Adaptação automática de conteúdo aplicada em ambiente interativo de aprendizagem individualizada
Notice bibliographique
Résumé
Sistemas Tutores Inteligentes têm se destacado como ferramenta de apoio ao ensino, principalmente pela sua adaptação às condições do usuário e cenário de aplicação. Diante da situação pandêmica, as ferramentas de apoio ao ensino, como os tutores, devido a sua viabilidade de utilização remota, mostram-se como uma possibilidade de suporte aos professores e alunos. Este trabalho aborda uma proposta de adaptação de conteúdo para ensino, aplicando técnicas de inteligência artificial para geração de texto e processamento de linguagem natural. Além disso, este trabalho considerou a existência de diferentes estilos de aprendizagem, variáveis conforme a personalidade do estudante e seu modo de captar informação, capaz de influenciar no nível de aprendizado. Esta variação de estilos, seguindo um modelo definido na literatura, direciona o modo de adaptação do conteúdo a ser realizado, gerando um resultado adaptado a cada estilo de aprendizagem.O processo de geração de conteúdo personalizado permite um avanço na forma de uso de sistemas tutores no ensino, criando um formato de entrega direcionada de conteúdo com ganhos para o usuário do ambiente, gerando um resultado personalizado e conduzindo a uma aprendizagem mais efetiva. Como resultado se espera obter uma metodologia para geração de conteúdo baseados em estilos de aprendizagem pré-definidos, por meio de processamento automatizado de adaptação do conteúdo a partir de entrada inicial em formato único.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».