3 Classificação de objectos de aprendizagem
4.8 Conclusões
O objectivo fundamental deste capítulo consiste na proposta de modelos para personalização de actividades de eAprendizagem baseados no sistema de classificação proposto no capítulo anterior. Os modelos devem ser capazes de gerar dinamicamente experiências personalizadas de eAprendizagem à medida de cada utilizador, usando o seu perfil individual como base para essa personalização.
No início do capítulo é proposta uma extensão à norma PAPI que permite armazenar no perfil de cada utilizador informação complementar à norma, vital para o bom funcionamento dos serviços de personalização propostos. Essa informação inclui por exemplo preferências relativamente aos atributos dos objectos pretendidos e um histórico da utilização de objectos de aprendizagem.
São propostos três serviços distintos de personalização, que incluem os respectivos modelos, descrição dos protótipos desenvolvidos para os validar e análise dos resultados obtidos com o protótipo de cada serviço.
O primeiro serviço, intitulado “pesquisa personalizada” fornece a capacidade de filtrar e ordenar os resultados de pesquisas de acordo com a formação anterior do utilizador, o seu histórico de utilização de objectos de aprendizagem e o registo de avaliações anteriores em actividades conferentes de classificação. O modelo apresentado baseia-se numa função que estima a relevância de cada objecto com base nos seus atributos LOM, na informação fornecida pelo sistema de classificação e no perfil do utilizador.
A função de estimação de relevância proposta possui três componentes diferentes. O nível de contextualização mede o nível de proximidade semântica entre cada objecto e os interesses do utilizador. Para isso introduz o conceito de distância semântica entre segmentos, que permite quantificar essa proximidade. Os interesses de cada utilizador são representados por preferências explícitas, pelo registo de desempenho em eventos com avaliação e pelo histórico de utilização de objectos de aprendizagem.
Os outros dois componentes avaliam cada objecto segundo parâmetros eliminatórios e não eliminatórios. Os primeiros correspondem a atributos vitais que, caso não sejam satisfatórios relativamente às preferências dos utilizadores, eliminam imediatamente o objecto. Os segundos não eliminam o objecto mesmo com avaliação nula, limitando-se a contribuir para o cálculo da relevância total.
O protótipo desenvolvido demonstrou a validade do modelo logo nos testes iniciais. Testes mais apurados comprovaram o funcionamento como previsto do algoritmo de pesquisa personalizada. A capacidade de discriminação do serviço é máxima quando os perfis contêm de forma explícita os contextos preferenciais de aprendizagem. Nesta situação o algoritmo demonstrou a sua eficácia ao seleccionar inequivocamente os conteúdos mais apropriados.
Sem a informação de contextos preferenciais de aprendizagem, o algoritmo também funcionou de acordo com o previsto, seleccionado os objectos semanticamente mais próximos das matérias com registos de desempenho nos perfis dos utilizadores. O problema desta abordagem é que quando um utilizador pretende aprender novas matérias, o algoritmo vai valorizar os conceitos próximos dos registos de desempenho, dando uma relevância superior a conceitos que já foram aprendidos em detrimento dos novos conceitos que se pretendem aprender.
O algoritmo deve assim ser melhorado, oferecendo pelo menos a oportunidade de configurá-lo de modo a dar menos relevância aos conceitos já aprendidos e mais relevância aos novos conceitos que nascem a partir das matérias já aprendidas. A informação necessária para esta evolução está disponível no sistema de classificação e seriam necessárias apenas pequenas alterações no algoritmo, de forma a atribuir pesos diferentes às distâncias semânticas de acordo com o tipo de relacionamento com os segmentos onde o utilizador possui informação de desempenho. Desta forma, seria aumentada a relevância dos novos conhecimentos em detrimento dos já adquiridos.
Outro serviço proposto, chamado “aconselhamento personalizado”, tem a capacidade de sugerir planos de aprendizagem para revisão de conceitos que serão previamente necessários para um determinado objectivo de aprendizagem. Estes planos são gerados dinamicamente e têm em consideração os requisitos prévios do objectivo de aprendizagem e as dificuldades e competências do utilizador relativamente a esses requisitos. Os testes efectuados, embora limitados a situações criadas artificialmente, demonstraram o funcionamento do serviço de acordo com as previsões efectuadas quando o modelo foi desenvolvido.
No âmbito deste modelo são propostas duas estruturas relevantes: a árvore de dependências e a árvore de dificuldades. No primeiro caso, trata-se da estrutura de segmentos que representa os conhecimentos prévios que são necessários para aprender correctamente o assunto de um determinado segmento. A árvore de dificuldades resulta da comparação da árvore de dependências com as competências do utilizador reveladas pelo seu perfil PAPI. Basicamente é formada por todos os segmentos da árvore de dependências para os quais o formando não possui informação de desempenho positivo.
Finalmente, o serviço de “geração dinâmica de planos de aprendizagem” permite criar de forma automática cursos de alto nível personalizados, através da agregação dinâmica de objectos de aprendizagem de diferente granulosidade, à medida do perfil e necessidades individuais do utilizador. Este modelo usa os conceitos de árvore de dependências e árvore de dificuldades e acrescenta um algoritmo que determina o plano de aprendizagem mais coerente. O algoritmo é configurável relativamente ao compromisso entre personalização e coerência do plano. A estimação da coerência de um plano de aprendizagem recorre a uma fórmula desenvolvida para o efeito, que determina o grau de coerência de cada plano através da comparação dos atributos individuais de cada objecto desse plano com os valores médios ou predominantes.
Um dos problemas do modelo proposto relaciona-se com a exigência computacional do algoritmo de estimação de coerência, uma vez que ele testa todas as combinações possíveis. Uma vez que o número de possibilidades aumenta exponencialmente com o número de segmentos do plano de aprendizagem e o número de objectos em cada segmento, é provável que o tempo de cálculo seja incomportável nalgumas situações. Este algoritmo necessita assim de ser optimizado.
Foi realizado um teste a este modelo, com um máximo de 256 sequências diferentes, e os resultados foram muito animadores. O algoritmo funciona tal como previsto, sugerindo as sequências mais coerentes dentro das limitações de variedade impostas pelo número de objectos disponíveis em cada segmento e pela tolerância de personalização predefinida. Concluindo, os modelos e serviços propostos neste capítulo demonstraram ter a capacidade para realizar pesquisas, sugerir revisões e gerar dinamicamente cursos de forma personalizada, considerando as preferências, características, competências e dificuldades de cada utilizador. Apesar de serem necessários testes exaustivos em ambientes reais para validar os modelos com um maior grau de fiabilidade, os resultados nos diversos testes laboratoriais realizados demonstraram que os modelos funcionam como previsto, pelo que nada indica que estes não sejam igualmente eficazes em ambientes reais mais complexos.