Skip navigation

Use este identificador para citar ou linkar para este item: https://repositorio.ufpb.br/jspui/handle/123456789/18613
Tipo: Dissertação
Título: Proposta de um recomendador de fluxograma personalizado com visualização gráfica das dificuldades das disciplinas baseado em filtragem colaborativa
Autor(es): Santos, Igor Nóbrega dos
Primeiro Orientador: Rego, Thais Gaudêncio do
Resumo: Os fluxogramas são construídos com base no Núcleo Docente Estruturante (NDE) que é responsável pela concepção do projeto pedagógico de um curso e podem variar dependendo das recomendações do próprio NDE e que utiliza critérios como: a quantidade mínima de créditos por período, a duração do curso, as dependências entre disciplinas. A etapa de construção do fluxograma é de fundamental importância, pois fluxogramas mal formulados podem conter disciplinas mal distribuídas, aumentando o tempo de conclusão do curso, acarretando em maiores gastos financeiros para as universidades. Os alunos têm incertezas na escolha de um conjunto de disciplinas ideal em um período, uma vez que eles não sabem, a priori, as dificuldades que enfrentarão em cada uma delas. Diante disso, surge a necessidade do desenvolvimento de sistemas de recomendação de fluxograma personalizados. O presente trabalho propõe o desenvolvimento de um recomendador de fluxograma personalizado utilizando a técnica de filtragem colaborativa, com a visualização gráfica do fluxograma. Foram utilizadas cores representativas que alertarão o estudante sobre o nível de dificuldade de cada disciplina. Dessa forma, foi possível fazer uma associação entre as previsões de notas e os níveis de dificuldades para cada uma delas. Foram utilizados os parâmetros: Raiz do Erro Quadrático Médio (Root Mean Square Error, RMSE), Erro Médio Absoluto (Mean Absolute Error, MAE) e a análise da matriz de confusão para testar a eficiência do recomendador. O recomendador de fluxograma foi testado com um conjunto de 298 alunos ativos, do curso de Engenharia de Computação da UFPB, realizando recomendações de disciplinas para todos os períodos do curso, resultando em uma previsão de nota com RMSE de 1,74 e o MAE de 1,33. Além disso, foram obtidos 88,71% de acurácia, 98,52% de especificidade e 54% de sensibilidade. Como possíveis resultados da presente proposta, espera-se a diminuição do risco de reprovação nas disciplinas, uma vez que o aluno terá, de forma antecipada, informações do fluxograma com visualização gráfica sobre as dificuldades das disciplinas através de um fluxograma colorido, podendo, assim, planejar melhor a sua dedicação para cada uma delas
Abstract: The flowcharts are built based on the (NDE) which responsible for the conception of the pedagogical project of a course and may vary depending on the recommendations of NDE itself that uses criteria such as: the minimum amount of credits per period, the duration. of course, the dependencies between disciplines. The flowchart construction stage is of importance, as poorly formulated flowcharts may contain poorly distributed subjects, increasing the time of completion of the course, leading to higher financial expenses for universities. Students have uncertainties in choosing an ideal set of subjects over a period, as they do not know a priori the difficulties they will face in each of them. Given this, the need arises for the development of custom flowchart recommendation systems. The present work proposes the development of a personalized flowchart recommendation based on a recommendation algorithm by the collaborative filtering technique with the use of graphical flowchart visualization. Colors (red, yellow and green) will be used to alert the student about the difficulty level of each discipline. In this way, one can make an association between the predictions of grades and the levels of difficulties for each of them. The following parameters were used: Root Mean Square Error (RMSE), Mean Absolute Error (MAE) and the confusion matrix analysis to test the efficiency of the recommender. The flowchart recommender was tested with a set of 298 active students from the Computer Engineering course at UFPB, making subject recommendations for all periods of the course, resulting in an RMSE grade prediction of 1.74 and the MAE of 1.33. In addition, 88.71 % accuracy, 98.52 % specificity and 55 % sensitivity were obtained. As possible results of this proposal, it is expected to reduce the risk of failure in the subjects, since the student will have, in advance, flowchart information with easy and intuitive visualization about the difficulties of the subjects through a colored flowchart, so plan your dedication better to each of them.
Palavras-chave: Sistemas de recomendação
Sistemas de e-learning
Filtragem colaborativa
Previsão de notas
Recommendation systems
E-learning systems
Collaborative filtering
Grade prediction
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Idioma: por
País: Brasil
Editor: Universidade Federal da Paraíba
Sigla da Instituição: UFPB
Departamento: Informática
Programa: Programa de Pós-Graduação em Informática
Tipo de Acesso: Acesso embargado
URI: http://creativecommons.org/licenses/by-nd/3.0/br/
URI: https://repositorio.ufpb.br/jspui/handle/123456789/18613
Data do documento: 11-Fev-2020
Aparece nas coleções:Centro de Informática (CI) - Programa de Pós-Graduação em Informática

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
IgorNóbregaDosSantos_Dissert.pdf7,04 MBAdobe PDFVisualizar/Abrir    Solicitar uma cópia


Este item está licenciada sob uma Licença Creative Commons Creative Commons