Submitted by Renata Lopes (renatasil82@gmail.com) on 2016-05-05T19:35:26Z No. of bitstreams: 1 rafaelferreiradealmeida.pdf: 3689825 bytes, checksum: e70e9662a5b3345b4b58149fbdba030a (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2016-06-07T15:44:15Z (GMT) No. of bitstreams: 1 rafaelferreiradealmeida.pdf: 3689825 bytes, checksum: e70e9662a5b3345b4b58149fbdba030a (MD5) / Made available in DSpace on 2016-06-07T15:44:15Z (GMT). No. of bitstreams: 1 rafaelferreiradealmeida.pdf: 3689825 bytes, checksum: e70e9662a5b3345b4b58149fbdba030a (MD5) Previous issue date: 2016-03-18 / Com a tendência de crescimento na quantidade de recursos educacionais disponíveis na Web e como os repositórios normalmente contemplam um amplo conjunto de assuntos e abordam objetivos educacionais distintos, a escolha de um recurso educacional é, ainda, um desafio. Os Sistemas de Recomendação representam uma ferramenta capaz de contribuir com a localização e seleção destes recursos. Entretanto, para que um Sistema de Recomendação consiga gerar recomendações satisfatórias, é importante identificar informações que ajudem a definir o perfil do usuário. Inúmeras informações a respeito do perfil, dos interesses, e das preferências dos usuários podem ser identificadas em decorrência das interações que ocorrem nas redes sociais. Esses usuários, muitas vezes, além de se organizarem em grupos de interesse também buscam, no tempo despendido nas redes sociais, recursos educacionais de seus interesses individuais ou coletivos. Este trabalho visa explorar as informações geradas por um grupo de usuários nas redes sociais no processo de busca e seleção de recursos educacionais de interesse comum de seus membros. São apresentados a proposta e o desenvolvimento de uma arquitetura, denominada BROAD-GRS, capaz de definir o perfil educacional de grupos de usuários da rede social Facebook e realizar recomendações de recursos educacionais ao grupo, respeitando as preferências de seus usuários membros e maximizando a satisfação geral de todos na escolha dos itens recomendados. A recomendação é baseada em três fontes de recursos educacionais: repositório de objetos de aprendizagem (BROAD), em repositórios de dados ligados (DBpedia e Open University) e em repositório de vídeo (Youtube). A avaliação da proposta foi feita a partir do desenvolvimento de um protótipo e um estudo de caso, cujos resultados apontam para a viabilidade da solução proposta. / With the growth of the amount of educational resources available on the web and as repositories usually include a wide range of subjects, including different educational goals, choosing an educational resource is still a challenge. The recommender systems represent a tool capable of contributing to the location and selection of these resources. However, to a recommender system generate satisfactory recommendations, it is important to identify information that helps to define the user’s profile. Lots of information about profile, interests and preferences of the users can be identified as a result of interactions that occur in social networks. Many times those users, besides organizing themselves into interest groups, during their time spent on social networks, seek for educational resources of their individual or collective interests. This work aims to explore the information generated by a users group on social networks in the search and selection process of educational resources, considering their members common interest. The proposal and the development of an architecture named BROAD-GRS are presented, able to set educational profile of Facebook social network users groups and make recommendations of educational resources to the group, respecting the members preferences and maximizing the general satisfaction of all users in the choice of recommended items. The recommendation is based on three sources of educational resources: repository of learning objects (BROAD), linked data repositories (DBpedia and Open University), and video repository (Youtube). The evaluation of the proposal was made with the development of a prototype and a case study and the results pointed out to the viability of the proposed solution.

Submitted by William Justo Figueiro (williamjf) on 2015-07-02T23:41:55Z No. of bitstreams: 1 19.pdf: 3284339 bytes, checksum: 699295cfa668a175206d937e3cc57d7a (MD5) / Made available in DSpace on 2015-07-02T23:41:55Z (GMT). No. of bitstreams: 1 19.pdf: 3284339 bytes, checksum: 699295cfa668a175206d937e3cc57d7a (MD5) Previous issue date: 2014-03-31 / Nenhuma / A necessidade do professor buscar e selecionar materiais educacionais adequados para sua turma é um fato comum no meio educacional. Entretanto, a grande disponibilidade de materiais, a heterogeneidade dos perfis dos alunos e a diversidade de atividades pedagógicas que podem ser realizadas, tornam esta tarefa bastante trabalhosa. Neste cenário, este trabalho apresenta um modelo de recomendação ubíqua de conteúdo educacional para grupo de aprendizes, que visa auxiliar o professor no processo de busca e seleção de materiais educacionais levando em conta os perfis dos alunos e o contexto onde eles estão inseridos. A estratégia adotada neste trabalho se diferencia dos trabalhos relacionados por efetuar a recomendação de materiais educacionais considerando de forma conjunta os perfis de um grupo de aprendizes e o contexto no qual eles se encontram. Com base em uma validação por cenários foi possível verificar a viabilidade do modelo, além de propor uma solução para o problema de pesquisa / The necessity of teachers to search and to select appropriate educational materials for their classes is a common fact in the educational environment. However, the wide availability of materials, the heterogeneity of the students’ profiles and the diversity of pedagogical activities that can be conducted, make this task laborious. In this scenario, this work presents a model for ubiquitous recommendation of educational content for groups of learners dynamically created, which aims to help teachers to search and to select educational materials taking into consideration the profile of the group and the teaching context. The strategy adopted in this work differs from related work by making the recommendation of educational content considering jointly the profiles of a group of learners and context in which they find themselves. Based on validation scenarios, it was possible to verify the feasibility of the model, and it was proposed a solution to the research problem.

Made available in DSpace on 2014-06-12T15:59:01Z (GMT). No. of bitstreams: 2 arquivo4812_1.pdf: 2843132 bytes, checksum: cf053779fad5d73c77a2b107542256b3 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2003 / Ricardo de Melo Queiroz, Sérgio; de Assis Tenório Carvalho, Francisco. Group recommendation strategies based on collaborative filtering. 2003. Dissertação (Mestrado). Programa de Pós-Graduação em Ciência da Computação, Universidade Federal de Pernambuco, Recife, 2003.

Submitted by Juliana Tregnago (julianatregnago@gmail.com) on 2018-06-18T14:56:36Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação_ilmara_Versão Final 2018 - Final.pdf: 3009131 bytes, checksum: 754000508a433f0c384e6fdbc99f7888 (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2018-06-19T13:28:31Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação_ilmara_Versão Final 2018 - Final.pdf: 3009131 bytes, checksum: 754000508a433f0c384e6fdbc99f7888 (MD5) / Made available in DSpace on 2018-06-19T13:28:32Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação_ilmara_Versão Final 2018 - Final.pdf: 3009131 bytes, checksum: 754000508a433f0c384e6fdbc99f7888 (MD5) Previous issue date: 2017-10-20 / FAPEAM - Fundação de Amparo à Pesquisa do Estado do Amazonas / Groups are a basic social structure, and as inside as outside of the academic world they form and change themselves in various ways for multiple purposes. While students form groups easily out of class, forming groups on a course can be an unnatural process. However, for collaborative learning to succeed, it is important to form groups that can be effective and efficient in accomplishing the objectives of the task. In this sense, it is sought to improve the interactions of students mainly in group activities. The group work is a resource widely used by the teacher, with the intention of encouraging students' interaction in collaborative activities. There is a lack of support for group creation in Virtual Learning Environments (VLEs). In this sense, Learning Path (LPs) can be resources to suggest groups of learners. The use of LPs is promising because it shows the paths taken by students in VLEs, which makes it possible to suggest groups based on these interactions, since to perform groups in the EAD modality is really a challenging task for the teacher. In general, in this modality, students only have 20% of face-to-face contact with each other and with the teacher, making it difficult to establish criteria for grouping. In this context, this research proposes a conceptual framework for the formation of groups in collaborative activities, through data extracted from the LPs graphs, to assist the teacher in the teaching-learning process. To verify the feasibility of the proposed conceptual framework, the M-CLUSTER tool was developed that analyzes the attributes described below and suggests the formation of groups. The mechanism emphasizes the formation of groups by applying the K-Means algorithm, which is used with three similarity metrics, which are the distances: Euclidean, Manhattan and Cosine, using attributes (vertex access, quantity, dispersion and variances of the standard edges, forward and return, and student id) obtained through the data extracted from the LPs. Meetings were held with the teachers (specialists) to validate the results. In the case study, M-CLUSTER used the attributes and classified them with K-Means, obtaining three clustering results, one for each metric. The teacher chooses among the suggestions generated and makes one available to the students so they can choose their partners within the cluster, thus forming the groups. These groups suggested by the tool were validated and visualized by the teacher, from two representations, one descriptive and one visual through bubble charts. To validate the suggested groups, two activities were carried out in the discipline, in the first activity, the students chose their group partners and in the second, the groups were formed according to the suggestions of the tool. According to the results obtained from the case study shows that the tool obtained satisfactory results where 75% of students matched or improved their individual scores in relation to those achieved in the first activity. / Grupos são estruturas sociais básicas, tanto dentro quanto fora do mundo acadêmico, eles se formam e se modificam em vários modos para múltiplos propósitos. Enquanto alunos, formar grupos fora de sala de aula aparenta ser mais fácil, por sua vez, em ambiente educativo formar grupos pode ser um processo complexo. Contudo, para que a aprendizagem colaborativa seja bem-sucedida, é importante formar grupos que possam ser efetivos e eficientes em realizar os objetivos da tarefa. Nesse sentido, busca-se melhorar as interações dos discentes principalmente em atividades em grupo. O trabalho em grupo é um recurso bastante usado pelo docente, com o intuito de incentivar a interação dos alunos nas atividades colaborativas. Há nos AVAs uma deficiência em dar suporte à criação de grupos. As Trilhas de Aprendizagem (TAs) podem ser recursos para sugerir grupos de aprendizes. O uso de TAs é promissora porque mostra os caminhos percorridos pelos alunos nos AVAs, o que possibilita sugerir grupos baseados nessas interações, pois realizar grupos na modalidade EAD é realmente uma tarefa desafiadora para o docente. No geral, nessa modalidade, os alunos só possuem 20% do contato presencial entre si e com o docente, dificultando estabelecer critérios para realizar os agrupamentos. Diante deste contexto, nesta pesquisa é proposta um framework conceitual para formação de grupos em atividades colaborativas, por meio dos dados extraídos dos grafos das TAs, para auxiliar o docente no processo de ensinoaprendizagem. Para verificar a exequibilidade do framework conceitual proposto foi desenvolvida a ferramenta M-CLUSTER que analisa os atributos descritos as seguir e sugere a formação de grupos. O mecanismo dá ênfase à formação dos grupos aplicando o algoritmo K-Means, que é utilizado com três métricas de similaridade, que são as distâncias: Euclidiana, Manhattan e Cosseno, usando os atributos (média de acesso de vértices, quantidade, dispersão e variâncias das arestas padrão, avanço e retorno e id do aluno) obtidos por meio dos dados extraídos das TAs. Foram realizadas reuniões com os docentes (especialistas) para validar os resultados. No estudo de caso, o M-CLUSTER usou os atributos e os classificou com o KMeans, obtendo três resultados de agrupamentos, um para cada métrica. O docente escolhe dentre as sugestões geradas e disponibiliza uma delas aos estudantes para eles escolherem seus parceiros dentro do cluster, assim formando os grupos. Esses grupos sugeridos pela ferramenta foram validados e visualizados pelo docente, a partir de duas representações, uma descritiva e outra visual por meio de gráficos de bolhas. Para validar os grupos sugeridos, foram realizadas duas atividades na disciplina, na primeira atividade, os estudantes escolheram seus parceiros de grupo e na segunda, os grupos foram formados de acordo com as sugestões da ferramenta. De acordo com os resultados obtidos do estudo de caso mostra que, a ferramenta obteve resultados satisfatórios onde 75% dos alunos igualaram ou melhoraram suas notas individuais em relação às alcançadas na primeira atividade.