Baixe o app para aproveitar ainda mais
Prévia do material em texto
AULA 5 PROJETOS E INOVAÇÃO NA EDUCAÇÃO Profª Oriana Gaio 2 INTRODUÇÃO Já conhecemos as principais características e abordagens que envolvem as metodologias ativas, imersivas e ágeis. Se essas metodologias já apresentavam um grau de inovação educacional, nesta aula estudaremos sobre a metodologia analítica, que é considerada, entre os autores, como uma das mais disruptivas no contexto educacional. Cavalcanti e Filatro (2018, p. 190) indicam que a inovação associada às metodologias analíticas se refere ao imenso poder computacional de coletar, tratar e transformar dados relativos à aprendizagem humana, apoiando assim a tomada de decisão por professores, especialistas, designers instrucionais, gestores e, como veremos, pelos próprios alunos. Dessa forma, é necessário compreender os aspectos teóricos que envolvem os conceitos de dados e informações e que nos acompanharão em toda a nossa aula. Os dados são símbolos que podem ser quantificados ou não, por exemplo, um texto ou uma figura, mas que sejam passíveis de análise. Já a informação é a transformação que ocorre de um dado em interpretação e ganhando sentido lógico. Dito isso, nesta aula procuramos elucidar os conceitos que envolvem as metodologias analíticas como: a mineração de dados educacionais, a analítica da aprendizagem e a aprendizagem adaptativa. Com base nesses conceitos, veremos também algumas aplicações que utilizam a base de sistemas computacionais na educação como a computação cognitiva e o machine learning. Logo, a ideia desta aula é permitir que você compreenda e entenda qual é a real finalidade de usar os dados e informações associados ao contexto educacional para a solução de problemas e tomadas de decisão. TEMA 1 – METODOLOGIAS ANALÍTICAS Com base no desenvolvimento da tecnologia educacional com o crescimento do e-learning e a utilização da internet no contexto educacional, permitiu-se a criação de bancos de dados com informações dos alunos. Esses dados transformados em informações podem ser explorados para compreender como os estudantes aprendem e, consequentemente, poder auxiliar na tomada de decisões gerenciais das instituições de ensino. 3 Podemos dizer, então, que a metodologia com alto grau de inovação para educação é a analítica. Com base em dados gerados no contexto educacional, é possível tomar decisões em relação ao processo de ensino e aprendizagem. Mas você deve estar se perguntando: quais dados especificamente são gerados pelos alunos no contexto educacional? A seguir estão relacionados alguns deles: • dados de conclusão, permanência e evasão; • dados de aprovação e reprovação; • dados de acesso a recursos didáticos, como textos, imagens, vídeos, áudios, animações, infográficos; • dados de participação em atividades de aprendizagem, como questionários fechados, atividades abertas, fóruns de discussão; • dados de desempenho em atividades de aprendizagem e de avaliação; • dados de interação social (relacionamento com colegas de estudo e professores, por exemplo); • dados de avaliação de reação; • dados de pesquisa de satisfação (Cavalcanti; Filatro, 2018, p. 197). A obtenção desses e de outros dados é possível graças a sistemas educacionais, ou à educação a distância, que conta com o auxílio de ambientes virtuais de aprendizagem, onde os dados de alunos e professores podem ser coletados e armazenados. No entanto, no ensino presencial, a coleta de dados é mais limitada e fica a cargo e interesse de professores e gestores, que reúnem dados específicos de todo o processo. A figura a seguir resume quais são os contextos educacionais e os sistemas que permitem a criação de dados para a educação: Figura 1 – Contextos educacionais e os sistemas que permitem a criação de dados para a educação Fonte: Romero; Ventura, 2013, p. 17, tradução nossa. 4 Com base na Figura 1, é possível notar que existem vários ambientes educacionais como também sistemas de informação, seja na educação convencional, seja na baseada em computador. Cada uma viabiliza fontes de dados diferentes que devem ser processados de várias formas, dependendo da natureza dos dados disponíveis e dos problemas e tarefas específicos a serem resolvidos pela mineração de dados. Segundo Cavalcanti e Filatro (2018, p. 199), além do armazenamento e do registro dos dados dos alunos para subsidiar o processo de aprender e a tomada de decisão dos professores, os dados educacionais podem ser utilizados com outra finalidade. No caso da educação regulamentada, os principais dados citados anteriormente são submetidos aos órgãos governamentais (ministério da educação e secretarias da educação em nível estadual e municipal) para compor as estatísticas do setor e possibilitar a formulação de políticas públicas. No âmbito institucional, muitos desses dados subsidiam a tomada de decisão quanto à oferta de novos cursos e à formação de turmas, e, em alguns casos, a revisão de metodologias, a reformulação de materiais didáticos e a realocação e capacitação dos profissionais envolvidos Com base nos dados educacionais, surge então o conceito de mineração de dados educacionais (MDE), que se preocupa em desenvolver, pesquisar e aplicar métodos computadorizados para identificar padrões nos dados educacionais. Dessa forma, a MDE tem sido utilizada como fonte de pesquisa com o intuito de analisar os dados que surgem em contextos educacionais para resolver questões de pesquisa educacional, como melhorar o processo de aprendizagem e orientar a aprendizagem dos alunos; bem como objetivos puros de pesquisa, como alcançar uma compreensão mais profunda dos fenômenos educacionais. Para Romero e Ventura (2013), existe um processo da utilização da mineração de dados educacionais, que envolve a formulação de hipóteses, os testes e, por fim, o aperfeiçoamento, conforme a Figura 2: 5 Figura 2 – Etapas do processo da utilização da mineração de dados educacionais Fonte: Romero; Ventura, 2013, p. 19, tradução nossa. A formulação de hipóteses no contexto educação que resultam na mineração de dados podem envolver diferentes grupos de usuários ou participantes, que analisam as informações educacionais de diferentes ângulos, de acordo com sua própria missão, visão e objetivos. Assim, as informações obtidas por meio da MDE podem ser utilizadas para auxiliar os professores a gerenciar suas aulas, para compreensão dos processos de aprendizagem de seus alunos, como também a reflexão sobre os métodos de ensino utilizados em sala de aula. Além disso, a MDE pode apoiar as reflexões dos alunos sobre determinada situação, como também fornecer feedback em relação ao processo de aprendizagem. TEMA 2 – ANALÍTICA DA APRENDIZAGEM A expressão analítica da aprendizagem ou análise do aprendizado (como alguns autores utilizam) é um campo emergente em que ferramentas analíticas sofisticadas são usadas para melhorar o aprendizado e a educação. Ela se baseia e está ligada a uma série de outros campos de estudo, incluindo análise da web, análise acadêmica, mineração de dados educacionais e análise de ações. A analítica da aprendizagem pode ser definida como “o uso de dados inteligentes, dados produzidos por alunos e modelos de análise para descobrir informações e conexões sociais, e para prever e aconselhar sobre aprendizado” (Siemens, 2013, p. 1382). Dessa forma, é possível dizer que a analítica da aprendizagem se refere à interpretação de uma ampla gama de dados produzidos pelos alunos, a fim de avaliar o progresso acadêmico e prever o desempenho futuro. 6 No entanto, ressaltamos que, segundo Liñán e Pérez (2015), é possível identificar algumas diferenças principais entre a mineração de dados educacionais e a analítica da aprendizagem: • Descoberta: na mineração de dados educacionais, os pesquisadores estão interessadosna descoberta automatizada. Aproveitar o julgamento humano é uma ferramenta, mas na analítica da aprendizagem é exatamente o oposto: alavancar o julgamento humano é que é o objetivo; • Redução: a mineração de dados educacionais reduz os sistemas a componentes e explora os relacionamentos, enquanto a analítica da aprendizagem quer entender sistemas inteiros; • Origens: a mineração de dados educacionais está enraizada no software educacional e na modelagem de alunos; por outro lado, as origens da analítica da aprendizagem estão relacionadas à web semântica, previsão de resultados e intervenções sistêmicas; • Técnicas e métodos: a mineração de dados educacionais emprega mais técnicas e métodos de classificação, modelagem, descoberta com modelos e visualização. Enquanto a analítica da aprendizagem centra-se na análise de redes sociais, análise de sentimentos, análise de influência, análise de discurso, previsão de sucesso do aluno. Apesar das diferenças apresentadas, podemos observar como o processo da analítica da aprendizagem é similar ao da mineração de dados educacionais, mas envolve um ciclo iterativo em três etapas principais: 1. coleta e pré-processamento de dados; 2. análise e ação; e 3. pós-processamento. 7 Figura 3 – Etapas do processo da analítica da aprendizagem Fonte: Simens, 2013, p. 1383. Cada uma das etapas é descrita a seguir com base na visão de Siemens (2013): • Coleta e pré-processamento de dados: os dados educacionais são a base do processo da analítica da aprendizagem. Dessa forma, em um primeiro momento é necessário coletar dados de diversos cenários e sistemas educacionais. Caso os dados obtidos sejam muito grandes ou envolvam muitos fatores, é preciso realizar um pré-processamento de dados. Esse pré-processamento de dados permite transformar os dados em um formato adequado que pode ser utilizado pela analítica da aprendizagem. Algumas formas de pré-processamento são: limpeza de dados, integração de dados, transformação de dados, redução de dados, modelagem de dados, identificação de usuários; • Análise e ação: com base nos dados pré-processados, diferentes técnicas da analítica de aprendizagem podem ser utilizadas para explorar os dados, com o objetivo de descobrir padrões que forneçam uma experiência de aprendizado mais eficaz. A etapa de análise não inclui apenas a análise e a visualização de informações, mas também ações sobre essas informações. Tomar ações é o objetivo principal de todo o processo de análise, que incluem monitoramento, análise, previsão, intervenção, avaliação, adaptação, personalização, recomendação e reflexão; Coleta e pré- processamento Análise e ação Pós- processamento Analítica da aprendizagem 8 • Pós-processamento: a melhoria contínua da análise deve envolver a seleção de novos dados de outras fontes de dados, aprimorar o conjunto de dados, identificar novos indicadores e métricas, modificar as variáveis de análise ou escolher um novo método de análise. No entanto, para realizar a coleta de dados e fazer as devidas análises, é preciso ter em mente as quatro dimensões que envolvem a analítica da aprendizagem, conforme a Figura 4: a. O quê? Que tipo de dados o sistema coleta, gerencia e usa para a análise?; b. Quem? Quem é o alvo da análise? c. Por quê? Por que o sistema analisa os dados coletados? d. Como? Como o sistema realiza a análise dos dados coletados? Figura 4 – Dimensões da analítica da aprendizagem Fonte: Siemens, 2013, p. 1392. Descrevemos a seguir as quatro dimensões do modelo de referência proposto relacionando os desafios e oportunidades para a analítica da aprendizagem, segundo Siemens (2013): • O quê? (dados e ambientes): a analítica envolve uma abordagem baseada em dados e dessa forma precisamos saber a origem dos dados educacionais. As fontes de dados podem ser os sistemas de gerenciamento de aprendizagem (do inglês, learning management system - LMS), como o Blackboard e o Moodle. Esse tipo de sistema concentra grandes registros de dados das atividades e dos dados de interação dos alunos, como leitura, escrita, acesso, upload de material de aprendizagem, o quê? dados e ambientes por quê? objetivos como? métodos quem? partes interessadas Analítica da aprendizagem 9 realização de testes. Em contrapartida, os ambientes de aprendizado pessoal compilam dados de uma ampla variedade de fontes, sendo provenientes de canais de aprendizado formais e informais (rede sociais, ferramentas do dia a dia, etc.). O desafio passa a ser como agregar e integrar dados brutos de várias fontes, geralmente disponíveis em diferentes formatos, para criar um conjunto de dados educacionais úteis que refletem as atividades do aluno; • Quem? (partes interessadas): diferentes grupos de pessoas podem estar interessadas em coletar os dados como: alunos, professores, tutores, instituições educacionais, pesquisadores, design de sistemas, etc. O interesse dos alunos, por exemplo, centra-se em saber como a análise pode melhorar suas notas. Os professores podem estar interessados em como a análise pode aumentar a eficácia de suas práticas de ensino ou apoiá-los na adaptação de suas ofertas de ensino às necessidades dos alunos. Instituições educacionais podem usar ferramentas de análise para apoiar a tomada de decisões, identificar potenciais alunos em evasão, ajustar o planejamento do curso, determinar as necessidades de contratação ou tomar decisões financeiras. As ferramentas da analítica da aprendizagem devem fornecer feedback direcionado aos objetivos das diferentes partes interessadas para reflexão, conscientização e apoio à tomada de decisão. É de suma importância ressaltar que precisamos identificar e até mesmo impedir o uso indevido dos dados coletados, além de determinar limites das análises e preservar informações confidenciais e identidade do usuário; • Por quê? (objetivos): podem existir diversos objetivos para a analítica da aprendizagem que vão ao encontro do ponto de vista particular dos diferentes interessados. Destacamos os possíveis objetivos que incluem: monitoramento e análise, previsão e intervenção, tutoria e mentoria, avaliação e feedback, personalização e recomendação e reflexão. • Monitoramento e análise: os objetivos são: acompanhar as atividades dos alunos e gerar relatórios para apoiar a tomada de decisões pelo professor ou pela instituição educacional ou também está relacionado ao desenho instrucional que se refere à avaliação do processo de ensino e aprendizagem com o objetivo de melhorar continuamente o ambiente de aprendizagem; 10 • Previsão e intervenção: o objetivo é desenvolver um modelo que tente prever o desempenho futuro do aluno baseado em suas atividades e realizações atuais. Esse modelo pode ser utilizado para fornecer uma intervenção nos alunos que necessitam uma assistência adicional; • Tutoria e mentoria: o objetivo é auxiliar os alunos em seu aprendizado (tarefas), apoiando cada um em sua orientação e introdução a novos módulos de aprendizagem, como também durante todo o processo. Além disso, os mentores fornecem orientação no planejamento de carreira, supervisionam o alcance das metas, ajudam a preparar novos desafios, etc. • Avaliação e feedback: o objetivo é realizar não só a avaliação como também a autoavaliação da eficiência e eficácia aprimoradas do processo de aprendizagem. Além disso, é importante também obter feedback para alunos, professores ou mentores, pois fornece informações interessantes geradas com base em dados sobre os interesses do usuário e o contexto de aprendizado; • Personalização e recomendação: na personalização, a análise é centrada no aluno, com o objetivo de ajudá-los a decidirem sobre seu próprio aprendizado e alcançar seus objetivos de aprendizado. Além disso, os sistemasde recomendação podem desempenhar um papel crucial para promover o aprendizado autodirigido. O objetivo nesse caso é ajudar os alunos a decidir o que fazer em seguida, recomendando os recursos de aprendizagem necessários com base em suas preferências e atividades; • Reflexão: alunos e professores podem se beneficiar dos dados coletados se compará-los com outros dados, seja dentro do mesmo curso, entre classes ou mesmo entre instituições. A ideia é tirar conclusões e principalmente refletir sobre a eficácia das práticas de aprendizado ou ensino adotadas. • Como? (métodos): a analítica da aprendizagem pode envolver diferentes técnicas para identificar padrões em um conjunto de dados educacionais. Elencamos quatro técnicas: estatísticas, visualização de informações, mineração de dados e análise de redes sociais. • Estatísticas: os sistemas de gerenciamento de aprendizagem existentes possuem ferramentas que fornecem relatórios contendo estatísticas da interação dos alunos com o sistema, por exemplo: 11 tempo online, número total de visitas, frequência de postagens, porcentagem de material lido; • Visualização de informações: nem sempre é fácil interpretar as estatísticas na forma de relatórios e tabelas de dados. Como alternativa, podemos representar os resultados obtidos em um formato mais visual e de fácil interpretação e a análise dos dados educacionais. Dessa forma, para representar os dados visualmente, podemos utilizar gráficos, representações em 3D, mapas. O importante é optar pela representação que efetivamente atinge o objetivo da análise; • Mineração de dados: já vimos nesta aula que a mineração é fonte de pesquisa e é definida como “o processo de descobrir padrões ou conhecimentos úteis a partir de fontes de dados, por exemplo, bancos de dados, textos, imagens, web” (Siemens, 2013, p. 1395). Conforme vimos, a mineração de dados envolve um processo de formulação de hipóteses, testes e aperfeiçoamento; • Análise de redes sociais: as redes sociais têm se tornado importantes para apoiar o aprendizado em rede e as ferramentas que permitem gerenciar, visualizar e analisar os dados nessas redes podem ser exploradas na analítica da aprendizagem. Com base nas quatro dimensões descritas, é importante ter em mente qual é o objetivo que se pretende alcançar com a analítica da aprendizagem, uma vez que, por meio da análise de dados educacionais, podemos subsidiar uma tomada de decisão que reflita no processo de ensino e aprendizagem. Afinal, muitos sistemas são ricos em dados, mas com poucas informações. É preciso encontrar indicadores, previsões e recomendações pedagogicamente úteis, avaliando a qualidade dos resultados da análise na prática, convertendo os dados brutos em conhecimento e base empírica para a tomada de decisões. TEMA 3 – APRENDIZAGEM ADAPTATIVA Logo na primeira aula, falamos a respeito do ensino híbrido e da personalização do ensino. Desde então temos falado de algumas possibilidades de metodologias que podem ser aplicadas ao contexto educacional. Com base na metodologia analítica, que se baseia no pressuposto da análise de dados 12 educacionais, podemos utilizá-las em prol de um ensino adaptável e que atenda a reais necessidades de aprendizagem dos alunos. Em outras palavras, a aprendizagem adaptativa se baseia na ideia de que o aprendizado adaptável é um aprendizado personalizado, uma vez que, empregando as ferramentas tecnológicas, os professores podem transformar o aprendizado tradicional em métodos pedagógicos que consideram as características individuais dos estudantes. Dessa forma, a aprendizagem adaptativa é uma das potenciais alternativas na educação e na aquisição de conhecimento. Isso porque o aprendizado adaptável pode estar vinculado ao aprendizado de vídeo, por exemplo, em que os alunos se envolvem com programas e atividades que ocorrem na tela e incorporam recursos diferentes para se conectar a estilos de aprendizado diferentes. Outro exemplo envolve o uso de sistemas que são interativos e fornecem interface multidimensional aos alunos. Os “sistemas digitais adaptáveis monitoram as características e o progresso do aprendiz, e o ambiente de aprendizagem é ajustado para adaptar-se ativamente às necessidades individuais” (Cavalcanti; Filatro, 2018, p. 226). Segundo os mesmos autores, Esses aspectos vêm sendo congregados nas chamadas trilhas de aprendizagem – que nada mais são que caminhos alternativos e flexíveis para o desenvolvimento pessoal e profissional. Na literatura sobre o tema, as trilhas de aprendizagem recebem diferentes nomes – rotas, percursos, trajetórias ou jornadas de aprendizagem (ou de desenvolvimento, conhecimento, navegação). Resumidamente, cada pessoa percorre uma trilha diferente da cursada por outras, mesmo que exerçam funções idênticas em uma empresa ou organização (Cavalcanti; Filatro, 2018, p. 229). Oxman e Wong (citados por Cavalcanti; Filatro, 2018, p. 227) indicam que os sistemas de aprendizagem possuem três aspectos fundamentais: 13 Figura 5 – Aspectos dos sistemas de aprendizagem Fonte: Oxman; Wong, citados por Cavalcanti; Filatro, 2018, p. 227. No entanto é importante ressaltar que o aprendizado adaptativo pode não ser adequado ou se conectar a todas disciplinas e áreas de estudo. Ademais, devemos ter em mente que a adaptação da aprendizagem vai além da sala de aula, chegando aos smartphones que se tornaram uma alternativa de ensino para muitos estudantes, uma vez que os celulares e aplicativos de aprendizado adaptável podem criar conexões que auxiliam no desenvolvimento de conhecimento. TEMA 4 – COMPUTAÇÃO COGNITIVA Alinhada à inovação no campo educacional com a utilização de dados que auxiliam na tomada de decisão de professores a respeito do processo de ensino e aprendizagem, estão os equipamentos e máquinas inovadores que possuem sistemas de inteligência computacional. E a computação cognitiva já faz parte do nosso dia a dia. Provavelmente você acessou ou realizou compras pelo comercio eletrônico. Esses sites utilizam mecanismos de recomendação que aplicam algoritmos sofisticados de Modelo de aprendiz • o meio para inferir e diagnosticar características como estilos de aprendizagem, traços de personalidade, estados motivacionais e conhecimentos sobre diferentes tópicos de estudo Modelo de conteúdo • a forma como um domínio de conteúdo é estruturado, com os resultados de aprendizagem detalhados e uma definição de tarefas que precisam ser aprendidas; algum sequenciamento inicial de conteúdo é predeterminado, embora esse sequenciamento possa mudar com base no desempenho do aluno; Modelo instrucional • o modo como um sistema seleciona conteúdo específico para um aluno especificamente em um momento determinado; ou seja, uma combinação das informações do modelo de aprendiz e do modelo de conteúdo para gerar atividade ou feedback com maior probabilidade de apoiar a aprendizagem. 14 aprendizado de máquina para fornecer aos compradores sugestões de produtos que são relacionados aos que você está visualizando ou colocou em sua lista de desejo, com base em suas preferências e no histórico de compras desse item. Diante desse cenário, neste momento da aula falaremos da computação cognitiva aplicada ao contexto educacional, que considera a inteligência artificial (IA), as técnicas tradicionais baseadas em sistemas e explora estatísticas e modelos matemáticos. Segundo Coccoli, Maresca, Stanganelli (2016), os sistemas de computação cognitiva podem ser vistos como uma inteligência artificial com aspectos humanos. Isso porque reproduzem as metodologias de raciocínio humano, explorando capacidades especiais para lidar com incertezas e resolver problemas. Alguns autores acreditam que, se levarmos em conta a evolução da computação cognitiva, haveráo surgimento de uma nova geração de sistemas de tecnologia da informação que auxiliarão os indivíduos na resolução de problemas. Para Coccoli, Maresca, Stanganelli (2016), esses sistemas serão baseados na simulação de capacidades cognitivas humanas, por meio de sofisticados algoritmos de aprendizado de máquina trazidos da inteligência artificial, bem como na imitação do raciocínio humano. Especificamente no campo educacional, aplicativos e serviços baseados em computação cognitiva devem ser utilizados para administração e gerenciamento, como também envolver as atividades de aprendizado dos alunos. Em relação ao e-learning, já existem algumas experiências da aplicação da computação cognitiva como um suporte a alunos e professores, como: a. a integração de serviços de computação cognitiva em aplicativos de software pode melhorar o desempenho dos alunos nas salas de aula; b. o uso da computação cognitiva para interações digitais com os alunos pode melhorar seu desempenho e facilitar o trabalho dos professores no gerenciamento de aulas e materiais de aprendizagem. Especialmente como recurso de apoio para professores, os aplicativos baseados em computação cognitiva podem ser usados na solução de problemas pertinentes aos alunos, como: abandono escolar, individualização da aprendizagem, personalização da trajetória de aprendizado. Além disso, segundo Coccoli, Maresca, Stanganelli (2016, p. 62), o professor pode requisitar que o “sistema cognitivo-computacional que converse com os alunos, a fim de entender quais são os pontos fortes e fracos individuais e os possíveis problemas a serem 15 enfrentados”. Diante disso, o professor analisa os dados e então decide quais são as melhores estratégias para superar os problemas. Talvez você esteja se perguntando, mas isso é possível? Esse recurso já conhecido como Watson. Saiba mais Conheça o Watson, o supercomputador. Moises Albuquerque, 27 fev. 2011. Disponível em: <https://www.youtube.com/watch?v=I3bJjdT5BYA>. Acesso em: 15 dez. 2019. Mais detalhadamente, a utilização da computação cognitiva, a fim de auxiliar professores em suas práticas pedagógicas, pode ser dividida em 6 etapas: 1. o sistema cognitivo identifica pontos fracos e fortes de cada aluno; 2. o sistema cognitivo recomenda comportamento e conteúdo para os alunos alinhados às suas habilidades e estilos de aprendizagem; 3. o professor seleciona um caminho de aprendizado apropriado e cria um plano individualizado para cada aluno; 4. os alunos usam o conteúdo recomendado do material do plano; 5. o professor monitora o progresso dos alunos e, possivelmente, faz pequenos ajustes no plano; 6. o professor usa o sistema de computação cognitiva para identificar as habilidades dos alunos alinhadas aos padrões definidos. Com base no exposto, podemos concluir que a combinação da inteligência artificial e da capacidade humana pode ser grande aliada para a tomada de decisões voltadas para as práticas pedagógicas e decisões gerenciais. Isso porque a computação cognitiva simula processos de raciocínio humano, traduzindo-os em modelos adequados, auxiliando máquinas a aprender e ensinar aos humanos novos conceitos e comportamentos. TEMA 5 – MACHINE LEARNING (ML) O machine learning ou o aprendizado por máquina pode ser definido como como um campo da ciência da computação que utiliza as técnicas estatísticas para permitir que os sistemas de computadores tenham a capacidade de aprender. Para Cavalcanti e Filatro (2018, p. 240), o machine learning é um “subconjunto da inteligência artificial que proporciona aos computadores a capacidade de manipular 16 um conjunto de dados e daí extrair respostas a perguntas específicas, da mesma forma que um ser humano faria”. Ao aplicar o machine learning no contexto educacional, ele poderá tornar o trabalho de instituições de ensino mais eficiente e fácil, já que engloba todos os tipos de alunos e pode tornar a aprendizagem personalizável para a necessidade de cada um. Em relação a isso, listamos a seguir as principais vantagens da adoção do machine learning: • Aprendizado personalizado – o machine learning é flexível e atende a todos os alunos, desde os que aprendem mais rápido quanto os que levam um pouco mais tempo para aprender. Dessa forma, o machine learning utiliza os algoritmos para obter informações dos alunos e só permite que esse avance na aprendizagem caso compreenda todo o conteúdo anterior. Com isso, o machine learning auxilia na compreensão e monitoramento que os professores têm em relação ao progresso dos alunos e assim ajudem nas áreas que são deficientes; • Análise de conteúdo – refere-se a um sistema em que os professores instruem os alunos usando as máquinas com o objetivo de analisar as informações que os professores estão aplicando para ensinar e para determinar se a qualidade do conteúdo atende aos requisitos básicos. As máquinas também são empregadas para auxiliar a definir se o conteúdo ensinado aos alunos está em conformidade com a capacidade intelectual de cada um; • Classificação e avaliação – o machine learning é usado com o intuito de reduzir a quantidade de tempo necessária para avaliar o trabalho do aluno. Além disso, as máquinas são usadas para aumentar a eficiência e a responsabilidade do sistema de classificação; • Progresso dos alunos – usando o machine learning, os professores podem monitorar cada aluno em um nível pessoal e avaliar seu progresso de aprendizado individualmente. As máquinas também podem fornecer padrões de aprendizado adicionais para os alunos, auxiliando os professores a determinar as melhores maneiras de ensinar aos alunos; • Análise preditiva – o machine learning pode tirar conclusões sobre situações que podem acontecer no futuro, como por exemplo, utilizando um conjunto de dados dos registros dos alunos do ensino médio, a análise preditiva pode 17 nos dizer quais alunos têm maior probabilidade de desistência por causa de falha acadêmica ou mesmo sua pontuação prevista em uma avaliação. É possível notar que o machine learning permite a coleta de dados sobre o comportamento do aluno, principalmente nas atividades de aprendizagem, por exemplo, o tempo de conclusão, visualizações de vídeos, atividades de discussão em grupo, resultados de avaliações etc. Nesse sentido, podem-se utilizar sistemas de recomendação que orientem a aprendizagem de determinado aluno de forma específica, a fim de ajudá-lo a identificar o conteúdo que ainda precisa ser estudado. O machine learning, então, é usado como um assistente de ensino para facilitar o trabalho de educadores. Como exemplo disso podemos citar os sistemas de tutoria baseados em inteligência artificial, que manipula uma grande quantidade de dados acoplados ao machine learning e oferece orientação personalizada e complementar aos alunos. Desse modo, o sistema de feedback fornecido é fundamental para rastrear o progresso dos alunos. Conforme falamos no início dessa aula, as possibilidades que as metodologias analíticas apresentam são consideradas uma revolução no contexto educacional, já que oportuniza o entendimento de como ocorre a aprendizagem dos alunos, com base na análise dos dados de desempenho. Essa inovação, então, permite que os atores envolvidos no campo educacional, promovam novas práticas educacionais que estejam associadas a cada perfil do aluno e sua real necessidade de aprendizagem. 18 REFERÊNCIAS COCCOLI, M.; MARESCA, P.; STANGANELLI, L. Cognitive computing in education. Journal of E-learning and Knowledge Society, v. 12, n. 2, 2016. FILATRO, A.; CAVALCANTI, C. C. Metodologias inov-ativas na educação presencial, a distância e corporativa. São Paulo: Saraiva Educação, 2018. LIÑÁN, L. C.; PÉREZ, Á. A. J. Educational Data Mining and Learning Analytics: differences, similarities, and timeevolution. International Journal of Educational Technology in Higher Education, v. 12, n. 3, p. 98-112, 2015. ROMERO, C.; VENTURA, S. Data mining in education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, v. 3, n. 1, p. 12-27, 2013. SIEMENS, G. Learning analytics: The emergence of a discipline. American Behavioral Scientist, v. 57, n. 10, p. 1380-1400, 2013.
Compartilhar