This paper aims to present a new model of learning paths, based on the interaction of students with learning management systems, which can be used as a learner model. Data were collected from closed classes and from the analysis performed, a representation of the model was designed as a directed graph. The resources and activities were represented as vertices, and the student 's navigation (path) between the vertices as edges. The results of the experiments show that it is possible to use the proposed model to perform actions such as prediction of school dropout, group formation and behavior analysis.

No abstract

In this paper we propose a conceptual framework for groups formation of students in a Virtual Learning Environment (VLE). We have developed and validated a conceptual framework for group recommendation for collaborative activities, using student characterization based on learning paths (LPs) in a VLE. The approach we followed emphasizes group formation applying K-Means algorithm, using three similarity metrics: Euclidian, Manhattan and Cosine metrics. The framework validation was performed through the implementation of the M-Cluster tool. Real user interaction data with the tool is used in validation. Resumo.Neste artigo é proposto um framework conceitual para formação de grupos de alunos em um Ambiente Virtual de Aprendizagem (AVA). Nós desenvolvemos e validamos um framework conceitual para recomendação de grupos para atividades colaborativas, utilizando a caracterização dos aprendizes baseada em trilhas de aprendizagem (TAs). A abordagem seguida 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. A validação do framework foi realizada por meio da implementação da ferramenta M-Cluster. Dados reais da interação de usuários com a ferramenta são utilizados na validação.

Abstract. Groups are a basic social structure that form and change themselves for multiple purposes. Often it is necessary to organize groups of students to carry out activities. This paper presents the M-Cluster, a tool that suggests groups for performing collaborative activities in Virtual Learning Environments. It uses the K-Means algorithm, coupled with three similarity metrics, along with the attributes obtained from the Learning Path. The MCluster presents three solutions, descriptively or visually, to the teacher who chooses the most appropriate for each case. The results of the case study show that the tool is promising, improving the performance of up to 75% of the students.Resumo. Grupos são uma estrutura social básica que se formam e se modificam para múltiplos propósitos. Muitas vezes é necessário organizar grupos de discentes para realizar atividades. Este artigo apresenta a ferramenta M-Cluster que sugere grupos para a realização de atividades colaborativas em Ambientes Virtuais de Aprendizagem. Ela utiliza o algoritmo K-Means, associado a três métricas de similaridade, juntamente com os atributos obtidos das Trilhas de Aprendizagem. O M-Cluster apresenta três soluções, de forma descritiva ou visual, ao professor que escolhe a mais adequada para cada caso. Os resultados do estudo de caso mostram que a ferramenta é promissora, melhorando o desempenho de até 75% dos alunos. IntroduçãoGrupos são pequenos conjuntos de indivíduos que se reúnem em torno de uma determinada peculiaridade [Santos, Castro e Castro 2007]. Enquanto estudantes formam grupos facilmente no ambiente externo da sala de aula, formar grupos em um curso pode ser um processo não natural. Contudo, para que a aprendizagem colaborativa seja bemsucedida, é importante formar grupos que possam ser efetivos e eficientes em realizar os objetivos da tarefa. Nesse sentido, busca-se melhorar as interações dos alunos principalmente em atividades em grupo. O trabalho em grupo é um recurso bastante

No abstract