Um framework híbrido ator–crítico e BERT para recomendação inteligente de cursos em sistemas de e-learning com IoT

Encontrando o Curso Online Certo

À medida que as plataformas de educação online crescem com milhares de aulas, muitos aprendizes enfrentam um problema simples, mas frustrante: qual curso devo fazer a seguir? Este artigo enfrenta essa sobrecarga ao projetar um sistema de recomendação inteligente que observa como as pessoas realmente estudam em telefones, tablets e computadores, e então sugere cursos que se ajustam melhor aos seus objetivos, habilidades e hábitos ao longo do tempo.

Por que o Aprendizado Online Precisa de Guias Mais Inteligentes

MOOCs (Massive Open Online Courses) permitem que qualquer pessoa, em qualquer lugar, acesse aulas de alta qualidade. Mas o sucesso desse modelo criou um novo desafio: com tantas opções, é fácil sentir-se perdido. Métodos tradicionais de recomendação, que dependem sobretudo de avaliações por estrelas ou de similaridade simples entre usuários, têm dificuldades nesse ambiente que muda rapidamente. Eles assumem que seus gostos permanecem fixos e frequentemente ignoram sinais ricos, como quanto tempo você permanece em uma sessão, qual dispositivo usa ou quando tende a abandonar um curso. Nas plataformas de aprendizagem conectadas de hoje, esses padrões são constantemente registrados e podem revelar muito mais sobre o que vai manter um aprendiz engajado.

Unindo o Que os Cursos Dizem e o Que os Alunos Fazem

Os autores propõem um sistema híbrido que combina dois tipos de informação: o significado do conteúdo dos cursos e os traços detalhados do comportamento dos aprendizes. Primeiro, eles usam um poderoso modelo de linguagem chamado BERT para ler títulos de cursos, descrições e tags, transformando-os em impressões digitais numéricas densas que capturam diferenças sutis de tópico e estilo. Ao mesmo tempo, o sistema coleta sinais de interação a partir de logs web e móveis — com que frequência um aprendiz clica, quanto tempo assiste a vídeos, a rapidez com que avança pelos materiais e o quão desafiadores considera diferentes aulas. Esses traços representam um cenário de aprendizagem com Internet das Coisas, onde muitos dispositivos conectados contribuem para um quadro dos hábitos de estudo de cada pessoa.

Como o Assistente de Aprendizagem Se Ensina

No coração do framework está uma configuração de aprendizado por reforço, onde o recomendador se comporta como um agente que aprende por tentativa e erro. Um par de redes “ator–crítico” escolhe quais cursos sugerir e avalia quão boas foram essas escolhas, melhorando gradualmente sua estratégia. O estado fornecido a esse agente combina as impressões de cursos baseadas em BERT, resumos compactos do comportamento do aprendiz e recursos extras produzidos por um módulo de distância de Mahalanobis, que mede similaridade levando em conta correlações entre muitas características. Em vez de perseguir cliques rápidos, o sinal de recompensa incentiva resultados mais profundos: concluir mais de um curso, obter melhor desempenho em quizzes e passar tempo significativo engajado com o material. Um método de treinamento chamado Proximal Policy Optimization mantém o aprendizado estável mesmo quando o sistema explora novas recomendações.

Testando em Plataformas de Cursos do Mundo Real

Para verificar se esse projeto funciona na prática, os autores treinaram e avaliaram seu modelo em três grandes coleções de cursos: MOOCCube, edX e NTHU MOOCs. Esses conjuntos de dados diferem em tamanho, mistura de assuntos e em quão esparsas ou densas são as interações dos usuários, tornando-os um bom teste de resistência. Eles compararam seu sistema com vários concorrentes fortes, incluindo métodos baseados em redes neurais de grafos, clusterização e arquiteturas híbridas profundas. Em todos os conjuntos de dados e medidas padrão de qualidade de ranqueamento, o novo modelo teve desempenho consistentemente melhor, tipicamente melhorando pontuações-chave em dois a quatro pontos percentuais. Estudos de ablação cuidadosos mostraram que cada elemento — codificação semântica de texto, a estrutura ator–crítico, a regra de treinamento PPO e a medida de distância ciente de correlação — contribuiu para os ganhos finais.

O Que Isso Significa para o Estudo Online do Futuro

Em termos simples, o estudo mostra que um motor de recomendação que realmente escuta tanto o que os cursos prometem quanto o que os aprendizes fazem pode guiar as pessoas por catálogos online lotados de forma mais eficaz. Ao rastrear não apenas cliques, mas também conclusão, sucesso em quizzes e atenção sustentada, o sistema aprende a sugerir cursos que têm mais probabilidade de se ajustarem ao nível de cada aprendiz e mantê-lo no caminho. Como foi projetado com salvaguardas de privacidade e pode ser estendido com técnicas como aprendizado federado e interfaces explicáveis, o framework oferece um caminho prático rumo a salas de aula online mais solidárias e adaptativas que parecem menos um labirinto e mais como ter um tutor conhecedor indicando o próximo melhor passo.

Citação: Chunqin, X., Peixi, W. A hybrid actor–critic and BERT framework for intelligent course recommendation in IoT-aware e-learning systems. Sci Rep 16, 10259 (2026). https://doi.org/10.1038/s41598-026-40952-2

Palavras-chave: recomendação de cursos online, e-learning personalizado, aprendizado por reforço, dados educacionais, análise da aprendizagem