Introdução

A nova API de Análise de Aprendizado permite que administradores de sites Moodle definam modelos preditivos que combinam indicadores e alvos. O alvo é o evento que queremos prever. Os indicadores são o que acreditamos que vão trazer uma predição precisa do alvo.

O Moodle é capaz de avaliar esses modelos e, se a precisão da predição for alta o suficiente, irá treinar um algoritmo de aprendizado de máquina interno usando cálculos baseados nos indicadores definidos aplicados aos dados do site.

Quando novos dados que casem com os critérios estejam disponíveis, o Moodle começa a prever a probabilidade de aquele evento ocorrer.

Você também pode definir quais ações serão executadas para cada previsão de cada alvo, como enviar mensagens, preencher relatórios ou criar novas atividades adaptativas.

Um exemplo de modelo que pode ser interessante para você é o de prevenção de Estudantes com risco de abandono: falta de participação ou notas baixas em atividades anteriores podem ser os indicadores e o alvo pode ser o fato do aluno estar apto a finalizar o curso ou não. O Moodle calcula estes indicadores e o alvo para cada aluno em todos os cursos finalizados e prevê quais alunos estão em risco de abandono nos cursos em andamento.

Modelos disponíveis

As pessoas usam o Moodle de formas muito diferentes e até cursos no mesmo site podem variar bastante. A distribuição padrão do Moodle só vai incluir modelos que comprovadamente sejam bons em previsões numa grande variedade de sites e cursos. A versão 3.4 do Moodle trás apenas dois modelos:

  • Estudantes com risco de abandono
  • Sem ensino

Para diversificar as amostrar e cobrir uma grande variedade de casos, o time de pesquisa do Moodle HQ está coletando conjuntos de dados anonimizados de sites Moodle de insituições colaboradoras e parceiros para treinar os algoritmos de aprendizagem de máquina com eles. Os modelos que são fornecidos com o Moodle serão obviamente melhores em previsões nos sites de instituições participantes, embora outros conjuntos de dados também sejam usados como dados de teste para os algoritmos de aprendizado de máquina com intuito de garantir que os modelos sejam bons o suficiente para fazer previsões precisas em qualquer site Moodle.

Se você tiver interesse em colaborar nesse processo, entre em contato com a Adapta!

Mesmo os modelos incluídos no Moodle padrão já sendo treinados pelo Moodle HQ, cada site diferente continuará treinando os algoritmos de aprendizado de máquina daquele site com seus próprios dados, o que deve levar a uma melhor precisão das previsões ao longo do tempo.

Principais conceitos

Para você que ainda não está acostumado com os principais conceitos de aprendizado de máquina, ou para você que já conhece, vamos revisar aqui alguns conceitos importantes.

Treinamento

Este processo deve ser executado pelo Moodle antes de fazer qualquer previsão. Este processo registra os relacionamentos encontrados entre os dados do passado para que o sistema de análise possa prever o que é provável que aconteça sob as mesmas circunstâncias no futuro. O que é treinado são os algoritmos de aprendizado de máquina.

Amostra

Os “backends” de aprendizado de máquina precisam conhecer quais tipos de padrões procurar e em quais partes dos dados do Moodle olhar. Uma amostra é um conjunto de cálculos feitos utilizando uma coleção de dados do Moodle.

Modelo preditivo

Um modelo preditivo é a combinação de indicadores e um alvo. Você pode ver os modelos disponíveis no seu Moodle indo em “Administração do Site > Analytics > Modelos analíticos”.

Modelos estáticos

Alguns modelos preditivos não precisam de poderoso algoritmos de aprendizado de máquina processando grandes quantidades de dados para fornecerem previsões precisas. Existem muitos eventos que diferentes “stakeholders” podem estar interessados que são facilmente calculados. Um exemplo disso são os “Cursos sem ensino“, alunos que nunca acessaram o site, cursos que já iniciaram a 1 mês e nunca foram acessados por ninguém, cursos que os professores não acessam e têm atividades com revisão pendente e diversos outros.

Analisador

Analisadores são responsáveis por criar os arquivos dos conjuntos de dados que serão enviados para os processadores de aprendizado de máquina. Eles são escritos na linguagem de programação PHP, como classes. O Moodle padrão inclui alguns analisadores que você pode usar em seus modelos.

Alvo

Alvos são os elementos chave que definem o modelo. Eles também classes escritas em PHP e representam o evento que o modelo está tentando prever (a variável dependente, quando falamos de aprendizado supervisionado). Os alvos também definem as ações a serem executadas dependendo das previsões recebidas.

Insight

Outro aspecto controlado pelos alvos é a geração de “insights”. Insights representam previsões feitas sobre um elemento específico de uma amostra no contexto do modelo do analisador. Este context oserá usado para notificar os usuário com a capacidade moodle/analytics:listinsights (somente o professor, por padrão) sobre novos insights disponíveis. Estes usuários vão receber notificações com um link para a página de previsões on todas as previsões para aquele contexto são listadas.

Um conjunto de ações sugeridas estará disponível para cada previsão. No caso de Estudantes com risco de abandono, as ações podem ser algo como enviar mensagem para o estudante, visualizar o relatório de acesso do aluno, etc..

Indicador

O Moodle inclui uma sério de indicadores que podem ser usados nos seus modelos sem necessidade adicional de escrever código PHP (a menos que você queira estender as funcionalidades). Indicadores não são limitados a um único analisador como é o caso com os alvos. Isso faz com que os indicadores possam ser facilmente reutilizados em diferentes modelos. Indicadores podem especificar um conjunto mínimo de dados que eles necessitam para executar os cálculos. Ao criar um novo indicador, é importante levar em consideração como ele irá funcionar quando utilizado em diferentes analisadores.

Métodos de divisão do tempo

Um método de divisão de tempo é o que define quando o sistema vai calcular as previsões e a porção dos logs de atividade que será considerada para essas previsões.

Existem muitas formas diferentes de dividir um curso em intervalos de tempo: em semanas, semestres, bimestres, em dez partes, intervalos com períodos mais longos no início e mais cursos no final … E intervalos podem ser acumulativos (cada um inclusive desde o início do curso) ou apenas a partir da data de início daquele intervalo.

Os métodos de divisão de tempo incluídos no Moodle 3.4 assumem que existem datas fixas de início e fim para cada curso, de forma que o curso possa ser dividido em seguimentos de tamanhos iguais. Isso permite que cursos com tamanhos diferentes sejam incluídos no mesmo modelo preditivo, mas torna estes métodos de divisão do tempo inúteis para cursos sem datas fixas de início e fim, como, por exemplo, cursos auto instrucionais. Este cursos devem usar períodos de tempo fixos, como semanas, para indicar os limites para os cáluclos das previsões.

Mãos à obra!

Gostou das ferramentas de Análise de Aprendizado? Já tem idéia de quais alvos e indicadores serão os mais valiosos para sua insituição?  Junte-se a nós na comunidade Learning Analytics!

Quer implantar Análise de Aprendizado no seu Moodle? Entre em contato com a Adapta!