Painel de Learning Analytics e Mineração de Trajetórias de Submissão para Identificação Precoce de Gargalos em Turmas

Modelo analítico ETL, mineração de sequências de erro (CE → WA → AC) e dashboard com k-anonimato para apoio à decisão docente

[object Object]
Análise de Resultados com IA
Feedback Formativo
Requer CEP
Data de Publicação

14/11/2026

Data de Modificação

14/11/2026

Código: TCC 09 · Trilha: Trilha 2: IA e Ciência de Dados · Status: Disponível · Modalidade: Ciência de Dados + Desenvolvimento Web · Perfil: Individual · Complexidade: Média · Regime Ético: Condicional (CEP se usar dados reais não públicos)

1. Contexto e Problema

Docentes que utilizam juízes online em turmas numerosas (como ilustrado no cenário de carga docente do Apêndice A) não conseguem enxergar rapidamente quais misconceptions estão travando a turma em tempo real nem identificar estudantes em risco de evasão silenciosa (por exemplo, ciclos repetitivos de WA/TLE sem progresso na escala A–E). Os logs nativos do DOMjudge são orientados à auditoria técnica de submissões isoladas, não à tomada de decisão pedagógica agregada.

Nota sobre Regime Ético (CEP): O desenvolvimento da arquitetura analítica, mineração e painel pode ser validado tecnicamente com bases públicas anonimizadas ou geradores sintéticos realistas (sem CEP). Caso o TCC utilize logs reais não públicos de turmas do CEFET-MG ou ProgramAÇO, a coleta/análise fica condicionada à aprovação prévia no CEP e pseudonimização estrita.

2. O que será feito (Objetivos Técnicos e Escopo)

  1. Projetar um modelo analítico (ETL + esquema estrela/analítico) que consuma registros pseudonimizados no formato WOKDEX (lst:json-response) e logs de juiz online;
  2. Aplicar técnicas de mineração de processos / clustering de trajetórias de submissão (ex.: sequências CE -> WA(MISCONCEPTION) -> WA(FUNCTIONAL) -> AC) para detectar padrões de bloqueio e risco precoce;
  3. Desenvolver um dashboard web interativo para docentes (React/Next.js ou Streamlit/Dash + FastAPI) exibindo mapas de calor por cenário/habilidade, curvas de transição de erros e alertas agregados com privacidade por desenho (pseudonimização e limiar mínimo \(k\)-anonimato por grupo);
  4. Validar o sistema usando datasets históricos anonimizados autorizados ou geradores sintéticos realistas de turmas.

3. Perguntas para você refletir

Se você se identifica com as questões abaixo, este tema pode ser uma boa escolha:

  • Qual a diferença prática para um professor entre saber “60% da turma recebeu WA” e ver “45% está presa no padrão MISCONCEPTION-OFF-BY-ONE há 5 tentativas”?
  • Como garantir privacidade por desenho (\(k\)-anonimato, agregação mínima) para que o painel apoie pedagogicamente sem expor ou estigmatizar estudantes individuais?
  • Que algoritmos de process mining ou agrupamento de sequências melhor representam a evolução de submissões ao longo de um semestre?

4. Divisão Sugerida (TCC 1 e TCC 2)

  • TCC 1: Levantamento de métricas de Learning Analytics para programação, modelagem do pipeline de ingestão pseudonimizada e protótipo de baixa/média fidelidade (além de protocolo CEP, se optar por turma real).
  • TCC 2: Implementação do backend analítico/clustering e do painel web, além de estudo de caso técnico sobre dados históricos autorizados/simulados.

5. Entregáveis e Métricas de Avaliação

6. Pré-requisitos e Tecnologias Sugeridas

  • Base necessária: Python (Ciência de Dados), SQL, visualização de dados e desenvolvimento Web Full-Stack.
  • Tecnologias e conceitos envolvidos: Pandas/Polars, SQL analítico (DuckDB/PostgreSQL), Process Mining / Clustering, FastAPI + React/Next.js ou Streamlit/Dash, privacidade (\(k\)-anonimato).

7. Origem e Ponto de Partida

  • Origem na pesquisa WOKDEX:
    • cap05-implementacao.tex (lst:json-response — contrato com exercício, cenário, faixa A–E, \(r_s\), tempo/memória);
    • apendices/arquivo-editorial/apendice-d-hipoteses-experimento-legado.tex (evolução qualitativa de erros, time-to-success, risco de desistência);
    • apendices/arquivo-editorial/apendice-e-dados-historicos-planejamento.tex.
  • Consulte também o guia de Metodologia e Ética.

8. Como demonstrar interesse

Antes de agendarmos uma conversa, prepare respostas curtas para:

  1. Por que esse tema chamou sua atenção?
  2. Você prefere validar o sistema no recorte computacional (dados públicos/sintéticos, sem CEP) ou planejar submissão ao CEP para estudo com logs reais?
  3. Qual sua disponibilidade semanal estimada para o TCC?
De volta ao topo