Abstract
Este artigo investiga se rastros interacionais de diálogos com tutores baseados em Inteligência Artificial podem revelar perfis comportamentais interpretáveis compatíveis com processos de aprendizagem autorregulada. Analisamos o conjunto de dados público StudyChat, composto por 2.214 conversas de 203 estudantes distribuídas em sete atividades de programação de uma disciplina universitária de Inteligência Artificial. As mensagens dos estudantes foram mapeadas em atos de fala e modeladas como matrizes de transição de cadeias de Markov de primeira e segunda ordem no nível estudante-atividade. Após vetorização, padronização, redução de dimensionalidade com UMAP e clusterização com K-means, os grupos resultantes foram interpretados com apoio de métricas estruturais e modelos de processo extraídos com Heuristic Miner. A representação de segunda ordem produziu a solução mais coerente, com seis perfis de interação que variam de comportamentos rígidos e diretivos a padrões densamente exploratórios. Uma análise longitudinal baseada em distância de Hamming mascarada mostrou que muitos estudantes transitam entre perfis ao longo das atividades, em vez de permanecerem em um modo único e estável. Como principal contribuição, o estudo apresenta um pipeline explicável de learning analytics para dados conversacionais educacionais e mostra como esses rastros podem sustentar interpretações cautelosas, teoricamente informadas e relevantes para tutores por IA adaptativos.

This publication has 17 references indexed in Scilit: