Utilização de Modelos Ocultos de Markov e Aprendizagem por Reforço para detecção de estilos de aprendizagem de estudantes em Sistemas de Gestão de Aprendizagem

Abstract

Um dos maiores desafios na área da Educação à Distância é fornecer soluções tecnológicas que atendam aos estudantes de forma diferenciada. Os Ambientes Virtuais de Aprendizagem, embora auxiliem os professores e estudantes na realização dos cursos, não consideram as diferenças individuais de cada discente. Pesquisas apontam que considerar as diferenças dos estudantes, por intermédio dos Estilos de Aprendizagem, impacta positivamente no rendimento dos alunos ao longo do curso. Diante desse cenário, a identificação automática de Estilos de Aprendizagem dos estudantes nos Sistemas de Gestão de Aprendizagem é um importante tópico nas pesquisas da área de Tecnologia aplicada à Educação. O presente trabalho apresenta uma abordagem para identificação automática dos Estilos de Aprendizagem dos estudantes em Sistemas de Gestão de Aprendizagem. A abordagem proposta utiliza Modelos Ocultos de Markov para modelar os Estilos de Aprendizagem, o Algoritmo de Viterbi para inferi-los, e uma abordagem de Aprendizagem por Reforço para correção da detecção automática dos Estilos de Aprendizagem. Os resultados apontam uma taxa média de 91% de inferências corretas, demonstrando ser uma abordagem eficaz e promissora para a utilização em Sistemas de Gestão de Aprendizagem.