Math Suggestion: Uma Ferramenta de Recomendação de Objetos de Aprendizagem Fundamentada nos Princípios das Avaliações de Autoeficácia e Análise de Desempenho
Resumo
Este trabalho apresenta a Math Suggestion, uma ferramenta que tem como objetivo possibilitar a elaboração e aplicação de uma avaliação diagnóstica utilizando instrumentos de autoeficácia e de desempenho e em seguida recomendar objetos de aprendizagem (OAs) com base nas capacidades e limitações dos estudantes. Para a recomendação, a ferramenta utiliza os conceitos de abordagens pedagógicas fundamentados na teoria de autoeficácia e desempenho. Além da descrição da ferramenta, este artigo também apresenta experimentos, aplicados a estudantes ingressantes de três cursos superiores, com o objetivo de avaliar a percepção de utilidade da ferramenta. Resultados mostraram que esta proposta pode impactar positivamente na aprendizagem dos estudantes e também influenciar seus comportamentos.
Referências
Bandura, A. (1986). Social foundations of thought and action. Englewood Cliffs, NJ,1986.
Bandura, A. (1997). Self-efficacy: The exercise of control. Macmillan.
Barros, A. (1996). Atribuições causais e expectativa de controlo na realização matemática. Psychologica, 15:135–146.
Bray, A. and Tangney, B. (2017). Technology usage in mathematics education research–a systematic review of recent trends. Computers & Education, 114:255–273.
Brito, M. R. F. d. and Souza, L. F. N. I. d. (2015). Autoeficácia na solução de problemas matemáticos e variáveis relacionadas. Temas em Psicologia, 23(1).
Dobarro, V. R. and Brito, M. R. F. (2010). Atitude e crença de autoeficácia: relações como desempenho em matemática. Educação Matemática Pesquisa: Revista do Programa de Estudos Pós-graduados em Educação Matemática, 12(2).
Dorça, F. A., Araújo, R. D., De Carvalho, V. C., Resende, D. T., and Cattelan, R. G.(2016). An automatic and dynamic approach for personalized recommendation of learning objects considering students learning styles: An experimental analysis. Informatics in education, 15(1):45–62.
Imran, H., Belghis-Zadeh, M., Chang, T.-W., Graf, S., et al. (2016). Plors: a personalized learning object recommender system. Vietnam Journal of Comp. Science, 3(1):3–13.
Landis, J. R. and Koch, G. G. (1977). The measurement of observer agreement for categorical data. Biometrics, 33(1).
Lent, R. W., Brown, S. D., and Larkin, K. C. (1984). Relation of self-efficacy expectations to academic achievement and persistence. Journal of counseling psychology,31(3):356.
Pajares, F. (1996). Self-efficacy beliefs and mathematical problem-solving of gifted students. Contemporary educational psychology, 21(4):325–344.
Pajares, F. and Miller, M. D. (1994). Role of self-efficacy and self-concept beliefs inmathematical problem solving: A path analysis. Journal of educational psychology,86(2):193.
Pietsch, J., Walker, R., and Chapman, E. (2003). The relationship among self-concept, self-efficacy, and performance in mathematics during secondary school. Journal of educational psychology, 95(3):589.
Pukkhem, N. (2013). Ontology-based semantic approach for learning object recommendation. International Journal on Information Technology, 3(4):12.
Rezende, P. A., Pereira, C., Campos, F., David, J., and Braga, R. (2015). Personna: proposta de ontologia de contexto e perfil de alunos para recomendação de objetos de aprendizagem. Revista Brasileira de Informática na Educação, 23(01):70.
Rodrigues, S. d. S. (2017). Eficácia docente no ensino da matemática. Ensaio: Avaliação e Políticas Públicas em Educação, 25(94):114–147.
Syed, T. A., Palade, V., Iqbal, R., and Nair, S. S. K. (2017). A personalized learning recommendation system architecture for learning management system. InKDIR, pages 275–282.
Tomás da Silva, J., Paula Paixão, M., Sousa Machado, T., and Pacheco Miguel, J. (2017). Rendimento escolar na matemática: Efeito diferencial da ansiedade e das crenças de autoeficácia. Rev. De Est. e Investigación en Psicologıa Y Educación, (01):057.
Zia, A. and Usman, M. (2018). Elective learning objects group recommendation usingnon-cooperative game theory. In 2018 International Conference on Frontiers of Information Technology (FIT), pages 194–199. IEEE.