Módulo 13, Long-Term Student Modeling
O assistente que construímos já ensina, age e analisa, mas ainda trata todos os alunos da mesma forma. Este módulo dá a ele o que falta para personalizar de verdade, um modelo de longo prazo de cada aluno, que cresce a cada interação e guia um ensino feito sob medida. É o que separa um assistente genérico de um tutor que conhece o seu aluno.
A trilha constrói esse modelo peça por peça. Primeiro, o perfil, que acumula o que sabemos sobre o aluno. Depois, a persistência, que faz o perfil sobreviver entre as sessões. Em seguida, a modelagem cognitiva, que estima o domínio de cada habilidade com fundamento, via knowledge tracing. Por fim, a personalização, que usa tudo isso para adaptar o que ensinar e como. Cada aula implementa as ideias do zero, e no fim elas se juntam no projeto, um sistema adaptativo de aprendizagem.
As quatro aulas
| Aula | Tema | O que você faz na prática |
|---|---|---|
| 1 | Perfil do aluno | Constrói um perfil que acumula sobre o aluno |
| 2 | Memória de longo prazo | Persiste o perfil entre sessões |
| 3 | Modelagem cognitiva | Estima o domínio com knowledge tracing |
| 4 | Personalização | Adapta ensino ao modelo (projeto do módulo) |
As três primeiras aulas constroem e refinam o modelo do aluno, e a quarta o coloca para trabalhar, onde mora o projeto integrador.
O que você leva deste módulo
Ao terminar, você sabe modelar um aluno ao longo do tempo, com perfil persistente e estimativa de domínio fundamentada, e usar esse modelo para personalizar o ensino, mantendo o aluno na zona certa de desafio. Esse modelo do aluno, somado às peças dos módulos anteriores, é o último componente do assistente educacional completo do Módulo 14.
Projeto do módulo
O projeto integrador está na pasta projects/m13-student-modeling/, um sistema adaptativo que mantém um modelo do aluno com domínio por habilidade, atualizado por knowledge tracing e persistido entre sessões, e que recomenda a ação, a profundidade e a dificuldade conforme o domínio evolui. Ele roda do zero, sem dependências, e tem testes.
Pré-requisitos
Os Módulos 10 (memória de agentes) e 12 (analytics) ajudam bastante, e o Teorema de Bayes do Módulo 1 fundamenta o knowledge tracing. Os exemplos e o projeto rodam só com a biblioteca padrão do Python. A versão com explicações geradas por LLM usa o Ollama, conforme o docs/setup.md.
Material de apoio
- Notebooks executáveis em notebooks/modulo-13/, um para cada aula.
- Projeto completo em projects/m13-student-modeling/.
- Referências de cada aula reunidas em references/referencias.bib.