Modelo de recomendação pedagógica para ambientes massivos baseado em métricas de jogos

Abstract

O objetivo deste trabalho é criar um modelo de recomendação pedagógica para ambientes massivos. O sistema deve perceber as necessidades educacionais do estudante e recomendar objetos que melhor lhe atendam. A personalização em ambientes educacionais demanda modelos próprios. Um fator importante na mediação é apresentar objetos de aprendizagem que catalizem o aprendizado respeitando as necessidades educacionais do estudante. Neste trabalho apresentamos um modelo de mediação amparado em um modelo pedagógico cognitivo. A ideia central do modelo é recomendar um objeto que desafie o estudante de modo adequado, sem que ele se entedie com problemas semelhantes nem se desmotive ao se deparar com problemas além de sua capacidade. Integramos os modelos de aprendizagem de Piaget com as técnicas aplicadas em jogos. Na teoria de Piaget, a aprendizagem é um processo de adaptação por meio da interação do sujeito com o meio (objeto). Quando desafiado de forma que haja um balanceamento entre a assimilação e a acomodação de esquemas, o sujeito entra em conflito cognitivo, se manter intrinsecamente motivado no aprender e tem as melhores condições para aprendizagem. Dessa forma, a mediação como catalizador do processo de aprendizagem é a tarefa de oferecer ao estudante objetos que potencializem seu aprendizado. A recomendação pode estar presente em sistemas massivos como mediador no processo de aprendizagem, ao sugerir ao estudante os objetos de aprendizagem que potencializem seu aprendizado. Como indicador do potencial de desequilíbrio do sujeito, utilizamos métricas de rating aplicadas em jogos. A ideia original do modelo é calcular a expectativa de vitória de um jogador em relação ao outro. Acreditamos que podemos adaptar esta métrica para que ao invés de calcular a expectativa de vitória, calcularmos a expectativa de acerto. Há uma faixa de expectativa que indica um balanceamento entre assimilação e acomodação, logo, própria para o conflito cognitivo. Utilizamos as interações presentes no URI Online Judge e desenvolvemos um sistema de recomendação como formas de aplicar nosso modelo e assim avaliá-lo em experimentos. Os resultados indicam que a recomendação pode ser aplicada na personalização em ambientes massivos.

The objective of this work is to create a model to personalize the teaching process in massive environments. The system must percieve the student’s educational needs and recommend the learning objects that best match their needs. Personalization in educational environments requires its own models. An important factor in mediation is to present learning objects that catalyze learning while respecting the educational needs of the student. In this work we present a mediation model based on a cognitive pedagogical model. The main idea of the model is to recommend an object that challenges the student, without being bored with similar problems or being discouraged when faced with problems beyond his capacity. We integrate Piaget’s learning models with the techniques applied in games. In Piaget’s theory, learning is a process of adaptation through the interaction of the subject with the object. When challenged in such a way that there is a balance between the assimilation and accommodation of schemes, the student goes into cognitive conflict and in addition to remaining intrinsically motivated in learning, he has the best conditions for this to occur. Thus, mediation as a catalyst for the learning process is the task of offering students objects that enhance their learning. The recommendation may be present in systems as a mediator in the learning process, in the sense that it can suggest to the student the learning objects that enhance their learning and avoiding objects that do not enhance learning. As an indicator of the student’s potential for imbalance, we use rating metrics applied in games. The original idea of the model is to calculate the expectation of victory of one player against the other. We believe that we can adapt this metric to instead of calculate the expectation of victory, calculate the expectation of success. There is a range of expectations that indicates a balance between assimilation and accommodation, that is, suitable for cognitive conflict. We use the interactions present in the URI Online Judge and develop a recommendation system as ways to apply our model and thus evaluate it in experiments. The results indicate that the recommendation can be applied to personalization in massive environments.