Sistemas Tutores Inteligentes têm se destacado como ferramenta de apoio ao ensino, principalmente pela sua adaptação às condições do usuário e cenário de aplicação. Diante da situação pandêmica, as ferramentas de apoio ao ensino, como os tutores, devido a sua viabilidade de utilização remota, mostram-se como uma possibilidade de suporte aos professores e alunos. Este trabalho aborda uma proposta de adaptação de conteúdo para ensino, aplicando técnicas de inteligência artificial para geração de texto e processamento de linguagem natural. Além disso, este trabalho considerou a existência de diferentes estilos de aprendizagem, variáveis conforme a personalidade do estudante e seu modo de captar informação, capaz de influenciar no nível de aprendizado. Esta variação de estilos, seguindo um modelo definido na literatura, direciona o modo de adaptação do conteúdo a ser realizado, gerando um resultado adaptado a cada estilo de aprendizagem. O processo de geração de conteúdo personalizado permite um avanço na forma de uso de sistemas tutores no ensino, criando um formato de entrega direcionada de conteúdo com ganhos para o usuário do ambiente, gerando um resultado personalizado e conduzindo a uma aprendizagem mais efetiva. Como resultado se espera obter uma metodologia para geração de conteúdo baseados em estilos de aprendizagem pré-definidos, por meio de processamento automatizado de adaptação do conteúdo a partir de entrada inicial em formato único.
Clustering is a classification method that organizes objects into groups based on their similarity. Data clustering can extract valuable information, such as human behavior, trends, and so on, from large datasets by using either hard or fuzzy approaches. However, this is a time-consuming problem due to the increasing volumes of data collected. In this context, sequential executions are not feasible and their parallelization is mandatory to complete the process in an acceptable time. Parallelization requires redesigning algorithms to take advantage of massively parallel platforms. In this paper we propose a novel parallel implementation of the fuzzy minimals algorithm on graphics processing unit as a high-performance low-cost solution for common clustering issues. The performance of this implementation is compared with an equivalent algorithm based on the message passing interface. Numerical simulations show that the proposed solution on graphics processing unit can achieve high performances with regards to the cost-accuracy ratio.
Recentemente há um aumento no interesse acerca da computação em nuvem, alavancado também pelos novos paradigmas criados pela computação sem servidor. A tecnologia oferece maior facilidade e agilidade ao desenvolvedor de qualquer aplicação, bem como proporcionar redução de custos. Assim, o objetivo principal do estudo é investigar o estado da arte sobre o tema, elencar aplicações e desafios sobre serverless computing, que levanta diversas discussões e avanços na academia e no mercado consumidor.
O uso de sistemas inteligentes tem se ampliado notavelmente desde a introdução de novas técnicas de aprendizado de máquina, sendo isso reforçado a partir do surgimento das LLMs (\textit{Large Language Models}). Esse crescimento tem se observado também em ensino, que é uma área em que já há bastante tempo se introduziu os Sistemas Tutores Inteligentes. Neste contexto, uma aplicação interessante é a geração de conteúdos adaptados a estilos de aprendizagem, em que um material didático é produzido de forma customizada para cada categoria de aluno. Apresenta-se aqui uma ferramenta que usa técnicas de inteligência artificial para construção de conteúdos adaptados para o Inventório de Estilos de Aprendizagem criado por David Kolb. Essa ferramenta automatiza a produção de conteúdos específicos para cada estilo a partir de um texto base introduzido pelo professor. Os resultados obtidos mostram que o uso de LLMs permite a criação de textos específicos com facilidade, viabilizando ao professor produzir textos adaptados a cada perfil de aluno.