Aplicação de Portabilidade de Modelos para predição de desempenho de estudantes de graduação usando Transfer Learning
DOI:
https://doi.org/10.33448/rsd-v11i5.27938Palavras-chave:
Transferência de Aprendizado; Aprendizado de Máquina; Desempenho do aluno; Moodle.Resumo
Um dos grandes desafios da educação nos últimos anos tem sido prever com precisão e confiabilidade o desempenho dos alunos a fim de aplicar diferentes estratégias para ajudá-los em suas deficiências acadêmicas. Com base neste fato, o objetivo principal deste trabalho é aplicar uma abordagem de Transferência de Aprendizagem em logs de Sistemas de Gestão de Aprendizagem (i.e., Moodle) a fim de obter uma boa portabilidade de modelos e, com isso, prever o desempenho dos alunos de graduação. Dois cenários diferentes foram implementados considerando as atividades de cada curso utilizado no Moodle, o primeiro cenário, com o grupo de cursos similares de mesma graduação, e o segundo cenário, com o grupo de níveis de utilização de atividades. A análise empírica foi realizada para avaliar o desempenho dos modelos criados com três algoritmos de classificação bem conhecidos (i.e., Árvore de Decisão, Random Forest e Naive Bayes). Além disso, as métricas AUC ROC, F-Measure, Precision e Recall foram usadas como medidas de predição para escolher os melhores modelos e avaliar seu desempenho de portabilidade para os demais cursos. Os resultados experimentais nos encorajam a afirmar que é possível aplicar a transferência de modelos preditivos para o mesmo grupo de cursos na maioria dos casos.
Referências
Ahmed, D. M., Abdulazeez, A. M., Zeebaree, D. Q., & Ahmed, F. Y. (2021, June). Predicting University's Students Performance Based on Machine Learning Techniques. In 2021 IEEE International Conference on Automatic Control & Intelligent Systems (I2CACIS) (pp. 276-281). IEEE.
Aleksandrova, Y. (2019). Predicting Students Performance in Moodle Platforms Using Machine Learning Algorithms. In Conferences of the department Informatics (No. 1, pp. 177-187). Publishing house Science and Economics Varna.
Ayala, J. C., & Manzano, G. (2018). Academic performance of first-year university students: The influence of resilience and engagement. Higher Education Research & Development, 37(7), 1321-1335.
Barros, R. C., De Carvalho, A. C., & Freitas, A. A. (2015). Automatic design of decision-tree induction algorithms. Springer.
Boyer, S., & Veeramachaneni, K. (2015, June). Transfer learning for predictive models in massive open online courses. In International conference on artificial intelligence in education (pp. 54-63). Springer, Cham.
Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
Büchner, A. (2016). Moodle Administration. An administrator's guide of configuring, securing, customizing and extending Moodle. Packt Publishing, Birmingham, S, 9, 41.
Davidson, R. A. (2002). Relationship of study approach and exam performance. Journal of Accounting Education, 20(1), 29-44.
Ding, M., Wang, Y., Hemberg, E., & O’Reilly, U. M. (2019, March). Transfer learning using representation learning in massive open online courses. In Proceedings of the 9th international conference on learning analytics & knowledge (pp. 145-154).
Dougiamas, M., & Taylor, P. (2003). Moodle: Using learning communities to create an open source course management system. In EdMedia+ innovate learning (pp. 171-178). Association for the Advancement of Computing in Education (AACE).
Drummond, C. (2006, July). Machine learning as an experimental science (revisited). In AAAI workshop on evaluation methods for machine learning (pp. 1-5).
Fernández-Berrocal, P., & Checa, P. (2016). Emotional intelligence and cognitive abilities. Frontiers in psychology, 7, 955.
Fernández-Delgado, M., Cernadas, E., Barro, S., & Amorim, D. (2014). Do we need hundreds of classifiers to solve real world classification problems?. The journal of machine learning research, 15(1), 3133-3181.
Hao, J., Gan, J., & Zhu, L. (2022). MOOC performance prediction and personal performance improvement via Bayesian network. Education and Information Technologies, 1-24.
Han, J., Pei, J., & Kamber, M. (2011). Data mining: concepts and techniques. Elsevier.
Hunt, X. J., Kabul, I. K., & Silva, J. (2017, August). Transfer learning for education data. In Proceedings of the ACM SIGKDD Conference, El Halifax, NS, Canada (Vol. 17).
López-Zambrano, J., Lara, J. A., & Romero, C. (2020). Towards portability of models for predicting students’ final performance in university courses starting from moodle logs. Applied Sciences, 10(1), 354.
López-Zambrano, J., Lara, J. A., & Romero, C. (2021). Improving the portability of predicting students’ performance models by using ontologies. Journal of Computing in Higher Education, 1-19.
Mangini, C. G., Lima, N. D. da S., & Nääs, I. de A. . (2021). Thermal mapp routing in pharmaceutical products transportation using machine learning approach: a systematic review. Research, Society and Development, 10(16), e170101623665. https://doi.org/10.33448/rsd-v10i16.23665
Mascarenhas, T. A. T. ., Moriel Junior , J. G. ., Gomes, R. de S. R. ., & Mello, G. J. (2020). Application of machine learning algorithms in the Classification of Specialized Knowledge of Physics Teachers. Research, Society and Development, 9(11), e86191110584. https://doi.org/10.33448/rsd-v9i11.10584
Neves, A. R. N. das, Okada, H. K. R., & Shitsuka, R. (2019). Gesture Recognition in Images Using Neural Networks. Research, Society and Development, 8(11), e278111470. https://doi.org/10.33448/rsd-v8i11.1470
Nguyen, V. A., Nguyen, Q. B., & Nguyen, V. T. (2018, August). A model to forecast learning outcomes for students in blended learning courses based on learning analytics. In Proceedings of the 2nd International Conference on E-Society, E-Education and E-Technology (pp. 35-41).
Ossani, P. C., Rossoni, D. F. ., Cirillo, M. Ângelo ., & Borém, F. M. . (2021). Classification of specialty coffees using machine learning techniques . Research, Society and Development, 10(5), e13110514732. https://doi.org/10.33448/rsd-v10i5.14732
Palma, L. C., de Oliveira, L. M., & Viacava, K. R. (2011). Sustainability in Brazilian federal universities. International Journal of Sustainability in Higher Education.
Pan, S. J., & Yang, Q. (2009). A survey on transfer learning. IEEE Transactions on knowledge and data engineering, 22(10), 1345-1359.
Piña, A. A. (2012). An overview of learning management systems. Virtual Learning Environments: Concepts, methodologies, tools and applications, 33-51.
Quinn, R. J., & Gray, G. (2020). Prediction of student academic performance using Moodle data from a Further Education setting. Irish Journal of Technology Enhanced Learning, 5(1).
Raga Jr, R. C., & Raga, J. D. (2017). Monitoring Class Activity and Predicting Student Performance Using Moodle Action Log Data. International Journal of Computing Sciences Research, 1(3), 1-16.
Romero, C., & Ventura, S. (2013). Data mining in education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 3(1), 12-27.
Romero, C., Ventura, S., & García, E. (2008). Data mining in course management systems: Moodle case study and tutorial. Computers & Education, 51(1), 368-384.
Sarkar, D., Bali, R., & Ghosh, T. (2018). Hands-On Transfer Learning with Python: Implement advanced deep learning and neural network models using TensorFlow and Keras. Packt Publishing Ltd.
Teles, W. de S. ., Machado, A. P. ., Cantos Júnior, P. C. C. ., Melo, C. M. de ., Silva, M. H. S. ., Silva, R. N. da ., & Jeraldo, V. de L. S. . (2021). Machine learning and automatic selection of attributes for the identification of Chagas disease from clinical and sociodemographic data. Research, Society and Development, 10(4), e19310413879. https://doi.org/10.33448/rsd-v10i4.13879
Tsiakmaki, M., Kostopoulos, G., Kotsiantis, S., & Ragos, O. (2020). Transfer learning from deep neural networks for predicting student performance. Applied Sciences, 10(6), 2145.
Ülker, D., & Yılmaz, Y. (2016). Learning Management Systems and Comparison of Open Source Learning Management Systems and Proprietary Learning Management Systems. Journal of Systems Integration (1804-2724), 7(2).
Weiss, K., Khoshgoftaar, T. M., & Wang, D. (2016). A survey of transfer learning. Journal of Big data, 3(1), 1-40.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Carlos Antonio R. Beltran; João Carlos Xavier Júnior; Cephas Alves da Silveira Barreto; Arthur Costa Gorgônio; Song Jong Márcio Simioni da Costa
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
