O quanto eu quero este certificado? caçadores de certificados no Lúmina

Abstract

Com o grande aumento do número de alunos inscritos em Massive Open Online Courses (MOOCs), e o crescimento na quantidade de plataformas de distribuição, a oferta deste tipo de curso está cada vez maior, pois representam uma possibilidade de disseminação de conhecimento especializado, de forma flexível e aberta. Todavia, com o aumento do uso de plataformas on-line de aprendizagem o estudo da desonestidade acadêmica se torna relevante, neste contexto, pois estes cursos podem ser mais facilmente burlados do que cursos presenciais. Por isso, o objetivo geral desta Tese é identificar parâmetros de configuração de MOOCs que desestimulem estudantes que têm comportamentos de “caçadores de certificados” a obter certificações, ao mesmo tempo em que não desestimulem estudantes engajados, na Plataforma de MOOCs da Universidade Federal do Rio Grande do Sul (UFRGS), o Lúmina. Para tanto, é preciso identificar e caracterizar o perfil dos “caçadores de certificados”, estudantes que buscam explorar características da plataforma e dos cursos, para obter um certificado sem se dedicar a sua aprendizagem. Nesta tese, levantou-se a hipótese de haver um “comportamento de caçador” (independente do aluno) e um perfil que pode ser chamado de “estudante-caçador” (um indivíduo que sempre exibe este comportamento). Para caracterizar o comportamento de caçador e dos estudantes-caçadores foi desenvolvido um processo metodológico iterativo com as seguintes etapas: Seleção e Processamento dos dados; Aplicação de Técnicas de Mineração de Dados Educacionais; e Considerações sobre o Processo. Como técnica de Mineração de Dados Educacionais para identificar este comportamento e estes estudantes, foram utilizados algoritmos de Aprendizagem de Máquina não supervisionados, mais especificamente algoritmos de agrupamento hierárquico. Em relação à identificação do "comportamento de caçador", o algoritmo de agrupamento não foi capaz de identificar características que permitam identificar os usuários, pois os grupos formados apresentam níveis parecidos na maioria das variáveis utilizadas, à exceção das variáveis "curso tem mais de 10 questões", que é um indicador de dificuldade do curso. Em relação à identificação de estudantes caçadores, entende-se que a obtenção de pelo menos 3 certificados em menos de 35 dias é um bom indicador para classificar um estudante como caçador de certificados. Em relação ao modelo que ajusta a presença de caçadores às configurações dos cursos, conclui-se que não há indícios suficientes para indicar que as restrições nas configurações sejam eficazes para inibir caçadores de certificados.

With the large increase in the number of students enrolled in Massive Open Online Courses (MOOCs), and the growth in the number of distribution platforms, the offer of this type of course is increasing, as they represent a possibility of disseminating specialized knowledge, of flexible and open way. However, with the increased use of online learning platforms, the study of academic dishonesty becomes relevant in this context, as these courses can be more easily circumvented than face-to-face courses. Therefore, the general objective of this Thesis is to identify MOOCs configuration parameters that discourage students who have “certificate hunter” behaviors to obtain certifications, while not discouraging engaged students, in the MOOCs Platform of the Federal University of Rio de Janeiro. Grande do Sul (UFRGS), the Lúmina. To do so, it is necessary to identify and characterize the profile of “certificate hunters”, students who seek to explore features of the platform and courses, in order to obtain a certificate without dedicating themselves to learning. In this thesis, it was hypothesized that there is a “hunter behavior” (independent of the student) and a profile that can be called “student-hunter” (an individual who always exhibits this behavior). To characterize the behavior of hunters and student-hunters, an iterative methodological process was developed with the following steps: Selection and Processing of data; Application of Educational Data Mining Techniques; and Process Considerations. As an Educational Data Mining technique to identify this behavior and these students, unsupervised Machine Learning algorithms were used, more specifically hierarchical clustering algorithms. Regarding the identification of "hunter behavior", the grouping algorithm was not able to identify characteristics that allow identifying users, since the groups formed have similar levels in most of the variables used, with the exception of the variables "course has more than 10 questions", which is an indicator of course difficulty. Regarding the identification of student hunters, it is understood that obtaining at least 3 certificates in less than 35 days is a good indicator to classify a student as a certificate hunter. Regarding the model that adjusts the presence of hunters to the course settings, it is concluded that there is not enough evidence to indicate that the restrictions in the settings are effective in inhibiting certificate hunters.