Proposta, desenvolvimento e validação de uma estratégia para predição de desempenho de discentes na plataforma TôSabendo.

Abstract

Modelos de predição que utilizam algoritmos de classificação, como árvores de decisão, KNNs, Naive Bayes e RNAs, são constantemente utilizados na educação para previsão de desempenho de discentes, seja no ensino médio ou no âmbito acadêmico, a fim de compreender como os mesmos podem sair-se em provas, exames ou atividades extracurriculares, a partir de uma série de fatores, como, por exemplo, notas passadas, sua idade, seu gênero, a duração de um semestre ou a disciplina que está cursando ou cursou. Uma das possíveis aplicações desses modelos de predição na educação é no ensino online. Assim, considerando o ensino online, a plataforma gamificada, TôSabendo, foi criada baseando-se em Quizzes (jogos de perguntas e respostas) no intuito de gerar experiências envolventes em Instituições de Ensino Superior buscando favorecer um ambiente de desafio para o jogador, motivando-o a aprender os conceitos apresentados em cada questão e dando a ele uma sensação de progressão naquela tarefa que está realizando. Entretanto, a mesma ainda não apresenta uma estratégia de predição utilizando modelos de predição a fim dos professores compreenderem, por meio do conhecimento previsto, como determinado discente pode se sair na plataforma, no intuito de aperfeiçoar o ensino e as atividades de conteúdos programáticos de disciplinas em sala de aula e também na própria TôSabendo. Assim, desejou se propor, desenvolver e validar uma estratégia para predição de desempenho de discentes na plataforma TôSabendo. Com a estratégia de predição proposta e desenvolvida, para validá-la, foi realizada uma experimentação prática envolvendo diferentes modelos de predição e conjuntos de dados sintéticos, onde se avaliou inicialmente o modelo que se sairia melhor com 10 diferentes conjuntos de dados, um para discentes novatos e outro para veteranos. Em seguida, os modelos que obtiveram os melhores resultados nesse primeiro experimento, passaram por uma avaliação de diferentes hiperparâmetros. De uma forma geral, após as avaliações dos modelos, as árvores de decisão foram as que apresentaram os resultados mais satisfatórios tanto para novatos quanto para veteranos e, aperfeiçoando mais esse modelo com treinamentos com diferentes hiperparâmetros, foram obtidos resultados de acurácia e precisão próximos ou igual a 100% de acerto, um valor que deve ser analisado e avaliado futuramente por conta da necessidade da criação de dados sintéticos, o que sugere um possível overfitting.