Utilização de Modelos Ocultos de Markov e Aprendizagem por Reforço para detecção de Estilos de Aprendizagem de estudantes em Sistemas Tutores Inteligentes

Um dos maiores desafios na área da Educação a Distância é fornecer soluções tecnológicas que atendam aos estudantes de forma diferenciada. Os Ambientes Virtuais de Aprendizagem, embora auxiliem os professores e estudantes na realização dos cursos, não consideram as diferenças individuais de cada discente. Pesquisas apontam que considerar as diferenças dos estudantes, por intermédio dos Estilos de Aprendizagem, impacta positivamente o rendimento dos alunos ao longo do curso. Diante desse cenário, a identificação automática de Estilos de Aprendizagem dos estudantes nos Sistemas Tutores Inteligentes é um importante tópico em pesquisas da área de Tecnologia aplicada à Educação. O presente trabalho apresenta uma abordagem para identificação automática dos Estilos de Aprendizagem dos estudantes em Sistemas Tutores Inteligentes. A abordagem proposta utiliza Modelos Ocultos de Markov para modelar os Estilos de Aprendizagem, o Algoritmo de Viterbi para inferi-los, e uma abordagem de Aprendizagem por Reforço para correção da detecção automática dos Estilos de Aprendizagem. Os resultados apontam uma taxa média de 91% de inferências corretas, demonstrando ser uma abordagem eficaz e promissora para a utilização em Sistemas Tutores Inteligentes