Módulo 12, Learning Analytics
Cada interação do aluno com o assistente que construímos gera dados. Este módulo ensina a transformar esses dados em entendimento e em ação, que é o campo do Learning Analytics. O objetivo final é prático e generoso, perceber quem está aprendendo bem, quem está se afastando, e quem corre risco de desistir, a tempo de ajudar.
A trilha vai do dado ao modelo. Começamos pela coleta estruturada de eventos, com os cuidados éticos que ela exige. Depois calculamos métricas que resumem a aprendizagem, combinamos algumas em um índice de engajamento, e por fim treinamos um classificador que prevê o risco de evasão. Cada aula constrói uma peça do zero, com Python e numpy, e no fim tudo se junta no projeto, um dashboard que mostra o engajamento e o risco de uma turma.
As quatro aulas
| Aula | Tema | O que você faz na prática |
|---|---|---|
| 1 | Coleta de dados | Estrutura eventos de aprendizagem com ética |
| 2 | Métricas | Calcula acurácia, volume e progresso |
| 3 | Engajamento | Combina métricas em um índice de engajamento |
| 4 | Predição de evasão | Treina um classificador de risco (projeto) |
As três primeiras aulas preparam e resumem os dados, e a quarta os usa para prever, onde mora o dashboard que fecha o módulo.
O que você leva deste módulo
Ao terminar, você sabe coletar dados de aprendizagem de forma estruturada e ética, calcular métricas úteis, medir engajamento e treinar um modelo de predição de evasão, montando um dashboard que apoia decisões pedagógicas. Esse olhar analítico, ligado às técnicas de ML do Módulo 2, é o que o assistente final usará para acompanhar o aluno e personalizar a ajuda.
Projeto do módulo
O projeto integrador está na pasta projects/m12-analytics-dashboard/, um dashboard que calcula o engajamento de uma turma, treina um classificador de evasão e lista os alunos do maior para o menor risco, destacando quem precisa de atenção. Ele roda do zero, só com numpy, e tem testes.
Pré-requisitos
O Módulo 2 sobre Machine Learning, em especial a regressão logística e a validação, é a base direta do classificador de evasão. Os exemplos e o projeto rodam com numpy. As versões com pandas e o app com Streamlit e Plotly entram com o ambiente de docs/setup.md.
Material de apoio
- Notebooks executáveis em notebooks/modulo-12/, um para cada aula.
- Projeto completo em projects/m12-analytics-dashboard/.
- Referências de cada aula reunidas em references/referencias.bib.