Abordagens de aprendizado de máquina para prever resultados de aprendizado em cursos massivos abertos online

Com os rápidos avanços na tecnologia, os Cursos Massivos Abertos Online (MOOCs) tornaram-se a forma mais popular de oferta educacional online, principalmente devido à remoção das barreiras geográficas e financeiras para os participantes. Um grande número de alunos globalmente se matricula nesses cursos. Apesar da acessibilidade flexível, os resultados indicam que a taxa de conclusão é bastante baixa. Mineração de Dados Educacionais e Análise de Aprendizado são campos de pesquisa emergentes que visam aprimorar a entrega da educação por meio da aplicação de várias abordagens estatísticas e de aprendizado de máquina. Uma extensa pesquisa na literatura indica que não há pesquisas significativas disponíveis na área de análise de dados de MOOCs, em particular considerando os padrões comportamentais dos usuários. Neste artigo, portanto, dois conjuntos de características, baseados em padrões comportamentais dos alunos, foram comparados em termos de sua adequação para prever o resultado do curso de alunos participando de MOOCs. Nossa Análise Exploratória de Dados demonstra que há uma forte correlação entre as ações de fluxo de cliques e os resultados bem-sucedidos dos alunos. Vários algoritmos de Aprendizado de Máquina foram aplicados para aumentar a precisão dos modelos classificadores. Os resultados da simulação de nossa investigação mostraram que a Floresta Aleatória alcançou um desempenho viável para nosso problema de previsão, obtendo o melhor desempenho entre os modelos testados. Por outro lado, a Análise Discriminante Linear alcançou o menor desempenho relativo, embora represente apenas uma redução marginal no desempenho em relação à Floresta Aleatória.