| Campo Dublin Core | Valor | Língua |
|---|
| dc.contributor.advisor | Peixoto, Maria Gabriela Mendonça | - |
| dc.contributor.author | Batista, Eduardo Luiz Dias | - |
| dc.identifier.citation | BATISTA, Eduardo Luiz Dias. Adaptação personalizada de trilhas de aprendizado por meio de educational data mining. 2025. 56 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Produção) — Universidade de Brasília, Brasília, 2025. | pt_BR |
| dc.description | Trabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia de Produção, 2025. | pt_BR |
| dc.description.abstract | O processo de ensino clássico generaliza os alunos e os insere em uma trilha de
aprendizado padrão, desconsiderando suas individualidades e as diferentes formas de
aprendizagem. Diante deste cenário, o objetivo deste estudo foi desenvolver um método
acessível de sugestão personalizada de conteúdos para otimizar este processo. O
desenvolvimento se baseou em conceitos de Learning Analytics e Educational Data Mining,
focando em abordagens descritiva e prescritiva. Foram utilizados dados públicos oferecidos
pela Open University (OU) do Reino Unido, com mais de 1 milhão de interações de alunos
com conteúdos digitais. O modelo foi desenvolvido no Virtual Studio Code, utilizando a
linguagem Python de programação, contando com as principais bibliotecas de
processamento, análise e ciência de dados. Como resultado principal, foi desenvolvido um
sistema de recomendação de simples implementação e compatível com bases de dados
padrão de ambientes virtuais de ensino, combinando a clusterização de alunos, predição de
notas e simulação contrafactual para sugerir conteúdos personalizados. O estudo aponta a
importância de estratégias personalizadas para alunos com perfis distintos e mostrou um
potencial de aumento de performance de alunos em avaliações, contribuindo para uma
educação de qualidade. | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.subject.keyword | Aprendizagem adaptativa | pt_BR |
| dc.subject.keyword | Mineração de dados | pt_BR |
| dc.subject.keyword | Ensino à distância | pt_BR |
| dc.subject.keyword | Ciência de dados | pt_BR |
| dc.subject.keyword | Mineração de dados na educação | pt_BR |
| dc.title | Adaptação personalizada de trilhas de aprendizado por meio de educational data mining | pt_BR |
| dc.type | Trabalho de Conclusão de Curso - Graduação - Bacharelado | pt_BR |
| dc.date.accessioned | 2026-08-13T19:10:40Z | - |
| dc.date.available | 2026-08-13T19:10:40Z | - |
| dc.date.submitted | 2025-07-16 | - |
| dc.identifier.uri | https://bdm.unb.br/handle/10483/45393 | - |
| dc.language.iso | Português | pt_BR |
| dc.rights.license | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta. | pt_BR |
| dc.description.abstract1 | The traditional teaching process generalizes students and places them on a standardized
learning path, disregarding their individual characteristics and different learning styles. In this
context, the objective of this study was to develop an accessible method for personalized
content recommendation to optimize this process. The development was based on concepts
from Learning Analytics and Educational Data Mining, focusing on descriptive and
prescriptive approaches. Public data provided by the Open University (OU) in the United
Kingdom was used, comprising over 1 million student interactions with digital content. The
model was developed in Visual Studio Code using the Python programming language, along
with key libraries for processing, analysis, and data science. The main outcome was the
development of a recommendation system that is easy to implement and compatible with
standard databases from virtual learning environments. This system combines student
clustering, grade prediction, and counterfactual simulation to suggest personalized content.
The study highlights the importance of personalized strategies for students with distinct
profiles and demonstrates the potential for improving student performance in assessments,
contributing to quality education. | pt_BR |
| Aparece na Coleção: | Engenharia de Produção
|
