Made available in DSpace on 2016-12-12T20:22:53Z (GMT). No. of bitstreams: 1
Jucilene Rosa Citadin.pdf: 3612746 bytes, checksum: 166b327aaf526b2c31111cff753d5b74 (MD5)
Previous issue date: 2015-08-31 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / A formação de grupos para a aprendizagem colaborativa é uma tarefa importante, pois deve permitir a efetiva interação dos membros de um grupo. No entanto, a explosão combinatória relativa ao número de estudantes torna a formação de grupos um problema de otimização combinatória, que é NP-hard, isto é, um problema que não tem solução ótima em tempo polinomial. A resolução desses problemas de complexidade não polinomial requer um grande esforço computacional e aplicação de heurísticas ou meta-heurísticas para chegar a soluções viáveis em tempos adequados. Uma meta-heurística que tem provado ser eficiente na resolução de problemas de otimização NP-hard são os algoritmos genéticos (AG). Por isso, esta pesquisa avalia a adoção de algoritmos genéticos para a formação de grupos na aprendizagem colaborativa, considerando um contexto massivo de dados (milhares de estudantes). Pesquisas bibliográficas e um mapeamento sistemático da literatura sobre formação de grupos para aprendizagem colaborativa foram realizados. Constituir grupos de forma automática, considerando a abordagem selecionada e o critério heterogêneo, utilizando como recurso algoritmos genéticos, foram os resultados apontados pelo mapeamento. Assim, esta pesquisa se propôs a gerar grupos heterogêneos de forma automática, utilizando como abordagem grupo selecionado, considerando os conhecimentos e as interações dos estudantes. Algoritmos genéticos foram utilizados para a formação dos grupos, que teve como objetivo maximizar a heterogeneidade dos conhecimentos e as interações dos estudantes no grupo, além de gerar grupos balanceados entre si (inter-homogêneos). Foram desenvolvidos dois algoritmos, um AG e um randômico como método base de comparação. Ambos foram testados considerando dados de mil até dez mil estudantes, com diferentes configurações dos conhecimentos e interações. A comparação foi feita considerando o fitness, o percentual de grupos heterogêneos e/ou balanceados gerados pelos algoritmos e o tempo de processamento gasto por grupo gerado. Os resultados apontam que AG é eficaz para a formação de grupos heterogêneos na aprendizagem colaborativa. Os resultados do AG foram mais eficientes que os resultados do algoritmo randômico, para conhecimentos heterogêneos e conhecimentos aleatórios. Para conhecimentos homogêneos o AG teve a mesma eficiência que o algoritmo randômico, porém é mais eficaz, pois gera mais grupos balanceados do que o algoritmo randômico.
| Identifer | oai:union.ndltd.org:IBICT/oai:tede.udesc.br #179.97.105.11:handle/2048 |
| Date | 31 August 2015 |
| Creators | Citadin, Jucilane Rosa |
| Contributors | Kemczinski, Avanilde |
| Publisher | Universidade do Estado de Santa Catarina, Mestrado em Computação Aplicada, UDESC, BR, Computação |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da UDESC, instname:Universidade do Estado de Santa Catarina, instacron:UDESC |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0039 seconds