teorico_II

Prévia do material em texto

Analytics e Ambientes 
Virtuais na Educação
Learning Analytics: Processos, Técnicas e Ferramentas
Responsável pelo Conteúdo:
Prof. Dr. Ivan Carlos Alcântara de Oliveira
Revisão Textual:
Profa. Ms. Luciene Oliveira da Costa Santos
Nesta unidade, trabalharemos os seguintes tópicos:
• Introdução
• Mineração de Dados Educacionais: Breve Discussão
• Visualização da Informação
• Ferramentas: Características e Exemplos 
• Tecnologias para Learning Analytics
• Considerações Finais
Fonte: iStock/Getty Im
ages
Objetivos
• Apresentar algumas representações de modelos e processos para o desenvolvimento de 
ferramentas de Learning Analytics propostos por alguns pesquisadores.
• Conhecer resumidamente as técnicas de mineração de dados e visualização da 
informação, utilizadas para o desenvolvimento de ferramentas de Learning Analytics.
• Destacar algumas ferramentas de Learning Analytics desenvolvidas, enfatizando os 
ambientes virtuais, público-alvo e características. 
• Apresentar a categorização e o público-alvo para as ferramentas de Learning Analytics.
• Expor algumas tecnologias que podem ser utilizadas para o desenvolvimento das 
ferramentas de Learning Analytics.
Nesta unidade, vamos estudar alguns processos e técnicas para o desenvolvimento 
de ferramentas para Learning Analytics (LA). As técnicas envolvem as áreas de 
Mineração de Dados e Visualização da Informação. Também, teremos uma imersão 
em algumas ferramentas de LA, características e tecnologias utilizadas na sua cons-
trução. E, introduziremos algumas tecnologias interessantes para o desenvolvimento 
dessas ferramentas.
Agora, faça o acesso ao link Materiais da Unidade e conheça os conteúdos preparados, 
dentre eles: o vídeo da aula, o texto teórico, as atividades e o material complementar. 
Dedique-se e colabore com as nossas discussões no fórum de discussão.
Bons estudos!
Bons Estudos!
Learning Analytics: Processos, 
Técnicas e Ferramentas
UNIDADE 
Learning Analytics: Processos, Técnicas e Ferramentas
Contextualização
Uma instituição de ensino superior que atua há mais de 10 anos na Educação a 
Distância, tem 80 mil alunos de graduação e pós-graduação e desde o seu início faz uso 
intenso de Tecnologia da Informação e Comunicação (TIC), envolvendo sistemas de 
comunicação e de administração acadêmica, ambientes virtuais de aprendizagem (AVA), 
uma plataforma de Massive Open Online Courses (MOOC) para o oferecimento de 
cursos abertos e um Sistema de Aprendizagem Adaptativo e Inteligente proprietário, 
ainda em desenvolvimento, para o oferecimento de cursos de línguas.
Todos os dados dos cursos, seus personagens e uso das plataformas são devidamente 
guardados nos bancos de dados da Instituição, perfazendo um interessante conjunto de 
dados históricos.
Em particular, essa instituição tem um curso de graduação a distância que ocorre há 
8 anos e utiliza o seu AVA. Nele, há uma turma que está em andamento há seis meses.
Virgulino é um estudante dessa turma, cursou algumas disciplinas e vai iniciar uma 
nova disciplina que é considerada uma das mais difíceis do curso.
Recentemente, Virgulino começou a estudar uma emergente área de pesquisa, 
chamada Learning Analytics, que se preocupa em propor e desenvolver 
ferramentas que realizam a seleção e captura de dados relativos às ações trilhadas 
pelos usuários em seus sistemas. Depois, processa, analisa e exibe a informação 
contida nesses dados para auxiliar na melhora da aprendizagem dos alunos.
Então, Virgulino pensou: “porque não projetar uma proposta de ferramenta 
capaz de responder algumas perguntas dessa disciplina que vou cursar e sugerir 
futuramente à instituição?” Essas perguntas seriam:
• Como foi o resultado dos alunos aprovados e reprovados nessa mesma disciplina em edições 
anteriores do curso?
• Dentre os recursos e atividades de cada unidade, há algum que aponta maior dificuldade?
• No decorrer da disciplina, essa ferramenta poderia me informar se minha tendência é ser 
aprovado ou reprovado?
6
7
No projeto da ferramenta, Virgulino idealizou:
Bom! Vou selecionar e capturar os dados de todos os alunos nas edições anteriores da disciplina. 
A partir desses dados, pretendo contabilizar os tempos dedicados ao estudo de cada recurso não 
avaliativo e as notas obtidas pelos alunos em cada uma das atividades pontuadas.
Ah! Somente para informar, toda disciplina da instituição apresenta:
• Uma Unidade Estrutural: que contém informações a respeito do conteúdo 
programático da disciplina, objetivos gerais e específicos, um vídeo de apresentação 
do professor conteudista, além de uma atividade final dissertativa, corrigida 
pelo professor;
• Três Unidades de Conteúdo: sendo que cada uma possui 1 vídeo de 15 minutos e 
um texto teórico, os dois recursos sempre estão contidos dentro da própria página 
do AVA e não podem ser realizados download. Além disso, têm 2 tipos de atividades 
pontuadas em cada unidade: uma atividade de sistematização de autocorreção e um 
fórum de discussão corrigido pelo professor.
Os cursos da instituição realizam uma prova interdisciplinar ao final de cada semestre, 
envolvendo todas as disciplinas do período.
Virgulino acredita que cada recurso da unidade possui um tempo de estudo 
esperado e cada atividade apresenta um indicador de expectativa. Esses valores 
podem informar que o resultado do aluno naquele item foi, por exemplo, inaceitável 
ou suficiente.
Nesse projeto da ferramenta de Learning Analytics, Virgulino imagina que ao 
processar e analisar os dados de histórico das turmas anteriores, essa ferramenta 
deve permitir a visualização da informação resultante da seguinte forma:
1. Um gráfico de barras para os alunos aprovados e reprovados com as expecta-
tivas e as médias obtidas em cada atividade, além de sinalizar seus indicadores 
nesses itens.
2. Outro gráfico de barras com o tempo de cada recurso (vídeo e texto teórico) 
de cada unidade, apresentando também os tempos obtidos para os alunos 
aprovados, reprovados. Também, teria uma barra com os seus resultados
7
UNIDADE 
Learning Analytics: Processos, Técnicas e Ferramentas
3. Uma figura de semáforo que sinalizaria a tendência de Virgulino na disciplina. 
Ou seja:
• Verde: indica que está tendendo a ser aprovado;
• Amarelo: que deve tomar cuidado e ficar atento, pois, dependendo das suas notas 
nas atividades e tempos de estudo dedicado aos recursos, pode reprovar; e
• Vermelho: representando uma situação preocupante, visto que os resultados de 
Virgulino tendem à reprovação e ele deve estudar mais.
Ao realizar o esboço de sua ferramenta, chegou ao modelo abaixo:
O cenário que foi apresentado tem algumas teorias que poderiam ser melhor exploradas.
Mesmo que o Virgulino não seja o real desenvolvedor da ferramenta de Learning 
Analytics, certamente ele gostaria de conhecer mais detalhes a respeito do 
processo de desenvolvimento dessas ferramentas e suas técnicas para poder, por 
exemplo, contribuir com sugestões no seu futuro como um profissional da área de 
Educação a Distância, não é mesmo?
Então, que tal conhecê-los melhor?
8
9
Introdução
A utilização de Tecnologias de Informação e Comunicação (TIC) nos processos de 
aprendizagem oferece uma nova maneira de transmitir o conhecimento por meio da 
educação a distância. Como exemplo, temos o uso de plataformas de aprendizagem, 
tais como Ambientes Virtuais de Aprendizagem (AVA), responsáveis por guardar em 
uma base de dados as ações trilhadas pelos usuários.
Os dados dessas bases podem ser manipulados para permitir a obtenção de 
conhecimento e tentar auxiliar o processo de aprendizagem dos alunos.
Nessa linha, temos a emergente área de Learning Analytics que “[...] é a medição, 
coleta, análise e comunicação de dados sobre alunos e seus contextos, para fins de 
compreensão e otimização da aprendizagem e dos ambientes em que ela ocorre.” 
(SIEMENS; LONG, 2011, p.34, tradução nossa).
A análise dos grandes volumes de dados encontrados nessas plataformas de 
aprendizagem com ointuito de melhorar o processo de ensino pelo uso de Learning 
Analytics mostrou-se bastante promissora, e junto com esse crescimento ocorre também 
o desenvolvimento de novas ferramentas com o objetivo de permitir a aplicação das 
técnicas adequadas para a análise de tais dados.
Desde a primeira conferência de LA ocorrida em 2011, diversas pesquisas têm sido 
realizadas com a finalidade de produzir conhecimento técnico para desenvolver novas 
ferramentas para auxiliar a aprendizagem dos estudantes.
Aqui, vamos apresentar aspectos teóricos que permitem conhecer o processo de 
desenvolvimento de ferramentas de LA e, com isso, fornecer condições para que você 
possa propor uma que seja útil no seu contexto de atuação (seja como estudante, 
professor/tutor, coordenador ou administrador).
Quando refletimos sobre a definição de LA, logo pensamos sobre as suas ferramentas, 
o seu processo de desenvolvimento e surgem algumas perguntas, tais como:
• Há algum modelo ou processo que nos indique quais são as etapas que devem ser 
consideradas no desenvolvimento de ferramentas de LA?
• Quais técnicas são utilizadas para análise dos dados?
• Existe algum estudo a respeito das formas de visualização da informação com base 
nos dados analisados?
• Quais são as ferramentas de LA desenvolvidas? Estão vinculadas a algum ambiente 
virtual de aprendizagem (AVA)? Para quem elas foram produzidas? Quais técnicas 
foram utilizadas? Com qual finalidade?
Com o intuito de compreender melhor esses pontos e termos conhecimento suficiente 
para propor nossas próprias ferramentas de LA, vamos estudar alguns aspectos 
associados a essas questões.
9
UNIDADE 
Learning Analytics: Processos, Técnicas e Ferramentas
Modelos e Processos de Learning Analytics
Uma representação para os processos de Learning Analytics, proposto por Elias 
(2011), é composto por sete etapas: selecionar, capturar, agregar, prever, usar, refinar e 
compartilhar. Uma ilustração desse modelo é apresentada na figura 1.
Com o intuito de identificar todo o processo e os passos envolvidos no desenvolvimento de 
ferramentas de Learning Analytics e o seu uso, vamos conhecer em detalhes esse modelo.
No início, há uma questão previamente formulada a ser respondida com o objetivo 
de avaliar, auxiliar e melhorar a aprendizagem dos estudantes. Uma questão poderia 
ser, por exemplo: Qual a probabilidade de abandono dos estudantes em um certo 
curso/disciplina?
Considerando essa situação e analisando a figura 1, observamos a circunferência central 
que identifica cada um dos envolvidos no modelo de LA: organizações, computadores, 
pessoas e teorias. Além deles, temos os processos: dados, processamento da informação 
e aplicação de conhecimento que tem natureza cíclica.
Na etapa de seleção, ocorre a identificação dos dados e, na captura, são tomadas 
decisões e adotadas técnicas para certificar que os dados necessários nos próximos 
passos serão disponibilizados, ou seja, os dados armazenados pelas organizações são 
selecionados e capturados pelos computadores.
Nas fases de predizer e agregar, é assumido que os dados obtidos nos passos anteriores 
são processados por métodos que vão desde uma simples visualização até algoritmos 
mais complexos que resumem e combinam dados. Esses métodos envolvem Teorias 
associadas à modelagem preditiva, mineração de dados e visualização da informação.
dados
capturar
selecionar
Aplicação de conhecimento
refinar
usar
Processamento da informação
agregar
predizer
Organizações Computadores
Pessoas Teorias
Figura 1. Modelo dos processos de Learning Analytics proposto por Elias (2011)
Fonte: Adaptado de ELIAS, 2011
10
11
A etapa de usar, realizado por pessoas, envolve a geração de ações que mudam 
detalhes da atividade de aprendizado e podem executar situações que deem maior 
suporte a alunos que estão perdendo engajamento. 
A fase de refinar é responsável por manter a supervisão e a revisão dos passos 
anteriores, procurando garantir que os dados sejam coletados e aplicados sobre o 
indivíduo correto, na condição correta e com máximo impacto. 
Por fim, no compartilhamento, ocorre a comunicação dos resultados obtidos para 
avaliação pelos responsáveis. Nessa situação, as pessoas e as organizações podem 
agir com o intuito de diminuir essa probabilidade de abandono e garantir que o aluno 
conseguirá obter um aprendizado adequado e não desistirá do curso/disciplina.
Um segundo modelo de referência para LA, obtido de Chatti et al. (2012), divide 
a análise dos dados em quatro dimensões: (1) dados e ambientes (o quê?); (2) as partes 
interessadas (quem?); (3) objetivos (por quê?); e (4) métodos (como?). Como destaca 
D’Aquin et al. (2014), LA tem muito a ver com os dados, e a maneira de fazer os dados 
brutos terem sentido em termos da experiência, comportamento e conhecimento do aluno.
O modelo de Learning Analytics proposto por Chatti et al. (2012) é iterativo e 
normalmente é composto de três etapas (figura 2). Sendo elas:
4. Coleta e pré-processamento de dados: a coleta dos dados ocorre de diversas 
fontes, como ambientes educacionais e sistemas institucionais. O volume de 
dados pode ser alto, então, é possível a existência de informações irrelevantes. 
Esses dados são transformados na etapa de pré-processamento de acordo com 
o formato necessário para a etapa seguinte
5. Análise e ação: com base nos dados pré-processados e de acordo com os objetivos 
do exercício de análise dos dados, diferentes técnicas de LA podem ser aplicadas. 
Considerando os dados, essa etapa pode incluir ações de monitoramento, análise, 
predição, intervenção, avaliação, adaptação, visualização, personalização, 
recomendação e reflexão.
6. Pós-processamento: sua finalidade é garantir a melhoria contínua do processo, 
combinando novos dados com fontes adicionais, refinamento da informação, 
identificação de novos atributos para uma nova iteração, identificação e novos 
indicadores ou escolha de um novo método analítico.
Learning 
Analy�cs
Coleta de Dados e 
Pré-processamento Análise e Ação
Pós-Processamento
Figura 2. Modelo dos processos de Learning Analytics proposto por Chatti et al. (2012)
Fonte: Adaptado de Chatti et al., 2012
11
UNIDADE 
Learning Analytics: Processos, Técnicas e Ferramentas
Um outro modelo de LA proposto por Dyckhoff et al. (2012) tem como etapas: 
coleta de dados, pré-processamento e mineração de dados, visualização, análise e ação. 
Na coleta de dados, os dados são obtidos das variadas atividades realizadas pelos 
alunos em um AVA enquanto eles interagem com seus elementos. Alguns exemplos 
de atividades incluem a participação de exercícios em grupo, publicação em fóruns e a 
leitura de documentos.
Na mineração dos dados pré-processados, diferentes técnicas de mineração são 
utilizadas, como clustering (agrupamento), classificação, regras de associação e análise de 
redes sociais, considerando sempre a privacidade dos dados. Depois disso, os resultados 
são apresentados como um widget (ou seja, uma aplicação ou um componente de 
interface que habilita o usuário a executar uma função ou acessar um determinado 
serviço) integrado a um AVA, painel, ou ambiente de aprendizagem pessoal.
A partir do apresentado e por meio de uma análise, os professores podem ser 
capazes de interpretar as informações, refletir sobre o impacto que o método de ensino 
está gerando no processo de aprendizagem e consequente desempenho de seus alunos, 
verificar se os objetivos relacionados a eficácia do ensino foram alcançados e melhorar 
suas ações de intervenção. 
Porém, importante destacar que disponibilizar uma visualização gráfica para um 
conjunto de informações ou conhecimentos não garante que os professores serão 
capazes de interpretar corretamente (DYCKHOFF et al., 2012, p. 60-61).
Uma ilustração dos processos descritos por Dyckhoff et al. (2012) encontramos 
na figura 3. Nela, observamos que as ações realizadas pelos estudantes em um AVA 
geram uma grande variedade de dados (registro de logs) que são processadospor meio 
da mineração de dados e fornecem informações, tais como: tempo gasto em uma 
determinada atividade, nota geral na disciplina ou no curso, taxa de participação nas 
atividades, dentre outras, exibindo-as em um painel de visualização. Essas informações 
são analisadas pelo professor que pode agir para melhorar a aprendizagem dos alunos 
com dificuldades.
Um resumo comparativo de cada um dos modelos dos processos de LA é apresentado 
no quadro 1.
Por meio desse quadro, é possível identificar as similaridades entre os modelos 
que, apesar de terem uma quantidade de etapas diferentes, todos envolvem a coleta 
e processamento de dados trilhados pelos usuários em seus sistemas de ensino; o uso 
de técnicas de modelagem preditiva, mineração de dados e visualização para realizar a 
análise; e a utilização dos resultados pelas pessoas (alunos, professores, administradores) 
com o objetivo de responder alguma questão formulada com antecedência para apoiar 
na melhoria da aprendizagem dos alunos.
12
13
Mineração 
de Dados e 
Analy�cs
AVA/
Ambiente Virtual de 
Aprendizagem
Estudante
Professora
Figura 3. Modelo dos processos de Learning Analytics proposto por Dyckhoff et al. (2012)
Fonte: Adaptado de Dyckhoff et al., 2012
Quadro 1. Resumo dos modelos de Learning Analytics estudados:
Elias (2011) Chatti et al. (2012) Dyckhoff et al. (2012)
Selecionar
Capturar Coleta e pré-processamento de dados Coleta de dados e pré-processamento
Agregar/ Relatar Predizer
Análise e ação
Mineração de dados e Visualização
Predizer
Usar
Análise e açãoRefinar
Pós-processamento
Compartilhar
Fonte: Autoria própria.
Mineração de Dados Educacionais: 
Breve Discussão
Apesar de não ser o foco detalhar a teoria a respeito da mineração de dados e suas 
técnicas, vamos discuti-las brevemente para que você tenha ideia de seu funcionamento. 
Você deve ter observado nas diferentes propostas de modelos de Learning Analytics 
apresentados na seção anterior que uma das etapas envolve a manipulação dos dados 
de alunos e de sua trilha de aprendizagem. Essa manipulação corresponde ao uso das 
técnicas de mineração de dados.
13
UNIDADE 
Learning Analytics: Processos, Técnicas e Ferramentas
Segundo Han e Kamber (2011), a mineração de dados pode ser vista como resultado 
da evolução natural da tecnologia da informação. Enquanto Liu (2006, apud CHATTI et 
al., 2012, p.11) define mineração de dados como o processo de descobrir padrões úteis 
ou conhecimento a partir de fontes de dados, como bases de dados, textos, imagens, a 
web, e sugere que os métodos de mineração de dados podem ser classificados em três 
categorias: aprendizado supervisionado, que trata de classificação e predição, aprendizado 
não supervisionado, ou clustering (agregação), e mineração de regras de associação.
Nos métodos de aprendizado supervisionado, os especialistas de domínio (no nosso 
caso, os especialistas na área de educação) examinam e rotulam uma amostra dos dados 
(por exemplo, o rótulo poderia ser o tempo estimado de estudo em um recurso do curso 
pelo estudante) utilizada para treinamento da técnica de mineração e, esta, por sua vez, 
tem o objetivo de reconhecer e classificar os demais conjuntos de dados de acordo com 
o conhecimento adquirido na seção de treinamento (HAN; KAMBER, 2011).
Em alguns cenários, onde os rótulos de dados não estão disponíveis, é necessária a 
aplicação de método de aprendizado não supervisionado. O método não supervisionado 
trabalha com suposição de que determinado objeto pertence a algum agrupamento e 
procura por padrões em um conjunto de dados não rotulado para classificar os objetos 
(HAN; KAMBER, 2011). Por exemplo, seja o aluno Y com tempo de estudo X no 
recurso A; então, o método supõe que o tempo de estudo X é o esperado e faz parte do 
grupo de alunos com tempo satisfatório; a seguir, baseado nessa suposição, o método 
procura por padrões que indicam tempo satisfatório, ótimo ou inaceitável dentro do 
conjunto de alunos.
A mineração de regras de associação, por sua vez, trata da análise dos atributos 
e geração de regras a partir de padrões e associações entre os atributos, indicando 
elementos que implicam na presença de outros atributos em uma mesma transação, 
representando padrões. Por exemplo, a partir de uma base de dados, na qual são 
registradas as aprovações de alunos em uma determinada disciplina contendo três 
unidades de conteúdo, uma estratégia de mineração, com o uso de regras de associação, 
poderia gerar a seguinte regra: {Unidade I - bem avaliado, Unidade III - bem avaliado} → 
{Aprovação na Disciplina}, a qual indica que o aluno que tem boa avaliação nas unidades 
I e II da disciplina, com um determinado grau de certeza, é aprovado.
A mineração de dados na área educacional trata da aplicação dessas técnicas de 
mineração em dados educacionais com o objetivo de resolver problemas desta área.
Romero e Ventura (2010) ressaltam que os dados e problemas da área de educação 
têm algumas peculiaridades que sugerem um tratamento diferenciado em relação à 
mineração de dados tradicional. Embora a maioria das técnicas de mineração de dados 
possa ser aplicada diretamente, algumas devem ser adaptadas ao problema educacional 
em particular.
Romero e Ventura (2010) ainda ponderam que ferramentas de mineração de dados 
educacionais de LA devem ser concebidas para facilitar o uso por parte dos educadores ou 
usuários não especialistas em mineração de dados. Sendo que, a maioria das ferramentas 
de mineração de dados atuais são muito complexas para os integrantes da área da 
educação e suas características vão muito além do escopo do que uma pessoa dessa área 
14
15
normalmente está interessada em fazer, sendo necessário o suporte de um especialista 
para compreendê-la. Isso porque as ferramentas de mineração de dados normalmente 
são projetadas para privilegiar poder e flexibilidade, ao invés da simplicidade.
A aplicação de técnicas de mineração de dados em ambientes educacionais visa 
atender aos interesses do público destes ambientes, incluindo o aluno e o professor.
Dentre os principais objetivos de uso de mineração de dados na área de educação 
para atender a esses dois perfis, destacamos: a recomendação de atividades e recursos 
para alunos com o intuito de melhorar a sua aprendizagem; sugestões de adaptação; 
recomendação de cursos; discussões relevantes e livros; obter feedback sobre determinada 
instrução; analisar a aprendizagem e comportamento dos alunos; detectar os alunos que 
necessitam de suporte; prever o desempenho dos alunos; classificar os alunos em grupos; 
identificar padrões de comportamento dos alunos; determinar as atividades mais eficazes; 
e melhorar a adaptação e personalização de cursos (ROMERO; VENTURA, 2010).
Visualização da Informação
A crescente e massiva utilização de ambientes online, como redes sociais, fóruns 
de discussão, chats, blogs, e AVAs tem consolidado a internet como uma fonte rica 
de dados digitais inclusive para a área de educação. Este aumento na demanda produz 
também um aumento no volume de dados gerados por esses ambientes.
Seguindo a tendência de aumento do volume de dados gerados pelos AVAs e 
demais ambientes online sobre o rendimento na aprendizagem, cresce também a 
dificuldade em analisar o desempenho na aprendizagem dos estudantes, e para tanto, 
recursos computacionais devem ser utilizados para viabilizar a extração e análise de tais 
informações (PERNOMIAN, 2008).
Diversas técnicas e abordagens podem ser aplicadas ao problema da manipulação dos 
dados e a “Visualização da Informação” é uma das mais importantes áreas de pesquisa 
que desenvolve tecnologias para extração e exibição da informação a partir dos dados 
(BURKHARDT; RUPPERT; NAZEMI, 2012).
As técnicas de visualização podem ser úteis, por exemplo, para analisar as atividades 
dos usuários em AVAs cujas informações obtidas das estatísticas do servidor não sejam 
capazes de responder adequadamente os tipos de perguntas feitas por quem deseja 
entender sobrea aprendizagem dos alunos nesses ambientes (MCGRATH, 2011).
A visualização de dados e informações baseia-se na capacidade humana de interpretar 
visualmente as informações e, por meio dessa interpretação, perceber relacionamentos 
e padrões que auxiliam na descoberta de novos conhecimentos.
Dessa forma, a “Visualização da Informação” procura interpretar as informações 
contidas em um conjunto de dados e, considerando as técnicas visuais, tenta perceber 
relacionamentos e padrões que auxiliam na descoberta de novos conhecimentos a partir 
de indicadores educacionais como nota, índice de aprovação, reprovação, estilos de 
aprendizagem dos estudantes e perfil metodológico das disciplinas.
15
UNIDADE 
Learning Analytics: Processos, Técnicas e Ferramentas
A combinação de técnicas de visualização com análises estatísticas é considerada 
alternativa para a exploração adequada dos dados no processo de descoberta do 
conhecimento, por conciliar o potencial da análise humana com o processo de descoberta 
de novos conhecimentos (PERNOMIAN, 2008).
No contexto de um ambiente de LA, a utilização de técnicas de Visualização da 
Informação pode ser de grande valor para professores e alunos, uma vez que lhes 
permite ter uma visão geral de suas atividades e de como elas se relacionam com as 
de seus pares ou outros agentes durante o processo de aprendizagem. Esse tipo de 
técnica pode ser útil ainda para os administradores de AVAs, uma vez que permite, por 
exemplo, conhecer o comportamento dos usuários a partir das ações realizadas por eles 
no sistema (DUVAL, 2011).
Conforme mencionado por Ball et al. (2006, apud PERNOMIAN, 2008, p. 23), as 
técnicas de visualização geralmente são utilizadas em conjunto com técnicas de Interação 
humano-computador (IHC), uma vez que precisam apresentar interfaces eficazes para 
atender às necessidades de interatividade e facilitar a descoberta do conhecimento.
 Operações como seleção de dados, visão detalhada, rolagem e navegação pela sua 
estrutura são exemplos de estratégias de visualização que podem apoiar no processo de 
exploração para busca de conhecimento.
Fry (2008) destaca que o processo de compreensão dos dados envolvendo a 
“Visualização da Informação” começa com uma pergunta; os dados armazenados; e 
envolve as fases: aquisição, análise, filtragem, mineração, representação e interação.
Por exemplo, podemos começar com as “pegadas digitais” deixadas pelos estudantes 
dentro de um curso no AVA (os dados armazenados) e considerar uma pergunta realizada 
pelo professor/tutor: 
“Como está a porcentagem das médias dos meus alunos dentro do curso? ”
Em seguida, utilizar as fases descritas para obter os dados, manipulá-los, visualizar 
a informação obtida e interagir com a interface com o intuito de descobrir algum 
conhecimento oculto.
Observe a proximidade das fases da área de Visualização da Informação com as 
etapas apresentadas nos modelos e processos de LA.
A apresentação dos dados requer ainda a aplicação de técnicas de visualização 
específicas, de acordo com o tipo de informação a ser exibida. Também, o uso da 
técnica deve considerar a facilidade de compreensão do público-alvo.
Romani (2000 apud PERNOMIAN, 2008, p.26) afirma que existem técnicas de 
visualização específicas para cada tipo de informação, por exemplo, para dados de 1 
dimensão (1D), gráficos em linhas, histogramas e de barras; para dados de 2 dimensões 
(2D), mapeamento por cores, imagens, histogramas 2D, gráficos de barra (2D); para dados 
de 3 dimensões ou temporais, figuras volumétricas, textura sobre superfície, animação, 
dentre outras associadas às informações multidimensionais. Como complemento, vale 
citar ainda as técnicas: treemaps, grafos e dashboards.
16
17
A título de conhecimento e sem nos preocuparmos com as questões de design e 
com as técnicas de IHC, vamos explorar brevemente algumas técnicas de visualização 
considerando, como exemplo, que foram realizadas as fases aquisição, análise, filtragem, 
mineração e obtida a Tabela 1, contendo as médias de notas para 100 alunos de um 
curso em um AVA com escala de notas inteira entre 0 e 10, além da frequência absoluta 
e relativa dos alunos que obtiveram essas médias.
Tabela 1. Média de notas dos 100 alunos de um curso no AVA, a frequência absoluta e relativa das médias
Médias 0 1 2 3 4 5 6 7 8 9 10
Frequência Absoluta 2 10 5 3 10 20 25 15 6 3 1
Frequência Relativa 2% 10% 5% 3% 10% 20% 25% 15% 6% 3% 1%
Fonte: Autoria própria
Histograma
Um histograma é uma representação da distribuição dos dados por meio de um 
gráfico de barras, representados por retângulos adjacentes construídos com base em 
intervalos discretos. A escala horizontal representa as classes de valores de dados e a 
escala vertical as frequências absoluta ou relativa (CASTRO; FERRARI, 2016, p. 65). 
A figura 4 apresenta um histograma contendo as médias e a frequência relativa para os 
dados da tabela 1.
Polígono de Frequência
Um polígono de frequência serve para representar a distribuição dos dados e são 
úteis, por exemplo, para comparar conjuntos de dados e a sua forma de distribuição de 
frequência (CASTRO; FERRARI, 2016, p. 65). Esse gráfico utiliza segmentos de reta 
ligados aos pontos acima dos valores. Um exemplo de polígono de frequência obtido 
para alguns dados da tabela 1 é apresentado na figura 5.
Média
Fr
eq
uê
nc
ia
 R
el
a�
va
Histograma
Figura 4. Histograma das frequências relativas envolvendo as médias de notas para um curso de 100 alunos
17
UNIDADE 
Learning Analytics: Processos, Técnicas e Ferramentas
Fr
eq
uê
nc
ia
 A
bs
ol
ut
a
Média
Polígono de Frequência
30
25
20
15
10
5
0
333333333333333333333333333333333333333333333000000000000000000000000000000000000000000000000000000
2222222222222222222222222222222222222222222222222222222222222222555555555555555555555555555555555555555555555555555555555
22222222222222222222222222222222222222222222222222222222222000000000000000000000000000000000000000000000000000000000
11111111111111111111111111111111111111111111111555555555555555555555555555555555555555555555555555
111111111111111111111111111111000000000000000000000000000000000000000000000
555555555555555555555555555555555555555555555555555555555555555
0000000000000000000000000000000000000000000000000000000000
Figura 5. Polígono de Frequência a frequência absoluta das médias de um curso de 100 alunos
Gráfico de Pareto
Gráfico de Pareto é um gráfico de barras utilizado para dados qualitativos, no qual as 
barras são distribuídas em ordem decrescente de frequência (CASTRO; FERRARI, 2016, 
p. 66), conforme exemplo ilustrado na figura 6. As frequências podem ser absolutas ou 
relativas.
Gráfico de Setores
Também conhecido como tipo torta ou pizza, é um gráfico circular dividido em 
setores, no qual cada setor possui o tamanho relativo ao valor da variável ou atributo 
(CASTRO; FERRARI, 2016, p. 67). Úteis também para representar dados qualitativos. 
Baseado nos dados da tabela 1, foi elaborado o gráfico de setores da figura 7. 
Nesse gráfico, observe que cada setor possui uma cor e, acima dele, há a frequência 
relativa, além do valor da variável (ou atributo) média.
Fr
eq
uê
nc
ia
 A
bs
ol
ut
a
Média
Gráfico de Pareto
30
25
20
15
10
5
0
33333333333333333333333330000000000000000000000000000000
222222222222222222222222255555555555555555555555555
22222222222222222222222000000000000000000000000
11111111111115555555555555555555555555555
111111111100000000000000000
5
0
Figura 6. Gráfi co de Pareto contendo a frequência absoluta das médias de um curso de 100 alunos
18
19
Figura 7. Gráfico de setores para a frequência relativa das médias de um curso de 100 alunos
Gráfico de Dispersão
Também chamado de scatter plot é um diagrama matemático que utiliza coordenadas 
cartesianas para exibir os valores dos atributos de um banco de dados e são apresentados 
como uma coleção de pontos com um valor no eixo horizontal e outro na vertical 
(CASTRO; FERRARI, 2016, p. 67). Como exemplo, considerandoos dados da tabela 
1, foi elaborado um gráfico de dispersão ilustrado na figura 8.
Média
Gráfico de Dispersão
Fr
eq
uê
nc
ia
 R
el
a�
va
Figura 8. Gráfico de dispersão da frequência relativa das médias de um curso de 100 alunos
Treemap
No ano de 1990, Ben Shneiderman do laboratório de Interação Humano Computator 
(IHC) da Universidade de Maryland (Estados Unidos) desenvolveu um modelo visual para 
mostrar o tamanho de arquivos e diretórios em um espaço de duas dimensões e o 
chamou de treemap.
Detalhes podem ser obtidos em http://goo.gl/InyYOP
19
UNIDADE 
Learning Analytics: Processos, Técnicas e Ferramentas
Segundo Jonhson e Shneiderman (1991, apud DINIZ et al., 2012, p. 28), um treemap 
é uma técnica de visualização que divide a região de exibição em uma sequência aninhada 
de retângulos com área e cor previamente definidos que corresponde a atributos de um 
conjunto de dados. Além disso, faz com que as pessoas direcionem seu olhar inicial nos 
retângulos maiores para depois olhar os menores. Algumas de suas vantagens são:
• Faz uso de todo o espaço de visualização de maneira eficiente;
• Preserva o contexto geral da informação;
• Permite ter uma visão geral do escopo dos dados; e
• É útil para exibir valores quantitativos de atributos ou variáveis.
As propriedades do treemap são:
i) Cada retângulo tem um tamanho que depende do peso (valor) do atributo 
ou variável;
ii) Cada retângulo pode apresentar uma cor diferente ou todos podem ter uma 
única cor com escala variável dependente do valor de um atributo. Por exemplo, 
considerando o atributo “intensidade do sentimento desejo”, uma mesma cor 
com tonalidade mais escura pode determinar mais desejado, enquanto mais 
clara pode representar menos desejado. 
iii) Utilização de janelas pop-ups que exibem informações quando o mouse passa 
ou clica sobre alguma região de interesse do retângulo.
A figura 9 apresenta um exemplo da frequência relativa (ou absoluta) das médias do 
curso da tabela 1. Observe que o maior retângulo azul à esquerda representa a média 6, 
de maior frequência relativa (25%) ou absoluta (25 alunos), enquanto o menor retângulo 
com azul de tonalidade mais forte representa a média 10, de menor frequência relativa 
(1%) ou absoluta (1). Observe que o treemap poderia ter sido colorido com uma única 
cor com intensidade variável que dependeria do valor da nota iniciando com azul muito 
claro para a nota 0 e muito escuro para a nota 10. Além disso, uma ferramenta de LA 
poderia exibir o nome dos alunos que obtiveram a nota ao passar com o mouse ou clicar 
em um determinado retângulo.
Figura 9. Gráfi co Treemap da frequência relativa (ou absoluta) das médias de um curso de 100 alunos
20
21
Grafo
Informalmente, um grafo é uma estrutura matemática e visual representada por 
entidades (objetos) que possuem características relevantes (relações) entre si e têm 
diversas propriedades. Os objetos são chamados de nós e as relações de arestas ou 
arcos. Por meio dele, é possível representar diversos modelos do mundo real e extrair 
muita informação e conhecimento relevante.
Historicamente, o primeiro grafo é datado de 1732, quando Leonard Euler propôs 
um conhecido problema chamado “problema do carteiro chinês”. Nessa sua proposta, 
Euler utilizou um grafo para modelar uma situação do mundo real na antiga Prússia 
(atual Rússia), perto da cidade de Königsberg, no rio Pregel, onde havia sete pontes que 
ligavam duas ilhas entre si e ao continente. 
Euler representou os pedaços de terra (ilhas e continentes) por nós e os rios que 
faziam fronteira por arestas e tentou encontrar um caminho que não cruzasse uma 
mesma ponte duas vezes, tendo como ponto de partida e chegada o mesmo pedaço de 
terra. Com o modelo de um grafo ele provou que não era possível ao “carteiro” sair de 
um pedaço de terra e passar por todas as pontes uma única vez.
Podemos fazer variações em relação aos tamanhos dos nós (objetos), espessura das 
arestas (relações), comprimento das arestas, cor das arestas, cor dos nós e, ainda, colocar 
rótulos tanto para os nós quanto para as arestas.
 No contexto de LA e da Visualização da Informação, alguns exemplos de uso 
poderiam ser:
• Colaboração no fórum de discussão envolvendo as mensagens trocadas entre os 
alunos. Quando a colaboração entre os envolvidos for mais intensa, o tamanho do 
nó é maior, e menor se menos intensa. A interação (relação) entre os participantes, 
cria uma aresta entre eles.
• Itens didáticos de uma unidade, disciplina ou curso acessados pelos estudantes. 
Nesse contexto, os estudantes e os itens seriam representados pelos nós e o acesso 
pelas arestas.
A figura 10 ilustra um grafo modelando a colaboração nos fóruns de discussão 
de um curso completo ou de uma disciplina, envolvendo o aluno A1. Neste modelo, 
os nós representam os alunos e as arestas a interação entre eles. Se o aluno é 
muito participativo o tamanho do seu nó é maior, além de que, todos que tem a 
mesma intensidade de participação são representados pela mesma cor. Se algum 
aluno interagiu com o aluno A1, há uma aresta entre eles, além disso, a espessura 
da aresta depende da intensidade da interação, grossa representando muito intensa 
e fina, caso contrário.
21
UNIDADE 
Learning Analytics: Processos, Técnicas e Ferramentas
Figura 10. Colaboração em um fórum de um curso ou disciplina envolvendo o aluno A1
Dashboard
Um dashboard ou painel de instrumentos é uma representação gráfica que pode ser 
composta de diversas técnicas de visualização (por exemplo, um gráfico de barras, um 
mapa e um medidor de desempenho em um mesmo painel) e proporciona a exibição 
visual das informações processadas em uma única interface para ser explorada facilmente 
e compreendida com o passar dos olhos. 
Segundo Few (2005, apud TURBAN, 2009, p. 228), o desafio de um bom projeto 
de dashboard é exibir todas as informações de forma clara, em uma mesma tela e 
sem distrações. 
Um dashboard elaborado para Learning Analytics (LA) deve capturar a trilha de 
aprendizagem dos alunos e apresentá-la visualmente com o intuito de promover a 
conscientização, reflexão e permitir que: os alunos possam definir metas e acompanhar 
seu progresso na obtenção dos seus objetivos; os educadores monitorem seus alunos com 
a finalidade de identificar situações de risco e auxiliá-los; os administradores identifiquem 
problemas no ambiente educacional que prejudicam a aprendizagem dos alunos e, com 
isso, consigam contorná-los ou resolvê-los. Ao propor um dashboard, devemos somente 
tomar o cuidado com a sobrecarga cognitiva presente.
Algumas características para um dashboard bem planejado para LA, adaptadas de 
Turban (2008), são:
• Utiliza componentes visuais com o intuito de destacar os dados e as situações de 
risco que exijam tomada de decisão. Exemplos desses componentes são: medidores, 
gráficos, barras de desempenho, semáforos, mapas.
• É muito fácil de usar e demanda pouco ou nenhum treinamento.
22
23
• Combina dados de diversos sistemas da instituição, por exemplo, AVAs e sistemas 
de gerenciamento acadêmico, fornecendo uma visão única, unificada e resumida do 
ambiente educacional ao qual os estudantes se encontram.
• Permite obter mais detalhes pela navegação de suas áreas, por exemplo, ao 
selecionar uma determinada cidade de um polo de origem, apresenta os resultados 
de aprovação e reprovação dos alunos nessa localidade.
• Realiza atualização dinâmica dos dados e permite ao usuário que o utiliza obter as 
informações mais recentes.
• Deve ficar atento ao seu público-alvo. No contexto educacional, esse público seria: 
aluno, professor/tutor, coordenador e administradores da instituição.
Um exemplo de um dashboard como ferramenta para o professor/tutor de uma 
disciplina pode ser visualizada na figura 11. Nessa figura, podemos observar 4 áreas:
1. Um mapa que apresenta as regiões do país que possuem alunos matriculados 
na disciplina.
2. Um treemap que apresenta os alunos que foram reprovados em disciplinascursadas anteriormente, entre 0 a 5 disciplinas. Observe que todos estão com 
a mesma cor, mas há um dégradé em cada retângulo. Nesse caso, cores mais 
fortes de um retângulo representam média geral mais alta no curso, e cores mais 
fracas indicam médias mais baixas.
3. Um gráfico de barras que informa a taxa de acertos nas unidades didáticas da 
disciplina, com base no histórico das turmas anteriores. Por meio dele, podemos 
observar que as unidades 1 e 6 são as que apresentam menor percentual de 
acertos, indicando, provavelmente, que são as que os alunos têm maior dificuldade.
Figura 11. Dashboard elaborado para uma disciplina de um curso, visão do professor/tutor
23
UNIDADE 
Learning Analytics: Processos, Técnicas e Ferramentas
4. Os medidores representam a taxa de evasão dos alunos no curso quando são 
reprovados em 3, 2, 1 ou nenhuma disciplina.
Baseado nessa figura 11, os educadores têm a possibilidade de tomar alguma decisão, 
não é verdade? Tente imaginar quais seriam!
Ferramentas: Características e Exemplos 
A quantidade de AVAs baseados na web que incluem características de LA é pequena 
se compararmos com os interesses do público-alvo por este tipo de ferramenta. Então, 
vamos estudar algumas de suas características?
Conde et al. (2015) propôs uma classificação das ferramentas de LA em quatro 
categorias com o objetivo de investigar como suas soluções são aplicadas para analisar 
dados de AVAs. Mas, aqui, para facilitar o entendimento, foram condensadas em três, 
conforme abaixo:
• Dashboards (DB): apresentam as informações das atividades dos alunos ou professores 
na plataforma de ensino por meio de uma interface visual do tipo dashboard.
• Frameworks e Ferramentas (FF): contempla ferramentas e frameworks que podem 
ser aplicados a variados tipos de plataformas ou contextos para explorar diferentes 
aspectos da aprendizagem.
• Análise de problemas específicos (APE): compreende ferramentas com foco em 
determinados tipos de dados e sua representação, sendo projetadas para monitorar 
ou analisar partes pontuais de informações e atender a uma necessidade particular 
no contexto de uso.
Além disso, podemos separar as ferramentas de LA dependendo do público-alvo para 
o qual ela foi desenvolvida, ou seja, aluno, professor, designer instrucional, administrador 
do AVA, coordenador e administrador da instituição. Na figura 12, podemos observar a 
classificação pelo tipo de ferramenta e o seu público-alvo.
Figura 12. Classifi cação e Foco das Ferramentas de LA
24
25
O quadro 2, adaptado de Silva Jr e Oliveira (2016), apresenta o nome da ferramenta, 
o ambiente de aprendizagem suportado, as classificações descritas anteriormente e, 
a título de conhecimento, também apresenta a linguagem de programação utilizada 
para desenvolvê-la. 
Nesse quadro, podemos observar uma maior quantidade de ferramentas que utilizam o 
AVA Moodle e uma variedade de plataformas específicas e pouco conhecidas, com exceção 
dos Massive Open Online Courses (MOOC), representados pelas plataformas Open edX 
e Khan Academy. Provavelmente, esse fato ocorre porque o Moodle é um software livre, 
gratuito e de código aberto e os MOOCs uma tendência na Educação a Distância devido à 
sua abrangência geográfica. O quadro 3 também mostra que as linguagens mais utilizadas 
são PHP, Java e Python. Além disso, observamos que uma única ferramenta é direcionada 
somente para o aluno e duas envolvendo interesses institucionais.
Detalhes de algumas dessas ferramentas são:
• Quiz My Class Understanding (QMCU): apresenta relatórios e gráficos com foco 
no aluno para acesso por meio de dispositivos móveis.
• Learning Analytics Enriched Rubric (LAe-R): utiliza um método de avaliação de 
estudantes baseado em indicadores associados aos dados de interações coletadas 
no AVA.
• LeMO: aplica uma técnica de mineração de dados para identificar os caminhos de 
aprendizagem do aluno.
• SoftLearn: utiliza técnica de inteligência artificial para descobrir os caminhos de 
aprendizagem dos alunos a partir dos eventos registrados em logs do AVA.
• VeLA: aplica técnicas de visualização de dados como Grafos de Redes Sociais e 
Representação Paralela de Coordenadas para facilitar a exploração de dados de 
AVAs e a interação com as informações apresentadas.
• Add-on de Suporte a Learning Analytics na plataforma Khan Academy (ALAS-KA): 
implementada para o ambiente Khan Academy, voltada para cursos na modalidade 
MOOC, é executada na plataforma Google App Engine de processamento em 
nuvem. Sua função é monitorar o uso do AVA pelos alunos por meio de métricas, 
além de permitir a visualização das informações pelos alunos e professores. 
Apresenta interfaces simples e padronizada de cores nos formatos dos gráficos, 
implementados com o auxílio da biblioteca Google Charts API.
Detalhes podem ser vistos em: http://goo.gl/tCT40L
Quadro 2. Ferramentas de LA
Nome 
Ambientes de aprendizagem 
suportados
Categoria
Linguagem de 
Programação
Foco
QMCU Interno DD HTML5, jQuery Mobile, e ASP MVC4 Aluno
LAe-R Moodle APE PHP Professor
LeMO Moodle, Clix e Chemgapedia APE Java Professor
25
UNIDADE 
Learning Analytics: Processos, Técnicas e Ferramentas
Nome 
Ambientes de aprendizagem 
suportados
Categoria
Linguagem de 
Programação
Foco
Mapper TelEduc APE Java e PHP Professor
Não informado Open EDX DD Python Professor
Não informado Open EDX FF Java e R Professor
SoftLearn Moodle, Blackboard e ELGG FF Não informada Professor
VeLA Moodle FF Java Professor
ALAS-KA Khan Academy DD Python Aluno e Professor
Grockit analytics Interno FF Não informada Aluno e Professor
Learning Analytics 
Backend Services Go-Lab APE Não informada Aluno e Professor
SCALE Moodle e Web-CAT FF Não informada Aluno e Professor
Usalpharma 
Analytics Tool Second Life FF Python Aluno e Professor
SmartKlass™ Moodle DD PHP Aluno, Professor e Instituição
Intelliboard.net Moodle DD PHP Instituição
Fonte: Adaptado de Silva Jr e Oliveira (2016)
• Grockit Analytics: a ferramenta implementa as etapas de: coleta, seleção, análise, 
visualização e distribuição das informações, de forma análoga aos processos de LA 
descritos por Dyckhoff et al. (2012) e Chatti et al. (2012).
• SCALE: a ferramenta utiliza o software de código aberto Hackystat para coletar, 
processar e apresentar informações a respeito das experiências de aprendizagem 
dos alunos em um AVA e traduzi-las em oportunidades para feedback personalizado, 
sem impactar negativamente o desempenho do ambiente.
• Usalpharma Analytics Tool: utiliza o ambiente virtual Second Life para implementar 
um simulador de laboratório a partir do qual são coletadas informações a respeito 
do uso do ambiente pelos alunos e apresentado feedback ao aluno e professor.
• SmartKlass™: apresenta diversas informações a respeito do desempenho dos 
alunos no curso, tais como: uso individual dos espaços pelos estudantes, resultados 
das atividades colaborativas e evolução no curso.
• IntellBoard.net: apresenta vários gráficos e relatórios de cursos e a trilha de 
aprendizagem do aluno, tais como: total de visitas, o total de atividades/recursos/
professores de um curso, o número de alunos que completaram as atividades, o 
número de cursos, o tempo total que o aluno passou em determinado local, número 
total de visitas, a nota média do aluno para todos os cursos e nota média do aluno 
para as atividades.
• Open Monitoring Environment (OME): utiliza a abordagem de mineração de dados 
abertos, open data mining, para automatizar a coleta e pré-processamento de 
dados com o apoio da ferramenta de mineração de dados Waikato Environment 
for Knowledge Analysis (Weka).
26
27
Tecnologias para Learning Analytics
Uma síntese das tecnologias que podem ser utilizadas para o desenvolvimento de 
ferramentas de Learning Analytics é apresentada no quadro 3. Nele, podemos observar 
o nome da tecnologia, categoria, versão, características e endereço internet para 
conhecê-la melhor.
Quadro 3. Tecnologias para desenvolvimento de ferramentasde Learning Analytics
Tecnologia Categoria Versão Características Endereço
Weka (Waikato 
Environment 
for Knowledge 
Analysis)
Software de 
código aberto Gratuita
Permite realizar tarefas de mineração 
e visualização da informação por 
meio de Interface Gráfica. Integra 
com IDE Java.
http://www.cs.waikato.ac.nz
/ml/weka/index.html
R Linguagem de Programação Gratuita
Permite análise de dados e 
visualização de dados. Tem pacotes 
de algoritmos para mineração 
documentados e validados
https://www.r-project.org/
RapidMiner Software Gratuita e Paga
Atua em mineração de dados, possui 
diversos algoritmos prontos, permite 
a extensão dos algoritmos e a conexão 
com diversas fontes de dados, tais como 
arquivos e diferentes SGBDs.
https://rapidminer.com/
Tableau Software Gratuita e Paga
Permite a criação rápida de visualização 
da informação para Business Intelligence 
e Analytics.
http://www.tableau.com/
Considerações Finais
Nesta unidade, foram apresentados os modelos e processos de LA, em especial o 
proposto por Elias (2011) composto das etapas: selecionar, capturar, agregar/relatar, 
predizer, usar, refinar compartilhar, além dos modelos de Chatti et al. (2012) e Dickhoff et 
al. (2012); foi realizada uma breve discussão a respeito da mineração de dados educacionais; 
detalhado Visualização da Informação e algumas de suas técnicas, explorando treemaps, 
grafos e dashboards com maior profundidade; foram apresentadas algumas características 
e exemplos de ferramentas de LA produzidas; e, por fim, destacadas algumas tecnologias 
utilizadas para no desenvolvimento de ferramentas para LA.
Baseado no que foi apresentado e na sua atuação como um personagem de um 
ambiente educacional, seja como aluno, professor/tutor, coordenador, designer 
instrucional, conteudista ou administrador, é possível refletir sobre os aspectos abordados 
em relação ao desenvolvimento de ferramentas de LA e auxiliar os profissionais que as 
implementam na avaliação dos artefatos produzidos, e, principalmente, com questões 
que necessitam de respostas que ainda não encontramos nos sistemas atuais.
Finalizando, parafraseando Siemens e Long (2011) e complementando com algumas 
reflexões pessoais, o uso de LA como um modelo de aconselhamento às pessoas 
envolvidas no ambiente educacional pode melhorar o desempenho dos alunos, minimizar 
as taxas de abandono em cursos e auxiliar na aplicação mais eficiente dos recursos pelas 
instituições, desenvolver vantagens competitivas, além de melhorar a qualidade e o valor 
da experiência de aprendizagem.
27
UNIDADE 
Learning Analytics: Processos, Técnicas e Ferramentas
Material Complementar
Indicações para saber mais sobre os assuntos abordados nesta Unidade:
 Sites
SmartKlass™ Learning Analytics Moodle
Página contendo o plugin do Moodle SmartKlass com vídeo demo, algumas telas exemplo 
e informações sobre o plugin.
http://goo.gl/Hz4xxq
IntelliBoard.net - Reporting and Analytics Tool for Moodle
Página contendo o plugin do Moodle IntelliBoard.net com algumas telas exemplo e 
informações.
http://goo.gl/jvZlkC
 Vídeos
ANALYSE: A Learning Analytics Tool for Open edX
Pequeno vídeo demonstrativo da ferramenta ANALYSE que apresenta algumas formas 
de visualização da informação.
http://goo.gl/vENrGM
ALAS KA: A Learning Analytics tool for the Khan Academy platform
Apresentação sobre a ferramenta ALAS-KA, seu desenvolvimento e avaliação de resultados.
http://goo.gl/IJUMFg
Pedro José Munoz Merino, UC3M - ANALYSE A Learning Analytics Extension for Open edX
Vídeo de Pedro José Munoz Merino que apresenta a ferramenta ANALYSE, arquitetura 
e desenvolvimento.
http://goo.gl/ylfSgY
28
29
Referências
BAKER, B. M. A conceptual framework for making knowledge actionable through 
capital formation. University of Maryland University College, 2007.
BURKHARDT, D; RUPPERT, T; NAZEMI, K. Towards process-oriented Information 
Visualization for supporting users. In: Interactive Collaborative Learning (ICL), 2012 
15th International Conference on. IEEE, 2012. p. 1-8.
CASTRO, L. N.; FERRRARI, D. G. Introdução a Mineração de Dados – Conceitos 
Básicos, Algoritmos e Aplicações. São Paulo: Saraiva, 2016.
CHATTI, M. A. et al. A reference model for learning analytics. International Journal 
of Technology Enhanced Learning, v. 4, n. 5-6, p. 318-331, 2012.
CLOW, D. The learning analytics cycle: closing the loop effectively. In: Proceedings 
of the 2nd international conference on learning analytics and knowledge. ACM, 
2012. p. 134-138.
CONDE, M. A. et al. Exploring Student Interactions: Learning Analytics Tools for 
Student Tracking. In: Learning and Collaboration Technologies. Springer International 
Publishing, 2015. p. 50-61. 
D’AQUIN, M. et al. Using linked data in learning analytics. 2014.
DINIZ, F. A. et al. Aplicação de uma técnica de visualização de dados baseado em 
árvores para auxiliar a priorização de requisitos em projetos ágeis. II Workshop 
Brasileiro de Visualização de Software. WBVS 2012. 23 de setembro de 2012. 
Disponível em: http://reuse.cos.ufrj.br/wbvs2012/papers/wbvs04.pdf. Data da 
consulta: 28/07/2016.
DYCKHOFF, A. L. et al. Design and implementation of a learning analytics toolkit for 
teachers. Journal of Educational Technology & Society, v. 15, n. 3, p. 58-76, 2012.
DUVAL, E. Attention please!: learning analytics for visualization and recommendation. 
In: Proceedings of the 1st International Conference on Learning Analytics and 
Knowledge. ACM, 2011. p. 9-17.
ELIAS, T. Learning Analytics: The Definitions, the Processes, and the Potential. 2011.
FRY, B. Visualizando Dados. Rio de Janeiro: Alta Books, 2008.
HAN, J; KAMBER, M; PEI, J. Data mining: concepts and techniques. Elsevier, 
2011, p. 549-.
MCGRATH, O. G. Visualizing user activity in open e-learning contexts: challenges and 
techniques for operational management. In: Proceedings of the 39th annual ACM 
SIGUCCS conference on User services. ACM, 2011. p. 229-234.
29
UNIDADE 
Learning Analytics: Processos, Técnicas e Ferramentas
PERNOMIAN, V. A. Visualização exploratória de dados do desempenho na 
aprendizagem em um ambiente adaptável. 2008. Tese de Doutorado. Universidade 
de São Paulo.
ROMERO, C; VENTURA, S. Educational data mining: a review of the state of the 
art. Systems, Man, and Cybernetics, Part C: Applications and Reviews, IEEE 
Transactions on, v. 40, n. 6, p. 601-618, 2010. 
SIEMENS, G.; LONG, P. Penetrating the Fog: Analytics in Learning and Education. 
EDUCAUSE review, v. 46, n. 5, p. 30, 2011.
SILVA JR., C. B.; OLIVEIRA, I. C. A. Learning Analytics: Revisão da Literatura e 
o Estado da Arte. 22º CIAED – Congresso Internacional ABED de Educação a 
Distância. 19 a 23 de setembro, 2016. 
TURBAN, E. et al. Business Intelligence. Um enfoque gerencial para a inteligência do 
negócio. Porto Alegre: Bookman, 2009.
ZIELINSKI, F. D. C.; SCHMITT, M. A. R. Uma ferramenta gráfica para suporte à 
atividade docente no Moodle. RENOTE, v. 13, n. 1. 2015.
30