Tese - Classificação dos Estilos de Aprendizagem Baseado em Sistemas Inteligentes Um Estudo de Caso na Educação Mediada por Tecnologia

Número de ordem PPgEEC: D269 Natal, RN, Fevereiro de 2020 Universidade Federal do Rio Grande do Norte - UFRN Sistema de Bibliotecas - SISBI Catalogação da publicação na fonte. UFRN - Biblioteca Central Zila Mamede Costa, Roberto Douglas da. Classificação dos estilos de aprendizagem baseado em sistemas inteligentes: um estudo de caso na educação mediada por tecnologia / Roberto Douglas da Costa - 2020. f. il. Elaborado por Ana Cristina Cavalcanti Tinoco - CRB-15/262 À minha esposa, Ana Cristina Teonácio Bezerra da Costa, pessoa muito especial em minha vida, pelo enorme apoio e incentivo. Às minhas filhas, Rebecca, Letícia, Isabella e Manuella, que serviram de incentivo para vencer novos desafios. Agradecimentos Ao único Deus, Salvador nosso, por Jesus Cristo, nosso Senhor, que proveu milagrosamente esta oportunidade e permitiu a conclusão desta obra.

Seja a Ele a glória, a majestade, o domínio e o poder, antes de todos os séculos, agora, e para todo o sempre. A minha Esposa, Ana Cristina que de forma direta e indireta esteve sempre me apoiando nos momentos mais difíceis desse trabalho, a ela meu eterno amor. Por fim, aos membros da banca pelo convite aceito. Obrigado a todos. Resumo Os cursos de Educação à Distância (EaD), cada vez mais comuns graças ao avanço da internet e dos Ambientes Virtuais de Aprendizagem (AVA) que servem como ferramentas de interação entre o aluno e o educador, tornaram-se um grande nicho de pesquisas em todo o mundo devido a sua característica de permitir que um determinado conteúdo seja ensinado a diversas pessoas em locais diferentes e momentos distintos.

A maior parte dos cursos mediados por tecnologias em ambientes online apresentam conteúdos em sequência pedagógica estática, ou seja, sempre os mesmos recursos aplicados na mesma ordem para todos os usuários, pensando nisso, novas metodologias foram desenvolvidas para melhorar o ensino e a aprendizagem em EaD, como exemplo os métodos de inteligência artificial que buscam encontrar relações entre o progresso pedagógico e os recursos tecnológicos educacionais disponíveis nos AVAs. E essas novas metodologias se torna mais real se for aplicada na modalidade de ensino EaD, com o uso de um AVA, pois permitirá que o mesmo curso possa ser personalizado para cada usuário. An interesting parameter that could guide this personalization is the Student Learning Style, which identifies characteristics of how students learn.

In this context, this thesis sought to associate the learning styles theory, which identifies the learning preferences of each student, with the observed behavior of distance education students through their interactions with VLE, using artificial intelligence techniques. This study aimed to analyze the relationship between the learning styles of a set of students and their behaviors registered by the VLE, aiming to answer the following questions: It is possible, automatically, to identify the students’ LS from their interactions with the student. Virtual Learning Environment (VLE)? What techniques can be developed to identify the students’ AE in courses taken in distance learning mediated by technologies, in order to improve a better academic path for student learning? To answer these questions, we use some artificial intelligence algorithms to identify the relationship of students’ AEs with their AVA behaviors.

The results show that there is no relationship between Learning Styles and behavior variables. Teoria 2. Educação a Distância. Ambiente virtual de aprendizagem. Estilos de Aprendizagem. Resgate Histórico da Teoria dos Estilos 2. Método de abordagem Hipotético-dedutivo 4. Fases do Processo de Pesquisa. Revisão Literária. Aplicação do Questionário CHAEA 32. Identificação dos Estilos de Aprendizagem i. Produção Científica. Referências bibliográficas 61 Lista de Figuras 2. Modelo de Aprendizagem de Kolb. Hierarquia das técnicas de aprendizado de máquina. Estrutura de um algoritmo supervisionado. Boxplot da acurácia das 100 rodadas da Rede Neural. Diagrama de dispersão entre duas variáveis de comportamento. Fluxograma do método Hipotético-dedutivo. Boxplot das variáveis de comportamento utilizadas. iii. Acessos das variáveis de comportamento da Instituição 1 Comparação dos resultados dos algoritmos da Instituição Acessos das variáveis de comportamento da Instituição 2 Comparação dos resultados dos algoritmos da Instituição 52 52 53 54 v.

Lista de Símbolos e Abreviaturas AR: Aprendizagem por Reforço AVA: Ambiente Virtual de Aprendizagem DS: Dynamic Scripting EA: Estilo de Aprendizagem EaD: Educação à Distância EDM: Educatinal Data Mining FSLSM: Felder and Silverman Learning Style Model IA: Inteligência Artificial ILS: Index of Learning Styles LA: Learning Analytics LDB: Lei de Diretrizes e Bases da Educação MEC: Ministério da Educação e Cultura MLP: Perceptron of Multiple Layers MOOCs: Massive Open Online Course OA: Objetos de Aprendizagem PA: Problemas de Aprendizagem RL: Revisão Literária RN: Rede Neural SAIE: Sistemas Adaptativos e Inteligentes para Educação à Distância SQL: Structured Query Language TIC’s: Tecnologias da Informação e Comunicação URL: Uniform Resource Locator vii Capítulo 1 Introdução O presente capítulo mostra uma visão geral desta tese.

Nele, são apresentados a contextualização e argumentos que justificam o desenvolvimento do trabalho, os objetivos, o método de pesquisa, organização e estrutura do documento. Justificativa Vivemos hoje uma sociedade cada vez mais conectada na qual o homem sente a necessidade crescente de acesso às tecnologias, pois elas estão inseridas em todo contexto social de uma população dando acesso a informações, proporcionando interações sociais, como também possibilitando a condução de processos educacionais, em especial, na EaD, através da oferta de cursos mediados por tecnologias. O termo Educação a Distância ou simplesmente a sigla “EaD” é definida pelo Ministério da Educação e Cultura (MEC) no seu artigo 80 da Lei de Diretrizes e Bases da Educação Nacional (LDB) de 20 de dezembro de 1996 e regulamenta pelo decreto no 5.

Neles, o uso das tecnologias da informação e comunicação (TIC´s) têm sido indispensáveis e de grande eficácia no processo de acompanhamento dos alunos quando à participação, aprendizado e desempenho. Nesse sentido e para dar resposta a questionamentos acerca da qualidade do ensino a distância é que muitas pesquisas vem utilizando os recursos da inteligência artificial, com objetivo de alinhar metodologias de ensino e estratégias pedagógicas ao desenvolvimento educacional do aluno. Cada vez mais o trabalho interdisciplinar envolvendo profissionais da educação, computação, design, comunicação, tecnologia da informação e comunicação tem tido forte presença entre aqueles que pensam e desenvolvem ações de educação a distância. Além disso, pesquisadores da educação a distância têm se empenhado em inúmeras investigações a fim de melhor conduzir o processo ensino-aprendizagem de forma individualizada.

Dentre elas está o estudo sobre as diferenças individuais de cada aluno e suas distintas formas de aprender, buscando regularidades e padrões de comportamento que possam apontar seus estilos de aprendizagem e, com isso, fornecer subsídios para o desenvolvimento de ações pedagógicas mais eficazes. Além disso, pesquisadores da educação à distância têm se empenhado em inúmeras investigações a fim de melhor conduzir o processo ensino-aprendizagem de forma individualizada. Dentre elas está o estudo sobre as diferenças individuais de cada aluno e suas distintas formas de aprender, buscando regularidades e padrões de comportamento que possam apontar seus estilos de aprendizagem e, com isso, fornecer subsídios para o desenvolvimento de ações pedagógicas mais eficazes. Para isso, eles têm recorrido a estudos já consolidados de investigadores como Catalina Alonso, Gallego e Honey sobre estilos de aprendizagem.

Segundo (Alonso et al. com base nos estudos de Keefe (1982), os Estilos de Aprendizagem são definidos como traços cognitivos, afetivos e fisiológicos, que servem como indicadores relativamente estáveis de como os alunos percebem, interagem e respondem a seus ambientes de aprendizagem. • Há correlação entre determinados padrões de comportamento dos alunos no AVA e seu Estilo de Aprendizagem? • Há recursos tecnológicos no AVA que são mais utilizados pelos alunos, conforme seu estilo de aprendizado? • Há correlação entre o tipo de atividade sugerida no AVA, o bom desempenho do aluno e seu estilo de aprendizagem? 1. Objetivos Geral Desenvolver um método, utilizando algoritmos inteligentes, que identifique o Estilo de Aprendizagem padrão do aluno através do seu comportamento interativo com os objetos de aprendizagem disponíveis no Ambiente Virtual de Aprendizagem.

Específicos • IIdentificar os estilos de aprendizagem dos alunos em turmas online na modalidade EAD, a partir do “Questionario Honey-Alonso de Estilos de Aprendizaje” - (Alonso et al. • Identificar os padrões de comportamento dos alunos em turmas constituídas de forma online em cursos da modalidade EAD; • Observar correlações entre padrões de comportamento dos alunos no ambiente virtual de aprendizagem e seus estilos de aprendizagem; • Desenvolver uma solução de software através da implementação de um Agente Inteligente que estará disponível com “Plug-in” no Moodle Mandacarú que através do comportamento dos alunos conhecidos, informará ao professor qual o seu Estilo de Aprendizagem. Organização e estrutura da tese Este documento está organizado em 06 capítulos, incluindo este capítulo inicial no qual é apresentada a contextualização da pesquisa, o problema, a justificativa, questões de pesquisa além dos objetivos da pesquisa.

o de Machine Learning na seção 2. e finalizando na seção 2. com o conceito de Learning Analytics. Educação a Distância Para atender as novas demandas da sociedade, a Educação a Distância – EAD surge como um novo modelo educacional, com intuito de auxiliar na propagação do conhecimento de forma mais ágil, facilitando ao aluno o acesso ao aprendizado. O termo Educação a Distância pode ser conceituado por diversos espectros. Ambiente virtual de aprendizagem Segundo (da Silva 2011) os Ambientes Virtuais de Aprendizagem (AVA) são softwares que, agregam ferramentas para a criação, tutoria e gestão de atividades que normalmente se apresentam sob a forma de cursos. Estes ambientes diferem em muitos aspectos, seja na linguagem em que foram desenvolvidas, ou nas ferramentas que oferecem, ou funcionalidades que fornecem para interação entre os atores que estão participando do processo de aprendizagem.

Como exemplos desses ambientes pode-se citar: Moodle (MEDIUM 2016), WebAula (WEBAULA 2012), AulaNet (Lima & Fialho 2009), TelEduc (TELEDUC 2012), dentre outros. Esses AVAs estão recheados de ferramentas com recursos pedagógicos e atividades que a partir delas, é possível a disponibilização de várias funcionalidades de interação e interatividade entre os participantes. Essas ferramentas podem ser classificadas como síncronas e assíncronas. Enquanto alguns preferem trabalhar de forma individualizada, pensar sozinho desenvolvendo a sua própria capacidade de reflexão, outros preferem trabalhar de forma coletiva, através de atividades em grupo, promovendo a interação e o relacionamento de um com outros. Por tudo isso, podemos afirmar que os Estilos de Aprendizagem estão relacionados às preferências que cada pessoa tem em escolher o seu melhor modo de aprender um conteúdo, e que segundo Alonso et al.

podem ser classificados em quatro grupos de estilos que são o ativo, o reflexivo, o teórico e o pragmático. Os alunos em que se predomina o estilo ativo, têm como característica a disposição a novas experiências, ficam animados com novas tarefas, têm uma mente mais aberta. Vivem o aqui e o agora e sempre gostam de ter dias cheios de atividades, superativos, entusiasmados. Tendem a ser perfeccionistas e gostam de analisar tudo e sintetizar. Procuram a racionalidade e a objetividade, sentem-se desconfortáveis com 10 CAPÍTULO 2. TEORIA conclusões subjetivas e com pensamentos laterais ou qualquer aspecto superficial. São racionais e objetivos. Suas características são: metódico, lógico, objetivo, crítico e estruturado. O modelo de aprendizagem de (Kolb 1984), expresso graficamente através da figura 2.

é baseado em como nosso cérebro reage nas situações de aprendizagem, a partir de padrões estabelecidos em nossa mente, que indicam duas tendências de escolhas que fazemos automaticamente quando estamos aprendendo: Processamento Contínuo X Percepção Contínua (sentir e fazer; sentir e observar; observar e pensar; pensar e fazer) 2. ESTILOS DE APRENDIZAGEM 11 Figura 2. Modelo de Aprendizagem de Kolb. Fonte: (Kolb 1984) – Revisado em 1999 Ainda nesse mesmo estudo, Kolb (1984), identificou que existiam alguns elementos como som, luz, temperatura, motivação, companhia, relacionamento, alimentação, dentre outros que, dependendo do Estilo de Aprendizagem de cada pessoa, poderiam influenciar a aprendizagem, seja de forma positiva ou negativa. TEORIA O referido questionário, se diferenciava do instrumento elaborado por Kolb em dois aspectos: Traziam as descrições dos estilos em maior detalhe, com base em ações diretas das pessoas; e as respostas do questionário eram usadas como ponto de partida para diagnosticar, tratar e propor melhorias na aprendizagem.

Tabela 2. CHAEA com 80 questões e adaptadas para Português. Questionário Honey-Alonso de Estilos de Aprendizagem: CHAEA Instruções para responder ao questionário: - Não há tempo limite para responder ao questionário. Não há respostas certas ou erradas, mas apenas a sua opinião. Creio que, independentemente, dos métodos o mais importante é 08 que as coisas funcionem. Estou atento a todos os pormenores das disciplinas que 09 frequento (sumários, textos, etc). Agrada-me ter tempo para preparar o meu trabalho e realizá-lo 10 com consciência. Níveis 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 2. ESTILOS DE APRENDIZAGEM 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 13 Sou adepto(a) da autodisciplina, seguindo uma certa ordem, por exemplo, no regime alimentar, no estudo e no exercício físico, etc. Tenho tendência a relacionar-me de um modo distante, e algo formal com as pessoas com quem trabalho.

Gosto mais das pessoas realistas e concretas do que das idealistas. Tenho dificuldade em ser criativo(a) e em romper com as estruturas existentes. Sinto-me bem com pessoas espontâneas. A maior parte das vezes, expresso, abertamente, os meus sentimentos. Avalio, com frequência, as ideias dos outros pelo seu valor prático. Sinto-me oprimido(a), se me obrigam a acelerar o trabalho para cumprir um prazo. Nas reuniões, apoio as ideias práticas e realistas. CAPÍTULO 2. TEORIA É melhor gozar o momento presente do que sentir prazer pensando no passado ou no futuro. Esforço-me sempre por conseguir conclusões e ideias claras. Prefiro discutir questões concretas e não perder tempo com ideias Abstratas. Impaciento-me, quando me dão explicações irrelevantes ou incoerentes. Verifico, sempre, com antecedência, se as coisas funcionam como deve ser.

Faço vários rascunhos antes da redação definitiva de um trabalho. O trabalhar consciente enche-me de satisfação e orgulho. Perante os acontecimentos, tento descobrir os princípios e as teorias que os fundamentam. APRENDIZAGEM ADAPTATIVA 72 73 74 75 76 77 78 79 80 15 Desde que possa atingir os meus fins, sou capaz de ferir os sentimentos de outros. Não me importo de fazer tudo o que seja necessário para que o meu trabalho seja eficiente. Sou com frequência umas das pessoas que mais animam as festas. Aprendizagem Adaptativa O conceito de aprendizagem adaptativa surgiu na década de 70 através do surgimento da tutoria inteligente criada através dos estudos da inteligência artificial (IA) (Brusilovsky 2003) e parte da premissa que o sistema inteligente criado será capaz de modelar-se ao processo de aprendizagem do aluno resultado assim em um melhor e mais eficaz experiência de aprendizagem.

Segundo Brusilovsky (2003), a aprendizagem adaptativa é um método educacional que utiliza meios tecnológicos como estratégia para promover interações do processo de ensino e aprendizagem de acordo com a necessidades específicas de cada estudante, onde o conteúdo didático é exibido e adaptado conforme as necessidades de aprendizagem do aluno, baseando-se pelas respostas dos exercícios, tarefas e experiências apresentadas. Os sistemas adaptativos são aqueles que buscam ser diferentes para estudantes diferentes, levando em consideração as informações acumuladas em modelos individuais do qual os participantes interagem ((Brusilovsky 2003)). CAPÍTULO 2. TEORIA As principais tecnólogas adaptáveis utilizadas em sistemas web podem ser vistas quando o usuário realiza uma busca de informação e o sistema poderá, de forma adaptável, selecionar e priorizar os itens mais importantes da pesquisa; ou ainda quando o sistema manipular os links durante a navegação do usuário com intuito de oferecer um apoio adaptativo a essa navegação; e também, quando o usuário ao acessar uma página web especifica, e o sistema apresenta para ele um conteúdo adaptável ao seu estilo.

No que tange a sistemas informatizados, um agente pode ser conceituado como sendo uma entidade que atuam em programas computacionais de acordo com regras pré-definidas de forma direta ou indireta; além disto, um agente inteligente é dotado de habilidades para armazenar e recuperar eficientemente grande quantidade de informação, para resolver problemas ou tomar decisões (Rezende 2003). MACHINE LEARNING 17 Já Cordeiro (2001) define agente como um sistema computacional residente em um ambiente dinâmico e complexo, que tem a capacidade de perceber e atuar neste ambiente de forma autônoma, segundo objetivos pré-definidos para o qual foi designado. Machine Learning O Aprendizado Automático ou Aprendizado de Máquina conhecido pelo seu termo em inglês “Machine Learning” é um subcampo da Inteligência Artificial que faz parte da área da Ciência da Computação, cujo o foco baseia-se na teoria de aprendizado computacional e no estudo de reconhecimento de padrões, regularidades ou conceitos em conjunto de dados (Goldschmidt et al.

Em 1959 a aprendizagem de máquina foi definida como sendo o campo de estudo que fornece aos computadores a habilidade de aprender sem serem especificamente programados, pois o aprendizado automático explora o estudo e construção de algoritmos que podem aprender através dos seus erros e fazer previsões sobre os dados manipulados ((Provost & Kohavi 1998)). Em Faceli et al. Na aprendizagem não-supervisionada o objetivo é observar algumas similaridades entre as variáveis e incluí-las em grupos apropriados, nela o conjunto de treinamento não é rotulado, pois as informações sobre as variáveis são restritas. Já os algoritmos usados na técnica de predição são conhecidos como algoritmos de aprendizagem supervisionado pois parte do princípio da presença de um rótulo ou valor de saída existente nos dados usados no treinamento do conjunto, que irá avaliar a capacidade da hipótese induzida de predizer os valores de saída para novos dados.

A Figura 2. apresenta um exemplo da estrutura de um algoritmo supervisionado. MACHINE LEARNING 19 Figura 2. apresenta o comportamento dos modelos de regressão (Regression) e classificação (Classification) dos algoritmos de aprendizagem supervisionada. CAPÍTULO 2. TEORIA Figura 2. Comportamento do algoritmo de aprendizagem supervisionada. Fonte: Extraído de (MEDIUM 2018) Diante disso, pode-se dizer que as técnicas que se adéquam ao enfoque deste trabalho são as preditivas (aprendizado supervisionado), já que se parte de um rótulo de saída definido através dos padrões de comportamento conhecido dos alunos no AVA. O primeiro trabalho em destaque foi a Tese de doutorado de Dorça (2012) realizado na Universidade Federal de Uberlândia–MG que traz como título “Uma abordagem estocástica baseada em aprendizagem por reforço para modelagem automática e dinâmica de estilos de aprendizagem de estudantes em sistemas adaptativos e inteligentes para educação a distância”.

Nesse trabalho o autor utiliza os conceitos pedagógicos de Estilo de Aprendizagem combinados com a Taxonomia de Bloom para classificar estatisticamente os alunos em um ou numa combinação de Estilo de Aprendizagem. Para isso é utilizado técnicas de aprendizagem de máquina por reforço. O sistema criado por Dorça infere através de técnicas probabilísticas a que EA ou conjunto de EA o aluno está inserido. Para isso é atribuído ao aluno avaliações de desempenho (atividades) que ele deverá desenvolver e que é avaliado e classificado através de conceitos cognitivos em uma das 6 classes da taxonomia de Bloom que indica a evolução do aprendizado do aluno, onde no final o sistema recomenda Objetos de Aprendizagem (Recursos e Atividades) baseados em seleção estocástica baseada em combinações de EA.

” A partir daí os autores estabeleceram os parâmetros e atributos necessários para definição de um modelo OA baseado nos EA de Felder et al. Então, os recursos a serem usados pelo professor-autor nos seus conteúdos a serem abordados nos cursos mediados por tecnologias, vai depender dessa classificação dos AO baseado na classificação de EA desenvolvida por Felder et al. Já o nosso trabalho, através dos algoritmos de aprendizagem de máquina utilizado, tiveram como objetivo identificar o EA padrão do aluno através do seu comportamento obtido através da interação do aluno com os recursos e atividades disposta no AVA, sem a necessidade de responder o questionário de avaliação de EA. Um outro trabalho analisado foi o dos autores Silva (2017) que no seu artigo intitulado “Sistemas Adaptativos e Inteligentes utilizando Dynamic Scripting”, buscaram aprimorar o sistema SAIE desenvolvido na tese de doutorado de Dorça (2012), que propõe a substituição do componente de aprendizagem por reforço (AR) por uma adaptação do Dynamic Scripting (DS) que é uma técnica de aprendizagem de máquina online com objetivo de aumentar a velocidade de convergência do sistema e reduzir os problemas de aprendizagem (PA) consequência dos constantes ajustes a serem realizados pelo AR.

Resultados experimentais permitiram validar o uso da adaptação do DS em cenários de Estilos de Aprendizagem (EA) estáticos, em que o EA não se modifica durante as iterações do Sistema, e EA dinâmicos, em que o EA é modificado durante as iterações do sistema. No nosso trabalho, os OA não são classificados de acordo com os tipos de EA. O nosso objetivo é identificamos o EA predominante de cada aluno através da sua interação com os recursos e atividades utilizadas pelo professor em uma sala de aula virtual gerida por um AVA. Portanto, a autonomia do professor é preservada, no qual o sistema inteligente informa a ele o EA predominante dos alunos e ele é que decide que ações deverá tomar no gerenciamento dos conteúdos a serem disponibilizados aos alunos da turma.

Outros dois trabalhos foram destacados no qual as teorias de EA, conhecidas no cenário acadêmico, não levaram a bons resultados por alguns motivos expostos por seus autores. O primeiro que podemos relatar é o trabalho das autoras An & Carr (2017), do “Department of Education, Seoul National University, Republic of Korea” and “Department of Educational Psychology, University of Georgia, United States”, respectivamente. Em um segundo trabalho analisado, o autor Kirschner (2017) da “Open University of the Netherlands, Netherlands” and “University of Oulu, Oulu, Finland”, através do trabalho intitulado “Stop propagating the learning styles myth”, afirma existir uma grande diferença entre o modo que alguém prefere aprender e o que realmente leva a um aprendizado eficaz e eficiente e afirma ainda que uma preferência por como se estuda não é um estilo de aprendizagem, pois os chamados EA são baseados em tipos e classificam as pessoas em grupos distintos.

Nesse trabalho, o autor chama o conceito de EA na educação como sendo uma “lenda urbana” pois, de acordo com a essência da sua crítica, os conceitos de EA não apresentam um embasamento sustentável para as seguintes hipóteses: Que o aluno 3. TRABALHOS AVALIADOS 27 realmente tem um certo EA característico; que o aluno está ciente que esse EA predominante dele é pessoal; e que o seu aprendizado completo depende primeiramente de instruções ideais de acordo com o seu EA dominante. Para embasar o seu trabalho, o ator parte da suposição, que se fundamenta a base dos conceitos de EA que diz que os professores devem adotar o EA característico que o aluno diz ter, para poder otimizar de forma ideal o seu aprendizado, permitindo assim que o seu conhecimento se desenvolva plenamente e alcance ótimos resultados no processo de ensino e aprendizado.

O autor cita ainda o trabalho dos autores Kirschner & van Merriënboer (2013), no qual afirma que os EA mal classificam os aprendizes, pois a maioria dos estilos que foram definidos são baseados em tipos, pois o aluno não é atribuído a um estilo baseado em um conjunto de pontuações em diferentes dimensões, mas é classificado em grupo específico que em muitas vezes são exclusivos. Em outras palavras, surge a dúvida a saber se os alunos sabem realmente o que é melhor para eles. No seu trabalho, autor Clark (1982) realizou algumas meta-analises e constatou que os alunos que disseram preferir uma maneira particular de aprender normalmente não aprendiam melhor ou até se davam pior quando eram usados as suas preferências, constatando assim, que um método instrucional que, no qual corresponde à maneira como o aluno diz preferir aprender, se torna improdutivo ou até mesmo prejudicial para sua aprendizagem.

O autor concluiu que se o objetivo é definir instruções que levem em conta as diferenças entre os alunos, é melhor avaliar as habilidades cognitivas dos alunos em vez dos estilos de aprendizagem por que as habilidades cognitivas são melhores 28 CAPÍTULO 3. TRABALHOS RELACIONADOS preditoras para identificar como as pessoas aprendem com mais eficiência. Além disso, essas habilidades cognitivas devem ser objetivamente medidas em uma escala ordinal e de maneira objetiva, ao invés de auto relatos subjetivos que são usados para designar pessoas a tipos com base em um ou mais critérios arbitrários. Esta pesquisa utilizará o método hipotéticodedutivo, já que o trabalho partirá de um questionamento problema e caminhará para a obtenção da sua solução por meio de investigações hipotéticas com intuito de responder às questões de pesquisa descritas no item 1.

dessa tese. Método de abordagem Hipotético-dedutivo A pesquisa científica, do tipo hipotético-dedutiva, tem o seu início através da formulação de um problema que deve ser apresentado de forma clara e precisa, com intuito de facilitar a criação de uma teoria de entendimento simples, como também a possibilidade de identificação de outros instrumentos e conhecimentos relevantes 30 CAPÍTULO 4. METODOLOGIA ao problema, que ajudarão o pesquisador no desenvolvimento do seu trabalho. Em seguida, o pesquisador passa observar o comportamento da teoria por ele criado, na verdade essa é a fase de testes onde será observado o objeto da pesquisa. Na 4a fase que foi a de implementação, foram realizadas na base de dados do AVA em uso várias consultas SQL - “Structured Query Language” com intuito de identificar os comportamentos dos alunos durante o acesso aos recursos e realização de atividades educacionais no ambiente e associá-los ao EA predominante já reconhecido.

A 5a fase e última foi a de execução onde se correlacionou os EA identificados como predominante dos alunos com seus comportamentos conhecidos junto a interação como o AVA. CAPÍTULO 4. METODOLOGIA Figura 4. Fases do processo de pesquisa. Tabela 4. Relação dos dois questionários: CHAEA 80 e o CHAEA 32 – Simplificado. No QUESTÕES ESTILO ATIVO REFLEXIVO TEÓRICO PRAGMÁTICO 8 7 8 9 RELAÇÃO DAS QUESTÕES DOS DOIS QUESTIONÁRIOS (Original=80-32=Simplificado) 1-1 32 18-5 11-3 24-8 27-9 19-6 17-4 38-15 35-13 31-10 21-7 40-16 37-14 32-11 33-12 47-18 43-17 63-25 54-22 52-20 51-19 69-27 64-26 53-21 74-30 70-28 71-29 56-23 Fonte: Próprio Autor. Aplicação do Questionário CHAEA 32 A segunda fase do processo de pesquisa foi a aplicação do questionário CHAEA 32 simplificado aos alunos da instituição parceira, com objetivo de tornar o preenchimento mais prático e objetivo e menos cansativo por parte dos discentes que concordaram em participar da pesquisa.

A escolha da instituição parceira deu-se pelo fato de já trabalhar com EaD a muito tempo, utilizar um Ambiente Virtual de Aprendizagem próprio e ter um número de turmas consistente que possibilitasse uma amostra significativa para o trabalho de pesquisa. Muitas vezes, atuo sem olhar às consequências. Sou adepto(a) da autodisciplina, seguindo uma certa ordem, por exemplo, no regime alimentar, no estudo e no exercício físico, etc. Prefiro as coisas estruturadas às desordenadas. Preocupo-me em interpretar, cuidadosamente, a informação disponível antes de tirar uma conclusão. Antes de fazer alguma coisa, analiso com cuidado as suas vantagens e inconvenientes. Emito ideias novas e espontâneas nos grupos de discussão. Apercebo-me, frequentemente, de outras formas melhores e mais práticas de fazer as coisas.

No meu dia a dia procuro novas experiências. Quando ouço falar de uma ideia ou de uma nova abordagem, tento imediatamente encontrar aplicações concretas. Penso que devemos chegar, o mais rapidamente possível, à ideia central dos assuntos. Se faço parte de um grupo de trabalho, procuro que se siga um plano e uma metodologia. Fonte: (Vega & Patino 2013) – Adaptada para o Português através do trabalho de (Miranda & Morais 2008) Níveis 1 2 3 1 2 3 4 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 1 1 2 2 2 3 3 3 4 4 4 1 2 3 4 1 2 3 4 1 2 3 4 1 1 1 1 2 2 2 2 3 3 3 3 4 4 4 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 4 4 4 4 4 1 2 3 4 1 1 2 2 3 3 4 4 1 2 3 4 4. FASES DO PROCESSO DE PESQUISA 35 Associado ao questionário CHAEA 32, foi aplicado também outro questionário intitulado de Questionário Sócio Acadêmico (Figura 4. onde foram coletados dados sobre o curso no qual o aluno frequenta, semestre letivo frequentado no período do preenchimento das informações, grau de instrução do aluno, sexo, data de nascimento, grau de instrução do Pai e da mãe, endereço e tipo de escola em que estudou e se essa era pública ou privada.

Figura 4. Fonte: Próprio autor A escala de Likert é muito útil para situações em que se precisa um detalhamento maior da opinião do entrevistado, fazendo com que as respostas não fiquem niveladas apenas as suas extremidades, mas possa também expressar posições intermediárias, ficando assim as quatro opções de escolha: 1 - “totalmente em desacordo”; 2 - “em desacordo”; 3 - “de acordo”; 4 - “totalmente de acordo”, permitindo assim que o entrevistado defina sua resposta de maneira mais maleável e sem dúvidas. Identificação dos Estilos de Aprendizagem A terceira fase do processo de pesquisa teve como objetivo a análise dos dados. Para isso, inicialmente, foi preciso identificar o EA de cada aluno através das respostas dadas ao questionário exposto na Tabela 4. e gabaritado as respostas de acordo com a relação descrita na Tabela 4.

onde o aluno tinha as opções de 1 a 4 para assinalar. Estudante 4 4 1 1 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 0 4 4 4 4 4 0 4 4 4 4 4 30 29 24 29 32 90. Estudante 5 4 2 2 3 3 4 4 4 2 3 4 2 2 4 3 3 3 3 3 3 3 3 4 4 4 2 3 4 3 1 2 3 32 19 25 22 31 59. FASES DO PROCESSO DE PESQUISA 39 Em alguns casos identificamos alguns alunos que assinalaram uma mesma resposta para todas as perguntas, como por exemplo, assinalou a opção “3” para todas as 32 questões. Esses alunos foram tratados de forma isolada, onde alguns deles foram descartados da pesquisa. Outra situação foi que alguns alunos responderam menos de 30 questões do questionário, os quais foram descartados, pois a identificação do seu EA seria comprometida. Para cada tipo de EA foi atribuído uma categoria (1 a 5) que correspondia ao intervalo dos valores extraídos entre o menor e o maior valor encontrado nas amostras dos alunos para cada tipo de EA. Essa técnica foi a mesma utilizada por Honey (1986) e seguida por Alonso & Gallego (2000) na qual se define para cada tipo de estilo uma correspondência de faixa de valores que se baseia nas pontuações fornecidas pela amostra dos alunos respondentes do questionário.

As categorizações das faixas dos tipos de EA ficaram definidas com o percentual de 10% das amostras dos valores mais altos, classificados como nível “Muito Alto” de preferência, as 20% seguintes integram as amostras classificadas como nível “Alto”, as 40% subsequentes, classificadas como nível “Moderada”, as próximas 20% são classificadas como nível “Baixo” e, concluindo, as com 10% restantes, classificadas como nível “Muito Baixo” de predominância, como é mostrado nas tabelas 4. e 4. Após a análise dos dados colhidos pela amostra dos 598 alunos, chegamos a cinco categorias de Estilos de Aprendizagem onde, como exemplo, podemos destacar os alunos que obtiveram pontuação no intervalo de 30 a 32 pontos para ativo, tendo a probabilidade muito alta de apresentar o EA do tipo ativo como predominante, como mostra a Tabela 4.

Pragmático 36 9 32. Fonte: Próprio Autor. A partir desta classificação, fizemos uma nova filtragem. Eliminou-se os registros cujas categorias em todos os estilos apresentassem somente os valores 5 (Muito Baixa), 4 (Baixa) ou 3 (Moderada) ou a combinação entre eles. Eliminou-se com isso 23 registros. FASES DO PROCESSO DE PESQUISA 41 foi observado as porcentagens correspondente desses dois estilos na Tabela 4. onde observou-se o valor de 50% para o estilo reflexivo e 44,44% para o estilo pragmático, definido assim, o aluno 3 como estilo reflexivo predominante e finalizando assim a identificação dos EA dos alunos. Após a categorização da situação dos EA, a figura 4. apresenta as quantidades de alunos e seus respectivos estilos de aprendizagem dominantes. Há uma maior concentração no estilo reflexivo, o que torna a base de dados muito desequilibrada.

Identificação dos Comportamentos A quarta fase do processo de pesquisa foi a identificação dos comportamentos dos alunos pertencentes as turmas selecionadas para fazerem parte da pesquisa. Para isso foi preciso acessar algumas Tabelas da base de dados do Ambiente Virtual de Aprendizagem em uso, onde fica armazenado todo contexto histórico de acesso e interação dos alunos da modalidade EaD dos cursos mediados por tecnologias em Ambientes online. Tudo isso com objetivo de colher informações de comportamento dos mesmo na plataforma. Para conhecer esses comportamentos, foi realizado várias consultas em código SQL – (Structured Query Language) na base de dados do Moodle que tinha como objetivo captar a interação do aluno com a plataforma através do seu acesso aos recursos e as atividades realizadas no transcorrer do curso/disciplina em análise (Figura 4.

Figura 4. Optou-se pela Rede Neural Multicamada por tratar-se de um algoritmo de aprendizagem de máquina supervisionado, aplicado a problemas de dados não lineares (Haykin 2007). O algoritmo foi desenvolvido, utilizando a biblioteca de aprendizado de máquina de código aberto para a linguagem de programação Python: Scikit-learn (Pedregosa et al. Essa biblioteca foi escolhida por fornecer ferramentas simples e eficientes 44 CAPÍTULO 4. METODOLOGIA para mineração e análise de dados, como por exemplo, a classe MLPClassifier que implementa um Perceptron Multicamada utilizando o algoritmo de aprendizado de retropropagação do erro (Pedregosa et al. A “Perceptron of Multiple Layers” – MLP, ou Rede de múltiplas camadas é uma rede neural semelhante ao perceptron que é uma rede mais simples, mas se difere por possuir mais de uma camada de neurônios e também por usar o algoritmo da retropropagação de erro (Haykin 2007).

Ao implementar os algoritmos optou-se por utilizar, para avaliar os resultados da classificação, a acurácia e a matriz de confusão. No entanto, pouca variação na 4. FASES DO PROCESSO DE PESQUISA 45 rede neural foi notada ao se utilizar cada uma dessas classes individualmente. A Tabela 4. mostra o resultado médio, após realizações da rede neural. A Figura 4. apresenta o valor do coeficiente de correlação linear de Pearson que buscou a correção entre as variáveis de comportamento e os EA dos alunos. De acordo com os resultados apresentados na Figura 4. percebemos que como todas as variáveis apresentam baixa correlação linear com os EA, essas variáveis não são boas preditoras para o estilo de aprendizagem. A maior correlação foi encontrada na variável “quantidade de acesso a página”, cujo valor foi 0,073.

O modelo “multi layer perceptron” - (MLP) permite encontrar uma aproximação para uma função continua arbitrária, inclusive não linear (Haykin 2007). A Figura 4. apresenta um modelo de MLP que apresenta três neurônios na camada de entrada e duas camadas escondidas, além da camada de saída com um único neurônio. FASES DO PROCESSO DE PESQUISA 47 Figura 4. Diagrama de uma rede Neural tipo MLP. Pode-se observar na Figura 4. que a acurácia não apresentou bons resultados e seu valor variou entre 14,17% e 27,5%, sendo 19,70 a média. Isso mostra que a Rede Neural não conseguiu estabelecer um modelo que permitisse adequar os dados, ou seja, um modelo que pudesse indicar o Estilo de Aprendizagem do aluno em função das variáveis de comportamento utilizadas.

A Figura 4. mostra o gráfico de pontos que relaciona as variáveis “quantidade de acesso a página” e “quantidade de acesso ao chat” para cada uma das cinco categorias de estilos de aprendizagem. CAPÍTULO 5. ANÁLISE DOS RESULTADOS Tabela 5. Acessos das variáveis de comportamento da Instituição 1 Variável qtd_de_acessos_pagina qtd_de_acessos_pasta qtd_de_acessos_arquivo qtd_de_acessos_url Num_de_acesso_por_curso qtd_mensagens_enviadas qtd_de_acessos_livro qtd_acessos_ao_chat qtd_mensagens_chat qtd_acessos_wiki Qtd Mínima de acesso 0 0 0 0 0 0 0 0 0 0 Qtd Máxima de acesso 38 77 419 129 65601 11328 27 92 354 31 Média Mediana Desvio padrăo 2,648 7,116 68,74 10,69 8542 110,3 0,6859 5,554 4,172 0,5372 1 3 49 4 5859 0 0 3 0 0 4,3608 10,5429 63,7242 16,9337 8485,157 566,9461 2,4245 8,5008 18,746 2,2011 Fonte: Próprio Autor. Em relação a mesma Instituição, foram realizadas 200 rodadas da rede neural, kmeans e regressão logística, com a utilização de um conjunto de teste extraído aleatoriamente da base de dados (70% dos dados), observou-se os seguintes resultados médios em termos de acurácia apresentados na tabela 5.

Tabela 5. onde foi trabalhado os mesmos três conceitos estatísticos de média, mediana e desvio padrão usados na análise dos dados da Instituição 1. Tabela 5. Acessos das variáveis de comportamento da Instituição 2 Variável qtd. de. acessos. A Figura 5. mostra o gráfico de “boxplot” das variáveis de comportamento utilizadas. Devido a diferença de escalas as variáveis foram colocadas em escalas diferentes. CAPÍTULO 5. ANÁLISE DOS RESULTADOS Figura 5. Apesar dos resultados não apresentarem valores substanciais para uma precisão ótima da Rede Neural, no entanto, neste estudo podemos ressaltar a identificação de alunos que não apresentaram nenhum EA predominante no qual foi classificado como estilo “Indefinido” pois suas respostas ao questionário CHAEA 32 não apresentava nenhum valor considerado como “Muito Alto” ou “Alto” para algum EA como mostra a tabela 4.

Outro ponto, objeto da pesquisa e descrito na seção da metodologia, era identificar a existência de algum EA predominante para alunos da EaD que desenvolve suas atividades através de interações com algum AVA. Para essa questão, conseguimos identificar, para as duas Instituições que a maioria dos alunos participantes da pesquisa apresentaram o estilo reflexivo como predominante, ficando o estilo indefinido como o segundo mais pontuado. Coeficiente de Correlação Linear de Pearson Em relação a falta de correção entre as variáveis de comportamento e os Estilos de Aprendizagem, dentre as muitas possibilidades podemos destacar três delas, no qual entendemos como sendo as mais relevantes: respostas do questionário, descritores de comportamento e definição de estilos de aprendizagem. Resposta do questionário: o questionário CHAEA-32 foi aplicado aos alunos através da plataforma AVA na qual o aluno realiza o curso EaD que está matriculado, ou seja, o aluno encontra-se sozinho em frente ao computador, tendo a liberdade de responder da forma que entender não necessariamente assumindo a responsabilidade de ser verdadeiro nas suas respostas.

Desde que é um processo, e não uma coisa, não pode ser facilmente imobilizado para observação. ” Assim o fato do comportamento apresentar essa complexidade de caracterização contribui para que um conjunto especifico de variáveis não conseguir “captar” todas as dimensões associadas ao comportamento. Definição de estilos de aprendizagem: Neste trabalho adotamos o conceito definido por Alonso et al. que Classifica os Estilos de Aprendizagem com sendo traços cognitivos, afetivos e fisiológicos, que são utilizados como indicadores relativamente estáveis de como os alunos percebem, interagem e respondem a seus ambientes de aprendizagem. Os autores consideram a existência de quatro estilos de aprendizagem: ativo, reflexivo, pragmático e teórico. O primeiro requisito necessário, e extremamente necessário, é encontrar uma correlação satisfatória entre os Estilos de Aprendizagem e os padrões de comportamento durante a aprendizagem.

Então, a ideia a ser desenvolvida nesse trabalho era de identificar o estilo de aprendizagem predominante do aluno através do seu comportamento, sobretudo na modalidade de educação à distância, na qual o AVA realizar o registro de todas as atividades dos alunos é desejável e de extrema relevância para o planejamento dos cursos mediados por tecnologias em ambientes online. Para isso, buscou-se identificar variáveis de comportamento que pudessem ser relacionadas com o estilo de aprendizagem. Os resultados mostram que as variáveis “quantidade de acesso à página”, “quantidade de acesso à pasta”, “quantidade de acesso à arquivos”, “quantidade de acessos à url”, “número de acesso por curso”, “quantidade de mensagens enviadas”, “quantidade de acessos à livro”, “quantidade de acesso ao chat”, “quantidade de acesso wiki”, “número de postagens”, “quantidade de acesso à tarefas”, “quantidade de acesso ao fórum” e “quantidade de acesso à questionários” não foram capazes de identificar os estilos de aprendizagens indicados pelo questionário CHAEA-32.

Ao buscar essa correlação a partir do conjunto de alunos que responderam voluntariamente o questionário CHEA32, observamos que não há correlação entre esses estilos e as variáveis de comportamento utilizadas no estudo. Produção Científica Os resultados da pesquisa desenvolvida durante a realização do doutorado geraram as seguintes produções científicas: 6. PRODUÇÃO CIENTÍFICA 59 1. Título: Conceitos de Ergodicidade e Autocorreção Aplicados ao Filtro De Wiene. Autores: Roberto Douglas Costa, Adrião Duarte Doria Neto, Ricardo Alexsandro de Medeiros Valentim, Hilário Jose Silveira Castro, José Wanderson Oliveira Silva. Veículo de Publicação: Revista HOLOS Resultado da Publicação: Publicado na v. iosrjournals. org - Volume 9, Issue 6 Ser. II. Nov. Dec. Título: Identification of Learning Styles in Distance Education Through Student Behavior Autores: Roberto Douglas da Costa, Gustavo Fontoura de Souza, Thales Barros de Castro, Ricardo Alexandro de Medeiros Valentim e Aline Pinho Dias Veículo de Publicação: Revista IEEE Revista Iberoamericana de Tecnologias del Aprendizaje Resultado da Publicação: Aceito para Publicação 8.

Título:The Theory of Learning Styles Applied to Distance Learning. Autores: Roberto Douglas da Costa, Gustavo Fontoura de Souza, Ricardo Alexandro de Medeiros Valentim e Thales Barros de Castro. Veículo de Publicação: Revista Cognitive Systems Research Resultado da Publicação: Aceito para Publicação 9. Título: Combining Learning Analytics and Learning Styles: a review Autores: Roberto D. An, Donggun & Martha Carr (2017), ‘Learning styles theory fails to explain learning and achievement: Recommendations for alternative approaches’, Personality and Individual Differences 116, 410–416. Bacich, Lilian (2015), ‘Neto, at trevisani, f. de m’, Ensino Híbrido: Personalização e tecnologia na educação. Porto Alegre: Penso. Baker, Ryan, Seiji Isotani & Adriana Carvalho (2011), ‘Mineraçao de dados educacionais: Oportunidades para o brasil’, Brazilian Journal of Computers in Education 19(02), 03. Brusilovsky, Peter (2003), A distributed architecture for adaptive and intelligent learning management systems, em ‘Workshop"Towards Intelligent Learning Management Systems", 11th International Conference on Artificial Intelligence in Education’, Citeseer.

REFERÊNCIAS BIBLIOGRÁFICAS Cabral, Alvaro (1996), Dicionário técnico de psicologia, Editora Cultrix. Clark, Richard E (1982), ‘Antagonism between achievement and enjoyment in ati studies’, Educational Psychologist 17(2), 92–101. Coffield, Frank, David Moseley, Elaine Hall, Kathryn Ecclestone et al. ‘Learning styles and pedagogy in post-16 learning: A systematic and critical review’. Ferrari, Alfonso Trujillo (1974), Metodologia da ciência, Kennedy Editora. Ferreira, Aurélio Buarque de Holanda (2004), Novo dicionário aurélio da língua portuguesa, em ‘Novo dicionário Aurélio da língua portuguesa’. Gil, Antonio Carlos (2008), Métodos e técnicas de pesquisa social, 6. ed. Ediitora Atlas SA. Kolb, David A (1984), ‘Experience as the source of learning and development’, Upper Sadle River: Prentice Hall. Kolb, David A, James M Mcintyre & Irwin M Rubin (1987), Psicología de las organizaciones: experiencias, Madrid: Prentice Hall.

Lakatos, Eva Maria & Marina de Andrade Marconi (2007), ‘Fundamentos de metodologia científica. reimp’, São Paulo: Atlas p. Lima, RW & Sergio Viana Fialho (2009), Introducing assessment into the teachinglearning process of distance education using discipline planning, em ‘9th IFIP World Conference on Computers in Education, Bento Gonçalves-RS’. REFERÊNCIAS BIBLIOGRÁFICAS Montgomery, Douglas C, Elizabeth A Peck & G Geoffrey Vining (2012), Introduction to linear regression analysis, Vol. John Wiley & Sons. Moore, Michael & Greg Kearsley (2013), ‘Educação a distância: sistemas de aprendizagem on-line’, São Paulo: Cengage Learning. Morettin, Pedro Alberto & WILTON OLIVEIRA BUSSAB (2017), Estatística básica, Editora Saraiva. Nunes, Ivônio Barros (1993), ‘Noções de educação a distância’, Revista educação à distância 4(5), 7–25. Romero, Cristóbal & Sebastián Ventura (2010), ‘Educational data mining: a review of the state of the art’, IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews) 40(6), 601–618.

Siemens, George, Dragan Gasevic, Caroline Haythornthwaite, Shane Dawson, S Buckingham Shum, Rebecca Ferguson, Erik Duval, Katrien Verbert & RSJD Baker (2011), Open Learning Analytics: an integrated & modularized platform, Tese de doutorado, Open University Press Doctoral dissertation. REFERÊNCIAS BIBLIOGRÁFICAS 65 Silva, Júlio César da Costa (2017), ‘Detecçao automática e dinâmica de estilos de aprendizagem em sistemas adaptativos e inteligentes utilizando dynamic scripting’. Silva, Zenaide, Leandro Ferreira & Andrey Pimentel (2016), Modelo de apresentaçao adaptativa de objeto de aprendizagem baseada em estilos de aprendizagem, em ‘Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE)’, Vol. p. Disponível em: Veenman, Marcel VJ, Frans J Prins & Joke Verheij (2003), ‘Learning styles: Selfreports versus thinking-aloud measures’, British Journal of Educational Psychology 73(3), 357–372. Vega, MC & M d Patino (2013), ‘Chaea 32 simplificada: propuesta basada en análisis multivariantes’, Salamanca: Repositorio Documental de la Universidad de Salamanca.

Recuperado de: http://hdl. handle. net/10366/122182.