Skip to main content

      Previous Page

      Análise da Aprendizagem

       

      Quatro passos para o sucesso da aprendizagem

      Em um post anterior discutimos o papel da inteligência artificial dentro das tendências do aprendizado o futuro. Hoje falaremos de metas caminhos e estratégias para a análise do aprendizado: Como as universidades devem proceder para, por meio da análise de dados melhorar a experiência de aprendizado dos estudantes e desta forma aumentar seu sucesso nos estudos?

      Da análise de negócios à análise do aprendizado

      A análise do aprendizado possui muitas similaridades com a análise de dados para os negócios - ainda que as metas sejam diferentes.

      Para uma operadora de de telefonia celular por exemplo, a perda de um cliente é um problema que independe do tempo de duração da relação comercial. Por outro lado, para universidades, a decisão de mudar de curso ou disciplina por parte dos alunos logo nos primeiros semestres de um curso causa um impacto bem menor para a conclusão do mesmo do que rematrículas por conta de reprovação em uma matéria, ainda mais se a graduação estiver próximo de ser concluída.

      Ainda assim, as metas e questões são as mesmas: Como melhor utilizar os dados disponíveis e estruturar processos de maneira eficiente para que as metas sejam alcançadas?

      Para responder a estas perguntas as universidades podem se orientar pela Escala de Valor Analítico na qual a Gartner em 2012 estruturou diversas fases da criação de valor por meio da análise de dados. Desta forma as universidades podem estabelecer uma estratégia abrangente, por meio de quatro etapas, antes de partir para a execução de atividades.

      Olhando para os acontecimentos do passado

      As primeiras duas etapas do processo de análise tratam do passado e do status quo:

      Passo 1: O que aconteceu? (Descrição/análise descritiva)

      Primeiramente as universidades devem coletar e combinar dados já existentes.

      1. Quantos estudantes já cursaram um determinado curso? Com que frequência e volume eles interagiram com os materiais de ensino?
      2. Quantas perguntas surgiram em fóruns de discussão entre eles e quantas delas foram endereçadas a tutores ou diretores de cursos?
      3. Quantos estudantes compareceram aos exames e quais resultados foram alcançados?

      Passo 2: Por que aconteceu? (Diagnóstico/análise de diagnóstico)

      Após a coleta de dados deve ser feita uma análise dos mesmos. Amostras aleatórias são de grande ajuda pois existem muitos fatores possíveis para obter as respostas que buscamos. Por exemplo: alguns estudantes terminaram os primeiros semestres com notas muito ruins nos exames de matemática? E nos anos anteriores, isso se repetiu? Em caso negativo, houve uma mudança de professores ou conteúdo? Em caso positivo, isso também ocorreu em física e química? Se sim, qual foi a carga de trabalho destes estudantes durante a semana em comparação aos alunos de outros cursos?

      Nesta fase são utilizadas ferramentas de power BI e machine learning, já que a análise, o agrupamento e cruzamento de dados trabalham com dados amostrais até então desconhecidos. Uma vez que se encontrem os fatores de influência, as universidades podem usar também processos clássicos de estatística, como regressões.

      Olhando para o futuro

      Os passos 3 e 4 visam apoiar uma melhor projeção para o futuro e o âmbito de influência das universidades:

      Passo 3: O que acontecerá? (Previsão/análise preditiva)

      Quando as relações entre os fatores de influência e o sucesso no aprendizado estiverem registradas, é possível iniciar uma previsão.

      Qual o grau e a possibilidade de reprovação de um determinado estudante? Qual é a previsão de reprovação do aluno no curso como um todo? Esta pergunta pode ser respondida facilmente pelas universidades uma vez que tenham estabelecido um processo de machine learning, com base nos resultados na análise de dados e diagnóstico do segundo passo. No entanto, cuidado: caso você utilize processos distintos de metodologias de ensino ao longo do curso é possível ocorrerem resultados bem diferentes para um mesmo grupo de estudantes em análise. Portanto, as universidades devem inicialmente verificar o grau de acerto de cada processo para as diferentes previsões.

      Passo 4: Como podemos fazer acontecer? (Recomendação/análise prescritiva)

      Este último passo indica o que podemos fazer para obter êxito com recomendações baseadas nas análises existentes. Por meio de métodos de simulação e otimização as universidades podem determinar como uma mudança no procedimento atual impacta o sucesso do aprendizado.

      Os estudantes de sua instituição usam, por exemplo, uma menor carga horária nas disciplinas para render mais? Neste caso, uma redução da carga horária dificilmente aumenta o sucesso no aprendizado e somente aprofunda as diferenças entre estudantes com diferentes condições financeiras e distintas modalidades daquela disciplina. Talvez seja mais interessante uma reestruturação do currículo: menos eventos presenciais e mais elementos interativos e online obrigatórios, que podem ser acessados a qualquer hora e lugar - incluindo os finais de semana. Ao invés de especular, a universidade pode, por meio de análise de dados do aprendizado, estimar de forma mais precisa as consequências de determinadas mudanças. E isto em um nível bem individual.

      Do sucesso no aprendizado bom para o ideal: Quatro exemplos de universidades

      A análise do aprendizado sempre fez parte da gestão das universidades, uma vez que o sucesso dos estudantes é crucial para os negócios. No entanto, o uso de bancos de dados abrangentes e processos modernos de análise de informações permitem ações mais rápidas e precisas para garantir o sucesso dos estudantes. Precisam de exemplos? Tenho quatro em mãos!

      1. Primeiro: Estudantes com necessidades específicas podem ser mais precocemente identificados e receber o apoio necessário, antes da época de exames. Isso diminui os índices de reprovação e evasão - especialmente para os alunos já mais avançados em um curso.

      2. Segundo: Para atividades em andamento, é possível oferecer aos estudantes, independente dos resultados no micro aprendizado, uma trilha personalizada, que aumenta a motivação e o sucesso dos alunos.

      3. Terceiro: O uso de ferramentas de machine learning na análise dados e projeções pode auxiliar instituição e coordenadores acadêmicos na melhoria da qualidade de cursos livres e até mesmo no design da grade curricular. Com as informações é possível alocar recursos escassos de forma mais racional e ver de maneira clara o que vale a pena e onde é possível economizar.

      4. Quarto: A análise e a manipulação de dados no aprendizado também permite criar novos e inovadores processos de avaliação. O envio e a avaliação automática de provas de múltipla escolha já está bastante difundida. Porém, futuramente, os exames textuais, trabalhos de pesquisa e projetos escritos poderão ser avaliados com a ajuda de algoritmos-KI (ver matéria) . Isto traz novos desafios e oportunidades no ensino.

      E então, quais são as metas que você pretende alcançar com a análise de dados no aprendizado?

      Você sente falta de dados relevantes para este tipo de análise em sua instituição? Entre em contato conosco, pois nós do Canvas queremos entender suas necessidades neste sentido.

      Viva o aprendizado!
      Tatiana Lima
      Diretora Regional do Canvas no Brasil