@MASTERSTHESIS{ 2017:1174204557,
 	title = {Recomendação para formação de grupos para atividades colaborativas utilizando a caracterização dos aprendizes baseada em trilhas de aprendizagem},
 	year = {2017},
 	url = "https://tede.ufam.edu.br/handle/tede/6448",
 	abstract = "Grupos são estruturas sociais básicas, tanto dentro quanto fora do mundo acadêmico, eles se formam e se modificam em vários modos para múltiplos propósitos. Enquanto alunos, formar grupos fora de sala de aula aparenta ser mais fácil, por sua vez, em ambiente educativo formar grupos pode ser um processo complexo. Contudo, para que a aprendizagem colaborativa seja bem-sucedida, é importante formar grupos que possam ser efetivos e eficientes em realizar os objetivos da tarefa. Nesse sentido, busca-se melhorar as interações dos discentes principalmente em atividades em grupo. O trabalho em grupo é um recurso bastante usado pelo docente, com o intuito de incentivar a interação dos alunos nas atividades colaborativas. Há nos AVAs uma deficiência em dar suporte à criação de grupos. As Trilhas de Aprendizagem (TAs) podem ser recursos para sugerir grupos de aprendizes. O uso de TAs é promissora porque mostra os caminhos percorridos pelos alunos nos AVAs, o que possibilita sugerir grupos baseados nessas interações, pois realizar grupos na modalidade EAD é realmente uma tarefa desafiadora para o docente. No geral, nessa modalidade, os alunos só possuem 20% do contato presencial entre si e com o docente, dificultando estabelecer critérios para realizar os agrupamentos. Diante deste contexto, nesta pesquisa é proposta um framework conceitual para formação de grupos em atividades colaborativas, por meio dos dados extraídos dos grafos das TAs, para auxiliar o docente no processo de ensinoaprendizagem. Para verificar a exequibilidade do framework conceitual proposto foi desenvolvida a ferramenta M-CLUSTER que analisa os atributos descritos as seguir e sugere a formação de grupos. O mecanismo dá ênfase à formação dos grupos aplicando o algoritmo K-Means, que é utilizado com três métricas de similaridade, que são as distâncias: Euclidiana, Manhattan e Cosseno, usando os atributos (média de acesso de vértices, quantidade, dispersão e variâncias das arestas padrão, avanço e retorno e id do aluno) obtidos por meio dos dados extraídos das TAs. Foram realizadas reuniões com os docentes (especialistas) para validar os resultados. No estudo de caso, o M-CLUSTER usou os atributos e os classificou com o KMeans, obtendo três resultados de agrupamentos, um para cada métrica. O docente escolhe dentre as sugestões geradas e disponibiliza uma delas aos estudantes para eles escolherem seus parceiros dentro do cluster, assim formando os grupos. Esses grupos sugeridos pela ferramenta foram validados e visualizados pelo docente, a partir de duas representações, uma descritiva e outra visual por meio de gráficos de bolhas. Para validar os grupos sugeridos, foram realizadas duas atividades na disciplina, na primeira atividade, os estudantes escolheram seus parceiros de grupo e na segunda, os grupos foram formados de acordo com as sugestões da ferramenta. De acordo com os resultados obtidos do estudo de caso mostra que, a ferramenta obteve resultados satisfatórios onde 75% dos alunos igualaram ou melhoraram suas notas individuais em relação às alcançadas na primeira atividade.",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de Pós-graduação em Informática},
 	note = {Instituto de Computação}
}