Skip navigation
Veuillez utiliser cette adresse pour citer ce document : http://repositorio.unb.br/handle/10482/35349
Fichier(s) constituant ce document :
Fichier Description TailleFormat 
2019_RafaeldeMeloBalaniuk.pdf2,81 MBAdobe PDFVoir/Ouvrir
Titre: Investigação de estilos de aprendizagem autodeclarados e observados : usando psicometria, big data e machine learning
Auteur(s): Balaniuk, Rafael de Melo
Orientador(es):: Borges-Andrade, Jairo Eduardo
Assunto:: Aprendizagem de máquina
Ambientes virtuais de aprendizagem
Observação de comportamento
Date de publication: 22-aoû-2019
Résumé: A análise de custo-benefício, entre generalidade, precisão e realismo, guia escolhas metodológicas em comportamento organizacional (CO). O big data e o machine learning podem tornar obsoleta essa análise e ajudar a subárea a focar novamente o “fazer” e não apenas o “dizer”. O uso de observação de comportamento foi sistematicamente revisto em artigos e livros (1996-2017) brasileiros. Dentre 1.062 artigos com relatos de pesquisa sobre CO, publicados em 19 periódicos de psicologia e administração, 68% usaram escalas e apenas 10% a observação. A presente pesquisa objetivou propor um método para comparar medidas autodeclaradas (escalas) com comportamentos observados usando machine learning. Foi escolhido o construto de estilo de aprendizagem para propor o método, que analisou de forma comparativa e complementar a relação entre o que é declarado e o que é observado. Os estilos de aprendizagem autodeclarados foram medidos por meio de uma nova escala, que foi elaborada e aplicada em 1.764 estudantes de um ambiente virtual de aprendizagem (AVA) de um órgão da administração federal. Para a escala, foram encontradas evidências de validade exploratória e confirmatória, sendo a estrutura final composta por 18 itens agrupados em dois fatores. As informações brutas do AVA (footprints) foram transformadas em indicadores, que foram comparados com os estilos identificados por meio de questionário e também agrupados em fatores.. Foi encontrado que os padrões comportamentais dos estudantes, referentes aos estilos, são relativamente constantes em diferentes cursos. Além disso, foram encontradas evidências de validade para uma estrutura de três fatores de indicadores referentes a interação. Os estilos observados e os autodeclarados foram testados em relação à evasão e ambos apresentaram um poder de predição relevante. A triangulação metodológica de observação de comportamento e escalas foi mais efetiva quando usados de forma complementar do que de forma comparativa. O estudo apresentou uma alternativa metodológica inovadora e viável para a análise de estilos de aprendizagem em AVA, usando machine learning.
Abstract: Tradeoff analysis, between generalizability, precision and realism, guides methodological choices in organizational behavior (OB). Big data and machine learning can make this tradeoff analysis obsolete and help OB to once again focus on “doing” and not only on “saying”. Use of the behavior observation method was systematically reviewed in Brazilian articles and books (1996-2017). Among 1,062 research articles about OB, published in 19 psychology and business journals, 68% used scales and only 10% used observation. The goal of this research is to propose a method to compare self-declared measures (scales) with observed behaviors using machine learning. The method analyzes what is observed and what is declared in opposite and complementary approaches. Learning styles were used to develop and apply the method. A new scale, applied in 1,764 students in a virtual learning environment (VLE), was developed to identify self-declared learning styles. Evidence for the exploratory and confirmatory validity and reliability is presented for a structure with 18 items grouped in two factors. Raw data from the VLE (footprints) were transformed indicators. Those indicators were compared to the responses to the scale and also grouped in factors. The analysis of the indicator showed behavior patterns related to learning styles were relatively constant between courses and four factors of interaction indicators were identified. Observed and self-declared learning styles were separately tested in their prediction of dropout. Both were able to significantly predict dropout. Methodology triangulation of behavior observation and scales was more effective when used in a complementary approach. This study presents a viable and innovative methodological alternative for analyzing learning styles in VLE, using machine learning.
Description: Dissertação (mestrado)—Universidade de Brasília, Instituto de Psicologia, Programa de Pós-Graduação em Psicologia Social, do Trabalho e das Organizações, 2019.
Licença:: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Collection(s) :Teses, dissertações e produtos pós-doutorado

Affichage détaillé " class="statisticsLink btn btn-primary" href="/jspui/handle/10482/35349/statistics">



Tous les documents dans DSpace sont protégés par copyright, avec tous droits réservés.