A personalização de aprendizagem da Jovens Gênios ocorre em dois momentos diferentes: o primeiro se refere ao plano de estudos, em que se recomendam habilidades e tópicos; o segundo é ligado às questões, em que recomenda-se a melhor questão para o aluno ver naquele dado momento. Isso é alcançado utilizando, como base, Deep Knowledge Tracing (DKT) e Teoria de Resposta ao Item (TRI), respectivamente.
Deep Knowledge Tracing utiliza algoritmos de Deep Learning para otimizar o desempenho em problemas de Knowledge Tracing (KT). KT, por sua vez, é a área de estudo que busca inferir resultados de desempenho em futuras interações do estudante, dado seu histórico de interações. Normalmente, o sistema recebe como informações os acertos e erros do estudante nas diferentes habilidades, e prevê a probabilidade de acerto do estudante em futuras interações, mesmo em habilidades não treinadas anteriormente por ele.
Nossos algoritmos de DKT utilizam Redes Neurais Recorrentes (RNNs), um tipo de algoritmo de Deep Learning, alcançando um desempenho de 0.82 AUC (Area Under the Curve), estando a par com o estado da arte reportado na literatura. Alcançamos uma acurácia acima de 80% nas previsões de acerto do aluno, mesmo para habilidades que ele nunca interagiu.
Isso é possível porque o algoritmo consegue inferir, de forma autônoma, relacionamentos latentes entre habilidades da BNCC, inclusive, de forma interdisciplinar.
Com isso, é possível recomendar a melhor trilha de aprendizagem para o aluno, considerando suas necessidades pedagógicas. Isso faz sua aprendizagem ocorrer de forma mais otimizada, potencializando o seu engajamento. Além disso, é possível acompanhar a evolução da aprendizagem do aluno ao longo do tempo.
A Teoria de Resposta ao Item (TRI) é utilizada em conjunto com algoritmos de Testes Adaptativos Computadorizados. O Computerized Adaptive Testing (CAT) é utilizado para recomendar a melhor questão que o aluno deve resolver dentro de cada habilidade/tópico.
Já o princípio básico da TRI é o de que a probabilidade de acerto de um item depende do nível de domínio do aluno. Assim, dado o domínio do aluno, espera-se que ele acerte os itens de proficiência/dificuldade iguais ou menores que os dele. A TRI avança ao tornar o item a unidade básica de análise, e ao desenvolver a ideia de uma escala de referência, com todos os benefícios que essas características proporcionam.
Segundo Weiss, D. J. e Kingsbury, G. G., o teste adaptativo, geralmente, pode reduzir em 50% a duração de um teste e, ainda, manter um nível de precisão mais alto do que uma versão fixa. Isso se traduz em economia de tempo para o participante do teste e menor possibilidade de frustração. Os participantes do teste não perdem tempo tentando itens muito difíceis ou trivialmente fáceis. Além disso, a organização responsável pelo teste se beneficia da economia de tempo e recursos, uma vez que o custo do tempo de assento do examinando é substancialmente reduzido.
O Computerized Adaptive Testing (CAT) é usado em múltiplos contextos em que se deseja diminuir o tamanho e duração das avaliações. Algumas notórias avaliações internacionais utilizam essa abordagem, como: Test of English as a Foreign Language (TOEFL), Scholastic Assessment Test (SAT) e Graduate Management Admission Test (GMAT).
Para fazer um teste adaptativo, precisa-se dos cinco critérios: conjunto de itens calibrados, ponto de partida ou nível de entrada, algoritmo de seleção de itens, procedimento de pontuação e critério de rescisão. Para a calibração dos itens, após garantida a qualidade dos itens do banco de questões, e estimativa da habilidade do estudante, utilizamos o modelo de Rasch. Para a determinação do ponto de partida, algoritmo de seleção de itens e critério de rescisão, utilizamos algoritmos baseados no trabalho de Benjamin D. Wright e John Linacre.
As milhões de questões e atividades resolvidas por diferentes perfis de alunos permitem que os nossos algoritmos de Machine Learning aprendam diariamente e otimizem as recomendações sobre o que o estudante mais precisa aprender no melhor momento.
Com diagnósticos de aprendizagem pautados em testes adaptativos e TRI, a inteligência artificial das plataformas de aprendizagem da Jovens Gênios é capaz de recomendar assuntos e gerar melhores resultados de aprendizagem para o estudante. Esses algoritmos são baseados em 3 pilares principais: manter o estudante na zona de desenvolvimento proximal, ou seja, a aprendizagem deve ser suficientemente difícil para não ser monótona, mas adequada para não gerar frustração; não deve ser repetitiva; e deve ser contextualizada com o que o estudante está estudando na escola.
Se ainda tiver alguma dúvida, é só mandar mensagem para a gente! 😀💚