💻 computer science

Adaptive Student Knowledge Assessment in E-Tutoring Systems: An Intuitionistic Fuzzy Logic and Ontology Modeling Approach

Este artigo propõe um sistema de E-tutoria adaptativo que integra a Lógica Difusa Intuicionista de Atanassov com um modelo de domínio baseado em ontologia para lidar eficazmente com a incerteza na avaliação do conhecimento do aluno, permitindo materiais de ensino personalizados e feedback dinâmico por meio de um protótipo funcional em Python.

Autores originais: Hussein Ali Ahmed Hussain, Sultan Almutairi, Mukhtar M. E. Mahmoud, Abdullah Albalawi, Laszlo Kovacs

Publicado 2026-07-22

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Hussein Ali Ahmed Hussain, Sultan Almutairi, Mukhtar M. E. Mahmoud, Abdullah Albalawi, Laszlo Kovacs

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está caminhando por uma biblioteca mágica e gigante, onde cada livro é um pedaço de conhecimento. Em um mundo perfeito, um professor poderia estar ao lado de cada aluno, observando seus olhos brilharem quando eles compreendem um conceito e vendo suas testas franzirem quando ficam travados. Mas no mundo digital do aprendizado online, o professor é um computador, e o aluno é um usuário sem rosto atrás de uma tela. Como o computador sabe se você realmente sabe a resposta, ou se você apenas chutou? Este é o grande enigma da "E-tutoria Inteligente".

Para resolver isso, os cientistas usam duas ferramentas principais. Primeiro, há o Modelo do Aluno, que é como uma mochila digital que guarda um registro de tudo o que o aluno sabe, não sabe e sobre o que não tem certeza. Segundo, há a Ontologia, que é um mapa sofisticado que organiza todo o conhecimento na biblioteca, mostrando como uma ideia se conecta a outra (como o fato de que você precisa saber como amarrar os sapatos antes de aprender a correr uma maratona). A parte difícil é que o aprendizado nem sempre é preto no branco. Às vezes, você se sente razoavelmente seguro sobre uma resposta, mas não tem 100% de certeza. Esse sentimento de "talvez" é chamado de incerteza. Computadores tradicionais têm dificuldade com o "talvez", mas um tipo especial de matemática chamado Lógica Difusa Intuitivística foi projetada para lidar exatamente com esse tipo de pensamento difuso e incerto.

Este artigo, intitulado "Avaliação Adaptativa do Conhecimento do Aluno em Sistemas de E-tutoria", propõe uma nova maneira de construir essas mochilas digitais e mapas. Os autores sugerem combinar a matemática "difusa" que lida com a incerteza com o "mapa" estruturado da ontologia para criar um tutor mais inteligente e humano. Eles construíram um protótipo funcional para testar essa ideia, e seus resultados sugerem que essa mistura permite que o sistema rastreie o progresso de um aluno com mais precisão, mesmo quando o aluno está chutando ou sentindo-se inseguro.

O Problema: O "Jogo de Adivinhação" do Aprendizado Online

Em muitas aulas online, você responde a uma questão de múltipla escolha e o computador apenas diz "Certo" ou "Errado". Mas e se você chutou? Ou se você sabia a resposta, mas estava nervoso? Um simples "Certo" ou "Errado" não conta a história toda. É como um professor corrigindo uma prova sem nunca perguntar: "O quanto de certeza você tinha?".

Os autores argumentam que os sistemas atuais frequentemente perdem essa nuance. Eles tratam o conhecimento como um interruptor de luz: ou está LIGADO (você sabe) ou está DESLIGADO (você não sabe). Mas, na realidade, o aprendizado é mais como um interruptor de intensidade (dimmer). Você pode estar 70% seguro, ou pode estar completamente perdido, mas torcendo pelo melhor. O artigo sugere que, para tornar a tutoria online verdadeiramente útil, o sistema precisa entender esses tons de cinza.

A Solução: Um Truque de Mágica de Três Partes

Os autores propõem um sistema que utiliza três ingredientes especiais para resolver este problema:

O Mapa (Ontologia): Pense nisso como um livro de regras estrito e organizado para o assunto em questão. Em seu exemplo, eles usaram loops de programação (como loops for e while). O mapa sabe que você não pode aprender sobre loops while até entender os loops for. É uma forma estruturada de garantir que o computador saiba a ordem das coisas.
O Cérebro Difuso (Lógica Difusa Intuitivística): Este é o ingrediente secreto. Em vez de apenas dizer "Você acertou", esta matemática observa três coisas:
- Pertencimento: O quanto você concorda com a resposta? (A parte do "Sim").
- Não pertencimento: O quanto você discorda? (A parte do "Não").
- Hesitação: O quanto você está inseguro? (A parte do "Eu não sei").
Imagine um aluno respondendo a uma pergunta. Se ele estiver confiante, sua pontuação de "Sim" aumenta. Se ele errar, sua pontuação de "Não" aumenta. Mas se ele estiver chutando, a pontuação de "Eu não sei" permanece alta. Isso permite que o sistema diga: "Ok, você acertou, mas estava muito inseguro, então vamos praticar mais", em vez de apenas seguir em frente.
A Mochila (Modelo do Aluno): É aqui que o sistema armazena os resultados dessa matemática difusa. Ele atualiza o perfil de um aluno toda vez que ele responde a uma pergunta, mantendo uma contagem contínua de suas pontuações de "Sim", "Não" e "Talvez" para cada tópico individual.

Como Funciona: O Tutor Digital em Ação

Os pesquisadores construíram um protótipo de sistema usando a linguagem de programação Python para testar sua ideia. Veja como um aluno interagiria com ele:

A Configuração: O sistema começa com uma tela em branco. Para cada tópico (como "Loops"), o conhecimento do aluno é marcado como "Desconhecido" (0% Sim, 0% Não, 100% Talvez).
A Pergunta: O sistema escolhe uma pergunta de seu mapa (ontologia) baseada no que o aluno está pronto para aprender.
A Resposta: O aluno responde. O sistema não apenas verifica se está correto; ele calcula uma pontuação baseada nas fórmulas de Lógica Difusa Intuitivística.
A Atualização: O sistema atualiza a mochila do aluno.
- Se o aluno acertar, a pontuação de "Sim" aumenta.
- Se o aluno errar, a pontuação de "Não" aumenta.
- Se o aluno continuar acertando, a pontuação de "Talvez" diminui, o que significa que o sistema está se tornando mais confiante no conhecimento do aluno.

O artigo fornece um exemplo detalhado deste processo. Eles simularam um aluno aprendendo sobre "Loops", "Loops For" e "Loops While". Inicialmente, o aluno não sabia nada. Após responder a algumas perguntas, o sistema calculou novas pontuações. Por exemplo, após uma rodada de testes, o conhecimento de um aluno sobre "Loops" poderia mudar de (0, 0) para um estado onde ele tem uma pequena pontuação de "Sim" (0,04) e uma pequena pontuação de "Não" (0,13), com um alto índice de "Talvez". À medida que respondiam mais perguntas corretamente, a pontuação de "Sim" crescia e a de "Não" permanecia baixa, mostrando um progresso claro.

O Que os Resultados Mostram

Os autores rodaram seu protótipo e observaram como os números mudavam. Eles descobriram que o sistema rastreou com sucesso a jornada do aluno do "completamente perdido" ao "está entendendo".

Visualizando o Progresso: Eles criaram gráficos (como a Figura 4 no artigo) que mostravam as pontuações de "Sim" subindo e as pontuações de "Não" caindo conforme o aluno praticava.
Lidando com a Incerteza: O sistema foi capaz de distinguir entre um aluno que sabia a resposta e um aluno que estava apenas com sorte. Se um aluno continuasse chutando, a pontuação de "Talvez" permaneceria alta, e o sistema não assumiria falsamente que ele havia dominado o tópico.
Feedback Personalizado: Como o sistema sabia exatamente onde o aluno estava travado (pontuação de "Não" alta) ou inseguro (pontuação de "Talvez" alta), ele podia sugerir os próximos passos corretos. Se um aluno estivesse tendo dificuldades com "Loops While", o sistema sabia que deveria voltar e revisar os conceitos básicos antes de prosseguir.

A Conclusão

Este artigo sugere que, ao combinar um mapa estruturado de conhecimento com um sistema matemático que entende a incerteza, podemos construir tutores online que parecem mais com professores reais. Eles não apenas avaliam você; eles entendem sua confiança.

Os autores ressaltam cuidadosamente que este é um protótipo — um modelo funcional construído para testar a ideia. Eles não alegaram ter resolvido toda a educação, mas sua simulação mostra que a abordagem funciona. O sistema recuperou perguntas com sucesso, calculou pontuações difusas e atualizou o perfil do aluno em tempo real. Os resultados sugerem que este método pode tornar o aprendizado online mais adaptável, garantindo que os alunos não avancem para tópicos difíceis até que estejam realmente prontos, e que recebam ajuda exatamente quando estiverem se sentindo inseguros.

Em suma, o artigo argumenta que o futuro do aprendizado online não é apenas sobre fazer mais perguntas, mas sobre entender o "talvez" que existe entre a resposta certa e a errada.

Resumo Técnico: Avaliação Adaptativa do Conhecimento do Aluno em Sistemas de E-Tutoria

Definição do Problema
Sistemas inteligentes de e-tutoria enfrentam um desafio significativo na personalização de materiais didáticos devido à incerteza inerente ao conhecimento do aluno. Os métodos de avaliação tradicionais frequentemente dependem de respostas binárias (correto/incorreto), falhando em capturar o conhecimento parcial, a hesitação do aluno ou a ambiguidade de suposições em questões de múltipla escolha. Além disso, os sistemas existentes muitas vezes carecem de uma estrutura formal e interpretável por máquina para representar conceitos de conhecimento de domínio e suas relações de pré-requisito de forma eficaz. Os autores argumentam que um modelo de aluno robusto deve abordar essas incertezas e utilizar um modelo de domínio estruturado para adaptar dinamicamente as trajetórias de aprendizagem.

Metodologia
O artigo propõe uma abordagem integrada combinando a Lógica Fuzzy Intuicionista (IFS) de Atanassov com um modelo de domínio baseado em ontologia formal.

Modelo de Domínio Baseado em Ontologia:
- O conhecimento do domínio é estruturado como uma ontologia formal usando a Linguagem de Ontologia da Web (OWL).
- Este modelo define unidades de conhecimento (conceitos), seus relacionamentos (especialização, componente, dependência) e tarefas de avaliação associadas.
- O protótipo foca no domínio de programação C++, especificamente "loops" (ex: for, while), onde as relações de pré-requisito (ex: entender operadores relacionais antes de loops) são explicitamente modeladas.
- O sistema utiliza a biblioteca Python OWLready2 para gerenciar classes, propriedades de objetos e indivíduos, e SPARQLWrapper para a recuperação dinâmica de tarefas.
Lógica Fuzzy Intuicionista (IFS) para Avaliação:
- Ao contrário dos conjuntos fuzzy padrão, a IFS modela a incerteza usando três graus para cada unidade de conhecimento:
  - Pertinência ( $t_A$ ): Grau de competência (conhecimento possuído).
  - Não-pertinência ( $f_A$ ): Grau de não-competência (conhecimento ausente).
  - Hesitação ( $\pi_A$ ): Grau de incerteza, calculado como $1 - t_A - f_A$ .
- Processo de Avaliação:
  - Os alunos respondem a questões de múltipla escolha (MCQs) recuperadas dinamicamente da ontologia.
  - O sistema calcula uma pontuação de desempenho ( $g$ ) baseada na correção da resposta e um fator de relevância ( $r$ ) da unidade de conhecimento.
  - O nível de conhecimento do aluno é atualizado iterativamente usando fórmulas específicas (Equações 8 e 9) que mesclam os estados de conhecimento anteriores com os novos resultados da avaliação.
  - Os estados iniciais são definidos como $(0, 0)$ , representando incerteza completa. À medida que as avaliações procedem, os valores de pertinência aumentam para respostas corretas, e os valores de não-pertinência aumentam para respostas incorretas, enquanto a soma permanece $\le 1$ .
Arquitetura e Implementação do Sistema:
- Um protótipo funcional foi desenvolvido em Python.
- Backend: Integra a ontologia (via OWLready2) com o motor de avaliação IFS.
- Frontend: Uma interface web construída usando o framework Flask, seguindo uma arquitetura MVC (Model-View-Controller).
- Fluxo de Trabalho: O sistema registra as interações do aluno, seleciona tarefas com base no status de conhecimento atual (priorizando unidades com alta incerteza), avalia as respostas, atualiza os Valores Fuzzy Intuicionistas (IFVs) e fornece feedback personalizado.

Principais Contribuições

Estrutura Integrada: O artigo apresenta uma integração inovadora de IFS para gerenciamento de incerteza e ontologia para representação estruturada do conhecimento, abordando a lacuna onde sistemas existentes costumam lidar com apenas um aspecto, mas não ambos simultaneamente.
Modelagem Dinâmica de Conhecimento: O sistema vai além de perfis estáticos ao atualizar continuamente o mapa de conhecimento (KM) do aluno com IFVs que refletem não apenas o que é conhecido, mas o graço de certeza e incerteza.
Seleção Adaptativa de Tarefas: A metodologia inclui um algoritmo para selecionar unidades de conhecimento para avaliação com base nos níveis de incerteza, garantindo que o sistema foque em áreas onde o conhecimento do aluno é menos definido.
Demonstração de Protótipo: Um protótipo funcional demonstra a viabilidade de recuperar tarefas de uma ontologia, processar cálculos de IFS e visualizar o progresso.

Resultados
O protótipo foi testado usando conceitos de loops em C++. Os resultados, visualizados através de dashboards e gráficos de progresso, demonstram:

Rastreamento de Progresso: O sistema rastreia com sucesso a evolução dos níveis de conhecimento. Inicialmente, todos os valores são $(0,0)$ (desconhecido). À medida que os alunos completam as tarefas, os valores de pertinência ( $t_A$ ) aumentam para respostas corretas, e os valores de não-pertinência ( $f_A$ ) aumentam para respostas incorretas.
Gerenciamento de Incerteza: O sistema distingue efetivamente entre estados de "desconhecido" (alta hesitação), "fraco" (baixa pertinência, baixa não-pertinência) e "bom" (alta pertinência, baixa não-pertinência).
Feedback Visual: A interface exibe com sucesso classificações de avaliação, classificações de estudo e distribuições de nível de conhecimento, permitindo que os alunos vejam seu progresso através de diferentes conceitos (ex: For Loop vs. While Loop).
Melhoria Iterativa: O mecanismo de atualização garante que os níveis de conhecimento melhorem incrementalmente. Se as respostas forem insatisfatórias, os valores permanecem estagnados ou ajustam-se para refletir uma menor competência, evitando o avanço prematuro.

Significância e Alegações
Os autores alegam que esta abordagem aumenta a adaptabilidade e a inteligência dos sistemas de e-tutoria ao permitir um "raciocínio mais humano" na tecnologia educacional. Ao modelar explicitamente a incerteza através do grau de hesitação, o sistema pode lidar melhor com informações incompletas e conhecimento parcial, que são comuns em cenários de aprendizagem do mundo real. A integração de uma ontologia formal garante que a avaliação seja consciente do contexto e respeite as dependências lógicas do assunto tratado. O artigo conclui que esta abordagem combinada oferece um mecanismo robusto para rastrear trajetórias de aprendizagem e fornecer feedback direcionado e personalizado, indo além da simples avaliação binária para uma compreensão mais matizada da competência do aluno.