Adaptação automática de conteúdo aplicada em ambiente interativo de aprendizagem individualizada
DOI:
https://doi.org/10.5753/rbie.2023.2906Palavras-chave:
Sistemas Tutores Inteligentes, Estilos de Aprendizagem, Processamento de Linguagem Natural, Adaptação de Conteúdo, EnsinoResumo
Sistemas Tutores Inteligentes têm se destacado como ferramenta de apoio ao ensino, principalmente pela sua adaptação às condições do usuário e cenário de aplicação. Diante da situação pandêmica, as ferramentas de apoio ao ensino, como os tutores, devido a sua viabilidade de utilização remota, mostram-se como uma possibilidade de suporte aos professores e alunos. Este trabalho aborda uma proposta de adaptação de conteúdo para ensino, aplicando técnicas de inteligência artificial para geração de texto e processamento de linguagem natural. Além disso, este trabalho considerou a existência de diferentes estilos de aprendizagem, variáveis conforme a personalidade do estudante e seu modo de captar informação, capaz de influenciar no nível de aprendizado. Esta variação de estilos, seguindo um modelo definido na literatura, direciona o modo de adaptação do conteúdo a ser realizado, gerando um resultado adaptado a cada estilo de aprendizagem.
O processo de geração de conteúdo personalizado permite um avanço na forma de uso de sistemas tutores no ensino, criando um formato de entrega direcionada de conteúdo com ganhos para o usuário do ambiente, gerando um resultado personalizado e conduzindo a uma aprendizagem mais efetiva. Como resultado se espera obter uma metodologia para geração de conteúdo baseados em estilos de aprendizagem pré-definidos, por meio de processamento automatizado de adaptação do conteúdo a partir de entrada inicial em formato único.
Downloads
Referências
Cassidy*, S. (2004). Learning styles: An overview of theories, models, and measures. Educational psychology, 24(4), 419–444. [GS Search]
Corbett, A. T., Koedinger, K. R., & Anderson, J. R. (1997). Intelligent tutoring systems. In Handbook of human-computer interaction (pp. 849–874). Elsevier. [GS Search]
Furtado, M. D., Schwengber, H. T., da Rosa, W. L. d. O., & da Silva, A. F. (2021). Um guia para ensino remoto: do conceito às dicas técnicas. SCIAS-Educação, Comunicação e Tecnologia, 3(2), 6–27. [GS Search]
Hämäläinen, W., & Vinni, M. (2006). Comparison of machine learning methods for intelligent tutoring systems. In International conference on intelligent tutoring systems (pp. 525-534). [GS Search]
Idkhan, A. M., & Idris, M. M. (2021). Dimensions of students learning styles at the university with the kolb learning model. International Journal of Environment, Engineering & Education, 3(2), 75–82. [GS Search]
James, W. B., & Gardner, D. L. (1995). Learning styles: Implications for distance learning. New directions for adult and continuing education, 1995(67), 19–31. [GS Search]
Khodeir, N., Wanas, N., Darwish, N., & Hegazy, N. (2014). Bayesian based adaptive question generation technique. Journal of Electrical Systems and Information Technology, 1(1), 10–16. [GS Search]
Kolb, D. A. (1976). Management and the learning process. California management review, 18(3), 21–31. [GS Search]
Kolb, D. A. (2007). The kolb learning style inventory. Hay Resources Direct Boston, MA. [GS Search]
Kozierkiewicz-Hetmanska, A. (2011). A method for scenario recommendation in intelligent e- ´ learning systems. Cybernetics and Systems: An International Journal, 42(2), 82–99. [GS Search]
Meenakshi, K., Sunder, R., Kumar, A., & Sharma, N. (2017). An intelligent smart tutor system based on emotion analysis and recommendation engine. In 2017 international conference on iot and application (iciot) (pp. 1–4). [GS Search]
Rondini, C. A., Pedro, K. M., dos Santos Duarte, C., et al. (2020). Pandemia do covid-19 e o ensino remoto emergencial: mudanças na práxis docente. Educação, 10(1), 41–57. [GS Search]
Shah, R., Shah, D., & Kurup, L. (2017). Automatic question generation for intelligent tutoring systems. In 2017 2nd international conference on communication systems, computing and it applications (cscita) (pp. 127–132). [GS Search]
Singhal, R., Goyal, S., & Henz, M. (2016). User-defined difficulty levels for automated question generation. In 2016 ieee 28th international conference on tools with artificial intelligence (ictai) (pp. 828–835). [GS Search]
Tiam-Lee, T. J., & Sumi, K. (2018). Procedural generation of programming exercises with guides based on the student’s emotion. In 2018 ieee international conference on systems, man, and cybernetics (smc) (pp. 1465–1470). [GS Search]
Troussas, C., Krouska, A., & Virvou, M. (2019). Adaptive e-learning interactions using dynamic clustering of learners’ characteristics. In 2019 10th international conference on information, intelligence, systems and applications (iisa) (pp. 1–7). [GS Search]
VanLehn, K. (2011). The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems. Educational Psychologist, 46(4), 197–221. [GS Search]
Zhiping, L., Yu, S., & Tianwei, X. (2011). A formal model of personalized recommendation systems in intelligent tutoring systems. In 2011 6th international conference on computer science & education (iccse) (pp. 1006–1009). [GS Search]
Arquivos adicionais
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2023 Fernanda F. Peronaglio, Aleardo Manacero, Alexandro J. Baldassin, Matheus S. dos Santos, Renata S. Lobato, Roberta Spolon, Marcos A. Cavenaghi
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
