Avanços na recomendação personalizada de objetos de aprendizagem através da utilização de meta-heurísticas clássicas associadas aos Problemas de Cobertura de Conjuntos e de Máxima Cobertura: Uma análise experimental

• Clarivando Francisco Belizário Júnior Universidade Federal de Uberlândia
• Fabiano Dorça Universidade Federal de Uberlândia https://orcid.org/0000-0003-3281-0246
• Alessandro Vivas Andrade Universidade Federal dos Vales do Jequitinhonha e Mucuri
• Luciana Pereira Assis Universidade Federal dos Vales do Jequitinhonha e Mucuri

DOI: https://doi.org/10.5753/cbie.sbie.2020.1383

Resumo

Uma limitação dos sistemas de recomendação é não garantir que os objetos de aprendizagem (OAs) recomendados cobrem todos os conceitos que o estudante precisa aprender. Para lidar com esse desafio, neste artigo, o Problema de Recomendação de Objetos de Aprendizagem (PROA) é formulado como o Problema de Cobertura de Conjuntos e um problema similar ao Problema de Máxima Cobertura, ambos da classe NP-Hard. Adaptam-se meta-heurísticas gulosas e evolucionárias mostrando que elas são apropriadas para a solução do PROA. Este artigo contribui com o estado da arte com uma recomendação de OAs mais personalizada usando uma ontologia que modela as necessidades de conhecimento do estudante e o seu estilo de aprendizagem.

Palavras-chave: Recomendação personalizada, Objetos de aprendizagem, Problema de cobertura

Referências

Balaji, S. and Revathi, N. (2016). A new approach for solving set covering problem using jumping particle swarm optimization method. Natural Computing, 15(3):503-517.


Belizário Júnior, C. F. and Dorça, F. (2018). Uma abordagem para a criação e recomendação de objetos de aprendizagem usando um algoritmo genético, tecnologias da web semântica e uma ontologia. In SBIE, volume 29, page 1533.


Bilal, N., Galinier, P., and Guibault, F. (2013). A new formulation of the set covering problem for metaheuristic approaches. ISRN Operations Research, 2013.


CLEOLab (2003). CLEO extensions to the IEEE learning object metadata. CLEO Collaborative Partners, pages 1–65.


Falci, S. H., Dorc¸a, F. A., Falci, D. H. M., and Vivas, A. (2019). A low complexity heuristic to solve a learning objects recommendation problem. In 2019 IEEE 19th ICALT, volume 2161, pages 49–53. IEEE.


Garcia, F. J. M. and P´erez, J. A. M. (2008). Jumping frogs optimization: a new swarm method for discrete optimization. Documentos de Trabajo del DEIOC, 3.


Garey, M. R. and Johnson, D. S. (1979). Computers and intractability. Series of books in the mathematical sciences. W. H. Freeman & Co., New York.


Golab, L., Korn, F., Li, F., Saha, B., and Srivastava, D. (2015). Size-constrained weighted set cover. In 2015 IEEE 31st Intern. Conf. on Data Engineering, pages 879–890.


Horrocks, I., Patel-Schneider, P. F., Boley, H., Tabet, S., Grosof, B., Dean, M., et al. (2004). Swrl: A semantic web rule language combining owl and ruleml. W3C Member submission, 21(79):1–31.


Limongelli, C., Gasparetti, F., and Sciarrone, F. (2015). Wiki course builder: A system for retrieving and sequencing didactic materials from wikipedia. In Proceedings..., Washington, USA. ITHET, IEEE Computer Society.


McGregor, A. and Vu, H. T. (2019). Better streaming algorithms for the maximum coverage problem. Theory of Computing Systems, 63(7):1595–1619.


Ouf, S., Ellatif, M. A., Salama, S. E., and Helmy, Y. (2017). A proposed paradigm for smart learning environment based on semantic web. Computers in Human Behavior, 72:796–818.


Pereira, C. K., Campos, F., Str¨oele, V., David, J. M. N., and Braga, R. (2018). Broad-rsi–educational recommender system using social networks interactions and linked data. Journal of Internet Services and Applications, 9(7):1–28.


Tarus, J. K., Niu, Z., and Kalui, D. (2018). A hybrid recommender system for e-learning based on context awareness and sequential pattern mining. Soft Computing, 22(8):2449–2461.