Web Intelligence no Ensino Superior

Dissertação de mestrado em Engenharia e Gestão de Sistemas de InformaçãoAtualmente, os dados informacionais têm-se tornado, cada vez mais, uma ferramenta importante para qualquer tipo de organização que tenha como objetivo evoluir o seu negócio e elevá-lo a outros patamares. Na Educação os dados informacionais, são usados, por exemplo, para prever e/ou prevenir retenção, prever a performance dos estudantes, entre outros. Com o objetivo de tornar estes dados úteis para o processo de tomada de decisão, esta dissertação apresenta um protótipo de Web Intelligence (WI) capaz de responder aos objetivos traçados. Como base para o desenvolvimento deste trabalho, foram utilizados dados reais, extraídos em sala de aula, através do uso de uma aplicação de suporte ao ensino, de seu nome “IoEduc”. O protótipo desenvolvido apresenta duas componentes bases, a de Business Intelligence (BI), focada no processo de extração, transformação e carregamento de dados para o devido Data Warehouse (DW) e outra onde foram incorporadas técnicas de Data Mining (DM), que permitiram, através da utilização de algoritmos de DM, desenvolver previsões sobre as notas finais dos alunos e número de presenças apresentados. Ao longo do projeto, foram utilizadas três abordagens metodológicas: o Design Science Research, empregue como abordagem principal no desenvolvimento do projeto; a abordagem desenvolvida por Kimball para a elaboração de um DW e o Cross-Industry Standard Process for Data Mining, para a implementação do processo de DM. Na parte de BI, com o auxílio do protótipo, foi possível compreender as principais características dos dados, mais aprofundadamente, as principais causas de reprovação e/ou aprovação, os perfis dos alunos, os métodos avaliativos e toda a relação entre eles. Por outro lado, no DM foram criados modelos capazes de prever a classe em que encontravam a nota final obtida por cada aluno, assim como, o número de presenças. Os melhores modelos apresentaram valores de sensibilidade entre 97% e 77% e acuidade no intervalo compreendido entre os 85% e 65%. De forma a disseminar ainda mais o conhecimento sobre os dados, foi desenvolvido um artigo científico. Posteriormente, foram desenvolvidos 21 relatórios de visualização, 25 indicadores de negócio e 220 modelos de DM. Numa visão generalista, ao nível dos resultados de BI foi possível constatar que a reprovação é maior no sexo masculino, o tipo de estudante não interfere na avaliação final, as notas dos testes não têm grande influência na nota fina, entre outros. Ao nível dos resultados de DM, foi possível constatar que o target “Presenças” apresenta melhores resultado que o target “Avaliações”.Currently data has become more and more a highly important tool for any type of organization, to develop their business. In Education, information is used, for example, to prevent retention, to predict student’s performance and others. To transform this informational data into data useful to decision making, in this dissertation was developed a Web Intelligence (WI) prototype capable of responding to the outlined objectives. The base to this project was real data, extracted from an application called “IoEduc”. The prototype developed has two main components: Business Intelligence (BI), focus on the process of extraction, transformation and loading data to the Data Warehouse (DM) and another where were incorporated Data Mining techniques, that allowed the forecast of the final grades, obtained by the student, and their attendance number. Through the progress of the project, were used three methodologies: Design Science Research employed as the main methodology, the approach developed by Kimball to build DW and the Cross-Industry Standard Process for Data Mining used in the DM process. In the section related to BI implementation, it was possible to understand the main characteristics of the data, like the main reason for retention and approval, the student’s profile, the evaluation methods and the relation between these features. In other hand, in the DM area, models were created, capable of forecasting the class which the final grade of the student will be placed and the gap where the number of absences will be placed. The sensibility metric produced values between 77% and 97% and the acuity between 65% and 85%. To better understand the data provided, a scientific article was developed. Posteriorly, 21 dashboards were developed, as well as 25 business metrics and 220 DM models. In a more generalist analysis of the results, in terms of BI, it was possible to verify that retention is higher for males, the type of student doesn’t interfere with the final grade, the grades, registered during the semester in the exams completed, doesn’t have much significance in the final grade. In terms of DM results, the target “Presences” has better results in prediction than the “Evaluation” target