Learning Analytics para o monitoramento do desempenho em Ciências Naturais no nono ano da Educação Geral Básica
detecção precoce e resposta pedagógica ética
DOI:
https://doi.org/10.59343/yuyay.v5i3.g8a15Palavras-chave:
Analíticas da aprendizagem, ciências naturais, educação básica, detecção precoce, ética educacionalResumo
Este artigo apresenta uma revisão da literatura sobre o uso de Learning Analytics para o monitoramento do desempenho acadêmico em Ciências Naturais no nono ano da Educação Geral Básica, com ênfase na detecção precoce de dificuldades de aprendizagem e na resposta pedagógica ética. O estudo analisa 32 artigos científicos publicados entre 2019 e 2025, selecionados por meio de uma abordagem narrativa baseada no modelo IMRyD e nas diretrizes PRISMA. Os resultados indicam que, embora os sistemas de alerta precoce baseados em analíticas da aprendizagem apresentem alto potencial para antecipar o baixo desempenho acadêmico, seu impacto educacional depende do alinhamento curricular, da interpretação docente e da integração de princípios éticos como transparência, proteção de dados e não estigmatização. A partir da análise do currículo equatoriano de Ciências Naturais para o nono ano da Educação Geral Básica, propõe-se um modelo de Learning Analytics orientado à avaliação formativa e ao cuidado pedagógico, concebido como uma ferramenta de apoio à tomada de decisão docente e não como um mecanismo de controle. Conclui-se que a implementação contextualizada e ética das analíticas da aprendizagem pode contribuir significativamente para a melhoria da aprendizagem científica na educação básica.
Downloads
Referências
Asamblea Nacional del Ecuador. (2021). Ley orgánica de protección de datos personales. Registro Oficial No. 459.
Baker, R. S., & Hawn, A. (2022). Algorithmic bias in education. International Journal of Artificial Intelligence in Education, 32(4), 1–25. https://doi.org/10.1007/s40593-021-00285-9
Bañeres, D., Rodríguez, M. E., & Serra, M. (2023). An early warning system to identify and intervene online students at risk of failure. Computers & Education, 192, 104657. https://doi.org/10.1016/j.compedu.2022.104657
Cabrera-Amaiquema, J. E., Quintero-Moreira, I. Y., Oviedo-Bonilla, C. M., & Cervantes-Avilés, R. P. (2025). Experiential Learning and the Optimization of Learning in Students with Neurodevelopmental Disorders through Educational Personalization. Sapiendus, 1(1). https://doi.org/10.70335/sapiendus.1.1.5
Cormack, A. N. (2022). Developing a code of practice for learning analytics: A critical reflection. British Journal of Educational Technology, 53(1), 1–16. https://doi.org/10.1111/bjet.13162
Deho, O. B., Zhan, C., Li, J., Liu, J., Liu, L., & Duy Le, T. (2022). How do the existing fairness metrics and unfairness mitigation algorithms contribute to ethical learning analytics?. British Journal of Educational Technology, 53(4), 822-843. https://doi.org/10.1111/bjet.13217
Hooshyar, D., Malva, L., Yang, Y., & Pedaste, M. (2023). Learning analytics in supporting student agency. Computers in Human Behavior, 139, 107504. https://doi.org/10.1016/j.chb.2022.107504
Jisc. (2015). Code of practice for learning analytics. https://www.jisc.ac.uk
Kovanović, V., Mazziotti, C., & Lodge, J. M. (2021). Learning analytics for primary and secondary schools. British Journal of Educational Technology, 52(6), 2139–2158. https://doi.org/10.1111/bjet.13107
Li, W., Zhao, K., & Chen, G. (2022). Disparities in students’ propensity to consent to learning analytics. Educational Research Review, 37, 100472. https://doi.org/10.1016/j.edurev.2022.100472
Ministerio de Educación del Ecuador. (2016). Currículo de los niveles de educación obligatoria: Ciencias Naturales. Quito, Ecuador.
Mohseni, Z., Masiello, I., & Martins, R. M. (2023). Co-developing a learning analytics dashboard for teachers in secondary education. Computers & Education, 195, 104703. https://doi.org/10.1016/j.compedu.2023.104703
OECD. (2019). PISA 2018 results: What students know and can do. OECD Publishing. https://doi.org/10.1787/5f07c754-en
Ochoa, X. (2019). Learning analytics in Latin America: An opportunity not to be missed. British Journal of Educational Technology, 50(4), 1851–1856. https://doi.org/10.1111/bjet.12874
Pan, Z. (2024). A systematic review of learning analytics in secondary education. Educational Technology Research and Development, 72(1), 45–68. https://doi.org/10.1007/s11423-023-10235-9
Paolucci, C., et al. (2024). Learning analytics opportunities and challenges for K–12 education. Computers & Education: Artificial Intelligence, 5, 100149. https://doi.org/10.1016/j.caeai.2024.100149
Prinsloo, P., & Slade, S. Ethics and Learning Analytics: Charting the (Un) Charted. Handbook of Learning Analytics, 49. https://doi.org/10.18608/hla17.004
Siemens, G. (2013). Learning analytics: The emergence of a discipline. American Behavioral Scientist, 57(10), 1380–1400. https://doi.org/10.1177/0002764213498851
Soffer, T. (2024). Students’ perceptions of using learning analytics for self-regulated learning. Internet and Higher Education, 60, 100904. https://doi.org/10.1016/j.iheduc.2023.100904
Susnjak, T. (2022). Learning analytics dashboards: A review of benefits and challenges. IEEE Access, 10, 13456–13470. https://doi.org/10.1109/ACCESS.2022.3145563
Valtonen, T., et al. (2025). Teachers’ perceptions of learning analytics dashboards. Teaching and Teacher Education, 122, 103987. https://doi.org/10.1016/j.tate.2024.103987
Viberg, O., Hatakka, M., Bälter, O., & Mavroudi, A. (2018). The current landscape of learning analytics. Computers in Human Behavior, 89, 98–110. https://doi.org/10.1016/j.chb.2018.07.027
Downloads
Publicado
Edição
Seção
Categorias
Licença
Copyright (c) 2025 Patricia Maribel Amaluisa-Guevara, Norma Maribel Lozada-Andaluz, Rosa Elizabeth Miranda-Escobar
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Você é livre para:
Compartilhar — copiar e redistribuir material em qualquer meio ou formato
- O Licenciante não pode revogar essas liberdades, desde que você siga os termos da licença.
Atribuição — Você deve dar crédito adequadamente, fornecer um link para a licença e indicar se alguma alteração foi feita. Você pode fazê-lo de qualquer maneira razoável, mas não de uma maneira que sugira que você ou seu uso são apoiados pelo licenciante.
Não Comercial — Você não pode usar o material para fins comerciais.
Não-derivados — Se você remixar, transformar ou criar a partir do material , você não poderá distribuir o material modificado.
Sem restrições adicionais — Você não pode aplicar termos legais ou medidas tecnológicas que restrinjam legalmente outros de fazer qualquer uso permitido pela licença.
