Mineração de dados educacionais e análise de sentimentos em ambientes virtuais de aprendizagem : um mapeamento sistemático Educational data mining and sentiment analysis in virtual learning environments : a systematic mapping

Abstract

A análise de sentimento é uma área de Mineração de Dados que envolve processamento de linguagem natural, extração de informações, inteligência artificial e aprendizado de máquina. Assim, por meio dessa técnica e, tam-bém, das emoções dos alunos em ambientes virtuais de aprendizagem, é possível descobrir padrões e verificar eventuais deficiências durante o pro-cesso de aprendizagem. O objetivo deste artigo é apresentar os resultados de um mapeamento sistemático da literatura realizado sobre técnicas, mé-todos, algoritmos, bibliotecas e ferramentas de mineração de dados educa-cionais utilizados para análise de sentimentos e emoções dos estudantes em ambientes virtuais de aprendizagem. Além disso, foram identificadas as finalidades para a análise de sentimentos e os tipos de emoções conside-radas. Portanto, foram selecionados 20 estudos primários para verificação em profundidade. Os resultados apresentam a predominância de algorit-mos de aprendizado de máquina para análise de sentimentos, abordando avaliação de cursos e professores, a eficácia do ambiente de aprendizagem, a satisfação e as dificuldades dos alunos. Além disso, a maioria dos estudos explora a polaridade de sentimento: positivo, negativo e neutro.

Sentiment analysis is a Data Mining area that involves natural language processing, information extraction, artificial intelligence and machine learning. Thus, sentiment analysis and also emotions from students in virtual learning environments enable verifying possible deficiencies during the learning process, for example. The aim of this paper is to present the results of a systematic mapping of the literature carried out on techniques, methods, algorithms, libraries and tools about educational data mining used for analyzing sentiments and emotions from students in virtual learning environments. Furthermore, the purposes for the analysis of sentiments and the types of emotions considered were identified. Therefore, 20 primary studies were selected to verify details. The results show the predominance of machine learning algorithms for sentiment analysis, addressing courses and teachers evaluation, the effectiveness of the learning environment, student satisfaction and difficulties. Furthermore, most studies explore the sentiment polarity: positive, negative and neutral.