Modelando o conhecimento algébrico do estudante 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.2014.782

Resumo

Redes Bayesianas (RB) são muito utilizadas na literatura para realizar inferências sobre dados incertos, inclusive para diagnosticar o conhecimento dos estudantes em Sistemas Tutores Inteligentes. Um dos desafios encontrados ao modelar este tipo de componente é inferir o grau de conhecimento do estudante em cada unidade de conhecimento e relacioná-las corretamente. Este artigo apresenta uma estrutura de RB que modela o conhecimento algébrico dos aprendizes para equações de 1º grau, relacionando as principais operações, com suas propriedades e respectivos conceitos. Para avaliá-la, foram conduzidas entrevistas com professores da área de matemática, que analisaram esta estrutura e emitiram um parecer. As entrevistas também permitiram levantar os principais erros cometidos pelos alunos em sala de aula, que serão futuramente incluídos na RB proposta.

Palavras-chave: Redes Bayesianas, conhecimento algébrico, equações de 1º grau

Referências

Corbett, A. and 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.

Manske, M. and Conati, C. (2005). Modelling Learning in an Educational Game. In Proceedings of the 2005 conference on Artificial Intelligence in Education: Supporting Learning through Intelligent and Socially Informed Technology, pages 411–418, Amsterdam. IOS Press.

Matz, M. (1982). Towards a process model for high school algebra errors. In Sleeman, D. and Brown, J. S., editors, Intelligent Tutoring Systems, Computers and People, chapter 2, pages 25-50. Academic Press, London, UK.

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

Nouh, Y., Karthikeyani, P., and Nadarajan, R. (2006). Intelligent tutoring system - Bayesian student model. In Proceedings of 1st IEEE International Conference on Digital Information Management (ICDIM), pages 257–262, Bangalore, India. IEEE.

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

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

Seffrin, H., Rubi, G., and Jaques, P. (2013). Uma rede bayesiana aplicada à modelagem do conhecimento algébrico do aprendiz. In Anais do Simpósio Brasileiro de Informática na Educação, Campinas, SP. Sociedade Brasileira de Computação.

Seffrin, H., Rubi, G., and Jaques, P. (2014). A dynamic Bayesian network for inference of learner's algebraic knowledge. In Proceedings of the 29th Symposium On Applied Computing, Gyeongju, Korea. ACM Press.

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., and 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.