Uma Revisão das Diferentes Abordagens Computacionais para Detecção de Estilos de Aprendizagem de Estudantes em Sistemas para Educação a Distância
Autor(a) principal: | |
---|---|
Data de Publicação: | 2020 |
Outros Autores: | , |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | Informática na Educação: teoria & prática |
Texto Completo: | https://seer.ufrgs.br/index.php/InfEducTeoriaPratica/article/view/97483 |
Resumo: | Com a evolução da Educação a Distância nos últimos anos, muito se tem estudado sobre a importância de se considerar estilos de aprendizagem no processo de ensino a distância. No entanto, a identificação dos estilos de aprendizagem de um estudante em um ambiente EaD não é uma tarefa trivial. Este artigo busca realizar uma revisão sobre as diferentes abordagens computacionais para detecção de estilos de aprendizagem presentes na literatura. As abordagens computacionais aqui apresentadas são baseadas em técnicas da Inteligência Artificial capazes de realizar a detecção dos estilos de aprendizagem de forma automática a partir do comportamento do aluno em um ambiente virtual de aprendizagem. No total, foram selecionados 26 artigos, dos quais pode-se analisar 15 abordagens diferentes para detecção de estilos de aprendizagem. Dentre as abordagens, a mais utilizada nos trabalhos selecionados foram as Redes Bayesianas. Além disso, percebeu-se que as pesquisas relacionadas a detecção automática de estilos de aprendizagem, mesmo após as críticas recentes a teoria, continuam sendo desenvolvidas e aperfeiçoadas. |
id |
UFRGS-7_148ba95ddc76816973e268bcd8dc18a3 |
---|---|
oai_identifier_str |
oai:seer.ufrgs.br:article/97483 |
network_acronym_str |
UFRGS-7 |
network_name_str |
Informática na Educação: teoria & prática |
repository_id_str |
|
spelling |
Uma Revisão das Diferentes Abordagens Computacionais para Detecção de Estilos de Aprendizagem de Estudantes em Sistemas para Educação a DistânciaEstilos de AprendizagemEducação a DistânciaInteligência ArtificialCom a evolução da Educação a Distância nos últimos anos, muito se tem estudado sobre a importância de se considerar estilos de aprendizagem no processo de ensino a distância. No entanto, a identificação dos estilos de aprendizagem de um estudante em um ambiente EaD não é uma tarefa trivial. Este artigo busca realizar uma revisão sobre as diferentes abordagens computacionais para detecção de estilos de aprendizagem presentes na literatura. As abordagens computacionais aqui apresentadas são baseadas em técnicas da Inteligência Artificial capazes de realizar a detecção dos estilos de aprendizagem de forma automática a partir do comportamento do aluno em um ambiente virtual de aprendizagem. No total, foram selecionados 26 artigos, dos quais pode-se analisar 15 abordagens diferentes para detecção de estilos de aprendizagem. Dentre as abordagens, a mais utilizada nos trabalhos selecionados foram as Redes Bayesianas. Além disso, percebeu-se que as pesquisas relacionadas a detecção automática de estilos de aprendizagem, mesmo após as críticas recentes a teoria, continuam sendo desenvolvidas e aperfeiçoadas.Universidade Federal do Rio Grande do Sul2020-05-25info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfhttps://seer.ufrgs.br/index.php/InfEducTeoriaPratica/article/view/9748310.22456/1982-1654.97483Computers in education: theory & practice; Vol. 23 No. 1 Jan/Abr (2020): Aprendizagem Ativa, Práticas Pedagógicas, Jogos SériosInformática na educação: teoria & prática; v. 23 n. 1 Jan/Abr (2020): Aprendizagem Ativa, Práticas Pedagógicas, Jogos Sérios1982-16541516-084Xreponame:Informática na Educação: teoria & práticainstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSporhttps://seer.ufrgs.br/index.php/InfEducTeoriaPratica/article/view/97483/57086Copyright (c) 2020 Informática na educação: teoria & práticainfo:eu-repo/semantics/openAccessAlmeida, Arthur Machado França deAssis, Luciana Pereira deAndrade, Alessandro Vivas2021-03-14T20:39:20Zoai:seer.ufrgs.br:article/97483Revistahttps://seer.ufrgs.br/InfEducTeoriaPraticaPUBhttps://seer.ufrgs.br/InfEducTeoriaPratica/oai||revista@pgie.ufrgs.br1982-16541516-084Xopendoar:2021-03-14T20:39:20Informática na Educação: teoria & prática - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.none.fl_str_mv |
Uma Revisão das Diferentes Abordagens Computacionais para Detecção de Estilos de Aprendizagem de Estudantes em Sistemas para Educação a Distância |
title |
Uma Revisão das Diferentes Abordagens Computacionais para Detecção de Estilos de Aprendizagem de Estudantes em Sistemas para Educação a Distância |
spellingShingle |
Uma Revisão das Diferentes Abordagens Computacionais para Detecção de Estilos de Aprendizagem de Estudantes em Sistemas para Educação a Distância Almeida, Arthur Machado França de Estilos de Aprendizagem Educação a Distância Inteligência Artificial |
title_short |
Uma Revisão das Diferentes Abordagens Computacionais para Detecção de Estilos de Aprendizagem de Estudantes em Sistemas para Educação a Distância |
title_full |
Uma Revisão das Diferentes Abordagens Computacionais para Detecção de Estilos de Aprendizagem de Estudantes em Sistemas para Educação a Distância |
title_fullStr |
Uma Revisão das Diferentes Abordagens Computacionais para Detecção de Estilos de Aprendizagem de Estudantes em Sistemas para Educação a Distância |
title_full_unstemmed |
Uma Revisão das Diferentes Abordagens Computacionais para Detecção de Estilos de Aprendizagem de Estudantes em Sistemas para Educação a Distância |
title_sort |
Uma Revisão das Diferentes Abordagens Computacionais para Detecção de Estilos de Aprendizagem de Estudantes em Sistemas para Educação a Distância |
author |
Almeida, Arthur Machado França de |
author_facet |
Almeida, Arthur Machado França de Assis, Luciana Pereira de Andrade, Alessandro Vivas |
author_role |
author |
author2 |
Assis, Luciana Pereira de Andrade, Alessandro Vivas |
author2_role |
author author |
dc.contributor.author.fl_str_mv |
Almeida, Arthur Machado França de Assis, Luciana Pereira de Andrade, Alessandro Vivas |
dc.subject.por.fl_str_mv |
Estilos de Aprendizagem Educação a Distância Inteligência Artificial |
topic |
Estilos de Aprendizagem Educação a Distância Inteligência Artificial |
description |
Com a evolução da Educação a Distância nos últimos anos, muito se tem estudado sobre a importância de se considerar estilos de aprendizagem no processo de ensino a distância. No entanto, a identificação dos estilos de aprendizagem de um estudante em um ambiente EaD não é uma tarefa trivial. Este artigo busca realizar uma revisão sobre as diferentes abordagens computacionais para detecção de estilos de aprendizagem presentes na literatura. As abordagens computacionais aqui apresentadas são baseadas em técnicas da Inteligência Artificial capazes de realizar a detecção dos estilos de aprendizagem de forma automática a partir do comportamento do aluno em um ambiente virtual de aprendizagem. No total, foram selecionados 26 artigos, dos quais pode-se analisar 15 abordagens diferentes para detecção de estilos de aprendizagem. Dentre as abordagens, a mais utilizada nos trabalhos selecionados foram as Redes Bayesianas. Além disso, percebeu-se que as pesquisas relacionadas a detecção automática de estilos de aprendizagem, mesmo após as críticas recentes a teoria, continuam sendo desenvolvidas e aperfeiçoadas. |
publishDate |
2020 |
dc.date.none.fl_str_mv |
2020-05-25 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://seer.ufrgs.br/index.php/InfEducTeoriaPratica/article/view/97483 10.22456/1982-1654.97483 |
url |
https://seer.ufrgs.br/index.php/InfEducTeoriaPratica/article/view/97483 |
identifier_str_mv |
10.22456/1982-1654.97483 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
https://seer.ufrgs.br/index.php/InfEducTeoriaPratica/article/view/97483/57086 |
dc.rights.driver.fl_str_mv |
Copyright (c) 2020 Informática na educação: teoria & prática info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Copyright (c) 2020 Informática na educação: teoria & prática |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Sul |
publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Sul |
dc.source.none.fl_str_mv |
Computers in education: theory & practice; Vol. 23 No. 1 Jan/Abr (2020): Aprendizagem Ativa, Práticas Pedagógicas, Jogos Sérios Informática na educação: teoria & prática; v. 23 n. 1 Jan/Abr (2020): Aprendizagem Ativa, Práticas Pedagógicas, Jogos Sérios 1982-1654 1516-084X reponame:Informática na Educação: teoria & prática instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Informática na Educação: teoria & prática |
collection |
Informática na Educação: teoria & prática |
repository.name.fl_str_mv |
Informática na Educação: teoria & prática - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
||revista@pgie.ufrgs.br |
_version_ |
1799766184156987392 |