Proposta de uma Abordagem Computacional para Detecção Automática de Estilos de Aprendizagem Utilizando Modelos Ocultos de Markov e FSLSM (original) (raw)
Related papers
Detecção automática de Estilos de Aprendizagem por meio de técnicas de clusterização e classificação
Anais do XXXI Simpósio Brasileiro de Informática na Educação (SBIE 2020)
Recentemente, os Sistemas de Gerenciamento de Aprendizagem têm sido muito utilizados no apoio à Educação. No entanto, a maioria destes sistemas fornece o mesmo conteúdo de iguais maneiras e formatos a todos os alunos, o que não favorece o processo de ensino-aprendizagem. Neste sentido, este trabalho, baseando-se no modelo de Estilos de Aprendizagem de Felder e Silverman, apresenta uma abordagem automática para a detecção de Estilos de Aprendizagem de estudantes para que o conteúdo ofertado seja modelado de acordo com as preferências dos mesmos. O modelo proposto, fundamentado em técnicas de clusterização e classificação, mostrou-se promissor, alcançando acurácia de detecção de até 90%.
Detecção Automática de Estilos de Aprendizagem utilizando Clusterização e Traços de Navegação
Anais do XXIX Simpósio Brasileiro de Informática na Educação (SBIE 2018)
Virtual Learning Environments are widely used to support the teaching-learning process, however, most of these systems provide the same content in the same way to all students. Recent studies point that the provision of personalized content to each student, through the detection of their Learning Style, greatly favors the teaching-learning process. This work proposes a fully automatic approach to identify students' Learning Styles through their interactions in Virtual Learning Environments. Preliminary results indicate that the proposed approach is promising in the automatic identification of students' learning preferences.
Metamodelo de Categorização de Estilos de Aprendizagem
Anais do XXVI Simpósio Brasileiro de Informática na Educação (SBSI 2015), 2015
Learning styles refer to preferences regarding ways and forms that the student prefers to learn. The knowledge of these styles allows propositions for teaching rearranging instructional methods and learning strategies to enable more adapted to individual student learning needs. In this context, this article presents a metamodel categorization of learning styles to help with the mapping of the preferences and characteristics of the styles that can be used to provide adaptation to the presentation of the learning object (LO) according to the student's learning style. Resumo. Os estilos de aprendizagem referem-se a preferências em relação aos modos e formas que o aluno prefere aprender. O conhecimento desses estilos permite fazer proposições para o ensino rearranjando os métodos instrucionais e as estratégias de aprendizagem para possibilitar uma aprendizagem mais adaptada as necessidades individuais do aluno. Neste contexto, este artigo apresenta um metamodelo de categorização de estilos de aprendizagem para ajudar no mapeamento das preferências e características dos estilos que podem ser usadas para proporcionar adaptação na apresentação do objeto de aprendizagem (OA) de acordo com o estilo de aprendizagem do aluno.
Informatica Aplicada a Educacao, 2018
Diversos estudos nas áreas de psicologia cognitiva e pedagogia apontam que cada indivíduo possui diferentes maneiras de captar, processar, analisar e organizar informações durante o processo de aprendizado, o que fundamenta o conceito de Estilos de Aprendizagem (EA). Em vista disso, diversos sistemas educacionais adaptativos foram propostos com o intuito de proporcionar conteúdo personalizado em seus cursos. Porém, em boa parte dos casos, estes sistemas fazem uso de questionários para identificar os estilos de aprendizagem, e este método pode mostrar-se inviável em algumas situações. Deste modo, a proposta neste trabalho é investigar diferentes algoritmos relacionados ao aprendizado de máquina (especialmente algoritmos de classificação) aplicados à detecção automática dos estilos de aprendizagem de estudantes, a partir de suas interações em um sistema educacional. Dentre os inúmeros modelos de EA propostos na literatura, optou-se por usar o modelo de Felder-Silverman como base para os experimentos. Para fins de experimentação, foram avaliadas as taxas de acertos e erros dos algoritmos em relação aos resultados apontados pelo questionário ILS, em cada umas das dimensões do modelo de Felder-Silverman. Os resultados apontaram para o uso de mais de um classificador - Naïve Bayes e aprendizagem baseada em instância - dependendo da dimensão do estilo de aprendizagem. A metodologia aplicada foi comparada com sete trabalhos correlatos da literatura; Os resultados demonstraram uma performance superior aos trabalhos anteriores em quase todas as dimensões.
Brazilian Symposium on Computers in Education, 2017
A detecção automática de Estilos de Aprendizagem é um ativo tópico de pesquisa na área de computação aplicada ao contexto educacional, porém, grande parte dos trabalhos existentes não é conclusiva com relação a diferentes métodos de classificação aplicados neste cenário. Neste trabalho, portanto, são avaliados quatro algoritmos de aprendizado de máquina, especificamente para a tarefa de classificação, a fim de se identificar os Estilos de Aprendizagem dos estudantes em um ambiente real de aprendizado eletrônico, de acordo com o modelo de Felder e Silverman. Como resultado, os experimentos indicaram que um único método não é suficiente para a correta classificação em todas as dimensões, sendo que o melhor cenário contempla o uso de, pelo menos, dois classificadores diferentes. The automatic detection of learning styles is an active research topic in the field of technology applied to education, however, most of existing works are not conclusive in relation to the different classification methods applied in this scenario. In this work, therefore, we evaluate four machine learning algorithms, specifically for the classification task, in order to identify the Learning Styles of the students in a real electronic learning environment, according to the Felder-Silverman model. As a result, the experiments indicated that a single method is not sufficient for the correct classification in all the dimensions, and that the best scenario contemplates the use of at least two different classifiers.
Detecção e Correção Automática de Estilos de Aprendizagem em Sistemas Adaptativos para Educação
Revista de Informática Teórica e Aplicada
Resumo: Um dos aspectos mais importantes em sistemas adaptativos para educação é a capacidade de prover personalização de acordo com as necessidades específicas de cada estudante. Neste contexto, este trabalho apresenta uma abordagem promissora para detecção e correção automática de estilos de aprendizagem (EA) baseada em cadeias de Markov. A maioria dos trabalhos nesta área apresentam abordagens complexas e ineficientes em algum aspecto. A abordagem apresentada neste trabalho é baseada na combinação de estilos de aprendizagem (CEA) e na correção dinâmica das inconsistências no modelo do estudante (ME), levando em consideração o forte aspecto não-determinístico do processo de aprendizagem. Resultados promissores foram obtidos nos testes realizados com esta abordagem e são discutidos neste trabalho.
Anais do XXVIII Simpósio Brasileiro de Informática na Educação (SBIE 2017), 2017
Adaptive and Intelligent Educational Systems (AIES) aim to provide a personalized assistance to the student by detecting their Learning Style (LS). One of the most popular techniques used for this detection is Reinforcement Learning (RL). However, RL presents slow convergence rate in some cases. This work proposes the improvement of an AIES by using an adaptation of the Dynamic Scripting technique, considered faster than the RL. Experimental results showed that the proposed technique reduced the number of the learning problems by ≈ 54%, and ≈ 35%, respectively, to Static and Dynamic LS, while reduced the number of interactions by ≈ 5.7% in relation to the literature. Resumo. Sistemas Adaptativos e Inteligentes para a Educação (SAIE) buscam fornecer assistência personalizada ao aluno por meio da detecção de seu Estilo de Aprendizagem (EA). Uma das técnicas mais exploradas para esta detecçãoé o Aprendizado por Reforço (AR). Contudo, tal técnica, em alguns casos,é considerada de lenta convergência. Este trabalho propõe o aperfeiçoamento de um SAIE utilizando uma adaptação da técnica de Dynamic Scripting, considerada mais rápida que o AR. Experimentos demostraram que a proposta, comparadà as soluções da literatura, reduziu o número de problemas de aprendizagem em ≈ 54%, e ≈ 35%, respectivamente, para EAs Estáticos e Dinâmicos, enquanto reduz o número de interações do sistema em ≈ 5,7%. 1. Introdução A Educaçãoà Distância (EAD)é um processo de ensino-aprendizagem mediado por Tecnologias da Informação e Comunicação (TICs) que se encontra em pleno desenvolvimento [Kenski 2003]. As TICs viabilizaram os Ambientes Virtuais de Aprendizagem (AVA) que reúnem na Web diversas ferramentas, como fóruns, wikis e outras tecnologias colaborativas. Apesar da diversidade de ferramentas, elas não são adaptadas individualmente aos alunos. Assim, sistemas utilizando-se de técnicas de Inteligência Artificial (IA) são construídos para garantir tratamento adaptado a cada aluno [Dorça et al. 2013]. Uma das formas de se gerar conteúdo adaptado aos alunos passa, primeiro, pela detecção dos Estilos de Aprendizagem (EA). A teoria dos EA presume que cada aluno tem
Anais do XXVIII Simpósio Brasileiro de Informática na Educação (SBIE 2017), 2017
The progress and popularity of Distance Learning has generated a greater demand for the use of increasingly effective methods of teaching and learning. One of the biggest challenges is the increased need to adapt to specific characteristics of each individual learner. This paper presents an automated alternative to identify which Learning Style suits each student. The presented model IPP allows us to identify each student's Personality Profile by using the information in the open texts elaborated by each learner, giving us an inference for which Learning Style is more suited to each case. Resumo. O avanço e popularização da Educação a Distância tem gerado uma demanda maior na utilização de métodos cada vez mais eficientes de ensino e aprendizagem. Um dos desafios encontradosé a maior necessidade de adaptaçãoàs particularidades individuais dos alunos. Este trabalho apresenta uma alternativa automatizada para a identificação do Estilo de Aprendizagem de alunos. A proposta apresenta o Modelo de Identificação de Perfil de Personalidade (IPP), que utiliza as informações presentes nos textos livres elaborados pelos alunos, permitindo a inferência de um Estilo de Aprendizagem mais adequado a cada caso.