Geração de Sequências Curriculares Adaptativas baseada no Perfil dos Alunos e Materiais Didáticos utilizando o Algoritmo NSGA-III
Resumo
O problema do Sequenciamento Curricular Adaptativo (SCA) vem sendo tratado na literatura com abordagens meta-heurísticas e com técnicas que o reduz a um problema de otimização mono-objetivo. Os objetivos utilizados são, em sua maioria, conflitantes, ou seja, uma melhora em um desses objetivos não resulta, necessariamente, na melhora dos demais. Assim, o objetivo desse artigo é propor uma nova abordagem para o SCA baseada em otimização com muitos objetivos utilizando o algoritmo NSGA-III. Embora seja uma solução ainda não explorada, se mostrou adequada para o problema, de acordo com experimentos realizados em laboratório.
Palavras-chave:
Sequências Curriculares Adaptativas, NSGA-III, Tutores Inteligentes
Referências
Acampora, G., Gaeta, M., and Loia, V. (2011). Hierarchical optimization of personalizedexperiences for e-learning systems through evolutionary models.Neural Computingand Applications, 20(5):641–657.
Al-Muhaideb, S. and Menai, M. E. B. (2011). Evolutionary computation approaches tothe curriculum sequencing problem.Natural Computing, 10.
Anschau, D., Marchi, J., and Rizzon, E. (2017). Smart its: um sistema tutor inteligentepara flexibilização e adaptação de currículos.Brazilian Symposium on Computers inEducation (Simpósio Brasileiro de Informática na Educação - SBIE), 28(1):1347.
Azuma, R. M. (2011). Otimização multiobjetivo em problema de estoque e roteamentogerenciados pelo fornecedor. Master’s thesis, Universidade Estadual De Campinas.
Barrére, E., Souza, J., and Machado, M. (2017). Geração de sequências curricularesadaptativas baseada em computação evolucionária: Estado da arte e tendências.Bra-zilian Symposium on Computers in Education (Simpósio Brasileiro de Informática naEducação - SBIE), 28(1):1137.
Cao, X., Xu, J., De Clercq, D., Wang, Y., and TAO, Y. (2019). Many-objective optimization of technology implementation in the industrial symbiosis system based on amodified nsga-iii.Journal of Cleaner Production, 245:118810.
Christudas, B., Kirubakaran, E., and Thangaiah, P. (2018). An evolutionary approachfor personalization of content delivery in e-learning systems based on learner behaviorforcing compatibility of learning materials.Telematics and Informatics, page 520–533.
Deb, K. and Jain, H. (2014). An evolutionary many-objective optimization algorithm using reference-point-based nondominated sorting approach, part i: Solving problemswith box constraints.IEEE Transactions on Evolutionary Computation, 18(4).
Dwivedi, P., Kant, V., and Bharadwaj, K. (2018). Learning path recommendation based onmodified variable length genetic algorithm.Education and Information Technologies.
Gonçalves, A., Vivas, A., Assis, L., Pitangui, C., and Dorça, F. (2016). Avanços na modelagem automática e dinâmica de estilos de aprendizagem de estudantes em sistemas adaptativos e inteligentes para educação: uma análise experimental.Brazilian Sympo-sium on Computers in Education (Simpósio Brasileiro de Informática na Educação -SBIE), 27(1):1006.
Jain, H. and Deb, K. (2014). An evolutionary many-objective optimization algorithm using reference-point-based nondominated sorting approach, part ii: Handling cons-traints and extending to an adaptive approach.IEEE Transactions on EvolutionaryComputation, 18(4):602–622.
Kamsa, I., Elouahbi, R., and Khoukhi, F. (2018). The combination between the individualfactors and the collective experience for ultimate optimization learning path using antcolony algorithm.Engineering and Information Technology, 8:1198–1208.
Li, M., Zhen, L., and Yao, X. (2017). How to read many-objective solution sets in parallelcoordinates.IEEE Computational Intelligence Magazine, 12.
Machado, M., Barrere, E., and Souza, J. (2019). Solving the adaptive curriculum sequencing problem with prey-predator algorithm.International Journal of DistanceEducation Technologies, 17:71–93.
Machado, M., Barrére, E., and Souza, J. (2018). Uma abordagem evolutiva para o problema de sequenciamento curricular adaptativo.Brazilian Symposium on Computersin Education (Simpósio Brasileiro de Informática na Educação - SBIE), 29(1):1243.
Sani, S. and Aris, T. N. M. (2014). Computational intelligence approaches for student/tutor modelling: A review. In2014 5th International Conference on IntelligentSystems, Modelling and Simulation, pages 72–76.
Shmelev, V., Karpova, M., and Dukhanov, A. (2015). An approach of learning path sequencing based on revised bloom’s taxonomy and domain ontologies with the use ofgenetic algorithms.Procedia Computer Science, page 711–719.
Vanitha, V. and Krishnan, P. (2019). A modified ant colony algorithm for personalized learning path construction.Journal of Intelligent & Fuzzy Systems, 37:1–16.
Vanitha, V., Krishnan, P., and R., E. (2019). Collaborative optimization algorithm forlearning path construction in e-learning.Computers & Electrical Engineering, 77.
Zhou, B., Liu, B., Yang, D., Cao, J., and Littler, T. (2020). Multi-objective optimal operation of coastal hydro-electrical energy system with seawater reverse osmosis desalination based on constrained nsga-iii.Energy Conversion and Management, 207:112533
Al-Muhaideb, S. and Menai, M. E. B. (2011). Evolutionary computation approaches tothe curriculum sequencing problem.Natural Computing, 10.
Anschau, D., Marchi, J., and Rizzon, E. (2017). Smart its: um sistema tutor inteligentepara flexibilização e adaptação de currículos.Brazilian Symposium on Computers inEducation (Simpósio Brasileiro de Informática na Educação - SBIE), 28(1):1347.
Azuma, R. M. (2011). Otimização multiobjetivo em problema de estoque e roteamentogerenciados pelo fornecedor. Master’s thesis, Universidade Estadual De Campinas.
Barrére, E., Souza, J., and Machado, M. (2017). Geração de sequências curricularesadaptativas baseada em computação evolucionária: Estado da arte e tendências.Bra-zilian Symposium on Computers in Education (Simpósio Brasileiro de Informática naEducação - SBIE), 28(1):1137.
Cao, X., Xu, J., De Clercq, D., Wang, Y., and TAO, Y. (2019). Many-objective optimization of technology implementation in the industrial symbiosis system based on amodified nsga-iii.Journal of Cleaner Production, 245:118810.
Christudas, B., Kirubakaran, E., and Thangaiah, P. (2018). An evolutionary approachfor personalization of content delivery in e-learning systems based on learner behaviorforcing compatibility of learning materials.Telematics and Informatics, page 520–533.
Deb, K. and Jain, H. (2014). An evolutionary many-objective optimization algorithm using reference-point-based nondominated sorting approach, part i: Solving problemswith box constraints.IEEE Transactions on Evolutionary Computation, 18(4).
Dwivedi, P., Kant, V., and Bharadwaj, K. (2018). Learning path recommendation based onmodified variable length genetic algorithm.Education and Information Technologies.
Gonçalves, A., Vivas, A., Assis, L., Pitangui, C., and Dorça, F. (2016). Avanços na modelagem automática e dinâmica de estilos de aprendizagem de estudantes em sistemas adaptativos e inteligentes para educação: uma análise experimental.Brazilian Sympo-sium on Computers in Education (Simpósio Brasileiro de Informática na Educação -SBIE), 27(1):1006.
Jain, H. and Deb, K. (2014). An evolutionary many-objective optimization algorithm using reference-point-based nondominated sorting approach, part ii: Handling cons-traints and extending to an adaptive approach.IEEE Transactions on EvolutionaryComputation, 18(4):602–622.
Kamsa, I., Elouahbi, R., and Khoukhi, F. (2018). The combination between the individualfactors and the collective experience for ultimate optimization learning path using antcolony algorithm.Engineering and Information Technology, 8:1198–1208.
Li, M., Zhen, L., and Yao, X. (2017). How to read many-objective solution sets in parallelcoordinates.IEEE Computational Intelligence Magazine, 12.
Machado, M., Barrere, E., and Souza, J. (2019). Solving the adaptive curriculum sequencing problem with prey-predator algorithm.International Journal of DistanceEducation Technologies, 17:71–93.
Machado, M., Barrére, E., and Souza, J. (2018). Uma abordagem evolutiva para o problema de sequenciamento curricular adaptativo.Brazilian Symposium on Computersin Education (Simpósio Brasileiro de Informática na Educação - SBIE), 29(1):1243.
Sani, S. and Aris, T. N. M. (2014). Computational intelligence approaches for student/tutor modelling: A review. In2014 5th International Conference on IntelligentSystems, Modelling and Simulation, pages 72–76.
Shmelev, V., Karpova, M., and Dukhanov, A. (2015). An approach of learning path sequencing based on revised bloom’s taxonomy and domain ontologies with the use ofgenetic algorithms.Procedia Computer Science, page 711–719.
Vanitha, V. and Krishnan, P. (2019). A modified ant colony algorithm for personalized learning path construction.Journal of Intelligent & Fuzzy Systems, 37:1–16.
Vanitha, V., Krishnan, P., and R., E. (2019). Collaborative optimization algorithm forlearning path construction in e-learning.Computers & Electrical Engineering, 77.
Zhou, B., Liu, B., Yang, D., Cao, J., and Littler, T. (2020). Multi-objective optimal operation of coastal hydro-electrical energy system with seawater reverse osmosis desalination based on constrained nsga-iii.Energy Conversion and Management, 207:112533
Publicado
24/11/2020
Como Citar
AQUINO, Bernadete; SOUZA, Jairo; GONÇALVES, Luciana Brugiolo; SOARES, Stênio Sã Rosário Furtado.
Geração de Sequências Curriculares Adaptativas baseada no Perfil dos Alunos e Materiais Didáticos utilizando o Algoritmo NSGA-III. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 31. , 2020, Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2020
.
p. 902-911.
DOI: https://doi.org/10.5753/cbie.sbie.2020.902.
