Search

Operational Systems collect transactional data and support the execution of business processes in an organization. These systems are often the data source for Decision Support Systems (DSS), i.e. analytical systems designed to aid business users in the decision-making process. For this reason, several problems in Operational Systems, such as missing data requirements or data quality issues, can lead to unfulfilled analytical needs of the DSS and, consequently, have a negative effect on the Decision Making Process since relevant business queries may not be answered. The objective of this study is to understand the impact of the integration of DSS requirements in the design of operational systems. To achieve this objective, this dissertation uses a real use case DSS to identify the missing requirements and develop a DSS prototype to demonstrate the positive impact on the Decision-Making process when these requirements are fulfilled. Throughout this development, ways of dealing with the various types of missing requirements are going to be addressed. Additionally, a methodology to evaluate the missing requirements is suggested, along with a proposal to classify and understand the missing requirements and how they can be dealt with. Also, the evaluation method is applied, and the developed prototype is compared to the baseline system in order to measure the impact. Finally, the benefits of this integration are shown, as well as other factors that can also constrain the DSS requirements. Os sistemas operacionais recolhem dados transacionais e apoiam a execução de processos de negócio numa organização. Estes sistemas são frequentemente a fonte de dados para os Sistemas de Apoio à Decisão (SAD), ou seja, sistemas analíticos concebidos para auxiliar os utilizadores empresariais no processo de tomada de decisão. Por esta razão, vários problemas nos Sistemas Operacionais, tais como requisitos de dados em falta ou questões de qualidade de dados, podem levar a necessidades analíticas não satisfeitas do SAD e, consequentemente, ter um efeito negativo no Processo de Tomada de Decisão, uma vez que as questões de negócio relevantes podem não ser respondidas. O objetivo do presente estudo é compreender o impacto da integração dos requisitos do SAD na conceção dos sistemas operacionais. Para atingir este objetivo, esta dissertação utiliza um caso de estudo real de um SAD para identificar os requisitos em falta e desenvolver um SAD protótipo para demonstrar o impacto positivo no processo de Tomada de Decisão quando estes requisitos são cumpridos. Ao longo deste desenvolvimento, as formas de lidar com os vários tipos de requisitos em falta serão abordadas. É também proposto um método de avaliação para compreender e categorizar os requisitos em falta e a forma como podem ser tratados. Além disso, o método de avaliação é aplicado, e o protótipo desenvolvido é comparado com o sistema de base, no sentido de medir o impacto. Finalmente, são mostrados os benefícios desta integração, bem como outros fatores que também podem limitar os requisitos do SAD.

O comércio online tem vindo a crescer rapidamente num mundo cada vez mais digital. A gamificação, prática de desenho de jogos num contexto fora da própria indústria, pode ser uma estratégia eficaz para estimular o envolvimento e a taxa de conversão dos consumidores. Esta dissertação descreve o processo de design envolvido na introdução de gamificação numa loja online que suporta dois servidores de jogos, nomeadamente um nos Estados Unidos da América e outro em Portugal. Através das várias fases do processo de Design Thinking foi implementado um sistema gamificado que fosse de encontro aos vários tipos de utilizadores frequentemente encontrados na loja. Os elementos de gamificação usados pretendiam aumentar o envolvimento dos utilizadores na loja de forma a ficarem mais conscientes dos produtos existentes e da introdução de novos produtos, promovendo a compra através de desafios e recompensas intangíveis. O impacto nas receitas do servidor e a satisfação dos utilizadores (N = 138) foi avaliado ao fim de um mês de introdução das técnicas de gamificação. Os resultados mostram que a gamificação tem um efeito positivo nos utilizadores existindo um aumento significativo na interação dos consumidores em ambas as lojas. No entanto, na perspetiva de negócio, os resultados revelam apenas um aumento nas receitas da loja EUA enquanto a loja PT não apresentou diferenças significativas face aos meses anteriores. Destes dois grupos de utilizadores analisados, apenas os que frequentam a loja EUA mostram recetividade nas recompensas intangíveis, sendo as recompensas tangíveis (descontos) um fator motivador maior para ambos os grupos. Online commerce has been growing rapidly in an increasingly digital world. Gamification, the practice of designing games in a context outside the industry itself, can be an effective strategy to stimulate consumer engagement and conversion rate. This dissertation describes the design process involved in introducing gamification to an online store that supports two game servers, one in the United States and another in Portugal. Through the various phases of the Design Thinking process, a gamified system was implemented to meet the various types of users frequently found in the store. The gamification elements were composed of challenges, user levels, featured products and profile customization, which aimed to increase user engagement in the store and foster behavior change by making consumers more aware of existing products and new product introductions, promoting purchase through intangible challenges and rewards. The impact on server revenue and user satisfaction (N = 138) was evaluated after one month of introducing gamification techniques. The results show that gamification has a positive effect on users, with a significant increase in consumer interaction in both stores. However, from a business perspective, the results show only an increase in revenue for the American store, while the Portuguese store showed no significant differences from previous months. Of these two groups of users analyzed, only those who frequent the American store show receptivity to intangible rewards, with tangible rewards (discounts) being a greater motivating factor for both groups.

Big data has driven data science development and research over the last years. However, there is a problem - most of the data science projects don't make it to production. This can happen because many data scientists don’t use a reference data science methodology. Another aggravating element is data itself, its quality and processing. The problem can be mitigated through research, progress and case studies documentation about the topic, fostering knowledge dissemination and reuse. Namely, data mining can benefit from other mature fields’ knowledge that explores similar matters, like data warehousing. To address the problem, this dissertation performs a case study about the project “IA-SI - Artificial Intelligence in Incentives Management”, which aims to improve the management of European grant funds through data mining. The key contributions of this study, to the academia and to the project’s development and success are: (1) A combined process model of the most used data mining process models and their tasks, extended with the ETL’s subsystems and other selected data warehousing best practices. (2) Application of this combined process model to the project and all its documentation. (3) Contribution to the project’s prototype implementation, regarding the data understanding and data preparation tasks. This study concludes that CRISP-DM is still a reference, as it includes all the other data mining process models’ tasks and detailed descriptions, and that its combination with the data warehousing best practices is useful to the project IA-SI and potentially to other data mining projects. A big data tem impulsionado o desenvolvimento e a pesquisa da ciência de dados nos últimos anos. No entanto, há um problema - a maioria dos projetos de ciência de dados não chega à produção. Isto pode acontecer porque muitos deles não usam uma metodologia de ciência de dados de referência. Outro elemento agravador são os próprios dados, a sua qualidade e o seu processamento. O problema pode ser mitigado através da documentação de estudos de caso, pesquisas e desenvolvimento da área, nomeadamente o reaproveitamento de conhecimento de outros campos maduros que exploram questões semelhantes, como data warehousing. Para resolver o problema, esta dissertação realiza um estudo de caso sobre o projeto “IA-SI - Inteligência Artificial na Gestão de Incentivos”, que visa melhorar a gestão dos fundos europeus de investimento através de data mining. As principais contribuições deste estudo, para a academia e para o desenvolvimento e sucesso do projeto são: (1) Um modelo de processo combinado dos modelos de processo de data mining mais usados e as suas tarefas, ampliado com os subsistemas de ETL e outras recomendadas práticas de data warehousing selecionadas. (2) Aplicação deste modelo de processo combinado ao projeto e toda a sua documentação. (3) Contribuição para a implementação do protótipo do projeto, relativamente a tarefas de compreensão e preparação de dados. Este estudo conclui que CRISP-DM ainda é uma referência, pois inclui todas as tarefas dos outros modelos de processos de data mining e descrições detalhadas e que a sua combinação com as melhores práticas de data warehousing é útil para o projeto IA-SI e potencialmente para outros projetos de data mining.

In a technology-advanced world, it is understandable that children are growing up surrounded by electronic devices such as computers, mobile phones and tablets, and eventually use them in their daily lives. Whereas the accessibility of these powerful tools is a long-standing issue, the majority of existing research and learning resources are focused on adult users. In this dissertation we explored a child-centred approach through a serious game about sustainability with several levels of gradual difficulty. Participatory design, prototyping and evaluation are part of the process where we explore behaviour and feedback regarding the requested tasks. Our results indicate that the children actively engaged with our prototypes, giving feedback and new ideas to make the serious game better and easier for other children. Num mundo tecnologicamente avançado, é compreensível que as crianças estejam a crescer rodeadas de dispositivos eletrónicos como computadores, telemóveis e tablets, e eventualmente os utilizem no seu dia a dia. Enquanto que a acessibilidade destas poderosas ferramentas é uma questão antiga, a maioria dos recursos de investigação e aprendizagem existentes está centrada nos adultos. Nesta dissertação exploramos uma abordagem centrada na criança, através de um jogo sério sobre sustentabilidade com vários níveis de dificuldade gradual. A conceção participativa, protótipos e avaliações fazem parte do processo onde exploramos o comportamento e feedback relativos às tarefas solicitadas. Os nossos resultados indicam que as crianças se empenharam ativamente nos nossos protótipos, dando feedback e novas ideias para que o jogo sério seja melhor e mais fácil para as outras crianças.

One of the great challenges for education is to be able to offer distance learning programs where students feel that these programs are an added value to their academic training. Although technological development makes it possible to overcome the physical barriers of a classroom and thus reach many more students with this distance learning offer, there are at the same time a greater number of difficulties in reaching them with the proper quality. The lack of selection of candidates, the suitability of the programs for distance learning or the lack of interaction between students and between students and teachers are factors that contribute to high dropout rates of students in these distance learning courses. The purpose of this dissertation is to figure out which factors contribute the most to dropout rates, how we can identify in advance students who are at risk of dropping out, and how we can act to decrease this risk. To do this, we will use data from distance programs of soft skills where an exploratory analysis of the data will be done to understand which factors contribute most to this dropout rate and where machine learning algorithms will be applied to classify the students at risk of dropping out, thus being possible to identify these students in advance and promote actions to avoid these dropouts. Um dos grandes desafios para a educação é de ser capaz de oferecer programas de ensino à distância onde os estudantes possam sentir que são uma mais-valia para a sua formação académica. Embora o desenvolvimento tecnológico torne possível ultrapassar as barreiras físicas de uma sala de aula e desta forma alcançar muito mais estudantes, há, ao mesmo tempo, uma maior dificuldade em fazer com que a oferta tenha a qualidade espectável. A falta de seleção de candidatos, a adequação dos programas ao ensino à distância ou a falta de interação entre estudantes e entre estudantes e docentes são fatores que contribuem para taxas de abandono escolar nestes cursos de ensino à distância. O objetivo deste documento é tentar compreender quais os fatores que mais contribuem para as taxas de abandono escolar, como identificar antecipadamente os alunos em risco de abandono escolar, e como agir de forma a diminuir este risco. Para tal, utilizaremos dados de programas à distância de soft skills. É feita uma análise exploratória dos dados para compreender quais os fatores que mais contribuem para esta taxa de abandono escolar, são aplicados algoritmos de aprendizagem automática para classificar os estudantes em risco de abandono escolar, sendo assim possível identificar estes estudantes com antecedência e promover ações para evitar estas desistências.

The goal is to provide a proper data model, using a common vocabulary, to decrease the heterogenous nature of these datasets as well as its inherent uncertainty caused by the descriptive nature of the field of Codicology. This research project was developed with the goal of applying data visualization and data mining techniques to the field of Codicology and Digital Humanities. Using Hebrew manuscript data as a starting point, this dissertation proposes an environment for exploratory analysis to be used by Humanities experts to deepen their understanding of codicological data, to formulate new, or verify existing, research hypotheses, and to communicate their findings in a richer way. To improve the scope of visualizations and knowledge discovery we will try to use data mining methods such as Association Rule Mining and Formal Concept Analysis. The present dissertation aims to retrieve information and structure from Hebrew manuscripts collected by codicologists. These manuscripts reflect the production of books of a specific region, namely "Sefarad" region, within the period between 10th and 16th. A presente dissertação tem como objetivo obter conhecimento estruturado de manuscritos hebraicos coletados por codicologistas. Estes manuscritos refletem a produção de livros de uma região específica, nomeadamente a região "Sefarad", no período entre os séculos X e XVI. O objetivo é fornecer um modelo de dados apropriado, usando um vocabulário comum, para diminuir a natureza heterogénea desses conjuntos de dados, bem como sua incerteza inerente causada pela natureza descritiva no campo da Codicologia. Este projeto de investigação foi desenvolvido com o objetivo de aplicar técnicas de visualização de dados e "data mining" no campo da Codicologia e Humanidades Digitais. Usando os dados de manuscritos hebraicos como ponto de partida, esta dissertação propõe um ambiente para análise exploratória a ser utilizado por especialistas em Humanidades Digitais e Codicologia para aprofundar a compreensão dos dados codicológicos, formular novas hipóteses de pesquisa, ou verificar existentes, e comunicar as suas descobertas de uma forma mais rica. Para melhorar as visualizações e descoberta de conhecimento, tentaremos usar métodos de data mining, como a "Association Rule Mining" e "Formal Concept Analysis".

Predictive models are fundamental instruments for providing dam safety analysis. They are important tools to retrieve conclusions about the structural safety of these dams. The data for these predictive models is gathered through sensors embedded within these structures. Even though predictive models are powerful tools for analysis and prediction, other machine learning and statistical models, like neural networks, have been developed over the years. Due to the many ways dam safety analyses is performed, the focus is to improve the existing methods by comparing them with each other. This work is focused on developing the methodology that compares different predictive models, like the Multiple Linear Regression Model, the Ridge Regression Model, the Principal Component Regression Model and Neural Networks, as well as comparing different re-sampling techniques for separating the data. This methodology is applied to a case study, with the purpose of finding which combinations of input variables provide the highest accuracy for predicting the behavior of these structures. Modelos preditivos são instrumentos fundamentais para a análise da segurança de barragens. São importantes para obter conclusões acerca da segurança estrutural destas. Os dados utilizados nos modelos preditivos, são obtidos através de sensores que se encontram embutidos nas estruturas. Apesar dos algoritmos preditivos serem ferramentas poderosas para a análise e previsão, outras técnicas de Machine Learning e modelos estatísticos, como as redes neuronais, têm sido desenvolvidas e utilizadas nestas áreas ao longo dos anos. Devido às diferentes formas que a monitorização destas estruturas é feita, o foco está em melhorar os métodos existentes, através de uma análise comparativa. Este trabalho tem como finalidade o desenvolvimento de uma metodologia que compare os diferentes algoritmos preditivos, como a Multiple Linear Regression, a Ridge Regression, a Principal Component Regression e as Redes Neuronais, bem como a aplicação de diferentes técnicas de separação de dados. Esta metodologia será aplicada a um caso de estudo, com a finalidade de determinar qual ou quais as combinações de variáveis que obtêm o melhor desempenho na previsão do seu comportamento.

To be able to control structural safety, engineering structures are monitored by different kinds of sensors. The sensor data collected is used to create statistical and predictive models, but data needs to be processed. Outlier detection and treatment is a costly and slow process that we will try to improve through the use of data mining and machine learning techniques. In a Big Data centered world, outliers will appear more often and without an automated way to detect them, we may not be able to anticipate and act on time. In this dissertation we will try to identify and treat outliers from sensor data (using real datasets from a dam), comparing and trying to improve the current baseline methods. Since we do not have labeled datasets, we will use clustering methods that allow us to group data and therefore understand which points should be classified as an outlier. We will introduce an algorithm that makes use of Manual Acquisition System measurements and combines it with a clustering algorithm (DBSCAN) and baseline methods to create a method that is able to identify and remove most of the outliers in the datasets used for demonstration. De forma a controlar a segurança de estruturas de Engenharia Civil, estas são monitorizadas através de diversos sensores. Os dados de sensores são utilizados para construir modelos estatísticos e preditivos, porém necessitam de ser previamente tratados. A deteção e tratamento de Outliers (erros nos dados) é um processo lento e difícil que vamos tentar melhorar através da utilização de técnicas de Aprendizagem Automática e de Data Mining. Com o crescimento de Big Data, Outliers vão aparecer com mais frequência, e sem um método automático de deteção podemos não ser capazes de antecipar problemas e agir a tempo. Nesta dissertação temos como objectivo identificar e tratar Outliers em dados de sensores (utilizando dados reais de uma barragem), comparando e tentando melhorar os métodos actuais. Devido à falta de datasets classificados, vamos utilizar métodos de Clustering (agrupamento de dados) que nos permitem compreender que dados devem ou não ser classificados como outliers. Vamos introduzir um algoritmo que utiliza dados dos Sistemas de Aquisição Manuais e utilizá-lo juntamente com um algoritmo de clustering (DBSCAN) e métodos actuais de maneira a criar um método que é capaz de identificar e remover a maioria dos outliers nos datasets usados para demonstração.

Esta dissertação apresenta o "Learning Scorecard" (LS), uma ferramenta para monitorização e gestão da experiência de aprendizagem de alunos no Ensino Superior numa Unidade Curricular (UC) durante o semestre, gerando dados que irão dar suporte ao docente na supervisão da performance da turma. A plataforma LS possui dois tipos de vistas - a de aluno e a de docente. A vista de aluno foca-se essencialmente na gestão de tempo e faz uso de técnicas de gamificação de forma a aumentar o comprometimento dos alunos com a UC. Na vista de docente, são apresentados os dados agregados da vista de aluno, permitindo a este monitorizar o progresso de aprendizagem da turma em vários aspetos. O LS utiliza as boas práticas de "Business Intelligence" (BI) para fornecer um ambiente analítico a alunos e docentes. Inclui um "Balanced Scorecard" (BSC) e "dashboards" para a visualização e monitorização da experiência de aprendizagem dos alunos. "Design Science Research Methodology" (DSRM) foi a metodologia selecionada para guiar este trabalho. De forma a demonstrar o valor criado pelo LS, a plataforma foi disponibilizado em duas UC's de Sistemas de Apoio à Decisão durante o ano letivo de 2016/2017. Para a avaliação de resultados foram realizados questionários, bem como uma análise comparativa das notas obtidas pelos alunos nas UC's face a anos anteriores. This dissertation presents the Learning Scorecard (LS), a tool for monitoring and managing the learning experience of students in Higher Education in a course during the semester, generating data that will support the course coordinator in supervising the performance of the class. The LS platform has two views - the student and faculty view. The student view focuses essentially on time management and makes use of gamification techniques to increase the student's commitment with the course. The faculty view displays an aggregated data from the student's view, enabling the course coordinator to monitor the learning progress of the class in varous aspects. LS uses the good practices of Business Intelligence (BI) to provide an analytical environment for students and faculty. It includes a Balanced Scorecard (BSC) and dashboards for viewing and monitoring the students' learning experience. Design Science Research Methodology (DSRM) was the methodology selected to guide this work. To demonstrate the value created by the LS, the platform was made available in two courses of Decision Support Systems during the academic year of 2016/2017. For the evaluation of results, questionnaires were carried out, as well as a comparative analysis of the grades obtained by the students in the courses in relation to previous years.

ACM classification: K.6 Management of Computing and Information Systems ISCTE-IUL is a Portuguese higher education institute that is oriented to the ITIL®V3 adoption for the Information Technology (IT) Services, in order to improve the management practices in accordance with best practices recommended and to achieve the ISO/IEC 20000 certification. Dissertations have been related with the ITIL processes implementation, having already implemented the Asset Management, Incident Management, Request Fulfillment and the Change Management processes. The scope of this dissertation is the implementation of the Problem Management process that will fills the gap in the problem root-cause investigation. The Problem Management process defines the activities required to control the flow of problems and ensure the correct recording, evaluation, investigation and solution implementation. This dissertation describes the evaluation of the current problem management process at ISCTE-IUL and the transition to a new process developed according to the best practices and modeled with the Business Process Modeling Notation (BPMN). As recommended by ITIL, the processes must be monitored and measured using appropriate metrics. In line with this, was defined the second phase of the dissertation, the process measurement. In this phase are designed and built Service Operation Dashboards covering the Incident Management, Request Fulfillment and Problem Management processes. This measurement is performed through Microsoft Excel, analyzing the data extracted from the EasyVista, an ITSM platform. The goal is to analyze the data and provide reliable information to enable the decision-making based on facts, identifying trends and the levels of effectiveness and efficiency. O ISCTE-IUL é um instituto superior de educação Português, orientado à adoção do ITIL®V3 nos seus serviços das Tecnologias da Informação (TI). Melhorando assim as práticas de gestão, de acordo com as melhores práticas recomendadas e atingir a certificação ISO/IEC 20000. Dissertações relacionadas com a implementação dos processos de ITIL têm surgido, estando atualmente implementados os processos de Gestão de Ativos de Serviço, Gestão de Incidentes, Satisfação de Pedidos e Gestão de Alterações. O âmbito desta dissertação é a implementação do processo de Gestão de Problemas que irá preencher a lacuna na investigação da causa-raiz dos problemas. O processo de Gestão de Problemas define as atividades necessárias para controlar o fluxo de problemas e assegurar o correto registo, avaliação, investigação e implementação da solução. Nesta dissertação é descrita a avaliação ao estado atual do processo presente no ISCTE-IUL e a sua transição para o novo processo, desenvolvido de acordo com as melhores práticas e modelado com a Business Process Modeling Notation (BPMN). Segundo recomendações do ITIL, os processos devem ser avaliados utilizando métricas apropriadas. Foi assim definida a segunda fase da dissertação, contemplando a medição dos processos. Foram desenhados e construídos Dashboards da Operação do Serviço, abrangendo os processos de Gestão de Incidentes, Satisfação de Pedidos e Gestão de Problemas. Esta medição é executada através da ferramenta Microsoft Excel, analisando os dados extraídos do EasyVista, uma plataforma de Gestão de Serviços das TI (ITSM).O objetivo é analisar os dados e fornecer informação fidedigna, permitindo a tomada de decisão baseada em factos, identificando tendências e os níveis de eficácia e eficiência.

O Learning Scorecard (LS) é uma plataforma de gestão de desempenho, que proporciona aos alunos e docentes do Ensino Superior um ambiente analítico para a monitorização do desempenho dos primeiros numa unidade curricular (UC), valorizando a sua experiência de aprendizagem. O LS já passou por quatro versões anteriores, contudo, estas apresentavam código pouco modular e fracamente escalável, entre outros fatores, que impediam a adição de novas funcionalidades bem como condicionavam a utilização da plataforma num ambiente real com muitos alunos. Estas limitações motivaram esta dissertação para não só refazer integralmente toda a plataforma, aproveitando conceitos desenvolvidos nas versões anteriores, como também implementar novas funcionalidades ao criar e integrar uma ontologia que serve de base para adicionar ainda mais conhecimento à plataforma. Inicialmente, desenvolvemos as funcionalidades base do LS num novo ambiente tecnológico, seguidas pela criação da ontologia que, para além do referido anteriormente, é utilizada para mapear os conteúdos lecionados com os componentes de avaliação bem como a avaliação da dificuldade sentida pelos alunos nesses mesmos conteúdos. A validação foi realizada com um questionário a 75 alunos inscritos no Ensino Superior que incidiu sobre os hábitos académicos dos alunos e sobre a validação das novas funcionalidades, relativamente à sua utilidade e intenção dos alunos em utilizar frequentemente as novas funcionalidades. 93% dos alunos inquiridos concordam que as novas funcionalidades promovem a sua experiência de aprendizagem. Relativamente à intenção de utilização da plataforma, 70% dos alunos referiram que utilizariam frequentemente a plataforma para estudar (49% frequentemente e 21% muito frequentemente). Learning Scorecard (LS) is a performance management platform that provides higher education students and teachers with an analytical environment for monitoring their performance in a unit course (UC), enhancing their learning experience. LS has already gone through four previous versions, however, these had less modular and poorly scalable code, among other factors, which prevented the addition of new features and conditioned the use of the platform in a real environment with many students. These limitations motivated this dissertation to not only fully remake the entire platform, taking advantage of concepts developed in previous versions, but also to implement new features by creating and integrating an ontology as a basis for adding even more knowledge to the platform. Initially, we developed the LS basic functionalities in a new technological environment, followed by the creation of the ontology which, in addition to the above, is used to map the contents taught with the assessment components as well as the assessment of the difficulty felt by students in those same contents. The validation was performed with a quiz to 75 students enrolled in Higher Education that focused on the students' academic habits and on the validation of the new functionalities, regarding their usefulness and the students' intention to frequently use the new functionalities. 93% of the surveyed students agree that these functionalities promote their learning experience. Regarding the intention to use the platform, 70% of the students stated that they would frequently use the platform to study (49% frequently and 21% very frequently).

O sucesso escolar na educação em geral, e no Ensino Superior, exige um esforço conjunto de estudantes e docentes. O progresso da experiência de aprendizagem dos estudantes numa unidade curricular (UC) não é tipicamente monitorizado. A principal causa deste problema deve-se à falta de informação (e indicadores) de monitorização, estando as análises focadas no desempenho dos estudantes no final do semestre. O Learning Scorecard (LS) é uma plataforma de Learning Analytics que juntamente com elementos de gamificação pretende fornecer aos docentes e estudantes um ambiente analítico para melhorar a monitorização do processo de aprendizagem numa UC. O LS permite oferecer aos estudantes um ambiente motivante, de auto-monitorização e de gestão de tempo. Para os docentes, o LS permite uma avaliação em tempo útil do real progresso de aprendizagem dos estudantes, permitindo o ajuste das técnicas pedagógicas de ensino com vista ao aumento do sucesso escolar. Esta dissertação incidiu sobre o desenvolvimento deste ambiente analítico, na vertente de visualização de informação. Especificamente, foram desenvolvidos dashboards para melhor comunicar o progresso de aprendizagem dos estudantes e todas as interfaces de gamificação do LS nas duas vistas desta plataforma: vista de estudante e de docente. No dashboard do estudante foi efetuado o alinhamento dos elementos de gamificação com as boas práticas de desenvolvimento de dashboards. A vista de docente foi desenhada apenas segundo as boas práticas de desenvolvimento de interfaces para business Intelligence. Com este trabalho de investigação pretende-se estudar o impacto da utilização de dashboards e técnicas de visualização na percepção da evolução da experiência de aprendizagem por parte dos estudantes numa unidade curricular, bem como o impacto final conseguido na performance e motivação dos estudantes. Academic success in Education in general as well as in Higher Education requires a joint effort from students and faculty. Typically, the progress of the student learning experience in a course is not monitored. The main reason of this problem is the lack of monitoring information (and indicators), as student performance analyses are usually performed at the end of the semester. The Learning Scorecard (LS) is a Learning Analytics platform that combines gamification elements to provide students and faculty with an analytical environment to improve the monitoring of the student learning experience in a course. The LS provides an environment to students, that fosters their motivation, self-monitoring and time management. For faculty, the LS provides a right-time assessment of the real progress of the student learning experience, enabling the adjustment of pedagogical practices to improve academic success. This dissertation focused on the development of this analytical environment in terms of information visualization. Specifically, dashboards have been developed to better communicate the student learning progress, as well as the LS gamification interfaces in both views of the platform: student and faculty views. The student dashboard required an alignment between the gamification elements and the best practices of dashboard design. The faculty view was designed according to the best practices for the development of business Intelligence interfaces. This research project aims to study the impact of the use of dashboards and visualization techniques in the student perception of their learning experience progress in a course, as well as the final impact in student performance and motivation.