Agrupando estudantes a partir da similaridade semântica de mapas conceituais
Resumo
Comparar semanticamente conteúdos produzidos por diferentes alunos e identificar grupos existentes com base nessa semelhança é um grande desafio para os professores. Este trabalho apresenta uma proposta para a formação de agrupamentos semânticos de alunos a partir da comparação semântica de mapas conceituais por eles construídos. Sua abordagem é a leitura automatizada de mapas conceituais, utilizando-os como entrada para modelos vetoriais de processamento de linguagem natural que consideram aspectos temáticos, semânticos e o contexto das palavras. As análises realizadas permitem comparar os modelos conceituais que diferentes indivíduos possuem sobre um assunto e planejar interações entre eles.
Palavras-chave:
Agrupamento de estudantes, Similaridade semântica, Mapas conceituais
Referências
Aguiar, C. Z., Cury, D., & Zouaq, A. (2017). Mineração de Mapas Conceituais para Sumarização de Textos. VI Congresso Brasileiro de Informática na Educação (CBIE 2017), (pp. 57-66).
Ausubel, D. P., Novak, J., & Hanesian, H. (1978). Educational psychology: a cognitive view (2nd ed.). New York: Holt Rinehart and Winston. doi: https://doi.org/10.1037/016814
Barrios, F., López, F., Argerich, L., & Wachenchauzer, R. (2015). Variations of the Similarity Function of TextRank for Automated Summarization. Argentine Symposium on Artificial Intelligence. Buenos Aires. Retrieved from https://arxiv.org/abs/1602.03606
Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research 3, 993-1022. Retrieved from https://www.jmlr.org/papers/volume3/blei03a/blei03a.pdf
Boguski, R. R., & Cury, D. (2018). Usando regras de associação para a identificação de falhas conceituais. Simpósio Brasileiro de Informática na Educação (SBIE), (pp. 1443- 1453). Fortaleza.
Boguski, R. R., & Cury, D. (2019). Fatores que influenciam a aprendizagem assistida em mapas conceituais. XXX Simpósio Brasileiro de Informática na Educação. Brasília.
Boguski, R. R., Cury, D., & Gava, T. (2019). TOM: An intelligent tutor for the construction of knowledge represented in concept maps. Frontiers in Education (FIE). Cincinnati.
Caldas, V. M., & Favero, E. L. (2009). Uma Ferramenta de Avaliação Automática para Mapas Conceituais como Auxílio ao Ensino em Ambientes de Educação a Distância. XX Simpósio Brasileiro de Informática na Educação. doi: http://dx.doi.org/10.5753/cbie.sbie.2009.%25p
Charlet, D., & Damnati, G. (2017). Soft-Cosine Semantic Similarity between Questions for Community Question Answering. Proceedings of the 11th International Workshop on Semantic Evaluation, (pp. 315–319). Vancouver, Canada. doi: http://dx.doi.org/10.18653/v1/S17-2051
Gan, G., Ma, C., & Wu, J. (2007). Data Clustering: Theory, Algorithms, and Applications. SIAM. doi: https://doi.org/10.1137/1.9780898718348
Gómez-Gauchía, H., Díaz-Agudo, B., & Gonzalez-Calero, P. A. (2004). Two-layered approach to knowledge representation using conceptual maps and description logics. Concept Maps: Theory, Methodology, Technology, Proc. of the First Int. Conf. on Concept. Retrieved from http://cmc.ihmc.us/Papers/cmc2004-205.pdf
Kanungo, T., Mount, D., Netanyahu, N., Piatko, C., Silverman, R., & Wu, A. (2002). An efficient k-means clustering algorithm: analysis and implementation. IEEE Transactions on Pattern Analysis and Machine Intelligence, (pp. 881 - 892). doi: https://doi.org/10.1109/TPAMI.2002.1017616
Kim, S.-W., & Gil, J.-M. (2019). Research paper classification systems based on TF-IDF and LDA schemes. Human-centric Computing and Information Sciences. doi: https://doi.org/10.1186/s13673-019-0192-7
Lamas, F., Boeres, C., Cury, D., & Menezes, C. S. (2005). Comparando mapas conceituais utilizando correspondência de grafos. Simpósio Brasileiro De Informática Na Educação - SBIE, (pp. 24-27).
Le, Q. V., & Mikolov, T. (2014). Distributed Representations of Sentences and Documents. Proceedings of the 31st International Conference on International Conference on Machine Learning, (pp. 1188-1196). Retrieved from https://arxiv.org/abs/1405.4053
Limongelli, C., Sciarrone, F., Lombardi, M., Marani, A., & Temperini, M. (2017). A framework for comparing concept maps. 16th International Conference on Information Technology Based Higher Education and Training (ITHET). doi: https://doi.org/10.1109/ITHET.2017.8067818
Marcos P. D. Lovati, C. Z. (2017). Clusterizando Mapas Conceituais para Identificar Desempenho Cognitivo em Grupos. VI Congresso Brasileiro de Informática na Educação (CBIE 2017), (pp. 1397-1406). Recife, PE. doi: http://dx.doi.org/10.5753/cbie.sbie.2017.1397
Mihalcea, R., & Tarau, P. (2004). TextRank: Bringing Order into Texts. Conference on Empirical Methods in Natural Language Processing, (pp. 404–411). Barcelona, Spain. Retrieved from https://www.aclweb.org/anthology/W04-3252
Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient Estimation of Word Representations in Vector Space. ICLR Workshop Papers. Retrieved from https://arxiv.org/abs/1301.3781
Moreira, R. B., Boguski, R. R., & Cury, D. (2021). Utilizando análise semântica para descobrir implicações significantes em mapas conceituais. ANAIS DO XXXII SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO, (pp. 123-134). doi: https://doi.org/10.5753/sbie.2021.218489
Newman, D., Lau, J. H., Grieser, K., & Baldwin, T. (2010). Automatic Evaluation of Topic Coherence. The 2010 Annual Conference of the In Human Language Technologies: North American Chapter of the Association for Computational Linguistics (NAACL-HLT ’10), (pp. 100–108). Los Angeles, California. Retrieved from https://www.aclweb.org/anthology/N10-1012
Novak, J., & Gowin, D. (1984). Learning how to learn. Cambridge: Cambridge University Press. doi: https://doi.org/10.1017/CBO9781139173469
Novotný, V. (2018). Implementation Notes for the Soft Cosine Measure. re. In Proceedings of the 27th ACM International Conference on Information and Knowledge Man, (pp. 22-26). Torino, Italy. doi: http://doi.org/10.1145/3269206.3269317
Peters, S., & Shrobe, H. E. (2003). Using Semantic Networks for Knowledge Representation in an Intelligent Environment. Proceedings of the First IEEE International Conference on Pervasive Computing and Communications, 2003, (pp. 323-329). doi: https://doi.org/10.1109/PERCOM.2003.1192756
Rios, P. T., Aguiar, C. Z., & Cury, D. (2017). Uma Abordagem construtivista para identificar o conhecimento usando mapa conceitual. VI Congresso Brasileiro de Informática na Educação (CBIE 2017), (pp. 394-403).
Saputra, D. M., Saputra, D., & Oswari, L. D. (2019). Effect of Distance Metrics in Determining K-Value in K-Means Clustering Using Elbow and Silhouette Method. Sriwijaya International Conference on Information Technology and Its Applications. doi: https://doi.org/10.2991/aisr.k.200424.051
Sidorov, G., Gelbukh, A., Gomez-Adorno, H., & Pinto, D. (2014). Soft Similarity and Soft Cosine Measure:Similarity of Features in Vector Space Model. Computación y Sistemas, 491–504. doi: https://doi.org/10.13053/cys-18-3-2043
Simón, A., L. C., & Rosete, A. (2007). Generation of OWL Ontologies from Concept Maps in Shallow Domains. Congresos de la Asociación Española para la Inteligencia Artificial)(CAEPIA), (pp. 259-267). doi: https://doi.org/10.1007/978-3-540-75271-4_27
Singhal, A. (2001). Modern Information Retrieval: A Brief Overview. Bull IEEE Comput Soc Tech Comm Data Eng, (pp. 35-43). Retrieved from http://www1.cs.columbia.edu/~gravano/cs6111/Readings/singhal.pdf
Vygotsky, L. (2007). A formação social da mente. In M. Fontes (Ed.), Interação entre aprendizado e desenvolvimento (7 ed.). São Paulo.
Vygotsky, L. S. (1978). Mind in Society: Development of Higher Psychological Processes. (J.-S. V. Cole M., Ed.) Cambridge, Massachusetts, London, England: Harvard University Press. doi: https://doi.org/10.2307/j.ctvjf9vz4
Zhang, T., Ramakrishnan, R., & Livny, M. (1996). BIRCH: An Efficient Data Clustering Method for Very Large Databases. ACM SIGMOD Record. doi: https://doi.org/10.1145/235968.233324
Ausubel, D. P., Novak, J., & Hanesian, H. (1978). Educational psychology: a cognitive view (2nd ed.). New York: Holt Rinehart and Winston. doi: https://doi.org/10.1037/016814
Barrios, F., López, F., Argerich, L., & Wachenchauzer, R. (2015). Variations of the Similarity Function of TextRank for Automated Summarization. Argentine Symposium on Artificial Intelligence. Buenos Aires. Retrieved from https://arxiv.org/abs/1602.03606
Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research 3, 993-1022. Retrieved from https://www.jmlr.org/papers/volume3/blei03a/blei03a.pdf
Boguski, R. R., & Cury, D. (2018). Usando regras de associação para a identificação de falhas conceituais. Simpósio Brasileiro de Informática na Educação (SBIE), (pp. 1443- 1453). Fortaleza.
Boguski, R. R., & Cury, D. (2019). Fatores que influenciam a aprendizagem assistida em mapas conceituais. XXX Simpósio Brasileiro de Informática na Educação. Brasília.
Boguski, R. R., Cury, D., & Gava, T. (2019). TOM: An intelligent tutor for the construction of knowledge represented in concept maps. Frontiers in Education (FIE). Cincinnati.
Caldas, V. M., & Favero, E. L. (2009). Uma Ferramenta de Avaliação Automática para Mapas Conceituais como Auxílio ao Ensino em Ambientes de Educação a Distância. XX Simpósio Brasileiro de Informática na Educação. doi: http://dx.doi.org/10.5753/cbie.sbie.2009.%25p
Charlet, D., & Damnati, G. (2017). Soft-Cosine Semantic Similarity between Questions for Community Question Answering. Proceedings of the 11th International Workshop on Semantic Evaluation, (pp. 315–319). Vancouver, Canada. doi: http://dx.doi.org/10.18653/v1/S17-2051
Gan, G., Ma, C., & Wu, J. (2007). Data Clustering: Theory, Algorithms, and Applications. SIAM. doi: https://doi.org/10.1137/1.9780898718348
Gómez-Gauchía, H., Díaz-Agudo, B., & Gonzalez-Calero, P. A. (2004). Two-layered approach to knowledge representation using conceptual maps and description logics. Concept Maps: Theory, Methodology, Technology, Proc. of the First Int. Conf. on Concept. Retrieved from http://cmc.ihmc.us/Papers/cmc2004-205.pdf
Kanungo, T., Mount, D., Netanyahu, N., Piatko, C., Silverman, R., & Wu, A. (2002). An efficient k-means clustering algorithm: analysis and implementation. IEEE Transactions on Pattern Analysis and Machine Intelligence, (pp. 881 - 892). doi: https://doi.org/10.1109/TPAMI.2002.1017616
Kim, S.-W., & Gil, J.-M. (2019). Research paper classification systems based on TF-IDF and LDA schemes. Human-centric Computing and Information Sciences. doi: https://doi.org/10.1186/s13673-019-0192-7
Lamas, F., Boeres, C., Cury, D., & Menezes, C. S. (2005). Comparando mapas conceituais utilizando correspondência de grafos. Simpósio Brasileiro De Informática Na Educação - SBIE, (pp. 24-27).
Le, Q. V., & Mikolov, T. (2014). Distributed Representations of Sentences and Documents. Proceedings of the 31st International Conference on International Conference on Machine Learning, (pp. 1188-1196). Retrieved from https://arxiv.org/abs/1405.4053
Limongelli, C., Sciarrone, F., Lombardi, M., Marani, A., & Temperini, M. (2017). A framework for comparing concept maps. 16th International Conference on Information Technology Based Higher Education and Training (ITHET). doi: https://doi.org/10.1109/ITHET.2017.8067818
Marcos P. D. Lovati, C. Z. (2017). Clusterizando Mapas Conceituais para Identificar Desempenho Cognitivo em Grupos. VI Congresso Brasileiro de Informática na Educação (CBIE 2017), (pp. 1397-1406). Recife, PE. doi: http://dx.doi.org/10.5753/cbie.sbie.2017.1397
Mihalcea, R., & Tarau, P. (2004). TextRank: Bringing Order into Texts. Conference on Empirical Methods in Natural Language Processing, (pp. 404–411). Barcelona, Spain. Retrieved from https://www.aclweb.org/anthology/W04-3252
Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient Estimation of Word Representations in Vector Space. ICLR Workshop Papers. Retrieved from https://arxiv.org/abs/1301.3781
Moreira, R. B., Boguski, R. R., & Cury, D. (2021). Utilizando análise semântica para descobrir implicações significantes em mapas conceituais. ANAIS DO XXXII SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO, (pp. 123-134). doi: https://doi.org/10.5753/sbie.2021.218489
Newman, D., Lau, J. H., Grieser, K., & Baldwin, T. (2010). Automatic Evaluation of Topic Coherence. The 2010 Annual Conference of the In Human Language Technologies: North American Chapter of the Association for Computational Linguistics (NAACL-HLT ’10), (pp. 100–108). Los Angeles, California. Retrieved from https://www.aclweb.org/anthology/N10-1012
Novak, J., & Gowin, D. (1984). Learning how to learn. Cambridge: Cambridge University Press. doi: https://doi.org/10.1017/CBO9781139173469
Novotný, V. (2018). Implementation Notes for the Soft Cosine Measure. re. In Proceedings of the 27th ACM International Conference on Information and Knowledge Man, (pp. 22-26). Torino, Italy. doi: http://doi.org/10.1145/3269206.3269317
Peters, S., & Shrobe, H. E. (2003). Using Semantic Networks for Knowledge Representation in an Intelligent Environment. Proceedings of the First IEEE International Conference on Pervasive Computing and Communications, 2003, (pp. 323-329). doi: https://doi.org/10.1109/PERCOM.2003.1192756
Rios, P. T., Aguiar, C. Z., & Cury, D. (2017). Uma Abordagem construtivista para identificar o conhecimento usando mapa conceitual. VI Congresso Brasileiro de Informática na Educação (CBIE 2017), (pp. 394-403).
Saputra, D. M., Saputra, D., & Oswari, L. D. (2019). Effect of Distance Metrics in Determining K-Value in K-Means Clustering Using Elbow and Silhouette Method. Sriwijaya International Conference on Information Technology and Its Applications. doi: https://doi.org/10.2991/aisr.k.200424.051
Sidorov, G., Gelbukh, A., Gomez-Adorno, H., & Pinto, D. (2014). Soft Similarity and Soft Cosine Measure:Similarity of Features in Vector Space Model. Computación y Sistemas, 491–504. doi: https://doi.org/10.13053/cys-18-3-2043
Simón, A., L. C., & Rosete, A. (2007). Generation of OWL Ontologies from Concept Maps in Shallow Domains. Congresos de la Asociación Española para la Inteligencia Artificial)(CAEPIA), (pp. 259-267). doi: https://doi.org/10.1007/978-3-540-75271-4_27
Singhal, A. (2001). Modern Information Retrieval: A Brief Overview. Bull IEEE Comput Soc Tech Comm Data Eng, (pp. 35-43). Retrieved from http://www1.cs.columbia.edu/~gravano/cs6111/Readings/singhal.pdf
Vygotsky, L. (2007). A formação social da mente. In M. Fontes (Ed.), Interação entre aprendizado e desenvolvimento (7 ed.). São Paulo.
Vygotsky, L. S. (1978). Mind in Society: Development of Higher Psychological Processes. (J.-S. V. Cole M., Ed.) Cambridge, Massachusetts, London, England: Harvard University Press. doi: https://doi.org/10.2307/j.ctvjf9vz4
Zhang, T., Ramakrishnan, R., & Livny, M. (1996). BIRCH: An Efficient Data Clustering Method for Very Large Databases. ACM SIGMOD Record. doi: https://doi.org/10.1145/235968.233324
Publicado
16/11/2022
Como Citar
BOGUSKI, Rodrigo Ruy; CURY, Davidson.
Agrupando estudantes a partir da similaridade semântica de mapas conceituais. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 33. , 2022, Manaus.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2022
.
p. 979-991.
DOI: https://doi.org/10.5753/sbie.2022.224957.
