Resumo: Massive Open Online Course (MOOC) é a mais nova tendência em recurso educacional a distância; seu objetivo é levar conhecimento para uma grande massa de pessoas em qualquer lugar por meio da Web, na maioria dos casos gratuitamente. Um ponto chave dos MOOCs é oferecer mecanismos de apoio ao processo de aprendizagem aos seus participantes. Sua população de participantes é culturalmente diversa e a taxa de abandono é considerada alta, em torno de 90%. Uma das deficiências reconhecidas é a falta de indicação de materiais abertos que possam enriquecer a base de apoio aos participantes. Para contribuir com a melhoria deste cenário, este trabalho propõe o OERecommender, um Sistema de Recomendação de Recursos Educacionais Abertos (REAs) para MOOC. O OERecommender visa apoiar os participantes na busca e obtenção de REAs que possam ajudar em seu processo de aprendizagem. A concepção do modelo conceitual foi embasada em arquiteturas similares já existentes do mundo real. Para encontrar a similaridade entre usuários e os REAs optou-se pelo método de grafos. Algoritmos de ordenação e comparação foram utilizados respectivamente para ordenar os REAs por relevância e comparar instâncias para encontrar o contexto mais similar entre os usuários. Ao final, um algoritmo de recomendação foi adotado para prever quais REAs eram mais relevantes ao usuário apresentando-os por meio de um widget. Como forma de avaliação do OERecommender, foram realizadas simulações por meio de uma prototipação de cenários. Após a execução das simulações, os resultados indicaram que é viável a introdução de mecanismos de recomendação de REA em MOOC, e que contribuem para melhorar o apoio a seus participantes.
Abstract: Massive Open Online Course (MOOC) is one of the newest trend in education at a distance. Its goal is to bring knowledge to a large body of people anywhere through the Web, in most cases free of charge. A key point of MOOCs is to provide mechanisms to support the learning process to its participants. Its population of participants is culturally diverse and the dropout rate is considered high, around 90%. One of its recognized shortcomings is the lack of support from open materials that can enrich participants' learning process. This work proposes the OERecommender, a Recommendation System of Open Educational Resources (OER) that aims to contribute to the improvement of this scenario. The OERecommender aims to support participants in searching and recovering OER that can help in their learning process. The design of the OERecommender conceptual model was based on existing and similar architectures. The similarity between users and OER was based on graph methods. Algorithms for sorting and comparison were used, respectively, to sort OER by relevance and compare instances to find the most similar context among users. Finally, a recommendation algorithm was adapted to predict which REA were most relevant to the user presenting them through a widget. In order to assess the OERecommender, simulations were performed through prototyping scenarios. The simulations indicate that the introduction of OER recommendation mechanisms in MOOC is feasible and can contribute to improve the support to its participants. |