Made available in DSpace on 2014-06-12T17:17:08Z (GMT). No. of bitstreams: 2 arquivo54_1.pdf: 1329560 bytes, checksum: 70d45e78cc18efe507fa1be83bcd6d2a (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2010 / Com o avanço das tecnologias de informação e comunicação, com a democratização do ensino superior e com a criação da Universidade Aberta do Brasil é visível o crescimento de cursos a distância nesse país. Diante das inúmeras temáticas que surgem com relação a esta modalidade, a presente pesquisa tem como finalidade refletir sobre o debate da docência na EAD online, tendo como foco as interações construídas na cadeia de docentes de uma mesma disciplina, oferecida em um curso de graduação a distância, em uma instituição pública de ensino superior no Estado de Pernambuco. Em alguns cursos online, os docentes vêm aprendendo a compartilhar sua prática, construindo estratégias para solucionar, juntos, problemas comuns. Isto faz parte do que podemos chamar de Docência Compartilhada. Em relação aos procedimentos metodológicos a presente pesquisa optou pela forma de abordagem qualitativa, utilizando o método de estudo de caso e a análise de conteúdo. A análise foi realizada através das transcrições dos encontros gravados em áudio, dos diários de bordo de observação, da entrevista e dos questionários realizados com o professor formador e com os tutores. Desta forma, estudamos o grupo de docentes em suas reuniões de acompanhamento da disciplina e avaliação dos alunos, buscando compreender como ocorreram estas ações partilhadas, nesta comunidade docente. Apresentamos aqui os resultados de nosso estudo de caso, baseado em cinco sessões destas reuniões. Nossos resultados indicaram que houve uma docência compartilhada entre os tutores virtuais e o professor formador. Entretanto, os tutores presenciais, a coordenação e a direção de curso não se integraram neste movimento cooperativo. O grupo se caracteriza como uma comunidade de prática e a forma de interação e cooperativa. Percebemos que os professores apesar de compartilharem sua prática harmonicamente apresentam dificuldades de interação com os alunos do curso. Também observamos que existiram várias temáticas abordadas nestas reuniões, mas todas elas de uma forma ou de outra foram centradas na aprendizagem dos alunos. Os docentes apresentam algumas competências e compartilharam seus saberes da prática e da formação entre seus pares. Finalmente, constatamos que os docentes discutiram as temáticas focadas nos instrumentos de avaliação da aprendizagem da plataforma virtual de ensino do curso: o questionário, o projeto e as outras atividades complementares

Surprise is an important component of serendipity. In this research, we address the problem of measuring the capacity of a recommender system at embedding surprise in its recommendations. We show that changes in surprise of an item owing to the growth in user experience, as well as to the increase in the number of items in the repository, are not taken into account by the current metrics and evaluation methods. As a result, in so far as the time elapsed between two measurements grows, they become increasingly incommensurable. This poses as an additional challenge in the assessment of the degree to which a recommender is exposed to unfavourable conditions, such as over-specialisation or filter bubble. We argue that a) surprise is a finite resource in any recommender system, b) there are limits to the amount of surprise that can be embedded in a recommendation, and c) these limits allow us to create a scale up in which two measurements that were taken at different moments can be directly compared. By adopting these ideas as premises, we applied the deductive method to define the concepts of maximum and minimum potential surprises and designed a surprise metric called \"normalised surprise\" that employs these limits. Our main contribution is an evaluation method that estimates the normalised surprise of a system. Four experiments were conducted to test the proposed metrics. The aim of the first and the second experiments was to validate the quality of the estimates of minimum and maximum potential surprise values obtained by means of a greedy algorithm. The first experiment employed a synthetic dataset to explore the limits to surprise to a user, and the second one employed the Movielens-1M to explore the limits to surprise that can be embedded in a recommendation list. The third experiment also employed the Movielens-1M dataset and was designed to investigate the effect that changes in item representation and item comparison exert on surprise. Finally, the fourth experiment compares the proposed and the current state-of-the-art evaluation method in terms of their results and execution times. The results obtained from the experiments a) confirm that the quality of the estimates of potential surprise are adequate for the purpose of evaluating normalised surprise; b) show that the item representation and comparison model that is adopted has a strong effect on surprise; and c) indicate an association between high degrees of surprise and negatively skewed pairwise distance distributions, and also indicate a significant difference in the average normalised surprise of recommendations produced by a factorisation algorithm when the surprise employs the cosine or the Euclidean distance / A surpresa é um componente importante da serendipidade. Nesta pesquisa, abordamos o problema de medir a capacidade de um sistema de recomendação de incorporar surpresa em suas recomendações. Mostramos que as mudanças na surpresa de um item, devidas ao crescimento da experiência do usuário e ao aumento do número de itens no repositório, não são consideradas pelas métricas e métodos de avaliação atuais. Como resultado, na medida em que aumenta o tempo decorrido entre duas medições, essas se tornam cada vez mais incomensuráveis. Isso se apresenta como um desafio adicional na avaliação do grau em que um sistema de recomendação está exposto a condições desfavoráveis como superespecialização ou filtro invisível. Argumentamos que a) surpresa é um recurso finito em qualquer sistema de recomendação; b) há limites para a quantidade de surpresa que pode ser incorporada em uma recomendação; e c) esses limites nos permitem criar uma escala na qual duas medições que foram tomadas em momentos diferentes podem ser comparadas diretamente. Ao adotar essas ideias como premissas, aplicamos o método dedutivo para definir os conceitos de surpresa potencial máxima e mínima e projetar uma métrica denominada \"surpresa normalizada\", que emprega esses limites. Nossa principal contribuição é um método de avaliação que estima a surpresa normalizada de um sistema. Quatro experimentos foram realizados para testar as métricas propostas. O objetivo do primeiro e do segundo experimentos foi validar a qualidade das estimativas de surpresa potencial mínima e máxima obtidas por meio de um algoritmo guloso. O primeiro experimento empregou um conjunto de dados sintético para explorar os limites de surpresa para um usuário, e o segundo empregou o Movielens-1M para explorar os limites da surpresa que pode ser incorporada em uma lista de recomendações. O terceiro experimento também empregou o conjunto de dados Movielens-1M e foi desenvolvido para investigar o efeito que mudanças na representação de itens e na comparação de itens exercem sobre a surpresa. Finalmente, o quarto experimento compara os métodos de avaliação atual e proposto em termos de seus resultados e tempos de execução. Os resultados que foram obtidos dos experimentos a) confirmam que a qualidade das estimativas de surpresa potencial são adequadas para o propósito de avaliar surpresa normalizada; b) mostram que o modelo de representação e comparação de itens adotado exerce um forte efeito sobre a surpresa; e c) apontam uma associação entre graus de surpresa elevados e distribuições assimétricas negativas de distâncias, e também apontam diferenças significativas na surpresa normalizada média de recomendações produzidas por um algoritmo de fatoração quando a surpresa emprega a distância do cosseno ou a distância Euclidiana