Detecção Automática e Dinâmica de Memória de Trabalho utilizando Q-Learning e Média Móvel Exponencialmente Ponderada

Abstract

Intelligent Tutoring Systems work to customize Virtual Learning Environments according to the learner’s cognitive profile. In order to customize these environments, it needs to apply Artificial Intelligence techniques to detect Affective Traits, Working Memory Capacity, and Learning Styles. This work proposes the application of Q-Learning and Exponentially Weighted Moving Average techniques for Working Memory Capacity detection through the use of the aprendice’s navigation traces. Experimental results show the potential of both methods to detect the Working Memory Capacity and point out the superiority of the Exponentially Weighted Moving Average technique considering the scenarios evaluated. Resumo. Sistemas de Tutoria Inteligentes trabalham para customizar Ambientes Virtuais de Aprendizagem de acordo com o perfil cognitivo do aprendiz. Para customizar estes ambientes, faz-se necessário a aplicação de técnicas de Inteligência Artificial para detecção de Traços Afetivos, Memória de Trabalho, e Estilos de Aprendizagem. Este trabalho propõe a aplicação das técnicas Q-Learning e Média Móvel Exponencialmente Ponderada para detecção de Memória de Trabalho por meio dos traços de navegação do aprendiz. Resultados experimentais demonstram o potencial de ambas as técnicas para detecção da Memória de Trabalho e apontam que a técnica de Média Móvel Exponencialmente Ponderada é superior considerando os cenários avaliados. 1. Introdução A customização de Ambientes Virtuais de Aprendizagem (AVA) por meio do mapeamento do Modelo Cognitivo do aprendiz é um dos principais objetivos de um Sistema de Tutoria Inteligente (STI). Com esta finalidade, existem na literatura diversas abordagens que utilizam diversos traços cognitivos como Estilos de Aprendizagem, Computação Afetiva e mais recentemente Memória de Trabalho (Working Memory Capacity WMC). O objetivo é se opor ao paradigma one size fits all que predomina na maior parte dos sistemas de gestão de conteúdo, e customizar o ambiente de acordo com as necessidades do aprendiz. Os STIs buscam mapear o perfil cognitivo do estudante utilizando técnicas de Aprendizado de Máquina e Inteligência Artificial para adaptar a interface e a DOI: 10.5753/cbie.sbie.2018.1293 1293 Anais do XXIX Simpósio Brasileiro de Informática na Educação (SBIE 2018) VII Congresso Brasileiro de Informática na Educação (CBIE 2018)