Aumentando a Interatividade no Ensino a Distância via Geração Automática de Questões: Desafios, Soluções via Aprendizado por Máquina e Um Estudo de Caso no CEDERJ
Resumo
O aprendizado ativo vem revolucionando a educação. Promovendo a maior interação entre alunos e professores, o aprendizado ativo diminui a taxa de evasão de alunos e aumenta a eficácia do aprendizado. Entretanto, o aprendizado ativo é desafiador num ambiente online, em que os alunos interagem por uma plataforma de ensino semi-presencial no estilo do CEDERJ. Neste artigo, propomos o uso de questionários interativos para aproximar alunos e professores do curso de ensino a distância do CEDERJ. As questões, no entanto, precisam ser apresentadas aos alunos no nı́vel de dificuldade adequado. Um dos desafios consiste, então, em determinar a dificuldade de questões que, em sua maioria, são respondidas apenas uma única vez. Para contornar tal desafio, propomos o uso de aprendizado por máquina, a fim de extrair atributos das questões e classificá-las segundo tais atributos. Usando uma árvore de decisão e um classificar naive Bayes, resultados preliminares indicam a possibilidade de classificar as questões de acordo com seu nı́vel de dificuldade.
Referências
Anyanwu, M. N. and Shiva, S. G. (2009). Comparative analysis of serial decision tree classification algorithms. Journal of Computer Science and Security, 3(3):230–240
Araújo, D., Rodrigues, A., Silva, C., and Soares, L. (2015). O ensino de computação na educação básica apoiado por problemas. In Anais do WEI.
Bruno, G., de Souza e Silva, E., and Menasché, D. (2017). Ciência para Educação. Atheneu. Máquinas que ensinam: o que aprendemos com elas?
de Castro, R. M. (2018). Desenvolvimento e avaliação de uma metodologia de aprendiza- gem ativa apoiada pelo uso de qr code para ensino de banco de dados. In 26 o Workshop sobre Educação em Computação (WEI 2018), volume 26. SBC.
Francisco, R. E., Ambrósio, A. P., et al. (2017). Grau de dificuldade de problemas de programação introdutória: Uma revisão sistemática. In WEI, volume 25. SBC.
Gavaza, L. O. R., do Nascimento Salvador, L., and dos Santos, D. M. B. (2017). Uma experiência de aplicação de uma abordagem baseada em problemas no ensino de teoria da computação em sala de aula tradicional. In WEI, volume 25. SBC.
Johnson, R. T. and Johnson, D. W. (2008). Active learning: Cooperation in the classroom. The annual report of educational psychology in Japan, 47:29–30.
Kampff, A. and Alves, G. (2010). NetAula-geração automática de avaliações. RENOTE, 8(3).
Pérez, E. V., Santos, L. M. R., Pérez, M. J. V., de Castro Fernández, J. P., and Martı́n, R. G. (2012). Automatic classification of question difficulty level: Teachers’ estimation vs. students’ perception. In Frontiers in Education, pages 1–5. IEEE.
Prietch, S. S. and Pazeto, T. A. (2010). Estudo sobre a evasão em um curso de licenciatura em informática e considerações para melhorias. In Anais do WEI.
Racy, S. (2017). Governo usará inteligência artificial para prevenir evasão escolar. Jornal Estadão.
Schwartzman, S. (2006). Redução da desigualdade, da pobreza, e os programas de trans- ferência de renda. Instituto de Estudos do Trabalho e Sociedade (IETS).
Silva Filho, R. L. L., Motejunas, P. R., Hipólito, O., and Lobo, M. B. C. M. (2007). A evasão no ensino superior brasileiro. Cadernos de pesquisa, 37(132):641–659.
Singhal, R., Goyal, S., and Henz, M. (2016). User-defined difficulty levels for automated question generation. In Conf. Tools with Artificial Intelligence, pages 828–835. IEEE.
