Adaptação automática de conteúdo aplicada em ambiente interativo de aprendizagem individualizada
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".