Apresentação realizada no evento Moodle Moot em 30/04/2015. Apresentação do case GVwise para a gestão de evasão.

1. Uso de mineração nos dados do
Moodle para predição e
combate à evasão
Rodrigo de Moraes
Analista de negócios e cientista de dados - GVDASA
Mestre em Computação Aplicada - UNISINOS

2. Uso de mineração nos dados do Moodle
para predição e combate à evasão
GVwise Student
Usuário: moodlemoot2015
Senha: 123456

3. GVDASA: Perfil da empresa
• Localizada no TECNOSINOS (São Leopoldo)
• 28 anos de atuação
• Especialista em Sistema de Gestão Educacional
• Atuação exclusiva no segmento educacional
• Aproximadamente 700 clientes no Brasil
• Mais de 130 colaboradores

4. Predição de Evasão

5. Evasão
• ~40% dos alunos de IES públicas não completam o curso (Agência
Senado, 2014)
• ~30% dos alunos de IES privadas não completam o curso (Agência
Senado, 2014)
• Evasão de cursos totalmente EaD ~19% (CENSO ABED, 2013)
• Evasão de cursos semipresenciais ~15% (CENSO ABED, 2013)
• As perdas financeiras podem chegar a R$ 9 bilhões (NOGUEIRA, 2011)

6. Por que predizer a evasão?
• Possibilidade de realizar ações proativas e não apenas reativas
• Identificação individual de estudantes em risco
• Trabalho focado
• Ações personalizadas e, portanto, mais eficientes
Adaptado de Simpson, 2013
𝑅 = 𝐼𝑃𝑅 + 𝐴𝑃 + 𝐸𝐶𝐶 + 𝑆𝐸
R = Retenção
IPR = Identificação precoce de risco
AP = Ações proativas
ECC = Escolha Correta do Curso
SE = Suporte Externo (Família, colegas...)

7. Mineração de Dados
• Desde 1962 (Tukey, 1962)
• Processo de descoberta de conhecimento em base de dados (1996)
• Utilização de dados históricos para a descoberta de padrões
• Processo vs. técnicas
Processo de descoberta do conhecimento em base de dados, adaptado de Fayyad et al. 1996

8. Mineração de Dados Educacionais (MDE)
• Mineração de Dados + Dados Educacionais
• Desde 1995, “popularização” nos anos 2000
• Principais aplicações:
• Modelagem de comportamento de estudantes
• Realização de tarefas (associação)
• Otimização de ações (automatizadas ou recomendação)
• Associações com currículo, disciplinas e professores

9. MDE para Predição de Evasão (IES)
• Onde está a evasão???

10. MDE para Predição de Evasão (IES)
Rivergram, adaptado de Simpson, 2013
• Onde está a evasão???
Inscrições do
Processo
Seletivo
Realização do
Processo
Seletivo
Divulgação de
Resultados
RematrículasAulasMatrículas

11. Etapas para a Predição de Evasão
• Unificação de dados (ERP, AVA, Biblioteca, Governo, Acesso e etc.)
• Análise do cenário da IE
• Definição do nível de evasão que será trabalhado
• Identificação dos dados mais relevantes
• Modelagem dos dados
• Temporal
• Tipo
• Representação

12. Etapas para a Predição de Evasão
• Aplicação (treinamento) de técnicas de mineração de dados
• Validação e consolidação do modelo preditivo
• Classificação / Indicação
• Atualização do modelo

13. Dicas para a construção do modelo preditivo
• Analise os dados e gaste tempo com isso
• Defina qual é o objetivo do modelo e deixe isso claro a todos os envolvidos
• Analise separadamente os diversos contextos existentes dentro da IE
• Certifique-se que os dados históricos são suficientes para se alcançar um
grau de generalização satisfatório do modelo preditivo
• Esteja atento às mudanças que envolvem o registro de dados
• Versões das fontes de dados
• Ferramentas utilizadas na IE
• Desenvolva/utilize técnicas para qualificar os dados

14. E agora? O que fazer?

15. Learning Analytics
Adaptado de Greller e Drachsler 2012

16. Learning Analytics
Adaptado de Greller e Drachsler 2012

17. Learning Analytics
Adaptado de Greller e Drachsler 2012

18. Learning Analytics
Adaptado de Greller e Drachsler 2012

19. O que fazer com a predição de evasão?
• Montar uma equipe de permanência
• Elaborar um plano de ações para cada situação de risco
• Disseminar a cultura de combate a evasão na IE
• Utilizar um ambiente/ferramenta focada na gestão da evasão
• Avaliar constantemente os resultados de reversão de evasão
• Monitorar o uso das ferramentas disponíveis

21. GVwise: Integração de dados
Extração
Base de Dados
do Moodle
Base Staging
do Moodle
Transformação Base ODS
Consolidação
Data Warehouse
ETL do Moodle

22. GVwise: Integração de dados
Data Warehouse
ETL Moodle
ETL ERP
Mineração de
Dados

23. GVwise: Processo de Mineração de Dados
• Para cada contexto há um processo de mineração diferente
• O pré-processamento dos dados é realizado dentro do processo de ETL
• Os mesmo passos são adotados para dados históricos e atuais
Seleção de
contexto
Transformação
Treinamento
Avaliação de
resultados
Consolidação do
modelo
Classificação de
dados atuais

24. Estudo de caso

25. Estudo de caso: cenário
• Cursos EaD de uma IES
• Histórico do Moodle desde 2010 (atualmente Moodle 2.5)
• LOGs históricos: ~ 89 milhões
• Média LOGs diários: ~ 225 mil
• Disciplinas bimestrais (9 semanas)
• Predição de evasão na disciplina
• Predição semanal a partir da 2ª semana

26. Estudo de caso

27. Estudo de caso

28. Estudo de caso

29. Estudo de caso

30. Estudo de caso

31. Estudo de caso

32. Estudo de caso: Mobile
• Projeto desde 2013
• Motivação: qualificação dos LOGs
• Registro de LOG semelhante ao Moodle WEB
• Gestão de conteúdos baixados (off-line)
• Agregação de recursos sem vínculo com o
Moodle
GVwise Student
Usuário: moodlemoot2015
Senha: 123456

33. Estudo de caso: Mobile
GVwise Student / Usuário: moodlemoot2015 / Senha: 123456

34. Estudo de caso: Mobile
GVwise Student / Usuário: moodlemoot2015 / Senha: 123456

35. Resultados: Predição de Evasão
0,00%
10,00%
20,00%
30,00%
40,00%
50,00%
60,00%
70,00%
80,00%
90,00%
100,00%
Módulo 2 Módulo 3 Módulo 4 Módulo 5 Módulo 6 Módulo 7
Geral
Evadidos
Não Evadidos

36. Resultados: Reversão de Evasão
 Aprovados: melhoria de até 18%
 Reversão: melhoria de até 25%

37. Conclusões
• Modelos preditivos baseados em históricos de dados tendem a
ter melhores resultados
• A modelagem dos dados é a etapa mais importante do processo,
sendo responsável por mais de 70% do sucesso do modelo e
reversão
• Dependendo das técnicas utilizadas, o modelo pode ser sensível a
mudanças nos cursos e materiais
• Deve-se medir o custo-benefício da modelagem adotada
• O modelo preditivo sozinho não é nada, é preciso ação!

38. Referências
• AGÊNCIA SENADO. Despreparo de alunos leva a evasão nos cursos superiores, alerta Cristovam. Disponível em:
<http://www12.senado.leg.br/noticias/materias/2014/09/10/cristovam-buarque-evasao-no-ensino-superior>. Acesso em: 28 abr.
2015.
• ABED – ASSOCIAÇÃO BRASILEIRA DE EDUCAÇÃO A DISTANCIA. Censo EaD.br: relatório analítico da aprendizagem a distância no Brasil
2013. Disponível em: <http://www.abed.org.br/censoead2013/CENSO_EAD_2013_PORTUGUES.pdf>. Acesso em: 28 abr. 2015.
• EDUCATIONAL data mining. In: Wikipédia: a enciclopédia livre. Disponível em:
<http://en.wikipedia.org/w/index.php?title=Educational_data_mining&oldid=649550795> Acesso em: 28 abr. 2015.
• FAYYAD, U. M.; PIATETSKY-SHAPIRO, G.; SMYTH, P. From data mining to knowledge discovery: an overview. In: Advances in Knowledge
Discovery and Data Mining. [s.l: s.n.]. v. 17p. 1–34.
• GRELLER, W.; DRACHSLER, H. Translating Learning into Numbers: A Generic Framework for Learning Analytics. Educational Technology
& Society, p. 42–57, 2012.
• NOGUEIRA, F. País perde R$ 9 bilhões com evasão no ensino superior, diz pesquisador. Disponível em:
<http://g1.globo.com/educacao/noticia/2011/02/pais-perde-r-9-bilhoes-com-evasao-no-ensino-superior-diz-pesquisador.html>. Acesso
em: 28 abr. 2015.
• PEÑA-AYALA, A. Educational data mining: A survey and a data mining-based analysis of recent Works. Expert Systems with
Applications, 2014.
• PRESS, G. A Very Short History Of Data Science. Disponível em: <http://www.forbes.com/sites/gilpress/2013/05/28/a-very-short-
history-of-data-science>. Acesso em: 28 abr. 2015.
• ROMERO, C.; VENTURA, S. Educational data mining: A survey from 1995 to 2005. Expert Systems with Applications, v. 33, n. 1, p. 135–
146, jul. 2007.
• SIMPSON, O. Supporting students for success in online and distance education. [s.l.] Routledge, 2012.

39. Obrigado!
Rodrigo de Moraes
GVDASA Informática
51 35911700
51 30915855
rmoraes@gvwise.com.br
www.gvwise.com.br

40. GVDASA: Perfil da empresa
Clientes
Matriz
Unidade

41. Caso de uso: Predição de Evasão

42. Resumo:
4 - Avaliação e realização de ações
Analise dos estudantes em
risco Realização deações
Aumento da Permanência
Gerência do Processo
3 - Predição e emissão de alertas
Emissão de alertas
personalizados
Estudantes classificados conforme o
risco
Classificação ou prediçãoIndicadores de estudantes
(atuais)
2 - Geração e validação de padrões
Definição de perfis
Indicadores de estudantes
(histórico)
Aprovados
Reprovados
Evadidos
Identificação dos grupos deinteresse
Mineração dedados e
identificação depadrões
1 – Mapeamento de indicadores
AVEA, ERP, CRM, ...
Indicadores
Exploração dos dados

43. Estudo de caso: Predição de Evasão