Portal InstitucionalUFPEL

24/03/2014 - 18/03/2016

Ciências Exatas e da Terra - Ciência da Computação

A educação a distância possui um grande potencial para a expansão do sistema de educação no país e no mundo, ao permitir que ferramentas de aprendizagem sejam acessíveis de locais outros que não apenas centros urbanos. Sistemas de educação a distância atuais são amplamente baseados em sistemas de comunicação mediados por computador, onde professores, tutores e alunos interagem através de ambientes virtuais. Sendo um sistema informatizado, toda interação efetuada é registrada e armazenada, criando uma oportunidade de melhor compreender as relações de ensino e aprendizagem que as técnicas presenciais não permitem na mesma escala. Esta oportunidade levou a emergência de áreas de pesquisa como Learning Analytics e Educational Data Mining [3], que visam o estudo e desenvolvimento de técnicas para acompanhamento e compreensão das interações em ambientes virtuais de aprendizagem. Tais áreas são essenciais para solucionar problemas próprios da educação a distância, e.g. a alta taxa de evasão que chega a 18,5% dos alunos matriculados [1,2]. O presente projeto visa o estudo da aplicação de técnicas de Aprendizado de Máquina para a classificação automática de comportamentos de interesse de alunos de educação a distância, baseado no seus históricos de interações. Exemplos de comportamentos incluem alunos em risco de evasão ou reprovação. A identificação destes alunos com suficiente antecedência permitiria que tutores e professores desenvolvessem metodologias diferenciadas. Ultimamente, o próprio ambiente pode se adaptar ao aluno, fornecendo caminhos de aprendizado diferenciados de forma automática, reconhecendo a pluralidade nas formas de aquisição de conhecimento. Aprendizado de Máquina é uma área da Inteligência Artificial que estuda e desenvolve algoritmos que permitam a melhoria de processos baseado em experiência na execução destes processos. Uma subárea é conhecida como Aprendizado Supervisionado, que fornece meios para ajustar modelos de classificação a partir de exemplos do conceito a ser aprendido. Exemplos de modelos de aprendizado supervisionado incluem Redes Neurais e Árvores de Decisão. No contexto deste projeto, observa-se a oportunidade de extrair exemplos de bases de dados de cursos já executados para treinar modelos capazes de classificar comportamentos de interesse.