PegAgente: Modelagem de Agentes por Aprendizado de Reforc¸o em Jogos Educacionais

Thiago da Silva Teixeira, Helyane Bronoski Borges, Simone Nasser Matos, Vinicius Schultz Garcia da Luz, Tamara Liz Schwab Ribeiro

Resumo


Jogos educacionais demonstram um modo diferente e divertido de aprender, que pode ser potencializado pela utilização de Inteligência Artificial (IA), tornando a atividade mais dinâmica. Este artigo apresenta um jogo educacional utilizando uma técnica da IA conhecida como aprendizado por reforço, aplicada na modelagem de um agente inteligente. A metodologia usada para desenvolvimento do jogo denominado de PegAgente abrangeu quatro etapas: definição de ferramentas, modelagem do ambiente, modelagem do agente e a simulação. Conforme o nível do jogo aumenta, o agente se torna mais inteligente o que dificulta para o jogador, que precisa fugir e coletar itens que compõem o cenário do jogo. O tema do jogo foi a prevenção contra o vírus COVID-19, em que cada item coletável representa um método preventivo, e o agente inteligente é representado em formato de um vírus. O jogo demonstrou que a modelagem de agentes em jogos educacionais por meio do aprendizado por reforço permite a criação de um jogo com dificuldade ideal ao jogador, com o objetivo de gerar maior engajamento.


Palavras-chave


Aprendizado por reforço, jogos educacionais, COVID-19.

Texto completo:

PDF


DOI: https://doi.org/10.22456/1679-1916.110231

Direitos autorais 2021 RENOTE



RENOTE - Revista Novas Tecnologias na Educação      ISSN 1679-1916

A RENOTE, possui a nota Qualis B1 (Ensino) e B1 (Interdisciplinar) no Sistema de Avaliação da CAPES.

Centro Interdisciplinar de Novas Tecnologias na Educação (CINTED) - Universidade Federal do Rio Grande do Sul (UFRGS)

Avenida Paulo Gama, 110 - Anexo III – 3o andar
Porto Alegre, RS, Brasil – CEP: 90040-060

Telefone: (51) 3308-4100
E-mail: renote@cinted.ufrgs.br