Uma abordagem Multiobjetivo para a Recomendação de Objetos de Aprendizagem no contexto Educacional

Authors

  • Ramon Rocha Leite Universidade Federal dos Vales do Jequitinhonha e Mucuri
  • Cristiano Grijó Pitangui Universidade Federal de São João del-Rei
  • Alessandro Vivas Andrade Universidade Federal dos Vales do Jequitinhonha e Mucuri
  • Luciana Pereira de Assis Universidade Federal dos Vales do Jequitinhonha e Mucuri
  • Fabiano Azevedo Dorça Universidade Federal de Uberlândia

DOI:

https://doi.org/10.5753/rbie.2022.2443

Keywords:

Objetos de Aprendizagem, Otimização Multiobjetivo, Sistemas de Recomendação, Projeto Instrucional

Abstract

Existem grandes repositórios de conteúdos na Internet que podem ser utilizados como fonte de recursos para o e-learning. Para facilitar a utilização desses conteúdos, eles são organizados como Objetos de Aprendizagem (OAs), que além do conteúdo propriamente dito, possuem vários metadados que os descrevem. Devido ao grande volume de materiais disponíveis, torna-se difícil escolher aqueles OAs que melhor atendam às necessidades de cada indivíduo. Para se sugerir os OAs mais adequados, utilizam-se os Sistemas de Recomendação de OAs, responsáveis por encontrar e recomendar os itens mais úteis aos estudantes. Neste contexto, o presente trabalho propõe uma abordagem de otimização multiobjetivo do problema de recomendação de OAs. Nesse problema, tem-se um conjunto de conceitos a serem ensinados, de acordo com um Design Instrucional, um repositório de OAs, no qual cada OA aborda um ou mais conceitos, além de dependências pedagógicas que obrigam determinados conceitos a serem apresentados previamente para compreensão de outros. No problema proposto, não se buscam soluções que necessariamente cubram todos os conceitos estabelecidos. Na verdade, buscam-se por soluções que cumpram dois objetivos distintos, a saber: i) menor custo, dado pela soma do custo de cada OA presente na solução; ii) maior número de conceitos cobertos, respeitadas as dependências pedagógicas estabelecidas. Para resolução do problema, utilizou-se o NSGA-II, um Algoritmo Genético multiobjetivo implementado no framework MOEA. As instâncias do problema foram geradas artificialmente, simulando repositórios de 1000 OAs, cursos com 200 conceitos, com até 20 dependências. Os resultados obtidos abrangeram conjuntos de diferentes configurações de soluções, com números distintos de conceitos cobertos e custos das soluções, o que traz maiores possibilidades para que os conteúdos entregues estejam de acordo com os objetivos, necessidades e realidade dos alunos.

Downloads

Não há dados estatísticos.

Biografia do Autor

Cristiano Grijó Pitangui, Universidade Federal de São João del-Rei

Possui graduação em Ciência da Computação pela Universidade Federal de Juiz de Fora (2004). É mestre (2007) e doutor (2013) pela COPPE/UFRJ em Engenharia de Sistemas e Computação na linha de Inteligência Artificial. É professor Adjunto do Departamento de Tecnologia e Eng. Civil, Computação e Humanidades (DTECH) da Universidade Federal de São João Del Rei (UFSJ) como também da pós-graduação em Educação (UFVJM). Possui experiência em Aprendizado de Máquina com ênfase em Computação Bioinspirada.

Alessandro Vivas Andrade, Universidade Federal dos Vales do Jequitinhonha e Mucuri

Alessandro Vivas Andrade é Professor Associado da Universidade Federal dos Vales do Jequitinhonha e Mucuri (UFVJM). Atua como docente no Curso de Sistemas de Informação onde leciona disciplinas de Redes de Computadores e Sistemas Distribuídos. Possui Doutorado, Mestrado e Graduação em Engenharia Elétrica na Universidade Federal de Minas Gerais (UFMG) e Curso Técnico em Eletrônica na Escola Francisco Moreira da Costa (ETEFMC). Tem interesse nas áreas de aprendizado de máquina, inteligência artificial e otimização.

Luciana Pereira de Assis, Universidade Federal dos Vales do Jequitinhonha e Mucuri

Possui graduação em Ciência da Computação pelo Centro Universitário de Belo Horizonte (2004), mestrado em Ciências da Computação pela Universidade Federal de Minas Gerais (2007) e doutorado em Engenharia Elétrica pela Universidade Federal de Minas Gerais (2013). Atualmente é professora Adjunto da Universidade Federal dos Vales do Jequitinhonha e Mucuri (UFVJM) onde leciona para o curso de Sistemas de Informação. Tem experiência na área de otimização, atuando principalmente nos seguintes temas: otimização combinatória, problemas de coleta e entrega, heurísticas e metaheurísticas, problema de roteamento de veículos e otimização multiobjetivo. Atua na área de análise de redes sociais. Além disso, é professora do Programa de Pós-Graduação em Educação da UFVJM onde estuda o uso de técnicas de Inteligência Artificial e Otimização em Ambientes Virtuais de Aprendizagem.

Fabiano Azevedo Dorça, Universidade Federal de Uberlândia

Possui graduação em Ciência da Computação pela Universidade Federal de Uberlândia (2000), mestrado em Ciência da Computação pela Universidade Federal de Uberlândia (2004) e Doutorado pela Universidade Federal de Uberlândia (2012). Atualmente é professor da Faculdade de Computação (FACOM/UFU) da Universidade Federal de Uberlândia (desde 2009). Iniciou carreira docente no ensino superior em 2004. Tem experiência na área de Ciência da Computação, com ênfase em Inteligência Artificial e Engenharia de Software. Atualmente desenvolve pesquisas principalmente nos seguintes temas: sistemas tutores inteligentes, educação a distância, modelagem do estudante, estilos de aprendizagem, avaliação de aprendizagem, objetos de aprendizagem, sistemas de hipermídia adaptativa, sistemas adaptativos para educação, aprendizagem de máquina, ciência de dados, learning analytics, educational data mining, ontologias, web semântica, design smells e simulação. Atuou como coordenador do curso de Bacharelado em Ciência da Computação da Universidade Federal de Uberlândia de 2013 a 2017. É membro permanente do Programa de Pós-graduação em Ciência da Computação (PPGCO) da FACOM/UFU.

Referências

ABED, A. B. d. E. a. D. (2019). Censo EAD.BR: relatório analítico da aprendizagem a distância no Brasil (Relatório). São Paulo: Associação Brasileira de Educação a Distância. Recuperado em 2022-01-15 de [Link]

ADL, A. D. L. (2022). SCORM - Sharable Content Object Reference Model (Relatório). Advanced Distributed Learning Initiative. Recuperado em 2022-01-15 de [Link]

Apps, B. o. (2020). YouTube Revenue and Usage Statistics (2020) - Business of Apps. Recuperado em 2020-07-27, de [Link]

Assis, L. P. d. (2013). Investigação de metaheurísticas aplicadas ao problema de roteamento de veículos multiobjetivo com coleta opcional. Tese de doutorado, Escola de Engenharia, Universidade Federal de Minas Gerais, Belo Horizonte. Recuperado em 2022-01-15, de [Link]

Bourkoukou, O., & El Bachari, E. (2018, aug). Toward a Hybrid Recommender System for E-learning Personnalization Based on Data Mining Techniques. JOIV : International Journal on Informatics Visualization, 2(4), 271. Recuperado em 2022-01-05, de [Link] doi: 10.30630/joiv.2.4.158 . [GS Search]

Cerqueira, T. C. S. (2000). Estilos de aprendizagem em universitários. Tese de doutorado, Faculdade de Educação, Universidade Estadual de Campinas, Campinas. doi: 10.47749/T/UNICAMP.2000.184512. Recuperado em 2022-01-05, de [Link]

Clark, R. C., & Mayer, R. E. (2016). E-learning and the science of instruction: Proven guidelines for consumers and designers of multimedia learning. Hoboken, NJ, USA: John Wiley & Sons. [GS Search]

Cury, H. N. (2000). Estilos de Aprendizagem de Alunos de Engenharia. Em Xxviii congresso brasileiro de ensino de engenharia. Ouro Preto. Recuperado em 2022-01-05, de [Link] [GS Search]

DCM, D. C. M. I. (2020). DCMI Metadata Terms (Relatório). Dublin Core Metadata Innovation. Recuperado em 2022-01-05, de [Link]

Deb, K., Agrawal, S., Pratap, A., & Meyarivan, T. (2000). A fast elitist non-dominated sorting genetic algorithm for multi-objective optimization: NSGA-II. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 1917, 849–858. Recuperado em 2022-01-05, de [Link] doi: 10.1007/3-540-45356-383 . [GS Search]

Deb, K., & Jain, H. (2014). An evolutionary many-objective optimization algorithm using reference-point-based nondominated sorting approach, Part I: Solving problems with box constraints. IEEE Transactions on Evolutionary Computation, 18(4), 577–601. Recuperado em 2022-01-05, de [Link] doi: 10.1109/TEVC.2013.2281535 . [GS Search]

De Medio, C., Gasparetti, F., Limongelli, C., & Sciarrone, F. (2017). Automatic extraction and sequencing of wikipedia pages for smart course building. Em 21st international conference information visualisation (iv) (pp. 378–383). Recuperado em 2022-01-05, de [Link] doi: 10.1109/iV.2017.75. [GS Search]

Dutra, R. L. d. S., Tarouco, L. M. R., & Passerino, L. (2011, feb). Utilização de Objetos de Aprendizagem Abertos SCORM para dar suporte à Avaliação Formativa. Revista Brasileira de Informática na Educação, 18(03), 59. Recuperado em 2022-01-05, de [Link] doi: 10.5753/rbie.2010.18.03.59. [GS Search]

Felder, R. M., & Silverman, L. K. (1988). Learning and teaching styles in engineering education. Engineering education, 78(7), 674–681. Recuperado em 2022-01-05, de [Link] [GS Search]

Felder, R. M., & Spurlin, J. (2005). Applications, reliability and validity of the index of learning styles. International journal of engineering education, 21(1), 103–112. Recuperado em 2022-01-05, de [Link] [GS Search]

Filatro, A., & Cairo, S. (2015). Produção de Conteúdos Educacionais. São Paulo, São Paulo: Saraiva Educação SA. [GS Search]

Filatro, A., & Piconez, S. C. B. (2004). Design instrucional contextualizado. São Paulo: Senac, 27–29. Recuperado em 2022-01-05, de [Link] [GS Search]

Filatro, A. C. (2008). Learning design como fundamentação teórico-prática para o design instrucional contextualizado. Tese de doutorado, Faculdade de Educação, Universidade de São Paulo, São Paulo. doi: 10.11606/T.48.2008.tde-12062008-142556. Recuperado em 2022-01-05, de [Link]

Gill, L., & Dalgarno, B. (2017, ago). A qualitative analysis of pre-service primary school teachers’ TPACK development over the four years of their teacher preparation programme. Technology, Pedagogy and Education, 26(4), 439–456. Recuperado em 2022-01-05, de [Link] doi: 10.1080/1475939X.2017.1287124 . [GS Search]

Grasha, A. F. (1996). Teaching with style: A practical guide to enhancing learning by understanding teaching and learning styles. Pittsburg, PA, USA: Alliance publishers. [GS Search]

Hassan, M., & Hamada, M. (2016, dez). Enhancing learning objects recommendation using multi-criteria recommender systems. Em 2016 ieee international conference on teaching, assessment, and learning for engineering (tale) (pp. 62–64). IEEE. Recuperado em 2022-01-05, de [Link] doi: 10.1109/TALE.2016.7851771. [GS Search]

IEEE, S. A. (2020). IEEE Standard for Learning Object Metadata (Relatório). IEEE Standards Association. Recuperado em 2022-01-05, de [Link]

IMS, G. L. C. (2019). IMS Global Learning Consortium. Recuperado em 2019-04-09, de [Link]

INEP, I. N. d. E. e. P. E. A. T. (2022). Censo da Educação Superior 2020: notas estatísticas (Relatório). Brasília: BRASIL. Recuperado em 2022-01-05, de [Link]

Jacobsohn, L. V. (2003). A contribuição do e-learning no desenvolvimento de competências do administrador: considerando o estilo de aprendizagem do aluno de graduação. Dissertação de mestrado, Faculdade de Economia, Administração e Contabilidade, Universidade de São Paulo, São Paulo. doi: [Link]. Recuperado em 2022-01-05, de [Link]

Júnior, C. B., & Dorça, F. (2018, nov). Uma Abordagem para a Criação e Recomendação de Objetos de Aprendizagem usando um Algoritmo Genético, Tecnologias da Web Semântica e uma Ontologia. Em Anais do xxix simpósio brasileiro de informática na educação (sbie 2018) (Vol. 1, pp. 1533–1542). Sociedade Brasileira de Computação – SBC. Recuperado em 2022-01-05, de [Link] doi: 10.5753/cbie.sbie.2018.1533 . [GS Search]

Katarya, R., & Verma, O. P. (2018, set). Recommender system with grey wolf optimizer and FCM. Neural Computing and Applications, 30(5), 1679–1687. Recuperado em 2022-01-05, de [Link] doi: 10.1007/s00521-016-2817-3 . [GS Search]

Kollat, J. B., & Reed, P. M. (2005). Comparison of Multi-Objective Evolutionary Algorithms for Long-Term Monitoring Design. Em Proceedings of the 2005 world water and environmental resources congress (pp. 1–11). American Society of Civil Engineers. Recuperado em 2022-01-05, de [Link] doi: 10.1061/40792(173)359 . [GS Search]

MOEA, F. (2020). MOEA Framework: a Free and Open Source Java Framework for Multiobjective Optimization. Recuperado em 2020-07-31, de [Link]

Moreira, M. M., Araújo, , Torres, A. C. U., , Joye, A. L. d. M. M., . . . Borges, H. (2019). Ensaio teórico sobre o design instrucional contextualizado e as estratégias didáticas na elaboração de material didático para EAD online. EmRede - Revista de Educação a Distância, 6(1), 43–52. Recuperado em 2022-01-05, de [Link] doi: 10.53628/emrede.v6.1.389 . [GS Search]

Murad, H., & Yang, L. (2018, out). Personalized e-learning recommender system using multimedia data. International Journal of Advanced Computer Science and Applications, 9(9), 565–567. Recuperado em 2022-01-05, de [Link] doi: 10.14569/ijacsa.2018.090971 . [GS Search]

Nifoci, R. E. M. (2013). Conhecimentos revelados por professores em um curso de formação continuada para a utilização de objetos de aprendizagem. Dissertação de mestrado, Programa de Estudos Pós-Graduados em Educação Matemática, Pontifícia Universidade Católica de São Paulo, São Paulo. Recuperado em 2022-01-05, de [Link]

Pireva, K., & Kefalas, P. (2017, out). A recommender system based on hierarchical clustering for cloud e-learning. Studies in Computational Intelligence, 737, 235–245. Recuperado em 2022-01-05, de [Link] doi: 10.1007/978-3-319-66379-1_21 . [GS Search]

Reigeluth, C. M. (1999). The elaboration theory: Guidance for scope and sequence decisions. Em Instructional-design theories and models: A new paradigm of instructional theory (Vol. 2, pp. 425–453). Mahwah, NJ, EUA: Lawrence Erlbaum Associates. [GS Search]

Rodrigues, P. A. A., Rodrigues, L. M., & Dias, L. C. M. (2014, jul). Do Design Instrucional Fixo ao Contextualizado: Análise de um Curso de Pós-Graduação Oferecido na Modalidade a Distância. Em Sied:enped - simpósio internacional de educação a distância e encontro de pesquisadores em educação a distância. Recuperado em 2022-01-05, de [Link] [GS Search]

Santos, M., Andrade, F., Silva, J. M. C. d., & Imran, H. (2016, jul). Learning Object Recommendation System Evaluation. Em 2016 ieee 16th international conference on advanced learning technologies (icalt) (pp. 412–413). IEEE. Recuperado em 2022-01-05, de [Link] doi: 10.1109/ICALT.2016.89 . [GS Search]

Schmitt, C. d. S., & Domingues, M. J. C. d. S. (2016, jul). Estilos de aprendizagem: um estudo comparativo. Avaliação: Revista da Avaliação da Educação Superior (Campinas), 21(2), 361–386. Recuperado em 2022-01-05, de [link].

Sergis, S., & Sampson, D. G. (2016, jan). Learning Object Recommendations for Teachers Based On Elicited ICT Competence Profiles. IEEE Transactions on Learning Technologies, 9(1), 67–80. Recuperado em 2022-01-05, de [Link] doi: 10.1109/TLT.2015.2434824 . [GS Search]

Silva, D. M. d. (2006). O impacto dos estilos de aprendizagem no ensino de contabilidade na FEA-RP/USP. Dissertação de mestrado, Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto, Universidade de São Paulo, Ribeirão Preto. doi: 10.11606/D.96.2006.tde-24012007-152550 . Recuperado em 2022-01-05, de [Link]

Soloman, B. A., & Felder, R. M. (2005). Index of learning styles questionnaire. NC State University., 70. Recuperado em 2022-01-05, de [Link] [GS Search]

Venkatesh, M., & Sathyalakshmi, S. (2020, fev). Smart learning using personalised recommendations in web-based learning systems using artificial bee colony algorithm to improve learning performance. Electronic Government, 16(1-2), 101–117. doi: 10.1504/EG.2020.105253 . [GS Search]

Wikipedia (2020). Wikipedia, the free encyclopedia. Recuperado em 2022-01-05, de [Link]

Wiley, D. A. (2002). The Instructional Use of Learning Objects (1.a ed.; D. SelfHueston, Ed.). Bloomington, Indiaana, EUA: Agency for Instructional Technology. Recuperado em 2022-01-05, de [Link] [GS Search]

Yao, X. (1999, set). Evolving artificial neural networks. Proceedings of the IEEE, 87(9), 1423–1447. Recuperado em 2022-01-05, de [Link] doi: 10.1109/5.784219 . [GS Search]

Zitzler, E., & Künzli, S. (2004). Indicator-Based Selection in Multiobjective Search. Lecture Notes in Computer Science, 3242, 832–842. Recuperado em 2022-01-05, de [Link] doi: 10.1007/978-3-540-30217-9_84 . [GS Search]

Arquivos adicionais

Published

2022-09-22

Como Citar

LEITE, R. R.; PITANGUI, C. G.; ANDRADE, A. V.; ASSIS, L. P. de; DORÇA, F. A. Uma abordagem Multiobjetivo para a Recomendação de Objetos de Aprendizagem no contexto Educacional. Revista Brasileira de Informática na Educação, [S. l.], v. 30, p. 320–349, 2022. DOI: 10.5753/rbie.2022.2443. Disponível em: https://journals-sol.sbc.org.br/index.php/rbie/article/view/2443. Acesso em: 21 nov. 2024.

Issue

Vol. 30 (2022)

Section

Artigos

Licença

Copyright (c) 2022 Ramon Rocha Leite, Cristiano Grijó Pitangui, Alessandro Vivas Andrade, Luciana Pereira de Assis, Fabiano Azevedo Dorça

Creative Commons License

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.