Tese
Uma abordagem estocástica baseada em aprendizagem por reforço para modelagem automática e dinâmica de estilos de aprendizagem de estudantes em sistemas adaptativos e inteligentes para educação a distância
Registro en:
Autor
Dorça, Fabiano Azevedo
Institución
Resumen
An important feature in Distance Education is the personal and intelligent assistance, in
which an important aspect is that students may have quite different profiles. Thus, a
course designed for a particular student may not be suitable for other students. Because
of this, a challenge in research is the development of advanced educational applications
that provide some degree of intelligence and adaptivity. An indispensable factor in this
type of system is the accurate identification of students learning styles, in order to provide
most suited content to their individual needs. The construction of this kind of system
through a probabilistic process is an important research problem, because these systems
need to deal with incomplete or uncertain information about students. Thus, adaptivity
provided by these systems need to consider a certain level of uncertainty. So, we strongly
believe that considering stochastic student modeling in these systems is essential. Therefore,
the main goal of this work is to present an innovative stochastic approach, based
on reinforcement learning, for providing adaptivity through probabilistic modeling of students
learning styles, and to investigate its efficiency, effectiveness and reliability through
a series of experiments. Specifically, the proposed approach aims to detect and correct,
automatically and dynamically, inaccuracies and inconsistencies in learning styles stored
in the student model, considering that preferences obtained through psychometric questionnaires
may need review, by having some degree of uncertainty. In this context, this
work discusses and addresses important issues on automatic and dynamic modeling of
learning styles, most of them ignored by approaches developed so far. Doutor em Ciências Uma característica importante em Educação à Distância é a assistência personalizada e
inteligente, em que um importante aspecto a ser observado é que estudantes neste tipo
de curso podem apresentar perfis bastante diferenciados. Em virtude disto, um desafio
em pesquisa é o desenvolvimento de aplicações educacionais avançadas que possam oferecer
algum grau de inteligência e adaptatividade. Um fator indispensável neste tipo de
sistema é a identificação precisa de estilos de aprendizagem do estudante, de modo a fornecer
conteúdo mais apropriado possível às necessidades individuais. A implementação
deste tipo de sistema, fundamentada em uma abordagem probabilística para modelagem
do estudante é um importante problema em pesquisas, já que estes modelos necessitam
lidar com informações incompletas ou incertas sobre o estudante. Por isto, acreditamos
fortemente que considerar processos estocásticos na modelagem do estudante e no fornecimento
de adaptatividade é essencial. Especificamente, a abordagem proposta neste
trabalho tem por objetivo detectar e corrigir incrementalmente, de forma automática e
dinâmica, imprecisões e inconsistências nos estilos de aprendizagem armazenados no modelo
do estudante, considerando-se que as preferências obtidas através de questionários
psicométricos podem necessitar de revisões, por possuírem certo grau de incerteza. Neste
contexto, este trabalho aborda e trata questões importantes da modelagem automática
e dinâmica de estilos de aprendizagem, ignoradas pelas abordagens desenvolvidas até o
momento e analisadas neste trabalho.