Lin, Huang e Cheng (2010) propuseram uma abordagem baseada em uma otimização por enxame de partículas aprimorada para a composição de grupos de aprendizagem colaborativa bem estruturados. Os autores realizaram vários experimentos comparando os melhores valores
de fitness e o tempo computacional da abordagem proposta com outros métodos. Os mesmos concluíram que a abordagem trata-se de um método aplicável e robusto no auxílio aos educadores para planejar diferentes tipos de processos de aprendizagem colaborativa.
Hubscher (2010) apresenta um método para formação de grupos, baseado no al- goritmo heurístico Tabu Search, que considera critérios e preferências dos alunos durante a execução do processo de agrupamento. O autor considerou a formação de grupos heterogêneos para uma maior diversidade entre os alunos, resultando em uma maior aprendizagem, bem como outras representações. Em Ho, Shyu e Li (2010), os autores utilizaram vários algoritmos baseados em otimização por enxame de partículas para resolver o problema de agrupamento de alunos, realizando uma comparação com outras técnicas. Os autores concluíram que algoritmos metaheurísticos obtêm melhores resultados e melhor tempo computacional na resolução de problemas complexos.
Paredes, Ortigosa e Rodriguez (2010) propuseram uma abordagem supervisionada para procurar a solução suficientemente boa para o problema do agrupamento de estudantes. Por meio de uma ferramenta de visualização, os dados são manipulados com pouco esforço sobre grandes populações de estudantes, fornecendo um suporte efetivo para a construção de grupos heterogêneos. Em Yannibelli e Amandi (2012), um algoritmo evolucionário de aglomeramento determinístico foi proposto para auxiliar os professores na formação de equipes de aprendizado colaborativo bem balanceadas. As autoras mostraram que os resultados foram promissores, visto que o algoritmo atingiu soluções ótimas para quatro conjuntos de dados e soluções quase-ótimas para outros seis conjuntos de dados.
Silva (2013) utilizou uma estratégia baseada em análise de agrupamentos para a formação de equipes heterogêneas voltadas à aprendizagem colaborativa. Em seu trabalho, a autora aplicou o algoritmo K-means para agrupar indivíduos semelhantes e depois distribuí-los em grupos distintos por meio de um algoritmo de distribuição, favorecendo a formação de grupos heterogêneos. Uroˆsevic (2016) apresentou uma heurística para solucionar o problema de agrupamento de diversidade máxima mostrando que o seu método foi superior aos outros métodos mais utilizados na literatura para tal problema.
Srba e Bielikova (2015) propuseram um método baseado em Group Technology para a formação automática de grupos dinâmicos. Segundo os autores, o método é capaz de descobrir automaticamente quais características colaborativas são comuns para os estudantes e quais características devem ser combinadas para alcançar uma colaboração mais efetiva. Em Alhunitah e Menai (2016), os autores aplicaram métodos baseados em metaheurísticas de
Swarm Intelligence para solução do problema de agrupamento de estudantes em aprendizagem colaborativa. O trabalho objetivou maximizar a heterogeneidade dos grupos formados com base em habilidades de desempenho, habilidades de comunicação, especialidade e resolução de problemas dos alunos.
Kardan e Sadeghi (2016) utilizaram uma modelagem matemática através de uma abordagem de programação binária inteira aplicada à tarefa colaborativa de formação de grupos. Os autores obtiveram resultados relevantes acerca do método aplicado, conseguindo abranger diversos requisitos pertinentes aos agrupamentos, como a homogeneidade, variabilidade ou invariabilidade dos grupos, mistura das equipes, bem como a heterogeneidade.
Tratando-se do método proposto neste trabalho, Moreno, Ovalle e Vicari (2012) propuseram um método baseado em uma abordagem de AG para obter grupos intra-homogêneos e intra-heterogêneos. Os autores apresentam que o método permite a consideração de diversas características estudantis. Ainda, os resultados validaram a proposta em termos computacionais e pedagógicos por meio da comparação com a estratégia de agrupamento aleatório e auto- organizado.
Em Chen e Yang (2014) os autores utilizaram dois métodos para agrupar alunos em favor da aprendizagem colaborativa. Primeiramente, de acordo com o interesse de aprendizado dos alunos, o algoritmo K-means foi aplicado para dividir os mesmos em diferentes grupos com características semelhantes. Em seguida, um AG foi aplicado para dividir os grupos de acordo com os conhecimentos dos alunos. Os resultados foram propícios ao objetivo proposto, alcançando a divisão automática dos grupos e encontrando, de forma aproximada, os grupos de aprendizagem colaborativa ótima, validando a proposta por meio de simulações.
Cen et al. (2015) utilizaram um AG para maximizar um dos dois critérios objetivados no trabalho: o desempenho médio esperado do trabalho em grupo ou a melhoria média alcançada por um aluno como resultado da aprendizagem em grupo. A abordagem proposta baseia-se na otimização global para identificar a ótima alocação dos alunos nos grupos a fim de satisfazer um dos critérios. Os resultados não só ajudaram a compreender os fatores significativos que influenciam o desempenho do grupo em aprendizagem colaborativa, mas também forneceram estratégias práticas sobre a composição ideal dos grupos para atividades em aprendizagem colaborativa.
Lin, Chang e Chu (2016) aplicaram um AG, em conjunto com uma técnica para preferência de ordem por similaridade à solução ideal, para facilitar a otimização dos agrupa- mentos para um sistema de suporte a grupos baseado na web, a fim de ajudar os educadores no
agrupamento adequado de intergrupos homogêneos e heterogêneos intragrupos. Os experimentos mostraram que a proposta possui resultados relevantes em relação ao método aleatório e o método utilizado em Moreno, Ovalle e Vicari (2012).
Em Zheng et al. (2016), uma abordagem híbrida baseada em AGs e otimização por enxame de partículas foi utilizada para a formação de grupos heterogêneos na aprendizagem colaborativa com base nas características dos alunos. Para validar o método proposto, uma série de experimentos foram realizados desenvolvidos em oito conjuntos de dados com diferentes níveis de complexidade. A abordagem proposta foi comparada com o método exaustivo e o método randômico, obtendo melhor desempenho e alcançando soluções de alta qualidade em um tempo de execução aceitável. Ainda, o método híbrido mostrou-se mais estável para o problema de formação de grupos com tamanhos variáveis.
Ciptayani, Dewi e Sentana (2016) aplicaram um AG adaptativo para solucionar o problema de formação de grupos. O AG utilizou de parâmetros dinâmicos (tamanho da população, probabilidade de cruzamento, taxa de mutação) ao longo da sua execução a fim de buscar o melhor grupo formado, evitando a convergência inicial e permitindo uma exploração tanto quanto possível das combinações das soluções. Os resultados dos experimentos mostraram que o AG pode formar um grupo equilibrado, favorecendo a aprendizagem.
Um último trabalho realizado recentemente propôs um AG de agrupamento difuso com múltiplos critérios para o problema de formação de equipes (MUTINGI; MBOHWA, 2017). Os resultados obtidos através dos experimentos demonstraram que a proposta é altamente capaz de resolver problemas de grande escala em um tempo computacional razoável, produzindo soluções de alta qualidade. Por meio dos conceitos difusos utilizados, as tomadas de decisões ocorridas durante a execução foram essenciais para resultados mais precisos. Ainda, em compa- ração com um AG simples e um algoritmo baseado em otimização por enxame de partículas, a proposta mostrou-se mais eficaz para a formação de equipes, obtendo soluções superiores.
Sendo assim, diante dos trabalhos apresentados, verifica-se que os AGs ainda são adotados como uma técnica potencial para o problema de formação de equipes. Os estudos apresentados comprovam sua capacidade de obtenção de boas soluções em meio ao processo de otimização combinatória, além das equipes formadas influenciarem significativamente na aprendizagem dos alunos.
3 METODOLOGIA PROPOSTA
Este capítulo apresenta de forma detalhada o funcionamento do AG proposto neste trabalho. As seções subsequentes esclarecem cada etapa metodológica do seu processo de execução para com o problema de formação de equipes heterogêneas em turmas universitárias.