Memória P&D Design

12º Congresso Brasileiro de Pesquisa e Desenvolvimento em Design

UEMG; Una — Belo Horizonte (MG)

Novembro/2016

Mineração de Dados: A Nova Maneira de Compreender o Comportamento do Usuário do Ensino a Distância

Michele Bandeira
Natália Braulio dos Santos
Vinicius Gadis Ribeiro
Wilson Pires Gavião Neto

Como citar

Bandeira, Michele; Santos, Natália Braulio dos; Ribeiro, Vinicius Gadis; Gavião Neto, Wilson Pires; "Mineração de Dados: A Nova Maneira de Compreender o Comportamento do Usuário do Ensino a Distância", p. 2536-2548. In: CONGRESSO BRASILEIRO DE PESQUISA E DESENVOLVIMENTO EM DESIGN, 12., 2016, Belo Horizonte. Anais [...]. São Paulo: Blucher, 2016

Resumo

Na literatura do design, é consenso que a combinação de mais de uma técnica de coleta de informações do usuário pode produzir melhores conclusões a respeito de seu comportamento. Contudo, a mineração de dados raramente tem sido envolvida na prática do Design Centrado no Usuário bem como considerada na prática do Design Instrucional (DI). O objetivo deste trabalho é apresentar um paralelo entre métodos tradicionais do Design Centrado no Usuário e as contribuições da área de Mineração de Dados no sentido de melhor compreender o comportamento de estudantes em Ambientes Virtuais de Aprendizagem (AVAs). Para isso, procede-se metodologicamente em 3 partes: (i) revisa-se práticas no âmbito da captura do feedback do estudante segundo a literatura do DI; (ii) compreende-se o funcionamento de técnicas de mineração de dados e o que elas se propõe a resolver e (ii i) elucida-se como são ou podem ser empregadas no contexto do ensino à distância para melhor compreensão do comportamento do estudante. As principais conclusões são que a Mineração de Dados (MD) conecta práticas quantitativas e qualitativas empregadas no DI e oportuniza novas formas de análise da resposta dada pelo estudante aos estímulos gerados pelas atividades de ensino.
Palavras-chave:

Design Centrado no Usuário, Mineração de Dados Educacionais, Design Instrucional, User Experience

Abstract

In Design literature, there is consensus that the combination of more than one user information collection technique can produce better conclusions about their behavior. However, data mining has rarely been involved in the practice of User-Centered Design. The aim of this paper is to present a parallel between traditional methods of User-Centered Design and the contributions of the Data Mining area in order to better understand the behavior of students in Learning Management Systems (VLE s). Our methodology was divided in 3 parts: (i) revising practices in the student feedback capture according to DI ‘s literature; (ii) understanding data minin g techniques and what they propose to solve and (ii i) elucidating as are or may be used in the context of distance learning for better understanding of student behavior . The main conclusions are that the Data Mining (MD) connects quantitative and qualitative practices employed in DI and provides

Referências bibliográficas

  • ABRAS, Chadia; MALONEY-KRICHMAR, Diane; PREECE, Jenny. User-centered design. Bainbridge, W. Encyclopedia of Human-Computer Interaction. Thousand Oaks: Sage Publications, v. 37, n. 4, p. 445-456. Thousand Oaks, 2004.

  • BAE, J. K.; KIM, J. Product development with data mining techniques: A case on design of digital camera. Expert Systems with Applications, 38(8):9274 – 9280, 2011.

  • BAKER, R.; ISOTANI, S.; CARVALHO, A. Mineração de Dados Educacionais: Oportunidades para o Brasil. Revista Brasileira de Informática na Educação, v. 19, n. 02, p. 03, 2011.

  • BARGAS-AVILA, J. A.; HORNBÆK, K. Old wine in new bottles or novel challenges: a critical analysis of empirical studies of user experience. Proceedings of the SIGCHI Conference on Human Factors in Computing Systems. ACM, p. 2689-2698, 2011.

  • BEHAR, Patricia Alejandra. Competências em educação à distância. Penso Editora. Porto Alegre, 2013.

  • BERLAND, Matthew et al. Educational data mining and learning analytics: Applications to constructionist research. Technology, Knowledge and Learning, 19(1-2), pp.205-220, 2014.

  • BONSIEPE, Gui. Design como prática de projeto. Ed. Blucher, São Paulo, SP, 2012.

  • BOMFIM, G. A. Metodologia para desenvolvimento de projetos. Editora Universitária / UFPB. João Pessoa, 1995.

  • BRANCH, R. M. Instructional design: The ADDIE approach. Athens: Springer Science+Business Media, 2010.

  • CARVALHO, André et al. Inteligência Artificial - Uma abordagem de aprendizado de máquina. Rio de Janeiro: LTC, 2011.

  • CROSS, Nigel. Engineering design methods: strategies for product design. John Wiley & Sons, 2008.

  • DIRKSEN, Julie. Design for how people learn. New Riders, 2012.

  • FAYYAD, Usama; PIATETSKY-SHAPIRO, Gregory; SMYTH, Padhraic. From data mining to knowledge discovery in databases. AI magazine, 17(3), p.37, 1996.

  • GOODMAN, Elizabeth; KUNIAVSKY, Mike; MOED, Andrea. Observing the User Experience: A Practitioner’s Guide to User Research (2nd ed.). Morgan Kaufmann Publishers Inc., San Francisco, CA, USA, 2012.

  • GRELLER, Wolfgang; DRACHSLER, Hendrik. Translating Learning into Numbers: A Generic Framework for Learning Analytics. Educational technology & society 15(3), p.42-57, 2012.

  • GUYON, Isabelle; ELISSEEFF, André. An introduction to variable and feature selection. The Journal of Machine Learning Research v. 1, n. 3 , p. 1157-1182, 2003.

  • JONES, John Christopher. Design methods. (2nd ed.) John Wiley & Sons. Nova Iorque, 1992.

  • KENT, Carmel et al. Interactivity in online discussions and learning outcomes. Computers & Education, 97, pp.116-128, 2016.

  • MACFADYEN, L. P.; DAWSON, S. Mining LMS data to develop an “early warning system” for educators: A proof of concept. Computers and Education, v. 54, n. 2, p. 588–599, 2010.

  • MATTAR, João. Design educacional: educação a distância na prática. São Paulo: Artesanato Educacional, 2014.

  • NORMAN, Donald A.; VERGANTI, Roberto. Incremental and radical innovation: Design research vs. technology and meaning change. Design Issues, v. 30, n. 1, p. 78-96, 2014.

  • NUNES, I. D.; SCHIEL, U. Utilização de Grafo de Alcançabilidade para a verificação de Design Instrucional bem formado. XXXIII CONGRESSO DA SOCIEDADE BRASILEIRA DE COMPUTAÇÃO. Anais... . p.1396–1405, 2013. Maceió, Brazil.

  • OGLIARI, Andre et al. Projeto integrado de produtos: planejamento, Concepção e Modelagem. Manole, São Paulo 2008.

  • OHSAWA, Yukio; KATSUTOSHI, Yada. Data mining for design and marketing. CRC Press, 2009.

  • PAHL, C; DONNELLAN, D. Data mining technology for the evaluation of web-based teaching and learning systems. Int. Conference on E-Learning in Business, Government and Higher Education, 2002.

  • PALLOFF, Rena M.; PRATT, Keith. O Aluno Virtual-um guia para trabalhar com estudantes on-line. Penso Editora. Porto Alegre, 2004.

  • PEÑA-AYALA, A. Educational data mining: A survey and a data mining-based analysis of recent works. Expert Systems with Applications, v. 41, n. 4 PART 1, p. 1432–1462, 2014.

  • PEÑA-AYALA, A. Educational Data Mining: Applications and Trends. Vol. 524. Springer, 2013.

  • RICCI, Francesco; ROKACH, Lior; SHAPIRA, Bracha. Introduction to recommender systems handbook. Springer US, 2011.

  • ROHRER, Christian. When to use which user experience research methods. Jakob Nielsen’s alertbox, October, 2014. Disponível na internet por http em: . Acesso em 09/06/2016.

  • ROLIM, Vitor B.; CORDEIRO, Filipe Rolim; FERREIRA, Rafael. Reconhecimento de Padrões Aplicados a Comentários de Fóruns Educacionais. Centro de Informática, UFPE, João Pessoa. 2014.

  • ROMERO, C.; VENTURA, S.; PECHENIZKIY, M.; BAKER, R. S. J. d. Handbook of Educational Data Mining. Boca Raton: Chapman & Hall/CRC Press, 2011.

  • SANTOS, Antonio. Bringing Reality into the Classroom. Instructional Design: Concepts, Methodologies, Tools and Applications. IGI Global, 219-237, 2011.

  • SIEGEL, E. Predictive analytics. Hoboken: John Wiley & Sons, Inc., 2013.

  • SNELBECKER, G. E.; MILLER, S. M.; ZHENG, R. Z. Functional Relevance and Online Instructional Design. Instructional Design: Concepts, Methodologies, Tools and Applications. IGI Global, 342-358, 2011.

  • USABILITY Consulting Services. User Centered Design Methods. Indiana University, 2002. Disponível na internet por http em: . Acesso em 09/06/2016.

  • VON HIPPEL, Eric. Democratizing innovation: the evolving phenomenon of user innovation. International Journal of Innovation Science, v. 1, n. 1, p. 29-40. Cambridge, 2009.

  • VREDENBURG, Karel, et al. A survey of user-centered design practice. Proceedings of the SIGCHI conference on Human factors in computing systems. ACM, 2002.

  • WITTEN, I. H.; FRANK, E. Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann, 2005.