Proposta de uma Abordagem Computacional para Detecção Automática de Estilos de Aprendizagem Utilizando Modelos Ocultos de Markov e FSLSM

• Edson Sena Universidade Federal dos Vales do Jequitinhonha e Mucuri (UFVJM)
• Alessandro Vivas Universidade Federal dos Vales do Jequitinhonha e Mucuri (UFVJM)
• Luciana Assis Universidade Federal dos Vales do Jequitinhonha e Mucuri (UFVJM)
• Cristiano Pitangui Universidade Federal de São João del Rei (UFSJ)

DOI: https://doi.org/10.5753/cbie.sbie.2016.1126

Resumo

Um dos desafios atuais é desenvolver tecnologias computacionais que sejam capazes de atender corretamente aos métodos de ensino e aprendizagem. Para que isso ocorra, é fundamental que os ambientes virtuais forneçam conteúdo adequado, além de serem dinâmicos e adaptáveis às necessidades e interesses dos estudantes. Este trabalho tem como objetivo, apresentar uma abordagem probabilística, que combina o modelo proposto por Felder e Silverman (FSLSM) para estilos de aprendizagem, com as técnicas de inferência probabilística dos Modelos Ocultos de Markov (HMM), a fim de realizar o processo de inferência da preferência do aluno por um determinado estilo de aprendizagem.

Palavras-chave: Estilos de Aprendizagem, Modelos Ocultos de Markov, FSLSM, Ambientes Virtuais de Aprendizagem

Referências

ALKHURAIJI, S., CHEETHAM, B., BAMASAK, O. (2011) “Dynamic Adaptive Mechanism in Learning Management System Based on Learning Styles”. 2011 IEEE 11th Int. Conf. Adv. Learn. Technol., pp. 215–217.

DORÇA, F. A. (2012) “Uma abordagem estocástica baseada em aprendizagem por reforço para modelagem automática e dinâmica de estilos de aprendizagem de estudantes em sistemas adaptativos e inteligentes para educação a distância”. Programa de Pós-Graduação em Ciência da Computação. Faculdade de Computação. Universidade Federal de Uberlândia. Uberlândia, MG.

FELDER, R. M., SILVERMAN, L. (1988) “Learning and Teaching Styles In Engineering Education”. North Carolina State University.

FORNEY JR, G. D. (1973) “The viterbi algorithm”. Proceedings of the IEEE, v. 61, n. 3, p. 268-278.

GARCÍA, P., AMANDI, A., SCHIAFFINO, S., CAMPO, M. (2007) “Evaluating Bayesian Networks precision for detecting students learning styles”. Computers & Education. Volume 49, no. 3, pp. 794–808. Elsevier. Buenos Aires.

HONEY, P.; MUMFORD, A. (1992) “The Manual of Learning styles” Peter Honey Publications; 3rd Edition.

LO, J., CHAN, Y., YEH, S. (2012) “Designing an adaptive web-based learning system based on students cognitive styles identified online”. Computers & Education, v. 58, n. 1, p. 209-222.

LOPES, R. (2009) “Planejamento instrucional adaptativo usando Workflow e planejamento genético”. 2009. 140 f. Dissertação (Mestrado)-Universidade Federal de Uberlândia, Uberlândia, MG.

MANGHIRMALANI, P., ZENOBIA P., KAVITA J. (2011) “Learning disability diagnosis and classification-A soft computing approach”. Information and Communication Technologies (WICT), 2011 World Congress on. IEEE.

NGUYEN, L. (2013) “A New Approach for Modeling and Discovering Learning Styles by using Hidden Markov Model”. Global Journal of Human Social Science Linguistics & Education. Volume 13 Issue 4 Version 1.0.

ÖZPOLAT, E., AKAR, G. (2009) “Automatic detection of learning styles for an e-learning system”. Comput. Educ., vol. 53, no. 2, pp. 355–367.

PIOMBO, C., BATATIA, H., AYACHE, A. (2003) “A framework for adapting instruction to cognitive learning styles”. IEEE.

RABINER, L. R. (1989) “A tutorial on hidden markov models and selected applications in speech recognition”. Proceedings of the IEEE, 77(2):257–286.