A Tabela 17 apresentam uma comparação entre o VS3 e o modelo proposto neste estudo.
Tabela 17: Comparação entre o VS3 e o modelo proposto neste estudo
Atributos VS3 Modelo deste Estudo
Finalidade Representar cenários de
acidentes a fim de simulá-
los com propósito de
treinamento profissional
Representar cenários de acidentes
Artefatos-Objetos Representa objetos através
da classe (da ontologia atrelada ao módulo Domain Model) V3S-Object
Representa objetos através do conjunto Artefact
Relações entre entidades Representa as relações entre objetos através da classe (da ontologia atrelada ao
módulo Domain Model)
V3S-Action através de relacionamentos com a classe V3S-Object Representa as relações entre as entidades através do predicado possEntityRel(rl, ei, ek)
Riscos e Acidentes Modelo MELISSA (BATU E
BCTU)
Uso de normas, violações,
sanções e lógica
possibilística aplicadas a contextos específicos por meio das regras 32, 33, 34, 35 e 36
Agentes Uso do Framework
MASVERP
Não representar os
processos mentais do
Estrutura da Linguagem Diferentes formalismos da computação tais como:
ontologias, lógica de
primeira ordem, algoritmos e entre outros
Teoria de Conjuntos e
Lógica de Predicados
Estruturas para Avaliação e Treinamento
HERA Não consta
Autoria Própria
A lista a seguir apresenta uma comparação entre os costrutores do ACTIVITY-DL e a parte deste modelo conceitual focada em representar as relações entre os objetivos. Observar Tabela 1
1. • ACTIVITY-DL: A IND B.
• Modelo: nextGoal(A, B),nextGoal(B, A),nextGoal(A, B) → F,nextGoal(B, A) → F, nextGoal(X , A) ∧ nextGoal(X , B) ∧ nextGoal(A,Y ) ∧ nextGoal(B,Y ), nextGoal(X , A) ∧ nextGoal(X , B) ∧ nextGoal(A,Y ) ∧ nextGoal(B,Y ) → F e outras situações que não podem ser expressadas nessa representação.
2. • ACTIVITY-DL: A SEQ B.
• nextGoal(A, B), nextGoal(B, A) e outras situações que não podem ser expressadas nessa representação.
3. • ACTIVITY-DL: A SEQ − ORDER B.
• nextGoal(A, B) e outras situações que não podem ser expressadas nessa representação.
4. • ACTIVITY-DL: A PAR−SIM B, A PAR−SIM B, A PAR−START B, A PAR−END
B
• nextGoal(X, A) ∧ nextGoal(X, B) ∧ nextGoal(A,Y ) ∧ nextGoal(B,Y ) e outras situações que não podem ser expressadas nessa representação.
6.2.1 NORMMAS
A Tabela a seguir exibem uma comparação entre o NORMMAS e o modelo proposto neste estudo.
Tabela 18: Comparação entre o modelo NORMMAS com o modelo proposto neste estudo.
Atributos NORMMAS Modelo deste Estudo
Finalidade Representar agentes
considerando questões
atreladas a normas, sanções e violações
Representar cenários de acidentes
Generalização Trata de cenários onde
se tem o interesse de
representar agentes, normas, violações e sanções
Trata de cenários específicos para acidentes onde se deseja conhecer as causas do acidente
Agentes Não define os estados
mentais do agente
Não define os estados
mentais do agente Representação de Objetivos Não possui estrutura para
representar objetivos
Possui uma estrutura
simples para representar objetivos. Essa estrutura considera apenas questões de pré-requisitos
Normas Presença de tuplas que
permitem expressar
proibições e sanções
para os mais diversos casos possíveis
Presença de regras que
permitem expressar
violações e sanções para cenários de acidentes
Generalização Trata de cenários onde
se tem o interesse de
representar agentes, normas, violações e sanções
Trata de cenários específicos para acidentes onde se deseja verificar as causas do acidente
Estrutura da Linguagem Lógica de Primeira Ordem (definições dos conceitos em termos de tuplas)
Teoria de Conjuntos e
Lógica de Predicados
6.2.2 COMPARAÇÃO GENÉRICA ENTRE OS MODELOS
Tendo como base as análises feitas nas seções anteriores, é possível elaborar’ na Tabela 19 que apresenta uma análise comparativa dos arcabouços no que tange a expressividade do modelo computacional proposto nesse texto. Por expressividade, se entende capacidade de expressar, representar o objeto de interesse. Para essa análise foi feita a seguinte escala: nenhuma expressividade ≺ pouco expressivo ≺ expressivo ≺ muito expressivo ≺ altamente expressivo. O termo nenhuma expressividade não indica que é impossível definir a estrutura em observação dentro do modelo em voga, mas sim que o engenheiro de modelagem terá que criar uma estrutura conceitual ad hoc. Sobre o mesmo aspecto reside pouco expressivo, contudo o modelo - neste caso - possui algumas estruturas pré-definidas que diminuem o esforço da especificação. O termo expressivo deixa claro que o modelo permite especificar o objeto de interesse sem que o engenheiro tenha de criar muitos atributos para o domínio de interesse. O termo muito expressivo define que o modelo apresenta diversos conceitos específicos para representar o objeto em interesse, contudo ainda há margem para que o modelador tenha que criar um ou mais atributos. O termo altamente expressivo define o caso onde o modelo especifica o objetivo de interesse muito bem fazendo com que o modelador não precise definir nenhum critério conceitual a mais (ou terá que montar poucas definições).
Tabela 19: Análise comparativa sobre a expressividade desses modelos no que tange aos objetivos deste estudo.
Critérios MOISE+ DASTANI V3S NORMMAS Agente pouco pouco muito pouco SMA altamente pouco expressivo pouco Artefato nenhuma pouco expressivo pouco Norma nenhuma altamente pouco altamente Violação nenhuma altamente pouco altamente Sanção nenhuma altamente pouco altamente Risco nenhuma pouco altamente pouco P.O.A.E nenhuma pouco pouco pouco Objetivos muito pouco muito pouco C.A nenhuma pouco pouco pouco I.AG.AR nenhuma pouco pouco pouco D.C.A nenhuma pouco altamente pouco
Autoria Própria
O critério Agente condiz com representação dos estados internos que um agente pode ter. O critério SMA condiz com presença de elementos que são necessários para especificar um
Sistema Multiagente. O critério Artefato condiz com elementos que correspondem a definição presente na Seção 2.2. O critérios de Norma corresponde a Regras que devem ser acatadas pelos agentes. Violação define o que corresponde o não cumprimento de uma dada regra. Sanção implica penalidade que está sobre o agente. Risco consiste no evento ruim que tem um potencial de ocorrer sobre o agente. P.O.A.E significa Possibilidade de Ocorrer algo Errado e corresponde a expressar condições onde existe potencial de acontecer algo inapropriado sobre o agente mesmo que esse realize sua função com excelência. Objetivos implica alvos que devem ser atingidos pelos agentes. C.A consiste em Condições Ambientes que interagem com a atividade executada pelos agentes. I.AG.AR representa as Interações entre Agentes e Artefatos. D.C.A - Descrição de Cenários de Acidentes, consiste na capacidade de desenvolver raciocínios a fim de representar cenários de acidentes.
As subseções anteriores em conjunto com a Tabela 19 permitem concluir que esse trabalho é inovador no que tange a ter um vocabulário específico para representar cenários de risco e de acidentes (tanto sobre o responsável pelo acidente bem como a vitima) de atividades manuais usando para isso, o conceito de sistema multiagente normativo. Esse vocabulário apresenta limitações as quais serão debatidas na próxima Seção.