-
Notifications
You must be signed in to change notification settings - Fork 0
/
slides.Rmd
407 lines (316 loc) · 17.3 KB
/
slides.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
---
title: "Análise do corpo discente da UNESP Bauru"
author: "Ana Cecília, Elisângela Santos, João Albino, Matheus Lopes, Pedro Silva e Vinícius Camargo"
mainfont: Arial
sansfont: Arial
output: ioslides_presentation
---
```{r setup, include=FALSE}
library("reshape2")
library("RColorBrewer")
library("readxl")
df <- read_excel("/Users/joaopedroalbino/Desktop/Projetos R/Grupo-1/dados/umses_graduacao_2018_vtidy.xlsx")
cor <- function(numero_dados) {
d=brewer.pal(n = numero_dados, name = "RdBu")
return(d)
}
knitr::opts_chunk$set(echo = FALSE)
```
## INTRODUÇÃO
Nosso projeto foi baseado na análise populacional coletada pelos alunos da turma de Ciência de Dados no segundo semestre de 2018. O objetivo principal do trabalho era responder a questão: *Quais são as influências das mídias sociais sobre discentes da instituição de nível superior UNESP-Bauru-SP?*
Desta maneira, durante o projeto coletamos dados de alunos da instituição para que pudéssemos responder questões sobre utilização de dispositivos informacionais em relação ao ambiente acadêmico e profissional.
## ANÁLISE POPULACIONAL
Os dados foram coletados pelos alunos da turma. O projeto contou com a coleta de dados sobre **61 pessoas**.
```{r, echo=FALSE, warning=FALSE}
#atribuindo os valores da coluna genero
data <- df
coluna_genero <- data$'genero'
# Dicionário de dados
# Não informado = 1
# Masculino = 2
# Feminino = 3
nao_informado <- sum(coluna_genero == '1')
masculino <- sum(coluna_genero == '2')
feminino <- sum(coluna_genero == '3')
total <- masculino + feminino + nao_informado
dados <- c(nao_informado, masculino, feminino)
legenda <- c("Não Informado", "Masculino", "Feminino")
qtd <- length(legenda)
pct <- round(dados/sum(dados)*100)
legenda <- paste(legenda, pct)
legenda <- paste(legenda,"%",sep="")
```
```{r, fig.align='center', echo=FALSE, out.width = '45%'}
pie(dados,labels = legenda, col=cor(qtd),
main="Gênero Público")
```
Como podemos ver, a amostra é composta majoritariamente por homens. Dessa maneira, tivemos 37 homens e 24 mulheres. Nenhum participante assinalou assinalou como "Não quero informar".
## Sobre a idade, estado civil e filhos
Dentro da pesquisa, existem dois grandes grupos de idade. Aproximadamente, 95% das pessoas consultadas estão entre 16 e 25 anos, ou seja, nasceram entre 1993 e o início dos anos 200.
Analisando os dados, as pessoas com vínculos remunerados totalizam 37 e, em contrapartida, 24 estão desempregadas. Interessante analisar que 60,65% dos entrevistados possuem remuneração.
Além disse, pesquisa também procurou compreender se o público possuía filhos ou não. Dentro das análises, podemos perceber que apenas *uma das pessoas entrevistadas estava casada* e apenas *uma pessoa possui um filho*. Todo o restante encontrava-se solteiro e sem filhos.
## Análises
Nesse momento, mostraremos os dados bem como suas análises. Começando pelas dificuldades que os discentes encontram ao utilizar as redes sociais.
## Dificuldades de utilização das mídias sociais
```{r echo=FALSE, message=FALSE, warning=FALSE}
distracao <- sum(df$distracao == '1')
usoindev <- sum(df$usoindev == '1')
prejintera <- sum(df$prejintera == '1')
bulling <- sum(df$bulling == '1')
continadeq <- sum(df$continadeq == '1')
cor <- function(numero_dados) {
d=brewer.pal(n = numero_dados, name = "RdBu")
return(d)
}
```
Como podemos perceber, o gráfico apresentado a seguir demonstra que as principais dificuldades enfrentadas pelos usuários estão relacionadas a distração que as mídias sociais podem trazer, além do possível uso indevido das plataformas dentro de sala de aula.
Problemas referentes a distração em sala de aula indicam uma preocupação com a liberdade oferecida aos alunos durante a utilização dessas plataformas para fins acadêmicos. Por apresentarem milhares de conteúdos interativos, as redes sociais podem ser fonte de distrações se não forem delimitados os acessos durante a aula.
## Dificuldades de utilização das mídias sociais (continuação)
Mesmo com algumas dificuldades apontadas pelos entrevistados, tais dificuldades se mostram superáveis, não representando um empecilho para a aplicação das mídias sociais no meio educacional.
## Gráfico de dificuldades apontadas pelos entrevistados
```{r pressure}
labels <- c(
"Distração em sala de aula",
"Uso indevido",
"Problemas de interação entre professores e alunos",
"Cyberbullying",
"Conteúdo inadequado"
)
dados <- c(
distracao, usoindev, prejintera, bulling, continadeq
)
legenda = paste(labels, " - ", dados)
quantidade = length(labels)
barplot(dados, col=cor(quantidade), main="Dificuldades de uso", ylim = c(0, 60), legend = legenda)
```
## Como os entrevistados avaliam os recursos das plataformas de mídias sociais no contexto acadêmico?
<span style="font-size: 11pt;">
Foram considerados os seguintes recursos:<br>
<strong>A.</strong> Envio de informações da escola para os pais.<br>
<strong>B.</strong> Um número crescente de instituições educacionais está usando mídias sociais por motivos promocionais.<br>
<strong>C.</strong> As escolas estão começando a usar grupos no Facebook para se comunicar com os alunos.<br>
<strong>D.</strong> Os membros dos grupos podem trocar arquivos, links, informações, pesquisas e vídeos rapidamente. Quando alguém contribui com o grupo, seus membros recebem uma notificação. Se for utilizado o aplicativo Facebook para smartphone, estas trocas são enviadas diretamente para o dispositivo móvel dos alunos.<br>
<strong>E.</strong> Estudantes e professores podem compartilhar informações entre si.<br>
<strong>F.</strong> O aplicativo “Pinterest" está se tornando popular como um "quadro virtual". O App permite compartilhar, carregar, classificar e gerenciar imagens, vídeos e outros conteúdos multimídia. É ótimo para compartilhar recursos da internet que os alunos acharem interessantes ou relevantes.
</span>
***
<span style="display: block;
margin-left: auto;
margin-right: auto;
width: 50%;">
{width=250px}
</span>
***
Observando o gráfico que contabiliza as respostas, podemos observar que:
- Na média os recursos foram considerados bons;
- O recurso que foi melhor avaliado, obtendo o maior número de “Excelente” e nenhum “Pobre” ou “Muito pobre”, foi do aplicativo Facebook que disponibiliza a ferramenta de criação de grupos para compartilhamento de informações;
- A troca de informações escolares com os pais, bem como o número crescente de instituições estarem utilizando as plataformas sociais como meios de promoção, foram os recursos que mais obtiveram classificações ruins, com os maiores números de “Muito pobre”;
- Sobre o recurso do aplicativo Pinterest, foi o que mais obteve a classificação “Indiferente”, sendo inclusive o maior número dentre as categorias em que foi avaliado.
## Estagiários e LinkedIn
Analisamos que entre as maiores porcentagens entre os empregados entrevistados, encontram-se os estagiários, e entre estes, a maioria utiliza a rede social LinkedIn.
```{r echo=FALSE, message=FALSE, warning=FALSE}
#usando xls
data <- df
data$ID <- seq.int(nrow(data))
agrupa <- as.data.frame(list(data$ID, data))
names(agrupa)[1] <- "ID"
#seleciona onde são estagiarios e utilizam ou não a plataforma
estagiarios_linkedin <- subset(agrupa, agrupa$trabalha == 4, select = c(ID, linkedin))
usam_e_est <- sum(estagiarios_linkedin$linkedin == '1')
nao_usam_e_estagiarios <- sum(estagiarios_linkedin$linkedin == '0')
```
```{r, fig.align='center', echo=FALSE}
dados <- c(usam_e_est, nao_usam_e_estagiarios)
legenda <- c("Usam LinkedIn e estagiam", "Não utilizam e estagiam")
qtd <- length(legenda)
pct <- round(dados/sum(dados)*100)
legenda <- paste(legenda, pct)
legenda <- paste(legenda,"%",sep="")
pie(dados,labels = legenda,
main="Estagiários que usam LinkedIn")
```
## Jornada Parcial e LinkedIn
Analisamos que entre as maiores porcentagens entre os empregados entrevistados, encontram-se as pessoas que fazem jornada parcial, e entre estes, há uma divisão igualitária entre quem utiliza e quem não utiliza a rede social LinkedIn.
```{r echo=FALSE, message=FALSE, warning=FALSE}
#usando xls
data <- df
data$ID <- seq.int(nrow(data))
agrupa <- as.data.frame(list(data$ID, data))
names(agrupa)[1] <- "ID"
parcial_linkedin <- subset(agrupa, agrupa$trabalha == 2, select = c(ID, linkedin))
usam_e_parc <- sum(parcial_linkedin$linkedin == '1')
nao_usam_e_parc <- sum(parcial_linkedin$linkedin == '0')
```
```{r, fig.align='center', echo=FALSE}
dados <- c(usam_e_parc, nao_usam_e_parc)
legenda <- c("Usam LinkedIn", "Não utilizam")
qtd <- length(legenda)
pct <- round(dados/sum(dados)*100)
legenda <- paste(legenda, pct)
legenda <- paste(legenda,"%",sep="")
pie(dados,labels = legenda,
main="Fazem jornada parcial e usam LinkedIn")
```
## As redes sociais podem melhorar os resultados dos alunos?
Embora o uso das redes sociais como apoio aos professores ainda divida opiniões, é de consentimento geral que o debate, nessa etapa da discussão, é essencial.
Uma universidade pública como a UNESP compreende uma parcela de público diversificada e, portanto, muito importante para essa discussão.
```{r echo=FALSE, message=FALSE, warning=FALSE}
library("readxl")
melhoraresul = df$melhoraresul
#1.Não
#2.Sim
#3.Não sei / Não tenho opinião
melhoraresul.nao <- sum(melhoraresul == '1')
melhoraresul.sim <- sum(melhoraresul == '2')
melhoraresul.nao_sei <- sum(melhoraresul == '3')
melhoraresul.nao.tempo = subset(df, df$melhoraresul == 1,select=c("tempogasto"))
melhoraresul.sim.tempo = subset(df, df$melhoraresul == 2,select=c("tempogasto"))
```
```{r, echo=FALSE, warning=FALSE}
mr = c(melhoraresul.nao, melhoraresul.sim, melhoraresul.nao_sei)
legenda_analise <- c("Não", "Sim", "Não sei / Não tenho opinião")
qtd <- length(legenda_analise)
pct <- round(mr/sum(mr)*100, digits = 1)
legenda_analise <- paste(legenda_analise, pct)
legenda_analise <- paste(legenda_analise,"%",sep="")
```
***
### Opinião dos participantes
Aprofundando-se na opinião dos entrevistados, verificamos um aceno significativo, onde mais de 60% vê as redes sociais como uma opção interassante de ferramenta a fim de melhorar o ensino.
```{r, fig.align='center', echo=FALSE, fig.width=12, fig.height=5, out.width = '80%'}
pie(mr, labels = legenda_analise, col = c("indianred1","seagreen2","peachpuff1"),
main="Midias sociais integradas as aulas podem melhorar os resultados dos alunos?")
```
A informação, no entanto, diz pouco sobre a opinião do público da pesquisa acerca do tema, deixando questões como por responder.
***
### As respostas e o tempo
Um ponto importante é a relação pessoal de uso que dos participantes têm com essas mídias, já que é sensato imaginar que sua opinião está intimamente ligada a maneira como eles vêm e entendem essas redes.
Como forma de analisar a questão apresentamos alguns gráficos que relacionam o tempo gasto dos entrevistados e sua opinião sobre o uso das mídias sociais.
```{r, echo=FALSE, warning=FALSE}
melhoraresul.sim.tempo.1 <- sum(melhoraresul.sim.tempo$tempogasto == 1)
melhoraresul.sim.tempo.2 <- sum(melhoraresul.sim.tempo$tempogasto == 2)
melhoraresul.sim.tempo.3 <- sum(melhoraresul.sim.tempo$tempogasto == 3)
melhoraresul.sim.tempo.4 <- sum(melhoraresul.sim.tempo$tempogasto == 4)
melhoraresul.sim.tempo.5 <- sum(melhoraresul.sim.tempo$tempogasto == 5)
melhoraresul.sim.tempo.6 <- sum(melhoraresul.sim.tempo$tempogasto == 6)
melhoraresul.sim.tempo.7 <- sum(melhoraresul.sim.tempo$tempogasto == 7)
melhoraresul.sim.tempo.8 <- sum(melhoraresul.sim.tempo$tempogasto == 8)
melhoraresul.sim.tempo.9 <- sum(melhoraresul.sim.tempo$tempogasto == 9)
#note que melhoraresul.sim.tempo.8 = 0
legenda_tempo_sim <- c("de 30 minutos até 1 hora",
"de 1 a 2 horas",
"de 2 a 3 horas",
"de 3 a 4 horas",
"mais de 5 horas")
chart_sim <- c(melhoraresul.sim.tempo.4,
melhoraresul.sim.tempo.5,
melhoraresul.sim.tempo.6,
melhoraresul.sim.tempo.7,
melhoraresul.sim.tempo.9)
qtd <- length(legenda_tempo_sim)
pct <- round(chart_sim/sum(chart_sim)*100, digits = 1)
pct <- paste(pct,"%",sep="")
```
***
```{r, fig.align='center', echo=FALSE, fig.width=12, fig.height=5, out.width = '90%'}
pie(chart_sim, labels = pct, col=c("lightcyan1", "lightgoldenrod1", "lightpink", "lightskyblue1","thistle1"), main="Tempo gasto pelos que acreditam na melhoria \ndo ensino através das mídias sociais")
legend("topleft",
title="Tempo gasto usando mídias sociais",
legenda_tempo_sim,
fill=c("lightcyan1", "lightgoldenrod1", "lightpink", "lightskyblue1","thistle1"),
cex=0.90)
```
```{r, echo=FALSE, warning=FALSE}
melhoraresul.nao.tempo.1 <- sum(melhoraresul.nao.tempo$tempogasto == 1)
melhoraresul.nao.tempo.2 <- sum(melhoraresul.nao.tempo$tempogasto == 2)
melhoraresul.nao.tempo.3 <- sum(melhoraresul.nao.tempo$tempogasto == 3)
melhoraresul.nao.tempo.4 <- sum(melhoraresul.nao.tempo$tempogasto == 4)
melhoraresul.nao.tempo.5 <- sum(melhoraresul.nao.tempo$tempogasto == 5)
melhoraresul.nao.tempo.6 <- sum(melhoraresul.nao.tempo$tempogasto == 6)
melhoraresul.nao.tempo.7 <- sum(melhoraresul.nao.tempo$tempogasto == 7)
melhoraresul.nao.tempo.8 <- sum(melhoraresul.nao.tempo$tempogasto == 8)
melhoraresul.nao.tempo.9 <- sum(melhoraresul.nao.tempo$tempogasto == 9)
#note que melhoraresul.nao.tempo.4, melhoraresul.nao.tempo.5 e melhoraresul.nao.tempo.8 são iguais a 0
legenda_tempo_nao <- c("de 5 a 10 minutos",
"de 10 a 30 minutos",
"de 2 a 3 horas",
"de 3 a 4 horas",
"mais de 5 horas")
chart_nao <- c(melhoraresul.nao.tempo.2,
melhoraresul.nao.tempo.3,
melhoraresul.nao.tempo.6,
melhoraresul.nao.tempo.7,
melhoraresul.nao.tempo.9)
pct <- round(chart_nao/sum(chart_nao)*100, digits = 1)
pct <- paste(pct,"%",sep="")
```
```{r, fig.align='center', echo=FALSE, fig.width=12, fig.height=5, out.width = '90%'}
pie(chart_nao, labels = pct, col=c("lightcyan1", "lightgoldenrod1", "lightpink", "lightskyblue1","thistle1"), main="Tempo gasto pelos que NÃO acreditam na melhoria \ndo ensino através das mídias sociais")
legend("topright",
title="Tempo gasto usando mídias sociais",
legenda_tempo_nao,
fill=c("lightcyan1", "lightgoldenrod1", "lightpink", "lightskyblue1","thistle1"),
cex=0.90)
```
***
Podemos ressaltar dois pontos importantes:
- A maioria absoluta dos que defendem as mídias como ferramenta usa as mesmas por pelo menos 1 hora ao dia (quase 95%!!) e que TODOS usam por meia hora ou mais
- Embora os tempos dos que não acreditam nas redes sociais como ferramenta de consumo sejam distribuídos, metade não usa redes sociais por mais de 30 minutos no dia!
```{r, echo=FALSE, warning=FALSE}
all_nao = c(melhoraresul.nao.tempo.1,
melhoraresul.nao.tempo.2,
melhoraresul.nao.tempo.3,
melhoraresul.nao.tempo.4,
melhoraresul.nao.tempo.5,
melhoraresul.nao.tempo.6,
melhoraresul.nao.tempo.7,
melhoraresul.nao.tempo.8,
melhoraresul.nao.tempo.9)
all_sim = c(melhoraresul.sim.tempo.1,
melhoraresul.sim.tempo.2,
melhoraresul.sim.tempo.3,
melhoraresul.sim.tempo.4,
melhoraresul.sim.tempo.5,
melhoraresul.sim.tempo.6,
melhoraresul.sim.tempo.7,
melhoraresul.sim.tempo.8,
melhoraresul.sim.tempo.9)
all = data.frame(
all_sim = all_sim,
all_nao = all_nao,
stringsAsFactors=F
)
all_matrix = as.matrix(all)
colnames(all_matrix) <- c("all_sim","all_nao")
legenda_all = c("Nenhum",
"5 a 10 minutos",
"10 a 30 minutos",
"30 a 60 minutos",
"1 a 2 horas",
"2 a 3 horas",
"3 a 4 horas",
"4 a 5 horas",
"> 5horas")
```
***
Para uma visão panorâmica da questão, apresentamos um terceiro gráfico:
```{r, fig.align='center', echo=FALSE, fig.width=14, fig.height=8, out.width = '100%'}
barplot(t(all[c('all_sim','all_nao')]), beside = TRUE,
cex.names=0.85,
xlab="Tempo gasto",
names.arg=legenda_all,
col=c("seagreen2","indianred1"),
ylim=c(0,12),
main="Você acredita nas mídias sociais como ferramentas para melhorar o aprendizado?")
legend("topleft", inset=.015,
c("Sim","Não"), fill=c("seagreen2","indianred1"), text.font=2, cex=0.9)
```
***
No gráfico fica evidente tanto a grandeza da opinião positiva sobre a negativa, quanto a relação de que as opiniões postivas tendem a se concentrar nos entrevistados que passam mais tempo _online_.
Dessa forma, verificamos que aqueles que tem mais "intimidade" com as redes tambem as vêm com potencial para o ensino.
## Conclusão
Dentro do trabalho, procuramos elucidar um pouco sobre o perfil dos discentes dos cursos da UNESP Bauru. Analisamos a amostra populacional, bem como sua utilização das mídias sociais.
Doravante, alguns pontos são importantes:
- Muito pode ser feito em relação à essas análises. Uma sugestão para próximas pesquisas seria ampliar a amostra populacional da análise;
- Discussão do próprio corpo docente da instituição com os discentes pode ser algo importante.
##Obrigad@