1148-3062-2-PB

Prévia do material em texto

Brazilian Journal of Technology 
 
Braz. J. Technol., Curitiba, v. 2, n. 1, p. 363-382, jan./mar. 2019. ISSN 2595-5748 
363 
A evolução do aprendizado em uma disciplina semipresencial - Análise baseada 
em conceitos da mineração de dados 
 
The evolution of learning in a semipresential discipline - Analysis based on data 
mining concepts 
 
Recebimento dos originais: 17/12/2018 
Aceitação para publicação: 29/12/2018 
 
 
 
Enir da Silva Fonseca 
Mestre em Engenharia Mecânica pela Universidade Santa Cecília / Doutorando em Ensino de 
Ciências e Matemática na Universidade Cruzeiro do Sul 
Instituição: Universidade de Ribeirão Preto / Centro Universitário Lusíada 
Endereço: Av. D. Pedro I, 3.300 - Guarujá - SP – Brasil / Rua Batista Pereira, 265 - Santos - SP - 
Brasil 
E-mail: enir.fonseca@gmail.com 
 
 
Carlos Fernando de Araújo Jr. 
Doutor em Física pela Universidade Estadual Paulista Júlio de Mesquita Filho / Professor 
Pesquisador do Programa de Mestrado e Doutorado em Ensino de Ciências e Matemática na 
Universidade Cruzeiro do Sul 
Instituição: Universidade Cruzeiro do Sul 
Endereço: Rua Galvão Bueno, 868 - São Paulo, SP - Brasil 
E-mail: carlos.araujo@cruzeirodosul.edu.br 
 
 
 
 
 
 
RESUMO 
 
Davenport (2014), defini que os dados são extremamente amplos e gerados eletronicamente, e por 
este motivo necessitam de ferramentas especialmente preparadas para lidar com toda e qualquer 
informação que possa ser encontrada, analisada e aproveitada em tempo hábil. Obter dados e usá-los 
adequadamente, possibilita à uma empresa melhorar um produto, criar uma estratégia de marketing 
mais eficiente, cortar gastos, aumentar sua produção, evitar o desperdício, superar um concorrente, 
disponibilizar serviços de formas mais satisfatória, verificar o desempenho de um aluno, entre outras. 
Este trabalho tem como objetivo, analisar o aproveitamento de 113 alunos com base em sua nota e a 
quantidade de acessos em um ambiente virtual de aprendizagem, matriculados em uma disciplina 
semipresencial no primeiro semestre de 2017. Os dados foram extraídos de um AVA instalado a partir 
do Moodle e tabulados inicialmente em uma planilha de cálculo, com posterior análise e 
implementação no software R. Os resultados demonstram uma melhoria nas avaliações dos alunos 
associadas ao número de acessos. Indicando que com alguns ajustes o aprendizado pode evoluir. 
 
Palavras Chave: Análise de dados; Dados educacionais; Ensino a Distância; Mineração de Dados; 
Software R. 
 
Brazilian Journal of Technology 
 
Braz. J. Technol., Curitiba, v. 2, n. 1, p. 363-382, jan./mar. 2019. ISSN 2595-5748 
364 
ABSTRACT 
Davenport (2014) stated that the data is extremely broad and electronically generated, and therefore 
requires specially prepared tools to deal with any and all information that can be found, analyzed and 
harnessed in a timely manner. To obtain data and use them properly, enables a company to improve 
a product, create a more efficient marketing strategy, cut costs, increase its production, avoid wastage, 
overcome a competitor, make services more satisfactory, check the performance of a student, among 
others. This study aims to analyze the use of 113 students based on their grade and the number of 
accesses in a virtual learning environment, enrolled in a semipresencial discipline in the first half of 
2017. The data were extracted from an AVA installed from of Moodle and initially tabulated in a 
spreadsheet, with subsequent analysis and implementation in the R software. The results demonstrate 
an improvement in the students' scores associated with the number of accesses. Indicating that with 
some adjustments learning can evolve. 
 
Keywords: Data analysis; Educational data; Distance learning; Data Mining; Software R. 
 
 
 
1 INTRODUÇÃO 
 
Com o uso das modernas soluções tecnológicas, geramos diariamente uma grande quantidade 
e variedade de dados, que são produzidos nas transações bancárias, em serviços de telefonia, para as 
buscas on-line, no mercado eletrônico, e também nos ambientes educacionais com o Ensino a 
Distância (EaD), e este conjunto de dados armazenados são conhecidos como Big Data. Tarapanoff 
(2015) define que: 
Uma vez estabelecida a proliferação de dados e informação por meio da internet e do 
fluxo de informações e não existindo restrições quanto à distância e à disponibilidade, 
a grande questão que surge é a capacidade de triagem, interpretação e conversão desse 
volume de informação existente. A identificação e análise da quantidade de 
informação de uma determinada área (científica ou de negócios) e do seu estado da 
arte com respectivas correlações se tornaram um trabalho árduo (Tarapanoff. 2015. p 
241). 
 
 Analisando a afirmação Tarapanoff (2015), é comum enfrentarmos diariamente dificuldades 
para extrair as melhores e as mais importantes informações, que são os recursos primordiais para a 
gestão contemporânea. Obter os dados e saber usá-los adequadamente, permitirá ao gestor um eficaz 
controle dos processos, podendo entender como: Melhorar um produto, criar uma estratégia de 
marketing mais eficiente, cortar gastos, produzir mais em menos tempo, evitar o desperdício de 
recursos, superar um concorrente, disponibilizar serviços para um cliente de maneira satisfatória. 
Brazilian Journal of Technology 
 
Braz. J. Technol., Curitiba, v. 2, n. 1, p. 363-382, jan./mar. 2019. ISSN 2595-5748 
365 
Fonseca e Araújo Jr. (2018), afirmam que na educação pode-se utilizar as informações obtidas 
para prever, acompanhar, avaliar o desempenho e evolução do aluno atuando prontamente para 
melhorar o aprendizado, e criar alternativas que evite a evasão por falta de estímulos, ou mesmo 
promover correções pontuais de acordo com o feedback da turma. 
 
1.1 O CONCEITO DE BIG DATA 
 
Davenport (2014), defini que Big Data são conjuntos de dados extremamente amplos e 
gerados eletronicamente, e por este motivo, necessitam de ferramentas especialmente preparadas para 
lidar com os estes grandes volumes, de forma que toda e qualquer informação possa ser encontrada, 
analisada e aproveitada em tempo hábil. Abreu (2014) resume que: 
O advento do Big Data é o espelho da evolução tecnológica social. Trata-se da nossa 
sobejante capacidade de captar miríades de informações, analisá-las de imediato e tirar 
conclusões, por vezes, profundamente surpreendentes. Um fenômeno emergente, de 
amplitude crescente e ações tão distintas que atendem desde uma busca por melhores 
tarifas de bilhetes de avião até a dataficação de textos contidos em milhões de livros. 
Nosso crescente poder na computação entra em ação para descobrir epifanias nunca 
antes imaginadas (ABREU, 2014, p.2). 
 
Com as afirmações de Abreu (2014), observa-se que a evolução tecnológica continuará a gerar 
a cada dia um maior volume de dados. O termo Big Data pode ser definido em 5 Vs, o volume, a 
variedade, velocidade, veracidade e valor dos dados. E este termo não é recente, há tempos que os 
departamentos de TI (Tecnologia da Informação) trabalham aplicações de Data Mining, Business 
Intelligence e CRM (Customer Relationship Management), para tratar da análise de dados, tomadas 
de decisões e outros aspectos relacionados ao negócio. 
Mayer-Schonberger e Cukier (2013) definem que com a ajuda do Big Data, não mais veremos 
o mundo como uma sequência de acontecimentos explicados como fenômenos naturais ou sociais, e 
sim como um universo composto essencialmente por informações. A proposta de uma solução de Big 
Data é a de oferecer uma abordagem ampla no tratamento do aspecto cada vez mais caótico dos 
dados, para tornar as referidas aplicações e todas as outras mais eficientes e precisas. O conceito 
considera não somente grandes quantidades de dados, assim como a velocidade da análise e a 
disponibilização destes, como também a relação entre os volumes. 
 
Brazilian Journal of Technology 
 
Braz. J. Technol.,Curitiba, v. 2, n. 1, p. 363-382, jan./mar. 2019. ISSN 2595-5748 
366 
1.2 A DESCOBERTA DE CONHECIMENTO EM BASE DE DADOS 
 
Segundo Castanheira (2008), KDD (Knowledge Discovery in Databases) é um processo de 
descoberta que tem como principal objetivo, extrair conhecimento a partir de grandes bases de dados. 
Para isto envolve diversas áreas, tais como: Estatística, matemática, bancos de dados, inteligência 
artificial, visualização de dados e reconhecimento de padrões. A descoberta do conhecimento é 
dividida em etapas conforme representada por Fayyad, Piatetsky-Shapiro e Smyth (1996) na Figura 
1. 
 
Figura 1 - Visão geral dos passos que compõem o processo KDD 
Fonte: Fayyad, Piatetsky-Shapiro e Smyth. 1996. 
 
As etapas que vão da seleção dos dados até a geração do conhecimento, ocorrem 
continuamente para a melhoria do processo, Castanheira (2008) define que o processo de KDD é 
dividido em passos e pode ser considerado um conjunto de atividades contíguas que compartilham 
conhecimento a partir de bases de dados. 
Os passos são seleção, pré-processamento e transformação dos dados. Na seleção o analista 
ou cientista de dados deve compreender os objetivos da tarefa que será realizada, para definir quais 
as variáveis necessárias e então extrair das bases de dados os registros que forneçam as exigências 
pré-definidas. 
Brazilian Journal of Technology 
 
Braz. J. Technol., Curitiba, v. 2, n. 1, p. 363-382, jan./mar. 2019. ISSN 2595-5748 
367 
No pré-processamento, será executada uma limpeza dos dados como a eliminação de valores 
nulos, remoção de dados em duplicidades, correção de campos que representem a mesma coisa e 
tenha valores diferenciados. A transformação dos dados ocorre de acordo com o algoritmo de 
mineração que será utilizado. Nesta etapa está envolvida algumas tarefas como a identificação de 
dados distorcidos conhecidos como ruídos, ou valores fora da faixa aceitável para o atributo (outliers). 
Pode-se também, aplicar a generalização, quando os dados são esparsos e não apresentam resultados 
satisfatórios, ou a normalização, que é o ajuste dos valores dos atributos para um mesmo intervalo. 
Hall et al. (2009), definem que: 
Alguns algoritmos de classificação e agrupamento trabalham somente com dados no 
formato nominal, ou seja, não conseguem lidar com os atributos medidos na escala 
numérica. Desse modo, dados do tipo “renda” devem ser “discretizados” por faixa, 
como: alta, média ou baixa (HALL et al., 2009). 
 
Conforme Hall et al. (2009), o processo de mineração de dados é ajustando de acordo com o 
tipo de algoritmo utilizado, o que é fundamental para obtenção de um resultado adequado a situação 
analisada. 
 
1.3 MINERAÇÃO DE DADOS E AVALIAÇÃO DOS RESULTADOS 
 
Pode-se dizer que a mineração de dados é a fase que transforma dados puros em informação 
útil. Muitos autores consideram-na como sinônimo de KDD. 
- Fayyad, Piatetsky-Shapiro e Smyth (1996), definem o KDD como sendo o processo geral de 
descoberta de conhecimento útil a partir dos dados, e mineração de dados como uma 
determinada etapa neste processo, caracterizada com a aplicação de algoritmos específicos 
para extrair padrões. 
- Castanheira (2008), resume que a mineração de dados se caracteriza pela existência de um 
algoritmo que diante da tarefa proposta será eficiente em extrair conhecimento implícito e útil 
de um banco de dados. 
- Hall et al. (2009), afirma que a aplicação de métodos de mineração de dados cega pode ser 
uma atividade perigosa, facilmente levando à descoberta de padrões sem sentido ou inválidos. 
 
Brazilian Journal of Technology 
 
Braz. J. Technol., Curitiba, v. 2, n. 1, p. 363-382, jan./mar. 2019. ISSN 2595-5748 
368 
Para o processo de descoberta do conhecimento, os passos como a preparação, seleção, 
limpeza de dados, incorporação de conhecimento prévio adequado, e interpretação adequada dos 
resultados da mineração, são essenciais e asseguram que o conhecimento útil será derivado a partir 
dos dados trabalhados, representado na Figura 2. 
 
Figura 2 - Fluxograma para o processo de mineração de dados. 
Fonte: autoria própria. 
 
Inicio
Consultar as fontes de dados, 
bancos de dados, arquivos, 
entre outros
Realizar Pré-processamento 
de dados.
Coletar, limpar e armazenarArmazenar dados ou 
esquema de mapeamento
Procurar por padrões.
Resultados satisfatórios?
Analistar resultados
Relatar resultados
Interpretar os resultados
Tomar decisões com base em 
resultados
Fim
Revisar resultados. Novas 
consultas
Aplicar a aprendizagem de 
máquina com algoritmos, 
estatísticas, e outros
A
A
Sim
Não
 
Brazilian Journal of Technology 
 
Braz. J. Technol., Curitiba, v. 2, n. 1, p. 363-382, jan./mar. 2019. ISSN 2595-5748 
369 
Após a escolha do algoritmo é necessário a avaliação dos resultados, que é a última etapa do 
KDD, testando-os e se necessário adaptando-os para resolução do problema conforme a tarefa 
escolhida. Os conhecimentos encontrados são interpretados e utilizados para a tomada de decisão. Os 
resultados da mineração de dados devem ser apresentados de forma clara, utilizando-se de recursos 
como tabelas, gráficos entre outros. Amaral (2016) afirma que: 
Existe uma grande quantidade de ferramentas de mineração de dados, tanto comerciais como 
open source. Nas comerciais, alguns dos maiores fornecedores são: Microsoft, SAS, IBM e Oracle. 
Nas ferramentas Open source, algumas mais populares são Weka, R e Orange (Amaral, 2016, p. 4). 
A partir da afirmação de Amaral (2016), verificamos a aplicação de dois produtos gratuitos, 
o software Weka exemplificado em seu livro “Aprenda mineração de dados – teoria e prática”. E a 
utilização do software R, demonstrando os conceitos e a aplicação das principais técnicas com um 
exemplo de um caso comercial, no livro “Introdução à mineração de dados com aplicações em R”, 
de Silva, Peres e Boscarioli (2016). 
 
1.4 TAREFAS DE Data Mining 
Dentre as tarefas inicialmente identificadas nesta pesquisa, o analista de dados pode 
selecionar, filtrar, agregar, retirar amostras, limpar ou transformar dados na fase de processamento, 
dependendo dos objetivos e dos requisitos para o processo de descoberta de conhecimento. A tabela 
1 descrevem as ações para as tarefas de mineração de dados. 
 
Tabela 1 - Tarefas de data mining 
Previsão Prevê o valor para um atributo específico do respectivo conjunto de dados. 
Regressão Utilizado para prever o resultado de uma variável dependente desconhecida, 
dados os valores das variáveis independentes. 
Classificação Dado um conjunto de classes predefinidas, determina para qual destas classes, 
um dado específico pertence. 
Clustering Separa-se um conjunto de dados em um conjunto de classes, para que dados 
com características semelhantes sejam agrupados. 
 
Brazilian Journal of Technology 
 
Braz. J. Technol., Curitiba, v. 2, n. 1, p. 363-382, jan./mar. 2019. ISSN 2595-5748 
370 
 <CONTINUAÇÃO DA TABELA 1> 
Análise Link 
(associações) 
Identificar as relações entre atributos e os dados para que a presença de um 
padrão implique a presença de outro padrão. 
Visualização 
do modelo 
Técnicas de visualização ajudam a melhor compreender o problema. Como a 
visualização de gráficos, histogramas, filmes 3D, etc. 
Análise 
exploratória de 
dados 
É a exploração interativa de um conjunto de dados sem grandes dependências 
em suposições preconcebidas ou modelos, como a tentativa de identificar 
padrões interessantes. 
Adaptado pelos autores. 
Fonte: (Cortez, et al., 2005) 
 
Não existe uma definição de qual tarefa é mais ou menos eficiente em qualquer situação na 
mineração de dados, cada caso é um caso. A clareza dos objetivos que se deseja alcançar, são os 
indicadores iniciais para a escolha das tarefas a serem empregadas. 
 
2 MATERIAIS E MÉTODOS 
Para consecução dos objetivos, que é o de analisar o aproveitamento dos alunos, com baseem 
sua nota e a quantidade os acessos, os dados foram extraídos de um ambiente virtual de aprendizagem 
(AVA) baseado no Moodle (Modular Object-Oriented Dynamic Learning Environment), que é um 
software livre para o apoio à aprendizagem. 
A disciplina em estudo compõe o grupo dos 20% de um curso presencial autorizado pela Lei 
nº 9.394, de 20 de dezembro de 1996, e no Decreto nº 5.622, de 19 de dezembro de 2005. Foi 
selecionada a disciplina de Metodologia da Pesquisa Científica por compor o núcleo básico dos 
cursos, Administração, Educação Física, Enfermagem, e Tecnologia em Logística da Universidade 
de Ribeirão Preto no campus sediado na cidade do Guarujá. 
Observou-se o aproveitamento dos alunos durantes os semestres e aplicou-se efetivamente a 
análise da evolução do aprendizado em duas turmas, referente ao período letivo de 2017-1, 
totalizando 113 alunos. Turma A composta de 64 alunos dos cursos de Educação Física e 
Enfermagem, e turma B com 49 alunos matriculados nos cursos de Administração e Logística. 
A Figura 3, representa a quantidade de acessos por aluno dividido em dois trimestres, assim 
como as notas obtidas na avaliação presencial e a média em atividades realizadas no AVA. A média 
Brazilian Journal of Technology 
 
Braz. J. Technol., Curitiba, v. 2, n. 1, p. 363-382, jan./mar. 2019. ISSN 2595-5748 
371 
final para promoção é de 5 (cinco) pontos, composta por 40% obtido no ambiente virtual de 
aprendizagem e 60% da avaliação presencial. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Figura 3 - Alunos pesquisados. Acessos e notas. 
Fonte: autoria própria. 
 
 
Brazilian Journal of Technology 
 
Braz. J. Technol., Curitiba, v. 2, n. 1, p. 363-382, jan./mar. 2019. ISSN 2595-5748 
372 
Os dados foram tabulados em uma planilha de cálculo, quando utilizamos o Excel 2016, e a 
análise foi implementada com o uso do software R versão 3.4.2., que é uma linguagem e também um 
ambiente de desenvolvimento integrado para cálculos estatísticos e gráficos. 
 
3 PREPARANDO OS DADOS 
 
Para selecionar as informações na base de dados, o primeiro passo foi acessar o relatório de 
atividades de cada aluno, conforme demonstrado na Figura 4, onde capturou-se inicialmente todos os 
acessos realizados, os logs gerados e o relatório completo de cada aluno. 
 
 
Figura 4 - Acesso ao relatório de atividades. 
Fonte: Unaerp. 2017 
 
Os dados originais apresentam todos os acessos do discente, sua participação em cada tópico 
da disciplina e a data do último acesso. É possível ainda obter a quantidade de acessos em cada 
atividade. A figura 5 apresenta o número de vezes que o aluno consultou cada um dos tópicos. 
 
 
Brazilian Journal of Technology 
 
Braz. J. Technol., Curitiba, v. 2, n. 1, p. 363-382, jan./mar. 2019. ISSN 2595-5748 
373 
 
Figura 5 - Quantidade de acessos por tópico 
Fonte: Unaerp. 2017 
Brazilian Journal of Technology 
 
Braz. J. Technol., Curitiba, v. 2, n. 1, p. 363-382, jan./mar. 2019. ISSN 2595-5748 
374 
Figura 6 apresenta os dados selecionados é já aplicado o pré-processamento, quando 
identificamos os elementos relevantes aos nossos objetivos. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Figura 6 - Dados originais com um primeiro filtro. 
Fonte: autoria própria. 
 
 Todos as informações dos 113 alunos das turmas A e B foram tabulados e classificados em 
uma planilha. Para cada trimestre foi selecionado o total de acesso, a nota obtida no AVA, a nota da 
prova presencial e a respectiva média que é a soma das notas (AVA + Prova Presencial). 
 
Brazilian Journal of Technology 
 
Braz. J. Technol., Curitiba, v. 2, n. 1, p. 363-382, jan./mar. 2019. ISSN 2595-5748 
375 
O regimento da instituição no período que foi aplicada esta pesquisa, determinava que a 
aprovação ocorra com a média igual ou superior a 5 (cinco), e para obtê-la é calculado com 40% para 
a média do primeiro trimestre e 60% para a média do segundo trimestre, conforme a equação A. 
 
(A) 
 
Onde: 
M = Média final do aluno 
PP = Média obtida no primeiro trimestre 
EX = Média obtida no segundo trimestre 
 
A Figura 7 apresenta os valores obtidos com a turma A. E idêntico procedimento foi realizado 
para a turma B, o que pode ser aplicado em qualquer turma ou disciplina que utilize este modelo. Os 
alunos faltantes nas avaliações presenciais são representados por “nc” (não compareceu), e neste caso 
é permitido a realização de outra avaliação a título de segunda chamada. 
 
 
 
 
 
 
 
 
 
Figura 7 - Valores obtidos da turma A. 
Fonte: autoria própria. 
 
M = (PP x 40/100) + (EX x 60/100) 
 
Brazilian Journal of Technology 
 
Braz. J. Technol., Curitiba, v. 2, n. 1, p. 363-382, jan./mar. 2019. ISSN 2595-5748 
376 
4 RESULTADOS E DISCUSSÃO 
 
Os dados para análise foram separados em 1º e 2º trimestre e apresentado a média final por 
aluno. Selecionamos em cada trimestre, a quantidade de acessos (Acesso_1_tri), a nota obtida no 
AVA (Nota_AVA) e a nota da prova presencial (Nota_Prova). A média do trimestre que foi calculada 
com a soma das notas anteriores (Nota_AVA + Nota_Prova). A Figura 8 é um extrato parcial da 
turma A, com idêntica aplicação para a turma B. 
 
 
 
 
 
 
 
 
Figura 8 - Extrato parcial da turma A. 
Fonte: autoria própria. 
 
A partir dos dados transformados, buscamos por padrões que identifique o desempenho do 
aluno, relacionando a quantidade de acessos com a média final obtida. O arquivo produzido foi 
transformado em arquivo com valores separados por vírgulas do Microsoft Excel (.csv), que é 
reconhecido pelo software R. 
Com a primeira análise realizada após execução no R, obtivemos os valores do mínimo, 
máximo, média, mediana, 1º quartil e 3º quartil, facilitando a identificação do desempenho do aluno 
em relação a turma. Na Figura 9 é apresentado a análise da Turma A em relação aos trimestres. 
 
 
Brazilian Journal of Technology 
 
Braz. J. Technol., Curitiba, v. 2, n. 1, p. 363-382, jan./mar. 2019. ISSN 2595-5748 
377 
 
 
Figura 9 - Análise da turma A em Relação aos trimestres. 
Fonte: autoria própria. 
 
Observa-se uma evolução das notas da turma, que é possível associar ao aumento no número 
de acessos ao AVA, o que permite aos discentes uma melhor absorção do conteúdo e consequente 
aprendizagem. Para validar a primeira observação, plotamos um novo gráfico com a média final do 
aluno, representado na Figura 10. 
 
 
Figura 10 - Média final da turma A 
Fonte: autoria própria. 
 
 
Brazilian Journal of Technology 
 
Braz. J. Technol., Curitiba, v. 2, n. 1, p. 363-382, jan./mar. 2019. ISSN 2595-5748 
378 
Como a construção da média final é realizada conforme equação A, apresentada 
anteriormente, onde é atribuído peso de 40% a média do primeiro trimestre e 60% a média do segundo 
trimestre, observamos a promoção de 68,75% dos alunos dos alunos da turma A, com apenas 6,25 de 
reprovação. 
O gráfico na Figura 10 apresenta uma elevada quantidade de zeros com 25%. Este número se 
justifica, pois quando um aluno não comparece (nc) em uma das avaliações presenciais, ele tem o 
direito de solicitar nova prova a título de segunda chamada, que é realizada no início do semestre 
seguinte, e conforme procedimentos descritos no plano de ensino, a média final para estes casos só 
é calculada após a realização desta prova. E nesta nova avaliação é considerado os valores de 0 “zero” 
a 10 “dez”, desprezando-se as atividades realizadas no AVA. Notas que não foram contabilizadas 
neste estudo, pois o discente tem mais tempo para estudar, quando é descartada a nota do AVA para 
obter está nova média, que é o foco deste trabalho. 
 Idêntico procedimento foi aplicado na turma B, e a reprovação está diretamente associada ao 
baixo acesso ao AVA. As Figuras 11 e 12, apresentam um comparativo entre as turmas A e B, 
considerando-se a média final para aprovação em relação a quantidade de acessos aoambiente virtual 
de aprendizagem. 
 
 
 
 
 
 
 
 
 
 
 
Figuras 11 - Acesso e médias da turma A 
Fonte: autoria própria. 
 
Brazilian Journal of Technology 
 
Braz. J. Technol., Curitiba, v. 2, n. 1, p. 363-382, jan./mar. 2019. ISSN 2595-5748 
379 
 O gráfico na Figura 11 apresenta a relação dos acessos com a média final obtida. Destaca-se 
os alunos 1, 2 e 4 que realizaram a prova de segunda chamada. Na Figura 12 a evolução da turma B, 
tem uma relação similar entre a média e quantidade de acessos, e neste caso observou-se alguns alunos 
que mesmo com um baixo de acesso, obtiveram a média para aprovação, o que é possível devido ao 
peso atribuído a avaliação presencial. 
 
 
 
 
 
 
 
 
 
 
 
Figuras 12 - Acesso e médias da turma B 
Fonte: autoria própria. 
 
Fonseca e Araújo Jr. (2016), afirmam que manter uma equipe multidisciplinar envolvida e 
comprometida com o acompanhamento do aprendiz, permite-se criar mecanismos para que ele 
compreenda quem é, o que faz, e qual a sua importância neste novo contexto, de forma que acessar 
frequentemente o ambiente de aprendizagem, irá proporcionar melhor aproveitamento do conteúdo 
trabalhado. 
 
 
 
 
Brazilian Journal of Technology 
 
Braz. J. Technol., Curitiba, v. 2, n. 1, p. 363-382, jan./mar. 2019. ISSN 2595-5748 
380 
5 CONSIDERAÇÕES FINAIS 
Ao estudar a evolução dos alunos em uma disciplina ofertada em um ambiente virtual de 
aprendizagem, encontramos resultados que reforçaram a importância do constante acesso as aulas 
virtuais, que oportuniza um melhor aprendizado e quando associada as atividades como fóruns, 
tarefas, de construção colaborativa, entre outras, criam um maior compromisso do discente e 
consequentemente uma melhora na avaliação no cômputo geral. 
Constatou-se também, que existem casos de alunos com um baixo acesso ao ambiente, e 
mesmo assim obtêm a nota adequada para aprovação, o que é evidente ao estilo de aprendizagem de 
cada discente. Schmitt e Domingues (2016) afirmam que nem todos os indivíduos aprendem da 
mesma maneira. 
Uma análise comparativa entre o aproveitamento das turmas, foi aplicada com o uso do 
software R, que demostrou a evolução e o desempenho individual, confirmados com os dados 
plotados no boxplot, posicionando turma em relação as notas dos trimestres e a média final. Evolução 
validada no momento em que as notas finais foram apresentadas em um gráfico relacionado aos 
acessos. 
Esta pesquisa indica que os recursos utilizados facilitam a análise pontual para rápida tomada 
de decisão em ações que reforcem atividades no AVA, e que consequentemente podem melhorar o 
aprendizado. Entretanto é necessário aprofundar os estudos, verificando-se o tempo que o aluno 
permaneceu em cada atividade, e se isto influenciará o seu aprendizado. 
 
 
 
 
AGRADECIMENTOS 
O desenvolvimento deste trabalho foi possível graças ao auxílio da Coordenação de 
Aperfeiçoamento de Pessoal de Nível Superior (CAPES/Brasil) e da Universidade Cruzeiro do Sul – 
São Paulo/SP-Brasil, através do programa de suporte à pós-graduação de instituições de ensino 
particulares (PROSUP-CAPES). 
 
 
Brazilian Journal of Technology 
 
Braz. J. Technol., Curitiba, v. 2, n. 1, p. 363-382, jan./mar. 2019. ISSN 2595-5748 
381 
REFERÊNCIAS 
AMARAL, F. Aprenda mineração de dados: teoria e prática. Rio de Janeiro. Alta Books, 2016. 
ABREU, G. O. L. Big data: como extrair volume, variedade, velocidade e valor da avalanche de 
informação cotidiana. 2014. Disponível 
em:<http://periodicos.ufpb.br/ojs2/index.php/tematica/article/view/21510/11881>. Data de acesso: 
05 de janeiro de 2018. 
BRASIL. LEI nº 9.394. Presidência da República. Casa Civil. Subchefia para assuntos jurídicos. 
Brasília: 2000. Disponível em: < http://www.planalto.gov.br/ccivil_03/leis/l9394.htm>. Acesso em: 
10 de novembro de 2017. 
______. Ministério da Educação. Decreto n. 5622. Disponível em: 
<http://portal.mec.gov.br/sesu/arquivos/pdf/portarias/dec5.622.pdf>. Acesso em: 10 novembro de 
2017. 
CASTANHEIRA, L. G. Aplicação de técnicas de mineração de dados em problemas de 
classificação de padrões. 2008. Belo Horizonte: UFMG, 2008. 
CORTEZ, P. PINTO, C. A. M. VIEIRA, Hugo Abel da Silva. BULHÕES, Luís Miguel Parreira. 
Data mining em R. Universidade do Minho. 2005. Disponível em: < 
http://www.leg.ufpr.br/lib/exe/fetch.php/projetos:dataminingcomr.pdf>. Data de acesso: 30 de 
novembro de 2017. 
DAVENPORT, T. Big data at work. Dispelling the myths, uncovering the opportunities, 2014. 
Disponível em: 
<http://downloads.deusm.com/allanalytics/hbr_20140303_uncovering_opportunities_davenport_v0
2.pdf>. Data de acesso: 10 de novembro de 2017. 
FAYYAD, U. PIATETSKY-SHAPIRO, G. SMYTH, P. From data mining to knowledge discovery 
in databases. AI Magazine. Volume 17. Number 3. 1996. Disponível em: 
<https://www.aaai.org/ojs/index.php/aimagazine/article/viewFile/1230/1131>. Acesso em: 10 de 
novembro de 2017. 
FONSECA, E. S.; ARAÚJO JR, C. F. O envolvimento discente em um ambiente virtual de 
aprendizagem. Análise realizada no curso de licenciatura em matemática. REnCiMa. Volume 9. 
Número 5. 2018. Disponível em: 
Brazilian Journal of Technology 
 
Braz. J. Technol., Curitiba, v. 2, n. 1, p. 363-382, jan./mar. 2019. ISSN 2595-5748 
382 
<http://revistapos.cruzeirodosul.edu.br/index.php/rencima/article/view/1938>. Acesso em 02 de 
janeiro de 2019. 
FONSECA, E. S.; ARAÚJO JR., C, F. Discutir a participação discente no processo de 
aprendizagem a distância, fomentando os conceitos da educação 3.0. 2016. Disponível em: 
<http://sistemas3.sead.ufscar.br/ojs/index.php/2016/article/view/1774>. Acesso em: 10 de dezembro 
de 2017. 
HALL, M. A.; WITTEN, I. H.; FRANK, E. The WEKA data mining software: An Update. 
SIGKDD Explorations, 2009. 
MAYER-SCHONBERGER, V. CUKIER, K. Big data: Como extrair volume, variedade, velocidade 
e valor da avalanche de informação cotidiana. Tradução Paulo Polzonoff Junior. Rio de Janeiro. 1ª 
Edição, 2013. 
SCHMITT, C. S. DOMINGUES, M. J. C. S. Estilos de aprendizagem: um estudo comparativo. 
Avaliação: Revista da Avaliação da Educação Superior (Campinas). 2016. Disponível em: 
<http://www.scielo.br/scielo.php?pid=S1414-40772016000200361&script=sci_abstract&tlng=pt>. 
Acesso em: 10 de fevereiro de 2018. 
SILVA, L. A. PERES, S. M. BOSCOARIOLI, C. Introdução a mineração de dados: com 
aplicações em R. Rio de Janeiro. Elsevier, 2016. 
TARAPANOFF, K. Análise da informação para a tomada de decisão: desafios e soluções. Livro 
eletrônico. Curitiba. InterSaberes, 2015. 
UNAERP, Ambiente Virtual de Aprendizagem. Metodologia científica. Disponível em: < http:// 
www5.unaerp.br/user/view.php?id=75938&course=7572>. Acesso em: 13 de outubro de 2017. 
______. Ambiente Virtual de Aprendizagem. Metodologia científica. Disponível em: < http:// 
www5.unaerp.br/report/outline/user.php?id=75938&course=7572&mode=outline >. Acesso em: 13 
de outubro de 2017.