A Aprendizagem Colaborativa com Suporte Computacional (CSCL) é uma área de pesquisa que investiga como a tecnologia pode ser usada para apoiar a interação e a colaboração nas atividades realizadas em grupo, promovendo a construção do conhecimento individual e coletivo dos seus participantes. Um dos desafios desse campo de pesquisa refere-se à formação de grupos de aprendizagem efetivos. Esses grupos são caracterizados pela sinergia existente entre os seus membros para que os objetivos do trabalho sejam alcançados de forma plena, assegurando a melhoria dos resultados de aprendizagem de cada um dos envolvidos. Apesar das importantes contribuições, pesquisadores da CSCL apontam problemas relacionados à resistência e desmotivação dos estudantes para o trabalho em grupo, que pode ser influenciada por características pessoais dos alunos, como os traços de personalidade. Nesse sentido, este trabalho de doutorado tem como objetivo verificar a influência dos traços de personalidade na formação de grupos baseados em teorias de aprendizagem colaborativa, e criar mecanismos para automatizar e apoiar a formação dos grupos em ambientes CSCL. Para alcançar esse objetivo, três desafios de pesquisa foram estabelecidos. O primeiro se propõe a investigar a influência dos traços de personalidade na efetividade dos grupos (aprendizado, satisfação, motivação) baseados em teorias de aprendizagem colaborativa. Para isso, foi realizado um estudo experimental, com 156 alunos do ensino fundamental II, que confirmou a influência dos traços de personalidade, rigidez mental e emocionalidade, na aprendizagem e motivação de 78 grupos apoiados pela teoria de aprendizagem colaborativa Peer Tutoring. O segundo desafio de pesquisa consiste no desenvolvimento de um modelo formal para relacionar os traços de personalidade às teorias de aprendizagem colaborativa. Dessa forma, foi desenvolvido um método, composto por quatros passos, para modelagem de novos papéis de aprendizagem, denominados de Papéis Colaborativos Afetivos (PCAs). Com base nesses PCAs é possível criar novos cenários de aprendizagem colaborativa e, além disso, estabelecer estratégias de aprendizagem para lidar com as características dos traços de personalidade que podem influenciar negativamente o comportamento dos estudantes. Dois estudos de caso foram conduzidos para avaliar o modelo formal. O primeiro, realizado com 10 alunos na faixa de idade de 13-16 anos, avaliou o impacto da característica de insociabilidade e impulsividade na formação de grupos baseados na teoria de aprendizagem Anchored Instruction. O segundo foi desenvolvido com 15 alunos, na faixa de idade de 09-10 anos, e investigou a influência da característica de alta e baixa impulsividade na formação de grupos baseados na teoria de aprendizagem Distributed Cognition. Os resultados mostraram que este modelo contribui para o design de cenários colaborativos mais efetivos, visto que ele personaliza a formação de grupos ao propor a criação de novos papéis de aprendizagem que consideram os traços de personalidade associados às teorias de aprendizagem. Finalmente, o último desafio de pesquisa refere-se ao desenvolvimento de um algoritmo que utilize os novos PCAs para a criação de grupos. Como resultado, foi implementado o algoritmo G-FusionPT que, baseado em uma amostra simulada de 300 alunos, mostrou ser mais efetivo quando comparado a dois outros algoritmos de formação de grupos.

Computer Supported Collaborative Learning (CSCL) is a research area which investigates how technology can support the interaction and collaboration in group activities, while promoting individual and collective learning. One of the challenges in CSCL is the creation of effective learning groups. A key aspect of these groups is the synergy among their members which enables their objectives to be thoroughly fulfilled, ensuring improvements in the learning results of each participant. Despite of important contributions, CSCL researchers have been pointing out problems related to students resistance and demotivation to work in groups, which can be influenced by their personal characteristics, such as personality traits. In this context, this doctoral investigation aims at verifying the influence of personality traits in group formation based on collaborative learning theories, and creating mechanisms to automate and support group formation in CSCL environments. Three research challenges have been established to achieve this goal. The first proposes to investigate personality traits influence in group effectiveness (learning, satisfaction, motivation) based on collaborative learning theories. Thus, we carried out an experimental study, with 156 elementary students, which confirmed the influence of psychoticism and neuroticism personality traits in the learning and motivation of 78 groups supported by Peer Tutoring collaborative learning theory. The second research challenge is the development of a formal model matching personality traits and collaborative learning theories. Thus, we developed a four steps method to model new learning roles, denominated Affective Collaborative Learning (ACL) roles. Those allowed the creation of new collaborative learning scenarios and the establishment of learning strategies to deal with personality traits characteristics that may negatively influence students behavior. Two case studies were performed to evaluate the formal model. The first study, performed with 10 students aged between 13-16, investigated the impact of unsociable and impulsive characteristics in group formation based on Anchored Instruction collaborative learning theory. The second study, performed with 15 students aged between 09-10, investigated the influence of high and low impulsivity characteristics in group formation based on Distributed Cognition collaborative learning theory. The results showed that this model contributes to the design of effective CSCL scenarios, whereas it personalizes the formation of groups using personality traits and ACL roles. Finally, the last research challenge refers to development of an algorithm employing the new ACL roles to creation of groups. As results, we implemented G-FusionPT algorithm and, based on an artificial sample of 300 simulated students, it proved to be more effective than two previous group formation algorithms.