Um modelo de estudante baseado em redes Bayesianas para o estudo de fundamentos de orientação a objetos

Abstract

Atualmente as linguagens orientadas a objeto encontram-se entre as mais utilizadas. Estudos recentes com alunos iniciantes demonstram que os conceitos de programação orientada a objetos (POO) não são tão fáceis de assimilar. Os estudantes encontram dificuldades não somente no entendimento dos conceitos de POO, mas também na aplicação deles na resolução de problemas. Diante disso, propõe-se o emprego de um Sistema Tutor Inteligente (STI) para auxiliar no processo de aprendizagem desses conceitos. Um dos principais desafios para o desenvolvimento de um STI é o tratamento individualizado do estudante, que é obtido principalmente por meio da adaptatividade do sistema às características de cada aprendiz. A adaptatividade ao aprendiz é uma questão complexa, foco de várias pesquisas, abrange várias características da personalidade: estilo de aprendizagem, inteligência, conhecimento anterior, histórico do aprendiz e as emoções. Dessa forma, o modelo do estudante é de fundamental importância, pois contém as informações individuais do aprendiz. É nesse ponto que as técnicas de Inteligência Artificial (IA) têm sido empregadas. Este trabalho aborda a questão da adaptatividade do sistema tutor ao conhecimento do estudante por meio de um modelo de aprendiz baseado em Rede Bayesiana. Considerando-se que o nível de conhecimento do aprendiz é uma informação imprecisa, e que até mesmo professores lidam com essa incerteza, optou-se pela utilização de Redes Bayesianas (RBs), também chamadas de Redes de Crença, que são consideradas adequadas para ambientes sob incerteza pois empregam o raciocínio probabilístico, o qual permite identicar um certo grau de crença sobre o nível de conhecimento do aprendiz. Devido a isso, RBs têm sido empregadas em STIs nas inferências sobre o comportamento do aprendiz e nas tomadas de decisões sobre as ações do tutor.

Nowadays, object oriented languages are among the most used ones. Recent studies with beginners have shown that the object oriented programming language (OOP) concepts are not so easy to learn. Students have difficulties not only in understanding those OOP concepts, but also in applying them to solving problems. Therefore, an Intelligent Tutoring System (ITS) is suggested in order to help in the learning process of these concepts. One of the most important challenge for ITS development is the individual treatment of student, which is mainly obtained by system adaptativity to the characteristics of each student. This adaptativity to student is a complex issue and the focus of several researches. It encloses several areas of personality such as: learning style, intelligence, previous knowledge, student background and emotions. Thus, the student model is extremely important because all individual information of student is in it. It is here where Artificial Intelligence (AI) techniques have been employed. This paper approaches the adaptativity issue of tutoring system to student knowledge through a student model based on Bayesian Network (BN). Taking into consideration that the student knowledge level is an inaccurate information, and even professors deal with this uncertainty, the Bayesian Networks (BNs), also known as Belief Network, have been chosen. They are considered proper for uncertain spheres for employing the probabilistic reasoning, which allows to identify a certain belief degree of student knowledge level. Therefore, the BNs have been employed in ITS in the inferences concerning student behavior as well as in the decision-making process concerning tutor actions.