Conectando Aprendizado aos Interesses dos Alunos com o GPT-4

Alinhar os Problemas escolares com o que os alunos se importam pode deixar o aprendizado muito melhor. Mas fazer isso pra muitos alunos ao mesmo tempo pode ser complicado por causa da falta de tempo e recursos. Novas ferramentas, como Modelos de Linguagem Grande (LLMs), tipo o GPT-4, podem ajudar nesse desafio. Este artigo investiga como o GPT-4 pode ajudar a ajustar problemas aos interesses dos alunos dentro de um sistema de aprendizado chamado CTAT, buscando tornar o aprendizado mais envolvente e eficaz. A gente trabalhou com diferentes pedidos pra adaptar os problemas sem mudar suas ideias principais ou deixá-los difíceis demais. Embora a gente veja um potencial no uso desses modelos na educação, também reconhecemos algumas limitações, especialmente com problemas de geometria. Acreditamos que estudos futuros vão ajudar a avaliar melhor quão útil essa ferramenta pode ser para os alunos.

#Importância de Contextualizar os Problemas

Pesquisas mostram que tornar os problemas mais relacionados aos interesses dos alunos pode levar a resultados melhores em matérias como álgebra. Isso ajuda os alunos a se tornarem melhores solucionadores de problemas, mais precisos no que fazem, e capazes de aplicar o que aprendem no futuro. Os professores geralmente sabem do que os alunos gostam, mas ajustar os problemas pra se encaixar nesses interesses pode ser complicado por causa de tempo e recursos. Mas os novos LLMs oferecem uma ótima chance de reduzir essas dificuldades.

#Trabalhos Anteriores sobre Personalização do Contexto

A ideia de personalizar o contexto nos problemas já foi explorada antes. Um estudo importante mostrou como questões de álgebra podem ficar mais interessantes ao ligá-las às vidas dos alunos. Ao deixar os alunos criarem suas "histórias de álgebra", eles se tornam mais engajados e assumem a responsabilidade pelo próprio trabalho. Quando o aprendizado se conecta a interesses pessoais, os alunos tendem a prestar mais atenção, continuar com suas tarefas e se sentir mais motivados a aprender.

Estudos passados mediram o sucesso desse método usando tanto números quanto relatos pessoais, mostrando que alunos que encontraram essas histórias personalizadas estavam mais engajados e se saíram melhor. Embora possam haver desafios em atender a vários interesses, ferramentas digitais podem ajudar nesse processo. No geral, a personalização contextual pode ajudar os alunos a aprender melhor, reduzir o tempo de prática necessário para dominar habilidades e desenvolver capacidades transferíveis.

#Produção em Massa em Sistemas Tutores Inteligentes

A ideia de produção em massa em Sistemas Tutores Inteligentes (ITS) é sobre ajustar problemas existentes para várias situações diferentes. Isso permite que os educadores criem muitos problemas únicos usando a mesma estrutura básica, assim os alunos conseguem praticar problemas parecidos em contextos diferentes. Esse método apoia o aprendizado por domínio, dando aos alunos oportunidades de solucionar vários problemas, o que facilita a compreensão do conteúdo.

Na nossa pesquisa, aplicamos o princípio da produção em massa mudando apenas o contexto dos problemas, mantendo as questões principais iguais. O objetivo era tornar os problemas mais relacionados aos interesses dos alunos, aumentando assim o Engajamento e promovendo uma compreensão mais profunda.

#Utilizando Modelos de Linguagem Grande para Instrução

Estudos anteriores examinaram a aplicação de LLMs na educação, como gerar perguntas ou fornecer dicas. Avaliações dessas aplicações indicaram que os alunos se saem melhor com conteúdo criado por esses modelos em comparação ao conteúdo gerado por humanos. É claro que os LLMs podem melhorar as experiências de aprendizado, tornando-se um recurso valioso para práticas educacionais futuras. Nosso trabalho sugere que usar esses modelos para conectar problemas mais de perto aos interesses dos alunos pode melhorar significativamente o engajamento e os resultados.

#Design do Sistema

#Engenharia de Prompt Iterativa com GPT-4

Fizemos um processo cuidadoso de ajuste de prompts em quatro conjuntos diferentes de problemas no TutorShop. O objetivo era tornar os problemas mais significativos com base em diversos interesses dos alunos. Usamos vários exemplos de contextos diferentes para ajudar o modelo a aprender a se ajustar aos novos interesses aos poucos. Esse processo permitiu que ajustássemos nossa abordagem e criássemos problemas que atraíam interesses como TikTok e NBA.

Por exemplo, quando apresentamos um problema padrão sobre pessoas na fila, adaptamos para se encaixar em contextos como videogames e basquete. Mantendo a estrutura da questão intacta enquanto mudamos o cenário, conseguimos tornar os problemas mais envolventes.

#Adaptação de Exemplo

Aqui tá um exemplo de como um problema padrão de álgebra pode ser ajustado com base nos interesses dos alunos:

Problema Original:
Chaz e Nikki estão em uma longa fila pra comprar ingressos de shows. Nikki está 2,5 metros à frente de Chaz. Quando Nikki está a 6 metros da frente, quanto Chaz está?

Problema Adaptado para Videogames:
Em um videogame, dois jogadores, Mario e Luigi, estão em pontos diferentes de uma fase. Luigi está 2,5 unidades à frente de Mario. Quando Luigi está a 6 unidades do final da fase, quão longe está Mario?

Mudando os personagens e o cenário, mantemos a essência do problema enquanto o tornamos mais relevante pros alunos.

#Implementação do CTAT

Propomos um design amigável para contextualizar problemas em Sistemas Tutores Inteligentes usando CTAT e GPT-4. Professores ou designers instrucionais podem facilmente ajustar os problemas adicionando interesses específicos. Assim que clicam em um botão, o sistema usa o GPT-4 pra criar versões variadas do problema adaptadas a diferentes interesses. Eles podem visualizar e fazer alterações pra garantir que estão satisfeitos com os resultados.

#Trabalho Futuro e Limitações

Embora este trabalho se baseie em ideias educacionais e tecnológicas existentes, é importante continuar avaliando sua eficácia em salas de aula reais. Estudos sistemáticos vão ajudar a avaliar como essa ferramenta impacta o aprendizado dos alunos. Isso inclui melhorias na qualidade das respostas, na velocidade do aprendizado e na rapidez com que os alunos se tornam proficientes.

No entanto, alguns obstáculos no modelo atual precisam ser resolvidos. Embora funcione bem com problemas de álgebra, tem dificuldades com problemas de geometria, especialmente aqueles que envolvem visuais como gráficos ou diagramas. A versão atual do GPT não consegue gerar imagens que ajudariam a ilustrar os problemas corretamente. Essa limitação dificulta a criação de visuais adequados para questões que precisam de uma representação clara das relações entre variáveis.

A gente agradece a orientação de especialistas na área, pois suas percepções desempenharam um papel crucial na formação desta pesquisa.

#Conclusão

Em resumo, alinhar os problemas educacionais aos interesses dos alunos pode levar a resultados de aprendizado melhores. Usar ferramentas como os Modelos de Linguagem Grande oferece uma forma promissora de alcançar isso em larga escala. À medida que continuamos a refinar nossos métodos e nos adaptar às necessidades dos alunos, esperamos ver mais sucesso em engajar os estudantes e aprimorar suas experiências educacionais. Pesquisas contínuas serão vitais para garantir que essas inovações sejam eficazes e benéficas para todos os alunos.