Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/21534
Document type: Dissertação
Access type: Acesso Aberto
Title: Uma Abordagem para Análise Automática de Repositórios de Objetos de Aprendizagem Através de Técnicas de Aprendizagem de Máquina para Apoio a Recomendação Personalizada de Conteúdo em Sistemas Adaptativos e Inteligentes para Educação
Alternate title (s): An Approach to Automatic Analysis of Learning Object Repositories through Machine Learning Techniques to Support Personalized Recommendation of Content in Adaptive and Intelligent Systems for Education
Author: Miranda Mendes, Miller
First Advisor: Dorça, Fabiano Azevedo
First member of the Committee: Lopes, Carlos Roberto
Second member of the Committee: Andrade, Alessandro Vivas
Summary: A quantidade de conteúdo educacional digital que é criado continuamente faz com que os repositórios de materiais educacionais fiquem cada vez maiores e a busca por conteúdos específicos e direcionados aumente. Dessa forma, foi realizado um estudo com base nos objetos de aprendizagem gerados em um repositório. Foi aplicado o padrão IEEE LOM para gerar grupos de objetos de aprendizagem que possam ser utilizados para um determinado perfil de estudante. Logo, tem-se uma necessidade que estes objetos estejam organizados para que sua recomendação seja mais eficiente. Sendo assim, este trabalho apresenta uma proposta que faz uso de técnicas de clusterização para agrupar conteúdos educacionais em repositórios com base em estilos de aprendizagem do estudante. Inicialmente, foi realizada uma analise comparativa entre algoritmos de agrupamentos com dados fictícios no qual foram obtidos bons resultados. Com base nestes resultados, foi discutido e implementado um estudo de caso recorrendo a dados reais de estudantes em um sistema educacional.
Abstract: The amount of digital educational content that is continually created makes the repositories of educational materials increasingly large and the search for specific and targeted content is increasing. Thus, a study was carried out based on learning objects generated in a repository. The IEEE LOM standard was used to generate groups of learning objects that could be used for a given student profile. It is a necessity that these objects be organized so that their recommendation is more efficient. Thus, this paper presents a proposal that uses clustering techniques to group educational content into repositories based on student learning styles. Initially a comparative analysis was performed between grouping algorithms with dummy data in which good results were obtained. Based on these results, a case study using real data from students in an educational system was discussed and implemented.
Keywords: Objetos de aprendizagem
Aprendizado de máquina
Learning objects
Estilos de aprendizagem
Learning styles
Felder e Silverman
Adaptive educational systems
Clustering
Learning environment
Lom field
Sistemas educacionais adaptativos,
Ambiente de aprendizagem
Atributos LOM
Computação
Ensino auxiliado por computador
Aprendizado do computador
Agrupamento
Area (s) of CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA
Language: por
Country: Brasil
Publisher: Universidade Federal de Uberlândia
Program: Programa de Pós-graduação em Ciência da Computação
Quote: MENDES, Miller Miranda. Uma Abordagem para Análise Automática de Repositórios de Objetos de Aprendizagem Através de Técnicas de Aprendizagem de Máquina para Apoio a Recomendação Personalizada de Conteúdo em Sistemas Adaptativos e Inteligentes para Educação. 2018. 71 f. Dissertação (Mestrado em Computação) - Universidade Federal de Uberlândia, Uberlândia, 2018. Disponível em: http://dx.doi.org/10.14393/ufu.di.2018.233
Document identifier: http://dx.doi.org/10.14393/ufu.di.2018.233
URI: https://repositorio.ufu.br/handle/123456789/21534
Date of defense: 16-Feb-2018
Appears in Collections:DISSERTAÇÃO - Ciência da Computação

Files in This Item:
File Description SizeFormat 
AbordagemAnáliseAutomática.pdfDissertação ou Tese8.53 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.