Uma abordagem automática para extração e classificação de exercícios em vídeos educacionais

• Ano de defesa: 2024
• Autor(a) principal: Fonseca, Gilson dos Reis Dias
• Orientador(a): Souza, Jairo Francisco de
• Banca de defesa: Gonçalves, Luciana Brugiolo , Dorça, Fabiano Azevedo
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Juiz de Fora (UFJF)
• Programa de Pós-Graduação: Programa de Pós-graduação em Ciência da Computação
• Departamento: ICE – Instituto de Ciências Exatas
• País: Brasil
• Palavras-chave em Português: 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; Generative artificial intelligence; Large Language Models
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: https://repositorio.ufjf.br/jspui/handle/ufjf/17213

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.