Skip to main content

      Previous Page

      4 passos para o sucesso da aprendizagem com análise de dados

      Em um post anterior, discutimos o papel da inteligência artificial dentro das tendências de aprendizagem do 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 aumentar seu sucesso nos estudos?

      Da análise de negócios à análise do aprendizado

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

      Para uma operadora de de telefonia celular a perda de um cliente é um problema que independe do tempo da relação comercial. No caso de universidades, o impacto na retenção do aluno ao mudar de área logo nos primeiros semestres é menor do que quando há uma rematrícula devido à reprovação, especialmente se a graduação estiver próxima de ser concluída.

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

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

      Olhando para os acontecimentos do passado...

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

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

      Primeiro as universidades devem coletar e combinar dados já existentes.

      - Quantos estudantes já cursaram determinado curso? Com que frequência e volume eles interagiram com os materiais didáticos?

      - Quantas perguntas surgiram em fóruns de discussão e quantas delas foram endereçadas a tutores ou diretores de cursos?

      - Quantos estudantes compareceram aos exames e quais os resultados alcançados?

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

      Após a coleta de dados deve ser feita a análise dos mesmos. Amostras aleatórias são de grande ajuda pois são muitos os fatores possíveis para obter as respostas. Por exemplo: alguns estudantes terminaram os primeiros semestres com notas muito ruins em exames de matemática. Nos anos anteriores, isso se repetia? 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 dos estudantes durante a semana se comparada 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 fatores de influência, as universidades podem usar processos clássicos de estatística, como regressões.

      ... Olhe 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 fatores de influência e 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 da análise de dados e diagnóstico do segundo passo. Mas, cuidado: caso você utilize processos distintos de metodologias de ensino no curso é possível ocorrerem resultados bem diferentes para um mesmo grupo de estudantes em análise. Portanto, as universidades devem verificar primeiro o grau de acerto de cada processo para diferentes previsões.

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

      Este último passo indica o que podemos fazer baseando-se nas análises e recomendações já existentes. Por meio de métodos de simulação e otimização as universidades podem determinar como uma mudança de processo impacta os resultados de aprendizagem.

      Por exemplo, os estudantes de sua instituição já tem uma menor carga horária por disciplina para renderem mais? Neste caso, a redução da carga horária dificilmente aumentará o sucesso no aprendizado. Talvez seja mais interessante uma reestruturação do currículo: menos eventos presenciais e mais elementos interativos obrigatórios (incluindo online), que podem ser acessados a qualquer hora e lugar, incluindo finais de semana. Ao invés de especular, a universidade pode, por meio de análise de dados, estimar de forma mais precisa as consequências de dessas mudanças. E isto em níveis bem individuais.

      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 estudantil é crucial para os negócios. No entanto, o uso de bancos de dados abrangentes e de processos modernos de análise permitem ações mais rápidas e precisas para garantir o sucesso. Precisam de exemplos? Tenho quatro em mãos!

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

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

      3º: O uso de ferramentas de machine learning para a análise dados e projeções pode auxiliar na melhoria da qualidade de cursos livres e até 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.

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

      E então, quais são as metas que você quer alcançar com a análise de dados no aprendizado? Caso você sinta a falta de dados para esta análise em sua instituição entre em contato conosco. Nós podemos te ajudar neste sentido.

      Viva o aprendizado!

      Allan Lanza

      Executivo de Vendas - Canvas na América Latina