https://repositorio.ufjf.br/jspui/handle/ufjf/17213
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
gilsondosreisdiasfonseca.pdf | 1.4 MB | Adobe PDF | ![]() Visualizar/Abrir |
Tipo: | Dissertação |
Título: | Uma abordagem automática para extração e classificação de exercícios em vídeos educacionais |
Autor(es): | Fonseca, Gilson dos Reis Dias |
Primeiro Orientador: | Souza, Jairo Francisco de |
Co-orientador: | Barrére, Eduardo |
Membro da banca: | Gonçalves, Luciana Brugiolo |
Membro da banca: | Dorça, Fabiano Azevedo |
Resumo: | Os vídeos são amplamente utilizados na educação por causa de seus diversos benefícios, como a compreensão de conceitos complexos e o estímulo ao engajamento dos alunos. Sistemas de recomendação podem ser utilizados para organizar e recuperar o conteúdo adequado, a partir de metadados. Os exercícios de uma videoaula têm potencial para fornecer metadados úteis, porém, ao contrário de fontes textuais, não há marcadores claros que os identifiquem, já que o conteúdo é apresentado em fala contínua. Além disso, os exercícios, podem estar mesclados em meio a dicas e explicações fornecidas pelo professor durante a fala, o que torna a identificação ainda mais complexa. Com essa premissa, esse trabalho propõe um modelo de classificação automática de exercícios em videoaulas com base na Taxonomia de Bloom Digital, buscando proporcionar uma base sólida para sistemas de recomendação personalizados e ampliar as possibilidades de busca em repositórios educacionais. A avaliação do modelo proposto foi realizada utilizando algoritmos classificadores, onde o modelo BERT se destacou como superior aos demais. |
Abstract: | Videos are widely used in education due to their various benefits, such as facilitating the understanding of complex concepts and promoting student engagement. Recommendation systems can be used to organize and retrieve suitable content based on metadata. Exercises in a video lesson have the potential to provide useful metadata. However, unlike textual sources, there are no clear markers to identify them, as the content is presented in continuous speech by the instructor. Additionally, exercises may be interspersed with tips and explanations provided by the instructor during the speech, which makes identification even more complex. With this premise, this work proposes an automatic classification model for exercises in video lessons based on Digital Bloom Taxonomy, aiming to provide a solid foundation for personalized recommendation systems and expand search possibilities in educational repositories. The evaluation of the proposed model was conducted using classification algorithms, where the BERT model stood out as superior to others. |
Palavras-chave: | Videoaula Metadados Extração de metadados Classificação automática Classificação automática de exercícios Identificação de exercícios Machine learning Inteligência artificial generativa Large language models Video lesson Metadata Metadata extraction Automatic classification Automatic exercise classification Exercise identification Machine learning Generative artificial intelligence Large Language Models |
CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
Idioma: | por |
País: | Brasil |
Editor: | Universidade Federal de Juiz de Fora (UFJF) |
Sigla da Instituição: | UFJF |
Departamento: | ICE – Instituto de Ciências Exatas |
Programa: | Programa de Pós-graduação em Ciência da Computação |
Tipo de Acesso: | Acesso Aberto Attribution 3.0 Brazil |
Licenças Creative Commons: | http://creativecommons.org/licenses/by/3.0/br/ |
URI: | https://repositorio.ufjf.br/jspui/handle/ufjf/17213 |
Data do documento: | 27-Mar-2024 |
Aparece nas coleções: | Mestrado em Ciência da Computação (Dissertações) |
Este item está licenciado sob uma Licença Creative Commons