Modelo de adaptação de conteúdo individualizada com base em estilos de aprendizagem
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
O uso de sistemas inteligentes tem se ampliado notavelmente desde a introdução de novas técnicas de aprendizado de máquina, sendo isso reforçado a partir do surgimento das LLMs (\textit{Large Language Models}). Esse crescimento tem se observado também em ensino, que é uma área em que já há bastante tempo se introduziu os Sistemas Tutores Inteligentes. Neste contexto, uma aplicação interessante é a geração de conteúdos adaptados a estilos de aprendizagem, em que um material didático é produzido de forma customizada para cada categoria de aluno. Apresenta-se aqui uma ferramenta que usa técnicas de inteligência artificial para construção de conteúdos adaptados para o Inventório de Estilos de Aprendizagem criado por David Kolb. Essa ferramenta automatiza a produção de conteúdos específicos para cada estilo a partir de um texto base introduzido pelo professor. Os resultados obtidos mostram que o uso de LLMs permite a criação de textos específicos com facilidade, viabilizando ao professor produzir textos adaptados a cada perfil de aluno.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 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 it