RDBU| Repositório Digital da Biblioteca da Unisinos
Avaliação do conhecimento do estudante em sistemas tutores inteligentes baseados em passos: uma abordagem baseada em Deep Knowledge Tracing
- RDBU
- →
- Rede Jesuíta Brasil
- →
- Unisinos
- →
- Produção Acadêmica
- →
- Escola Politécnica
- →
- Teses e dissertações
- →
- Mestrado
- →
- PPG Computação Aplicada
- →
- Ver item
JavaScript is disabled for your browser. Some features of this site may not work without it.
Avaliação do conhecimento do estudante em sistemas tutores inteligentes baseados em passos: uma abordagem baseada em Deep Knowledge Tracing
Fonseca, Cleber Schroeder
Data da Defesa:
2020-10-06
Orientador:
Maillard, Patrícia Augustin Jaques
Resumo:
Sistemas Tutores Inteligentes (STIs) são ambientes de aprendizagem inteligentes que, por possuírem um modelo do conteúdo a ser ministrado, assim como informações do estudante, são capazes de oferecer ensino e assistência individualizada. Os STIs são quase tão eficientes quanto o aprendizado individualizado (one-to-one tutoring), aquele no qual o estudante fica sozinho com um professor, recebendo sua atenção exclusiva, durante um tempo previamente fixado. Essa maior eficiência se mostra ainda mais efetiva, quando os estudantes usam STIs baseados em passos, no qual recebem feedback do sistema a cada passo dado para a solução de um problema e não somente após a conclusão do exercício. Para fornecer instrução e assistência individualizada, os STIs se utilizam de técnicas de inteligência artificial (IA) para identificar e modelar as dificuldades e conhecimentos de cada estudante, retornando um conteúdo de qualidade, dentro das necessidades individualizadas do estudante. O componente do sistema responsável por avaliar o conhecimento e habilidades do estudante é o modelo de estudante; esse componente é responsável tanto por identificar qual o grau de proficiência dos estudantes em cada unidade de conhecimento, como por avaliar a chance de sucesso na próxima tarefa ou passo, a fim de prover assistência. Redes Bayesianas, Bayesian Knowledge Tracing (BKT) e Deep Knowledge Tracing (DKT) são as ferramentas atuais mais aplicadas para o desenvolvimento do modelo de estudante dos STIs, sendo que a técnica DKT é a que apresenta, atualmente, o melhor desempenho para modelos de estudante que buscam predizer sucesso na próxima tarefa. No entanto, essa técnica só foi empregada em STIs baseados em respostas, ou seja, STIs em que somente é analisada a resposta final do estudante. O objetivo do trabalho desenvolvido é a utilização do DKT para prever o sucesso do estudante no próximo passo em STIs baseados em passos. STIs baseados em passos são aqueles nos quais são analisados cada passo intermediário da resolução apresentada pelo estudante, fornecendo feedback e ajudas a cada nova interação. Ao utilizar os dados de um STI baseado em passos, o sistema recebe uma quantidade maior de informações, já que para concluir um exercício, em regra geral, o estudante fornece mais de um passo, tornando o modelo de estudante baseado em passos mais complexo e eficiente. Para esse estudo, foram utilizados os dados extraídos do sistema tutor PAT2Math, o qual se trata de um STI baseado em passos que assiste os estudantes na resolução de equações de primeiro grau. Os resultados demonstram que as Redes Neurais utilizando a arquitetura Multi-layer perceptron alcançaram um resultado geral muito próximo dos obtidos pelos trabalhos relacionados. No entanto, quando utilizados dados de STIs baseados em passos, esse resultado é ainda melhor. Enquanto os trabalhos relacionados atingiram AUC de 79,24% com redes LSTM para STIs baseados em respostas, o trabalho proposto atingiu AUC de 50% e F1-Score de 0,8506 utilizando a mesma rede LSTM com dados de STI baseado em passos, e AUC de 76,78% e F1-Score de 0,8657, quando aplicada a MLP com os mesmos dados, permitindo identificar que tal modelo de estudante tem potencial de utilização em STIs baseados em passos.
Arquivos deste item
Este item aparece na(s) seguinte(s) coleção(s)
-
PPG Computação Aplicada [360]
PPG Computação Aplicada