NAS
Diversas caracter´ısticas do aprendiz tais como a¸c˜oes, preferˆencias e conhecimento podem ser representadas como vari´aveis em uma Rede Bayesiana. A rede ilustrada na figura 8 relaciona a¸c˜oes, preferˆencia e o conhecimento do aprendiz. Se o estudante ler o livro indicado, ter´a maior probabilidade de conhecer os assuntos 1 e 2. Se assistir a um determinado v´ıdeo, ter´a maior probabilidade de saber o assunto 3. Sabendo os assuntos 1, 2 e 3 ter´a maior probabilidade de ter um melhor resultado nos testes. O resultado dos testes tamb´em ´e influenciado pela preferˆencia do estudante nos assuntos estudados. Assim, se os assuntos forem de sua preferˆencia, ter´a maior probabilidade de obter um melhor resultado nos testes.
Figura 8: Uma Rede Bayesiana hipot´etica para prever o desempenho do aprendiz. Fonte: (MAYO; MITROVIC, 2001).
CAP´ITULO 2. REDES BAYESIANAS NA MODELAGEM DO APRENDIZ 34
e o comportamento do aprendiz com o objetivo de tomar decis˜oes sobre o ensino (WOOLF, 2009, p 247). Pode-se, por exemplo, utilizar Redes Bayesianas para sequenciar o conte´udo, isto ´e, com base nas inferˆencias sobre as peculiaridades do aprendiz, pode-se estabelecer a sequˆencia de passos mais adequada para o melhor rendimento da aprendizagem.
Mayo e Mitrovic (2001) classificam os modelos de estudantes baseados em Redes Baye- sianas em trˆes categorias: centradas no especialista, centradas na eficiˆencia e centradas em dados. Na na figura 9, cada circunferˆencia representa uma dessas categorias. Dentro de cada categoria encontram-se exemplos de Sistemas Tutores Inteligentes, cujos modelos de estudantes se encaixam nessa categoria.
Figura 9: Classifica¸c˜ao dos modelos de aprendiz baseados em Redes Bayesianas. Fontes: (MAYO; MITROVIC, 2001), (WOOLF, 2009, p 249).
Para melhor entendimento, cada categoria ´e explicada a seguir.
Centrado no especialista (Expert-Centric) ´e um modelo de aprendiz no qual a Rede Bayesiana, sua topologia, probabilidades e estrutura, ´e definida pelo especialista. O foco desse modelo ´e no dom´ınio a ser estudado. Exemplos de STIs que empregam essa categoria s˜ao: ANDES, HIDRIVE, DT-Tutor e ADELE (MAYO; MITROVIC, 2001). A desvantagem desse modelo ´e que ele pode apresentar muitas vari´aveis (v´ertices) para modelar o dom´ınio do conhecimento. `A medida que mais vari´aveis s˜ao adicionadas `a rede, o tempo de processamento aumenta. Dependendo da quan-
CAP´ITULO 2. REDES BAYESIANAS NA MODELAGEM DO APRENDIZ 35
tidade de vari´aveis e da complexidade dos relacionamentos entre elas, o tempo de processamento da rede em tempo real pode-se tornar invi´avel.
Centrado na eficiˆencia (Efficiency-Centric) Nesse modelo de aprendiz, procura-se adequar o dom´ınio do especialista `a uma estrutura de Rede Bayesiana com foco nos aspectos de eficiˆencia, tal como minimizar o tempo de processamento da rede em tempo real. A desvantagem dessa categoria ´e que pode acarretar uma s´erie de restri¸c˜oes, resultando em uma vers˜ao simplificada do modelo do especialista que pode n˜ao refletir com precis˜ao e realidade o dom´ınio do conhecimento a ser estudado.
Centrado em dados (Data-Centric) ´e um modelo de aprendiz em que a estrutura e as probabilidades da rede s˜ao geradas a partir de dados reais, normalmente cole- tados durante ou ap´os a intera¸c˜ao entre o sistema tutor e os aprendizes. Mayo e Mitrovic (2001) prop˜oem um modelo constru´ıdo em fases. Inicialmente, os dados s˜ao coletados e armazenados a partir de intera¸c˜oes entre aprendizes e conte´udos se- quenciados aleatoriamente. Ap´os certo per´ıodo de tempo, o hist´orico de intera¸c˜oes entre os aprendizes e o sistema ´e coletado e utilizado para gerar a rede automa- ticamente. As vantagens dessa categoria s˜ao o tamanho compacto da rede, bom desempenho e o fato de ser derivada de dados reais. Entretanto, ´e mais complexa de ser implementada em rela¸c˜ao `as duas outras categorias.
Um exemplo de modelo de estudante representado por meio de uma Rede Bayesiana ´e o utilizado no sistema HIDRIVE de Mislevy e Gitomer (1995), apresentado na figura 10. Cada v´ertice possui estados modelados de forma semelhante ao m´etodo Fuzzy, ou seja, cada estado representando um grau de conhecimento: “especialista”, “bom”, “m´edio”, “fraco”. O grau de conhecimento ´e inferido por meio das a¸c˜oes representadas pelos n´os `a direita da rede. Essa rede ´e centrada no especialista, uma vez que a sua estrutura foi elaborada por especialistas (WOOLF, 2009, p 251).
Na figura 10, os v´ertices `a direita representam as a¸c˜oes cujas evidˆencias de conheci- mento s˜ao obtidas pelos resultados das a¸c˜oes do estudante diante dos problemas propos- tos pelo sistema tutor. Os demais v´ertices representam a cren¸ca sobre o conhecimento do aprendiz, e s˜ao inferidas a partir das evidˆencias dos v´ertices `a direita. O conheci- mento (inferido) do aprendiz ´e classificado em Estrat´egico, Procedural e Sistˆemico, que
CAP´ITULO 2. REDES BAYESIANAS NA MODELAGEM DO APRENDIZ 36
resultam no conhecimento geral (`a esquerda). Os estados especialista, bom, m´edio, fraco assemelham-se a estados modelados em L´ogica Fuzzy.
O cap´ıtulo 4 prop˜oe um modelo de aprendiz baseado em uma Rede Bayesiana mista entre as categorias Centrada no Especialista e Centrada na Eficiˆencia.
CAP´ITULO 2. REDES BAYESIANAS NA MODELAGEM DO APRENDIZ 37 forte .25 fraco .75 forte .17 fraco .83 forte .24 fraco .76 forte .25 fraco .75 forte .23 fraco .77 forte .39 fraco .61 forte .35 fraco .65 forte .28 fraco .72 forte .36 fraco .64 excel. .05 bom .13 médio .23 fraco .57 excel. .04 bom .14 médio .28 fraco .34 excel. .09 bom .17 médio .28 fraco .46 excel. .09 bom .17 médio .28 fraco .46 excel. .03 bom .16 médio .39 fraco .42 elim 0 redum 1 irrel 0 r and r 0 elim 0 redum 0 irrel 0 r and r 1 elim 0 redum 0 irrel 1 r and r 0 split 0 elim 0 redum 1 r and r 0irrel 0 split 0 elim 0 redum 0 r and r 0irrel 1 split 0 elim 0 redum 0 r and r 1irrel 0 "Proficiência Geral" Conhecimento Estratégico Conhecimento Procedural Conhecimento Sistêmico Sistema Energia Conhecimento Mecânica Conhecimento Hidraulica Conhecimento Eletrônica Conhecimento Cabine Conhecimento Alavanca de Pouso Eliminação Serial Divisão em Espaços Testes Elétricos Uso de Medidores Cenário Cabine Requisitos - Divisão Impossível Cenário de Alavanca de Pouso - Divisão possível Avaliações de Ações de Cabine Avaliações de Ações de Alavanca de Pouso
Figura 10: Rede Bayesiana modelando o Estudante no sistema HIDRIVE. Fonte: (MISLEVY; GITOMER, 1995, p 26) (Tradu¸c˜ao do autor.)
3
N´IVEL DE AQUISIC¸ ˜AO DE CONHECIMENTO
(NAC)
Este cap´ıtulo discorre sobre a importˆancia da avalia¸c˜ao formativa em sistemas de aprendizagem e descreve os conceitos de Unidade de Avalia¸c˜ao (UA) e NAC propostos por Pimentel (2006) e adotados neste trabalho.
3.1
AVALIAC¸ ˜AO FORMATIVA
H´a uma distin¸c˜ao bem clara entre a avalia¸c˜ao “da aprendizagem” e a avalia¸c˜ao “para a aprendizagem” (PIMENTEL; OMAR, 2008). A primeira ´e normalmente peri´odica e ocorre, na maioria das vezes, ao final de um curso, ou de uma unidade da mat´eria estudada, ou ao final de um intervalo de tempo e tem como finalidade principal avaliar o aprendiz. A segunda, chamada de avalia¸c˜ao formativa, ocorre com mais frequˆencia, ´e cont´ınua e objetiva fornecer informa¸c˜oes aos professores e estudantes que ajudam a aprimorar a aprendizagem em andamento.
O conhecimento do aprendiz pode variar durante a intera¸c˜ao com um sistema de aprendizagem `a medida que sua proficiˆencia sobre o assunto estudado aumenta. O mo- nitoramento dessa varia¸c˜ao permite que professores, aprendizes e especialmente Sistemas Tutores Inteligentes tomem a¸c˜oes visando aprimorar a qualidade e o rendimento do pro- cesso de aprendizagem. “Professores humanos experientes s˜ao particularmente astutos em adaptar o material `as caracter´ısticas cognitivas e motivacionais dos estudantes” (WOOLF, 2009, p 50).
Considerando que a avalia¸c˜ao formativa possui um papel importante na identifica¸c˜ao das lacunas de aprendizagem, Pimentel e Omar (2008) prop˜oem um modelo para mo- nitoramento do conhecimento de estudantes em sistemas educacionais a distˆancia, que permite aos professores mapearem o n´ıvel de aprendizagem dos estudantes e aos estudan- tes se auto-monitorarem. Esse modelo se baseia em medidas cognitivas e meta-cognitivas 7
, cujos dados s˜ao coletados nas avalia¸c˜oes realizadas durante as atividades do aprendiz e podem posteriormente ser acompanhados por meio de um M´odulo de Acompanhamento.
7
Chama-se metacogni¸c˜ao “o processo de pensar sobre como pensamos, como lembramos e como apren-
CAP´ITULO 3. N´IVEL DE AQUISIC¸ ˜AO DE CONHECIMENTO (NAC) 39
Como medida cognitiva ´e proposto um indicador chamado NAC que, nas palavras de Pimentel e Omar (2008), “indica o n´ıvel de conhecimento em um item espec´ıfico de um dom´ınio de conhecimento”. Esse indicador, explicado na se¸c˜ao 3.3, ser´a proposto no cap´ıtulo 4 como uma forma de atualiza¸c˜ao das evidˆencias do conhecimento do aprendiz em uma Rede Bayesiana.