Uma abordagem Multiobjetivo para a Recomendação de Objetos de Aprendizagem no contexto Educacional

Existem grandes repositórios de conteúdos na Internet que podem ser utilizados como fonte de recursos para o e-learning. Para facilitar a utilização desses conteúdos, eles são organizados como Objetos de Aprendizagem (OAs), que além do conteúdo propriamente dito, possuem vários metadados que os descrevem. Devido ao grande volume de materiais disponíveis, torna-se difícil escolher aqueles OAs que melhor atendam às necessidades de cada indivíduo. Para se sugerir os OAs mais adequados, utilizam-se os Sistemas de Recomendação de OAs, responsáveis por encontrar e recomendar os itens mais úteis aos estudantes. Neste contexto, o presente trabalho propõe uma abordagem de otimização multiobjetivo do problema de recomendação de OAs. Nesse problema, tem-se um conjunto de conceitos a serem ensinados, de acordo com um Design Instrucional, um repositório de OAs, no qual cada OA aborda um ou mais conceitos, além de dependências pedagógicas que obrigam determinados conceitos a serem apresentados previamente para compreensão de outros. No problema proposto, não se buscam soluções que necessariamente cubram todos os conceitos estabelecidos. Na verdade, buscam-se por soluções que cumpram dois objetivos distintos, a saber: i) menor custo, dado pela soma do custo de cada OA presente na solução; ii) maior número de conceitos cobertos, respeitadas as dependências pedagógicas estabelecidas. Para resolução do problema, utilizou-se o NSGA-II, um Algoritmo Genético multiobjetivo implementado no framework MOEA. As instâncias do problema foram geradas artificialmente, simulando repositórios de 1000 OAs, cursos com 200 conceitos, com até 20 dependências. Os resultados obtidos abrangeram conjuntos de diferentes configurações de soluções, com números distintos de conceitos cobertos e custos das soluções, o que traz maiores possibilidades para que os conteúdos entregues estejam de acordo com os objetivos, necessidades e realidade dos alunos.