Modelagem bayesiana da aprendizagem de estudantes em um AVA

• Ademar Crotti Junior Universidade Federal de Santa Catarina (UFSC)
• Beatriz Wilges Universidade Federal de Santa Catarina (UFSC)
• Silvia Modesto Nassar Universidade Federal de Santa Catarina (UFSC)

DOI: https://doi.org/10.5753/cbie.sbie.2014.772

Resumo

Este artigo apresenta um novo método para aprendizagem de estrutura de redes bayesianas (RB), inserido no contexto de um AVA. O método proposto aplica um sistema fuzzy para combinar diferentes métricas de pontuação, que são utilizadas para avaliar as RBs. Para verificação, este método foi aplicado em um conjunto de dados de avaliações gerais e, também, em um conjunto de avaliações de questões de um AVA. O método proposto modelou as RBs por meio dos conjuntos de dados Assim, o conhecimento extraído foi utilizado para identificar possíveis falhas no conteúdo ou, até mesmo, na formulação das questões das avaliações do AVA. Esta proposta utiliza um conjunto de variáveis que são comuns entre os AVA, sendo possível aplicar o método apresentado em qualquer AVA. Além disso, a análise das RBs geradas pelo método foram avaliadas por docentes do ambiente.

Palavras-chave: Redes Bayesianas, AVA, Aprendizagem de Estudantes

Referências

Akaike, H. A New Look at the Statistical Model Identification. IEEE Transactions on Automatic Control. 1974, 716-723.

Bastos, Angela Paula Zão; Santos, Fábio; Andrade, Leila; Mattos, Paulo. Utilização de um Jogo Sério e Naïve Bayes para Auxiliar na Avaliação Cognitiva do Transtorno de Déficit de Atenção/Hiperatividade. Anais do Simpósio Brasileiro de Informática na Educação. Vol. 23, n. 1. 2012.

Bouckaert, Remco R. Probabilistic Network Construction Using The Minimum Description Length Principle. Technical Report, Utrecht University, 1994.

Cheng, Jie; Greiner, Russel. Learning Bayesian Belief Network Classifiers: Algorithms and System. Alberta: Proceedings of the 14th Biennial Conference of the Canadian Society on Computational Studies of Intelligence: Advances in Artificial Intelligence, 2001.

Dias, Maxwel Macedo; Filho, Luiz Alberto da Silva; Lino, Adriano Del Pino; Favero, Eloi Luiz; Ramos, Edson Marcos Leal Soares. Aplicação de Técnicas de Mineração de Dados no Processo de Aprendizagem na Educação a Distância. Anais do Simpósio Brasileiro de Informática na Educação. Vol. 1, n. 1, p. 105-114, 2008.

Guo, P. and Li, N. (2009). An em-mcmc algorithm for bayesian structure learning. In Computer Science and Information Technology, 2009. ICCSIT 2009. 2nd IEEE International Conference on, pages 158–162. IEEE.

Longhi, Magalí T; Behar, Patricia A; Bercht, Magda. Máquina de inferência baseada na teoria bayesiana para identificar os estados de ânimo do aluno em um ambiente virtual de aprendizagem. RENOTE, vol. 8, n.3, 2010.

Mateus, Gustavo P.; Wilges, Beatriz; Nassar, S. M.; Wronscki, V.; Bastos, Rogério. Um módulo adaptativo para AVA baseado no desempenho do estudante. In: Simpósio Brasileiro de Informática na Educação (SBIE), 2011, Aracaju-SE. Anais do XXII SBIE - XVII WIE, 2011.

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

Neapolitan, R. E. (2004). Learning bayesian networks. Pearson Prentice Hall Upper Saddle River.

Seffrin, Henrique ; Rubi, Geiseane; Jaques, Patricia. Uma Rede Bayesiana aplicada a Modelagem do Conhecimento Algébrico do Aprendiz. Anais do Simpósio Brasileiro de Informática na Educação. Vol. 24, n. 1, 2013.

Wilges, Beatriz ; Mateus, Gustavo P.; Nassar, S. M.; Bastos, Rogério. Fuzzy Modeling Built Through a Data Mining Process. Revista IEEE América Latina, v. 10, p. 1622-1626, 2012.

Yan, Lisa Jing; Cercone, Nick. Bayesian network modeling for evolutionary genetic structures. Computers & Mathematics with Applications 59.8: 2541-2551, 2010.