Integração de IA Generativa e Repositórios Educacionais: Potencializando a Eficácia Pedagógica e a Recomendação de Conteúdos com o LLaMA2

• Renan Zafalon da Silva Universidade Federal de Pelotas https://orcid.org/0009-0009-6657-0958
• Paulo Cesar Ramos Pinho Universidade Federal de Pelotas https://orcid.org/0000-0002-1847-6205
• Maria Isabel Giusti Moreira Instituto Federal Sul-rio-grandense https://orcid.org/0000-0001-9940-2138
• Raymundo Carlos Machado Ferreira Filho Instituto Federal Sul-rio-grandense https://orcid.org/0000-0001-7408-6124
• Tiago Thompsen Primo Universidade Federal de Pelotas https://orcid.org/0000-0003-3870-097X

DOI: https://doi.org/10.5753/sbie.2024.244916

Resumo

Este artigo apresenta o desenvolvimento de um sistema de recomendação educacional baseado em inteligência artificial generativa (GenAI) integrado ao repositório ProEdu. O sistema tem como objetivo personalizar o aprendizado, sugerindo conteúdos e trajetórias de aprendizagem adaptados às necessidades individuais dos estudantes. Utilizando o modelo transformador LLaMA2, a proposta aborda a integração da IA para aumentar a eficácia pedagógica e o engajamento dos alunos. A metodologia aplicada inclui estudos de caso e análise de feedback, permitindo uma avaliação contínua e o aperfeiçoamento do sistema. Os resultados indicam um potencial significativo na personalização do aprendizado e na melhoria dos resultados acadêmicos.

Palavras-chave: Inteligencia Artificial, Repositório, Recomendação De Conteúdos, Busca Semântica

Referências

Bilgram, V. and Laarmann, F. (2023). Accelerating innovation with generative ai: Ai-augmented digital prototyping and innovation methods. IEEE Engineering Management Review, pages 1–5.

Bobadilla, J., Ortega, F., Hernando, A., and Gutiérrez, A. (2013). Recommender systems survey. Knowledge-based systems, 46:109–132

Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., and Bengio, Y. (2014). Generative adversarial nets. In Ghahramani, Z., Welling, M., Cortes, C., Lawrence, N., and Weinberger, K., editors, Advances in Neural Information Processing Systems, volume 27. Curran Associates, Inc.

Howard, J. and Ruder, S. (2018). Universal language model fine-tuning for text classification. In Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics (ACL). Association for Computational Linguistics.

Kitchenham, B., Charters, S., et al. (2007). Guidelines for performing systematic literature reviews in software engineering.

OpenAI (2023). Openai. Accessed: 2024-08-15

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., and Polosukhin, I. (2017). Attention is all you need. Advances in neural information processing systems, 30.