Universidade Federal Rural de Pernambuco Recife, 26 de Agosto de 2025

Resumo do Componente Curricular

Dados Gerais do Componente Curricular
Tipo do Componente Curricular: MÓDULO
Unidade Responsável: COORDENAÇÃO PÓS-GRADUAÇÃO EM TECNOLOGIA E GESTÃO EM EDUCAÇÃO A DISTÂNCIA-PRPG (11.01.29.17.27)
Código: PTGE7322
Nome: CIÊNCIA DE DADOS EDUCACIONAIS
Carga Horária Teórica: 30 h.
Carga Horária Prática: 30 h.
Carga Horária de Ead: 0 h.
Carga Horária Total: 60 h.
Pré-Requisitos:
Co-Requisitos:
Equivalências:
Excluir da Avaliação Institucional: Não
Matriculável On-Line: Sim
Horário Flexível da Turma: Sim
Horário Flexível do Docente: Sim
Obrigatoriedade de Nota Final: Sim
Pode Criar Turma Sem Solicitação: Sim
Necessita de Orientador: Não
Exige Horário: Sim
Permite CH Compartilhada: Não
Quantidade de Avaliações: 1
Ementa/Descrição: O uso crescente dos ambientes virtuais de aprendizagem tem gerado um grande volume de dados provenientes de interações entre professores, alunos, gestores e demais atores dos sistemas educacionais. A disciplina de Ciência de Dados Educacionais tem como principal foco o desenvolvimento de métodos para explorar dados coletados em ambientes educacionais. Como ementa temos os seguintes aspectos: Contribuições que a ciência de dados educacionais pode fornecer para abordagens educacionais baseadas no uso do computador; Fases processo de análise de dados; Modelagem do desempenho de estudantes; Fornecendo feedback para apoio a professores; Aprendizagem personalizada/adaptativa para alunos; Modelagem do usuário/estudante e Agrupamento de perfis de estudantes. Ferramentas e Técnicas empregadas na ciência de dados educacionais.
Referências: CONTEÚDOS: O que é ciência de dados educacionais, suas funcionalidades e classificações. Tarefas de Análise de Dados Educacionais: classificação de alunos, agrupamento de perfis, associação de fatores educacionais e regressão; Conhecimento sobre Bases de dados Educacionais provindas de Censo Escolar, Censo do Ensino Superior, ENADE, SAEB, ENEM, INEP, dados provindos de Softwares educacionais e ambientes de ensino e aprendizagem; Pré-processamento de dados: limpeza, integração e transformação, redução, seleção de atributos, imputação de valores ausentes e discretização. Entradas (conceitos, instâncias e atributos) e saídas (representação do conhecimento). Descrição de conceitos: caracterização analítica de dados e medidas descritivas. Algoritmos de análise de dados: indução de árvores de decisão; regras de associação; regras de classificação; algoritmos de predição; análise de clusters. Avaliação de sistemas de mineração: treinamento, teste, predição de desempenho, validação-cruzada. Perspectivas futuras dentro da área de ciência de dados educacionais. -------------- PRÁTICA COMO COMPONENTE CURRICULAR (quando houver): Projeto prático envolvendo a extração e entendimento de bases de dados abertas governamentais no âmbito da educação; Projeto prático envolvendo a extração de bases de dados provindas de Ambientes Virtuais de Aprendizagem e Softwares Educacionais; ------------------ BIBLIOGRAFIA: BIBLIOGRAFIA BÁSICA: TAN, P. N., STEINBACH, M., & KUMAR, V. (2009). Introdução ao datamining: mineração de dados. Ciência Moderna. PEÑA-AYALA, A. (2014). Educational Data Mining Applications and Trends. Springer. GOLDSCHMIDT, R., & PASSOS, E. (2005). Data Mining: um guia prático. Campus. ............ BIBLIOGRAFIA COMPLEMENTAR: ROMERO, C., VENTURA, S., PECHENIZKIY, M., & BAKER, R. S. (Eds.). (2010). Handbook of educational data mining. CRC Press. J. HAN AND M. KAMBER. Data Mining: Concepts and Techniques, Morgan Kaufmann, 2nd Edition, 2007. I. WITTEN AND E. FRANK. Data Mining, Morgan Kauffmann, 2nd edition, 2007.

SIGAA | Secretaria de Tecnologias Digitais (STD) - https://servicosdigitais.ufrpe.br/help | Copyright © 2006-2025 - UFRN - producao-jboss10.producao-jboss10 v4.17.3-1