Slides da dissertação
Apresentação do processo e das técnicas utilizadas para a concepção de uma ferramenta para recomendação pedagógica baseada em mineração de dados educacionais.
Estatística e Probabilidade 7 - Medidas de Variabilidade
Ufal mmcc - nees - uma ferramenta de recomendação pedagógica baseada em mineração de dados educacionais
1. Ranilson Oscar Araújo Paiva
roap@ic.ufal.br
Uma Ferramenta para Recomendação
Pedagógica Baseada em Mineração de
Dados Educacionais
Mestrado em Modelagem Computacional do Conhecimento
Ranilson Oscar Araújo Paiva
Orientadores
Alan Pedro da Silva
Ig Ibert Bittencourt
2. Agenda
Ranilson Oscar Araújo Paiva
Agenda
Contextualização
Problemática
Proposta
Estudo de Caso
Conclusão
Limitações e Trabalhos Futuros
Referências
2
roap@ic.ufal.br
4. Contextualização
Ranilson Oscar Araújo Paiva
4
roap@ic.ufal.br
Contextualização
5.0 / 10.0
• IDEB – Índice de Desenvolvimento
da Educação Básica
58º|75 / 64º|85
• PISA+ – Programa Internacional de
Avaliação de Alunos
88º / 120
• UNESCO/EFA – Education for All
6. Contextualização
Ranilson Oscar Araújo Paiva
6
roap@ic.ufal.br
Contextualização
Plano Nacional de Educação (PNE 2010 - 2020)
• “Criar mecanismos para o acompanhamento
individual de cada estudante do ensino
fundamental”
• “Fortalecer
o
acompanhamento
e
o
monitoramento do acesso e permanência na
escola ...”
8. Contextualização
Ranilson Oscar Araújo Paiva
8
roap@ic.ufal.br
Contextualização
Grandes Desafios da Pesquisa em Computação no Brasil
• Acesso Participativo e Universal
Cidadão Brasileiro ao Conhecimento.
do
• Vencer as barreiras tecnológicas, educacionais, culturais, sociais e
econômicas que impedem o acesso e a interação.
• Concepção
de
sistemas, ferramentas, modelos, métodos, procedimentos e teorias.
• Criação de plataformas de aplicativos de e-learning que permitam a
integração eficiente de ferramentas de comunicação para poderem
ser usadas em conjunto, com a finalidade de permitirem a prática do
aprendizado eletrônico.
9. Contextualização
Ranilson Oscar Araújo Paiva
9
roap@ic.ufal.br
Contextualização
CSBC 2012 - I DesafIE!
• Workshop de Desafios da Computação
Aplicada à Educação
• Registro de longo prazo dos perfis de aprendizes e tutores.
• Mineração de dados educacionais para viabilizar a busca por
padrões de aprendizagem.
• Personalização da aprendizagem como meio de melhorar a
qualidade de ensino e o desempenho dos alunos.
11. Contextualização
Ranilson Oscar Araújo Paiva
Contextualização
Mudança de Paradigma
AAA Learning
Anytime
Qualquer Momento
Anywhere
Qualquer Lugar
Anyone
Qualquer Pessoa
11
roap@ic.ufal.br
25. Problemática
Ranilson Oscar Araújo Paiva
25
roap@ic.ufal.br
Problemática
Mineração de Dados Educacionais
“A Mineração de Dados Educacionais tem por objetivo obter
informações relevantes de grandes quantidades de dados. Dados
esses oriundos de diversas fontes dentro do contexto educacional.
Isso é feito através da descoberta de padrões, com grande
significância, nesses dados.”
ROMERO, 2011
27. Problemática
Ranilson Oscar Araújo Paiva
27
roap@ic.ufal.br
Problemática
Recomendações Pedagógicas
“Recomendações
são
ações
reativas,
ou
preventivas, associadas a situações pedagógicas definidas. Essas
ações podem ser realizadas utilizando os recursos nativos de um
ambiente de aprendizado, ou através de recursos externos. O
propósitos dessas recomendações é melhorar a experiência de
aprendizado e solucionar problemas pedagógicos conhecidos.”
PAIVA, 2012
29. Problemática
Ranilson Oscar Araújo Paiva
29
roap@ic.ufal.br
Problemática
Ferramentas de Recomendação
“Ferramentas de software e técnicas cujo objetivo é prover
sugestões de itens a serem utilizados por um usuário. As sugestões
providas focam em ajudar os usuários em diversos processos de
tomada de decisão .”
RICCI, 2011
31. Proposta
Ranilson Oscar Araújo Paiva
31
roap@ic.ufal.br
Proposta
Ferramenta
para
Recomendação Pedagógica
Utilizando
Mineração de Dados Educacionais
32. Proposta
Ranilson Oscar Araújo Paiva
32
roap@ic.ufal.br
Objetivos
1. Criar um processo para a recomendação pedagógica.
2. Especificar, e encapsular em componentes distintos, os
cenários de mineração dos dados educacionais.
3. Implementar componentes que reutilizem algoritmos de
mineração de dados educacionais.
4. Construir uma Ferramenta com um processo de
recomendação que possibilite professores e tutores a utilizar
as técnicas empregadas, sem a necessitem de
conhecimento técnico sobre o assunto.
5. Gerar recomendações personalizadas.
34. Proposta
Ranilson Oscar Araújo Paiva
34
roap@ic.ufal.br
Cenários
• Componentes que definem os dados e formas de
processamento adequados, para uma
determinada situação pedagógica.
• Orientam a mineração dos dados.
• Tornam a mineração dos dados objetiva
• Acessam os dados de interesse, os algoritmos a
serem utilizados, APIs e seus parâmetros.
40. Estudo de Caso
Ranilson Oscar Araújo Paiva
40
roap@ic.ufal.br
UFAL Línguas - Espanhol
•
•
•
•
•
•
•
Espanhol | Nível Básico (Certificado)
6 Unidades (5 meses de curso)
1 Professor e 8 Tutores
200 Inscritos (Gratuito)
34 Concluintes
700+ Megabytes de Dados
1.220.000 Triplas RDF (Ontologia)
41. Estudo de Caso
Ranilson Oscar Araújo Paiva
41
roap@ic.ufal.br
Cenário 01
Avaliar a Qualidade das Interações dos
Alunos no Ambiente de Aprendizagem
59. Conclusão
Ranilson Oscar Araújo Paiva
59
roap@ic.ufal.br
Conclusão
1. Criamos um processo para a recomendação pedagógica.
2. Criamos cenários para guiar a Mineração dos Dados.
3. Criamos
uma
ferramenta
com
processo
de
recomendação, capaz de auxiliar professores e tutores na
gestão de seus alunos.
4. Realizamos um estudo de caso (dados reais).
5. Acreditarmos ter contribuído para a Informática na
Educação através da natureza multidisciplinar do trabalho.
6. Apresentamos um artigo sobre o tema no DesafIE! (2012)
60. Trabalhos Futuros
Ranilson Oscar Araújo Paiva
60
roap@ic.ufal.br
Limitações e Trabalhos Futuros
1. Criação automática de cenários.
2. Ampliação do escopo das recomendações.
3. Aprimoramento do monitoramento de avaliação
de recomendações e resultados dos alunos.
4. Submissão de artigo para Journal.
61. Referências
Ranilson Oscar Araújo Paiva
61
roap@ic.ufal.br
Referências
ABEL, F.; BITTENCOURT, Ig Ibert; COSTA, Evandro de Barros; HENZE, N.; KRAUSE, Daniel; VASSILEVA, J. Recommendations in Online Discussion Forums
for E-Learning Systems. IEEE Transactions on Learning Technologies, 2010, vol. 3, pp. 165-176.
AROYO, Lora. INABA, Akiko. SOLDATOVA, Larissa. MIZOGUCHI, Riichiro. EASE: Evolutional Authoring Support Environment, 2004.
AUDINO, Daniel Fagundes. NASCIMENTO, Rosemy da Silva. Revista Contemporânea de Educação, vol. 5, n. 10, julho/dezembro 2010.
BAKER, R.S.J.d. Data Mining for Education. McGaw, B., Peterson, P., Baker, E. (Eds.) International Encyclopedia of Education. Elsevier, 2010, ed. 03, vol.
07, pp. 112-118.
BAKER, R.S.J.d.; ISOTANI, Seiji; de CARVALHO, A.M.J.B. Mineração de Dados Educacionais: Oportunidades para o Brasil. Revista Brasileira de Informática
na Educação, 2011, vol. 19, n. 02, pp. 3-13.
BITTENCOURT, Ig Ibert ; COSTA, Evandro de Barros ; Marlos Silva ; SOARES, Elvys . A Computational Model for Developing Semantic Web-based
Educational Systems. Knowledge-Based Systems, 2009, vol. 22, pp. 302-315.
BITTENCOURT, Ig Ibert ; COSTA, Evandro de Barros . Modelos e Ferramentas para a Construção de Sistemas Educacionais Adaptativos e Semânticos.
Revista Brasileira de Informação na Educação, 2011, vol. 19, pp. 85-98.
CNN MONEY, Disponível em: http://money.cnn.com/2009/06/17/news/economy/goldman_sachs_jim_oneill_interview.fortune/index.htm, Acessado
em: 05/04/2013.
DAVIDOFF, Linda L. Introdução à Psicologia. McGraw-Hill do Brasil, 1983 pp. 112-115
DEOGUN, Jitender S.; RAGHAVAN, Vijay V.; SARKAR, Amartya; SEVER, Hayri. Data Mining: Trends in Research and Development. “Data mining: Trends
and issues-guest editors’ introduction,” V. V. Raghavan, J. S. Deogun, and H. Sever. Journal of Amer. Soc. for Information Sci., Vol. 49(4), pp. 397402, Abril 1998.
DESAFIE!. I Workshop de Desafios da Computação Aplicada à Educação. Disponível em: http://www.imago.ufpr.br/csbc2012/desafie.php. Acessado em:
14/05/2013.
DOMINGUES, Anna Katrina; YACEF, Kalina; CURRAN, James R. Data Mining for Individualized Hints in eLearning. Proceedings of the 3rd International
Conference on Educational Data Mining. Junho, 2010.
DUKE. Bioelectricity: A Quantitative Approach. Duke University's First MOOC. Disponível em:
http://dukespace.lib.duke.edu/dspace/handle/10161/6216. Acessado em: 27/03/2013. Fevereiro, 2013.
FERREIRA, Rafael; COSTA, Evandro de Barros; BRITO, Patrick; BITTENCOURT, Ig Ibert; MACHADO, Aydano; MARINHO, Tarsis; HOLANDA, Olavo. A
Framework for Building Web Mining Applications in the World of Blogs: A Case Study in Product Sentiment Analysis Expert Systems With Applications.
Expert Systems with Applications, 2012, vol. 39, pp. 4813-4834.
62. Referências
Ranilson Oscar Araújo Paiva
62
roap@ic.ufal.br
Referências
GAYARD, Leonel Aguilar. RUBIRA, Celília M. F. GUERRA, Paulo A. de Castro. COSMOS: A Component System Model for Software Architectures.
Universidade Estadual de Campinas. Instituto de Computação, 2008.
HAN, Jiawei; KAMBER, Micheline. Data Mining: Concepts and Techniques, 2006, ed. 02 - Elsevier/Morgan Kaufmann.
IAQUINTA, Leo. SEMERARO, Giovanni. Lightweight Approach to the Cold Start Problem in the Video Lecture Recommendation. 2011.
KKD NUGGETS, Disponível em: http://www.kdnuggets.com/polls/2012/where-applied-analytics-data-mining.html. Acessado em: 22/02/2013.
LAROSE, Daniel T. Data Mining Methods and Models. Wiley, 2006.
LEFFA, V. J. Uma ferramenta de autoria para o professor: o que é e o que faz. Letras de Hoje, Porto Alegre, v. 41, n. 144, pp. 189-214, 2006.
MANHAES, Laci Mary Barbosa. CRUZ, Sérgio Manuel Serra da. COSTA, Raimundo J. Macário, ZAVALETA, Jorge. ZIMBRÃO, Geraldo. Previsão de
Estudantes com Risco de Evasão Utilizando Técnicas de Mineração de Dados. Anais do XXII SBIE - XVII WIE, 2011.
MÁRQUEZ, Vera; ROMERO C.; VENTURA S. Predicting School Failure Using Data Mining. Proceedings of the 4th International Conference on
Educational Data Mining. Julho, 2011.
MERCERON, A. Educational data mining: a case study. Proceeding of the 2005 conference on Artificial. 2005 Disponível em:
http://dl.acm.org/citation.cfm?id=1562589
MINIX.ORG. The MINIX 3 Operating System. Disponível em: http://www.webcitation.org/64sAstWXM. Acessado em 2012-01-20.
NISBET, Robert. ELDER, John. MINER, Gary. Statistical Analysis and Data Mining Applications. Elsevier, 2009.
NORTH, Matthew. Data Mining for the Masses. 2012
OLIVEIRA, Dalila Andrade. A Reestruturação do Trabalho Docente: Precarização e Flexibilização. Educ. Soc., Campinas, vol. 25, n. 89, pp. 11271144, Set./Dez. 2004. Disponível em: http://www.cedes.unicamp.br.
PNE. Portal do Mec. Plano Nacional de Educação – PNE. Disponível em:
http://portal.mec.gov.br/index.php?option=com_content&view=article&id=16478&Itemid=110 7. Acessado em: 24/04/2012.
PNE(b). Projeto de Lei 8035/2010. Câmara dos Deputados. Disponível em:
http://www.camara.gov.br/proposicoesWeb/fichadetramitacao?idProposicao=490116.
Acessado em: 12/04/2012.
REIHANEH, Rabbany K.; MANSOUREH, Takaffoli; ZAÏANE, Osmar R. Analyzing Participation of Students in Online Courses Using Social Network Analysis
Techniques. Proceedings of the 4th International Conference on Educational Data Mining. Julho, 2011.
63. Referências
Ranilson Oscar Araújo Paiva
63
roap@ic.ufal.br
Referências
REYNOLDS, K.; Kontostathis, A.; EDWARDS, L. Using Machine Learning to Detect Cyberbullying. 10th International Conference on Machine
Learning and Applications and Workshops, 2011 p. 241-244.
ROMERO, C., VENTURA, S. Educational Data Mining: A Survey from 1995 to 2005. Expert Systems with Applications, 2007 33(1), pp. 135146.
Romero, Cristóbal; Ventura, Sebastian; Pechenizkiy; Baker, Ryan. Handbook of Educational Data Mining.Florida: CRC Press, 2011.
Russell, Stuart; Norvig, Peter. Artificial Intelligence: A Modern Approach. 3. ed. New Jersey: Pearson Education, 2010.
SILVA, Alan Pedro da; COSTA, Evandro; BITTENCOURT, Ig Ibert. Uma Linha de Produto de Software baseada na Web Semântica para
Sistemas Tutores Inteligentes. Revista Brasileira de Informação na Educação, 2012 v. 20, pp. 87.
SOMMERVILLE, Ian. Software Engineering. ed. 09. Addison-Wesley, 2011.
UFALLinguas. Disponível em: http://www.ufal.edu.br/cied/informes/cied-torna-publico-o-edital-do-curso-201cel-mundo-hispanico-sinfronteiras. Acessado em: 15/01/2013.
UFALLinguas(b). Disponível em: http://www.ufal.edu.br/cied/documentos/editalsimplificadocursoextensaoespanhol.pdf. Acessado em:
15/01/2013.
W3C.ORG. Authoring Tool Definition. Disponível em: http://www.w3.org/TR/2012/WD-ATAG20-20120410/#def-Authoring-Tool. Acesso
em: 03/01/2013.
WALKER, Maurice. PISA 2009 Plus Results: Performance of 15-year-olds in Reading, Mathematics and Science for 10 Additional
Participants. Acer Press, 2011.
WITTEN, Ian; FRANK, Eibe; HALL, Mark. Data Mining: Practical Machine Learning Tools and Techniques. Elsevier, 2011. ed. 3.
Massachusetts.
WU, Xindong; et. Al. Top 10 Algorithms in Data Mining. Knowledge Information Systems, 2007 - Springer.
64. Agradecimentos
Ranilson Oscar Araújo Paiva
64
roap@ic.ufal.br
Agradecimentos
Uma pessoa nobre nunca se esquece, e é sempre
grata, pelos favores que recebeu de outros.
Buddha
Obrigado!
Notas do Editor
Exibir o queseráabordadoapresentação
Desafio 04 – GrandesDesafios da PesquisaemComputação no Brasil (SBC, 2006)
Nota-se aconsonância entre as necessidadeseducacionais do país e osdesafiosque a comunidade de informática e a comunidade de informáticanaeducação, estãobuscandosuperar.Registrosgeram dados e com isso a mineraçãodesses dados se faznecessária.
Objetivos:Apresentarumamudança no paradigma da forma como a educação/o conhecimentoépropagado. Passando de uma forma centralizada, focadaemgrandescentros e baseadaemencontrospresenciaisdiários (aulas).Apresentarosambientestradicionais de aprendizagem onlineExemplo: EAD | UFAL utiliza Moodle
Objetivo:Apresentarosambientestradicionais de aprendizagem onlineExemplo: Coursera, EDX e UdacityA Udacity, juntamente com a Georgia Tech, oferecerão o primeiromestradoatravés de ambientes MOOC.
Estatísticasmaisrecentes (23 de Outubro de 2013), informamque o courserachegou a 5 milhões e 200 mil alunos.O Brasil continua bemcolocadoemrelaçãoaonúmero de registrosativos, com 3.8% (197.600) e ocupando a 4ª colocação.
Como é, então, a dinâmicaem um cursonessamodalidade?Apresentamos o curso de Bioeletricidadeoferecidoatravés da plataformacoursera.Mesmoexigindo (diretaouindiretamente) alguns pre-requisitosespecíficos, 12725 alunosregistraram-se no curso.
Notamos um acentuadodeclínio nonúmero de alunos com o progredir do curso.Dos 12725 alunos, apenas 7761 (um poucomaisque a metade dosalunosregistrados) assistirampelomenosum dos vídeosdisponibilizados.Asituaçãoficouaindamaissériaquandofoiavaliado o número de alunosquerealizaram, pelomenos, umaavaliação. 3658 alunos (um poucomaisque um quarto dos alunosregistrados).Porfim, apenas 346 alunosprestaram a avaliação final, sendoqueapenas 313 alunostiveramrendimentosuficienteparaterdireito a um certificado do curso.
Mais um gráficodemonstrando o declínio, dessaveztomandocomo base a exibição dos vídeos da semana.Aquivemos o declínio do acessoaosvídeos do curso, paracadasemana do curso.
Porqualmotivo o número de concluíntesfoitãobaixoemrelaçãoao total de alunosregistrados?Seráquealgopoderiatersidofeitoparaapoiarouresgataressesalunos?
Notamosque a quantidade de dados armazenadospeloambienteeducacionalémuitogrande e diversa. Essefato, associado a outros motivos, tornadifícil (quandonãoexistesuporte), ouatémesmoimpossível, detectar e reagirem tempo hábil a situaçõesqueprejudiquem a experiência de aprendizagem dos alunos.
Com base nessasinformações, conseguimosidentificar 3 entidades:Os dados educacionais:O atornão-humano:O atorhumano:Tem-seumaquantidadeimensa, e diversa, de dados educacionaisComo contar com atoresnão-humanos, pararealizar o processamento/tratamentodesses dados?Como contar com o conhecimento dos especialistas no domíniopedagógico, atoreshumanos, paradecidir o quefazer com osresultados do tratamento dos dados?
Tem-seumaquantidadeimensa, e diversa, de dados educacionaisComo contar com atoresnão-humanos, pararealizar o processamento/tratamentodesses dados?Como contar com o conhecimento dos especialistas no domíniopedagógico, atoreshumanos, paradecidir o quefazer com osresultados do tratamento dos dados?
Definição da mineração de dados educacionais.
Definição de recomendaçãopedagógica.
Definição de ferramentas de recomendação.
Tabelacontendoostrêscenárioscriadospara a dissertação.Essecenáriosforamcriados com base emcarências e necessidadesidentificadasporpesquisadoresemeducação:(MORAN, 2006) afirma que a avaliação dos alunos deve ser feita de forma continuada, por meio de atividades que possibilitem a avaliação qualitativa da aprendizagem. Essas atividades são classificadas pelo autor em três categorias: i) atividades relacionadas ao conteúdo; ii) pesquisas sobre temas próximos à vida e interesses do aluno; e iii) avaliação da qualidade da participação do aluno no ambiente virtual (por exemplo: as tradicionais provas, a participação dos alunos, comentários, críticas e atitudes em relação aos assuntos abordados, aos professores e colegas). Deu origem ao 1º cenário: Avaliar a qualidade das interações dos alunos no ambiente de aprendizagem.(HUANG, 2012) afirma ser possível realizar intervenções pedagógicas que visem recuperar e sensibilizar o aluno para a melhoria de seu desempenho, evitando a reprovação. Essa preocupação gerou nosso segundo cenário, que baseia-se na possibilidade de oferecer aos professores uma forma de identificar quais alunos estão sob o risco de falha em uma determinada prova, ou outro tipo de avaliação. Tal cenário foi denominado Prever o resultado de provas e avaliações.(KANELLOPOULOS, 2008) afirma que o número de desistentes nos cursos a distância são "definitivamente" superiores ao de cursos convencionais.(BAYER, 2012) afirma ser necessário de se obter antecipadamente, de forma confiável, esse conhecimento a partir dos dados educacionais armazenados pelo ambiente de aprendizagem. Esses requisitos originaram o último cenário criado para essa dissertação, cujo objetivo é identificar comportamentos de risco dentro do ambiente de aprendizagem, como por exemplo aqueles que antecedem a desistência de um aluno. Esse cenário foi denominado: Agrupar alunos por nível de participação, comprometimento e engajamento com o curso.
Aquivemos a arquitetura de altonível (de abstração) da ferramenta, mostrando a relação entre as diversascamadasque a constituem. Percebe-se a relação entre oscenários de mineração com a camadapersistência de dados e com a camada de mineração. Como, também, a relação entre as APIs, queimplementamosalgorítmos de mineração de dados educacionais, com a camada de mineração. Após a mineração dos dados, osresultadossãodirecionadosàcamada de recomendação, queencaminharápara a camada da interface com o usuário as recomendaçõespedagógicas (personalizadaspara a situação do aluno).Arquitetura de altonível (de abstração) da ferramenta de autoria.GUI: Interface Gráfica com o Usuário é o módulo através do qual os usuários ou interagem com a ferramenta, ou são alertados sobre os resultados gerados por ela (mais detalhes sobre a GUI serão apresentados na Subseção 4.2.3)Recomendações: módulo responsável por personalizar, propor e acompanhar os efeitos das recomendações no desempenho dos alunos, assim como avaliar o grau de utilidade de cada uma das recomendações geradas.Mineração: módulo responsável pelo processo completo de mineração dos dados. É através desse módulo que os dados são pré-processados, e sobre esses dados são aplicadas as técnicas e parâmetros de mineração de interesse para o cenário desejado. O resultado desse processo é, em seguida, pós-processado para que os resultados possam ser apreciados com maior simplicidade. Para alcançar esses objetivos o módulo segue as "orientações de mineração" definida nos "cenários de mineração", e faz uso de APIs que, dentre outras funcionalidades, implementam os algoritmos necessários.Controlador de APIs: funciona seguindo o padrão de projetos Facade (referência), direcionando para a API apropriada uma solicitação feita por outro componente.APIs: contém implementações de terceiros para funcionalidades úteis do sistema. Por exemplo, a API dos algoritmos de mineração de dados do WEKA®.Controlador de Cenários: assim como os demais controladores, funciona seguindo o padrão de projetos Facade, direcionando para o Cenário de Mineração apropriado uma solicitação feita por outro componente.Cenários: contém as especificações para cada Cenário de Mineração de Dados. Como exemplos de cenários pedagógicos, citam-se i) evitar evasão de alunos e ii) Persistência: este módulo contém os métodos para gerenciamento dos dados em suas respectivas fontes/repositórios.
Aquivemos odiagrama de componentes da ferramentamostrando um núcleo central (Micro Kernel), quecontém as funcionalidadesnativas da ferramenta. Épossívelnotarqueháflexibilidadenainclusão/exclusão de cenários e, também, emrelaçãoàs APIs queimplementemalgoritmos de mineração de dados educacionais.
Para o estudo de casoutilizamos o cenário 01 de mineração de dados que, conformemencionadoanterioremente, tem porobjetivoavaliar a qualidade das interações dos alunos no ambiente de aprendizagem.
Especialistas no domíniopedagógicodefiniram, dentreos dados disponíveis, aquelescujomonitoramentoalertariasobrequalidade a qualidade das interações dos alunos no ambiente de aprendizagem.
Avaliamososresultados.Marcamososnósquepoderiamgerarregras de interessepara o cenário 01.
Avaliamososresultados.Marcamososnósquepoderiamgerarregras de interessepara o cenário 01.
Avaliamososresultados.Marcamososnósquepoderiamgerarregras de interessepara o cenário 01.
Tela de boas vendas da interface com o autor.É exibido o processo de recomendação pedagógica e uma breve descrição do mesmo.