Análise dos Perfis de Alunos do Ensino Superior sobre a Realização de Aulas na Modalidade a Distância Durante Pandemia da Covid-19 Usando Algoritmos de Aprendizagem de Máquina

Autores

  • Laertes Pereira Junior Depto de Informática – Universidade Tecnológica Federal do Paraná (UTFPR-PG) Caixa Postal 15.064 – 91.501-970 – Ponta Grossa – PR – Brazil
  • Simone Nasser Matos Depto de Informática – Universidade Tecnológica Federal do Paraná (UTFPR-PG) Caixa Postal 15.064 – 91.501-970 – Ponta Grossa – PR – Brazil
  • Helyane Bronoski Borges Depto de Informática – Universidade Tecnológica Federal do Paraná (UTFPR-PG) Caixa Postal 15.064 – 91.501-970 – Ponta Grossa – PR – Brazil

DOI:

https://doi.org/10.22456/1679-1916.110252

Palavras-chave:

Educação. Ensino a distância. Aprendizagem de Máquina. Covid-19.

Resumo

Este artigo propõe analisar perfis de alunos do ensino superior sobre o ensino na modalidade a distância durante a pandemia da Covid-19 usando mineração de dados. A metodologia de pesquisa utilizada foi exploratória composta por 5 fases: entendimento do problema, construção de um formulário para coleta de dados, pré-processamento dos dados, aplicação de algoritmos de aprendizagem de máquina e avaliação dos resultados. Os resultados encontrados identificaram grupos de alunos com características distintas contendo diferentes opiniões sobre a aplicação do ensino a distância. Foi possível classificar os perfis dos alunos por meio de uma análise dos atributos mais relevantes em cada um dos grupos.

Downloads

Não há dados estatísticos.

Downloads

Publicado

2021-01-04

Como Citar

PEREIRA JUNIOR, L.; NASSER MATOS, S.; BRONOSKI BORGES, H. Análise dos Perfis de Alunos do Ensino Superior sobre a Realização de Aulas na Modalidade a Distância Durante Pandemia da Covid-19 Usando Algoritmos de Aprendizagem de Máquina. Revista Novas Tecnologias na Educação, Porto Alegre, v. 18, n. 2, p. 336–345, 2021. DOI: 10.22456/1679-1916.110252. Disponível em: https://seer.ufrgs.br/index.php/renote/article/view/110252. Acesso em: 29 mar. 2024.

Edição

Seção

Mineração de dados educacionais