Análises para Acompanhamento Estudantil

Comitê de Experiência Estudantil 3º Congresso EDUTIC Online 2022
Autores: Andrea Parra V.; Isabel Carrizo; Marcelo Andrés Sáenz Correa; Saúl Antonio Reyes Arias
Data: 14 de março de 2022

Resumo

A entrada de estudantes não tradicionais em instituições de ensino superior e o consequente aumento da matrícula, bem como o aumento dos dados disponíveis e sua qualidade, e das capacidades computacionais para o tratamento de grandes volumes, geraram as condições para o desenvolvimento de modelos preditivos que, no contexto educacional, também estão ligados aos conceitos de aprendizagem analytics ou análise de aprendizagem, e que permitem antecipar comportamentos e estabelecer estratégias e ações para modificá-los.

Este artigo destaca a importância de gerar sinergias entre modelos preditivos, visualizações de informações e gestão interna dos estudantes para fornecer suporte relevante e permanente ao longo do ciclo de transição dos alunos.

Palavras-chave

Análise para aprendizagem, ciclo de transição de alunos, modelos preditivos, aprendizagem analytics, análise de dados, inteligência artificial, algoritmos matemáticos.

1. Introdução

Nos últimos anos, testemunhamos uma massificação do acesso ao ensino superior em vários de nossos países latino-americanos. Diferentes políticas e apoio econômico aos estudantes mais vulneráveis por parte do Estado e das instituições, que aumentaram tanto a cobertura, a diversidade de oferta educacional quanto o acesso, permitiram uma maior heterogeneidade estudantil. Nesse contexto, estudantes tradicionais com maiores recursos, com famílias que já concluíram o ensino superior e alto desempenho acadêmico, deram lugar a um novo tipo de corpo discente de setores sociais historicamente excluídos, que vêm de níveis econômicos mais desfavorecidos e que tendem a ser os primeiros membros da família a ingressar no ensino superior (Lizama & Gil, 2018). E eles não vêm mais diretamente do ensino médio, mas já fazem parte da força de trabalho e ingressam no ensino superior para melhorar suas condições de trabalho ou realizar seus sonhos de vida mais tarde.

Esse tipo de estudante oferece maior mistura e riqueza às instituições, enfrentando desafios importantes, incluindo a geração de mecanismos para favorecer sua integração, engajamento ou compromisso (Aspeé et al, González, & Cavieres-Fernández, 2018) e gerar estratégias para favorecer seu progresso acadêmico.

Ao mesmo tempo, o uso de ambientes virtuais conhecidos como LMS e sua massificação em instituições de ensino superior (Britain & Liber, 2004) levou a um aumento nos dados e informações associados ao processo educacional. Além disso, os sistemas de registro de variáveis tanto na matrícula quanto no processo acadêmico, como frequência, notas e outros indicadores acadêmicos, melhoraram sua qualidade e também o acesso a áreas de análise.

2. Contribuições da Análise no acompanhamento permanente dos estudantes

O contexto mencionado criou as condições ideais para o surgimento da aprendizagem analytics ou análise de aprendizagem (Rojas-Castro, 2017), pois, por um lado, temos dados para melhorar a qualidade e em maior escala, e, por outro, precisamos oferecer maior apoio aos estudantes que ingressam no ensino superior.

A possibilidade de sistematizar dados de natureza muito diversa, tanto em termos de caracterização anterior dos estudantes quanto de seu comportamento acadêmico, possibilita identificar padrões de comportamento e prever comportamentos futuros. Nesse sentido, é importante gerar modelos preditivos para a gestão dos estudantes em diferentes momentos, dado o conjunto de ferramentas existentes para apoiá-los em seu progresso acadêmico. A análise e processamento de grandes volumes de dados, sua transformação em conhecimento e indicadores orientadores que permitem a tomada de decisões, são úteis e cada vez mais valorizados pelas instituições de ensino superior para sua gestão. Dessa forma, é configurado como uma ferramenta poderosa para a melhoria contínua das metodologias de ensino-aprendizagem, bem como para o estabelecimento de serviços complementares e de apoio.

Além disso, a compreensão de que a geração de modelos de dados e estratégias baseadas analyticsem aprendizagem exige a implantação de serviços e uma gestão conjunta inter-área que permita favorecer a progressão dos estudantes (Na Kew & Tasir, 2022) é de vital importância. Assim, serviços acadêmicos e complementares tornam-se centrais na gestão estudantil. No entanto, e como um aprendizado particular da pandemia, mostramos que serviços complementares não exigem mais a implantação de um escritório, e disponibilizamos esses serviços virtualmente com padrões de qualidade, permitindo que alcancem todos os estudantes.

3. Análise ao serviço da transição do estudante

Ao falar de modelos preditivos, é importante esclarecer que, na maioria dos casos, não estamos falando de um único algoritmo, mas sim de que ele deve ser ajustado às informações disponíveis e a novos fatores contextuais que possam se tornar relevantes. Nesse contexto, Nicholson (1990) identifica que existe um ciclo de transição na entrada dos estudantes no Ensino Superior. Nesse modelo, pelo menos quatro estágios são identificados: Preparação, Reunião, Ajuste, Estabilização.

Sobre essas etapas, menciona-se que a transição do Ensino Secundário para o Ensino Superior é uma etapa complexa na qual os alunos experimentam mudanças e se ajustam às novas necessidades desse novo contexto (Coertjens et al., 2017). A primeira etapa, chamada "Preparação", está ligada às experiências anteriores dos estudantes em níveis educacionais anteriores. A experiência anterior está ligada às predisposições e expectativas com as quais eles enfrentam o ensino superior.

Uma segunda etapa é chamada de "Encontro" e é uma fase ligada às primeiras interações no Ensino Superior. Essa etapa pode ser vivida pelos estudantes de diferentes maneiras devido à forma como aprendem, como abordam seu processo de aprendizagem, quais estratégias e ferramentas utilizam, entre outros aspectos (Noyens et al., 2017). Para enfrentar essa etapa, a autoconfiança e o interesse dos estudantes também serão relevantes. Na terceira etapa de "Ajustamento", o apoio que os estudantes receberão dos colaboradores da instituição, bem como dos professores, será fundamental. Da mesma forma, a capacidade dos estudantes de buscar o apoio necessário será central. Os relacionamentos entre os estudantes também serão centrais e sua capacidade de estabelecer vínculos.

Por fim, a quarta etapa da "Estabilização" incorpora o fator acadêmico, sendo relevante como o aluno consegue alcançar os objetivos estabelecidos por meio da geração de estratégias e do uso de ferramentas relevantes (McGuie, 2017). Em todo caso, autoconfiança, motivação, compromisso e esforço continuam desempenhando um papel fundamental nesta fase.

Compreendendo que o estudante passa por diferentes momentos após ingressar no ensino superior, é importante pensar em estratégias diferenciadas que o apoiem ao longo de toda a carreira.

Inicialmente, um modelo pode ser gerado com dados de caracterização que nos permitam prever quais estudantes precisarão de maior apoio no início do semestre e gerar um mecanismo entre as áreas de apoio estudantil. Essa estratégia deve conter elementos como relatórios de dados, mensagens automatizadas e programas associados a certas situações.

Em uma segunda etapa, devem ser gerados modelos que incluam dados de frequência e alguns instrumentos de teste para conhecer suas expectativas e medos. Nessa etapa, a literatura menciona que as instituições podem implementar ações que favorecem o acompanhamento dos estudantes, como mentoria administrativa e curricular, participação em palestras e conhecimento de referências qualificadas, entre outras.

Na terceira fase de ajustes, os modelos poderiam incluir informações sobre os diagnósticos iniciais e avaliações de quão preparados os alunos estão para o Ensino Superior, que poderiam incluir informações sobre hábitos de estudo, autorregulação da aprendizagem, entre outras atitudes em relação à aprendizagem. Com base nos resultados obtidos, o apoio ao estudante poderia ser gerenciado por meio de oficinas e nivelamento (Noyens et al., 2007; Ulriksen et al., 2016; Coertjens et al., 2017).

4. Conclusões e desafios

Atualmente, as instituições de ensino superior possuem mais recursos, dados, tecnologia e ferramentas para gerar análises para a aprendizagem e acompanhamento dos alunos. No entanto, o maior desafio é observado na articulação dos relatórios de dados e na gestão que é realizada a partir deles.

Em várias ocasiões, a importância dos dados e informações para a tomada de decisão é discutida. No entanto, quando falamos de um modelo integrado para a gestão estudantil, é relevante identificar como essa informação pode ser articulada com o trabalho das diversas áreas e com a gestão que elas devem realizar.

Dessa forma, deve ser gerado um ecossistema onde dados, visualizações de informações, análises avançadas, programas e recomendações interajam de forma relevante e oportuna. A relação entre esses elementos e a gestão coordenada de várias áreas dentro das instituições permitirá contribuir efetivamente para o aprendizado e a experiência dos estudantes no Ensino Superior.

Referências

Aspeé, J., González, J. & Cavieres-Fernández, E. (2018). Engajamento dos Estudantes no Ensino Superior como uma Agência Complexa. Formación universitaria, 11(4), 95-108. https://dx.doi.org/10.4067/S0718-50062018000400095

Camelo, O. (2021). Alfabetização digital ou aprendizagem digital de línguas: Revisão conceitual e proposta metodológica baseada em uma experiência de responsabilidade social universitária em Bogotá. Transdigital, 2(4). https://www.revistatransdigital.org/index.php/transdigital/article/view/59

Coertjens, L., Brahm, T., Trautwein, C., & Lindblom-Ylänne, S. (2017). Transição dos estudantes para o ensino superior sob uma perspectiva internacional. Ensino Superior, 73(3), 357–369. https://doi.org/10.1007/s10734-016-0092-y

Lizama, O. & Gil, F. (2018). A experiência da inclusão no ensino superior no Chile. Santiago: Editorial USACH.

López, M., Santelices, M., González, C., Ibáñez, A. (2019) Transição para o Ensino Superior: O que a Literatura Diz?.

Na Kew, S., Tasir, Z. (2022) Desenvolvendo uma Intervenção de Aprendizagem Analytics em E-Learning para Aprimorar o Desempenho Intelectual dos Alunos: Um Estudo de Caso. Educação e Tecnologias da Informação. https://doi.org/10.1007/s10639-022-10904-0 

Nicholson, N. (1990). O Ciclo de Transição: Causas, Desfechos, Processos e Formas. Em S. Fisher & C. L. Cooper (eds.), Em Movimento: A Psicologia da Mudança e da Transição (pp. 83–111). Nova York: Wiley.Noyens et al., 2017

McGhie, V. (2017). Ingressando nos estudos universitários: identificando fatores facilitadores para uma transição bem-sucedida da escola para a universidade. Ensino Superior, 73(3), 407–422. https://doi.org/10.1007/s10734-016-0100-2

Singer, V., García, C., Strasser, K., Farías, J. & Cabezas, M. (2019). Cuadernos de Investigação Asseguramento da Qualidade em Educação Superior n°16. Santiago, CNA-Chile.

Rojas-Castro, P. (2017). Aprendizagem Analytics: Uma Revisão da Literatura. Educação e Educadores, 20(1), 106-128. https://doi.org/10.5294/edu.2017.20.1.6

Ulriksen, L., Holmegaard, H. T., & Madsen, L. M. (2017). Entendendo o currículo — a transição para programas universitários de ciências e engenharia. Ensino Superior, 73(3), 423–440. https://doi.org/10.1007/s10734-016-0099-4