Em CAZELLA et al. (2009) ´e apresentado o desenvolvimento de um sistema para recomendac¸ ˜ao de Objetos de Aprendizagem baseado em compet ˆencias a serem de- senvolvidas por alunos e suas prefer ˆencias por determinados OA.
O Sistema de Recomendac¸ ˜ao aborda a utilizac¸ ˜ao da filtragem colaborativa e constitui-se de tr ˆes etapas principais: c ´alculo de similaridade entre os usu ´arios, predic¸ ˜ao e aplicac¸ ˜ao de regras de compet ˆencia. Para o c ´alculo de similaridade ´e utili- zado o coeficiente de Pearson, anteriormente descrito e representado na Equac¸ ˜ao (7). Dessa forma, tomando-se por base as avaliac¸ ˜oes feitas pelos alunos, o sistema busca identificar um conjunto de usu ´arios, denominados vizinhos mais pr ´oximos, utilizados na etapa de predic¸ ˜ao.
A partir da obtenc¸ ˜ao da correlac¸ ˜ao de similaridade entre as avaliac¸ ˜oes sobre deter- minados OA, o sistema busca prever quanto o aluno apreciaria receber determinada recomendac¸ ˜ao. Esta predic¸ ˜ao objetiva descobrir qual nota o aluno daria ao objeto se tivesse acesso ao mesmo. O c ´alculo ´e realizado com base em uma m ´edia ponderada das avaliac¸ ˜oes fornecidas pelos alunos, identificados como vizinhos mais pr ´oximos (indiv´ıduos que obtiveram um coeficiente de similaridade igual ou superior a um limiar
pr ´e-estabelecido). Por ´ultimo, s ˜ao aplicadas as regras de compet ˆencia, cujo objetivo ´e filtrar os OA. A avaliac¸ ˜ao de compet ˆencias se d ´a atrav ´es da utilizac¸ ˜ao do plano de aula do professor da disciplina. S ˜ao avaliados os conte ´udos pr ´e-programados para serem ministrados, considerando as compet ˆencias que devem ser desenvolvidas pelo aluno em dado momento. Nesta etapa s ˜ao descartados aqueles OA que t ˆem um bom fator de predic¸ ˜ao, por ´em, n ˜ao desenvolvem as compet ˆencias apontadas pelos professores como relevantes em determinados momentos da disciplina.
Diferente da abordagem proposta no presente trabalho, o sistema limita-se a reco- mendar objetos relacionados ao desenvolvimento de compet ˆencias espec´ıficas. Para a tarefa de recomendac¸ ˜ao ´e explorada a similaridade entre usu ´arios, enquanto na abordagem proposta aqui as recomendac¸ ˜oes s ˜ao baseadas na relac¸ ˜ao existente en- tre os OAL. Assim como na abordagem proposta, o SR adota uma abordagem h´ıbrida, por ´em, utiliza classificac¸ ˜oes dos usu ´arios obtidas de forma expl´ıcita, enquanto que na abordagem proposta as classificac¸ ˜oes s ˜ao obtidas de forma impl´ıcita.
No modelo proposto por ZAINA et al. (2012), denominado de e-LORS (e-Learning Object Recommendation System), a recomendac¸ ˜ao de Objetos de Aprendizagem ´e realizada a partir da an ´alise de tr ˆes requisitos principais: tema de estudo a ser apre- sentado ao aluno, perfil de aprendizagem e poss´ıveis restric¸ ˜oes tecnol ´ogicas que ca- racterizam o ambiente em que o aluno interage.
Para a construc¸ ˜ao do perfil de aprendizagem o modelo divide as prefer ˆencias do aluno em dimens ˜oes baseadas na proposta de FELDER; SILVERMAN (1988). As di- mens ˜oes utilizadas s ˜ao: percepc¸ ˜ao, formato/apresentac¸ ˜ao e participac¸ ˜ao do aluno. S ˜ao armazenadas tamb ´em informac¸ ˜oes pessoais do aluno, como identificac¸ ˜ao no sis- tema, nome, grau de escolaridade, curso de formac¸ ˜ao e tamb ´em caracter´ısticas tec- nol ´ogicas relacionadas ao seu acesso.
A determinac¸ ˜ao de prefer ˆencias de aprendizagem ocorre atrav ´es da aplicac¸ ˜ao de um question ´ario respondido diretamente pelo aluno, permitindo que o mesmo ex- presse suas prefer ˆencias de acordo com cada dimens ˜ao.
A Restric¸ ˜ao Tecnol ´ogica ´e uma caracter´ıstica opcional utilizada para descrever a tecnologia no modelo do aluno. Tem por objetivo avaliar quest ˜oes restritivas `a utilizac¸ ˜ao de um OA, como por exemplo, o formato de v´ıdeo ou aplicac¸ ˜oes necess ´arias para utilizac¸ ˜ao do OA.
Para a armazenagem e o gerenciamento dos OA o e-LORS utiliza o padr ˜ao LOM (Learning Object Metadata), um padr ˜ao de metadados desenvolvido pelo Institute of Electrical and Electronics Engineers (IEEE) para aplicac¸ ˜ao em OA. O padr ˜ao LOM descreve caracter´ısticas importantes relacionadas ao OA ao qual se aplica. Estas caracter´ısticas podem ser agrupadas em categorias gerais, educacionais, t ´ecnicas e de classificac¸ ˜ao (SILVA; CAF ´E; CATAPAN, 2011). Embora o padr ˜ao apresente um grande n ´umero de campos de especificac¸ ˜ao, o sistema e-LORS utiliza apenas alguns,
conforme apresentado na Tabela 2.
Tabela 2: e-LORS - Categorias descritoras
Categoria LOM Campos do LOM Categorizac¸ ˜ao
Geral Identificador; Tipo; T´ıtulo; L´ıngua;
Descric¸ ˜ao e Palavras-chaves. Faz a descric¸ ˜ao geral do OA.
T ´ecnico
Formato: v´ıdeo, som, etc.;
Tamanho digital; Localizac¸ ˜ao f´ısica e
requisitos para uso do objeto (Ex.: vers ˜ao de software necess ´ario ao formato)
Caracter´ısticas t ´ecnicas.
Educacional
Tipo de interatividade (ativo, expositivo); Tipo de recurso (exerc´ıcio, simulac¸ ˜ao, question ´ario); Grau de dificuldade.
Descric¸ ˜ao das func¸ ˜oes
educacionais e caracter´ısticas pedag ´ogicas do OA.
Relacionamento Tipo de relacionamento entre os objetos e identificac¸ ˜ao do relacionamento.
Descreve o relacionamento entre OAs.
Fonte: ZAINA et al. (2012)
No E-LORS, a recomendac¸ ˜ao se d ´a atrav ´es da associac¸ ˜ao dos objetos descritos pelo padr ˜ao LOM com as categorias de perfil do usu ´ario. Para isso o sistema utiliza como par ˆametros o tema relacionado ao OA e a identificac¸ ˜ao do usu ´ario que receber ´a a recomendac¸ ˜ao. Assim, iniciado o processo de recomendac¸ ˜ao, s ˜ao executadas tr ˆes fases distintas: filtragem por conceitos, filtragem por perfil de aprendizagem e filtragem por tecnologia.
A filtragem por conceitos busca objetos que possuam o tema relacionado a uma ou mais palavras-chaves utilizadas na consulta. Para tanto, o sistema compara um conjunto de campos (t´ıtulo, descric¸ ˜ao e palavras-chaves), associados ao OA, com a palavra-chave pesquisada.
Tabela 3: e-LORS - Campos do LOM e dimens ˜oes de prefer ˆencias
Campo LOM Valor do campo Caracter´ıstica
do perfil Dimens ˜ao de prefer ˆencia Tipo de Interatividade Ativo Sensorial Percepc¸ ˜ao Expositivo Intuitivo Tipo de Recurso de Aprendizagem
Figura, v´ıdeo, filme, etc. Visual Formato /
Apresentac¸ ˜ao
Texto, som, enter outros Auditivo
Exerc´ıcio pr ´atico, experimento Ativo
Participac¸ ˜ao
Question ´ario e leitura de textos Reflexivo Fonte: ZAINA et al. (2012)
Realizada a filtragem por conceitos, ´e iniciada `a filtragem por perfil de aprendiza- gem. Nesta etapa ´e realizada a comparac¸ ˜ao entre as prefer ˆencias do aluno (descritas
em seu perfil de aprendizagem) com os campos Tipo de interatividade e Tipo de re- curso de aprendizagem da categoria Educacional do padr ˜ao LOM. A Tabela 3 retrata o relacionamento entre as prefer ˆencias e os campos do LOM utilizados para a filtragem por perfil de aprendizagem.
A ´ultima etapa do processo de recomendac¸ ˜ao ´e a filtragem de objetos por tec- nologia. Esta etapa ´e opcional, podendo n ˜ao ser considerada no modelo do aluno. Ela utiliza o subconjunto de OA obtidos a partir da filtragem por perfil de aprendi- zagem. Assim, as caracter´ısticas tecnol ´ogicas dos objetos pertencentes ao subcon- junto s ˜ao confrontadas com as restric¸ ˜oes cadastradas no modelo do aluno. Caso n ˜ao existam restric¸ ˜oes, todos os OA pertencentes ao subconjunto s ˜ao recomendados. Caso contr ´ario, o resultado ser ´a um novo subconjunto correspondente `as quest ˜oes tecnol ´ogicas evidenciadas pelo modelo do aluno.
Diferente da abordagem aqui proposta, o e-LORS n ˜ao utiliza nenhuma estrat ´egia para classificac¸ ˜ao e apresentac¸ ˜ao dos objetos a serem recomendados. Ap ´os o pro- cesso de recomendac¸ ˜ao eles s ˜ao apresentados de forma aleat ´oria, sem que seja determinada a relev ˆancia de um determinado OA para o aluno em relac¸ ˜ao ao subcon- junto de objetos recomendado. Na etapa de filtragem por conceitos n ˜ao ´e abordada nenhuma t ´ecnica para comparac¸ ˜ao entre os temas e a palavra-chave especificada, como a medida TF-IDF, por exemplo. Al ´em disso, o processo de recomendac¸ ˜ao prev ˆe uma relac¸ ˜ao direta entre o perfil de aprendizagem do usu ´ario e os objetos a serem recomendados, por ´em, n ˜ao prev ˆe uma relac¸ ˜ao entre OA, nem entre recomendac¸ ˜oes j ´a realizadas.
O trabalho de VIEIRA; NUNES (2012), apresenta um Sistema de Recomendac¸ ˜ao de Objetos de Aprendizagem baseado em conte ´udo com dados obtidos do Banco Internacional de Objetos Educacionais (BIOE). O SR, denominado DICA, aborda a utilizac¸ ˜ao de tr ˆes t ´ecnicas para realizar recomendac¸ ˜oes de acordo com a semelhanc¸a entre os OA: agrupamento, medida de similaridade entre temas e t ´ecnica do vizinho mais pr ´oximo.
A primeira recomendac¸ ˜ao realizada pelo DICA se d ´a atrav ´es do agrupamento e utiliza o algoritmo K-Means. Nesta abordagem os objetos da base de dados s ˜ao divi- didos em dois grupos, representados no DICA como os OA mais populares e os OA menos populares, identificados de acordo com o n ´umero de visualizac¸ ˜oes e downlo- ads associados a cada objeto.
Al ´em da recomendac¸ ˜ao inicial, o sistema permite realizar a busca por um tema espec´ıfico. Os temas aos quais os OA est ˜ao relacionados, foram utilizados para or- ganizar uma estrutura capaz de auxiliar no processo de recomendac¸ ˜ao. Assim, ao selecionar um determinado tema, s ˜ao listados todos os OA relacionados `a pesquisa. Havendo poucos OA, ´e realizada uma nova busca na base de dados, utilizando a medida de similaridade entre temas, que ocorre da seguinte forma: os temas foram
armazenados em uma sequ ˆencia de caracteres separados por ”::”, o primeiro atributo relacionado ao tema corresponde a um subconjunto mais abrangente dentre todos os OA e o ´ultimo ´e um subconjunto mais espec´ıfico contido nos anteriores (Ex.: Educac¸ ˜ao B ´asica::Ensino M ´edio::Matem ´atica::An ´alise de dados e probabilidade). Assim, um ob- jeto que pertenc¸a a esse tema, far ´a parte desses quatro subconjuntos. Para cada tema consultado, o algoritmo compara o t´ıtulo do subconjunto com outro tema, caso n ˜ao encontre, a dist ˆancia ´e acrescida de 1. Esse procedimento ´e representado na figura 6.
Figura 6: DICA - Comparac¸ ˜ao entre temas Fonte: VIEIRA; NUNES (2012)
A recomendac¸ ˜ao final se d ´a ao clicar em um objeto da lista resultante da aplicac¸ ˜ao das duas t ´ecnicas anteriormente citadas. Atrav ´es do c ´alculo da medida TF-IDF, s ˜ao comparados todos os termos do objetivo mais a descric¸ ˜ao do OA que est ´a sendo con- sultado com os 20 mais pr ´oximos a ele, selecionados, novamente, atrav ´es do algo- ritmo que calcula a dist ˆancia entre os temas. Atrav ´es desse c ´alculo s ˜ao selecionados aqueles que possuem maior n ´umero de termos em comum, denominados de vizinhos mais pr ´oximos.
Assim como os demais trabalhos anteriormente descritos, no DICA n ˜ao ´e explorada nenhuma relac¸ ˜ao entre os objetos. O SR faz recomendac¸ ˜oes considerando a medida TF-IDF associada a cada objeto. Essa recomendac¸ ˜ao ´e complementada atrav ´es da medida de similaridade entre temas. Diferente da abordagem proposta aqui, trata-se de um sistema puramente baseado em conte ´udo, sem que haja nenhuma interfer ˆencia do usu ´ario capaz de influenciar nas recomendac¸ ˜oes realizadas.
Al ´em dos trabalhos ligados ao contexto de recomendac¸ ˜ao de objetos de aprendi- zagem, foram analisados tamb ´em trabalhos relacionados `a recomendac¸ ˜ao de objetos em diferentes contextos. Apesar de n ˜ao recomendarem OA, as t ´ecnicas e aborda- gens utilizadas nestes trabalhos podem contribuir para o desenvolvimento da soluc¸ ˜ao proposta e s ˜ao apresentadas a seguir.