Linha de pesquisa: Inteligência Artificial

Resumo: Este estudo partiu do interesse em avaliar o estudante de Ensino à Distância como um sujeito complexo, visando desenvolver um método de recomendação no Moodle alinhado a essa perspectiva. Em um contexto marcado por rápidas evoluções tecnológicas e novas modalidades de ensino, torna-se evidente que o ensino tradicional enfrenta desafios para atender às demandas contemporâneas de forma personalizada e eficaz, visando o desenvolvimento de comptências relevantes para a atualidade. Nesse sentido, recorremos à teoria do pensamento complexo de Morin como um arcabouço teórico essencial para compreender o processo de ensino e aprendizagem na EaD, considerando não apenas os aspectos individuais do docente e do discente, mas também o contexto educacional. Para tal pesquisa, foi necessário valer-se da teoria supracitada, considerando principalmente a caracterização do sujeito complexo definido por Morin, alinhando esta às metodologias de ensino e às atividades do Moodle que pudessem ser utilizadas para identificar o perfil discente. A metodologia adotada neste estudo é predominantemente experimental, focada na avaliação da eficácia de algoritmos de Machine Learning na implementação de um método de recomendação de atividades para ambientes educacionais. No entanto, é importante destacar que o processo inicial envolveu uma abordagem quáli-quantitativa, incluindo a rotulação qualitativa das atividades do Moodle com base nas comptências do sujeito complexo, seguida pela validação dessa rotulação por meio de técnicas de clusterização aplicadas a rótulos fornecidos por educadores. A partir das atividades rotuladas, foi desenvolvido um modelo de rastreamento de comptência para prever o desempenho dos estudantes em diferentes tipos de atividades educacionais, permitindo recomendações personalizadas para cada estudante visando maximizar o engajamento e o desempenho acadêmico. Além disso, técnicas de correlação e análise de dados foram exploradas para identificar padrões de comportamento dos estudantes e verificar a eficácia das recomendações geradas pelos modelos de aprendizado de máquina. Espera-se que os resultados obtidos evidenciem melhorias significativas no desempenho acadêmico dos estudantes, validando as estratégias propostas. Esses achados têm implicações importantes para o projeto e implementação de sistemas de educação online mais personalizados e eficientes.

Link para a defesa: https://conferenciaweb.rnp.br/conference/rooms/marcia-aparecida-fernande...