Metacognição em práticas colaborativas numa comunidade de b-learning: um estudo de caso

Nesta tese apresenta-se um estudo sobre a metacognição em práticas colaborativas numa comunidade de b-learning no ensino superior. O referencial teórico adotado desenvolveu-se com o intuito de reunir as discussões sobre a metacognição, o b-learning, a comunidade de aprendizagem colaborativa e as comunidades de práticas no ensino superior. Com base nesse referencial teórico desenvolveu-se um estudo empírico sobre a metacognição analisada numa comunidade de b-learning tendo como estudo de caso o Programa Doutoral em Multimédia em Educação da Universidade de Aveiro (edições 2009 e 2010). O estudo, que envolveu 7 docentes e 17 alunos das referidas edições do programa doutoral, teve como uma das suas finalidades verificar a perspetiva do aluno sobre o processo de aprendizagem vivido, das posturas que assume, das estratégias a que recorre para interagir nas comunidades de aprendizagem no âmbito do Programa Doutoral em Multimédia em Educação (PDMMEDU), que funciona na modalidade blearning. Os dados foram obtidos através de inquérito por questionário realizado com os alunos e de sessões de focus group com alunos e docentes. A partir da análise dos resultados obtidos sob o referencial teórico que lhes serviu de enquadramento, procurou dar-se resposta às questões orientadoras do estudo: i) Encontramos evidências de pensamento ou processos metacognitivos nas comunidades de b-learning que se instalaram nas Unidades Curriculares (UC) do PDMMEDU? ii) Que perceções da aprendizagem nas comunidades de b-learning têm os estudantes? iii) Que sentimentos afluem da interação com o grupo de trabalho e com toda a turma? Qual a perceção que os docentes têm sobre a temática e que evidências poderão fornecer sobre a possibilidade de desenvolvimento de processos metacognitivos no âmbito das respetivas UCs? iv) Que relação pode ser observada entre os elementos motivadores da aprendizagem dos alunos e a participação nas UC? Do resultado da análise dos dados obtidos através do inquérito por questionário realizado com os alunos e das sessões de focus group com alunos e docentes identificou-se o perfil metacognitivo dos alunos, uma avaliação da experiência no programa doutoral, as novas posturas assumidas e alterações nos cenários profissionais. Por fim, são feitas sugestões para investigação futura com a proposta de sessões de trabalho onde se desenvolvem competências metacognitivas por parte de alunos envolvidos em cursos de pós-graduação em ambientes online.

Techniques for batch reinforcement learning in robotics

This thesis addresses the Batch Reinforcement Learning methods in Robotics. This sub-class of Reinforcement Learning has shown promising results and has been the focus of recent research. Three contributions are proposed that aim to extend the state-of-art methods allowing for a faster and more stable learning process, such as required for learning in Robotics. The Q-learning update-rule is widely applied, since it allows to learn without the presence of a model of the environment. However, this update-rule is transition-based and does not take advantage of the underlying episodic structure of collected batch of interactions. The Q-Batch update-rule is proposed in this thesis, to process experiencies along the trajectories collected in the interaction phase. This allows a faster propagation of obtained rewards and penalties, resulting in faster and more robust learning. Non-parametric function approximations are explored, such as Gaussian Processes. This type of approximators allows to encode prior knowledge about the latent function, in the form of kernels, providing a higher level of exibility and accuracy. The application of Gaussian Processes in Batch Reinforcement Learning presented a higher performance in learning tasks than other function approximations used in the literature. Lastly, in order to extract more information from the experiences collected by the agent, model-learning techniques are incorporated to learn the system dynamics. In this way, it is possible to augment the set of collected experiences with experiences generated through planning using the learned models. Experiments were carried out mainly in simulation, with some tests carried out in a physical robotic platform. The obtained results show that the proposed approaches are able to outperform the classical Fitted Q Iteration.