INTELIGÊNCIA ARTIFICIAL E SISTEMAS ESPECIALISTAS

Os sistemas computacionais têm sido utilizados progressivamente na educação nos últimos anos, dando subsídios ao processo de ensino-aprendizagem. Uma área pertinente da ciência da computação para aplicações educacionais é a Inteligência Artificial (IA). Segundo Russel e Norvig (1995), as definições de IA, enquanto disciplina do conhecimento humano, podem ser agrupadas em quatro categorias principais:

 Sistemas que pensam como seres humanos;

 Sistemas que agem como seres humanos;

 Sistemas que pensam logicamente;

 Sistemas que agem logicamente.

O principal objetivo dos sistemas de IA é executar funções que, caso um ser humano fosse executar, seriam consideradas inteligentes. É um conceito amplo que possui como características principais: a capacidade de raciocínio (aplicar regras lógicas a um conjunto de dados disponíveis para chegar a uma conclusão), a aprendizagem (aprender com os erros e acertos de forma a no futuro agir de maneira mais eficaz), o reconhecimento de padrões (tanto padrões visuais e sensoriais, como também padrões de comportamento) e a inferência (capacidade de conseguir aplicar o raciocínio nas situações do cotidiano).

A IA apresenta metodologias que colaboram para a construção de sistemas nos quais há a necessidade de automatização de tarefas, como, por exemplo, sistemas para avaliação automática da aprendizagem de alunos. As principais áreas em IA são: sistemas especialistas, redes neurais, lógica fuzzy, raciocínio baseado em casos (RBC) e algoritmos genéticos.

Os Sistemas Especialistas (SE), também conhecidos como Sistemas Baseados em Conhecimento (Knowledge-Based Systems) quando envolvem resolução de problemas ordinariamente resolvidos por um especialista humano (REZENDE, 2003), constituem uma das áreas mais importantes da IA, propondo alternativas para a solução de problemas de aquisição do conhecimento explícito de especialistas (coleta, seleção, decomposição, composição e modelagem) e sua integração com o conhecimento existente em bases de dados relacionadas ao escopo de sua especialidade.

Este processo de construção da base de conhecimento é chamado Engenharia do Conhecimento. Neste, o engenheiro do conhecimento é o responsável por investigar sobre um determinado domínio e definir quais conceitos são importantes, criando uma representação formal dos objetos e relações no domínio (RUSSELL; NORVIG, 1995). Desta forma, há quatro tipos de atores envolvidos na construção de SE: (1) o usuário final que utiliza o sistema para auxiliá-lo na resolução do problema; (2) o especialista humano no domínio do problema; (3) o engenheiro de conhecimento, que auxilia o especialista a representar os conhecimentos e que determina a técnica de inferência necessária para solucionar o problema e (4) o desenvolvedor do sistema, que às vezes, é o próprio engenheiro de conhecimento.

Para Nonaka e Takeuchi (1997), o conhecimento humano pode ser classificado em dois tipos: (1) conhecimento tácito, aquele que o indivíduo adquiriu ao longo da vida, pela experiência, geralmente não trivial de ser formalizado ou explicado a outra pessoa, pois é subjetivo e inerente às habilidades de uma pessoa; (2) conhecimento explícito, aquele que pode ser articulado na linguagem formal, inclusive em afirmações gramaticais, expressões matemáticas, especificações, manuais e assim por diante, podendo ser transmitido, formal e facilmente, entre os indivíduos. Desta forma, parte do trabalho do engenheiro do conhecimento consiste em selecionar formalismos adequados de representação do conhecimento para apresentar o domínio do conhecimento ao computador de forma codificada (transformação do conhecimento tácito em explícito).

Os SE têm sido usados há bastante tempo em variadas áreas como medicina, agricultura, engenharia e educação, para diversas classes de problemas tais como: Interpretação, Classificação, Monitoramento, Planejamento e Projeto. O modelo e sistema especialista desta tese se encaixam na classe planejamento, conforme definida por Rezende (2003, p. 21):

"consiste no processo de determinação da sequência de ações que devem ser realizadas para atingir uma meta".

Um dos projetos pioneiros em inteligência artificial foi o sistema especialista chamado DENDRAL, que começou a ser desenvolvido em 1965, na Universidade de Stanford, na área

de química orgânica. No início de 1970, Edward Shortliffe desenvolveu, nesta mesma universidade norte-americana, o MYCIN, projetado para auxiliar médicos no diagnóstico e tratamento da meningite bacteriana. A maioria dos sistemas especialistas desenvolvidos depois do MYCIN o utiliza como referência para definir um sistema especialista.

Com o avanço e sucesso dos SE, pesquisadores da área ficaram interessados em formalismos de representação de conhecimento padronizados que pudessem reduzir a dificuldade de criação de novos SE, em áreas ainda não exploradas (RUSSEL; NORVIG, 1995, p. 257).

No âmbito da “Informática na Educação” os Sistemas Especialistas têm sido utilizados para o auxílio no processo de ensino-aprendizagem, cujo principal insumo é o conhecimento e sua manipulação. Mais especificamente, os ITS (Intelligent Tutoring Systems, Sistemas de Tutoria Inteligente) proporcionam uma instrução adaptada ao aluno, ou seja, uma individualização da instrução. Esses sistemas foram sucessores dos sistemas CAI (Computer Assisted Instruction, Instrução Assistida por Computador) que tiveram origem na Teoria Behaviorista (SKINNER, 1958), apresentando o conteúdo de forma linear e implementando ações idênticas para todos os alunos, visto que não apresentavam capacidade de adaptação ao perfil do aluno. Segundo Sleeman (1983), os ITS podem ser vistos como CAI inteligentes dos anos 80, ou seja, ICAI (Intelligent Computer Assisted Instruction, Instruções Inteligentes Assistidas por Computador), pois, utilizam técnicas de IA e Psicologia Cognitiva para guiar o processo educacional. Portanto, ao incorporarem técnicas inteligentes, os ITS partem de um diagnóstico cognitivo do aluno, superando a principal limitação dos CAI. Os ITS buscam por em prática as estratégias pedagógicas necessárias para prover suporte a alunos em diferentes fases da aprendizagem e consideram que a instrução deve estar disponível de acordo com a demanda, possibilitando ao aluno aprender quando necessitar, ou estiver interessado. Segundo Regian e Shute (2013), dentro do continuum CAI-ITS, encontram-se os sistemas CBT (Computer-Based Training, Treinamentos Baseados em Computador). Os autores consideram o fator "inteligência do sistema" referente ao suporte individualizado que ele oferece e, classificam os sistemas CBT de CAI, quando este suporte é reduzido, e de ITS quando existe uma abordagem significativa para a individualização da instrução.

A principal diferença entre um sistema especialista e um programa tradicional está na maneira como o conhecimento sobre o domínio do problema é codificado. Em aplicações tradicionais, o conhecimento sobre o domínio do problema é codificado tanto nas instruções propriamente ditas quanto nas estruturas de dados. Já na abordagem de sistema especialista, todo o conhecimento relativo ao domínio do problema é codificado exclusivamente nas

estruturas de dados. Nenhum conhecimento é armazenado nas instruções ou nos programas propriamente ditos.

Desta forma, a arquitetura geral de um sistema especialista compreende dois elementos principais: um conjunto de declarações totalmente dependentes do domínio do problema, que é chamado de base de conhecimento ou base de regras, e um programa independente do domínio do problema (apesar de altamente dependente das estruturas de dados), chamado de motor de inferência, o qual é o responsável pela lógica do sistema. A base de conhecimentos é usada para armazenar o conhecimento fornecido pelo especialista humano (em forma de regras, bancos de dados, heurísticas e fatos), que fornece ao motor de inferência os conhecimentos para a resolução do problema. No motor de inferência são feitos todos os processos necessários para se chegar a uma determinada conclusão. Além destes dois elementos principais têm-se a interface do sistema com o usuário e o mecanismo de explanação que permite ao usuário verificar o processo de inferência, analisando a execução das regras e a resposta produzida pelo sistema (LUCAS; VAN DER GAAG, 1991; ANGELI, 2010).

A importância da extração e tratamento de informações tem aumentado ao longo dos anos, como consequência do aumento de informação disponível. A representação do conhecimento é um elemento fundamental da arquitetura do Sistema Especialista. Neste contexto, surgem os sistemas de extração de informação que funcionam como um mecanismo para filtrar a informação e obter apenas o necessário relativo ao seu domínio de conhecimento.

Dentre as técnicas de representação de conhecimento está a ontologia, conceito já utilizado pela filosofia e outras áreas, desde o filósofo grego Aristóteles, responsável pela classificação dos seres vivos até então conhecidos. Conforme aponta Pimentel (2006, p. 99),

"Recentemente, o uso de ontologia tem sido ampliado e popularizado como poderosa via de atingir a interoperabilidade de sistemas de informação, principalmente no que se refere à normalização terminológica". Portanto, o objetivo da ontologia é o compartilhamento e entendimento comum de algum domínio de conhecimento que possa ser comunicado entre pessoas e computadores. Neste sentido, ontologias têm sido desenvolvidas para facilitar o compartilhamento e reutilização de informações (GRUBER, 1995).

Os Sistemas Especialistas, além de prover diversas técnicas e métodos que podem ser incorporados às plataformas de ensino, também podem ser utilizados como base para a automatização do processo de design instrucional, conforme discutido na próxima seção.

4.2 TRABALHOS CORRELATOS: AUTOMATIZAÇÃO DO DESIGN INSTRUCIONAL