No contexto da EaD, destaca-se o desenvolvimento dos Ambientes Virtuais de Aprendizagem (AVA), que têm conferido a esta modalidade uma nova perspectiva quanto às possibilidades advindas da tecnologia da informação na educação, tornando-se uma ferramenta de grande importância por possibilitar a estimulação e a inovação da educação. o processo de ensino-aprendizagem mediado por computadores em rede (MACHADO et al, 2005). O advento da Internet introduziu novos paradigmas para o desenvolvimento de Ambientes Inteligentes de Aprendizagem (AIA), que utilizam recursos hipermídia e técnicas de inteligência artificial (IA), e que podem ser explorados de diferentes maneiras dependendo da metodologia utilizada pelo professor (VICARI & GIRAFA, 2003).
PROBLEMATIZAÇÃO
Formulação do Problema
Solução Proposta
OBJETIVOS
Objetivo Geral
Objetivos Específicos
METODOLOGIA
Concluídas as modelagens e cálculos mencionados, o protótipo foi implementado de acordo com as especificações definidas, priorizando a implementação da rede bayesiana modelada. Concluída a fase de implementação, o banco de dados foi alimentado e foram realizados testes com o protótipo para confirmar seu correto funcionamento.
ESTRUTURA DO TRABALHO
Em seguida, foram definidas probabilidades condicionais para cada nó da rede, com base em uma amostra de dados das avaliações das turmas do APC II e na estrutura de dados de semestres anteriores. A seguir são apresentados os ambientes virtuais de aprendizagem e seus recursos, bem como seu papel na educação a distância e as abordagens pedagógicas utilizadas atualmente.
EDUCAÇÃO À DISTÂNCIA
Primeiramente, é apresentada uma abordagem sobre o ensino a distância e sua eficácia na atual sociedade da informação. O entusiasmo gerado pela massificação desses recursos resultou em um grande interesse pelo ensino a distância via Internet, o que trouxe novas possibilidades e perspectivas para a educação e desafiou as instituições a repensarem seus modelos educacionais atuais (KLAES, 2005; PERRY et al. 2006). ; AZEVÊDO, 2000).
AMBIENTES VIRTUAIS DE APRENDIZAGEM
Teorias de Aprendizagem
Segundo Malange (2005), as teorias de aprendizagem podem ser classificadas como Behavioristas, Cognitivistas e Construtivistas, embora existam também outras classificações explicadas por outros autores. Vários educadores têm desafiado esta abordagem, argumentando que nem toda a aprendizagem é observável e é muito mais do que uma mudança de comportamento, e com isso tem havido um declínio nesta abordagem para a adoção de teorias de aprendizagem cognitiva.
Exemplos de Ambientes Virtuais de Aprendizagem
AMBIENTES INTELIGENTES DE APRENDIZAGEM
HIPERMÍDIA ADAPTATIVA
Modelo de Usuário
Passivo ou ativo – esta classificação é baseada na participação ou não do usuário na coleta de dados para construção do Modelo do Usuário. Direto ou Indireto – Técnicas de aquisição direta são aquelas em que a atualização do Modelo do Usuário é baseada diretamente nas informações de feedback do usuário.
Modelo de Adaptação
Explicação Comparativa (CE) – assim como a ER, este método também pode ser utilizado para adaptar informações dependendo do nível de conhecimento do aluno. Os métodos de navegação adaptativa podem ser classificados em Orientação Global (CG), Orientação Local (CL), Apoio à Orientação Local (OL) e Orientação Global (OG) (PALAZZO, 2000).
APLICAÇÃO DE REDES BAYESIANAS
Teoria da Probabilidade
Dado um espaço amostral X, onde X = {X1, X2, .., Xn}, a probabilidade de ocorrência de um evento xi é denotada por P(Xi). Dado um espaço amostral finito S = {a1, a2, .., an}, seus pontos amostrais ai(i n) são considerados igualmente prováveis, o que significa que podem ter a mesma probabilidade de ocorrer.
Teorema de Bayes
No entanto, pode ser impossível especificar a matriz de probabilidade conjunta (MPC)3, uma vez que esta conterá maioritariamente um grande número de elementos, ou seja, informações específicas de um domínio. Uma alternativa ao processamento de informações de causa e efeito é a utilização de Redes Bayesianas (ORLANDELI, 2005).
Redes Bayesianas
Aprender RBs consiste em induzir, a partir de uma amostra de dados, distribuições de probabilidade a priori e a posteriori e/ou identificar relações de interdependência entre variáveis em um campo de dados. Considerando a segunda situação possível nos parâmetros de aprendizagem em uma rede bayesiana, os dados disponíveis para aprendizagem raramente são completos.
TRABALHOS RELACIONADOS
Portanto, a Seção 3.1 deste capítulo fornece uma descrição do processo de análise ambiental proposto, bem como uma explicação de seu funcionamento geral e uma descrição de suas funcionalidades. Por fim, a Seção 3.5 descreve o processo de validação do protótipo e das simulações realizadas com o especialista, bem como os resultados observados.
ANÁLISE DO SISTEMA
Adaptação do Sistema
Dessa forma, caso o aluno tenha um nível de aprendizagem insatisfatório, o sistema irá primeiro verificar a provável causa do problema de aprendizagem atual. Por fim, quando o aluno atingir um nível de aprendizagem satisfatório, o sistema primeiro exibirá e destacará o link para o próximo conteúdo a ser estudado em Estrutura de Dados.
Funcionalidades do Sistema
O Cadastro Aluno permite a inclusão, modificação, exclusão e consulta de dados de alunos matriculados em um curso, com dados de entrada como código de pessoa, número de matrícula, nome, RG, GPF, endereço, bairro, CEP, cidade, estado, telefone e e-mail. O Cadastro de Disciplinas, por sua vez, consiste na inclusão, modificação, exclusão e consulta de dados relativos às disciplinas, cujos dados de entrada são o código da disciplina, nome da disciplina, período e número de créditos. Seus dados de entrada são o código da turma, código da disciplina, turno e horários das aulas.
O Cadastro de Conteúdo permite o armazenamento de dados sobre o conteúdo ministrado em cada disciplina, bem como a definição de suas relações necessárias, onde os dados de entrada são o código do conteúdo, código da disciplina, número da turma, nome do conteúdo, texto e número da unidade correspondente no tela. cardápio. Para o cadastro de questões no E-Adapt, o código da questão, o código do conteúdo ao qual a questão se refere, o nível da questão, o enunciado e o código da opção correta formam os dados de entrada.
MODELAGEM
Ambiente Proposto
Um diagrama de caso de uso para este processo é apresentado na Figura 8, e sua descrição é fornecida no caso de uso UC001, disponível no Apêndice A. Um diagrama de caso de uso correspondente a este processo é apresentado na Figura 11, e sua descrição está disponível no caso de uso UC002 está disponível no Apêndice B. Um diagrama de caso de uso representando este processo é apresentado na Figura 14, e sua descrição correspondente está disponível no caso de uso UC003 disponível no Apêndice C.
Além das classes de controle ModAdaptacao e ModUsuario, a classe ModDominio também desempenha um papel importante no processo de customização do sistema. A Figura 17 mostra o comportamento do processo de adaptação ao implementar a regra de adaptação em relação ao nível regular de aprendizagem.
Banco de Dados
Rede Bayesiana
O RB desta tarefa contém nós que representam cada conteúdo que será estudado pelos alunos em Estrutura de Dados e conteúdos relacionados ao APC II. Com isso, foram identificados três grupos distintos: (i) alunos cursando APC II; (ii) alunos que cursaram Estrutura de Dados; e (iii) alunos que cursaram APC II e Estrutura de Dados. Na perspectiva da disciplina Estrutura de Dados, observou-se que dos 279 alunos matriculados, apenas 131 cursaram APC II no semestre anterior.
11 Cada par corresponde a um diário APC II do semestre x e a um diário de estrutura de dados do semestre x + 1. Neste caso, para definir as probabilidades correspondentes a cada caso representado no TPC, a amostra de alunos que cursaram APC, considerada II . e estrutura de dados em semestres consecutivos.
IMPLEMENTAÇÃO
Rede Bayesiana
Considerando essas informações, primeiro foi analisada a viabilidade de aplicação desta biblioteca para implementação de RB no sistema atual. Considerando as densidades de probabilidade variadas de RB em um conjunto de densidades D, o procedimento consiste em coletar as densidades contendo X1, retirá-las de D, construir a nova densidade não normalizada p(ch(X1 ) | pa(X1), spo ( X1)) e adicione-o ao conjunto. Supondo que se queira calcular a densidade marginal de probabilidade para cada variável que faz parte de um RB, a generalização do algoritmo permite, ao armazenar resultados intermediários durante o processo de eliminação, derivar inferências para todas as variáveis do RB para fazer conjuntamente .
O processo de construção do RB aqui descrito é realizado durante a inicialização do modelo do usuário no sistema, conforme discutido a seguir. Para isso, utiliza-se o método get_probability_variable da classe BayesNet, que seleciona a variável necessária na estrutura RB com base no respectivo nome ou índice inserido, e um objeto do tipo DiscreteVariable; retorna.
Mecanismo de Adaptação
A seguir, a cada iteração realizada no objeto que contém o resultado da busca, cada pergunta buscada e suas opções correspondentes são atribuídas a um objeto da classe BufferQuestoes, que é um Backing Bean adicional cadastrado no sistema (chamado bufferQt) exclusivamente para uso neste processo, por que não tinha sido mencionado até agora. Após atribuir esses dados ao objeto da classe BufferQuestoes, eles são adicionados ao objeto ListaQuestoes da classe Teste, que é uma Lista, e isso acontece até que as iterações no resultado da pesquisa sejam concluídas. Assim, a resposta do aluno para cada questão é armazenada no atributo resposta do objeto da classe BufferQuestoes correspondente, através da execução do método set expresso em EL #{bufferQt.resposta}.
Em seguida é executado o método correcte() da classe Teste, comparando as respostas dadas pelo aluno com os respectivos acertos previamente armazenados no atributo feedback de cada objeto. Ao iniciar uma sessão no ambiente, as configurações de customização correspondentes ao aluno são carregadas em objetos da classe AdaptacaoMenu na lista adaptacaoLinks, atributo pertencente à classe ModAdaptacao, cujos dados são utilizados para criar as estruturas de navegação para a inicialização do aluno.
Interface Gráfica
TESTES
VALIDAÇÃO
Caso 1
Com isso, o sistema passou a apresentar testes online de nível simples relacionados ao conteúdo da fila, conforme mostra a Figura 35. Após reforçar o conteúdo da lista, levando em consideração a última regra de adaptação aplicada, o aluno respondeu a um novo nível teste, simples relacionado ao conteúdo da Fila, no qual obteve desempenho Regular. Após esse reforço, o aluno resolveu uma nova prova intermediária relacionada ao conteúdo do Stack e novamente obteve desempenho regular.
O aluno então recebeu novamente nota negativa ao responder um novo teste de nível simples relacionado ao conteúdo da Árvore. Após reforçar o conteúdo atual, o aluno passou a resolver provas com questões de nível intermediário relacionadas ao conteúdo Métodos de Pesquisa, conforme Figura 56.
Caso 2
Após o reforço, o aluno resolveu uma nova prova de nível intermediário relacionada ao conteúdo de filas, na qual obteve desempenho Satisfatório. Após o novo reforço, o aluno realizou uma nova prova intermediária relacionada ao conteúdo do Stack e obteve novamente desempenho Regular. Em seguida, o aluno resolveu uma nova prova de nível médio, onde finalmente obteve desempenho Satisfatório.
Após a realização do reforço atual, o aluno resolveu um novo teste de nível simples relacionado ao conteúdo da Árvore, obtendo desempenho satisfatório. Após esse reforço, o aluno resolveu uma prova intermediária, obtendo desempenho insatisfatório.
TRABALHOS FUTUROS
Disponível em:
Disponível em:
