Sequenciamento de Ações Pedagógicas baseadas na Taxonomia de Bloom usando Planejamento Automatizado apoiado por Algoritmo Genético
DOI:
https://doi.org/10.5753/rbie.2021.29.0.485Palavras-chave:
Planejamento em Inteligência artificial, Taxonomia dos objetivos educacionais, RASI, Algoritmo genéticoResumo
Este trabalho investigou o planejamento em Inteligência Artificial para o sequenciamento de ações pedagógicas, de acordo com o perfil do estudante. As ações representaram o processo cognitivo dado pela Taxonomia de Bloom (TB) e o perfil do estudante foi determinado conforme o Revised Approaches to Studying Inventory (RASI). A fim de medir a adequação de uma sequência ao perfil do estudante, foi necessário mapear estas duas teorias, sendo este mapeamento uma das contribuições deste estudo. Assim, o sequenciamento de ações foi formulado como um problema de otimização e implementado através de um algoritmo genético. A proposição da função a ser otimizada para este problema é também uma contribuição, desde que estabelecer critérios para avaliar aspectos pedagógicos tem sido um desafio para Informática na Educação. Experimentos realizados contaram com 41 participantes que responderam ao questionário RASI e, após terem recebido e analisado as respectivas sequências de ações determinadas pelo planejador proposto neste trabalho, também responderam a um questionário de satisfação em relação à sequência. Os resultados obtidos se mostraram promissores, demonstrando a viabilidade da pesquisa.
Downloads
Referências
Agbonifo, O. C., & Olanrewaju, A. O. (2018). Genetic Algorithm-based Curriculum Sequencing Model For Personalized E-Learning System. International Journal of Education and Management Engineering, 5, pp. 27-35. doi: 10.5815/ijmecs.2018.05.04 [GS Serarch]
Ariyaratne, M. K., & Fernando, T. G. (2014). A comparative study on nature inspired algorithms with firefly algorithm. International Journal of Engineering and Technology, 4, pp. 611-617. [GS Search]
Brie, A. H., & Morignot, P. (2005). Genetic Planning Using Variable Length Chromosomes. ICAPS, (pp. 320-329). [GS Search]
Brown, S., White, S., Wakeling, L., & Naiker, M. (2015). Approaches and study skills inventory for students (ASSIST) in an introductory course in chemistry. Journal of University Teaching & Learning Practice, pp. 1-12. [GS Search]
Churches, A. (2010). Bloom's Digital Taxonomy. Australian School Library Association NSW Incorporated. [GS Search]
Costa, N., Pereira Júnior, C., & Fernandes, M. (2019). Recomendação de Ações Pedagógicas Utilizando Planejamento Automático e Taxonomia Digital de Bloom. Anais do XXX Simpósio Brasileiro de Informática na Educação (SBIE 2019) (pp. 1531-1540). Brasília, Brasil: Sociedade Brasileira de Computação – SBC. doi: 10.5753/cbie.sbie.2019.1531 [GS Search]
Costa, N., Pereira Junior, C., Araújo, R., & Fernandes, M. (2019). Application of AI Planning in the Context of e-Learning. 2019 IEEE 19th International Conference on Advanced Learning Technologies (ICALT) (pp. 57-59). Maceio, Brazil: IEEE. doi: 10.1109/ICALT.2019.00021 [GS Search]
de Lima, E. S., Feijó, B., & Furtado, A. L. (2019). Procedural Generation of Quests for Games Using Genetic Algorithms and Automated Planning. SBC – Proceedings of SBGames 2019 (pp. 495-504). Rio de Janeiro, Brasil: SBC. [GS Search]
de Miranda, P. B., Ferreira, R., Castro, M. S., Neto, G. F., Souza, S. J., Santos, L. A., & Silva, L. L. (2019). Uma Abordagem Multiobjetivo para Recomendação de Caminhos de Aprendizagem para Grupo de Usuários. Revista Brasileira de Informática na Educação, 27(3), pp. 336-350. doi: 10.5753/RBIE.2019.27.03.226 [GS Search]
Engelbrecht, A. P. (2007). Computational intelligence: an introduction (2ª ed.). Pretoria, South Africa: John Wiley & Sons. [GS Search]
Entwistle, N., & Tait, H. (2013, March). Approaches and Study Skills Inventory for Students (ASSIST) (incorporating the Revised Approaches to Studying Inventory - RASI. Edinburgh: Centre for Research on Learning and Instruction, University of Edinburgh. [GS Search]
Ferraz, A. P., & Belhot, R. V. (2010). Taxonomia de Bloom: revisão teórica e apresentação das adequações do instrumento para definição de objetivos instrucionais. Gestão & Produção, 17(2), pp. 421-431. doi: 10.1590/S0104-530X2010000200015 [GS Search]
Garrido, A., Morales, L., & Serina, I. (2016). On the use of case-based planning for e-learning personalization. Expert Systems with Applications, 60, pp. 1-15. doi: 10.1016/j.eswa.2016.04.030 [GS Search]
Hssina, B. a. (2019). A Personalized Pedagogical Objectives Based on a Genetic Algorithm in an Adaptive Learning System. Procedia Computer Science, pp. 1152-1157. doi: 10.1016/j.procs.2019.04.164 [GS Search]
Júnior, C. P., Araújo, R. D., & Dorça, F. A. (2020). Recomendação Personalizada de Conteúdo Instrucional Complementar usando Repositório de Objetos de Aprendizagem e Recursos da Web. Anais do XXXI Simpósio Brasileiro de Informática na Educação (pp. 1293-1302). Natal, Brasil: SBC. doi: 10.5753/cbie.sbie.2020.1293 [GS Search]
Krathwohl, D. R. (2002). A revision of Bloom's taxonomy: An overview. Theory Into Practice, 41(4), pp. 212-218. doi: 10.1207/s15430421tip4104_2 [GS Search]
Limongelli, C., & Sciarrone, F. (2014). Fuzzy Student Modeling for Personalization of e-Learning Courses. Learning and Collaboration Technologies. Designing and Developing Novel Learning Experiences (pp. 292-301). Springer International Publishing. doi: 10.1007/978-3-319-07482-5_28 [GS Search]
Lin, Y.-S., Chang, Y.-C., & Chu, C.-P. (2016). An innovative approach to scheme learning map considering tradeoff multiple objectives. Journal of Educational Technology & Society, 19(1), pp. 142-157. [GS Search]
Machado, M., Barrére, E., & Souza, J. (2018). Uma Abordagem Evolutiva para o Problema de Sequenciamento Curricular Adaptativo. Simpósio Brasileiro de Informática na Educação-SBIE (pp. 1243-1252). Fortaleza, Brasil: SBC. doi: 10.5753/cbie.sbie.2018.1243 [GS Search]
Pireva, K., & Kefalas, P. (2018). A Recommender System Based on Hierarchical Clustering for Cloud e-Learning. Intelligent Distributed Computing XI, 53, pp. 235-245. doi: 10.1007/978-3-319-66379-1_21 [GS Search]
Rastegarmoghadam, M., & Ziarati, K. (2017). Improved modeling of intelligent tutoring systems using ant colony optimization. Education and Information Technologies, 22(3), pp. 1067-1087. doi: 10.1007/s10639-016-9472-2 [GS Search]
Richardson, J. T. (2000). Researching student learning: Approaches to studying in campus-based and distance education. Michigan, United States of America: Society for Research into Higher Education & Open University Press Buckingham. [GS Search]
Shang, H. (2019). Cultural Interpretation of Deep Approach to Learning: an Empirical Analysis in a Chinese University. Proceedings of Cross-Cultural Business Conference 2019 (pp. 207-218). Austria: Shaker Verlag GmbH. [GS Search]
Silva, R. C., Direne, A. I., Marczal, D., Borille, A. C., & Guimarães, P. R. (2018). Adaptabilidade de Objetos de Aprendizagem usando Calibragem e Sequenciamento Adaptativo de Exercícios. Revista Brasileira de Informática na Educação, 26(1), pp. 70-90. doi: 10.5753/rbie.2018.26.01.70 [GS Search]
Vanitha, V., Krishnan, P., & Elakkiya, R. (2019). Collaborative optimization algorithm for learning path construction in E-learning. Computers & Electrical Engineering, 77, pp. 325-338. doi: 10.1016/j.compeleceng.2019.06.016 [GS Search]
Arquivos adicionais
Publicado
Como Citar
Edição
Seção
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
