Uma Abordagem para Recomendação Personalizada de Materiais Educacionais por meio de Filtragem Baseada em Conteúdo em Ambientes Virtuais de Aprendizagem
DOI:
https://doi.org/10.5753/rbie.2023.3292Palavras-chave:
Sistemas Adaptativos, Recomendação, Aprendizagem PersonalizadaResumo
A área de Sistemas Adaptativos e Inteligentes para a Educação está em constante evolução e visa criar ambientes de aprendizagem personalizados através da aplicação de tecnologias recentes, incluindo técnicas de Inteligência Artificial, combinadas com teorias pedagógicas. Este trabalho visa contribuir para a área de IA aplicada à educação, utilizando uma abordagem que combina tecnologias de Web Semântica e um algoritmo bioinspirado para realização recomendação personalizada de objetos de aprendizagem por meio de filtragem baseada em conteúdo. Em contraste com outras abordagens, este estudo combina repositórios de Ambientes Virtuais de Aprendizagem (AVA) com materiais disponíveis na Web (YouTube e Wikipedia) para fornecer recursos educacionais em formatos diversos sobre um determinado tópico. Os materiais da Web são recuperados e estruturados como objetos de aprendizagem. A abordagem foi testada no Classroom eXperience (CX) e também foi criado um recurso de extensão para o Moodle. Experimentos foram realizados para testar a abordagem. Um dos experimentos objetivou analisar a opinião dos estudantes em relação à recomendação personalizada. Os estudantes avaliaram positivamente a recomendação que considerou o nível de conhecimento e ofereceu materiais adicionais sobre o tema. Outro experimento considerou três processos de recomendação diferentes para observar as preferências dos estudantes. As recomendações consideraram o uso e não uso de estilos de aprendizagem no processo. A média geral da avaliação foi relativamente melhor desconsiderando o uso dos estilos de aprendizagem, mas não houve significância estatística.
Downloads
Referências
Almahairi, A., Kastner, K., Cho, K., & Courville, A. (2015). Learning distributed representations from reviews for collaborative filtering. Proceedings of the 9th ACM Conference on Recommender Systems, 147–154. https://doi.org/10.1145/2792838.2800192. [GS Search]
An, D., & Carr, M. (2017). Learning styles theory fails to explain learning and achievement: Recommendations for alternative approaches. Personality and Individual Differences, 116, 410–416. https://doi.org/10.1016/j.paid.2017.04.050. [GS Search].
Araújo, R. D. (2017). Uma Arquitetura Computacional para Autoria e Personalização de Objetos de Aprendizagem em Ambientes Educacionais Ubíquos (tese de dout.). Universidade Federal de Uberlândia. [GS Search].
Ariyaratne, M., & Fernando, T. (2014). A comparative study on nature inspired algorithms with firefly algorithm. International Journal of Engineering and Technology, 4(10), 611–617. [GS Search].
Belizário Júnior, C. (2018). Reúso de conteúdo da Web na recomendação personalizada de objetos de aprendizagem: uma abordagem baseada em um algoritmo genético, tecnologias da Web Semântica e uma ontologia (diss. de mestr.). Universidade Federal de Uberlândia. [GS Search].
Belizário Júnior, C., & Dorça, F. (2018). Uma abordagem para a criação e recomendaçao de objetos de aprendizagem usando um algoritmo genético, tecnologias da web semântica e uma ontologia. Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), 29, 1533. [GS Search].
Bernhard, K., & Vygen, J. (2008). Combinatorial optimization: Theory and algorithms. Springer, Third Edition, 2005.
Brusilovsky, P., & Peylo, C. (2003). Adaptive and intelligent web-based educational systems. International Journal of Artificial Intelligence in Education (IJAIED), 13, 159–172. [GS Search].
Colchester, K., Hagras, H., Alghazzawi, D., & Aldabbagh, G. (2017). A survey of artificial intelligence techniques employed for adaptive educational systems within e-learning platforms. Journal of Artificial Intelligence and Soft Computing Research, 7(1), 47–64. https://doi.org/10.1515/jaiscr-2017-0004. [GS Search].
Cormen, T. H., Leiserson, C. E., Rivest, R. L., & Stein, C. (2009). Introduction to algorithms. MIT press. [GS Search].
De Medio, C., Limongelli, C., Marani, A., & Taibi, D. (2019). Retrieval of Educational Resources from the Web: A Comparison Between Google and Online Educational Repositories. Em M. A. Herzog, Z. Kubincová, P. Han & M. Temperini (Ed.), Advances in Web-Based Learning – ICWL 2019 (pp. 28–38). Springer International Publishing. [GS Search].
Dias, L. L., Barbosa, J. S., Barrére, E., & de Souza, J. F. (2017). Uma abordagem para identificação de similaridade entre recursos educacionais utilizando bases de conhecimento externas. Revista Brasileira de Informática na Educação, 25(02), 18. https://doi.org/10.5753/rbie.2017.25.02.18. [GS Search].
Drachsler, H., Verbert, K., Santos, O. C., & Manouselis, N. (2015). Panorama of recommender systems to support learning. Em Recommender systems handbook (pp. 421–451). Springer. [GS Search].
Dwivedi, P., Kant, V., & Bharadwaj, K. K. (2018). Learning path recommendation based on modified variable length genetic algorithm. Education and Information Technologies, 23(2), 819–836. https://doi.org/10.1007/s10639-017-9637-7. [GS Search].
Felder, R. M., Silverman, L. K., et al. (1988). Learning and teaching styles in engineering education. Engineering education, 78(7), 674–681. [GS Search].
Feldman, J., Monteserin, A., & Amandi, A. (2015). Automatic detection of learning styles: state of the art. Artificial Intelligence Review, 44(2), 157–186. https://doi.org/10.1007/s10462-014-9422-6. [GS Search].
Ferreira, H. N. M. (2018). Uma Abordagem Híbrida Baseada em Redes Bayesianas e Ontologias para Modelagem do Estudante em Sistemas Adaptativos e Inteligentes para Educação (tese de dout.). Universidade Federal de Uberlândia. https://doi.org/10.5753/cbie.sbie.2017.1197. [GS Search].
Ferreira, J. P. B., de Tôrres Maschio, P., de Santana, T. S., da Costa, N. T., & Pereira Junior, C. (2020). Análise de Vídeos como Recurso Educacional em Plataforma Não Formal de Aprendizagem. Anais do XXXI Simpósio Brasileiro de Informática na Educação, 1733–1742. https://doi.org/10.5753/cbie.sbie.2017.1197 https://doi.org/10.5753/cbie.sbie.2017.1197. [GS Search].
Gardner, H. (1983). Frames of mind: The theory of multiple intelligences. NY: Basics. [GS Search].
Gasparetti, F., De Medio, C., Limongelli, C., Sciarrone, F., & Temperini, M. (2018). Prerequisites between learning objects: Automatic extraction based on a machine learning approach. Telematics and Informatics, 35(3), 595–610. https://doi.org/10.1016/j.tele.2017.05.007. [GS Search].
Group, N. E. T. P. T. W., et al. (2010). Transforming American education: Learning powered by technology.
Harman, K., & Koohang, A. (2007). Learning objects: standards, metadata, repositories, and LCMS. Informing Science. [GS Search].
Kalogeraki, E.-M., Troussas, C., Apostolou, D., Virvou, M.,&Panayiotopoulos, T. (2016). Ontology-based model for learning object metadata. 2016 7th International Conference on Information, Intelligence, Systems & Applications (IISA), 1–6. https://doi.org/10.1109/IISA.2016.7785383. [GS Search].
Kelly, D., & Tangney, B. (2006). Adapting to intelligence profile in an adaptive educational system. Interacting with Computers, 18(3), 385–409. https://doi.org/10.1016/j.intcom.2005.11.009. [GS Search].
Kirschner, P. A. (2017). Stop propagating the learning styles myth. Computers & Education, 106, 166–171. https://doi.org/10.1016/j.compedu.2016.12.006. [GS Search].
Kolb, A. Y., & Kolb, D. A. (2005). Learning styles and learning spaces: Enhancing experiential learning in higher education. Academy of management learning & education, 4(2), 193– 212. https://doi.org/10.1016/j.chb.2013.06.036. [GS Search].
Lops, P., De Gemmis, M., & Semeraro, G. (2011). Content-based recommender systems: State of the art and trends. Em Recommender systems handbook (pp. 73–105). Springer. https://doi.org/10.1007/978-0-387-85820-3_3. [GS Search].
LTSC, I. (2020). 1484.12.1-2020 - IEEE Standard for Learning Object Metadata.
Pereira Junior, C. X., Dorça, F. A., & Araujo, R. D. (2019). Towards an Adaptive Approach that Combines Semantic Web Technologies and Metaheuristics to Create and Recommend Learning Objects. 2019 IEEE 19th International Conference on Advanced Learning Technologies (ICALT), 2161, 395–397. https://doi.org/10.1109/ICALT.2019.00118. [GS Search].
Pereira Júnior, C., 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, 1293– 1302. ttps://doi.org/10.5753/cbie.sbie.2020.1293. [GS Search].
Pereira Júnior, C., Belizario Júnior, C., Araújo, R., & Dorça, F. (2020). Personalized Recommendation of Learning Objects Through Bio-inspired Algorithms and Semantic Web Technologies: an Experimental Analysis. Anais do XXXI Simpósio Brasileiro de Informática na Educação, 1333–1342. https://doi.org/10.5753/cbie.sbie.2020.1333. [GS Search].
Pu, P., Chen, L., & Hu, R. (2011). A user-centric evaluation framework for recommender systems. Proceedings of the fifth ACM conference on Recommender systems, 157–164. https://doi.org/10.1145/2043932.2043962. [GS Search].
Roy, D., Sarkar, S., & Ghose, S. (2008). Automatic Extraction of Pedagogic Metadata from Learning Content. Int. J. Artif. Intell. Ed., 18(2), 97–118. [GS Search].
Soloman, B. A., & Felder, R. M. (2005). Index of learning styles questionnaire. NC State University. Available online at: [Link] (last visited on 14.05. 2010), 70. [GS Search].
Valaski, J., Malucelli, A., & Reinehr, S. (2011). Revisão dos modelos de estilos de aprendizagem aplicados à adaptação e personalização dos materiais de aprendizagem. Anais do Simpósio Brasileiro de Informática na Educação, 1(1). [GS Search].
Vargha, A., & Delaney, H. D. (1998). The Kruskal-Wallis test and stochastic homogeneity. Journal of Educational and behavioral Statistics, 23(2), 170–192. https://doi.org/10.3102/10769986023002170. [GS Search].
Wan, S., & Niu, Z. (2018). An e-learning recommendation approach based on the self-organization of learning resource. Knowledge-Based Systems, 160, 71–87. https://doi.org/10.1016/j.knosys.2018.06.014. [GS Search].
Arquivos adicionais
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2023 Cleon Xavier Pereira Júnior, Rafael Dias Araújo, Fabiano Azevedo Dorça
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
