Novas abordagens para detecção automática de Estilos de Aprendizagem
| dc.contributor.advisor | Andrade, Alessandro Vivas | |
| dc.contributor.advisorco | Assis, Luciana Pereira de | |
| dc.contributor.author | Falci, Samuel Henrique | |
| dc.contributor.institution | Universidade Federal dos Vales do Jequitinhonha e Mucuri (UFVJM) | pt_BR |
| dc.contributor.referee | Andrade, Alessandro Vivas | |
| dc.contributor.referee | Oliveira, Márcio Leles Romarco de | |
| dc.contributor.referee | Pitangui, Cristiano Grijó | |
| dc.date.accessioned | 2018-05-04T16:19:57Z | |
| dc.date.available | 2018-05-04T16:19:57Z | |
| dc.date.issued | 2017 | |
| dc.date.submitted | 2017-11-07 | |
| dc.description.abstract | Este 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. | pt_BR |
| dc.description.abstracts | This paper aims to show solutions for the improviment in education through the distance learning platform. Along with the technological progress, the search for this modality has been growing significantly, however, some problems could be observed, as the course abandonment or the learning unsuccess by the student. In order to try to minimize these issues, some approaches have been proposed. Among them, a few use known concepts, as the Learning Styles, to define the learning preferences of each student. The Learning Styles advocate that each individual has a personal methodology to the learning process and, when the education method does not match the student’s preference, he may present problems to assimilate the content. In order to minimize these issues, this paper analyzed others existing approaches from the literature and modified them to possible improvement. Then, this paper has used Artificial Inteligence, Fuzzy Logic and Reinforcement Learning techniques, in order to detect, automatically, the student’s Learning Styles which was computationally simulated. With this detection, a personalyzed curriculum could be developed for each student of the Distance Learning Platform according to their learning preferences. The techniques applyed in this approach, demonstrate significant improvements when comparing to another specific approach in the literature. | en |
| dc.description.sponsorship | Universidade Federal dos Vales do Jequitinhonha e Mucuri (UFVJM) | pt_BR |
| dc.description.thesis | Dissertação (Mestrado Profissional) – Programa de Pós-Graduação em Educação, Universidade Federal dos Vales do Jequitinhonha e Mucuri, 2017. | pt_BR |
| dc.identifier.citation | FALCI, Samuel Henrique. Novas abordagens para detecção automática de Estilos de Aprendizagem. 2017. 82 p. Dissertação (Mestrado Profissional) – Programa de Pós-Graduação em Educação, Universidade Federal dos Vales do Jequitinhonha e Mucuri, Diamantina, 2017. | pt_BR |
| dc.identifier.uri | https://acervo.ufvjm.edu.br/items/995077c1-15e2-4e04-82cd-8f4a85bbcbb9 | |
| dc.language.iso | por | |
| dc.publisher | UFVJM | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.rights.license | A concessão da licença deste item refere-se ao à termo de autorização impresso assinado pelo autor, assim como na licença Creative Commons, com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade Federal dos Vales do Jequitinhonha e Mucuri e o IBICT a disponibilizar por meio de seus repositórios, sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, e preservação, a partir desta data. | pt_BR |
| dc.subject.keyword | Inteligência rrtificial | pt_BR |
| dc.subject.keyword | Sistemas de tutoria inteligentes | pt_BR |
| dc.subject.keyword | Estilos de aprendizagem | pt_BR |
| dc.subject.keyword | Artificial inteligence | en |
| dc.subject.keyword | Intelligent tutoring systems | en |
| dc.subject.keyword | Learning styles | en |
| dc.title | Novas abordagens para detecção automática de Estilos de Aprendizagem | pt_BR |
| dc.type | Dissertação | pt_BR |