Key points are not available for this paper at this time.
A Inteligência Artificial (IA) e o Aprendizado por Reforço Profundo (DRL) revolucionaram a aprendizagem online ao criar ambientes personalizados, adaptativos e seguros. No entanto, desafios como privacidade, viés e limitações de dados persistem. O E-FedCloud visa abordar essas questões, proporcionando experiências de aprendizagem online mais ágeis, personalizadas e seguras. Este estudo apresenta o E-FedCloud, um sistema de aprendizagem online adaptativa assistido por IA que automatiza recomendações personalizadas e acompanhamento, melhorando assim o desempenho dos estudantes. Ele emprega autenticação baseada em aprendizado federado para garantir acesso seguro e privado tanto para instrutores de curso quanto para estudantes. Agentes de Software Inteligentes (ISAs) avaliam o engajamento semanal dos alunos utilizando o método de Entropia de Shannon, classificando os estudantes em grupos de engajados ou não engajados. O E-FedCloud utiliza o status de engajamento semanal, informações demográficas e um inovador sistema de alerta precoce baseado em DRL, especificamente ID2QN, para prever o desempenho de estudantes não engajados. Com base nessas previsões, o sistema categoriza os estudantes em três grupos: risco de evasão, risco de pontuação inferior no exame final e risco de reprovação no exame final. Ele emprega um gráfico de ontologia multidisciplinar e uma rede de cápsulas baseada em atenção para recomendações automatizadas e personalizadas. O sistema também integra monitoramento de desempenho para aumentar o engajamento dos estudantes. Os dados são armazenados com segurança em uma blockchain utilizando o método de criptografia LWEA.
Bagunaid et al. (Ter,) estudaram essa questão.