A Multi-objective approach for Learning Objects Recommendation in the Educational context

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:

Learning Objects, Multi-objective Optimization, Recommender Systems, Instructional Design

Abstract

Currently, one may find large repositories on the Internet that can be used as a source of resources for e-learning. In order to facilitate the use of these contents, they are organized as Learning Objects (LOs), which, in addition to the content itself, they hold several metadata to describe them. Due to the large volume of materials available, it becomes difficult to choose those LOs that best meet the needs of each individual. To suggest the most suitable LOs, we rely on Recommendation Systems, that are responsible to find and recommend the most useful items to students. In this context, the present work proposes a multiobjective optimization approach for the LOs recommendation problem. In this problem, there is a set of concepts to be taught, according to an Instructional Design, a repository of LOs, in which each LO addresses one or more concepts, and also pedagogical dependencies, that enforce certain concepts to be presented in advance to others. In this problem, we do not seek for solutions that necessarily cover all established concepts. In fact, we aim to obtain solutions that fulfill two distinct objectives, namely: i) lower cost, given by the sum of the cost of each LO present in the solution; ii) greater number of concepts covered, respecting the established pedagogical dependencies. To solve the problem, we used the NSGA-II, a multiobjective Genetic Algorithm implemented in the MOEA framework. The problem instances were artificially generated, simulating repositories of 1000 LOs, courses with 200 concepts, with up to 20 dependencies. The results obtained covered sets of different configurations of solutions, with different numbers of concepts covered and costs of the solutions, which brings greater possibilities to deliver content in accordance with the objectives, needs and reality of the students.

Downloads

Download data is not yet available.

Author Biographies

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.

References

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]

Additional Files

Published

2022-09-22

How to Cite

LEITE, R. R.; PITANGUI, C. G.; ANDRADE, A. V.; ASSIS, L. P. de; DORÇA, F. A. A Multi-objective approach for Learning Objects Recommendation in the Educational context. Brazilian Journal of Computers in Education, [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: 22 nov. 2024.

Issue

Vol. 30 (2022)

Section

Articles

License

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

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Most read articles by the same author(s)