Linha de pesquisa: Inteligência Artificial

Resumo: O avanço das tecnologias digitais transformou os processos de ensino e aprendizagem, tornando os Ambientes Virtuais de Aprendizagem e os Ambientes Inteligentes de Aprendizagem espaços centrais para a investigação do comportamento estudantil. Esses ambientes geram grandes volumes de dados de interação que permitem compreender como os estudantes planejam, monitoram e avaliam suas estratégias de estudo, dimensões fundamentais da aprendizagem autorregulada. No entanto, transformar esses registros em indicadores válidos e pedagogicamente significativos ainda representa um desafio. Esta tese propõe e valida o Framework EDM, um modelo metodológico fundamentado em mineração de dados educacionais, desenvolvido para identificar e analisar comportamentos de aprendizagem autorregulada a partir de dados interacionais. O framework organiza de forma sistemática as etapas de coleta, pré-processamento, mineração e interpretação dos dados, integrando fundamentos da psicologia educacional, especialmente o modelo de Zimmerman, e técnicas de agrupamento não supervisionadas. A pesquisa foi conduzida em quatro estudos de caso articulados, que evoluíram da prova de conceito à aplicação prática em um curso real de “Introdução à Linguagem Python”, envolvendo a triangulação de dados quantitativos, como logs e questionários, e qualitativos, como entrevistas em grupo focal. Os resultados confirmaram que é possível detectar evidências de autorregulação a partir dos dados de interação, demonstrando a eficácia dos algoritmos de agrupamento na formação de perfis coerentes com as dimensões teóricas da aprendizagem autorregulada. A tese avança o estado da arte ao oferecer um processo metodológico que une rigor técnico e coerência teórica, contribuindo para o desenvolvimento de sistemas educacionais mais adaptativos e personalizados, sensíveis às estratégias autorregulatórias dos estudantes.

Link para a defesa: https://teams.microsoft.com/l/meetup-join/19%3ameeting_ZGJhYjBjMmEtOGNkN...