@MASTERSTHESIS{ 2022:1708935801,
 	title = {Uma abordagem de game learning analytics para identificação de perfis comportamentais na utilização de jogos educacionais},
 	year = {2022},
 	url = "http://www.tede2.ufrpe.br:8080/tede2/handle/tede2/9280",
 	abstract = "Atualmente, pesquisas que buscam realizar avaliações do aprendizado adquirido pelos jogadores a partir de um Serious Game, vêm adotando medidas mais voltadas à demonstração de evidências coletadas em tempo real, a partir de técnicas como as das áreas de Machine Learning e Deep Learning. No entanto, são escassas as pesquisas que buscam realizar este tipo de avaliação e técnicas em Serious Games para a educação infantil. Dito isto, este estudo buscou aplicar uma abordagem de Game Learning Analytics que possui dois objetivos complementares: 1) Identificar padrões comportamentais; 2) Predizer o efeito de aprendizado adquirido. Para isto, esta pesquisa utilizou dados coletados de 20 jogos digitais educacionais para avaliar como diferentes alunos se beneficiaram da intervenção de leitura e escrita de palavras do aplicativo Escribo Play durante um teste com 749 alunos da préescola. Para identificação dos perfis comportamentais, foi realizada uma análise de agrupamento para formação de grupos, o método KruskalWallis para entender se há diferenças entre os grupos e o cálculo do effectsize, para revelar o quão diferentes eles são. Para a predição do efeito de aprendizado, 4 algoritmos de classificação foram treinados e validados a partir do conjunto de combinações das variáveis de interação coletadas nos jogos. A partir do processo da análise de agrupamento, foram identificados três padrões comportamentais que apresentam desempenhos distintos: O perfil 1, com maior número de alunos, que apresentou o desempenho esperado para esta intervenção; o perfil 2, que apresentou o maior effectsize, sendo um referencial de engajamento com esta intervenção; e o perfil 3, que foi formado por dois grupos, que devido ao pequeno effectsize, parecem representar crianças que ainda não estavam prontas para se beneficiarem da intervenção educativa. No processo de treinamento e validação dos algoritmos de classificação, obtivemos como melhores resultados uma Acurácia de 74% e Precisão de 81%, na classificação do desempenho dos estudantes, resultados estes que estão dentro do esperado para o contexto da educação infantil. Como fruto dos resultados obtidos nestes experimentos, descobrimos que a melhor forma de diferenciar os alunos entre si, é através das características de interação que representam os
 erros cometidos durante a utilização destes jogos. Mesmo sendo notável uma carência de estudos que abordam a educação infantil, os resultados aqui demonstrados se mostram promissores, e evidenciam que é possível pesquisarmos e explorarmos ainda mais a utilização de técnicas de Game Learning Analytics neste contexto.",
 	publisher = {Universidade Federal Rural de Pernambuco},
 	scholl = {Programa de Pós-Graduação em Ensino das Ciências},
 	note = {Departamento de Educação}
}