Aprendendo currículos para humanos com busca em árvore guiada por rede neural

• Ano de defesa: 2021
• Autor(a) principal: Nova, João Gabriel Gama Vila
• Orientador(a): Lelis, Levi Henrique Santana de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Viçosa
• Programa de Pós-Graduação: Ciência da Computação
• Área do conhecimento CNPq: Ciência da Computação
• Link de acesso: https://locus.ufv.br//handle/123456789/30480; https://doi.org/10.47328/ufvbbt.2022.030

Este trabalho avalia Levin Tree Search (LTS) como um modelo para aprender currículos para pessoas. Nós hipotetizamos que a ordem em que LTS aprende a resolver um conjunto de problemas pode ser usada para formar um currículo que auxilia o aprendizado de humanos. Nós avaliamos LTS em dois esquemas de aprendizagem de currículos. Primeiro, ordenamos um pequeno conjunto de instâncias de problemas de acordo com a ordem em que LTS as resolve enquanto aprende uma política neural. Segundo, usamos LTS para ordenar um grande conjunto de instâncias de problemas e selecionamos um subconjunto deste para formar um currículo. Nós avaliamos o currículo que LTS gera através de um estudo com usuários em que os participantes aprendem a resolver uma classe de puzzles do jogo The Witness. Resultados computacionais mostram que a ordem que LTS encontra para o conjunto de instancias do jogo é a mesma ordem escolhida pelo game designer do jogo. O resultado do estudo com usuários sugere que o currículo que nosso sistema gera se compara favoravelmente com currículos de base em termos de retenção de usuário e número de tentativas para que se consiga resolver uma instância. Nossos experimentos computacionais e estudos com usuários sugerem que LTS utilizando uma política neural pode ser usada como um efetivo modelo de geração de currículos de ensino para auxiliar o aprendizado de pessoas em problemas de decisão sequencial. Palavras-chave: Educação. Busca em Árvore. Jogos.