A elabora¸c˜ao e aplica¸c˜ao dos casos simulados conforme descritos levou a algumas conclus˜oes, algumas j´a suspeitadas, conforme a seguir.
Os conceitos estavam pr´e-organizados na sequencia adequada para estudo. Dessa forma, n˜ao foi necess´ario o uso da rede bayesiana para idenficar o conceito seguinte. A rede somente foi utilizada quando o desempenho do estudante situava-se abaixo do patamar m´ınimo de 0,7. Ou seja, neste trabalho, a rede bayesiana foi utilizada para diag- nosticar a causa de mau desempenho: o conceito pr´e-requisito com evidˆencia insuficiente de conhecimento. As rela¸c˜oes de pr´e-requisito s˜ao primordiais para esse diagn´ostico.
Na segunda simula¸c˜ao o estudante, saltando para os conceitos finais, conseguiu fina- lizar o treinamento em menos passos do que o primeiro. Essa estrat´egia ´e aparentemente vantajosa para o estudante uma vez que ele conseguiria concluir o curso em menos tempo que os demais. Por outro lado, parece ser uma falha do modelo. Isso ressalta a importˆancia das rela¸c˜oes de pr´e-requisito. Essa falha aparente deve-se ao fato do treinamento modelado neste trabalho possuir um n´umero reduzido de conceitos, tendo sido modelado somente um dos t´opicos do dom´ınio de conhecimento. Os conceitos desse t´opico s˜ao pr´e-requisitos para os conceitos de t´opicos futuros n˜ao modelados neste trabalho. Acredita-se que em um curso completo, dificilmente um conceito poderia ficar totalmente isolado dos demais e tal situa¸c˜ao n˜ao ocorreria, exceto se o estudante apresentasse conhecimento avan¸cado, dispensando o estudo dos conceitos pr´e-requisito.
Durante execu¸c˜ao dos casos, verificou-se que uma determinada situa¸c˜ao at´ıpica n˜ao foi testada no algor´ıtmo. Essa situa¸c˜ao, ilustrada na tabela 18, diz respeito `a uma varia¸c˜ao s´ubita na nota m´edia do estudante. Nessa tabela, o estudante obteve a nota m´axima em seis unidades de avalia¸c˜ao (UA), sobre o conceito Y. Entretanto, obteve nota zero na s´etima UA. Pelo fato do c´alculo do NAC ser uma m´edia ponderada, uma varia¸c˜ao s´ubta na nota na ´ultima UA n˜ao provoca uma queda imediada do NAC porque as notas anteriores foram elevadas. O NAC continuou elevado (0,71) mesmo ap´os o resultado baixo da ´ultima UA. Isso significa que a evidˆencia na vari´avel NAC do respectivo conceito na rede continua no estado “Bom”, desconsiderando a nota baixa da ´ultima UA. O NAC, e consequentemente a evidˆencia da rede, somente seria reduzido se o resultado de novas UAs continuassem baixas. Portanto, recomenda-se que tal situa¸c˜ao seja prevista em
CAP´ITULO 5. SIMULAC¸ ˜OES DE CASOS E RESULTADOS 88
um sistema tutor real, avaliando-se possibilidades tais como o estudane estar testando o sistema, ou a UA apresentar algum problema.
Tabela 18: Exemplo de uma varia¸c˜ao s´ubita ne nota.
T1 T2 T3 T4 T5 T6
CONCEITO Nota NAC E Nota NAC E Nota NAC E Nota NAC E Nota NAC E Nota NAC E
Conceixo Y 1,00 1,00 B 1,00 1,00 B 1,00 1,00 B 1,00 1,00 B 1,00 1,00 B 0,00 0,71 B A coluna “E” representa a evidˆencia que deve ser atualizada na Rede Bayesiana, equivalente ao NAC.
Ap´os a aplica¸c˜ao dos casos simulados, conclui-se que testar e avaliar um sistema tutor n˜ao ´e uma tarefa simples e requer muito tempo e dedica¸c˜ao. Com apenas dez conceitos, foram testados trˆes casos. Todavia, mais casos poderiam ser testados com o mesmo n´umero de conceitos. Presume-se que durante a constru¸c˜ao de um sistema tutor real podem ser necess´arios dezenas de casos de testes antes de submeter o sistema a um grupo de estudantes. Esse grupo inicial de estudantes deveria fazer os testes finais antes da implata¸c˜ao efetiva do sistema. Segundo (WOOLF, 2009, p. 257-258), uma regra geral para validar as configura¸c˜oes iniciais de uma rede bayesiana ´e “convidar pelo menos 30 estudantes para testar a rede por parˆametro”.
6
CONSIDERAC¸ ˜OES FINAIS
Sistemas Tutores Inteligentes s˜ao sistemas complexos, que envolvem diversas ´areas de conhecimento tais como pedagogia, psicologia, engenharia de computa¸c˜ao e design instrucional. Este trabalho procurou mostrar a complexidade da adaptatividade de um sistema `as diversas caracter´ısticas individuais do aprendiz. Foi proposto o uso de uma Rede Bayesiana combinada com os conceitos de NAC e Unidade de Avalia¸c˜ao (UA). Comparada com outras t´ecnicas de IA, Redes Bayesianas apresentam certas vantagens na modelagem do estudante por ser uma t´ecnica concebida para lidar com incerteza, tal como a intera¸c˜ao entre sistemas tutores e aprendizes. O ensino de Programa¸c˜ao Orientada a Objetos foi adotado como tema da modelagem do conhecimento do especialista neste trabalho. Por fim, foram apresentadas trˆes simula¸c˜oes de caso realizadas para testar o modelo proposto.
Este trabalho foi norteado pelo objetivo de criar um modelo de estudante capaz de sequenciar o conte´udo instrucional de uma forma adaptada ao conhecimento do aprendiz. Sequenciar o conte´udo significa sugerir um caminhao ao estudate para que ele n˜ao se perca dentro do conjunto de conceitos a serem estudados. O sequenciamento do conte´udo foi realizado por meio de quatro elementos:
O conte´udo, formado por conceitos arranjados numa seq¨uˆencia pr´e-definida;
A rede bayesiana, modelando os conceitos e suas rela¸c˜oes de pr´e-requisitos;
Um algor´ıtmo, que sugere a sequˆencia pr´e-definida do conte´udo e, quando o estudante apresenta mau desempenho, recorre `a rede bayesiana para diagnosticar a causa e sugerir a revis˜ao de um ou mais conceitos;
As unidades de avalia¸c˜ao e os NACs, que fornecem dados sobre o conhecimento do estudante.
A utiliza¸c˜ao do NAC como fonte de evidˆencia resultou numa t´ecnica eficiente de atu- aliza¸c˜ao da rede bayesiana. A vantagem desse modelo ´e que a evidˆencia do conhecimento pode variar com o tempo, refletindo o estado do conhecimento recente do estudante. Isso permite um maior dinamismo da rede, cujas inferˆencias se mant´em tamb´em atualizadas,
CONSIDERAC¸ ˜OES FINAIS 90
permitindo um diagn´ostico mais preciso. Isso foi demonstrado nas simula¸c˜oes de caso, em que um conhecimento M´edio num pr´e-requisito podia ser considerado como causa do co- nhecimento insuficiˆente de outro conceito. Ao elevar o conhecimento do pr´e-requisito, este deixava de ser considerado causa, refletindo o estado atual do conhecimento do estudante.
As unidades de avalia¸c˜ao (UA) foram as principais fontes de dados sobre o conhe- cimento do estudante. Para que as evidˆencias possam ser geradas em trˆes n´ıveis (Bom, M´edio e Fraco), ´e necess´ario que as notas produzidas pelas UAs n˜ao se limitem a certo e fraco ( 1 ou 0), mas distiguam est´agios intemedi´arios de conhecimento. Essa conclus˜ao ´e v´alida pelo menos para cursos com conte´udo reduzido, como o deste trabalho. Acredita- se que em cursos extensos essa premissa n˜ao tenha tanta relevˆancia, pelo fato do NAC utilizado basear-se em m´edia ponderada e, consequentemente, poder gerar valores inter- medi´arios mesmo calculado somente com notas 0 e 1 (certo ou errado).
Na rede, as rela¸c˜oes de pr´e-requisito s˜ao os elementos principais para o diagn´ostico das causas. A distribui¸c˜ao das probabilidades dessas rela¸c˜oes ´e, em alguns casos, complexa e necessita de v´arios testes e ajustes. Para simplificar algumas rela¸c˜oes ´e necess´ario empre- gar vari´aveis interm´ediarias. Presume-se que, em redes bayesianas com elevado n´umero de v´ertices, ´e inevit´avel uma propor¸c˜ao maior dessas vari´aveis intermedi´arias. Modelar uma mesma rede bayesiana com mais do que uma fun¸c˜ao ´e uma tarefa dispendiosa. Por exemplo: diagnosticar causa e sequenciar o conte´udo s˜ao duas fun¸c˜oes. Nesse caso, deve- se considerar que o uso de mais do que uma rede, uma para cada fun¸c˜ao, pode ser mais simples. Neste trabalho, optou-se por empregar a rede bayesiana somente com a fun¸c˜ao de diagnosticar causas (pr´e-requisitos que precisam ser revisados).
As probabilidades inferidas pela rede requerem uma interpreta¸c˜ao adequada. Deter- minados n´umeros produzidos pela rede somente podem ser entendidos se houver uma compreens˜ao pr´evia do objetivo da rede, e o que eles representam. Sem essas premissas, podem n˜ao fazer sentido para quem os observa pela primeira vez.
O emprego de um algor´ıtmo, representado por um fluxo, foi necess´ario para demons- trar como a rede bayesiana pode ser utilizada. N˜ao deve ser considerado como acabado, entretanto levou `a conclus˜ao de que se deve considerar comum sistemas tutores inteligen- tes utilizarem mais do que uma t´ecnica de inferˆencia. Por exemplo, o algor´ıtmo poderia ser implementado por um sistema especialista baseado em regras de produ¸c˜ao. Dessa
CONSIDERAC¸ ˜OES FINAIS 91
forma, haveria uma combina¸c˜ao entre t´ecnicas de regras de produ¸c˜ao e de rede bayesiana. Presume-se que, em sistemas de grande porte, ´e poss´ıvel que at´e mesmo mais do que duas t´ecnicas de inferˆencia possam ser combinadas.
A maior contribui¸c˜ao deste trabalho foi o emprego dos conceitos de NAC e Unidades de Avalia¸c˜ao (UA) como ferramentas para produzir evidˆencias para uma rede bayesiana. At´e o momento da conclus˜ao deste trabalho, essa proposta n˜ao havia sido realizada ante- riormente. Entre os trabalhos investigados, v´arios abordam modelos de redes bayesianas na modelagem do estudante. Entretanto, poucos detalhes pr´aticos s˜ao fornecidos sobre como obter evidˆencias de conhecimento para atualiza¸c˜ao da rede.
A avalia¸c˜ao de um sistema sistema tutor inteligente requer a observa¸c˜ao das intera¸c˜oes com estudantes reais por um per´ıodo de tempo relativamente longo. Os experimentos realizados neste trabalho foram feitos por meio de simula¸c˜oes de casos. Todavia, as simula¸c˜oes foram ´uteis para validar o funcionamento do modelo.
Uma segunda limita¸c˜ao, ´e que o conte´udo modelado pela rede bayesiana continha um n´umero reduzido de conceitos (apenas 10). Portanto, n˜ao foi poss´ıvel analisar os resultados da varia¸c˜ao do NAC e dos diagn´osticos da rede ap´os um n´umero de intera¸c˜oes pr´oximo do real. Acredita-se que, num curso real, o n´umero de conceitos e das rela¸c˜oes de pr´e-requisito seja elevado.
Uma outra limita¸c˜ao, foi (conforme abordado na se¸c˜ao 5.5) a n˜ao adequa¸c˜ao do fluxo do algor´ıtmo a uma situa¸c˜ao at´ıpica, quando o estudante sofre uma varia¸c˜ao s´ubita de nota. Nesse caso, deve-se avaliar a possibilidade do estudante estar testando o sistema ou o per´ıodo de tempo decorrido entre uma avalia¸c˜ao e outra ser longo, pois, nesse ´ınterim, ele pode ter estudado o conceito.
O trabalho poder´a propiciar a continuidade abordando a modelagem da RB com o conte´udo completo do curso; a implementa¸c˜ao do modelo por meio de software; a automa- tiza¸c˜ao das simula¸c˜oes de caso; implemnta¸c˜ao de ferramentas para defini¸c˜ao autom´atica das probabilidades de RB; e a combina¸c˜ao deste trabalho com o trabalho de Pimentel (2006).
REFERˆENCIAS BIBLIOGR ´AFICAS
ADAMCHIK, V.; GUNAWARDENA, A. A learning objects approach to teaching programming. In: ITCC ’03: Proceedings of the International Conference on Information Technology: Computers and Communications. Washington, DC, USA: IEEE Computer Society, 2003. p. 96. ISBN 0-7695-1916-4.
BENNEDSEN, J.; CASPERSEN, M. E. Teaching object-oriented programming - towards teaching a systematic programming process. In: Eighth Workshop on Pedagogies and Tools for the Teaching and Learning of Object-Oriented Concepts, 18th European Conference on Object-Oriented Programming. Oslo: ECOOP, 2004. p. 14–18. Dispon´ıvel em: <http://www.daimi.au.dk/˜mec/publications/workshop/11–ecoop2004.pdf>. Acesso em: 20 abr. 2009.
BERZAL, J. M.; SANTOS, S. G. Towards sequencing adaptation in hypermedia systems with bayesian networks. In: EC-TEL 2009 workshop: Authoring of Adaptive and Adaptable Hypermedia. [s.n.], 2009. Dispon´ıvel em: <http://www.dcs.warwick.ac.uk- /˜acristea/A3H/camera-ready09/paper5.pdf>. Acesso em: 27 jan. 2009.
BOGNAR, C. E.; SAOTOME, O.; OMAR, N. Modelagem de aprendizes em tutores inteligentes utilizando redes bayesianas. In: GCETE. Global Congress on Engineering and Technology Education. Santos - SP - Brasil, 2005. v. 1, p. 1315–1319.
BOYLE, T. et al. Can learning objects contribute to pedagogical improvement in higher education: lessons from a case study? abr. 2003. CAL ’2003. Paper based on presentation given at CAL ’2003, April 2003. Dispon´ıvel em: <http://www.londonmet- .ac.uk/ltri/learningobjects/papers pres/CAL Objects paper.doc>. Acesso em: 16 maio 2009.
BRUSILOVSKY, P. Adaptive hypermedia. User Modeling and User-Adapted Interaction, ACM, New York, NY, USA, v. 11, p. 87–110, 2001. School of Information Sciences, University of Pittsburgh, 135 North Belleveld Ave., Pittsburgh, PA 15260, U.S.A., E-mail: peterb@sis.pitt.edu. Dispon´ıvel em: <http://www2.sis.pitt.edu/˜peterb/papers- /brusilovsky-umuai-2001.pdf>. Acesso em: 31 out. 2009.
COWELL, R. Introduction in inference in bayesian networks. In: . Cambridge, MA, USA: MIT Press, 1999. p. 9–26. ISBN 0-262-60032-3.
D’AMBROSIO, B. Inference in bayesian networks. AI Magazine, v. 20, n. 2, p. 21–36, Summer 1999. Dispon´ıvel em: <http://www.aaai.org/ojs/index.php/aimagazine/article- /view/1454>. Acesso em: 11 nov. 2009.
FLAVELL, J. H. Metacognition and cognitive monitoring : A new area of cognitive - developmental inquiry. American Psychologist, v. 34, p. 906–911, October 1979. Dispon´ıvel em: <http://citeseer.ist.psu.edu/context/2023018/0>. Acesso em: 14 nov. 2009.
GAMBOA, H.; FRED, A. L. N. Designing intelligent tutoring systems: A bayesian approach. In: ICEIS 2001 - Artificial Intelligence and Decision Support Systems.
Setubal, Portugal: [s.n.], 2001. v. 2, n. 3, p. 452–458. Dispon´ıvel em: <http://ltodi.est- .ips.pt/hgamboa/Publica% -/c2 331.pdf>. Acesso em: 5 Dez. 2009.
GAVIDIA, J. J. Z.; ANDRADE, L. C. V. de. Sistemas tutores inteligentes. Trabalho de Conclus˜ao da Disciplina de IA, UFRJ - Rio de Janeiro - RJ. Jun. 2003. Dispon´ıvel em: <http://cos.ufrj.br/˜ines/courses/cos740/leila/cos740/STImono.pdf>. Acesso em: 10 maio 2009.
HIBOU, M.; LABAT, J.-M. How to orientate arcs in a bayesian network based student model? In: Sixth International Conference on Advanced Learning Technologies, 2006. Kerkrade, The Netherlands: [s.n.], 2006. p. 560–562. ISBN 0-7695-2632-2.
JENSEN, F. V.; NIELSEN, T. D. Bayesian Networks and Decision Graphs. 2. ed. New York: Springer, 2007. 464 p. ISBN 0-387-68281-3.
JONES, R.; BOYLE, T. Learning object patterns for programming. Interdisciplinary Journal of Knowledge and Learning Objects, v. 3, p. 19–28, 2007. Dispon´ıvel em: <http://ijklo.org/Volume3/IJKLOv3p019-028Jones.pdf>. Acesso em: 30 ago 2009.
MARENGONI, M. Probabilistic reasoning and bayesian networks in computer vision. Lecture for the Vision Seminar - Umass - Spring 1998. 1998.
MARQUES, R. L.; DUTRA, I. Redes bayesianas: o que s˜ao, para que servem, algoritmos e exemplos de aplica¸c˜oes. Notas de aula - Coppe Sistemas - UFRJ. 1999. Dispon´ıvel em: <http://www.cos.ufrj.br/˜ines/courses% -/cos740/leila/cos740/Bayesianas.pdf>. Acesso em: 16 mail 2009.
MATOS, H.; MUSTARO, P. N.; SILVEIRA, I. F. Milo - a proposal of multiple intelligences learning objects. Issues in Informing Science and Information Technology, v. 4, p. 545–560, 2007. Dispon´ıvel em: <http://proceedings.informingscience.org- /InSITE2007/IISITv4p545-560Matos377.pdf>. Acesso em: 31 out. 2009.
MAYO, M.; MITROVIC, A. Optimising its behaviour with bayesian networks and decision theory. International Journal of Artificial Intelligence in Education, v. 12, p. 124–153, 2001. Department of Computer Science, University of Canterbury. Dispon´ıvel em: <http://ihelp.usask.ca/iaied/ijaied/members01/archive/vol 12/mayo/full.html>. Acesso em: 31 out. 2009.
MISLEVY, R. J.; GITOMER, D. H. The Role of Probability-Based Inference in an Intelligent Tutoring System. [S.l.], Out. 1995. 51 p. Additional support from the Armstrong Laboratories of the United States Air Force and the National Center for Research on Evaluation, Standards, and Student Testing. Dispon´ıvel em: <http://www- .education.umd.edu/EDMS/mislevy/papers/ProbReasoning.pdf>. Acesso em: 31 out. 2009.
MUSTARO, P. N.; SILVEIRA, I. F. Learning objects: Adaptive retrieval through learning styles. Interdisciplinary Journal of Knowledge and Learning Objects, v. 2, p. 35–46, 2006.
NETO, J. J. Wta 2007 - i.1 - a small survey of the evolution of adaptivity and adaptive technology. Latin America Transactions, IEEE (Revista IEEE America Latina), v. 5, n. 7, p. 496–505, Nov. 2007. ISSN 1548-0992. Dispon´ıvel em: <http://ewh.ieee.org/reg- /9/etrans/ieee% -/issues/vol5/vol5issue7Nov.2007/5TLA7 02Neto.pdf>. Acesso em: 31 out. 2009.
OMAR, N.; LEITE, A. de S. The learning process mediated by intelligent tutoring systems and conceptual learning. In: INTERNATIONAL CONFERENCE ON ENGINEERING EDUCATION. Rio Othon Palace - Rio de Janeiro: ICEE-98, 1998. Paper 254. Dispon´ıvel em: <http://www.ineer.org/Events/ICEE1998/Icee/papers/254.pdf>. Acesso em: 31 out. 2009.
ONG, J.; RAMACHADRAN, S. An Intelligen Tutoring System Approach to Adaptive Instructional Systems. 1660 South Amphlett Blvd, Suite 350, San Mateo, CA 94402, Set. 2005. 54 p. Sponsored by the U. S. Army Reseach Institute for the Behavioral and Social Sciences. Dispon´ıvel em: <http://www.dtic.mil/cgi-bin- /GetTRDoc?AD=ADA437533&Location=U2&doc=GetTRDoc.pdf>. Acesso em: 31 out. 2009.
OPPERMANN, R.; RASHEV, R.; KINSHUK. Adaptability and Adaptivity in Learning Systems. 1997. Dispon´ıvel em: <http://www.fit.fraunhofer.de/˜oppi/publications- /kt97 gmd.pdf>. Acesso em: 02 maio 2009.
PIMENTEL, E. P. Um Modelo para Avalia¸c˜ao e Acompanhamento Cont´ınuo do N´ıvel de Aquisi¸c˜ao de Conhecimentos do Aprendiz. 218 f. Tese (Doutorado em ciˆencias no Curso de Engenharia Eletrˆonica e Computa¸c˜ao) — Instituto Tecnol´ogico de Aeron´autica, S˜ao Jos´e dos Campos, S˜ao Jos´e dos Campos, 2006.
PIMENTEL, E. P.; OMAR, N. Um modelo para o mapeamento do conhecimento do estudante em ambientes computacionais de aprendizagem. In: RBIE. [s.n.], 2006. Dispon´ıvel em: <http://www.niee.ufrgs.br/eventos/RIBIE/2006/ponencias/art053- .pdf>. Acesso em: 03 set. 2009.
PIMENTEL, E. P.; OMAR, N. Formative assessment in distance learning education with cognitive and metacognitive measurements. International Journal of Information and Communication Technology Education, v. 4, n. 3, p. 49–58, Set. 2008. IGI Publishing. Dispon´ıvel em: <http://www.infosci-online.com/downloadPDF/pdf- /ITJ4286 DJW4UdNQL2.pdf>. Acesso em: 31 out. 2009.
POLSANI, P. R. Use and abuse of reusable learning objects. Journal of Digital Information, v. 3, n. 4, 2003. Dispon´ıvel em: <http://journals.tdl.org/jodi/article- /viewArticle/89>. Acesso em: 08 nov. 2009.
RAZZAQ, L.; HEFFERNAN, N. T. Towards designing a user-adaptive web-based e- learning system. In: CHI ’08: CHI ’08 extended abstracts on Human factors in computing systems. New York, NY, USA: ACM, 2008. p. 3525–3530. ISBN 978-1-60558-012-X. RUSSELL, S. J.; NORVIG, P. Artificial Intelligence: a modern approach. 2. ed. USA: Pearson Education, Inc., 2003. 1132 p. ISBN 0-13-790395-2.
SAJANIEMI, J.; KUITTINEN, M. From procedures to objects: A research agenda for the psychology of object-oriented programming education. Human Technology: An Interdisciplinary Journal on Humans in ICT Environments, v. 4, n. 1, p. 75–91, 2008. ISSN 1795-6889. Dispon´ıvel em: <http://www.humantechnology.jyu.fi/articles- /volume4/2008/sajaniemi-kuittinen.pdf>. Acesso em: 20 abr. 2009.
SOTOLONGO, D. M.; S´aNCHEZ, N. M.; VALDIVIA, Z. Z. G. Using artificial intelligent techniques to build adaptative tutoring systems. In: EATIS ’07: Proceedings of the 2007 Euro American conference on Telematics and information systems. New York, NY, USA: ACM, 2007. p. 1–7. ISBN 978-1-59593-598-4.
STAMEY, J. J. W.; SAUNDERS, B. T. Designing intelligent learning objects. In: Fifth IEEE International Conference on Advanced Learning Technologies. Kaohsiung, Taiwan: [s.n.], 2005. p. 323–325. ISBN 0-7695-2338-2.
STERN, M. K.; BECK, J. E.; WOOLF, B. P. Naive bayes classifiers for user modeling. In: Proceedings of the Conference on User Modeling. Massachu- setts, USA: [s.n.], 1999. Dispon´ıvel em: <http://citeseerx.ist.psu.edu/viewdoc- /download;jsessionid=A297709BD0B5D15D926CF54500031A44?doi=10.1.1.47- .1676&rep=rep1&type=pdf>. Acesso em: 31 out. 2009.
TEIF, M.; HAZZAN, O. Partonomy and taxonomy in object-oriented thinking: Junior high school students perceptions of object-oriented basic concepts. SIGCSE Bulletin, v. 38, n. 4, p. 55–60, 2006.
WILEY, D. Connecting learning objects to instructional design theory: a definition, a metaphor, and a taxonomy. In: . The Instructional Use of Learning Objects. Bloomington, IN.: The Agency for Instructional Technology, 2002. p. 3–23. Dispon´ıvel em: <http://www.elearning-reviews.org/topics/technology/learning-objects/2001-wiley- learning-objects-instructional-design-theory.pdf>. Acesso em: 7 set. 2009.
WOOLF, B. P. Building Intelligent Interactive Tutors: Student-centered strategies for revolutionizing e-learning. 1. ed. USA: Morgan Kaufmann Publishers, 2009. 469 p. ISBN 978-0-12-373594-2.
Apˆendice A - Unidades de Avalia¸c˜ao
A seguir, encontram-se as Unidades de Avalia¸c˜ao (UAs) utilizadas como base para calcular a nota nas simula¸c˜oes de casos. A partir das notas geradas por essas UAs, os NACs de cada conceito devem ser atualizados, gerando a devida evidˆencia para atualiza¸c˜ao na Rede Bayesiana.