Com efeito, diversos estudos nas áreas de psicologia cognitiva e pedagogia apontam que cada indivíduo possui diferentes maneiras de captar, processar, analisar e organizar informações durante o processo de aprendizado, o que fundamenta o conceito de Estilos de Aprendizagem (EA). Em vista disso, diversos sistemas educacionais adaptativos foram propostos com o intuito de proporcionar conteúdo personalizado em seus cursos. Porém, em boa parte dos casos, estes sistemas fazem uso de questionários para identificar os estilos de aprendizagem, e este método pode mostrar-se inviável em algumas situações. Isso ocorre pois o preenchimento dos questionários demanda um esforço adicional por parte do aluno, além fazer uma avaliação estática dos EA, desconsiderando possíveis variações em suas preferências ao longo do tempo. Supõe-se que uma estratégia de detecção automática e dinâmica dos EA baseada no comportamento dos estudantes pode ser mais proveitosa neste sentido, pois é isenta destas limitações. Deste modo, a proposta neste trabalho é investigar diferentes técnicas relacionadas ao aprendizado de máquina (especialmente algoritmos de classificação) aplicadas à predição automática dos estilos de aprendizagem de estudantes, a partir de suas interações em um ambiente virtual de ensino. Dentre os inúmeros modelos de EA propostos na literatura, optou-se por usar o modelo de Felder-Silverman como base para os experimentos. Como estudo de caso, foram rastreadas as interações de 105 estudantes de um curso de pós-graduação em fonoaudiologia ministrado integralmente pelo sistema Moodle. Além disso, estes alunos foram solicitados a responder ao questionário ILS, o qual indica a preferência de cada indivíduo de acordo com o modelo de Felder-Silverman. Para a construção dos conjuntos de dados, foram coletadas informações como a quantidade de visitas, tempo gasto e interação dos usuários em cada tipo de recurso (recursos de vídeo, formulários de avaliação, fórum, etc.). Estes conjuntos de dados no formato atributo-valor serviram de entrada para quatro algoritmos de classificação: Naïve Bayes, aprendizado baseado em instâncias (kNN), Redes Neurais Artificiais (MultiLayer Perceptron) e Árvores de Decisão (J48), combinados com métodos de seleção de atributos e executados em validação cruzada. Para fins de experimentação, foram avaliadas as taxas de acertos e erros dos algoritmos em relação aos resultados apontados pelo questionário ILS, em cada umas das dimensões do modelo de Felder-Silverman. Os resultados apontaram para o uso de mais de um classificador - Naïve Bayes e aprendizagem baseada em instância - dependendo da dimensão do estilo de aprendizagem. A metodologia aplicada foi comparada com sete trabalhos correlatos da literatura; Os resultados demonstraram uma performance superior aos trabalhos anteriores em quase todas as dimensões. Portanto, o presente trabalho contribui para o contexto da informática aplicada à educação, especificamente no que diz respeito à implementação de sistemas educacionais adaptativos, com base em uma análise comparativa entre diferentes técnicas aplicadas ao mesmo problema. Sendo assim, as conclusões obtidas devem colaborar para o aprimoramento do processo de modelagem de estudantes. Além disso, são levantadas discussões a respeito dos resultados, que podem auxiliar na direção de futuros trabalhos da área. / In fact, several studies in the areas of cognitive psychology and pedagogy point out that each individual has different ways of capturing, processing, analyzing and organizing information during the learning process, which supports the concept of Learning Styles (LS). Therefore, several adaptive educational systems were proposed with the aim of providing personalized content in their courses. However, in most cases, these systems use questionnaires to identify learning styles, and this method may prove unfeasible in some situations. This is because filling in the questionnaires requires an additional effort on the part of the student, besides, this approach makes a static evaluation of the LS, disregarding possible variations in their preferences over time. It is assumed that an automatic and dynamic detection of LS based on student behavior may be more useful in this sense, since it is exempt from these limitations. In this way, the proposal in this work is to investigate different techniques related to machine learning (especially classification algorithms) applied to the automatic prediction of student learning styles, based on their interactions in a virtual teaching environment. Among the many LS models proposed in the literature, we chose to use the Felder-Silverman model (FSLSM). As a case study, the interactions of 105 students from a post-graduate course in speech therapy were studied. In addition, these students were asked to respond to the ILS questionnaire, which indicates the preference of each individual according to FSLSM. In order to construct the data sets, information was collected such as the number of visits, time spent and user interaction in each type of resource (video resources, evaluation forms, forum, etc.). These data sets in the attribute-value format served as input to four classification algorithms: Naïve Bayes, instance-based learning (kNN), MultiLayer Perceptron and Decision Trees (J48), combined with attribute selection methods and executed in cross-validation. For the experimentation, the accuracy and error rates of the algorithms were evaluated in relation to the results indicated by the ILS questionnaire, in each one of FSLSM dimensions. Our results pointed out to the use of more than one classifier, Naïve Bayes and Instance-based Learning, depending on the learning style dimension. We compared our methodology to seven works of the literature; the results demonstrated a performance superior to the previous works in almost every dimension. The present work contributes to the context of informatics applied to education, specifically with regard to the implementation of adaptive educational systems, based on a comparative analysis of different methods applied to the same problem. Therefore, the conclusions obtained should contribute to the improvement of the student modeling process. In addition, discussions are held regarding the results, which may assist in the direction of future work in this area.

Com efeito, diversos estudos nas áreas de psicologia cognitiva e pedagogia apontam que cada indivíduo possui diferentes maneiras de captar, processar, analisar e organizar informações durante o processo de aprendizado, o que fundamenta o conceito de Estilos de Aprendizagem (EA). Em vista disso, diversos sistemas educacionais adaptativos foram propostos com o intuito de proporcionar conteúdo personalizado em seus cursos. Porém, em boa parte dos casos, estes sistemas fazem uso de questionários para identificar os estilos de aprendizagem, e este método pode mostrar-se inviável em algumas situações. Isso ocorre pois o preenchimento dos questionários demanda um esforço adicional por parte do aluno, além fazer uma avaliação estática dos EA, desconsiderando possíveis variações em suas preferências ao longo do tempo. Supõe-se que uma estratégia de detecção automática e dinâmica dos EA baseada no comportamento dos estudantes pode ser mais proveitosa neste sentido, pois é isenta destas limitações. Deste modo, a proposta neste trabalho é investigar diferentes técnicas relacionadas ao aprendizado de máquina (especialmente algoritmos de classificação) aplicadas à predição automática dos estilos de aprendizagem de estudantes, a partir de suas interações em um ambiente virtual de ensino. Dentre os inúmeros modelos de EA propostos na literatura, optou-se por usar o modelo de Felder-Silverman como base para os experimentos. Como estudo de caso, foram rastreadas as interações de 105 estudantes de um curso de pós-graduação em fonoaudiologia ministrado integralmente pelo sistema Moodle. Além disso, estes alunos foram solicitados a responder ao questionário ILS, o qual indica a preferência de cada indivíduo de acordo com o modelo de Felder-Silverman. Para a construção dos conjuntos de dados, foram coletadas informações como a quantidade de visitas, tempo gasto e interação dos usuários em cada tipo de recurso (recursos de vídeo, formulários de avaliação, fórum, etc.). Estes conjuntos de dados no formato atributo-valor serviram de entrada para quatro algoritmos de classificação: Naïve Bayes, aprendizado baseado em instâncias (kNN), Redes Neurais Artificiais (MultiLayer Perceptron) e Árvores de Decisão (J48), combinados com métodos de seleção de atributos e executados em validação cruzada. Para fins de experimentação, foram avaliadas as taxas de acertos e erros dos algoritmos em relação aos resultados apontados pelo questionário ILS, em cada umas das dimensões do modelo de Felder-Silverman. Os resultados apontaram para o uso de mais de um classificador - Naïve Bayes e aprendizagem baseada em instância - dependendo da dimensão do estilo de aprendizagem. A metodologia aplicada foi comparada com sete trabalhos correlatos da literatura; Os resultados demonstraram uma performance superior aos trabalhos anteriores em quase todas as dimensões. Portanto, o presente trabalho contribui para o contexto da informática aplicada à educação, especificamente no que diz respeito à implementação de sistemas educacionais adaptativos, com base em uma análise comparativa entre diferentes técnicas aplicadas ao mesmo problema. Sendo assim, as conclusões obtidas devem colaborar para o aprimoramento do processo de modelagem de estudantes. Além disso, são levantadas discussões a respeito dos resultados, que podem auxiliar na direção de futuros trabalhos da área. / In fact, several studies in the areas of cognitive psychology and pedagogy point out that each individual has different ways of capturing, processing, analyzing and organizing information during the learning process, which supports the concept of Learning Styles (LS). Therefore, several adaptive educational systems were proposed with the aim of providing personalized content in their courses. However, in most cases, these systems use questionnaires to identify learning styles, and this method may prove unfeasible in some situations. This is because filling in the questionnaires requires an additional effort on the part of the student, besides, this approach makes a static evaluation of the LS, disregarding possible variations in their preferences over time. It is assumed that an automatic and dynamic detection of LS based on student behavior may be more useful in this sense, since it is exempt from these limitations. In this way, the proposal in this work is to investigate different techniques related to machine learning (especially classification algorithms) applied to the automatic prediction of student learning styles, based on their interactions in a virtual teaching environment. Among the many LS models proposed in the literature, we chose to use the Felder-Silverman model (FSLSM). As a case study, the interactions of 105 students from a post-graduate course in speech therapy were studied. In addition, these students were asked to respond to the ILS questionnaire, which indicates the preference of each individual according to FSLSM. In order to construct the data sets, information was collected such as the number of visits, time spent and user interaction in each type of resource (video resources, evaluation forms, forum, etc.). These data sets in the attribute-value format served as input to four classification algorithms: Naïve Bayes, instance-based learning (kNN), MultiLayer Perceptron and Decision Trees (J48), combined with attribute selection methods and executed in cross-validation. For the experimentation, the accuracy and error rates of the algorithms were evaluated in relation to the results indicated by the ILS questionnaire, in each one of FSLSM dimensions. Our results pointed out to the use of more than one classifier, Naïve Bayes and Instance-based Learning, depending on the learning style dimension. We compared our methodology to seven works of the literature; the results demonstrated a performance superior to the previous works in almost every dimension. The present work contributes to the context of informatics applied to education, specifically with regard to the implementation of adaptive educational systems, based on a comparative analysis of different methods applied to the same problem. Therefore, the conclusions obtained should contribute to the improvement of the student modeling process. In addition, discussions are held regarding the results, which may assist in the direction of future work in this area.

[pt] O presente trabalho teve como objetivo analisar a percepção dos alunos dos cursos de Administração, de cinco Universidades particulares de ensino superior do estado do Rio de Janeiro, acerca do investimento destas universidades nas tendências acadêmicas apontadas para os próximos anos, de acordo com o relatório anual de 2017, da New Media Consortium em parceria com a EDUCAUSE Learning Initiative, a saber: i) tecnologias de aprendizagem adaptativa; ii) Mobile Learning; iii) Internet das Coisas e iv) ambiente de aprendizagem virtual. Na análise dos dados, cada tendência foi dividida em duas sub-tendências. Este trabalho teve como objetivo secundário, avaliar o quanto estas tendências são consideradas importantes para seu principal público-alvo. Sendo assim, pudemos concluir que na percepção de tal público, as IES pesquisadas (PUC, UFRJ, UVA, UCAM e UNESA) têm investido pouco nestas novas tendências acadêmicas, sendo a PUC a que mais investe nas quatro tendências citadas acima. Apenas uma sub-tendência dentro de tecnologias de aprendizagem adaptativa e outra dentro de ambiente de aprendizagem virtual ficaram com percepção média acima de razoável, no quesito investimento, ambas associadas à PUC. No entanto, os alunos da PUC foram os que avaliaram a grande maioria das tendências como de menor importância quando comparados aos alunos das outras IES. Apesar disto, a média de avaliação de importância das tendências foi de razoável a muito importante. Enfatiza-se que novas pesquisas sejam feitas constantemente, visto que novas tecnologias de aprendizagem, que substituem as anteriores, estão surgindo com frequência. / [en] The present study had as a primary objective analyze the perception of students from business courses of 5 private universities of higher education in the state of Rio de Janeiro, about the investment of these universities in the academic trends pointed out for the next years, based on the annual report of the New Media Consortium in partnership with the EDUCAUSE Learning Initiative. These trends are: i) adaptive learning technologies; ii) mobile learning; iii) internet of things and iv) virtual learning environment. In the data analysis, each trend was divided into two sub-trends. As a secondary objective, this study aims to evaluate how much these trends are considered important for its main target audience. Thus, we could conclude that in the perception of such public, the universities surveyed (PUC, UFRJ, UVA, UCAM and UNESA) have invested little in these new academic trends, with PUC being the one investing most in the four trends mentioned above. Only one sub-trend within adaptive learning technologies and another within virtual learning environment were perceived to be above average as reasonable in terms of investment, both associated with PUC. However, PUC students were those who evaluated the great majority of trends as less important when compared to the students of other universities. Despite this, the average valuation of trends importance was from reasonable to very important. It is emphasized that new research needs constantly being done, as new learning technologies, which replace the previous ones, are emerging frequently.

[pt] No contexto de uma sociedade digital emergem abordagens educativas mediadas pelas tecnologias digitais que visam respeitar o tempo, o ritmo e a forma de aprendizagem de cada aluno individualmente. As principais ideias embutidas na lógica das aprendizagens híbrida e adaptativa – autonomia, protagonismo do aluno, personalização do ensino, acompanhamento e avaliação contínua da aprendizagem – não são novas e também estão presentes na educação tradicional exclusivamente presencial. A principal diferença reside no fato de reconhecer na tecnologia o potencial de expansão das formas e lugares de aprendizagem dos alunos, oportunizando uma via paralela e integradora, não substitutiva e nem tampouco de caráter simplesmente complementar ao ensino presencial, para alcance dos objetivos de aprendizagem. O objetivo geral desta investigação é apresentar a concepção, operacionalização e implicações de duas abordagens educativas mediadas pelas tecnologias digitais, a aprendizagem híbrida e a aprendizagem adaptativa. A tese foi estruturada no formato multipaper contendo três estudos independentes que resguardam unidade temática e alinhamento teórico, mantendo assim uma inter-relação. A adoção de um modelo alternativo para a escrita da tese de doutorado responde a demanda do objeto de investigação, que é plural, de caráter difuso e multifacetado. O primeiro estudo, uma revisão sistemática da literatura a partir da produção acadêmica na área de Informática na Educação, buscou identificar as concepções e características de modelos híbridos e adaptativos que objetivam a personalização da aprendizagem. O segundo estudo é o relato de uma experiência de formação online destinada a professores que procurou explorar os conceitos de aprendizagem híbrida e adaptativa, assim como mobilizar mecanismos para sua operacionalização. O terceiro estudo pretendeu verificar, a partir da percepção de professores das licenciaturas e da análise dos currículos de seus cursos, se a formação inicial de professores está alinhada às abordagens educativas emergentes supracitadas, assim como seu entrelaçamento com as políticas públicas educacionais, específicas e complementares, que visam a promoção da incorporação das tecnologias digitais à educação. Compõe também este trabalho uma introdução, onde é apresentado o enquadramento teórico-conceitual transversal aos três estudos, assim como uma síntese conclusiva, onde se apresenta uma discussão integrada dos resultados. Os resultados da pesquisa mostram a necessidade de maior interlocução entre os profissionais das áreas de Informática e Educação no desenvolvimento de ambientes e sistemas que suportem a aprendizagem híbrida e adaptativa, o que implica na realização de mais pesquisas de caráter experimental e, principalmente, na reconfiguração da formação docente, inicial e continuada, no sentido de preparar efetivamente os professores para exercerem seu papel, que já não é mais de transmissores do conhecimento, mas de mediadores no processo de aprendizagem, ressignificando seu modus operandi com base em uma tríade de princípios norteadores: design, curadoria, e orientação. / [en] In the digital society emerge educational approaches mediated by digital technologies that aim to respect the time, pace and form of learning of each student individually. The main ideas embedded in the logic of blended and adaptive learning - autonomy, student protagonism, customization, monitoring and continuous evaluation of learning - are not new and are also present in traditional classroom-based education. The main difference lies in the fact of recognizing in technology the potential of expanding the forms and places of learning, providing a parallel and integrative way, not substitutive and not simply complementary to face-to-face teaching, in order to achieve learning objectives. The general objective of this research is to present the conception, operationalization and implications of two educational approaches mediated by digital technologies, blended learning and adaptive learning. The thesis was structured in the multipaper format containing three independent studies that safeguard thematic unit and theoretical alignment, thus maintaining an interrelation. The adoption of an alternative model for writing the thesis responds to the demand for the research object, which is plural, diffuse and multifaceted. The first study, a systematic survey of the literature from the academic production in the area of Informatics in Education, sought to identify the conceptions and characteristics of hybrid and adaptive models that aim at personalization of learning. The second study is the report of an online training experience for teachers that sought to explore the concepts of blended and adaptive learning, as well as to mobilize mechanisms for its operationalization. The third study aimed to verify, from the teachers perception of the degree programs and the curriculum analysis of their courses, if the initial teacher training is in line with the emerging educational approaches mentioned above, as well as their intertwining with specific and complementary public educational policies, which aim to promote the incorporation of digital technologies into education. This work has also an introduction, where the theoretical and conceptual framework of the three studies is presented, as well as a conclusive synthesis, presenting an integrated discussion of the results. The research results show the need for greater interaction between professionals in the areas of Informatics and Education in the development of environments and systems that support personalized learning, which implies in the accomplishment of more experimental research and, mainly, in the reconfiguration of the teacher training in order to effectively prepare teachers to play their role, which is no longer a transmitter of knowledge but a mediator in the learning process, re-signifying its modus operandi based on the principles of curatorship, design and orientation.