Métodos de classificação aplicados à detecção automática de Estilos de Aprendizagem em um ambiente real de ensino

• Lucas Daniel Ferreira Universidade de São Paulo (USP)
• Murilo G. Gazzola Universidade de São Paulo (USP)
• Deborah V. Ferrari Universidade de São Paulo (USP)
• Marina M. Zupelari Universidade de São Paulo (USP)
• Paula Paiva Universidade de São Paulo (USP)
• Jose F. Rodrigues-Jr. Universidade de São Paulo (USP)

DOI: https://doi.org/10.5753/cbie.sbie.2017.1517

Resumo

A detecção automática de Estilos de Aprendizagem é um ativo tópico de pesquisa na área de computação aplicada ao contexto educacional, porém, grande parte dos trabalhos existentes não é conclusiva com relação a diferentes métodos de classificação aplicados neste cenário. Neste trabalho, portanto, são avaliados quatro algoritmos de aprendizado de máquina, especificamente para a tarefa de classificação, a fim de se identificar os Estilos de Aprendizagem dos estudantes em um ambiente real de aprendizado eletrônico, de acordo com o modelo de Felder e Silverman. Como resultado, os experimentos indicaram que um único método não é suficiente para a correta classificação em todas as dimensões, sendo que o melhor cenário contempla o uso de, pelo menos, dois classificadores diferentes.

Palavras-chave: Estilos de Aprendizagem, detecção automática, aprendizado de máquina, classificação, Felder-Silverman

Referências

Coffield, F., Moseley, D., Hall, E., Ecclestone, K., et al. (2004). Learning styles and pedagogy in post-16 learning: A systematic and critical review.

Dorça, F., Lima, L., et al. (2011). Detecção e correção automática de EA em sistemas adaptativos para educação. Revista de Informática Teórica e Aplicada, 18(2):178–204.

Dung, P. Q. and Florea, A. M. (2012). An approach for detecting learning styles in learning management systems based on learners’ behaviours. In International Conference on Education and Management Innovation, volume 30, pages 171–177.

Felder, R. M., Silverman, L. K., et al. (1988). Learning and teaching styles in engineering education. Engineering education, 78(7):674–681.

Felder, J., Monteserin, A., and Amandi, A. (2015). Automatic detection of learning styles: state of the art. Artificial Intelligence Review, 44(2):157–186.

García, P., Amandi, A., et al. (2007). Evaluating Bayesian networks’ precision for detecting students’ learning styles. Computers & Education, 49(3):794–808.

Graf, S. (2007). Adaptivity in learning management systems focusing on learning styles. PhD thesis, Vienna University of Technology.

Graf, S., Liu, T.-C., et al. (2009). Supporting teachers in identifying students’ ls in lms: An automatic student modelling approach. Journal of Educational Tech. & Society, 12(4):3.

Keefe, J. (1979). Learning style: An overview. in national association of their relationship. British Journal of Educational Psychology, 67:199–212.

Kirschner, P. A. (2017). Stop propagating the learning styles myth. Computers & Education, 106:166–171.

Sena, E. (2016). Proposta de uma abordagem computacional para det. autom. de estilos de aprendizagem utilizando modelos ocultos de Markov e fslsm. Master’s thesis, UFVJM.

Soloman, B. A. and Felder, R. M. (2005). Index of learning styles questionnaire. Disponível online em: [link], 70.

Truong, H. M. (2016). Integrating ls and adaptive e-learning system: Current developments, problems and opportunities. Computers in Human Behavior, 55:1185–1193.