Aprendizado sob medida: A tecnologia que conecta seus cursos online com a sua vida real
- Tiago Primo
- 6 de mar.
- 2 min de leitura
📋 Ficha Técnica
Título: Um framework de sistemas de recomendação para uso no ensino não-formal
Autor: Mateus Wachholz Noremberg
Orientador: Prof. Dr. Marilton Sanchotene de Aguiar
Coorientador: Prof. Dr. Tiago Thompsen Primo
🧐 O Contexto (O Problema)
Com o aumento exponencial dos cursos online (o chamado ensino não-formal), as pessoas estão sempre aprendendo coisas novas fora do ambiente tradicional de uma escola ou universidade. No entanto, a maioria dos sistemas de recomendação educacionais foca apenas nas notas do aluno ou nos cliques na tela, ignorando algo vital: o contexto em que ele vive (como os lugares que frequenta ou o ambiente ao seu redor). O desafio era criar uma forma de a tecnologia usar essas informações do dia a dia para fazer recomendações de estudo que realmente fizessem sentido para a realidade do usuário.
🛠️ O Que Foi Feito
O pesquisador construiu um framework (uma estrutura inteligente) de Sistema de Recomendação que funciona de maneira "híbrida", ou seja, combinando várias técnicas de Inteligência Artificial. Para testar a ideia, ele fez algo muito criativo:
Cruzamento de Dados : Ele juntou um banco de dados de um aplicativo de escola de inglês com dados reais de check-ins de localização de pessoas (como parques, restaurantes e hotéis).
Conexão Inteligente: O sistema analisava os lugares que o aluno frequentava na vida real e, a partir disso, os algoritmos calculavam a semelhança entre alunos e conectavam os cenários aos exercícios de inglês.
Se um aluno fazia muito check-in em parques, por exemplo, o sistema priorizava recomendar aulas e vocabulários que tivessem relação com aquele ambiente, ou sugeria exercícios que pessoas com hábitos parecidos gostavam de fazer.
💡 A Grande Descoberta (O Pulo do Gato)
A pesquisa provou que usar a rotina física do aluno para guiar o ensino digital funciona extremamente bem!
O "pulo do gato" da inteligência desenvolvida foi alcançar um equilíbrio perfeito. O sistema atingiu uma cobertura de quase 98% (conseguindo sugerir praticamente todo o catálogo de aulas sem esquecer nenhum material) e garantiu uma taxa de personalização próxima a 65%.
Além de ser muito preciso, o algoritmo conseguiu evitar um dos maiores problemas da tecnologia atual: a superespecialização (ficar recomendando sempre exatamente a mesma coisa). O sistema conseguiu injetar "novidade" nos estudos, garantindo que o professor pudesse recomendar conteúdos sob medida e que gerassem conexão real com o cotidiano do estudante.
🚀 O Futuro da Pesquisa
Este modelo abre caminho para que plataformas de ensino do futuro sejam muito mais adaptáveis. Os próximos passos para expandir a tecnologia incluem:
Testes no Mundo Real: Sair do ambiente simulado e aplicar o sistema diretamente com alunos e professores em plataformas ativas de ensino, medindo o impacto no aprendizado prático.
Novas Variáveis de Contexto: Expandir o sistema para que ele leia não apenas a localização do aluno, mas outras infinitas possibilidades do contexto (como o horário de estudo, o clima lá fora ou o dispositivo utilizado).
Algoritmos ainda mais Espertos: Desenvolver novos métodos de "mistura" (hibridização) de dados para que o sistema consiga lidar até com novos alunos que acabaram de se matricular e ainda não têm dados no sistema (o chamado problema do cold start).
Comentários