Aula 4, Personalização

Esta aula fecha o módulo colocando o modelo do aluno para trabalhar. Com o perfil, a persistência e a modelagem cognitiva, o assistente finalmente adapta o ensino a cada um. Vamos construir o sistema adaptativo que escolhe o que ensinar e como.

Construímos um modelo rico do aluno, com perfil persistente e domínio estimado por habilidade. Mas um modelo só tem valor se for usado. A personalização é o passo que fecha o ciclo, transformar o que sabemos sobre o aluno em decisões concretas sobre o que ensinar, em que profundidade e com que dificuldade. É o que separa um assistente que dá a mesma coisa para todos de um que se molda a cada um.

Personalizar é adaptar três coisas, principalmente. O conteúdo, escolhendo o próximo tema a estudar conforme o domínio. A dificuldade, ajustando os exercícios para nem entediar nem frustrar. E a forma, variando a profundidade da explicação conforme o nível e as preferências. Nesta aula você vai construir o sistema adaptativo que toma essas decisões a partir do modelo do aluno, o projeto que fecha o módulo e prepara o assistente final.

Objetivos

Ao final desta aula, você deve ser capaz de:

Explicar como o modelo do aluno orienta as decisões de personalização.
Adaptar conteúdo, dificuldade e forma ao perfil do aluno.
Implementar um recomendador adaptativo a partir do domínio.
Reconhecer o princípio de manter o aluno na zona certa de desafio.

Teoria

A personalização usa o modelo do aluno para tomar decisões. A partir do domínio de cada habilidade, o sistema decide o que recomendar. Se o domínio de um tema é baixo, a recomendação é revisar, com explicação detalhada e exercícios fáceis. Se é intermediário, é praticar, com dificuldade média. Se é alto, é avançar, com explicação breve e exercícios desafiadores. As preferências do perfil afinam a forma, por exemplo privilegiando exemplos visuais para quem gosta deles.

flowchart LR
    M[Modelo do aluno<br/>domínio, nível, preferências] --> D[Decisão de personalização]
    D --> C[Conteúdo: que tema]
    D --> Di[Dificuldade: do exercício]
    D --> F[Forma: profundidade e estilo]

Há um princípio que guia o ajuste da dificuldade, manter o aluno na zona certa de desafio, nem fácil demais, o que entedia, nem difícil demais, o que frustra. Essa ideia, ligada à noção de zona de desenvolvimento proximal e estudada na hipermídia adaptativa de Brusilovsky, é o que torna a personalização eficaz. O melhor exercício é o que está um pouco além do que o aluno já domina, puxando-o para frente sem perdê-lo.

A personalização fecha o laço de adaptação. O aluno interage, o modelo se atualiza, a personalização decide a próxima ação, o aluno interage de novo, e assim por diante. Cada volta refina o modelo e ajusta a experiência, criando um sistema que aprende sobre o aluno ao mesmo tempo em que o ensina.

Explicação Intuitiva

Pense no melhor professor particular que você já viu. Ele não segue um roteiro fixo, ele observa o aluno e ajusta tudo na hora. Percebe que o aluno travou em um conceito e volta a explicá-lo com outro exemplo. Vê que ele pegou rápido e propõe um desafio maior. Sente que ele está cansado e muda o ritmo. Essa adaptação constante ao aluno à frente é a essência da boa tutoria, e é o que a personalização tenta automatizar.

A zona certa de desafio é a chave dessa arte. Dar um exercício fácil demais para quem já domina é perder tempo e entediar. Dar um difícil demais para quem está começando é frustrar e desanimar. O ponto ideal é o desafio na medida, que exige esforço mas é alcançável, e é aí que o aprendizado acontece. Um bom sistema adaptativo persegue esse ponto para cada aluno, o tempo todo.

Explicação Matemática

A personalização é uma função de decisão sobre o modelo do aluno. Dado o domínio $p$ de uma habilidade, escolhemos a ação por faixas, por exemplo revisar se $p < 0{,}4$, praticar se $0{,}4 \le p < 0{,}8$, e avançar se $p \ge 0{,}8$. A cada faixa associamos uma profundidade de explicação e uma dificuldade de exercício. É uma política simples, mas eficaz, que mapeia o estado do conhecimento em uma recomendação.

O princípio da zona de desafio pode ser visto como buscar uma dificuldade $d$ próxima do domínio atual, $d \approx p$, um pouco acima. Em sistemas mais sofisticados, isso vira um problema de otimização, escolher o item que maximiza o aprendizado esperado, equilibrando desafio e sucesso. Na nossa versão, a política por faixas já aproxima bem esse princípio, mantendo o aluno desafiado na medida certa conforme o seu domínio evolui.

Exemplo Prático

Vamos construir um recomendador adaptativo que, a partir do domínio de uma habilidade, decide a ação, a profundidade da explicação e a dificuldade do exercício. Aplicado a alunos com domínios diferentes, ele produz recomendações diferentes, mostrando a personalização em ação.

A decisão é determinística e roda sem o modelo. O código está no notebook notebooks/modulo-13/04-personalizacao.ipynb, então abra-o ao lado para acompanhar.

Código Comentado

def recomendar(dominio, preferencias=None):
    """Decide a ação, a profundidade e a dificuldade a partir do domínio."""
    preferencias = preferencias or []
    if dominio < 0.4:
        acao, profundidade, dificuldade = "revisar", "explicação detalhada", "exercício fácil"
    elif dominio < 0.8:
        acao, profundidade, dificuldade = "praticar", "explicação intermediária", "exercício médio"
    else:
        acao, profundidade, dificuldade = "avançar", "explicação breve", "exercício difícil"
    # Afina a forma pelas preferências do aluno.
    if "exemplos visuais" in preferencias:
        profundidade += ", com um diagrama"
    return {"acao": acao, "profundidade": profundidade, "dificuldade": dificuldade}


# Três alunos com domínios diferentes na mesma habilidade.
alunos = [
    ("Ana", 0.2, ["exemplos visuais"]),
    ("Bruno", 0.6, []),
    ("Carla", 0.9, []),
]
for nome, dominio, prefs in alunos:
    r = recomendar(dominio, prefs)
    print(f"{nome} (domínio {dominio}): {r['acao']}, {r['profundidade']}, {r['dificuldade']}")

Ao rodar, cada aluno recebe uma recomendação adequada ao seu domínio. A Ana, com domínio baixo, é orientada a revisar, com explicação detalhada e, por preferir, um diagrama, e exercício fácil. O Bruno, intermediário, vai praticar com dificuldade média. A Carla, que domina bem, avança para um desafio maior com explicação breve. O mesmo sistema, três experiências diferentes, cada uma na zona certa de desafio daquele aluno. É a personalização que fecha o módulo e dá vida ao modelo do aluno.

Exercícios

1) Conceitual: Quais três dimensões a personalização adapta, e como o modelo do aluno orienta cada uma? 2) Conceitual: Explique o princípio da zona certa de desafio e por que ele torna a personalização eficaz. 3) Prático: Acrescente uma quarta faixa de domínio, para alunos no limite entre revisar e praticar. 4) Prático: Use outra preferência do perfil, como ritmo devagar, para afinar a recomendação. 5) Extensão: Pesquise a zona de desenvolvimento proximal de Vygotsky e relacione com o ajuste de dificuldade.

Projeto da Aula e Projeto do Módulo

Este é o projeto que fecha o módulo, o sistema adaptativo de aprendizagem, na pasta projects/m13-student-modeling/. A entrega reúne tudo, o perfil persistente, o knowledge tracing para estimar o domínio, e o recomendador adaptativo, em um sistema que ajusta as explicações e os exercícios ao perfil e ao histórico do aluno.

O roteiro sugerido é o seguinte. Mantenha um perfil de aluno com domínio por habilidade, atualizado por knowledge tracing e persistido entre sessões. A cada interação, atualize o domínio com a resposta, e use o recomendador para decidir a próxima ação, a profundidade e a dificuldade. Simule uma trajetória de aprendizagem e mostre como as recomendações evoluem conforme o domínio melhora.

Considere o projeto pronto quando o sistema adaptar as recomendações ao longo da trajetória do aluno, de revisar para praticar e avançar conforme o domínio sobe, e quando você escrever um parágrafo sobre como manteve o aluno na zona certa de desafio. Com isso, você fecha a modelagem de longo prazo, e tem todas as peças para o assistente educacional completo do Módulo 14.

Leituras Recomendadas

O artigo de Brusilovsky sobre hipermídia adaptativa e personalização.
Materiais sobre a zona de desenvolvimento proximal e o ajuste de desafio.
Estudos sobre sistemas tutores inteligentes e a eficácia da adaptação.

Referências Científicas

As referências abaixo são reais e estão registradas em references/referencias.bib. As chaves entre parênteses são as do BibTeX.

Brusilovsky, P. (2001). Adaptive Hypermedia. User Modeling and User-Adapted Interaction, 11(1-2), 87-110. (brusilovsky2001adaptive)
Corbett, A. T., e Anderson, J. R. (1994). Knowledge Tracing: Modeling the Acquisition of Procedural Knowledge. UMUAI, 4(4), 253-278. (corbett1994knowledge)
Piech, C., et al. (2015). Deep Knowledge Tracing. NeurIPS. (piech2015deep)