LMS-FAIR-India: A FAIR Compliant Synthetic LMS Interaction Dataset from a Private University for Privacy Preserving Learning Analytics

Na sala de aula moderna, o aprendizado raramente acontece de forma isolada. Ele se desenrola em plataformas digitais onde os alunos fazem login para assistir a aulas, baixar materiais de leitura, enviar tarefas e realizar testes. Cada clique, cada pausa e cada envio deixa um rastro digital, criando um vasto registro de como as pessoas aprendem. Pesquisadores chamam esse campo de análise de aprendizagem (learning analytics), e acreditam que, ao estudar esses padrões, podem entender o que ajuda os alunos a terem sucesso e o que os coloca em risco. No entanto, uma barreira significativa impede esse progresso. Os dados que revelariam esses padrões contêm informações profundamente pessoais sobre alunos reais. Leis projetadas para proteger a privacidade, como as da Índia e da Europa, tornam ilegal o compartilhamento aberto desses dados brutos. Isso cria uma situação difícil: cientistas querem estudar os dados para melhorar a educação, mas não podem tocar nos dados sem violar a privacidade dos indivíduos que eles descrevem.

Para resolver esse dilema, um pesquisador chamado Sanjay Agal, da Universidade Parul, criou um novo tipo de recurso. Em vez de compartilhar registros reais de alunos, o que seria uma quebra de confiança e de lei, a equipe gerou um conjunto de dados completamente artificial que imita o comportamento de alunos reais. Essa coleção, chamada LMS-FAIR-India, é uma vasta biblioteca de interações fictícias que parecem e sentem-se exatamente como as reais, mas não contêm pessoas de verdade. Ela permite que pesquisadores testem suas ideias e construam melhores ferramentas educacionais sem nunca precisarem ver o nome ou a nota de um único aluno real. O trabalho demonstra que é possível avançar a ciência da aprendizagem enquanto se honra rigorosamente o direito à privacidade.

O núcleo deste projeto é um conjunto de dados sintéticos, que é, essencialmente, uma simulação gerada por computador de um semestre universitário. Os pesquisadores construíram um modelo de uma universidade privada típica na Índia, completa com dez mil alunos virtuais, cento e cinquenta cursos e um período acadêmico de seis meses. Eles não utilizaram nenhum registro de alunos reais para criar este modelo. Em vez disso, basearam-se em regras públicas sobre como as universidades indianas operam, estatísticas gerais sobre como os alunos costumam se comportar online e conselhos de professores para garantir que a simulação fosse autêntica. O resultado é uma coleção de dados que inclui detalhes demográficos, informações de cursos e mais de um ponto sete milhões de eventos registrados, como logins, visualizações de vídeos e tentativas de testes. Cada peça de informação neste conjunto de dados foi criada por um programa de computador seguindo regras estatísticas, o que significa que há risco zero de identificar uma pessoa real, pois nenhuma pessoa real esteve envolvida no processo.

O conjunto de dados é estruturado para refletir a complexidade de um ambiente de aprendizagem real. Ele não apenas lista eventos aleatórios; ele os conecta logicamente. Por exemplo, os dados mostram em quais cursos os alunos estão matriculados, quanto tempo passaram na plataforma e quais notas receberam em suas tarefas. Os pesquisadores garantiram que os padrões nesses dados artificiais coincidissem com o que é visto na vida real. Na simulação, alunos que possuíam históricos acadêmicos mais fortes antes de iniciar o semestre tendiam a ser mais ativos na plataforma, um padrão que espelha a realidade. Os dados também capturam o ritmo da vida estudantil, mostrando que a atividade atinge o pico durante o meio do dia nos dias úteis e cai significativamente nos fins de semana. Ao reproduzir esses comportamentos naturais, o conjunto de dados fornece um campo de teste realista para pesquisadores que desejam desenvolver ferramentas para prever quais alunos podem enfrentar dificuldades ou para projetar maneiras melhores de engajar os alunos.

Um dos aspectos mais importantes deste trabalho é como ele lida com a questão da privacidade. No passado, pesquisadores às vezes tentavam proteger dados reais removendo nomes ou ocultando detalhes específicos, um processo conhecido como anonimização. No entanto, especialistas demonstraram que mesmo dados anonimizados podem, às vezes, ser rastreados até indivíduos se combinados com outras informações. Esta nova abordagem evita esse risco inteiramente. Como os dados são gerados do zero usando distribuições aleatórias e modelos estatísticos, é impossível vincular qualquer registro a um aluno real. Os pesquisadores testaram isso tentando enganar um computador para que ele pensasse que um aluno fictício era real, e o computador falhou em encontrar qualquer conexão. Este método de "privacidade por design" significa que os dados podem ser compartilhados livremente com qualquer pessoa no mundo, permitindo a colaboração aberta sem o medo de violações legais ou éticas.

Para tornar os dados úteis para a comunidade científica global, os pesquisadores seguiram um conjunto de princípios conhecidos como FAIR, que significa Encontrável (Findable), Acessível (Accessible), Interoperável (Interoperable) e Reutilizável (Reusable). O conjunto de dados está hospedado em um arquivo online público com um endereço digital permanente, para que possa ser facilmente encontrado e citado. Ele está disponível gratuitamente sob uma licença que permite que qualquer pessoa o utilize, modifique e compartilhe, desde que dê o crédito aos criadores. Os dados estão organizados em arquivos claros e padronizados, que podem ser abertos por quase qualquer programa de computador, e vêm acompanhados de um guia detalhado que explica exatamente o que cada coluna e número significa. Além disso, os pesquisadores disponibilizaram o código de computador usado para criar os dados ao público. Essa transparência permite que outros cientistas verifiquem os resultados, adaptem a simulação para suas próprias universidades ou gerem novos conjuntos de dados adaptados a diferentes contextos educacionais.

O valor deste conjunto de dados foi comprovado através de uma série de testes projetados para ver se ele poderia suportar pesquisas reais. Os pesquisadores usaram os dados artificiais para treinar modelos de computador para prever o engajamento dos alunos e para identificar estudantes que poderiam abandonar seus cursos. Os modelos performaram tão bem nesses dados falsos quanto modelos semelhantes performaram em dados reais em estudos anteriores. Por exemplo, quando os pesquisadores tentaram prever quais alunos concluiriam seus cursos, o sistema identificou corretamente os alunos em risco com um alto grau de precisão. Eles também confirmaram que a relação entre a frequência com que um aluno faz login e suas notas finais foi preservada na simulação, correspondendo aos achados de estudos do mundo real. Esses resultados sugerem que os dados sintéticos são um substituto confiável para dados reais quando se trata de desenvolver e testar novas tecnologias educacionais.

Este trabalho aborda uma lacuna crítica no campo da análise de aprendizagem, particularmente no contexto do ensino superior na Índia. Embora existam alguns conjuntos de dados públicos de países ocidentais, eles frequentemente refletem sistemas educacionais e contextos culturais diferentes. O conjunto de dados LMS-FAIR-India preenche esse vazio ao fornecer uma simulação de grande escala e realista de uma universidade privada indiana. Ele oferece uma oportunidade única para pesquisadores estudarem como os alunos nesse ambiente específico aprendem e interagem com a tecnologia. Ao fornecer uma ferramenta que é simultaneamente segura para a privacidade e cientificamente robusta, o projeto possibilita uma nova onda de inovação na educação. Ele permite que cientistas façam perguntas difíceis sobre o sucesso dos alunos e encontrem respostas sem comprometer a dignidade ou a segurança dos indivíduos que estão estudando.

As implicações deste trabalho estendem-se além de apenas um conjunto de dados. Demonstram um caminho prático para todo o campo da pesquisa educacional. Ao mostrar que dados de alta qualidade e que preservam a privacidade podem ser gerados e compartilhados abertamente, os pesquisadores removeram um grande obstáculo que tem retardado o progresso por anos. Outras instituições podem agora usar os mesmos métodos para criar seus próprios conjuntos de dados sintéticos, adaptados às suas necessidades específicas, sem precisar navegar por complexas barreiras legais. Esta abordagem promove uma cultura de abertura e colaboração, onde o foco permanece na melhoria dos resultados de aprendizagem para todos os alunos. O conjunto de dados é um testemunho da ideia de que proteger a privacidade e avançar a ciência não são objetivos opostos, mas sim objetivos complementares que podem ser alcançados juntos através de um design cuidadoso e criativo.