Avaliando o Conhecimento Algébrico dos Estudantes através de Redes Bayesianas Dinâmicas

• Henrique M. Seffrin Universidade do Vale do Rio dos Sinos (UNISINOS)
• Patricia Jaques Universidade do Vale do Rio dos Sinos (UNISINOS)

DOI: https://doi.org/10.5753/cbie.sbie.2015.987

Resumo

Componentes de inferência de conhecimento são uma parte importante na construção de Sistemas Tutores Inteligentes, pois permitem ao sistema ter uma base do que cada aluno conhece e, desta forma, adaptar a instrução. Na literatura é comum o uso de Redes Bayesianas para realizar este tipo de inferência, uma vez que as mesmas são capazes de lidar com incertezas e também representar a relação entre as variáveis. Este trabalho apresenta uma modelagem de Rede Bayesiana Dinâmica para a avaliação do conhecimento algébrico do estudante. São descritas as etapas de levantamento de informações para obtenção das probabilidades desta rede, bem como as etapas das avaliações conduzidas com a mesma. Os resultados da avaliação mostraram similaridades estatisticamente significativas entre a inferência da rede e os percentuais de acerto, por parte dos estudantes, no pós-teste.

Palavras-chave: Redes Bayesianas Dinâmicas, Conhecimento Algébrico, Sistemas Tutores Inteligentes

Referências

Corbett, A. e Anderson, J. (1994). Knowledge tracing: Modeling the acquisition of procedural knowledge. User modeling and user-adapted interaction, 4(4):253–278.

Duijnhoven, J. V. (2003). Knowledge assessment using bayesian networks: A case study in the domain of algebraic expectation. Master’s thesis cognitive artificial intelligence, Utrecht University, Utrecht.

Millán, E., Descalço, L., Castillo, G., Oliveira, P., e Diogo, S. (2013). Using Bayesian networks to improve knowledge assessment. Computers & Education, 60(1):436–447.

Pearl, J. (1988). Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. Morgan Kaufmann, San Francisco, CA.

Reye, J. (2004). Student modelling based on belief networks. International Journal of Artificial Intelligence in Education, 14(1):63–96.

Russell, S. J. e Norvig, P. (2002). Artificial Intelligence: A Modern Approach. Prentice Hall, Upper Saddle River, NJ, second edition.

Seffrin, H. e Jaques, P. (2014). Modelando o conhecimento algébrico do estudante através de redes bayesianas dinâmicas. In Anais do Simpósio Brasileiro de Informática na Educação, Dourados, MT. Sociedade Brasileira de Computação.

van der Gaag, L., Renooij, S., Witteman, C., Aleman, B., e Taal, B. (1999). How to elicit many probabilities. In Laskey, K. B. e Prade, H., editors, Proceedings of Fifteenth conference on Uncertainty in artificial intelligence, UAI, number 1999-15, pages 647–654, San Francisco, CA,. Morgan Kaufmann Publishers Inc.

Vanlehn, K. (2006). The Behavior of Tutoring Systems. International Journal of Artificial Intelligence in Education, 16(3):227–265.

Woolf, B. P. (2008). Building intelligent interactive tutors, volume 3. Morgan Kaufmann, San Francisco, CA.

Yudelson, M. V., Koedinger, K., e Gordon, G. J. (2013). Individualized Bayesian Knowledge Tracing Models. In Proceedings of Artificial Intelligence in Education, volume 7926 of Lecture Notes in Computer Science, pages 171–180, Memphis, TN. Springer Verlag.