veja Árvore Educação
Objetivo 2: engajar os leitores a lerem mais.
Montamos uma rede social para alunos que incentiva leitura.
Também estimulamos a criação, indicação, compra e venda de livros feito pelos próprios alunos e o compartilhamento de trechos dos livros em áudio e de imagens dos desenhos criados no aplicativo.
Também disponibilizamos Certificados, para demonstrar o desenvolvimento dos alunos no aplicativo.
- Quando a criança decide “começar” sua jornada, ela é redirecionada a uma tela que contém vários “Cards”. Na nossa base de dados, cada um desses cards foram avaliados e tem um perfil. A criança seleciona os cards que ela mais gosta e chama nossa API que faz uma média do perfil desses cards para calcular o “perfil leitor” da criança.
- Na próxima tela, vemos o perfil da criança. Aqui chamamos a API para buscar todos os usuários que são da mesma sala de aula da criança.
- Na nossa editora, os alunos podem escrever uma história sem restrições, temos também a funcionalidade que permite que a criança desenhe no seu “livro”.
- Na nossa curadoria, a lista de palavras disponíveis para o aluno é gerada através de livros selecionados pelo professor. Usamos processamento de linguagem natural para obter as palavras do livro e remover palavras parecidas para aumentar a variação.
- Por fim, temos a livraria. Na livraria, vamos ter os livros escritos pela criança e seus amigos (que autorizarem a amostra). Na sessão das recomendações, usamos o perfil leitor do usuário calculado com os cards para recomendar livros. Esse sistema é um exemplo de um sistéma de recomendação chamado “knowledge based recommendation”: calculamos a distancia euclideana entre o vetor descrevendo as preferências do usuário e as propriedades dos livros para sugerir as melhores combinações!
Stack: NodeJS, MongoDB, Strapi, AWS
Request Body: Cardlist contém as id's das cards selecionadas pelo usuário
"cardlist": [<id1>, <id2>, <id3>]
Returns:
"Perfil do leitor calculado com sucesso!": [3.0002, 2.0009, 1.778893, 3.7, 0.008889]
No primeiro passo, fazemos um mapeamento do perfil leitor do aluno por meio de cards. Cada um desses cards tem um "perfil" na nossa base de dados, que é um vetor de cinco dimensões enumeradas de 0-5 mapeando características como a personalidade dos personagens, atmosféra e clima. Quando o aluno escolhe os cards que ele mais gosta, calculamos uma média desses cards para representar o perfil leitor do aluno.
Como definimos o perfil leitor: [a, b, c, d, e]
- a: Cenário (0-N/A, 1-urbano, 2-Natureza, 3-Cartoon, 4-Fantasioso) - Por exemplo, Nárnia se encaixa em um cenário 4, e Pokemon em um cenário 3
- b: Gênero (0-N/A, 1-tendência masculina 2-tendência feminina) - Esse valor não está relacionado ao genero da criança, somente o do personagem Por exemplo, turma da mônica seria gênero 0, Cinderella seria gênero 2
- c: Esfera (0-N/A, 1-Realidade com componentes fantasiosos, 2-Fantasia com componentes reais 3-Um mundo totalmente imaginário) - Por exemplo, Bob Esponja se encaixa em 3, e Harry Potter se encaixa em 2)
- d: Clima (0-N/A, 1-Comédia, 2-Feliz, 3-Aventura/Curioso 4-Romântico) - Por exemplo, Garfield se encaixa em (1) e Peter Pan em (3)
- e: Personagens (0-N/a, 1-Humano, 2-Princesa/Principe, 3-Animal, 4-Avatar/Game, 5-Criatura ficticia)
Nota Na próxima vez que o endpoint for chamado para o mesmo aluno, re-calculamos a média dos cards accumulados dele. Esse perfil leitor é usado para recomendarmos livros para o aluno.
Request Body: vazio
Returns:
{
"Ranking de livros" : [
[{
"title" : "Onde Os Monstros Vivem",
"id": "5f00eda2a9094208ba0eeb28",
"cover" : {
....
"url": "https://megahack3.s3.us-west-1.amazonaws.com/monstros_892efb3583.jpeg",
"formats": {
"thumbnail": {
"hash": "thumbnail_monstros_892efb3583",
"ext": ".jpeg",
"url": "https://megahack3.s3.us-west-1.amazonaws.com/thumbnail_monstros_892efb3583.jpeg"
}
}
}],
[{
"title" : "Peter Pan",
"id": "5f00eda2a9094208ba0eeb28",
"cover" : {
....
"url": "https://megahack3.s3.us-west-1.amazonaws.com/monstros_892efb3583.jpeg",
"formats": {
"thumbnail": {
"hash": "thumbnail_monstros_892efb3583",
"ext": ".jpeg",
"url": "https://megahack3.s3.us-west-1.amazonaws.com/thumbnail_monstros_892efb3583.jpeg"
}
}
}]
}
Esse endpoint recebe o id do usuário e calcula a distância euclideana entre o perfil do usuário e o perfil de cada livro disponível na base de dados que está classificado como apropriado para a idade dele. Endpoint retorna uma lista ordenada do livro mais próximo, até o mais distante do perfil do usuário.
Equação usada
Request Body: vazio
Returns:
{
"Palavras": [
"Toda",
"conhece",
"caminho",
"mágico",
"seu",
"ciumento",
"amigo",
"fadas",
"Tinker",
"Bell",
"Peter",
"Pan",
"incomoda",
"obviamente",
"crianças",
"Darling",
"Wendy",
"John",
"Michael",
"sair",
"voar",
"Neverland",
....
]
}
Esse endpoint recebe o id do aluno e busca os livros recomendados pelo professor do aluno. O endpoint busca trechos dos livros na nossa base de dados e usa a biblioteca "natural" do NodeJS para aplicar funções de procesamento de linguagem natural (NLP), parseando os textos em palavras e usando a equação chamada JaroWinklerDistance para remover palavras muito parecidas/iguais removendo redundâncias. Nós removemos todas as palavras que tem uma distância acima de 0.9, e podemos variar esse valor para aumentar/diminuir a diferença entre as palavras.
Request Body: vazio
Returns:
{
"kids": [
{
"books_read": [],
"books_writtens": [],
"_id": "5f014770a9094208ba0eeb39",
"goods": [],
"profile": null,
"name": "Clara",
"birthDate": "2012-02-01",
"coins": "4",
"createdAt": "2020-07-05T03:22:24.876Z",
"updatedAt": "2020-07-05T23:51:31.375Z",
"__v": 0,
"class": null,
"isOnline": true,
"classgroup": {
"books": [
"5f00e9aca9094208ba0eeb1e",
"5f00ee4fa9094208ba0eeb2b"
],
"kid_written_books": [],
"kids": [],
"_id": "5f00fccdd4a65ab9b5588e06",
"words": null,
"ageRange": "2",
"teacherName": "Laura",
"createdAt": "2020-07-04T22:03:57.137Z",
"updatedAt": "2020-07-06T00:24:46.681Z",
"__v": 0,
"kid": "5f00a26a3ed4d29bf3f6e6a1",
"id": "5f00fccdd4a65ab9b5588e06"
},
"profilepicture": "girl-8",
"goods_owned": [],
"id": "5f014770a9094208ba0eeb39"
},
]
}
Esse endpoint recebe o id do aluno e retorna todos os usários registrados no aplicativo que estão na mesma sala de aula do aluno.
Request Body:
“goods” : [<goodId1>, <goodId2>”]
Esse endpoint recebe o id do aluno e uma lista dos ids dos objetos que ele quer comprar na loja. A API verifica que o aluno tem moedas o suficiente, e atualiza suas moedas e bens para refletir a compra.
- Cleanderson Lobo - Frontend
- Daniel Moura - Business
- Daniella Grimberg - Backend
- Laura Fiuza - Backend
- Sara Margarido - UI/UX Design