Um Sistema de Recomendação Baseado em um Modelo Cognitivo de Aprendizagem

• André Prisco Vargas Universidade Federal do Rio Grande (FURG)
• Rafael Santos Universidade Federal do Rio Grande (FURG)
• Silvia Silva da Costa Botelho Universidade Federal do Rio Grande (FURG)
• Neilor Tonin Universidade Regional Integrada do Alto Uruguai e das Missões (URI)
• Jean Bez Universidade Federal do Rio Grande do Sul (UFRGS)

DOI: https://doi.org/10.5753/cbie.sbie.2017.1667

Resumo

Sistemas de recomendação para sistemas em educacionais demandam modelos diferentes dos utilizados em outras áreas. Um fator importante é apresentar objetos de aprendizagem (O.A.) que catalizem o aprendizado e não necessariamente operem em função dos gostos pessoais do estudante. Utilizando uma técnica de ranking em jogos, o ELO, comparamos estudantes e problemas como se os O.A. fossem duelos. Analisando o histórico de uma ferramenta online de problemas de programação, observamos que recomendar ao estudante problemas de ELO próximo ao seu tende a trazer melhores resultados.

Palavras-chave: Sistemas de Recomendação, Objetos de Aprendizagem, ELO, Modelagem Pedagógica

Referências

Arlin, P.K. (1975). Cognitive development in adulthood: A fifth stage? Developmental psychology, 11(5):602.

Bacich, L., Neto, A.T., and de Mello Trevisani, F. (2015). Ensino híbrido: personalização e tecnologia na educação. Penso Editora.

Becker, F. (1992). O que é construtivismo. Revista de educação AEC, Brasília, 21(83):7–15.

Becker, F. (2008). Modelos pedagógicos e modelos epistemológicos. Metodologia: construção de uma proposta científica. Curitiba: Camões, pages 45–56.

da Silva, J.A. (2011). Repetição e desafio nos exercícios escolares: dois lados de uma mesma moeda. Schème-Revista Eletrônica de Psicologia e Epistemologia Genéticas, 1(1):95–107.

Dangauthier, P., Herbrich, R., Minka, T., Graepel, T., et al. (2007). True skill through time: Revisiting the history of chess. In NIPS, pages 337–344.

Davis, J., Feldman, M., and Johansen, B. (2003). System and method for combining automatic opponent matching for computer gaming with chat room searchers. US Patent App. 10/637,048.

de Lima, J.V., Nunes, F.B., Zunguze, M.C., and Canto, A.B. (2016). Trajetórias de Aprendizagem.

Elo, A. (1961). New uscf ratings system. Chess Life, 16:160–161.

Elo, A.E. (1978). The rating of chess players, past and present. Arco Pub.

Klašnja-Milićević, A., Vesin, B., Ivanović, M., and Budimac, Z. (2011). E-learning personalization based on hybrid recommendation strategy and learning style identification. Computers & Education, 56(3):885–899.

Knight, C.C. and Sutton, R.E. (2004). Neo-piagetian theory and research: enhancing pedagogical practice for educators of adults. London Review of Education, 2(1):47–60.

Krištofić, A. (2005). Recommender system for adaptive hypermedia applications. In IIT.SRC 2005: Student Research Conference, page 229.

Lefrançois, G.R. (2012). Theories of human learning: What the professors said. Cengage Learning.

Pi-lian, W.T.H. (2005). Weblog mining by an improved apriori all algorithm. Engineering and Technology, 4(2005):97–100.

Piaget, J. (1972). Intellectual evolution from adolescence to adulthood. Human development, 15(1):1–12.

Tang, T.Y. and McCalla, G. (2003). Smart recommendation for an evolving e-learning system. In Workshop on Technologies for Electronic Documents for Supporting Learning, International Conference on Artificial Intelligence in Education, pages 699–710.

Tang, T.Y. and McCalla, G. (2005). Smart recommendation for an evolving e-learning system: Architecture and experiment. International Journal on e-learning, 4(1):105.

Tsai, K.H., Chiu, T.K., Lee, M.C., and Wang, T.I. (2006). A learning objects recommendation model based on the preference and ontological approaches. In Advanced Learning Technologies, 2006. Sixth International Conference on, pages 36–40. IEEE.