas e aplicações. In: Jornada de Atualização em Informática na Educação (JAIE), 57-78. http://www.br-ie.org/pub/index.php/pie/article/view/2589/0
Cunha, F. O. M. & Siebra, C. A. (2016). Mapeamento sistemático na literatura acadêmico-científica sobre abordagens para a formação de grupos em E-Learning. Revista Brasileira de Informática na Educação, 24(3), 17-30. http://dx.doi.org/10.5753/rbie.2016.24.3.16
Fernández-Robles, J. L.; Ramírez-Ramírez, L. N.; Hernández-Gallardo, S. C. & García-Ruiz, M. Á. (2019). Formación profesional en ambientes e-learning. Estudio de caso sobre Aprendizaje Basado en Proyectos (ABP) en un curso de posgrado virtual. Revista Latinoamericana de Tecnologia Educativa, 18(1), 91-105. https://doi.org/10.17398/1695-288X.18.1.91
Ferreira, L. G. A.; Barbosa, J. L. V.; Gluz, J. C. & Vicari, R. (2015). UbiGroup: um modelo de recomendação ubíqua de conteúdo para grupos dinâmicos de aprendizes. Revista Brasileira de Informática na Educação, 23(3), 40-55. http://dx.doi.org/10.5753/rbie.2015.23.03.40
Ferreira, V. A. S.; Vasconcelos, G. C. & França, R. S. (2017). Mapeamento sistemático sobre Sistemas de Recomendações Educacionais. In: Simpósio Brasileiro de Informática na Educação (SBIE), 253–262. http://dx.doi.org/10.5753/cbie.sbie.2017.253
Guo, R.; Li, L. & Han, M. (2018). On-demand virtual lectures: Promoting active learning in distance learning. In: International Conference on E-Education, E-Business and E-Technology, 1-5. ACM. https://doi.org/10.1145/3241748.3241757
Kostopoulos, G.; Karlos, S. & Kotsiantis, S. (2019). Multiview Learning for Early Prognosis of Academic Performance: A Case Study. IEEE Transactions on Learning Technologies, 12(2), 212-224. IEEE. https://doi.org/10.1109/TLT.2019.2911581
Leite, L. S. & Ramos, M. B. (2017). A metodologia ativa no Ambiente Virtual de Aprendizagem. Metodologia ativa na educação, 85-101. Pimenta Cultural. https://www.pimentacultural.com/metodologia-ativa-na-educacao
Leite, R. R.; Pitangui, C. G.; De Assis, L. P. & Andrade, A. V. (2019). Sistemas de Recomendação em Ambientes Educacionais: estado da arte e perspectivas futuras. In: Simpósio Brasileiro de Informática na Educação (SBIE), 109-118. http://dx.doi.org/10.5753/cbie.wcbie.2019.109
Lewis, D. D. (1998). Naive Bayes at forty: The independence assumption in information retrieval. In: Machine Learning: European Conference on Machine Learning (ECML), 4-15. https://link.springer.com/content/pdf/10.1007%2FBFb0026666.pdf
Lima, E. & Siebra, C. (2017). CollabEduc: Uma Ferramenta de Colaboração em Pequenos Grupos para Plataformas de Aprendizagem a Distância. In: Simpósio Brasileiro de Informática na Educação (SBIE), 1707–1716. http://dx.doi.org/10.5753/cbie.sbie.2017.1707
Lima, J. V. V.; Silva, C.; Alencar, F & Santos, W. (2020). Metodologias Ativas como forma de reduzir os desafios do ensino em Engenharia de Software: diagnóstico de um survey. In: Simpósio Brasileiro de Informática na Educação (SBIE), 172–181. https://doi.org/10.5753/cbie.sbie.2020.172
Marques, L. T.; Castro, A. F.; Marques, B. T.; Silva, J. C. P. & Queiroz, P. G. G. (2019). Mineração de dados auxiliando na descoberta das causas da evasão escolar: um mapeamento sistemático da literatura. Revista Novas Tecnologias na Educação (RENOTE), 17(3), 194-203. https://doi.org/10.22456/1679-1916.99470
Moraes, T. C. H. & Stiubiener, I. (2019). Sistemas híbridos para recomendações educacionais: uma revisão sistemática da literatura. In: Simpósio Brasileiro de Informática na Educação (SBIE), 1331-1340. http://dx.doi.org/10.5753/cbie.sbie.2019.1331
Queiroga, E. M.; Cechinel, C. & Aguiar, M. S. (2019). Uma abordagem para predição de estudantes em risco utilizando algoritmos genéticos e mineração de dados: um estudo de caso com dados de um curso técnico à distância. In: Simpósio Brasileiro de Informática na Educação (SBIE), 119-128.
http://dx.doi.org/10.5753/cbie.wcbie.2019.119
Ramos, J. L. C.; Silva, J. C. S.; Prado, L. C.; Gomes, A. S.; Souza, F. F. D.; Zambom, E. G. & Rodrigues, R. L. (2017). Um Modelo Preditivo da Evasão dos Alunos na EAD a partir dos Construtos da Teoria da Distância Transacional. In: Simpósio Brasileiro de Informática na Educação (SBIE), 1227-1236. http://dx.doi.org/10.5753/cbie.sbie.2017.1227
Ramos, J. L. C.; Silva, J. C. S.; Prado, L. C.; Gomes, A. S. & Rodrigues, R. L. (2018). Um estudo comparativo de classificadores na previsão da evasão de alunos em EAD. In: Simpósio Brasileiro de Informática na Educação (SBIE), 1463-1472. http://dx.doi.org/10.5753/cbie.sbie.2018.1463
Rolim, V. B.; Mello, R. F. L. & Costa, E. B. (2017). Utilização de técnicas de aprendizado de máquina para acompanhamento de fóruns educacionais. Revista Brasileira de Informática na Educação, 25(3), 112-130. http://dx.doi.org/10.5753/rbie.2017.25.03.112
Santos, R. M. M.; Pitangui, C. G.; Andrade, A. V. & Assis, L. P. (2016). Uso de Séries Temporais e Seleção de Atributos em Mineração de Dados Educacionais para Previsão de Desempenho Acadêmico. In: Simpósio Brasileiro de Informática na Educação (SBIE), 1146-1155. http://dx.doi.org/10.5753/cbie.sbie.2016.1146
Waheed, H.; Hassan, S.; Aljohani, N. R.; Hardman, J.; Alelyani, S. & Nawaz, R. (2020). Predicting academic performance of students from VLE big data using deep learning models. Computers in Human Behavior, 104(1), 1-13. Elsevier. https://doi.org/10.1016/j.chb.2019.106189
Widyahastuti, F. & Tjhin, U. (2018). Performance Prediction in Online Discussion Forum: state-of-the-art and comparative analysis. In: International Conference on Computer Science and Computational Intelligence, 302-314. Elsevier. https://doi.org/10.1016/j.procs.2018.08.178
Downloads
Published
Issue
Section
License
Authors who publish in this journal accept the following conditions:
1. The Author retains copyright in the article. Upon acceptance of the article, the author shall grant to the Publisher the right of first publication of the article. with the dcoument registered with the Creative Commons Attribution-NonCommercial-NoDerivative 4.0 International (CC BY-NC-ND) license, which allows to third parties to use what is published whenever they mention the authorship of the work and the first publication in this journal.
2. Authors can make other independent and additional contractual agreements for the non-exclusive distribution of the article published in this journal (eg, include it in an institutional repository or publish it in a book) provided they clearly indicate that the work was published for the first time in this journal.
3. Authors are allowed and recommended to publish their work on the Internet (for example on institutional or personal pages) before and during the review and publication process, as it can lead to productive exchanges and a greater and faster diffusion of published work (see The Effect of Open Access).
