DETECÇÃO AUTOMÁTICA E DINÂMICA DE ESTILOS DE APRENDIZAGEM DE ESTUDANTES EM SISTEMAS DE GESTÃO DE APRENDIZAGEM UTILIZANDO MODELOS OCULTOS DE MARKOV E APRENDIZAGEM POR REFORÇO
Os Sistemas de Gestão de
Aprendizagem (Learning Management Systems
- LMS) surgiram para auxiliar o processo ensinoaprendizagem
na Educação à Distância (EaD).
Os LMS são ferramentas essenciais no processo
da EaD, mas eles não oferecem um suporte
adequado ao usuário, já que o mesmo conteúdo
é apresentado para todos os estudantes.
Sendo assim, a adaptação desses sistemas
ao estudante, de acordo com seu Estilo de
Aprendizagem (EA), tem sido frequentemente
discutida. Para realizar a adaptação, o sistema
deve conhecer o EA do aluno. Dessa forma,
diversas abordagens para detecção automática
de EA vêm sendo estudadas. A abordagem
proposta neste trabalho utiliza Modelos Ocultos
de Markov (HMM) e uma abordagem por reforço
para detectar o EA do estudante. A inferência
do EA é realizada pelo Algoritmo de Viterbi. Os
resultados obtidos apresentam média de 91%
de inferências corretas, demonstrando ser uma
abordagem eficaz para a utilização em LMS.
DETECÇÃO AUTOMÁTICA E DINÂMICA DE ESTILOS DE APRENDIZAGEM DE ESTUDANTES EM SISTEMAS DE GESTÃO DE APRENDIZAGEM UTILIZANDO MODELOS OCULTOS DE MARKOV E APRENDIZAGEM POR REFORÇO
-
DOI: 10.22533/at.ed.3881903042
-
Palavras-chave: Estilos de Aprendizagem. Modelos Ocultos de Markov. Aprendizagem por Reforço. Sistemas de Gestão de Aprendizagem.
-
Keywords: Learning Styles. Hidden Markov Models. Reinforcement Learning. Learning Management Systems.
-
Abstract:
Learning Management Systems
(LMS) have emerged to support the teachinglearning
process in Distance Education (EAD).
LMS are essential tools in the EAD process,
but they do not offer adequate support to the
user, since the same content is presented to all
students. Thus, the adaptation of these systems
to the student, according to their Learning Style
(EA), has been frequently discussed. To perform
the adaptation, the system must know the
student’s EE. In this way, several approaches
for automatic detection of AE have been studied.
The approach proposed in this work uses Hidden
Markov Models (HMM) and a reinforcement
approach to detect student AE. The inference
of EA is performed by the Viterbi Algorithm.
The obtained results present a 91% average
of correct inferences, proving to be an effective
approach for the use in LMS.
-
Número de páginas: 15
- Luciana Pereira de Assis
- Alessandro Vivas Andrade
- Cristiano Grijó Pitangui
- Arthur Machado França de Almeida
