Um Framework para a Recomendação de Exercícios em Tutoria Adaptativa baseado em Grafos de Conhecimento

Abstract

A personalização da aprendizagem online exige sistemas de recomendação de exercícios alinhados a objetivos pedagógicos, mas seu desenvolvimento em currículos formais é limitado pela falta de dados públicos que relacionem interações de alunos a habilidades da BNCC. Este trabalho propõe um framework de ponta a ponta para conceber, desenvolver e avaliar Sistemas de Tutoria Adaptativa, validado em matemática do ensino médio.

Para superar a ausência de dados, o framework gera interações sintéticas sobre um grafo ontológico de habilidades e pré-requisitos. Um banco de questões é mapeado semanticamente por uma pipeline híbrida de PLN, formando o Dataset Sintético $D$. Em seguida, modelos de Knowledge Tracing são comparados para compor um diagnóstico integrado a um motor de recomendação baseado na Zona de Desenvolvimento Proximal.

A avaliação mostra alta Acurácia Pedagógica (AP 0,98), mantendo Novidade Curricular e Diversidade de Sessão. Embora a política ZDP siga a direção teórica esperada, o ganho não foi estatisticamente significativo. A principal contribuição é um framework reprodutível e generalizável, com protocolo de avaliação e diagnósticos para evolução futura.