Análise de perfis de utilização em sistemas de auto-aprendizagem

• Autor(a) principal: Gonçalves, Ana Rosa Marques
• Data de Publicação: 2016
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10773/18710
• topic: Sistema Tutor Inteligente (Programa de computador)

Um Sistema Tutor Inteligente (STI) _e um programa de computador que tem como objetivo apoiar o aluno na sua aprendizagem. A aplicação web do projeto SIACUA _e um STI desenhado para o apoio ao estudo autónomo em disciplinas de Cálculo. Neste trabalho foram adicionadas algumas funcionalidades _a aplicação web SIACUA. Das funcionalidades implementadas realçamos a possibilidade de criação de cursos sem recurso a um programador e a geração de dois tipos de relatório sobre a utilização da própria aplicação. A primeira tem como objetivo facilitar o uso da aplicação pelos professores. Quanto aos relatórios, um apresenta o número de vezes que cada tópico foi escolhido para estudo e o outro apresenta por questão, o número de vezes que foi respondida assim como as taxas de erro e acerto. Ainda no âmbito deste trabalho procurámos prever o sucesso ou insucesso de um aluno com base na sua utilização desta aplicação. Recolhemos dados para as disciplinas de Cálculo 2 e Cálculo 3. Do processamento dos dados recolhidos extraímos um conjunto de características e aplicámos algoritmos de aprendizagem não supervisionada e supervisionada. Os algoritmos treinados foram o K-Means, vizinhos mais próximos e máquina de vetores de suporte (SVM). Para os dados de Cálculo 2, o classificador SVM Linear com redução do número de características foi o que apresentou melhores resultados. Como os dados de Cálculo 3 não eram equilibrados qualquer um dos classificadores mostrou pouca capacidade de discriminação entre alunos aprovados e alunos reprovados. Assim, abordámos variantes do classificador SVM Linear para conjuntos de dados não equilibrados. Os resultados mostram a importância da utilização de técnicas especificas para dados não equilibrados.