Educação personalizada por estratégia de aprendizagem — Parte I

Bruna Alves Maia
6 min readJan 4, 2021

--

Este texto faz parte do programa do curso de Data Science e Machine Learning da Tera, turma 05/Jan2021. Este é o primeiro artigo da entrega de projeto final que trará um modelo de análise de dados e solução com o tema educação. O grupo é composto pelos estudantes: Allan Bravos, Bruna Maia, Camila Neves, Claudio Yutaka, Guilherme Lino e Victor Stefanelli e esse artigo é de autoria dos mesmos.

Introdução

O economista, professor e psicólogo Barry Schwartz, apresentou a tese sobre “O Paradoxo da Escolha” (2004), na qual defende que a maioria de nós estaria melhor se tivesse menos opções, pois sofremos demais para fazer a escolha certa. Esse princípio é contraditório com o avanço da tecnologia e as inúmeras (quase infinitas) opções de conteúdo e informação disponíveis na internet. Nesse sentido, soluções baseadas em machine learning têm o potencial de alavancar o aprendizado de indivíduos e organizações, na medida em que tornam esse processo mais eficiente e eficaz. Primeiramente, ao reduzir o gasto energético do cérebro durante o processo de escolha (maior eficiência). Por fim, ao permitir que a energia poupada seja destinada ao processo de aprendizado em si (maior eficácia).

Por falar em aprendizado, esse não se limita mais apenas à educação formal. Michael A. Osborne e Carl Benedikt Frey (2013), em seu famoso ensaio sobre o futuro do trabalho, apuraram que 54% das pessoas acredita que será essencial desenvolver novas habilidades ao longo da vida profissional, o que é totalmente plausível já que 47% dos empregos já podem ser automatizados, segundo estimativas dos mesmos autores. Assim, o conceito de lifelong learning vem se consolidando, baseado na premissa de que o aprendizado é feito ao longo da vida toda e na importância de nunca parar de se desenvolver e aprender. As buscas pelo termo aumentaram 130% no mundo todo em 2020.

Atualmente temos uma infinidade de conteúdos disponíveis sobre os mais diferentes assuntos. Nunca, na história da humanidade, tivemos tanta informação acessível com tamanha velocidade, variedade e facilidade de acesso. Um dos efeitos colaterais disso é que essa onda gigante de dados acaba nos engolindo, dificultando o processo de decisão por conteúdos mais adequados daquilo que desejamos aprender.

Nesse contexto, basicamente qualquer pessoa, jovem ou adulta, enfrenta (em variados níveis) o desafio do autodidatismo em algum tema específico de interesse ao longo da sua vida pessoal ou profissional. Em uma breve pesquisa na internet, é possível encontrar conteúdos que vão desde cursos gratuitos, disponibilizados via youtube, até grandes plataformas privadas de educação. Ao contrário do que se espera, essa diversidade de opções acaba dificultando a tomada de decisão por parte do usuário, que acaba vítima da “paralisia por análise”. Algumas empresas como a Netflix e o Waze, por exemplo, utilizam algoritmos para facilitar esse processo decisório, apresentando poucas e relevantes opções, de acordo com o perfil, hábitos e preferências de cada pessoa.

Além disso, tais conteúdos são normalmente apresentados de forma padronizada, não levando em consideração diferentes perfis de aprendizagem ou o nível de conhecimento prévio de cada um em relação aos diferentes temas abordados.

Sobre a solução

A solução idealizada visa minimizar o paradoxo de escolha propiciando um processo saudável de lifelong learning, através de um algoritmo de curadoria e recomendação que prepara trilhas personalizadas com conteúdo educativo sobre um determinado tema, para jovens e adultos curiosos em aprender e com propensão autodidata. Nós minimizamos as escolhas disponíveis na web, em centenas de portais, vídeos, podcasts, conteúdos e grades curriculares e guiamos o aluno em uma trilha que faz mais sentido para seu perfil de aprendizado, tempo disponível e temas de interesse.

Inicialmente, o usuário seleciona, dentre um conjunto intencionalmente limitado de opções, o tema que deseja estudar e responde a um questionário de perfil de aprendizado. A partir disso, o algoritmo se encarrega de entender o perfil do usuário e direcionar o conteúdo de acordo com o tema e o perfil identificado.

Ao longo da jornada de utilização do produto, serão realizadas diversas interações para coleta de feedback, além do acompanhamento automático de métricas, como evolução na trilha, tempo para conclusão de cada etapa, entre outros. As decisões sobre quais conteúdos serão apresentados para cada etapa da trilha são de responsabilidade do algoritmo e serão baseadas nos dados disponíveis.

A solução contará com 3 etapas distintas de resolução de problemas baseados em machine learning:

  1. Clusterização de usuários por perfil: baseado em aprendizagem não supervisionada. Uuma possível solução seria o uso do algoritmo K-Means;
  2. Otimização de trilha de aprendizagem: inicialmente, as trilhas serão adicionadas manualmente no produto, de acordo com o tema. Por exemplo, em uma trilha de Data Science, os tópicos podem seguir a lista de 206 skills mapeadas pelo Cappra Institute, ou poderia ser mais simples, baseada nos capítulos de um livro de introdução sobre o assunto. De qualquer forma, a trilha precisa ser otimizada para cada perfil identificado nos clusters, de forma que a maioria dos usuários consiga percorrer toda a trilha, com o melhor feedback possível. A otimização deve incluir alterações nos temas como reordenação, exclusão e inclusão de novos temas, sempre baseada nos dados disponíveis;
  3. Otimização de conteúdo: por fim, cada tópico dentro da trilha precisa oferecer o melhor conteúdo possível, de acordo com as preferências do usuário. Aqui entra o algoritmo de recomendação, que deve indicar os melhores conteúdos para cada tópico e perfil de usuário. O algoritmo terá a disposição uma infinidade de materiais obtidos da internet e previamente classificados de acordo com suas características. No entanto, a posição dos conteúdos dentro de um tema estará sempre mudando, conforme novos dados são obtidos, e o usuário receberá sempre o conteúdo que estiver no topo da sua lista. Uma solução possível para entregar esse sistema de recomendação seria a utilização do TensorFlow.

Estrutura lógica dos dados

Os dados a serem consumidos pela solução serão originados em diversas fontes distintas: do usuário, de fontes diversas com conteúdo aberto, que formarão o banco de dados de referência para o conteúdo das trilhas e das próprias interações com o sistema de recomendação.

  • Usuário: fornece input inicial sobre o tema de interesse, seu nível de conhecimento sobre tópicos relacionados, recebe a recomendação fornecida pelo sistema e devolve a avaliação do conteúdo, que retroalimenta o sistema de recomendação;
  • Banco de dados: repositório de conteúdos de referência a serem utilizados dentro das trilhas cujas fontes originais podem ser dados estruturados ou não estruturados;
  • Sistema de recomendação: com base no input do usuário, faz a classificação do usuário nos clusters e busca no banco de dados a melhor sequência de conteúdos para aquele usuário específico. As sugestões futuras do algoritmo para aquele determinado usuário dependerão, adicionalmente, da avaliação fornecida por ele em cada ponto de interação ao longo da trilha.

Impactos esperados da solução no processo de aprendizado

Espera-se que a solução tenha grande impacto no processo de aprendizagem continuada, auxiliando a prática de lifelong learning. Como o sistema proposto será inteligente e estará em constante evolução, a trilha de estudos recomendada para um tema será muitas vezes mais eficiente do que seguir o caminho “tradicional”, que seria procurar por conteúdo gratuito sobre um tema de maneira quase aleatória, e que geralmente se restringe aos tópicos básicos iniciais.

A solução permite um contato completo do usuário com o tema, passando por todos os tópicos relevantes que foram previamente inseridos, e que são otimizados constantemente conforme o sistema é utilizado. O MVP do produto não prevê a avaliação do aprendizado do usuário, mas com a introdução desta funcionalidade no produto, a solução tem um grande potencial disruptivo que pode mudar a forma como as pessoas aprendem novos assuntos.

O valor do nosso projeto está justamente na criação de um sistema de recomendação pessoal para o aprendizado de conteúdos, poupando tempo e esforço de pessoas que queiram aprender ou se aperfeiçoar acerca de algum tema específico. Essa recomendação de aprendizagem não será aleatória, mas seguirá um processo estruturado, como uma trilha de aprendizagem adaptada ao perfil de aprendizagem do usuário e ajustável ao longo de todo caminho.

Referências Bibliográficas

SCHWARTZ, Barry — O paradoxo da escolha: por que mais é menos — São Paulo: A Girafa Editora, 2004.

Osborne, Michael A. e Frey, Carl Benedikt. The Future of Employment. University of Oxford, 2013.

Google Trends acessado em Dezembro de 2020.

Allan Bravos, Bruna Maia, Camila Neves, Claudio Yutaka, Guilherme Lino e Victor Stefanelli.

--

--

Bruna Alves Maia

Lead of Global UX Research in Gympass / Co-founder Experiência Observe / Feminist and researcher / Consumption Anthropology / Embroidery and video lover