A importância da classificação de objectos de aprendizagem

A Internet transformou-se rapidamente numa gigantesca mas desorganizada base de dados de informação digital, que mistura informação de qualidade com informação de credibilidade duvidosa. Consequentemente, a localização de conteúdos educacionais relevantes, credíveis e úteis na Internet pode transformar-se numa experiência muito complexa.

De facto, como já foi referido no Capítulo 1, a localização de objectos de aprendizagem com recurso a motores de pesquisa genéricos, tendo em vista a sua utilização ou reutilização num contexto educativo particular, não é nem fácil nem eficaz, dada a insensibilidade destas ferramentas aos atributos educacionais dos conteúdos. Consequentemente, os resultados das pesquisas tipicamente misturam informação valiosa e relevante com informação irrelevante. Por outro lado, muitos conteúdos de elevado valor pedagógico, como por exemplo imagens, vídeos, sons, animações e simulações escapam à análise automática dos agentes dos motores de pesquisa, pelo menos se não possuírem uma descrição textual associada. Este problema estende-se aos objectos com acesso condicionado, que não são acessíveis pelos agentes, pelo que a única forma de se saber algo sobre eles seria adquirir previamente o respectivo acesso.

Se não existissem metadados específicos para objectos de aprendizagem, nada se saberia sobre as suas características pedagógicas, pelo que só uma análise sistemática do conteúdo de todos os objectos poderia separar os relevantes dos irrelevantes. Tendo em consideração que, segundo um popular motor de busca, existem pelo menos 8,058,044,6513 documentos

na Internet, tal procedimento não é obviamente exequível. Eventualmente poderia ser feita uma filtragem prévia, usando motores de busca e palavras-chave bem escolhidas, mas não é fácil escolher as palavras-chave ideais para eliminar objectos irrelevantes sem suprimir os relevantes.

Ao caracterizar os objectos de aprendizagem segundo diversas perspectivas, os metadados resolvem parcialmente este problema, evitando a necessidade de analisar o seu conteúdo para extrair esse tipo de informação. É assim mais fácil separar o relevante do irrelevante, uma vez que passam a existir campos bem definidos que caracterizam uma determinada faceta dos objectos, como por exemplo o assunto, descrição, autor ou idioma. Estes campos podem ser usados para pesquisar e filtrar objectos de aprendizagem segundo as várias dimensões representadas pelos metadados, permitindo explorar várias facetas diferentes de forma independente. Os metadados permitem também conhecer as características dos objectos cujo conteúdo não contém texto e dos objectos de acesso condicionado, pois deixa de ser necessário aceder ao próprio objecto, bastando o acesso aos seus metadados.

Naturalmente, a adopção dos metadados LOM como norma de referência para a caracterização de objectos de aprendizagem promoveu o desenvolvimento de sistemas de repositórios digitais, com a capacidade de localização de objectos de aprendizagem em função dos seus atributos educacionais. Os projectos GESTALT e o Knowledge Pool do projecto ARIADNE são bons exemplos deste tipo de repositórios. Estes sistemas de localização específica de objectos de aprendizagem permitem efectuar pesquisas através de várias4 das dimensões dos metadados LOM, o que facilita a localização de objectos com perfis bastante particulares.

No entanto, a utilização de metadados LOM não resolve algumas questões fundamentais para quem pretende localizar objectos de aprendizagem. Uma dessas questões prende-se com a fiabilidade dos metadados, uma vez que estes normalmente não são preenchidos por entidades independentes e imparciais, mas pelos criadores dos objectos. Por outro lado, os metadados LOM nada dizem sobre a qualidade pedagógica dos conteúdos e podem ser muito vagos sobre a descrição do seu âmbito temático. Consequentemente, os repositórios que se baseiem unicamente nos metadados LOM para caracterizar os objectos de aprendizagem herdam estas insuficiências, com implicações na qualidade dos resultados das pesquisas.

Uma das características fundamentais do perfil de um objecto de aprendizagem é o assunto principal que ele aborda. Assim, é normal que uma das pesquisas mais simples e também mais frequente seja a localização de objectos sobre um determinado assunto, através de palavras ou expressões-chave. Apesar de ser uma função básica, a verdade é que os metadados LOM podem não resolver completamente o problema da localização de todos os objectos de um repositório sobre um determinado assunto. De facto, os autores dos metadados podem usar expressões e palavras-chave completamente díspares para caracterizar objectos sobre o mesmo tema. Por exemplo, um objecto sobre o sistema de travagem dos automóveis poderia ter nos campos relevantes dos metadados várias

expressões diferentes de acordo com cada autor, tais como ‘travagem’ ou ‘ travões’ ou ‘travão’ ou ‘sistema de imobilização’ ou ‘braking system’ ou ‘système de freinage’. De salientar que neste caso uma pesquisa pela palavra ‘travão’ apenas seleccionaria um objecto, apesar de existirem sete objectos sobre o mesmo assunto.

Uma solução para este tipo de ambiguidades sintácticas consiste na utilização, como referência, de sistemas normalizados de representação de assuntos, que possuem códigos normalizados que permitem identificar assuntos de forma inequívoca.

A classificação de objectos de aprendizagem apresenta assim várias vantagens:

§ Como agrupa os objectos sobre o mesmo assunto, simplifica a pesquisa de todos os objectos que abordem um determinado assunto;

§ É um processo independente do idioma do objecto, uma vez que o assunto é simbolizado por uma classe, codificada numa determinada notação, permitindo o processamento de objectos de aprendizagem de idiomas diferentes;

§ Resolve os problemas decorrentes de ambiguidades de linguagem ou interpretação fora de contexto de um termo;

§ Facilita a localização de objectos a não especialistas, pois dispensa a necessidade de conhecer a sua terminologia específica;

§ Pode facilitar a interoperabilidade entre sistemas, ao definir o perfil dos objectos de aprendizagem de forma independente e eventualmente normalizada.