Use este identificador para citar ou linkar para este item:
http://www.repositorio.ufal.br/jspui/handle/riufal/5878
Tipo: | Dissertação |
Título: | A supervised learning approach to detect gender stereotype in online educational technologies |
Título(s) alternativo(s): | Uma abordagem de aprendizagem supervisionado para detectar o estereótipo de gênero em tecnologias educacionais online |
Autor(es): | Silva, Josmário de Albuquerque |
Primeiro Orientador: | Pinto, Ig Ibert Bittencourt Santana |
metadata.dc.contributor.advisor-co1: | Coelho, Jorge Artur Peçanha de Miranda |
metadata.dc.contributor.referee1: | Marques, Leonardo Brandão |
metadata.dc.contributor.referee2: | Fernandes, Sheyla Christine Santos |
metadata.dc.contributor.referee3: | Holmes, Wayne |
Resumo: | Tecnologia educacional (Edtech) tem impactado o modo como aprendemos e ensinamos, por exemplo, melhorando o engajamento de alunos, reforçando a colaboração, aumentando a retenção de aprendizado e ajudando professores a criar e distribuir novos conteúdos. No entanto, pesquisadores destacam que questões relacionadas à igualdade de gênero, como os estereótipos de gênero, precisam ser abordadas para promover contextos de aprendizagem plurais e inclusivos. De fato, descobertas recentes mostram que os estereótipos afetam vários aspectos no processo de aprendizagem, por exemplo, desempenho, engajamento, confiança, auto-imagem e ansiedade. No entanto, para abordar essas questões, precisamos antecipadamente descobrir se uma dada tecnologia educacional é estereotipada ou não. Diante desse cenário, propomos uma abordagem baseada em classificadores de aprendizagem supervisionada para detectar estereótipos de gênero em ambientes educacionais online. O método consiste na coleta de pistas situacionais de ameaça de estereótipos, isto é, conteúdos textuais e esquemas de cores de páginas Web para desenvolver e validar um modelo preditivo de aprendizagem de máquina. Além disso, a fim de validar o problema e reunir mais informações sobre o impacto dos estereótipos de gênero em tais contextos, realizamos uma revisão sistemática para destacar evidências e destacar as descobertas entre diferentes tipos de tecnologias educacionais e nos últimos 20 anos. A revisão também mostra abordagens metodológicas ao longe desses anos e as limitações de tais estudos. Em relação aos modelos preditivos, nossa abordagem mostrou uma alta precisão na previsão de ameaças de estereótipos de gênero em ambientes online. Também implementamos a abordagem e a aplicamos às páginas Web de universidades que se destacam no ranking mundial e os resultados sugerem a presença de estereótipos masculinos nas mesmas. Discutimos esses achados e apresentamos uma agenda de pesquisa para sublinhar os pontos que carecem de uma atenção especial na investigação de estereótipos de gênero e tecnologias educacionais. |
Abstract: | Educational Technology (Edtech) has impacted the way humans learn and teach, e.g., improving students’ engagement, bolstering collaboration, increasing learning retention, and assisting teachers in creating and delivering new contents. However, researchers have highlighted that issues related to gender equality like gender stereotypes need to be addressed in order to promote plural and inclusive learning settings. In fact, recent findings show stereotypes have impacted several aspects in the learning process, e.g., performance, engagement, confidence, self-image, and anxiety. However, to address those issues, we require in advance to find out whether a given educational technology is stereotyped. Given that scenario, we propose an approach based on supervised learning classifiers to detect gender stereotypes in online educational environments. The method consisted of gathering situational cues of stereotype threat, i.e., textual contents and color schemes from web pages to develop and validate a machine learning predictive model. In addition, in order to validate the problem and gather more information about the impact of gender stereotypes in such settings, we primarily performed a systematic review to highlight evidence in the field and summarized the findings among different types of educational technologies and their implications in the last 20 years. The review also shows methodological approaches used along with those years and the limitations of such studies. Regarding predictive models, our approach showed a high precision on predicting gender stereotype threat in online settings. We also implemented the approach and applied it towards top-ranked universities’ web pages and the results suggest the presence of male bias in such settings.We discuss those findings and present a research agenda to underline research points that should be concerned when investigating gender stereotypes and educational technologies. |
Palavras-chave: | Tecnologia educacional Identidade de gênero na educação Estereótipos (Psicologia) Educational technology Gender identity in education Stereotypes (Psychology) |
CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
Idioma: | eng |
País: | Brasil |
Editor: | Universidade Federal de Alagoas |
Sigla da Instituição: | UFAL |
metadata.dc.publisher.program: | Programa de Pós-Graduação em Modelagem Computacional de Conhecimento |
Citação: | SILVA, Josmário de Albuquerque. A supervised learning approach to detect gender stereotype in online educational technologies. 2019. 77 f. Dissertação (Mestrado em Modelagem Computacional do Conhecimento) – Instituto de Computação, Programa de Pós Graduação em Modelagem Computacional do Conhecimento, Universidade Federal de Alagoas, Maceió, 2019. |
Tipo de Acesso: | Acesso Aberto |
URI: | http://www.repositorio.ufal.br/handle/riufal/5878 |
Data do documento: | 21-jun-2019 |
Aparece nas coleções: | Dissertações e Teses defendidas na UFAL - IC |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
A supervised learning approach to detect gender stereotype in online educational.pdf | 3.18 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.