Diversos estudos nas áreas

de psicologia cognitiva e pedagogia

apontam que cada indivíduo possui

diferentes maneiras de captar, processar,

analisar e organizar informações

durante o processo de aprendizado, o

que fundamenta o conceito de Estilos

de Aprendizagem (EA). Em vista

disso, diversos sistemas educacionais

adaptativos foram propostos com o intuito

de proporcionar conteúdo personalizado

em seus cursos. Porém, em boa parte

dos casos, estes sistemas fazem uso

de questionários para identificar os

estilos de aprendizagem, e este método

pode mostrar-se inviável em algumas

situações. Deste modo, a proposta

neste trabalho é investigar diferentes

algoritmos relacionados ao aprendizado

de máquina (especialmente algoritmos

de classificação) aplicados à detecção

automática dos estilos de aprendizagem

de estudantes, a partir de suas

interações em um sistema educacional.

Dentre os inúmeros modelos de EA

propostos na literatura, optou-se por

usar o modelo de Felder-Silverman como

base para os experimentos. Para fins

de experimentação, foram avaliadas as

taxas de acertos e erros dos algoritmos

em relação aos resultados apontados

pelo questionário ILS, em cada umas

das dimensões do modelo de FelderSilverman. Os resultados apontaram

para o uso de mais de um classificador

- Naïve Bayes e aprendizagem

baseada em instância - dependendo da

dimensão do estilo de aprendizagem. A

metodologia aplicada foi comparada com

sete trabalhos correlatos da literatura;

Os resultados demonstraram uma

performance superior aos trabalhos

anteriores em quase todas as dimensões.