Utilização de técnicas de learning analytics para classificação e detecção de erros experimentais no laboratório remoto VISIR

Abstract

A disseminação da tecnologia na educação cresceu consideravelmente nos últimos anos. Com ela, o ensino consegue atingir um maior alcance de usuários para o setor educacional. Ao mesmo tempo, surgem algumas dificuldades do acompanhamento do desempenho dos alunos. Assim, o processo que sistematicamente coleta e analisa grandes volumes de dados, com o objetivo de melhorar o processo de ensino-aprendizado é chamado de Learning Analytics. Baseada em processamento de dados, mineração de dados educacionais e visualização, assim consegue-se acompanhar os progressos acadêmicos, potencializando ações de como o professor deverá conduzir a disciplina. O objetivo dessa pesquisa está em minerar dados de experimentos realizados no laboratório remoto denominado Virtual Instrument Systems in Reality (VISIR). De acordo com algumas literaturas com tema de classificação de erros experimentais no VISIR, apresenta-se muito a questão teórica dos principais pontos onde erros podem ser cometidos pelo usuário. A literatura apresenta alguns modelos como circuitos denominados 1:1, que consistem em uma fonte de energia para um componente consumidor de energia. A pesquisa utiliza o arquivo de log dos experimentos, denominado na pesquisa como base de dados do Instituto Superior de Engenharia do Porto (ISEP), com duzentos e cinquenta e cinco mil, duzentos e trinta experimentos. A escolha para obter os dados do ISEP, está vinculado a toda sua expertise no assunto da pesquisa. Estuda-se o modelo de circuitos de 1:1, 0:1 e 1:0 adquiridos na base de dados (BD), esses modelos correspondem a 17,24% da base. Realiza-se um pré-processamento das informações (constituídas no arquivo de log dos experimentos) antes da execução dos algoritmos com objetivo de criar grupos de classificação conforme análise teórica estudada em análise de circuitos (modelos 1:1, 0:1 e 1:0). Utilizou-se o modelo de classificação k-NN e tree para realização do estudo. Os resultados obtidos pelos algoritmos resultaram em amostras de acurácia maior que 0.9. Considerando uma excelente forma de análise de classificação para os três modelos de circuito elétricos simples propostos.

Abstract: The spread of technology in education has grown considerably in recent years. With it, teaching can reach a greater reach of users for the educational sector. At the same time, some difficulties arise in monitoring student performance. Thus, the process that systematically collects and analyzes large volumes of data to improve the teaching-learning process is called Learning Analytics. Based on data processing, educational data mining and visualization, it is possible to monitor academic progress, enhancing actions on how the teacher should conduct the discipline. The objective of this research is to mine data from experiments carried out in the remote laboratory called Virtual Instrument Systems in Reality (VISIR). According to some literature on the classification of experimental errors in VISIR, the theoretical question of the main points where errors can be made by the user is presented. The literature presents some models as 1:1 circuit, which consist of a power source for an energy-consuming component. The research uses the log file of the experiments, named in the research as the Polytechnic of Porto School of Engineering (ISEP) database, with two hundred and fifty-five thousand, two hundred and thirty experiments. The choice to obtain ISEP data is linked to all its expertise in the research subject. The model of 1:1, 0:1 and 1:0 circuits acquired in the database (BD) is studied, these models correspond to 17.24% of the base. A pre-processing of the information (consisting of the log file of the experiments) is carried out before the execution of the algorithms in order to create classification groups according to theoretical analysis studied in circuit analysis (models 1:1, 0:1 and 1: 0). The k-NN and tree classification model was used to carry out the study. The results obtained by the algorithms resulted in samples of accuracy greater than 0.9. Considering an excellent form of classification analysis for the three proposed simple electrical circuit models.