Predição do Desempenho do Aluno usando Sistemas de Recomendação e Acoplamento de Classificadores

• Reginaldo Gotardo Universidade Federal de São Carlos (UFSCar)
• Paulo Roberto Massa Cereda Universidade Federal de São Carlos (UFSCar)
• Estevam Rafael Hruschka Junior Universidade Federal de São Carlos (UFSCar)

DOI: https://doi.org/10.5753/cbie.sbie.2013.657

Resumo

Este trabalho apresenta uma abordagem para predizer o desempenho de alunos usando técnicas de Sistemas de Recomendação num ambiente educacional. A abordagem é baseada no conceito de Acoplamento, usando um conjunto inicial de dados são aplicadas técnicas tradicionais de aprendizado de máquina que cooperam entre si, formando visões diferentes sobre o resultado. Estes resultados são avaliados e usados de maneira incremental para melhorar o desempenho do classificador.

Palavras-chave: Desempenho do Aluno, Sistemas de Recomendação, Acoplamento, Aprendizado de Máquina

Referências

Adomavicius, Gediminas, e Alexander Tuzhilin. (2005) “Towards the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions.” Knowledge and Data Engineering, IEEE Transactions on, Junho.

Blum, A, e T Mitchell. (1998) “Combining labeled and unlabeled data with co-training.” COLT’98 Proceedings of the eleventh annual conference on Computational learning. New York: ACM.

Brusilovsky, P., e E. Millan. (2007) “User Models for Adaptive Hypermedia and Adaptive Educational Systems.” In: The Adaptive Web: Methods and Strategies. Berlim, Heidelber, New York: Springer-Verlag.

da Silva, Luiz C N, Francisco M Mendes Neto, e Luiz Jácome Jr. (2011)“MobiLE: Um ambiente Multiagente de Aprendizagem Móvel para Apoiar a Recomendação Sensível ao Contexto de Objetos de Aprendizagem.” Simpósio Brasileiro de Informática na Educação -SBIE.

Ferro, Márcio Robério, Hélio Martins Nascimento Jr, Fábio Costa Paraguaçu, Evandro Barros Costa, e Larissa Artemis Luna Monteiro. (2011) “Um Modelo de Sistema de Recomendação de Materiais Didáticos para Ambientes Virtuais de Aprendizagem.” Simpósio Brasileiro de Informática na Educação.

Koedinger, K, K Cunningham, A Skogsholm, e B Leber. (2008) “An open repository and analysis tools for fine-grained, longitudinal learner data.” In: Proceedings 1st Int. Conf. Educ. Data Mining. Montreal, Canadá.

Manouselis, Nikos, Hendrik Drachsler, Riina Vuorikari, Hans Hummel, e Rob Kuper. (2010) “Recommender Systems in Technology Enhanced Learning.” In: Recommender Systems Handbook, por Francesco Ricci, Lior Rokach, Bracha Shapira e Paul B Kantor, 387-418. Springer.

Merceron, A, e K Yacef. (2005) “Educational data mining: A case study.” In: Proc. Int. Conf. Artif. Intell. Educ. Amsterdam, The Netherlands.

Minaei-Bidgoli, B. (2004) “Data Mining for a Web-Based Educational System.” Doctor of Philosophy. Departament of Computer Science and Engineering Michigan State University.

Quinlan, J R. (1993) C4.5: programs for machine learning. Morgan Kaufmann Publishers Inc..

Ricci, Francesco, Lior Rokach, e Bracha Shapira. (2010) “Introduction to Recommender Systems.” In: Recommender Systems Handbook, por Francesco Ricci, Lior Rokach, Bracha Shapira e Paul B. Kantor, 1-38. Springer.

Romero, C, e S Ventura. (2006) Data Mining in E-Learning. Ashurst: Wit Press.

Romero, C, S Ventura, M Pechenizkiy, e R Baker. (2010) Handbook of Educational Data Mining. New York: Taylor & Francis.

Shardanand, Upendra, e Pattie Maes. (1995) “Social Information Filtering: Algorithms for Automating "Word of Mouth".” CHI '95 Proceedings of the SIGCHI Conference on Human Factors in Computing Systems. New York: ACM Press/Addison-Wesley Publishing Co..