USO

DE REGRAS DE ASSOCIAO PARA DESCOBERTA DE

CONHECIMENTO EM EDUCAO DISTNCIA NA ENAP
Fernando Escobar
Mestrando em Computao Aplicada na Universidade de Braslia (UNB)
fernando.escobar.br@gmail.com

RESUMO
Este artigo apresenta alguns conceitos bsicos sobre Minerao de Dados e o processo
proposto pelo framework CRISP-DM, mostrando a implantao deste processo na anlise e
descoberta de associaes e reconhecimento de padres referentes aos cursos realizados,
na modalidade distncia, ofertados pela Fundao Escola Nacional de Administrao
Pblica (ENAP). Para a realizao dos experimentos foi utilizada uma extrao de dados
dos alunos concluintes de cursos a distncia na ENAP e aplicada a ferramenta de
minerao de dados WEKA, atravs do algoritmo de associao Apriori e da mtrica Lift.

1. INTRODUO
Data Mining
Hand et al. (2001) define Minerao de Dados como a anlise de grandes conjuntos de
dados, a fim de encontrar relacionamentos inesperados e de resumir dados, de uma forma
que eles sejam tanto teis como compreensveis ao dono dos dados. Cabena et al. (1998)
complementa, afirmando tratar-se de um campo interdisciplinar, que faz uso de tcnicas
de mquinas de conhecimentos, reconhecimento de padres, estatsticas, banco de dados e
visualizao.
A Minerao de Dados tornou-se uma ferramenta de apoio fundamental na gesto da
informao nas organizaes, permitindo descobrir e reconhecer padres implcitos e
relacionamentos em repositrios de grande volume de dados.

Regras de Associao
Dentre os diversos campos da minerao de dados, um dos mais importantes e que mais
tem sido alvo de pesquisas a minerao de itens frequentes. Introduzida por Agrawal,
Imielinski e Swami (1993), a tcnica de minerao de itens frequentes pode ser
segmentada em duas etapas: (1) criar um conjunto de itens frequentes (frequent itemset);
(2) gerar regras de associao partir da minerao deste conjunto.
Regras de associao representam padres onde a ocorrncia de eventos em conjunto
(associados) alta. Trata-se, portanto, da probabilidade de que um conjunto de itens
aparea em uma dada transao, desde que outro conjunto esteja presente. O objetivo da
minerao de regras de associao o de encontrar (descobrir) todos os conjuntos de
itens que frequentemente ocorrem de forma conjunta na base de dados e formar regras a
partir destes conjuntos.
Para garantir a minerao de resultados vlidos, os conceitos de suporte e confiana so
aplicados em cada regra de associao produzida. Para uma regra de associao ser
considerada forte ela deve atender a determinado grau mnimo de suporte e confiana.
Suporte
A medida de suporte indica o percentual de registros, dentro de todo o conjunto de dados,
que suportam a regra ou que se encaixam nela. Define-se suporte de X como a frao de
todas as transaes no conjunto de dados que suportam X. O suporte mnimo um valor
pr-estabelecido que representa o limite mnimo para este parmetro. Regras com valores
altos para o suporte podem ser interessantes e merecem a ateno.

Confiana
A confiana mede o percentual de registros que atendam especificamente regra. A
confiana de uma regra R definida como a probabilidade condicional, onde dada uma
transao T que suporta X, T tambm suportar Y. As regras com valores altos de
confiana se destacam qualitativamente das demais, pelo nvel de certeza de ocorrncia do
consequente da regra, a partir dos casos onde o seu antecedente ocorre.

APRIORI
O algoritmo de associao APRIORI representa um dos maiores avanos na tecnologia de
minerao de dados, sendo considerado a base para a maioria dos algoritmos que tratam
de regras de associao (HASTIE, TIBSHIRANI & FRIEDMAN, 2001).
O algoritmo fundamenta-se no princpio de que todos os subconjuntos de um conjunto de
itens frequentes (frequent itemset) so, necessariamente, frequentes. Ao gerar um
conjunto de itens candidatos, pode-se garantir que ele s ser um conjunto de itens
frequentes se todos os seus subconjuntos tambm forem frequentes.

Lift
Outro ndice estatstico comumente utilizado para definir o grau de interesse de uma regra
de associao denominado mtrica Lift.
TAN e KUMAR (2000) indicam que Lift mede quantas vezes acontece com mais frequncia
X e Y juntos, do que seria esperado se fossem estatisticamente independentes. Lift permite
medir um melhoramento da regra relativamente regra mais simples, tendo como
resultado uma razo. O Lift permite eliminar algumas regras de confiana elevada, mas
com pouco interesse.
Se o Lift for igual a 1, significa que X e Y so independentes. Se uma regra tiver Lift inferior
a 1, no interessa. Portanto, quanto maior for o Lift, mais interessante a regra.

CRISP-DM
A literatura atual descreve diversos processos que definem e padronizam as fases e
atividades da Minerao de Dados e Descoberta de Conhecimento. Este artigo utiliza o
framework proposto pelo modelo CRISP-DM (Cross-Industry Standard Process of Data
Mining) como referencial.
De acordo com OLSON (2008), o processo CRISP-DM consiste de seis fases organizadas de
maneira cclica, podendo haver interao entre as fases, no tendo execuo unidirecional.
So fases do processo CRISP-DM, ilustradas pela Figura 1:
Entendimento do Domnio: foca em entender o objetivo do projeto a partir de
uma perspectiva de negcios, definindo um plano preliminar para atingir os
objetivos.
2
 Entendimento dos Dados: recolhimento de dados e incio de atividades para
familiarizao com os dados, identificando problemas ou conjuntos interessantes.
Preparao dos Dados: construo do conjunto de dados final a partir dos dados
iniciais.
Modelagem: vrias tcnicas de modelagem so aplicadas, e seus parmetros
calibrados para otimizao.
Avaliao: construdo um modelo que parece ter grande qualidade de uma
perspectiva de anlise de dados.
Aplicao: o conhecimento adquirido pelo modelo organizado e apresentado de
uma maneira que o cliente possa utilizar.

Figura 1 - Representao do processo CRISP-DM - Fonte: Internet

2. DESCOBERTA DE CONHECIMENTO
Entendimento do Domnio
O Domnio que abrange este artigo composto pelos cursos realizados, na modalidade
distncia, ofertados pela Fundao Escola Nacional de Administrao Pblica (ENAP).
A ENAP uma escola de governo, do Poder Executivo Federal, que oferece formao e
aperfeioamento, em sua grande maioria, a servidores pblicos federais.
O objetivo deste trabalho , atravs da aplicao de regras de associao, descobrir o
conhecimento de padres, derivado da anlise das capacitaes realizadas, como forma de
sugerir a realizao de outros cursos aos alunos concluintes.

Entendimento dos Dados

Os dados esto disponveis na base de dados SQL Server, que sustenta o sistema WEBCEF
Sistema para Administrao de Cursos, Especializao e Formao de Carreiras.
De forma esquemtica, os dados esto dispostos na seguinte estrutura, definida na Figura
2:

3

Figura 2 - Esquema de disposio dos dados

Em MDULOS esto disponveis os cursos oferecidos pela ENAP. A extrao que subsidia
este artigo filtrou apenas os Mdulos do Tipo Cursos a Distncia.
TURMAS podem ser compreendidas como instncias de Mdulos. Trata-se da realizao
de uma turma de um mdulo, com data de realizao definida. Associados turma
tambm esto os Alunos que nela se inscreveram.
Em ALUNOS esto disponveis os dados de identificao dos alunos. CONCLUINTES um
status de alguns Alunos nas Turmas, que efetivamente concluram a realizao daquele
curso.

Extrao
A extrao realizada utiliza apenas o cdigo do aluno, como forma de identificar
unicamente uma abstrata Cesta de Cursos, tendo como domnio os alunos concluintes de
cursos a distncia e sua respectiva cesta de cursos (cdigo dos mdulos associados).
Foram extrados 94 MDULOS do Tipo Cursos a Distncia, 12.075 TURMAS de mdulos de
Cursos a Distncia e 125.983 ALUNOS CONCLUINTES.
Os dados foram exportados para o formato XLSX (Microsoft Excel), para facilitar a
manipulao, e so evidenciados parcialmente pelas Figura 3 (Cesta de Cursos) e Figura 4
(Mdulos).

Figura 3 - Extrao (parcial) da Cesta de Cursos, realizada no formato XLSX
4
A extrao completa da relao de Mdulos do Tipo Cursos a Distncia est disponvel no
Apndice 1 deste artigo, como forma de viabilizar a etapa de Aplicao dos Dados.

Figura 4 - Extrao (parcial) dos Mdulos, realizada no formato XLSX

Preparao dos Dados

A ferramenta utilizada para anlise foi o WEKA. O WEKA considerado uma das melhores
ferramentas de minerao de dados, classificada como software livre, e que possui uma
srie de algoritmos para as tarefas mais comuns da minerao de dados.
Os dados j preparados em layout compatvel para converso ao formato ARFF, suportado
pelo WEKA, podem ser vistos (parcialmente) na Figura 5, ainda em formato XLSX.

5

Figura 5 - Dados (parciais) preparados no layout ARFF, ainda no formato XLSX

Aps a preparao dos dados e a adio do cabealho apropriado, o arquivo de dados no

formato ARFF foi gerado e exibido, parcialmente, pela funcionalidade de ARFF-Viewer do
prprio WEKA, na Figura 6. Cada coluna representa um atributo (mdulos) e cada linha
uma instncia de dados (cesta de cursos).

Figura 6 Dados (parciais) preparados e abertos no ARFF Viewer

6
Modelagem
Para a modelagem, foi utilizada a funcionalidade ASSOCIATE do WEKA, com aplicao do
algoritmo APRIORI, mtrica Lift e os seguintes parmetros de Suporte Mnimo e Lift
Mnimo, conforme exibido na Figura 7:

Figura 7 - Parmetros no WEKA que definem o modelo aplicado

Avaliao
Como Associator Output no WEKA, com os parmetros aplicados sobre os dados
preparados, temos a seguinte sada, ilustrada pela Figura 8:
LIFT - Apriori -N 30 -T 1 -C 1.1 -D 0.05 -U 1.0 -M 0.04 -S -1.0 -c -1
Minimum support: 0.04 (5039 instances)
Minimum metric <lift>: 1.1
Number of cycles performed: 20
Generated sets of large itemsets:
Size of set of large itemsets L(1): 14
Size of set of large itemsets L(2): 8
Size of set of large itemsets L(3): 1

Best rules found:

1. m337=y 33057 ==> m340=y m420=y 5118 conf:(0.15) < lift:(2.21)> lev:(0.02) [2807] conv:(1.1)
2. m340=y m420=y 8806 ==> m337=y 5118 conf:(0.58) < lift:(2.21)> lev:(0.02) [2807] conv:(1.76)
3. m340=y 23741 ==> m337=y m420=y 5118 conf:(0.22) < lift:(2.2)> lev:(0.02) [2789] conv:(1.15)
4. m337=y m420=y 12354 ==> m340=y 5118 conf:(0.41) < lift:(2.2)> lev:(0.02) [2789] conv:(1.39)
5. m337=y m340=y 8709 ==> m420=y 5118 conf:(0.59) < lift:(2.07)> lev:(0.02) [2641] conv:(1.74)
6. m420=y 35820 ==> m337=y m340=y 5118 conf:(0.14) < lift:(2.07)> lev:(0.02) [2641] conv:(1.09)
7. m340=y 23741 ==> m867=y 5121 conf:(0.22) < lift:(1.59)> lev:(0.02) [1905] conv:(1.1)
8. m867=y 17062 ==> m340=y 5121 conf:(0.3) < lift:(1.59)> lev:(0.02) [1905] conv:(1.16)
9. m340=y 23741 ==> m1459=y 5932 conf:(0.25) < lift:(1.46)> lev:(0.01) [1876] conv:(1.11)
10. m1459=y 21519 ==> m340=y 5932 conf:(0.28) < lift:(1.46)> lev:(0.01) [1876] conv:(1.12)
11. m337=y 33057 ==> m340=y 8709 conf:(0.26) < lift:(1.4)> lev:(0.02) [2479] conv:(1.1)
12. m340=y 23741 ==> m337=y 8709 conf:(0.37) < lift:(1.4)> lev:(0.02) [2479] conv:(1.16)
13. m337=y 33057 ==> m420=y 12354 conf:(0.37) < lift:(1.31)> lev:(0.02) [2955] conv:(1.14)
14. m420=y 35820 ==> m337=y 12354 conf:(0.34) < lift:(1.31)> lev:(0.02) [2955] conv:(1.13)
15. m340=y 23741 ==> m420=y 8806 conf:(0.37) < lift:(1.3)> lev:(0.02) [2055] conv:(1.14)
16. m420=y 35820 ==> m340=y 8806 conf:(0.25) < lift:(1.3)> lev:(0.02) [2055] conv:(1.08)
17. m420=y 35820 ==> m1459=y 7406 conf:(0.21) < lift:(1.21)> lev:(0.01) [1287] conv:(1.05)
18. m1459=y 21519 ==> m420=y 7406 conf:(0.34) < lift:(1.21)> lev:(0.01) [1287] conv:(1.09)
19. m420=y 35820 ==> m867=y 5848 conf:(0.16) < lift:(1.21)> lev:(0.01) [996] conv:(1.03)
20. m867=y 17062 ==> m420=y 5848 conf:(0.34) < lift:(1.21)> lev:(0.01) [996] conv:(1.09)
21. m337=y 33057 ==> m1459=y 6581 conf:(0.2) < lift:(1.17)> lev:(0.01) [934] conv:(1.04)
22. m1459=y 21519 ==> m337=y 6581 conf:(0.31) < lift:(1.17)> lev:(0.01) [934] conv:(1.06)

Figura 8 - Associator Output do WEKA

7
Aplicao
Para facilitar a interpretao e a consequente anlise dos dados obtidos a partir do WEKA,
foi elaborada uma tabela (Figura 9), com a referncia ao descritivo do Mdulo.
CONFI-
ID REGRA DE ASSOCIAO LIFT
ANA
1 [337-tica & Servio Pblico] [340-Gesto estratgica de pessoas e planos de carreira] + 0.15 2.21
[420-Atendimento ao Cidado]

2 [340-Gesto estratgica de pessoas e planos de carreira] + [337-tica & Servio Pblico] 0.58 2.21
[420-Atendimento ao Cidado]

3 [340-Gesto estratgica de pessoas e planos de carreira] [337-tica & Servio Pblico] + 0.22 2.20
[420-Atendimento ao Cidado]

4 [337-tica & Servio Pblico] + [340-Gesto estratgica de pessoas e planos de carreira] 0.41 2.20
[420-Atendimento ao Cidado]

5 [337-tica & Servio Pblico] + [420-Atendimento ao Cidado] 0.59 2.07

[340-Gesto estratgica de pessoas e planos de carreira]

6 [420-Atendimento ao Cidado] [337-tica & Servio Pblico] 0.14 2.07

7 [340-Gesto estratgica de pessoas e planos de carreira] [867-Anlise e melhoria de processos MASP] 0.22 1.59
8 [867-Anlise e melhoria de processos MASP] [340-Gesto estratgica de pessoas e planos de carreira] 0.3 1.59
9 [340-Gesto estratgica de pessoas e planos de carreira] [1459-Legislao aplicada gesto de pessoas - Lei 8112/90] 0.25 1.46
10 [1459-Legislao aplicada gesto de pessoas - Lei 8112/90] [340-Gesto estratgica de pessoas e planos de carreira] 0.28 1.46
11 [337-tica & Servio Pblico] [340-Gesto estratgica de pessoas e planos de carreira] 0.26 1.40
12 [340-Gesto estratgica de pessoas e planos de carreira] [337-tica & Servio Pblico] 0.37 1.40
13 [337-tica & Servio Pblico] [420-Atendimento ao Cidado] 0.37 1.31
14 [420-Atendimento ao Cidado] [337-tica & Servio Pblico] 0.34 1.31
15 [340-Gesto estratgica de pessoas e planos de carreira] [420-Atendimento ao Cidado] 0.37 1.30
16 [420-Atendimento ao Cidado] [340-Gesto estratgica de pessoas e planos de carreira] 0.25 1.30
17 [420-Atendimento ao Cidado] [1459-Legislao aplicada gesto de pessoas - Lei 8112/90] 0.21 1.21
18 [1459-Legislao aplicada gesto de pessoas - Lei 8112/90] [420-Atendimento ao Cidado] 0.34 1.21
19 [420-Atendimento ao Cidado] [867-Anlise e melhoria de processos MASP] 0.16 1.21
20 [867-Anlise e melhoria de processos MASP] [420-Atendimento ao Cidado] 0.34 1.21
21 [337-tica & Servio Pblico] [1459-Legislao aplicada gesto de pessoas - Lei 8112/90] 0.20 1.17
22 [1459-Legislao aplicada gesto de pessoas - Lei 8112/90] [337-tica & Servio Pblico] 0.31 1.17
Figura 9 - Tabela de Referncia das Regras obtidas, com a respectiva identificao textual do Mdulo

3. RESULTADOS
Os parmetros aplicados no algoritmo APRIORI trouxeram 22 regras de associao,
mesmo com limite superior de regras estabelecido (30), evidenciando a acurcia dos
demais parmetros de suporte mnimo (0.4) e Lift mnimo (1.1), definidos aps sucessivas
calibragens na etapa de Modelagem.
A mtrica Lift mostrou-se adequada, sendo que as principais regras mineradas (top 6),
obtiveram Lift superior a 2, sendo que as demais regras tambm se sustentaram acima do
Lift mnimo.

8
A Avaliao e a Aplicao dos resultados da minerao, a despeito do conjunto de 94
mdulos de ensino a distncia, evidenciam uma concentrao de realizao (oferta de
turmas e concluso de alunos) de cursos apenas nos seguintes mdulos:
337-tica & Servio Pblico
340-Gesto estratgica de pessoas e planos de carreira
420-Atendimento ao Cidado
867-Anlise e melhoria de processos MASP
1459-Legislao aplicada gesto de pessoas - Lei 8112/90

4. ANLISE E CONCLUSO
A anlise dos resultados obtidos permite concluir que existe forte correlao entre os
mdulos [337-tica & Servio Pblico], [340-Gesto estratgica de pessoas e planos de
carreira] e [420-Atendimento ao Cidado]. Cabendo, inclusive, uma anlise pela rea
acadmica sobre a convenincia de uma provvel oferta combinada (COMBO).
De forma anloga, mas em menor grau, o mdulo [1459-Legislao aplicada gesto de
pessoas - Lei 8112/90] possui correlao com os mdulos [337-tica & Servio Pblico],
[340-Gesto estratgica de pessoas e planos de carreira] e [420-Atendimento ao Cidado].
Mais uma vez, cabe a recomendao de uma avaliao, pela rea acadmica, da
convenincia de uma provvel oferta combinada (COMBO).
Ademais, os dados coletados podem subsidiar campanhas especficas de e-mail marketing,
com ofertas direcionadas a alunos que, tendo cursado um ou mais mdulos destes virtuais
COMBOS, ainda no tenham cursado algum deles.
Por fim, ao concluir um curso especfico, presente neste conjunto de regras mineradas, o
aluno pode ser convidado a conhecer os demais mdulos correlacionados, traduzindo-se
numa oferta ativa de capacitao.
Como trabalho futuro pode-se estudar, com apoio de outras tcnicas de minerao de
dados, elementos presentes nas abstratas Cestas de Cursos que subsidiaram este estudo,
relativos sequncia em que eles ocorrem, como forma de contribuir para o entendimento
ou definio das trilhas de aprendizagem dos alunos, tema caro rea acadmica, que
permite a definio de sequncias de atividades, com o intuito de complementariedade,
com o objetivo de potencializar o desenvolvimento de competncias.

REFERNCIAS
AGRAWAL, R; IMIELINSKI, T; SWAMI, A. Mining association rules between sets of items
in large databases. Proc. of the ACM SIGMOD, p. 207216, 1993.
CABENA, P; HADJINIAN, P; STADLER, R; JAAPVERHEES; ZANASI, A. Discovering Data
Mining: From Concept to Implementation. Prentice Hall, 1998.
HAND, D; MANNILA, H; SMYTH, P. Principles of Data Mining. MIT Press, 2001.
HASTIE T., TIBSHIRANI R. & FRIEDMAN J., The Elements of Statistical Learning: Data
Mining, Inference and Prediction. Springer-Verlag New York, 2001.
OLSON, D. L; DELEN, D. Advanced Data Mining Techniques. Springer, 2008.

9
TAN, P. & KUMAR, V. (2000), Interestingness Measures for Association Patterns: A
Perspective, in Technical Report TR00-36, University of Minesota (KDD 2000 Workshop
on Postprocessing in Machine Learning and Data Mining).

10
APNDICE 1 - Lista de Mdulos
Cod_Modulo Nome_Modulo
258 Oramento pblico: elaborao e execuo
333 Legislao aplicada gesto de pessoas - Lei 8112/90 e legislao complementar
334 Educao alimentar, nutricional e para o consumo
335 Desvendando a informtica
336 Anlise e melhoria de processos
337 tica & Servio Pblico
338 Legislao aplicada logstica de suprimentos - Leis 8666/93 e 10520/02
339 Portugus no dia-a-dia
340 Gesto estratgica de pessoas e planos de carreira
341 Rumo aprendizagem virtual
342 Administrao de redes Linux
343 Sensibilizao para o uso do Software Livre
344 Administrao de servidores Linux
345 Digitao
346 gua - responsabilidade de todos ns
347 Navegador Correio Mozzila
348 Introduo ao G N U/Linux
349 Linux - Interface grfica
350 BrOffice.org - Impress 2.1
351 BrOffice.org - Writer 2.1
352 BrOffice.org - Calc 2.1
353 Capacitao de tutores para cursos na modalidade ensino a distncia
420 Atendimento ao Cidado
424 e-MAG - Modelo de acessibilidade do governo eletrnico
425 Teste EAD- envio de cartas
516 Fome zero - Um programa de incluso social
572 BrOffice.org - Writer 2.1 (auto-instrucional)
573 BrOffice.org - Calc 2.1 (auto-instrucional)
574 BrOffice.org - Impress 2.1 (auto-instrucional)
579 Portugus no dia-a-dia 2.0
607 Atendimento ao cidado
609 Rumo aprendizagem virtual
610 Capacitao de tutores para cursos na modalidade ensino a distncia
611 Legislao aplicada logstica de suprimentos - Leis 8666/93 e 10520/02
612 tica e Servio Pblico
613 Oramento pblico: elaborao e execuo
614 e-MAG - Modelo de acessibilidade do governo eletrnico
863 Planejando aes inovadoras
864 Fundamentos em gerncia de projetos (PMI)
866 Legislao aplicada logstica de suprimentos - Lei 8666/93
867 Anlise e melhoria de processos - MASP
868 Legislao aplicada logstica de suprimentos - Lei 8.666/93
869 Anlise e melhoria de processos - MASP
870 Gesto estratgica de pessoas e planos de carreira
871 Legislao aplicada gesto de pessoas - Lei 8112/90 e legislao complementar
909 e-MAG - Cartilha tcnica de acessibilidade
1042 e-MAG - Cartilha tcnica de acessibilidade
1054 Fundamentos em Gerncia de Projetos
1297 Oficina Virtual Planejamento e implementao de projetos de capacitao a distncia
1304 EXCLUIR
1352 Governo Eletrnico: estratgias de elaborao, desenvolvimento e implementao de projetos
1353 Gesto de convnios e de contratos de repasse para convenentes
1384 Oficina Estilos de Aprendizagem na Modalidade Mista de Capacitao
1404 Seminrio A Formao On-line na Administrao Pblica - Experincias Brasil e Espanha
1436 Oficina Programa Avaliao Socioeconmica de Projetos (ASP)

11
 1437 Programa Formao de Professores Tutores para Educao Continuada a Distncia
1459 Legislao aplicada gesto de pessoas - Lei 8112/90
1468 tica e Servio Pblico
1638 Legislao Aplicada Logstica de Suprimentos - Lei n 8.666/93, prego e registro de preos
1725 Conceitos essenciais aplicados a projetos de grande vulto
1730 Macroeconomia aplicada anlise de projetos de grande vulto
1731 Microeconomia aplicada anlise de projetos de grande vulto
1732 Matemtica financeira aplicada anlise de projetos de grande vulto
1773 ASP-Conceitos essenciais
1774 ASP - Macroeconomia
1775 ASP - Microeconomia
1776 ASP - Matemtica Financeira
1847 Gerncia de Projetos: teoria e prtica
1957 Tutoria On-line em Organizaes Pblicas
1971 Oficina Teorias Pedaggicas em Educao a Distncia
2085 Gesto de Convnios para Convenentes
2087 tica no Servio Pblico
2101 PDTI - Elaborao do Plano Diretor de Tecnologia da Informao
Programa de Formao para o Uso das Tecnologias na Educao - Oficina "Plataforma Moodle: Gesto
2107 acadmica, monitoramento de cursos e funcionalidades administrativas".
Programa de Formao para o Uso das Tecnologias na Educao - Oficina Recursos Multimdia para
2108 Educao
Programa de Formao para o Uso das Tecnologias na Educao - Oficina Repositrios, Referatrios e
2109 Recursos Educacionais Abertos
Programa de Formao para o Uso das Tecnologias na Educao - Oficina Funcionalidades da plataforma
2110 Moodle
Programa de Formao para o Uso das Tecnologias na Educao - Oficina Uso da sala virtual de
2111 tutores/professores como ferramenta de coordenao de cursos
Programa de Formao para o Uso das Tecnologias na Educao - Oficina Como utilizar a sala de TIC: a
2112 lousa digital
Programa de Formao para o Uso das Tecnologias na Educao - Oficina Como maximizar o uso do
2113 Google
2131 PCTI - Planejamento da Contratao de Tecnologia da Informao
2166 Oramento Pblico: Viso Geral
2208 rumo a aprndizagem virtual
2217 SFTI - Seleo de Fornecedores de Tecnologia da Informao
2284 Conceitos Essenciais para Avaliao Socioeconmica de Projetos
2349 1. Regras Gerais - Acesso aos Recursos de Saneamento
2361 ASP - Ciclo de Gesto do Investimento Pblico
2362 ASP - Estatstica
2369 Oramento Pblico: Conceitos Bsicos
2373 2. Mecanismos OGU-PAC (Transferncias Obrigatrias)
2375 3. Mecanismos OGU- NO PAC (Transferncias Voluntrias)
2376 4. Mecanismos PAC - Financiamento
2430 SICONV - Ordem Bancria de Transferncia Voluntria (OBTV) - Convenente
2431 SICONV - Ordem Bancria de Transferncia Voluntria (OBTV) - Concedente

12