| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 1.08 MB | Adobe PDF |
Autores
Lopes, Nuno de Castro
Orientador(es)
Resumo(s)
A Ciência de Dados Educativos procura obter conhecimento e prever eventos futuros com base em dados educativos. No entanto, muitas análises ainda se limitam à descrição e previsão, sem identificar as causas subjacentes. Este artigo integra duas revisões da literatura: uma narrativa sobre métodos clássicos de inferência causal (Propensity Score Matching, Regressão Descontínua, Diferença-em-Diferenças e Controlo Sintético) e uma revisão de revisões sobre técnicas de Aprendizagem Automática Causal (CML), como a Transformação de Resultados, os Meta-learners e os algoritmos Causal Tree e Causal Forest. A análise evidencia o potencial destas metodologias para avaliar o impacto real das intervenções pedagógicas e personalizar o ensino a distância e e-learning, destacando a necessidade de maior formação técnica e literacia causal entre investigadores e analistas.
Educational Data Science seeks to gain knowledge and predict future events based on educational data. However, many analyses are still limited to description and prediction, without identifying the underlying causes. This article integrates two literature reviews: a narrative on classical causal inference methods (Propensity Score Matching, Regression Discontinuity, Difference-in-Differences, and Synthetic Control) and a review of reviews on Causal Machine Learning (CML) techniques, such as Outcome Transformation, Meta-learners, and Causal Tree and Causal Forest algorithms. The analysis highlights the potential of these methodologies to assess the real impact of pedagogical interventions and personalize distance learning and e-learning, emphasizing the need for greater technical training and causal literacy among researchers and analysts.
Educational Data Science seeks to gain knowledge and predict future events based on educational data. However, many analyses are still limited to description and prediction, without identifying the underlying causes. This article integrates two literature reviews: a narrative on classical causal inference methods (Propensity Score Matching, Regression Discontinuity, Difference-in-Differences, and Synthetic Control) and a review of reviews on Causal Machine Learning (CML) techniques, such as Outcome Transformation, Meta-learners, and Causal Tree and Causal Forest algorithms. The analysis highlights the potential of these methodologies to assess the real impact of pedagogical interventions and personalize distance learning and e-learning, emphasizing the need for greater technical training and causal literacy among researchers and analysts.
Descrição
Palavras-chave
Ciência de dados educativos Análise de aprendizagem Inferência causal Aprendizagem automática causal Heterogeneidade dos efeitos do tratamento Education data science Learning analytics Causal inference Causal machine learning Treatment effects heterogenety
Contexto Educativo
Citação
Lopes, N. (2026). A Inferência e Aprendizagem Automática Causal na Ciência de Dados Educativos: Uma Revisão da Literatura. RE@D - Revista De Educação a Distância E Elearning, 9(1), e202605. https://doi.org/10.34627/redvol9iss1e202605
Editora
Universidade Aberta. LE@D