Deep learning para autoria automatizada de modelos de domínios de sistemas tutores baseados em passo

Abstract

Resumo: Os Sistemas Tutores Inteligentes (STIs) sao programas de computador que auxiliam os estudantes durante o processo de aprendizado, atraves de assistencia individualizada as caracteristicas dos alunos. Eles possuem um modulo de dominio que representa o conhecimento especialista, em uma determinada area de estudo. Nos STIs baseados em passos, o modulo de dominio geralmente e desenvolvido como um sistema especialista baseado em regras, ou seja, um sistema que utiliza regras baseadas no conhecimento para resolver e corrigir os problemas propostos aos alunos. Esses sistemas especialistas baseados em regras acarretam uma maior complexidade na sua criacao, manutencao e atualizacao do conhecimento, podendo gerar erros ou aumentar o tempo de processamento. Desta forma, este trabalho automatiza o modulo de dominio de um sistema tutor inteligente baseado em passos, atraves da criacao de um modelo, que utiliza Deep Learning para realizar a correcao de equacoes de primeiro grau. A correcao e realizada sem a utilizacao de nenhum conhecimento matematico, apenas utilizando o Processamento de Linguagem Natural aplicado a uma base de cerca de 115 mil expressoes matematicas. Sao apresentadas e comparadas seis diferentes versoes utilizando arquiteturas de redes neurais GRU e transformers. O modelo final atinge 95, 84% de acuracia na avaliacao/correcao dessas equacoes.

Abstract: Intelligent Tutoring Systems (ITS) are computer programs that assist students during the learning process by providing personalized assistance based on the students' characteristics. They have a domain module that represents expert knowledge in a specific area of study. In step-based ITS, the domain module is typically developed as a rule-based expert system, meaning a system that uses knowledge-based rules to solve and correct problems presented to the students. These rule-based expert systems entail greater complexity in their creation, maintenance, and knowledge updates, potentially leading to errors or increased processing time. Therefore, this work automates the domain module of a step-based intelligent tutoring system by creating a model that employs Deep Learning to correct first-degree equations. The correction is performed without the use of any mathematical knowledge, solely relying on Natural Language Processing applied to a database of approximately 115,000 mathematical expressions. Six different versions using GRU and transformer architectures are presented and compared. The final model achieves a 95.84% accuracy rate in evaluating/correcting these equations. Keywords: Intelligent Tutoring Systems. PAT2Math. Deep Learning. Transformers.