Aplicação do NSGA-II em uma abordagem multiobjetivo na recomendação de objetos de aprendizagem em ambientes inteligentes para educação

Abstract

Existem grandes repositórios de conteúdos na Internet que podem ser utilizados como fonte de recursos para promoção do e-learning. Porém, o volume de materiais disponíveis é muito grande. Para lidar com essa quantidade de itens, são utilizados os Sistemas de Recomendação, que selecionam os materiais mais adequados aos objetivos do estudante. Nesse contexto, o presente trabalho propõe uma abordagem multiobjetivo do problema de recomendação de Objetos de Aprendizagem (OAs) para atender a uma demanda de ensino, desde uma pequena seção de aprendizagem até um curso completo. Na abordagem proposta, uma solução não necessariamente cobre todos os conceitos estabelecidos pelo design instrucional. Na verdade, buscam-se soluções que tenham o menor custo e a maior quantidade de conceitos cobertos. O custo de cada OA é diferente para cada aluno, determinado a partir do seu estilo de aprendizagem e de avaliações feitas por outros estudantes com perfil semelhante daquele aluno. Todavia, existem dependências entre alguns conceitos estabelecidas pelo design instrucional que cada solução deve respeitar. A partir do conjunto de soluções geradas, o estudante escolhe aquela que melhor atende as suas expectativas. Para se obter soluções foi utilizado o algoritmo NSGA II no framework MOEA, testado em uma instância de problema gerada artificialmente. Foram criados dois métodos de inicialização da população, que determina para cada indivíduo valores aleatórios de cobertura e seleciona Objetos de Aprendizagem também de forma randômica. Os resultados obtidos foram conjuntos de até 19 soluções para instâncias com 200 conceitos e 10 dependências entre conceitos, bem como de até 6 soluções para instância com 20 conceitos e 2 dependências. Para cursos com 20 dependências, a quantidade de soluções obtidas foi menor, no máximo 10. Mostra-se importante a avaliação de outros algoritmos além do NSGA-II, bem como a necessidade de aprimoramento do algoritmo de geração da população inicial para obter mais soluções inicialmente viáveis. Um possÍvel trabalho futuro é aplicar o problema em repositórios reais, no qual o custo de cada OA é obtido a partir de seus próprios atributos.