ANÁLISE AUTOMÁTICA DE ESTILOS DE APRENDIZAGEM

Resumo

Este estudo explora a aplicação de técnicas de aprendizado de máquina na identificação
de estilos de aprendizagem, com o objetivo de aprimorar a personalização do ensino.
Reconhecendo que os estilos de aprendizagem são fatores cruciais para maximizar o
potencial educacional de cada aluno, a pesquisa investiga a eficácia de quatro méto-
dos: Máquinas de Vetores de Suporte (SVM), Self-Organizing Tree Algorithm (SOTA),
Probabilistic Neural Networks (PNN) e Árvores de Decisão. Tradicionalmente, a iden-
tificação de estilos de aprendizagem tem sido realizada por meio de questionários e
autoavaliações, abordagens que apresentam limitações significativas devido à sua na-
tureza subjetiva e potencial viés.
O presente estudo utiliza um conjunto de dados comportamentais coletados em am-
bientes educacionais digitais, permitindo uma análise mais dinâmica e contínua dos
estilos de aprendizagem. Os resultados demonstram que o modelo SVM apresenta
o melhor desempenho na classificação das dimensões de aprendizagem definidas pelo
modelo de Felder-Silverman, com alta acurácia em comparação às outras abordagens
testadas. Em contrapartida, as Árvores de Decisão revelaram um desempenho inferior,
possivelmente em virtude do tamanho limitado do conjunto de dados.
Conclui-se que a implementação de técnicas de aprendizado de máquina oferece uma
abordagem promissora para a identificação precisa dos estilos de aprendizagem, con-
tribuindo para a personalização do ensino e a eficácia das intervenções pedagógicas.
A pesquisa sugere a necessidade de mais dados e características adicionais para uma
análise mais robusta e para capturar adequadamente as nuances dos comportamentos
dos alunos.