Submitted by Maicon Juliano Schmidt (maicons) on 2015-06-09T17:46:58Z
No. of bitstreams: 1
Henrique Manfron Seffrin_.pdf: 4996070 bytes, checksum: facf64690edf2c78dfd329c9ec67d18c (MD5) / Made available in DSpace on 2015-06-09T17:46:58Z (GMT). No. of bitstreams: 1
Henrique Manfron Seffrin_.pdf: 4996070 bytes, checksum: facf64690edf2c78dfd329c9ec67d18c (MD5)
Previous issue date: 2015-02-20 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / CNPQ – Conselho Nacional de Desenvolvimento Científico e Tecnológico / Pesquisas têm mostrado que os alunos apresentam ganhos mais significativos de aprendizagem através do ensino individualizado, pois o professor pode se focar nas dificuldades de cada um. Por ser uma estratégia de custo elevado, os Sistemas Tutores Inteligentes (STI) oferecem uma alternativa mais viável. Esses sistemas, através de técnicas de Inteligência Artificial, são capazes de se adaptar às características de cada aluno, provendo assistência individualizada. Esta adaptação personalizada é fornecida pelo componente Modelo de Aluno, que é capaz de avaliar e mapear o conhecimento de cada estudante. Na literatura, são encontrados diversos trabalhos que lidam com a questão de avaliação de conhecimento do aluno, dentre os quais encontram-se alguns trabalhos relacionados ao domínio de álgebra. Estes trabalhos, geralmente, apresentam modelagens com redes Bayesianas, que são estruturas probabilísticas amplamente utilizadas por apresentarem resultados muito interessantes no que se refere à avaliação do conhecimento dos estudantes. No entanto, nestes trabalhos, estas estruturas relacionam apenas os conceitos algébricos, ou modelam relações entre operações algébricas, com suas principais propriedades e falsas concepções. Esses trabalhos não buscam definir as relações entre os conceitos algébricos e as respectivas operações, e como os primeiros podem estar interferindo, positivo ou negativamente, na aprendizagem dos segundos. Por exemplo, na álgebra, há conceitos chave, como incógnita e a igualdade entre os lados da equação, que interferem diretamente na compreensão de certas operações algébricas. Se um estudante não os compreende, dificilmente ele será capaz de aplicar corretamente as operações relacionadas em todas as situações. Desse modo, é desejável que os modelos de inferência sejam capazes de identificar se o estudante compreende tais conceitos. Além disso, outra limitação dos trabalhos relacionados de modelos de alunos voltados para a álgebra se refere a como eles tratam as evidências. Como estes trabalhos utilizam os itens de avaliação para isto, a cada novo exercício, é necessário inserir um novo nodo na rede, e estabelecer as relações com cada conceito abordado por este item. Isso torna o projeto da rede trabalhoso e dependente de cada exercício aplicado no STI. Nesse contexto, este trabalho propõe um modelo de aluno algébrico que além de inferir o conhecimento algébrico dos estudantes de conceitos (como incógnita, igualdades, operações inversas), habilidades (operações algébricas) e falsas concepções, busca definir as relações entre conceitos e habilidades. Como foco inicial deste trabalho serão utilizadas as equações de 1o grau. Para a inferência, será empregada a estrutura de Redes Bayesianas Dinâmicas (RBD), usando como evidência a operação aplicada pelo aluno em cada passo da resolução de uma equação. Nesta estrutura de RBD, cada time slice corresponde à resolução de um passo, o que torna o modelo proposto independente dos exercícios aplicados pelo STI. Dessa forma, o modelo de inferência proposto pode ser utilizado em qualquer equação algébrica, sem a necessidade de qualquer alteração na rede, como ocorre nos outros trabalhos relacionados. Visando verificar a capacidade de inferência desta rede, foram conduzidas avaliações. A partir dos históricos dos alunos, que utilizaram o PAT2Math, foram obtidas as evidências para a rede; e a partir dos dados dos pós-testes, realizados pelos mesmos alunos, formam obtidos os percentuais a serem comparados com a inferência da rede. Como os resultados não foram satisfatórios, empregou-se a regra do limiar, instanciando toda a variável que o ultrapassasse. Avaliada sob os limiares de 96% e 98%, a rede demostrou resultados mais precisos com o limiar de 96%, no qual as diferenças entre os resultados da rede e os percentuais dos pós-testes permaneceram, em sua maioria, em até 5%. / Students learn more through personalized instruction, because the teacher can focus on each learner. Being a impracticable strategy in terms of cost, Intelligent Tutoring Systems (ITS) offers a feasible alternative. By using Artificial Intelligence techniques, these systems are able to adapt themselves to the students, providing individualized instruction. Such adaptation is provided by the Student Model, which is able to assess and map the knowledge of each student. In the literature there are several studies that deal with knowledge evaluation in ITS, some of them are related to algebra. These studies present a Bayesian Network modeling, probabilistic structures that are widely used because of their interesting results concerning the evaluation of the student knowledge. However, in this studies, the network structure only models algebraic concepts, or only model a relationship between algebraic operations and its main properties and common misconceptions. These studies do not aim to represent the relationship between concepts and algebraic operations and how the former can be interfering, in a positive or negative way, on the learning of the second one. For example, in algebra, there are key concepts, such as the unknown and equality among sides of the equation, which directly interferes with the understanding of some algebraic operations. If a student does not understand these concepts, he would hardly be able to apply correctly the related operations in every situation. Thus, it is desirable that the inference model be able to identify if the student understands such concepts. In addition, another limitation of the related work of algebraic student models refers to how they deal with the evidence. As these studies use the assessment items for evidence, for each new exercise, it is necessary to insert a new node in the network, and establish relationships with each concept addressed by this item. This makes the network design laborious and dependent on each ITS exercise. In this context, this work proposes an algebraic student model that, in addition to infer the student knowledge of algebraic concepts (as unknown, equality, inverse operation), skills (algebraic operations) and common misconceptions, defines the relationship between concepts and skill. An initial focus of this study will be the 1st degree equations. For the inference model we use the Dynamic Bayesian Networks (DBN), in which the evidences are the operations applied by the student to solve each equation step. In this structure of DBN, each time slice corresponds to a resolution step, which makes the proposed model independent of the ITS exercises. Thus, the proposed inference model can be used in every algebraic equation, without need to make changes in the network, as occurs with other works.In order to verify the inference capacity of the network, evaluations were conducted. From the resolution history of the students, that interact with PAT2Math, the evidences for the network were obtained; and from the post-test data, solved by the same students, the percentages to compare with the results of the network were obtained. As the results aren’t very satisfactory, we applied the threshold rule, every variable that exceeded this value are instantiated. The network were evaluated under the threshold of 96% and 98%. The proposed DBN has shown more accurate inference with the 96% threshold, in which the differences between the results of the network and the percentages of the post-test remained mostly with ceiling of 5%.
Identifer | oai:union.ndltd.org:IBICT/oai:www.repositorio.jesuita.org.br:UNISINOS/3793 |
Date | 20 February 2015 |
Creators | Seffrin, Henrique Manfron |
Contributors | http://lattes.cnpq.br/5723385125570881, Maillard, Patrícia Augustin Jaques |
Publisher | Universidade do Vale do Rio dos Sinos, Programa de Pós-Graduação em Computação Aplicada, Unisinos, Brasil, Escola Politécnica |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | English |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Source | reponame:Repositório Institucional da UNISINOS, instname:Universidade do Vale do Rio dos Sinos, instacron:UNISINOS |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0019 seconds