Você está aqui: Página Inicial / Pós-Graduação / Informática / Temas de Pesquisa / Temas de pesquisa 2020.1 / Sistemas Tutores Inteligentes Baseados em Neurociência

Sistemas Tutores Inteligentes Baseados em Neurociência

Prof. Dr. Alan Pedro

Resumo:

Os avanços mais significativos e recentes dos STIs estão relacionados aos avanços de áreas que têm uma relação bastante direta com essa tecnologia: Mineração de Dados Educacionais e Aprendizado Analítico. Estas duas áreas buscam, essencialmente, investigar dados da interação entre os estudantes e os ambientes online de aprendizagem, com o objetivo de descobrir conhecimento sobre como os estudam aprendem quando submetidos a diversas situações. Com tais descobertas, os ambientes se tornam mais adaptáveis aos mais diversos perfis dos aprendizes. Nesse sentido, aqui mesmo no Brasil, tem surgido soluções que estão bem consolidadas na indústria. Soluções como estas buscam personalizar o ensino, através de conhecimento adquirido por meio da investigação dos dados de interação dos alunos, fornecendo informações sofisticadas aos Professores, Gestores e aos Pais e aos próprios alunos. No entanto, apesar de toda a evolução, os sistemas tutores inteligentes ainda necessitam de um melhor conhecimento sobre os alunos, pois eles ainda não são capazes de entender como orientar e conduzir melhor os aprendizes em todo o processo de aprendizagem. Várias iniciativas estão sendo adotadas para fornecer uma instrução mais personalizada, utilizando uma combinação de várias fontes de informação essencialmente oriundas da interação do aluno com o sistemas. Assim, parece existir a necessidade de acompanhar o aluno de uma forma mais ampla, para que o mesmo possa estar motivado, aberto e disponível para aprender. Por isso, propõe-se o uso de um instrumento mais amplo, e bastante consolidado na ciência, que é a Neurociência. Ela se propõe a investigar essencialmente como o cérebro se comporta, também, no processo de ensino e aprendizagem, analisando diversos fatores que vão além da interação do aprendiz como o ambiente em sim. Fatores como stress, alimentação, concentração, engajamento estão relacionados com o processo de aprendizagem, e se faz necessário orientar o aluno como um todo, e não apenas recomendando um recurso educacional mais específico. Com o auxilio da Neurociência, pretende-se fazer com que o Professor, e também o próprio aluno possa se conhecer, gerando condições otimizadas para o ensino. Eventualmente até mesmo o professor pode precisar está melhor preparado para lidar com situações inerentes ao processo de ensino com algum nível de automatização. Por isso, o objetivo geral deste projeto visa embutir dentro dos STIs modernos, e aos seus processos de ensino que estão neles inseridos, um conhecimento mais amplo sobre o aprendiz, e eventualmente também ao professor, de tal forma que o processo de ensino se torne mais amplo, no sentido de oferecer ao aluno uma instrução diferenciada para enfrentar os desafios de se fazer educação online, em paralelo a falta de interação com o professor, aliado aos desgaste dos problemas do dia-a-dia, como a pressão do trabalho, competitividade, falta de foco, concentração, alimentação inadequada, sedentarismo, outros hábitos não saudáveis e assim por diante. Tudo isso visa a agregar mais valor ao processo de ensino, tornando-o mais amplo, mais adequado para as necessidades dos diversos tipos de aprendizes, eventualmente flexibilizando o processo para o estágio emocional de cada um de seus aprendizes e assim por diante. Sabe-se, no

entanto, que transformar tal conhecimento em um modelo computacionalmente implementável também é um desafio a ser superado, dado que as arquiteturas dos STIs são bem diferenciadas, não existindo um padrão consolidado, visto também que o domínio de atuação dos sistemas tutores também são muito diversificados, e cada um possuindo suas particularidades.

 

Referências bibliográficas:

[1] Ryan S. Baker. Stupid tutoring systems, intelligent humans. International Journal of Artificial Intelligence in Education, 26(2):600–614, 2016.

[2] Paulo Blikstein and Marcelo Worsley. Multimodal learning analytics and education data mining: using computational technologies to measure complex learning tasks. Journal of Learning Analytics, 3(2):220–238, 2016.

[3] Nigel Bosch, Sidney D’Mello, Ryan Baker, Jaclyn Ocumpaugh, Valerie Shute, Matthew Ventura, Lubin Wang, and Weinan Zhao. Automatic detection of learning-centered affective states in the wild. In Proceedings of the 20th International Conference on Intelligent User Interfaces, IUI ’15, pages 379–388, New York, NY, USA, 2015. ACM.

[4] Nigel Bosch, Sidney K. D’Mello, Ryan S. Baker, Jaclyn Ocumpaugh, Valerie Shute, Matthew Ventura, Lubin Wang, and Weinan Zhao. Detecting student emotions in computer-enabled classrooms. In Proceedings of the Twenty-Fifth International Joint Conference on Artificial Intelligence, IJCAI 2016, New York, NY, USA, 9-15 July 2016, pages

4125–4129, 2016.

[5] Rodolfo Carneiro Cavalcante, Ig Ibert Bittencourt, Alan Pedro da Silva, Marlos Silva, Evandro Costa, and RobA ̃c rio Santos. A survey of security in multi-agent systems. Expert Systems with Applications, 39(5):4835 – 4846, 2012.

[6] Simone de Sousa Borges, Vinicius H. S. Durelli, Helena Macedo Reis, and Seiji Isotani. A systematic mapping on gamification applied to education. In Proceedings of the 29th Annual ACM Symposium on Applied Computing, SAC ’14, pages 216–222, New York, NY, USA, 2014. ACM.

[7] Diego Dermeval, Thyago Ten ́orio, Ig Ibert Bittencourt, Alan Silva, Seiji Isotani, and MA¡rcio Ribeiro. Ontology-based feature modeling: An empirical study in changing scenarios. Expert Systems with Applications, 42(11):4950 – 4964, 2015.

[8] Diego Dermeval, Jessyka Vilela, Ig Ibert Bittencourt, Jaelson Castro, Seiji Isotani, Patrick Brito, and Alan Silva. Applications of ontologies in requirements engineering: A systematic review of the literature. Requir.Eng., 21(4):405–437, November 2016.

[9] Helen F. Dodd, Jennifer L. Hudson, Tracey Williams, Talia Morris, Rebecca S. Lazarus, and Yulisha Byrow. Anxiety and attentional bias in preschool-aged children: An eyetracking study. Journal of Abnormal Child Psychology, 43(6):1055–1065, 2015.

[10] Jeffrey M. Halperin and Dione M. Healey. The influences of environmental enrichment, cognitive enhancement, and physical exercise on brain development: Can we alter the developmental trajectory of adhd? Neuroscience Biobehavioral Reviews, 35(3):621 – 634, 2011.

[11] G.E. Hawkins, M. Mittner, W. Boekel, A. Heathcote, and B.U. Forstmann. Toward a model-based cognitive neuroscience of mind wandering. Neuroscience, 310:290 – 305, 2015.

[12] Norbert Jau ̊A¡ovec and Ksenija Jau ̊A¡ovec. Working memory training: Improving intelligence ˆa“ changing brain activity. Brain and Cognition, 79(2):96 – 106, 2012.

[13] S.J. Lupien, F. Maheu, M. Tu, A. Fiocco, and T.E. Schramek. The effects of stress and stress hormones on human cognition: Implications for the field of brain and cognition. Brain and Cognition, 65(3):209 – 237, 2007.

[14] Behnaz Nojavanasghari, Deepak Gopinath, Jayanth Koushik, Tadas Baltruˇsaitis, and Louis-Philippe Morency. Deep multimodal fusion for persuasiveness prediction. In Proceedings of the 18th ACM International Conference on Multimodal Interaction, ICMI 2016, pages 284–288, New York, NY, USA, 2016. ACM.

[15] Kevin N. Ochsner, Stephen Kosslyn, Jennifer Silvers, Jason T. Buhle, and Kevin N. Ochsner. The neuroscience of emotion regulationbasic mechanisms and their role in development, aging, and psychopathology.

[16] Sheida Rabipour and Amir Raz. Training the brain: Fact and fad in cognitive and behavioral remediation. Brain and Cognition, 79(2):159 – 179, 2012.

[17] Chuangao Tang, Pengfei Xu, Zuying Luo, Guoxing Zhao, and Tian Zou. Automatic Facial Expression Analysis of Students in Teaching Environments, pages 439–447. Springer International Publishing, Cham, 2015.

[18] Thyago Ten ́orio, Ig Ibert Bittencourt, Seiji Isotani, Alan Pedro, and Patr ́ıcia Ospina. A gamified peer assessment model for on-line learning environments in a competitive context. Computers in Human Behavior, 64:247 – 263, 2016.

[19] Thyago Ten ́orio, Ig Ibert Bittencourt, Seiji Isotani, and Alan Pedro Silva. Does peer assessment in on-line learning environments work? a systematic review of the literature. Computers in Human Behavior, 64:94 – 107, 2016.

[20] Brandon M. Turner, Birte U. Forstmann, Bradley C. Love, Thomas J. Palmeri, and Leendert Van Maanen. Approaches to analysis in model-based cognitive neuroscience. Journal of Mathematical Psychology, 76, Part B:65 – 79, 2017. Model-based Cognitive Neuroscience.

[21] David A. Waldman, Pierre A. Balthazard, and Suzanne J. Peterson. Social cognitive neuroscience and leadership. The Leadership Quarterly, 22(6):1092 – 1106, 2011. Leadership Quarterly Yearly Review.