Uma Nova Abordagem para Aplicação de Reforço em Sistemas Automáticos e Adaptativos de Detecção de Estilos de Aprendizagem (original) (raw)

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.

Proposta de uma Abordagem Computacional para Detecção Automática de Estilos de Aprendizagem Utilizando Modelos Ocultos de Markov e FSLSM

Anais do XXVII Simpósio Brasileiro de Informática na Educação (SBIE 2016), 2016

One of the current challenges is to develop computational technologies that are able to respond properly to the teaching and learning methods. For this to occur, it is essential that virtual environments provide adequate content, and are dynamic and adaptable to the needs and interests of students. This papper proposes a probabilistic approach, combines the model proposed by Felder and Silverman (FSLSM) to learning styles, with probabilistic inference techniques of Hidden Markov Models (HMM), in order to perform the inference process of the preferences of the student for a particular learning style.

DETECÇÃO AUTOMÁTICA DE ESTILOS DE APRENDIZAGEM: UMA ANÁLISE COMPARATIVA DE CLASSIFICADORES APLICADOS EM UM CENÁRIO REAL DE APRENDIZADO

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.

Utilização de Aprendizagem por Reforço para Modelagem Autônoma do Aprendiz em um Tutor Inteligente

Anais Do Simposio Brasileiro De Informatica Na Educacao, 2003

Resumo.Este trabalho tem como meta apresentar um módulo de diagnóstico para ser incluído na arquitetura tradicional de Sistemas Tutores Inteligentes. Neste módulo, é aplicada uma técnica de Aprendizado por Reforço (algoritmo Q-Learning) que possibilita modelar autonomamente o aprendiz. O maior valor de utilidade é calculado baseado em uma tabela de pares estado-ação, a partir da qual o algoritmo estima reforços futuros que representam os estados cognitivos do aprendiz. A melhor política a ser usada pelo tutor para qualquer estado cognitivo do aprendiz é disponibilizada pelo algoritmo de Aprendizagem por Reforço.

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 e Dinâmica de Estilos de Aprendizagem em Sistemas Adaptativos e Inteligentes utilizando Dynamic Scripting

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

Metodos de classificacao aplicados a deteccao automatica de Estilos de Aprendizagem em um ambiente real de ensino

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.