Application of artificial intelligence techniques in the formation of collaborative learning teams based on learning styles and team roles profile

The inherently social nature of human beings leads us to seek ways to interact with our fellow human beings. The emergence of virtual communication channels (such as social networks and instant messaging systems) and the popularization of the internet and mobile devices have incorporated this connectivity to practically all of us, especially children and teenagers, who were born in this environment. Today, being connected is a necessity, including in education. This need to be connected and get good results makes it important to identify factors that affect the joint performance of students and find efficient ways to organize study teams. This dissertation investigates whether collaborative study teams formed based on individual profiles that match students' learning styles and team roles perform better than casually formed study teams. Individual student profiles are identified from their responses to Felder's learning styles questionnaires and Belbin's team roles. A genetic algorithm uses these profiles to generate balanced teams according to optimization rules. To assess performance, teams perform collaborative activities and answer a final satisfaction questionnaire related to their perception of teammates and the activity. Compared to randomly formed teams, the teams generated by the AG based on the profile composed of learning styles and team roles have better academic performance and greater individual satisfaction.Dissertação (Mestrado)A natureza inerentemente social do ser humano nos leva a buscar formas de interagir com nossos semelhantes. O surgimento de canais virtuais de comunicação (como as redes sociais e os sistemas de mensagens instantâneas) e a popularização da internet e dos dispositivos móveis, incorporou essa conectividade a praticamente todos nós, em especial a crianças e adolescentes, que já nasceram nesse ambiente. Hoje, estar conectado é uma necessidade, inclusive na educação. Essa necessidade de estar conectado e de obter bons resultados torna importante identificar fatores que afetam o desempenho conjunto dos estudantes e descobrir formas eficientes de organizar equipes de estudo. Esta dissertação investiga se equipes de estudo colaborativo formadas com base em perfis individuais que combinam estilos de aprendizagem e papéis de equipe dos estudantes apresentam desempenho melhor do que equipes de estudo formadas casualmente. São identificados os perfis individuais dos estudantes a partir de suas respostas aos questionários eletrônicos de estilos de aprendizagem de Felder e de papéis de equipe de Belbin. Um algoritmo genético usa esses perfis para gerar equipes balanceadas de acordo com regras de otimização. Para avaliar o desempenho, as equipes executam atividades colaborativas e respondem um questionário final de satisfação relacionado à sua percepção sobre os colegas de equipe e sobre a atividade. Comparadas a equipes formadas aleatoriamente, as equipes geradas pelo AG com base no perfil composto por estilos de aprendizagem e papéis de equipe apresentam melhor desempenho acadêmico e maior satisfação individual