Esses exemplos foram traduzidos e adaptados da wiki “Exemplos de histórias de usuários com Análise de Aprendizagem“, disponível na comunidade “Learning Analytics” no Moodle.org.
Curso sem professor
Este é um tipo de modelo bem simples para começarmos.
Imagine uma escola em que o secretário é responsável por inscrever os professores nos cursos a cada bimestre ou ano letivo. Com esse modelo, sempre que um curso for criado no Moodle com uma data de início e essa data estiver a menos de 7 dias no futuro e não existir um professor atribuído, um alerta será enviado para os gestores e o secretário.
Com este modelo em funcionamento, nós garantimos que todos os cursos terão professores atribuídos no início das atividades. Isso vai ajudar alguns outros modelos que dependem dessa configuração para fazerem previsões sobre o curso.
Previsão de nota final no curso
Em escolas e outros cursos distância, é muito importante identificar estudantes que precisam de ajuda o mais cedo possível, quando ainda há tempo para intervir.
Existe um modelo de Análise de Aprendizagem no Moodle que permite prever os resultados dos alunos. Para que este modelo funcione, é necessário:
Os professores precisam informar os itens de notas o mais cedo possível para cada bimestre (embora eles possam ajustá-las no futuro, caso necessário) e configurar corretamente a categoria de agregação daqueles itens para aquele período
Os professores precisam também informar as notas o mais cedo possível (preferencialmente no mesmo dia que as atividades são feitas)
Com este modelo, o Moodle prevê a nota final do estudante e notifica o professor, o estudante e os pais caso o estudante tenha grandes chaces de ser reprovado (alcançar uma nota menor que 7, por exemplo).
Design do curso tem baixo potencial de previsão
Esse modelo examina um curso e busca por indicadores necessários para prever o sucesso dos alunos com um certo grau de certeza. Quanto mais recursos diferentes estiverem presentes em um curso, melhor a precisão das previsões de sucesso. Cursos com poucas atividades ou que não tem as condições de conclusão configuradas são exemplos de cursos com baixo potencial de previsão.
Este modelo notifica os professores desde antes do início dos cursos e caso o potencial de previsão mude (por exemplo, quando o professor configurar os quesitos de conclusão de cada atividade) o professor também é avisado.
Mudança repentina na performance do aluno
Este modelo identifica mudanças repentinas na performance de um aluno.
Alguns alunos podem passar por dificuldades ao longo do ano e com este modelo, os professores são avisados de qualquer nota baixa dos alunos para que possam entrar em contato e entender a situação.
Competência não será alcançada na data esperada
Em cursos com competências, é possível identificar os estudantes com risco de não completarem uma competência obrigatória na data esperada.
Detectar baixo engajamento dos pais
Alguns grupos de pais e professores tentam entender se faz diferença o acesso dos pais ao Moodle para verificar o andamento da aprendizagem de seus filhos. Com o Moodle é possível identificar os acessos dos pais à plataforma e utilizar este indicador para prevêr as notas finais dos alunos e descobrir se essa prática faz realmente um efeito positivo.
Personalização da aprendizagem
Este modelo identifica quando um aluno está com dificuldades com uma atividade em particular (por exemplo, se passou um longo tempo entre o início e a data de envio, se realizou muitas tentativas em um questionário, etc) e oferece sugestões de outras atividades no curso que podem melhorar seu desempenho naquele teste com base nas competências, tipo de recurso, semelhanças nos termos utilizados e experiências de outros estudantes, tags, etc…
Recomendador de curso
Com a utilização do ferramental de aprendizado de máquina que o Moodle dispõe, é possível também construir um sistema de recomendação não supervisionado que sugira cursos que o estudante tenha interesse em cursar em seguida.
Ineficiência no treinamento
No caso de treinamentos ou capacitações corporativas, o gerente geralmente precisa que seus funcionários sejam treinados mas não quer que eles desperdicem tempo desnecessário. Este modelo estima o tempo necessário de dedicação para cada tarefa e se um funcionário excede o tempo médio em mais de 10%, uma notificação é enviada para seu gerente. Também é possível ver um relatório de quanto tempo os funcionários estão “desperdiçando” quando eles usam mais tempo que o esperado para concluir o treinamento.
Estudante com risco de não concluir o curso na data esperada
Com este modelo é possível prever a tendência de um funcionário a completar ou não um treinamento em uma determinada data com base em comparações com de acesso de outros estudantes do mesmo curso.
Os resultados podem ser informados semanalmente para o empregado, para seu gerente e para o coordenador de treinamento até que o curso seja concluído.
Por exemplo: um funcionário inicia o treinamento do dia 1 de maio, mas só acessa a plataforma e completa poucas atividades no dia 15. Com base no histórico de outros estudantes naquele curso, este funcionário tem poucas chances de completar todas as competências do curso até o dia 30 de maio. Dessa forma, um alerta é enviado ao seu gerente e ao coordenador de treinamento.
Caso não exista uma data fixa para terminar o curso, a previsão pode ser feita com base no tempo de conclusão de outros alunos e alertar no caso de o funcionário estar demorando “consideravelmente mais tempo” do que o observado.
Eficácia dos pré-requisitos
Este modelo tenta prever a eficácia de um curso “pré-requisito” de um segundo curso.
Por exemplo, identificar alunos que não tem a preparação necessária para o curso em que se inscreveram. Eventualmente, o aluno cumpre os pré-requisitos, mas o seu histórico em vários cursos pode sugerir que ele terá dificuldades no novo curso.
Um outro exemplo é identificar se um curso preparatório está ajudando os estudantes em um curso avançado. Será que os estudantes tem boa performance em um curso avançado independente da performance no curso iniciante? Será que os alunos concluem os cursos iniciantes mas então falham nos cursos avançados?
Estudante abandonou o curso
Em casos em que a participação em treinamentos é opcional, muitos estudantes iniciam os cursos mas abandonam em alguma parte. Com este modelo é possível identificar os alunos com risco de abandono.
Com base no número de logins, o progresso alcançado, o histórico de progresso de outros alunos que concluíram e não concluíram o curso, este modelo prevê a probabilidade de um estudante desistir do curso. Mensalmente é gerado um relatório dos alunos com baixo engajamento onde é possível entrar em contato com eles para incentivá-los a completar o treinamento.
Um outro exemplo é um usuário do serviço gratuito Moodle Cloud, que gostaria de manter contato com seus estudantes que realmente usam a plataforma mas também ter a oportunidade de desinscrever aqueles que não utilizam de forma a não exceder o limite gratuito de usuários. Com este modelo, este professor tem acesso a um relatório onde ele pode facilmente entrar em contato com os estudantes em risco de abandono e tentar resgatá-los ou desinscrevê-los do curso.
Interessado em implantar análise de aprendizagem na sua instituição?
