Pós-Graduação em Educação
Permanent URI for this communityhttps://repositorio.ufvjm.edu.br/communities/6e04c5af-29a2-4305-bbeb-1cb7813f7adc
PPGED - Programa de Pós-Graduação em Educação
Disponíveis também trabalhos do antigo Programa de Pós-Graduação em Gestão de Instituições Educacionais (PPGGIEd).
Browse
6 results
Search Results
Item Uma abordagem para detecção automática de estilos de aprendizagem de estudantes utilizando mineração de dados(UFVJM, 2019) Abreu, Rafael Miranda; Pitangui, Cristiano Grijó; Universidade Federal dos Vales do Jequitinhonha e Mucuri (UFVJM); Pitangui, Cristiano Grijó; Assis, Luciana Pereira de; Silva, Cristiano Maciel daUtilizados pelas Instituições Educacionais os Sistemas de Gerenciamento de Aprendizagem, como o Moodle, são ferramentas importantes no processo de ensino-aprendizagem e a cada dia que passa ganham mais adeptos. Essa popularização deve-se ao fato destes softwares serem em sua maioria intuitivos e de fácil manuseio. No entanto, grande parte desses sistemas, mesmo vindo acompanhados de vários benefícios, possuem uma certa ”deficiência”, uma vez que fornecem os conteúdos de iguais maneiras e formatos a todos os seus usuários. Sendo assim, considerando que indivíduos possuem preferências e características diferentes, a absorção dos conteúdos ofertados através destas plataformas pelos aprendizes pode não ser a ideal. De acordo com diversos estudiosos se o Estilo de Aprendizagem de determinado estudante for conhecido, é possível apresentar as ferramentas e os Objetos de Aprendizagem que melhor se adéquam ao seu perfil de aprendizagem, e provavelmente sua aprendizagem será facilitada. Neste sentido, e baseando-se no Modelo de Estilos de Aprendizagem de Felder e Silverman, esta pesquisa apresenta uma abordagem capaz de descobrir o Estilos de Aprendizagem de alunos automaticamente. Para que o objetivo fosse alcançado, foram aplicados conceitos e técnicas de Mineração de Dados. Os vários testes realizados apresentaram bons resultados, e apontam que a abordagem proposta pode ser promissora na detecção de Estilo de Aprendizagem de estudantes.Item Utilização de Modelos Ocultos de Markov e Aprendizagem por Reforço para detecção de estilos de aprendizagem de estudantes em Sistemas de Gestão de Aprendizagem(UFVJM, 2018) Almeida, Arthur Machado França de; Assis, Luciana Pereira de; Andrade, Alessandro Vivas; Universidade Federal dos Vales do Jequitinhonha e Mucuri (UFVJM); Assis, Luciana Pereira de; Andrade, Alessandro Vivas; Pitangui, Cristiano Grijó; Berti, Cláudia BeatrizUm dos maiores desafios na área da Educação à Distância é fornecer soluções tecnológicas que atendam aos estudantes de forma diferenciada. Os Ambientes Virtuais de Aprendizagem, embora auxiliem os professores e estudantes na realização dos cursos, não consideram as diferenças individuais de cada discente. Pesquisas apontam que considerar as diferenças dos estudantes, por intermédio dos Estilos de Aprendizagem, impacta positivamente no rendimento dos alunos ao longo do curso. Diante desse cenário, a identificação automática de Estilos de Aprendizagem dos estudantes nos Sistemas de Gestão de Aprendizagem é um importante tópico nas pesquisas da área de Tecnologia aplicada à Educação. O presente trabalho apresenta uma abordagem para identificação automática dos Estilos de Aprendizagem dos estudantes em Sistemas de Gestão de Aprendizagem. A abordagem proposta utiliza Modelos Ocultos de Markov para modelar os Estilos de Aprendizagem, o Algoritmo de Viterbi para inferi-los, e uma abordagem de Aprendizagem por Reforço para correção da detecção automática dos Estilos de Aprendizagem. Os resultados apontam uma taxa média de 91% de inferências corretas, demonstrando ser uma abordagem eficaz e promissora para a utilização em Sistemas de Gestão de Aprendizagem.Item Novas abordagens para detecção automática de Estilos de Aprendizagem(UFVJM, 2017) Falci, Samuel Henrique; Andrade, Alessandro Vivas; Assis, Luciana Pereira de; Universidade Federal dos Vales do Jequitinhonha e Mucuri (UFVJM); Andrade, Alessandro Vivas; Oliveira, Márcio Leles Romarco de; Pitangui, Cristiano GrijóEste trabalho tem por objetivo apresentar soluções para o aperfeiçoamento do ensino através das plataformas de ensino à distância. Com o avanço tecnológico, a procura por esta modalidade de ensino vem crescendo significativamente, porém, alguns problemas podem ser observados, como o abandono do curso ou o insucesso no aprendizado do estudante. Na tentativa de minimizar problemas como este citado, algumas abordagens vem sido propostas. Dentre elas, algumas fazem uso de conceitos conhecidos como Estilos de Aprendizagem para definir as preferências de aprendizagem de cada aluno. Os Estilos de Aprendizagem defendem que cada indivíduo possui características pessoais para o processo de aprendizagem e quando o método de ensino não coincide com esta preferência, o aluno pode apresentar problemas para assimilar o conteúdo. Para minimizar estes problemas, a proposta deste trabalho analisou outras abordagens já existentes na literatura e os modificou para possíveis melhorias. Sendo assim, este trabalho fez uso de técnicas de Inteligência Artificial, Lógica Fuzzy e Aprendizagem por Reforço para detectar automaticamente os Estilos de Aprendizagem de alunos simulados computacionalmente. A partir desta detecção um currículo personalizado pode ser desenvolvido para cada aluno de Plataformas de Ensino à Distância de acordo com as suas preferências de aprendizagem. As técnicas utilizadas nesta abordagem demonstraram melhorias significativas ao se comparar com outra abordagem específica presente na literatura.Item Detecção Automática e Dinâmica de Estilos de Aprendizagem em Sistemas Adaptativos e Inteligentes utilizando Dynamic Scripting(UFVJM, 2017) Silva, Júlio César da Costa; Pitangui, Cristiano Grijó; Universidade Federal dos Vales do Jequitinhonha e Mucuri (UFVJM); Pitangui, Cristiano Grijó; Teixeira, Josiane Magalhães; Assis, Luciana Pereira deUma das formas de se gerar conteúdo adaptado ao estudante passa, primeiro, pela detecção dos Estilos de Aprendizagem (EA). A teoria dos EA presume que cada aluno tem características próprias que o distingue dos demais. A partir dos EA, o Sistema Adaptativo e Inteligente para Educação (SAIE) de Dorça foi idealizado. Seu trabalho objetiva apresentar uma solução estocástica para provimento de adaptatividade e customização de Sistemas Educacionais por meio da modelagem probabilística dos EA. Em síntese, seu SAIE visa modelar o estudante, coletando e atualizando seus dados, de forma a descobrir seu EA. Com este fim, o sistema, durante suas iterações, submete o aluno a avaliações e, caso as notas sejam insatisfatórias, o sistema realiza a atualização do modelo do estudante (ME) por meio do Aprendizado por Reforço (AR). Contudo, AR é considerada uma técnica lenta de aprendizado que demanda muito tempo para ajustar o elemento a ser otimizado. Por sua vez, a técnica Dynamic Scripting (DS), uma variação da técnica de AR, apresenta alta velocidade de convergência, mesmo em ambientes dinâmicos. DS é popularmente utilizada na IA de Jogos e consiste em um conjunto de Regras sobre um domínio, estruturadas por uma condição e uma ação. Sua forma de aprendizagem atrela um peso a cada regra, o qual determina a qualidade da regra, frente à sua condição, e uma probabilidade da mesma ser aplicada. A condição de uma regra é a representação de uma situação possível no sistema, e sua ação é a intervenção gerada no sistema durante a sua aplicação. Este trabalho propõe o aperfeiçoamento do SAIE citado, utilizando uma adaptação do DS, com os objetivos de acelerar a convergência do sistema, reduzir os Problemas de Aprendizagem (PA) e aumentar a nota do estudante. Adicionalmente, devido a característica dinâmica do DS, este trabalho realiza experimentos em situações em que o EA Real (EAr) dos alunos variam ao longo do processo de ensino/aprendizagem. A pesquisa parte da elaboração das regras e implementação da estrutura do DS, avançando para a substituição do módulo de AR pelo DS no SAIE de Dorça. Realizaram-se 30 testes para cada uma das 16 Combinações de EA (CEA), 16*30 testes para cada uma das 4 abordagens: Dorça-Estático, Dorça-Dinâmico, DS-Estático e DS-Dinâmico. Nos testes dinâmicos, modificou-se o EAr a cada 150 interações, de forma que após 300 interações, o sistema deve convergir para uma CEA oposta à inicial. Resultados preliminares, em comparação à abordagem da literatura, apresentaram uma redução média nos PA de 35.8% para os testes dinâmicos e de 54.1% para os testes estáticos. Quando o EA Probabilístico (EAp) inicial é exatamente igual ao EAr, verificou-se que a abordagem proposta apresentou em média 6 erros na atualização do ME, enquanto a abordagem da literatura apresentou, em média, 23 erros. Verificou-se, portanto, que, preliminarmente, a proposta obteve resultados promissores.Item Proposta de uma abordagem computacional para detecção automática de estilos de aprendizagem utilizando modelos ocultos de Markov e FSLSM(UFVJM, 2016) Sena, Edson Batista de; Andrade, Alessandro Vivas; Universidade Federal dos Vales do Jequitinhonha e Mucuri (UFVJM); Andrade, Alessandro Vivas; Assis, Luciana Pereira de; Carvalho, Leonardo Lana de; Toledo, Bruno de SouzaUm dos grandes desafios dos dias atuais no desenvolvimento de tecnologias computacionais aplicadas ao processo educacional é produzir soluções que sejam capazes de atender corretamente ao processo de ensino e aprendizagem, além de definir a forma mais adequada de incorporar esses mecanismos no ambiente escolar. Esta inserção deve ocorrer de forma que alunos e professores aproveitem ao máximo esses instrumentos, e passem a utilizá-los com o intuito de agregar mais valor aos processos de ensino e aprendizagem. Para que isso ocorra, é fundamental que os ambientes virtuais forneçam conteúdo adequado, objetos de aprendizagem atraentes, além de serem dinâmicos e altamente adaptáveis às necessidades e interesses dos estudantes durante as sessões de aprendizagem, visando a melhoria contínua do processo educacional para professores, tutores e estudantes. O presente trabalho tem como objetivo principal apresentar um modelo computacional probabilístico, que pode ser incorporado às estruturas dos ambientes virtuais de aprendizagem, a fim de auxiliar no processo de detecção automática das tendências e preferências dos estilos de aprendizagem do estudante, utilizando uma combinação do modelo proposto por Felder e Silverman para estilos de aprendizagem, o FSLSM, com as técnicas de inferência probabilística dos modelos ocultos de Markov (HMM). Para a validação do modelo, foram realizados experimentos em um simulador computacional capaz de reproduzir parcialmente o processo de interação do estudante com o ambiente virtual de aprendizagem, realizando um processo de inferência com base no comportamento do estudante, ao qual foi utilizado o algoritmo de Viterbi para este propósito. Ao final, os resultados dos experimentos são apresentados e demonstraram um elevado grau de precisão no processo de inferência do estilo de aprendizagem probabilístico.Item Modelagem automática e dinâmica de estilos de aprendizagem em sistemas adaptativos e inteligentes para educação a distância: estudo comparativo entre duas abordagens(UFVJM, 2016-06) Gonçalves, André Vinícius; Andrade, Alessandro Vivas; Universidade Federal dos Vales do Jequitinhonha e Mucuri (UFVJM); Andrade, Alessandro Vivas; Assis, Luciana Pereira de; Pitangui, Cristiano Grijó; Dorça, Fabiano Azevedo; Silva, André Luiz MaravilhaNos últimos dez anos muitos pesquisadores têm realizado estudos sobre assistência personalizada e inteligente em Ambientes Educacionais a Distância, baseada na identificação dos Estilos de Aprendizagem. Sabe-se que o aprendizado é algo extremamente particular, pois cada estudante possui estilos próprios e pode sofrer mudanças diante de situações diversas como, por exemplo, objetivo, motivação, personalidade, etc. Por isso, o conceito de adaptabilidade do conteúdo didático tem se tornado de grande importância na personalização do Sistema de Gerenciamento de Aprendizagem (SGA). Diante desse fato, Dorça (2012) propõe uma abordagem de Sistema Adaptativo e Inteligente para Educação (SAIE), utilizando técnicas probabilísticas e Inteligência Artificial (IA), capaz de detectar e adaptar, de maneira dinâmica e automática, os estilos de aprendizagem do estudante, considerando o Modelo de Estilo de Aprendizagem Felder-Silverman’s. Após pesquisa detalhada, foram propostas algumas adaptações baseadas na abordagem original, alterando o funcionamento de dois componentes específicos: o Módulo Pedagógico e o Componente de Modelagem do Estudante. Além disso, propõe-se uma nova estrutura do Modelo Estudante, contemplando o histórico de desempenho do aluno nos processos avaliativos. Por conseguinte, realizaram-se testes para avaliar os impactos de tais mudanças por meio uma comparação estatística utilizando o método T-Pareado. Pelos resultados obtidos, as ideias deste trabalho proporcionaram uma melhora média de 6,07% no desempenho avaliativo do estudante e uma redução média de 68,27% nos problemas de aprendizagem, demonstrando eficiência e eficácia da proposta.