Elaboração e aplicação de sistemas de recomendação para a personalização do Ensino: uma revisão sistemática

Autores

DOI:

https://doi.org/10.52641/cadcajv9i5.577

Palavras-chave:

Personalização do Ensino, Moodle, Sistema de Recomendação

Resumo

Este artigo é uma revisão sistemática da literatura sobre a aplicação da personalização do ensino como uma solução à crise educacional atual, destacando a formação integral do aluno como ferramenta crucial para o aprendizado efetivo, em contraponto ao ensino massivo, fragmentado e alienante. A metodologia utilizada foi a revisão sistemática da literatura que permitiu agrupar e avaliar as evidências empíricas de um determinado campo de estudo a partir da análise das pesquisas relevantes disponíveis no assunto de interesse, obtendo-se assim conclusões sobre as questões de pesquisa definidas. Foram selecionados 21 estudos que abordam a personalização do ensino, com destaque para a filtragem colaborativa e filtragem de conteúdo, além de ontologias, como técnicas mais utilizadas e a arquitetura dos sistemas de recomendação de conteúdo. A conclusão aponta para a necessidade de acrescentar métricas para avaliar as melhorias na aprendizagem dos usuários e explorar outras técnicas para aprimorar a aprendizagem, como o uso de algoritmos genéticos e algoritmos de colônias de abelhas.

Biografia do Autor

Emanoel Carvalho Lopes, Universidade Federal do Ceará

Mestrando no Programa de Pós-Graduação em Tecnologia Educacional na UFC (2023), graduado em Análise e Desenvolvimento de Sistemas pela Estácio (2015), especialista em Administração e Segurança de Sistemas Computacionais pela Estácio (2011). Professor do Curso Técnico Profissionalizante em Informática pelo CENTEC/SEDUC (2011-2013). Professor de Química na Escola Estadual Joaquim Nogueira (2008-2009). Licenciado em Química pela Universidade Estadual do Ceará (2008). Servidor público na UFC no cargo de Técnico de Laboratório de Informática desde 2014. Linha de pesquisa: Informática Educacional. E-mail: [email protected]

Ingryd Hemilly de Alencar Lima, Universidade Federal do Ceará

Graduada em enfermagem pelo Centro Universitário Fametro UNIFAMETRO em 2021.2, atuando desde (2022.1 Atual) como Enfermeira da Estratégia de Saúde da Família (ESF) em uma Unidade de Atenção Primária à Saúde (UAPS) no município de Fortaleza CE. Além de atuar como preceptora de estágio de instituições de ensino superior desde (2022.2 Atual). Mestranda em Tecnologia Educacional pela Universidade Federal do Ceará (2023.2). E-mail: [email protected]

Edgar Marçal, Universidade Federal do Ceará

Atualmente é vice-coordenador do Mestrado Profissional em Tecnologia Educacional da UFC. Professor da Universidade Federal do Ceará desde 2009, possui Graduação (1997), Mestrado (2005) e Doutorado (2016) em Ciência da Computação pela UFC. Tem experiência técnica e científica na área de Ciência da Computação, com ênfase em Engenharia de Software, atuando principalmente nos seguintes temas: desenvolvimento de aplicativos, mobile learning, sistemas multimídia, computação móvel e dispositivos móveis. E-mail: [email protected]

Emanuel Ferreira Coutinho, Universidade Federal do Ceará

Professor Associado na Universidade Federal do Ceará (UFC), lotado no Campus Quixadá. Possui graduação em Ciência da Computação pela Universidade Estadual do Ceará (2000). Mestre em Ciência da Computação pela Universidade Estadual do Ceará (2003), trabalhando com temas relacionados a grafos, escalonamento e roteamento de veículos, e modelagem matemática. Doutor em Ciência da Computação pela Universidade Federal do Ceará (2014), trabalhando com Computação em Nuvem, definindo métricas e metodologias para análise de desempenho da elasticidade. Também participa como professor permanente no Programa de Pós-Graduação em Computação (PCOMP), na Universidade Federal do Ceará, Campus Quixadá, e do Programa de Pós-Graduação em Tecnologia Educacional (PPGTE), do Instituto UFC Virtual. Suas áreas de interesse são Computação em Nuvem, Análise de Desempenho, Sistemas de Informação e Engenharia de Software. Atuou no desenvolvimento de sistemas e de processos de software. Também é implementador do MPS.BR, especialista em Gerenciamento de Projetos (UFRJ) e Project Management Professional (PMP). E-mail: [email protected]

Leonardo Oliveira Moreira, Universidade Federal do Ceará

É Bacharel em Informática pela Universidade de Fortaleza (UNIFOR), Mestre e Doutor em Ciências da Computação pela Universidade Federal do Ceará (UFC). Atualmente é Professor Associado em regime de dedicação exclusiva da UFC, lotado no Instituto Universidade Virtual (IUVI). Na Graduação, Leonardo Moreira é docente permanente do Bacharelado em Sistemas e Mídias Digitais (SMD) da UFC, onde é responsável pelas disciplinas de Banco de Dados e Programação para Web. Já na Pós-Graduação, Leonardo Moreira é docente permanente do Programa de Pós-Graduação em Tecnologia Educacional (PPGTE) da UFC. Suas principais áreas de pesquisa são Banco de Dados, Inteligência Artificial, Sistemas Distribuídos e Linguagens de Programação, com ênfase em linhas que permeiam estas áreas, como Ciência de Dados, Gestão de Dados Distribuídos, Computação em Nuvem, Blockchain, Tecnologias para Web e Desenvolvimento de Aplicações Distribuídas. Além disso, atua como Professor Pesquisador no Laboratório de Sistemas e Banco de Dados (LSBD) do Departamento de Computação (DC) da UFC e no Grupo de Pesquisa Ibituruna do Instituto Universidade Virtual (IUVI) da UFC. E-mail: [email protected]

Gabriel Antoine Louis Paillard, Universidade Federal do Ceará

Bacharel em Ciência da Computação pela Universidade Estadual do Ceará (1996), cursou o mestrado no Programa de Engenharia e Sistemas de Computação na Coppe (PESC/UFRJ), defendeu sua dissertação em 1999. Realizou o doutorado na Universidade Paris Nord e defendeu sua tese em 2005. Desde 2006 é professor da Universidade Federal do Ceará onde coordenou o curso de Engenharia da Computação por 4 anos no campus de Sobral. Em 2010 mudou de campus se tornando professor do Instituto Universidade Virtual (campus do pici), onde atualmente dirige esta unidade acadêmica. Em 2014 efetuou um pós-doutorado na Universidade Paris Nord. Seus interesses de pesquisa incluem, entre outros, redes de sensores, análise de algoritmos distribuídos, computação em nuvens e computação paralela. . E-mail: [email protected]    

Referências

BARROS, Ayrla Morganna Rodrigues et al. Educação a distância e o uso da inteligência artificial: uma reflexão sobre o uso da inteligência artificial no processo ensino-aprendizagem. Revista Ilustração, v. 4, n. 4, p. 31–37, 18 nov. 2023.

BRASIL. Ministério da Educação. Base Nacional Comum Curricular. Brasília, DF: MEC, 2018.

CAPUTI, V.; GARRIDO, A. Student-oriented planning of e-learning contents for Moodle. Journal of Network and Computer Applications, v. 53, p. 115–127, jul. 2015.

CLEMENTE, J. et al. A proposal for an adaptive Recommender System based on competences and ontologies. Expert Systems with Applications, v. 208, p. 1-22, dez. 2022.

COBOS, C. et al. A hybrid system of pedagogical pattern recommendations based on singular value decomposition and variable data attributes. Information Processing & Management, v. 49, n. 3, p. 607–625, maio 2013.

DE MEDIO, C. et al. MoodleREC: A recommendation system for creating courses using the moodle e-learning platform. Computers in Human Behavior, v. 104, p. 1-33, mar. 2020.

ESTEBAN, A.; ZAFRA, A.; ROMERO, C. Helping university students to choose elective courses by using a hybrid multi-criteria recommendation system with genetic optimization. Knowledge-Based Systems, v. 194, p. 1-43, abr. 2020.

FERNÁNDEZ, A. et al. Recommendations from Heterogeneous Sources in a Technology Enhanced Learning Ecosystem. Em: MANOUSELIS, N. et al. (Eds.). Recommender Systems for Technology Enhanced Learning. New York, NY: Springer New York, 2014. p. 251–265.

FERREIRA, Ana Claudia; DAGOSTIN, Julia Eduarda; PIRES, Marcia Marchesan. Estratégias digitais no Ensino de História: O Google Art & Culture como recurso didático. Cadernos Cajuína, v. 8, n. 3, p. e238313-e238313, 2023. Disponível em: http://v3.cadernoscajuina.pro.br/index.php/revista/article/view/136. Acesso em: 15 ago. 2024.

GARRIDO, A.; MORALES, L.; SERINA, I. On the use of case-based planning for e-learning personalization. Expert Systems with Applications, v. 60, p. 1–15, out. 2016.

GONDIM, Andréa Silva et al. Development and validation of mobile application for teaching the subject of pain management in palliative care. Revista Brasileira de Educação Médica, v. 48, n. 1, 2024.

JOSEPH, L. et al. Exploring the Effectiveness of Learning Path Recommendation based on Felder-Silverman Learning Style Model: A Learning Analytics Intervention Approach. Journal of Educational Computing Research, v. 60, n. 6, p. 1464–1489, out. 2022.

KHALED, A.; OUCHANI, S.; CHOHRA, C. Recommendations-based on semantic analysis of social networks in learning environments. Computers in Human Behavior, v. 101, p. 435–449, dez. 2019.

KITCHENHAM, Barbara. Procedures for performing systematic reviews. Keele, UK, Keele University, v. 33, n. 2004, p. 1-26, 2004.

KITCHENHAM, Barbara; CHARTERS, S. Guidelines for performing Systematic Literature Reviews in Software Engineering. v. 2, jan. 2007.

LIMONGELLI, C. et al. A recommendation module to help teachers build courses through the Moodle Learning Management System. New Review of Hypermedia and Multimedia, v. 22, n. 1–2, p. 58–82, 2 jan. 2016.

MARÇAL, Edgar.; KUBRUSLY, M.; SILVA, C. L. O. Avaliando aplicações móveis para o ensino em saúde: uma revisão sistemática. Revista Tecnologia Educacional, v. 217, p. 9-17, 2017.

MARÇAL, Edgar; ANDRADE, Rossana; RIOS, Riverson. Aprendizagem utilizando dispositivos móveis com sistemas de realidade virtual. Revista Novas Tecnologias na Educação, v. 3, n. 1, 2005.

MARÇAL, Edgar et al. Da elicitação de requisitos ao desenvolvimento de aplicações de mobile learning em matemática. In: Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE). 2010.

MUÑOZ, A. et al. OntoSakai: On the optimization of a Learning Management System using semantics and user profiling. Expert Systems with Applications, v. 42, n. 15–16, p. 5995–6007, set. 2015.

MUÑOZ-CRISTÓBAL, J. A. et al. Using virtual learning environments in bricolage mode for orchestrating learning situations across physical and virtual spaces. Computers & Education, v. 109, p. 233–252, jun. 2017.

NAFEA, S. M.; SIEWE, F.; HE, Y. On Recommendation of Learning Objects Using Felder-Silverman Learning Style Model. IEEE Access, v. 7, p. 163034–163048, 2019.

NETO, Advaldo Castro. Crise educacional brasileira: projeto político? Revista Sentidos da Cultura, v. 9, n. 17, p. 182-194, 2022. Disponível em: https://periodicos.uepa.br/index.php/sentidos/article/view/7608/3109. Acesso em: 15 ago. 2024.

PANEQUE, M.; ROLDÁN-GARCÍA, M. D. M.; GARCÍA-NIETO, J. e-LION: Data integration semantic model to enhance predictive analytics in e-Learning. Expert Systems with Applications, v. 213, p. 1-14, mar. 2023.

RAWAT, B.; DWIVEDI, S. K. Discovering Learners’ Characteristics Through Cluster Analysis for Recommendation of Courses in E-Learning Environment: International Journal of Information and Communication Technology Education, v. 15, n. 1, p. 42–66, 1 jan. 2019.

SALEHI, M. Application of implicit and explicit attribute-based collaborative filtering and BIDE for learning resource recommendation. Data & Knowledge Engineering, v. 87, p. 130–145, set. 2013.

SALEHI, M.; NAKHAI KAMALABADI, I. Hybrid recommendation approach for learning material based on sequential pattern of the accessed material and the learner’s preference tree. Knowledge-Based Systems, v. 48, p. 57–69, ago. 2013.

SALEHI, M.; POURZAFERANI, M.; RAZAVI, S. A. Hybrid attribute-based recommender system for learning material using genetic algorithm and a multidimensional information model. Egyptian Informatics Journal, v. 14, n. 1, p. 67–78, mar. 2013.

SHAHBAZI, Zeina; BYUN, Yung C. Toward Social Media Content Recommendation Integrated with Data Science and Machine Learning Approach for E-Learners. Symmetry, v. 12, n. 11, p. 1-22, 30 out. 2020.

UNESCO. Relatório Anual da UNESCO no Brasil 2022. E-book. Paris, França: Organização das Nações Unidas para a Educação, Ciência e Cultura. 2023. Disponível em: https://unesdoc.unesco.org/ark:/48223/pf0000381137_por Acesso em: 12 ago. 2024.

VENKATESH, M.; SATHYALAKSHMI, S. Smart learning using personalised recommendations in web-based learning systems using artificial bee colony algorithm to improve learning performance. Electronic Government, an International Journal, v. 16, n. 1/2, p. 101-117, 2020.

VISWANATHAN, N.; MEACHAM, S.; ADEDOYIN, F. F. Enhancement of online education system by using a multi-agent approach. Computers and Education: Artificial Intelligence, v. 3, p. 1-14, 2022.

ZORIĆ, A. B. Benefits of educational data mining. Journal of International Business

Research and Marketing (JIBRM), v. 6, n. 1, p. 12–16, 2020. Disponível em: http://dx.doi.org/10.18775/jibrm.1849-8558.2015.61.3002 Acesso: 5 ago. 2024.

Downloads

Publicado

2024-10-04

Como Citar

Lopes, E. C., Lima, I. H. de A., Marçal, E., Coutinho, E. F., Moreira, L. O., & Paillard, G. A. L. (2024). Elaboração e aplicação de sistemas de recomendação para a personalização do Ensino: uma revisão sistemática. Cadernos Cajuína, 9(5), e249530. https://doi.org/10.52641/cadcajv9i5.577

Edição

v. 9 n. 5 (2024): Educação Tecnológica no Mundo Digital

Seção

Artigos Interdisciplinares

Licença

Copyright (c) 2024 CC-BY-NC-ND

Creative Commons License

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Informações:

    1. Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Creative Commons Attribution License que permite o compartilhamento do trabalho com reconhecimento da autoria do trabalho e publicação inicial nesta revista.
    2. Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
    3. Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
    4. Nenhuma taxa ou contribuição será solicitada aos autores. A revista não cobra nenhum tipo de valor nem a seus autores, nem a seus leitores. Nossa política é de incentivo ao compartilhamento público e livre do conhecimento.