OU Analyse — o sistema de alerta precoce de analítica preditiva de aprendizagem da Open University

OU Analyse é um sistema de alerta precoce baseado em aprendizagem automática, desenvolvido pelo Knowledge Media Institute da Open University (Reino Unido), que produz previsões semanais sobre quais os estudantes de ensino a distância em risco de reprovar numa próxima avaliação, com base em dados demográficos e em interações de clickstream com o Virtual Learning Environment da universidade. As previsões são partilhadas com os tutores das disciplinas e com as Equipas de Apoio ao Estudante para priorizar o contacto.

O sistema visa permitir apoio atempado e direcionado aos estudantes identificados como estando em risco, sendo que a universidade descreve a intervenção atempada como o objetivo que as previsões possibilitam, e não como um resultado causal quantificado separadamente.

O sistema tem funcionado em produção contínua desde a primavera de 2014, quando foi testado em dois cursos introdutórios (com cerca de 1500 e 3000 estudantes, respetivamente); expandiu-se para 18 cursos até ao outono de 2014/primavera de 2015 e continuou a operar a nível institucional durante mais de uma década.

A metodologia subjacente e o conjunto de dados (OULAD) foram publicados em 2017 na Scientific Data, revista científica da Nature avaliada por pares, abrangendo 22 cursos, 32 593 estudantes e mais de 10,6 milhões de registos de interação com o VLE — um dos maiores conjuntos de dados de learning analytics publicados abertamente, amplamente reutilizado por outros investigadores. Investigação subsequente, avaliada por pares, examinou os compromissos na exatidão das previsões (a precisão a aumentar mas a exaustividade (recall) a diminuir à medida que se acumulam mais dados dentro de cada curso), a forma como os tutores utilizam e confiam nos painéis (dashboards), e a equidade algorítmica entre grupos demográficos de estudantes.

O material de origem é explícito ao afirmar que o que foi demonstrado é a exatidão das previsões e o uso operacional sustentado ao longo de muitos cursos e anos, e não uma estimativa causal, aleatorizada ou quase-experimental, de quanto as próprias previsões aumentam as taxas de aprovação ou retenção em relação a um grupo de comparação.