ACADEMIC INTELLIGENCE: DATA, TECHNOLOGY, AND EDUCATIONAL TOURISM IN SYNERGY
Article Sidebar
Main Article Content
Resumo
A transformação digital das instituições de ensino superior exige ferramentas mais inteligentes que apoiem a tomada de decisão com base em dados académicos. O projeto ADAPTE recorre à modelação estatística e a visualizações para melhorar o planeamento institucional e o sucesso académico. Com base em dados anonimizados de uma instituição pública de ensino superior em Turismo, o projeto integra análises e dashboards acessíveis que apoiem os seus docentes e órgãos de gestão. Ao identificar padrões de risco associados ao abandono escolar e ao desempenho académico, o ADAPTE permite uma gestão mais eficiente dos planos de estudo, recursos humanos e planeamento estratégico. Embora desenvolvido no contexto de uma escola de hotelaria e turismo, o sistema revela um potencial alargado no domínio do turismo educativo, ao possibilitar uma maior articulação entre as experiências de aprendizagem e os dados sobre o ciclo de estudos dos estudantes.
Downloads
Article Details
Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição 4.0.
Todos os artigos publicados na e3 – Revista de Economia, Empresas e Empreendedorismo na CPLP são disponibilizados sob a licença Creative Commons Atribuição (CC BY).
Esta licença permite partilhar (copiar e redistribuir o material em qualquer suporte ou formato) e adaptar (remisturar, transformar e criar a partir do material) para qualquer finalidade, incluindo fins comerciais, desde que seja atribuída a devida autoria aos autores e à revista, seja fornecida ligação para a licença e sejam indicadas eventuais alterações.
Referências
Brito, M., Medeiros, F., & Bezerra, E. (2019, July). A report-type plugin to indicate dropout risk in the virtual learning environment Moodle. In 2019 IEEE 19th International Conference on Advanced Learning Technologies (ICALT) (Vol. 2161, pp. 127–128). IEEE.
Bustamante, D., & Garcia-Bedoya, O. (2021). Predictive academic performance model to support, prevent and decrease the university dropout rate. In Applied informatics: Fourth international conference, ICAI 2021, Buenos Aires, Argentina, October 28–30, 2021, proceedings (pp. 222–236). Springer.
Cechinel, C., Dos Santos, M. D. F., Barrozo, C., Schardosim, J. E., de Vila, E., Ramos, V., ... Queiroga, E. M. (2021, October). A learning analytics dashboard for Moodle: Implementing machine learning techniques to early detect students at risk of failure. In 2021 XVI Latin American Conference on Learning Technologies (LACLO) (pp. 130–136). IEEE.
Chytas, K., Tsolakidis, A., Triperina, E., & Skourlas, C. (2023). Educational data mining in the academic setting: Employing the data produced by blended learning to ameliorate the learning process. Data Technologies and Applications, 57(3), 366–384.
Chytas, K., Tsolakidis, A., Triperina, E., Karanikolas, N. N., & Skourlas, C. (2023). Academic data derived from a university e-government analytic platform: An educational data mining approach. Data in Brief, 49, 109357.
Chytas, K., Tsolakidis, A., Triperina, E., Karanikolas, N. N., & Skourlas, C. (2023, September). An integrated platform for educational and research management using institutional digital resources. In Novel & intelligent digital systems conferences (pp. 266–276). Springer Nature Switzerland.
Dobudko, T. V., Gorbatov, S. V., Hashim, W., & Maseleno, A. (2019). Functional monitoring and control in electronic information and educational environment. All Open Access, Bronze.
Félix, I. M., Ambrósio, A. P., Neves, P. S., Siqueira, J., & Brancher, J. D. (2017, April). Moodle Predicta: A data mining tool for student follow-up. In International conference on computer supported education (Vol. 2, pp. 339–346). SCITEPRESS.
Garcia-Peñalvo, F. J., Casado-Lumbreras, C., Colomo-Palacios, R., & Yadav, A. (2020). Smart learning. Applied Sciences, 10(19), 6964.
Lainjo, B. (2023). Mitigating academic institution dropout rates with predictive analytics algorithms. International Journal of Education, Teaching, and Social Sciences, 3(1), 29–49.
Luna, J. M., Castro, C., & Romero, C. (2017). MDM tool: A data mining framework integrated into Moodle. Computer Applications in Engineering Education, 25(1), 90–102.
Sáiz-Manzanares, M. C., Marticorena-Sánchez, R., & García-Osorio, C. I. (2020). Monitoring students at the university: Design and application of a Moodle plugin. Applied Sciences, 10(10), 3469.
Sáiz-Manzanares, M. C., Marticorena-Sánchez, R., Rodríguez-Díez, J. J., Rodríguez-Arribas, S., Díez-Pastor, J. F., & Ji, Y. P. (2021). Improve teaching with modalities and collaborative groups in an LMS: An analysis of monitoring using visualisation techniques. Journal of Computing in Higher Education, 33(3), 747–778.
Sáiz-Manzanares, M. C., Rodríguez-Díez, J. J., Díez-Pastor, J. F., Rodríguez-Arribas, S., Marticorena-Sánchez, R., & Ji, Y. P. (2021). Monitoring of student learning in learning management systems: An application of educational data mining techniques. Applied Sciences, 11(6), 2677.
Saqr, M., Fors, U., & Tedre, M. (2017). How learning analytics can early predict under-achieving students in a blended medical education course. Medical Teacher, 39(7), 757–767.
Zacharis, N. Z. (2015). A multivariate approach to predicting student outcomes in web-enabled blended learning courses. The Internet and Higher Education, 27, 44–53.