Segunda aula de Sistemas Inteligentes para Mediação da Aprendizagem

Na segunda aula produzimos, em duplas e trios, um compilado dos conhecimentos ilustrados por cada participante no documento de foco de pesquisa. Segue abaixo o conteúdo do documento do trio Jéssica, Pedro e Sabrina.

Atividade SIMA - 23/08

Crediné: “Trabalhem um pouco em duplas. Discutam suas anotações. E produzam um documento conjunto sobre a leitura que fizeram”

Vivemos uma era digital onde grande parte da população possui meios de estar conectada à internet através de diferentes dispositivos (computadores pessoais, tablets, smartphones, vestíveis, etc…). Os diversos dispositivos que utilizamos e sistemas com os quais e nos quais interagimos compõem nosso ecossistema digital.

Essas interações geram uma grande quantidade de dados e a análise desses dados apresenta nossas preferências em diversos aspectos, do estilo musical preferido ao tipo de restaurante que mais frequentamos. Podemos dizer então que os diversos dispositivos conectados aos nossos perfis virtuais, transferem para o meio digital parte de nossas características e preferências.

Nossos ecossistemas de aprendizagem podem ser apoiados por Smart Learning Environments, os SLE’s, que são sistemas que possuem ou incorporam várias das seguintes características: (i) Conhecimento - acesso a informações pertinentes e a capacidade de melhorar essa informação; (ii) Suporte de tarefas - capacidade de executar uma tarefa; (iii) Sensibilidade do aprendiz - capacidade de gerenciar e fazer uso de um perfil do aluno; (iv) Sensibilidade ao contexto - capacidade de reconhecer situações específicas, incluindo as situações nas quais um aluno pode precisar de assistência; (v) Reflexão e feedback - capacidade de criticar uma solução ou desempenho e fornecer feedback ativo e significativo a um aluno. (SPECTOR, 2016).

Já de acordo Gros (2016) um SLE contém como características:

• Detectar e levar em conta os contextos do mundo real.
• Situar os alunos em cenários do mundo real.
• Adaptar interfaces de aprendizagem para alunos individuais.
• Adaptar tarefas de aprendizagem para alunos individuais.
• Fornecer feedback ou orientação personalizada.
• Fornecer orientação ou suporte de aprendizado em todas as disciplinas.
• Fornecer orientação de aprendizagem ou suporte em vários contextos.
• Recomendar ferramentas ou estratégias de aprendizagem.
• Considerar o status de aprendizado on-line dos alunos.
• Considerar o status de aprendizado do mundo real dos alunos.
• Facilitar a aprendizagem formal e informal.
• Considerar vários fatores pessoais e ambientais.
• Interagir com os usuários por meio de vários canais.
• Fornecer aos alunos suporte com antecedência, em contextos reais e virtuais.

Para suprir essas características, podemos nos apegar a Internet das Coisas (IoT) e a sistemas de apoio à tomada de decisão de forma a utilizar o que cada um desses modelos de informatização podem oferecer (coleta e análise de dados, respectivamente) em forma de suporte.

A Internet das Coisas (IoT) (ou Internet of Objects) é um paradigma que vem ganhando espaço graças aos avanços nas telecomunicações, como a expansão de bandas largas, a nova versão 6 do protocolo IP e a nanotecnologia integrada em inúmeros dispositivos eletrônicos, variando entre dispositivos móveis, veículos, eletrodomésticos e muito mais. A ideia da Internet de Objetos é integrar todos esses dispositivos na rede, que podem ser gerenciados a partir da web e, por sua vez, fornecer informações em tempo real (podemos saber seu status e recursos on-line) e também permitir a interação com pessoas que o usam. (GOMES, 2013)

Os recursos que a IoT oferece, principalmente em relação a interoperação entre dispositivos, é precioso para a informática na educação no que diz respeito à coleta de dados pelos diversos equipamentos “incorporados” pelos estudantes, que incluem: smartphones, wereables, computadores etc.

Com os dados em mãos, a segunda fase no processo de potencialização de ensino-aprendizagem pode ser realizada. Trata-se da análise dos dados com sistemas de apoio à decisão (SAD) e learning analitycs (LA). A Figura 1, mostra a IoT (para coleta de dados) e os SAD (para análise dos dados) como parte integrante de SLEs para apoio da aprendizagem no contexto dos ecossistemas de aprendizagem.

Figura 1: Estrutura dos SLEs sob a ótica de IoT e SAD

A tarefa de tomada de decisão, por ser trabalhosa e complexa, induz ao estudo de estratégias que combinem o uso de sistemas de informação para o apoio a tomada de decisão. Os sistemas de informação são considerados então recursos básicos para a decisão automatizada. A grande vantagem desses sistemas é fornecer aos responsáveis pela decisão as informações mais recentes disponíveis. Sistemas de Informação podem ser classificados de diversas maneiras, um deles é o Sistema de Apoio à Decisão. Os SAD são criados para permitir a troca de suposições entre os usuários, além de permitir a inclusão de novas perguntas e dados ao sistema.

A área de Learning Analytics (LA) busca entender como atividades como pesquisa, ensino e serviços de suporte contribuem para o aprendizado dos estudantes através da análise dos dados disponíveis. Com tantos dados é interessante que seja repensado o papel que a análise desempenha para que a informação possa fazer sentido. Além das fontes conhecidas de dados, cada vez mais o uso de sensores, como smartphones e tablets têm crescido tornando necessária a agregação desses elementos às fontes de dados, já que esses dispositivos oferecem uma ponte entre os mundos físico e digital por meio da captura de localização e atividade. LA combina grandes datasets com técnicas de estatística e modelagem de predição, de modo que por meio da mineração de dados institucionais seja possível produzir inteligência acionável. LA pode ajudar no processo de tomada de decisão por meio de análises holísticas de cenário E-SE (What-If) e experimentação explorando como elementos de uma disciplina complexa se conectam, e qual o impacto das mudanças em elementos centrais.

No âmbito da educação a tomada de decisão é utilizada muitas vezes como prática de intervenção, pois dados coletados por sensores podem esclarecer falhas encontradas no processo de aprendizagem de um aluno, e a partir dessas informações decisões de intervenção podem ser tomadas para promover uma melhor experiência para o aluno no processo ensino/aprendizagem. O apoio tecnológico existente pode não ser apropriado para professores e tutores lidarem com os dados. É necessário que ferramentas de visualização cada vez melhores sejam criadas para promover a interpretação dos dados de modo a facilitar a tomada de decisão por parte dos professores. Já que os mesmos têm a responsabilidade de gerar impacto positivo na experiência de aprendizagem do aluno. Uma solução pode ser uma abordagem que combine aspectos da inteligência artificial com a inteligência humana buscando a solução dos problemas complexos e falhas que podem acontecer durante a aprendizagem.

Referências.

GÓMEZ, Jorge et al. Interaction system based on internet of things as support for education. Procedia Computer Science, v. 21, p. 132-139, 2013.

GROS, Begoña. The design of smart educational environments. In: Journal “Smart Learning Environments”. (2016).

PAIVA, Ranilson Oscar Araújo et al. Autoria de decisões pedagógicas informadas por dados sob a perspectiva de um MOOC. 2017.

SPECTOR, J. Michael. Smart learning environments: Concepts and issues. In: Society for Information Technology & Teacher Education International Conference. Association for the Advancement of Computing in Education (AACE), 2016. p. 2728-2737.

SIEMENS, George; LONG, Phil. Penetrating the fog: Analytics in learning and education. EDUCAUSE review, v. 46, n. 5, p. 30, 2011.