SELF-ORGANIZING MAPS

Os Self-Organizing Maps, tamb´em conhecidos por Mapas Auto-organiz´aveis, redes de Kohonen, mapas de Kohonen, konets ou tamb´em pela sigla SOMs comp˜oem um m´etodo de visualizac¸˜ao e an´alise de dados complexos, desenvolvido por Kohonen (2001) em seus estudos que comec¸aram em 1981.

Segundo Oja e Kaski (1999), os Mapas de Kohonen s˜ao utilizados para a resoluc¸˜ao de problemas envolvendo an´alise de dados e reconhecimento de padr˜oes. Os autores indicam que a pesquisa de Kohonen do in´ıcio da d´ecada de 80, pautou-se na busca por um algoritmo eficiente que, por meio de uma dada entrada que continha vetores pr´oximos em um determinado espac¸o, pudesse encontrar um mapa de padr˜oes similares entre eles, o que seria demonstrado na sa´ıda que continha espac¸os conectados representando os vetores de entrada.

Esta pesquisa de 1981 de Kohonen (2001) partiu do conceito do funcionamento cerebral, que ´e dividido em v´arias regi˜oes, onde cada uma responde a diferentes est´ımulos, como a vis˜ao, tato, controle motor, fala etc. Segundo Braga, Carvalho e Ludermir (2007), quando ´e necess´aria a organizac¸˜ao de informac¸˜oes no c´erebro, a realocac¸˜ao da mesma depende da similaridade de seus dados aos est´ımulos pertinentes a cada uma das regi˜oes. Isto ocorre, de acordo com os autores, pois estas regi˜oes tamb´em est˜ao subdivididas em ´areas que mapeiam o que o ´org˜ao res- pons´avel por captar as sensac¸˜oes est˜ao passando a elas, isto ´e, as respostas dadas pelos ´org˜aos. Estas ´areas dentro das regi˜oes cont´em neurˆonios ordenados de forma topol´ogica, isto ´e, os neurˆonios respons´aveis pela recepc¸˜ao e mapeamento de um est´ımulo est˜ao pr´oximos uns aos outros.

Braga, Carvalho e Ludermir (2007) continuam, dizendo que os SOMs se apropriaram deste funcionamento cerebral, pois assim que recebe o vetor de entrada, a rede do sistema procura um n´o em seu interior que possua a maior quantidade de semelhanc¸as com aquela entrada. Ap´os encontrar, a rede analisa os vizinhos daquele n´o e os treina para que consiga ampliar a semelhanc¸a topol´ogica daquela regi˜ao com o que est´a sendo apresentado na entrada. Com isto, estar´a criando um mapa topol´ogico na regi˜ao, em que os n´os se comportam de forma an´aloga `as caracter´ısticas da entrada. Isto resultar´a que da pr´oxima vez que uma entrada semelhante a esta aparecer, o sistema j´a tem mapeado onde est˜ao os n´os que reagem de forma parecida com aquilo e, assim, indicar quais outras entradas j´a apresentadas anteriormente que s˜ao an´alogas

`aquela.

A continuidade da pesquisa levou aos SOMs o seu posterior aperfeic¸oamento, segundo Oja e Kaski (1999). Os autores continuam, dizendo que sua popularizac¸˜ao, fez com que alavancasse tamb´em a popularidade das pesquisas envolvendo redes neurais na d´ecada de 80.

Segundo Zupan (1994), a principal diferenc¸a desta t´ecnica para outras redes neurais arti- ficiais ´e o fato de que ela se auto-organiza, com ´e indicado no pr´oprio nome do m´etodo, isto ´e, este tipo de t´ecnica consegue resolver problemas onde n˜ao se sabe qual ser´a o agrupamento final dos itens, ela mesmo resolve a aglutinac¸˜ao. Segundo o autor, isto ocorre pois os SOMs automaticamente se adaptam de forma a unir os itens similares da entrada aos “neurˆonios to- pol´ogicos” associados a eles. Estes “neurˆonios topol´ogicos pr´oximos” s˜ao aqueles que dentro da rede neural artificial reagem de forma semelhante quando estimulados `aquelas entradas que s˜ao similares.

Haykin (2001), resume estes conceitos, indicando que um dos principais objetivos do mapa auto-organiz´avel ´e adaptar uma entrada onde a dimens˜ao ´e arbitr´aria, isto ´e, pode ser qual- quer entrada, em um mapa discreto que possui uma ou duas dimens˜oes, de forma que esta transformac¸˜ao seja adaptativa e que seja feita de forma topologicamente ordenada.

A utilizac¸˜ao dos Self-Organizing Maps ´e aplic´avel nas mais diversas ´areas. Uma delas ´e a ´area de Marketing, mais especificamente na administrac¸˜ao de relacionamento com o cliente. Hung e Tsai (2008) prop˜oem uma ferramenta que, por meio de dados do mundo real, realiza a clusterizac¸˜ao dos segmentos do mercado de multim´ıdia sob demanda em Taiwan, como filmes e m´usicas. Com isto, o usu´ario da ferramenta pode planejar o atendimento de acordo com o tipo de segmento em que ele se encontra.

Outro exemplo da utilizac¸˜ao de SOMs ´e dado por Palermo e Monteiro (2006). Os autores criam um esquema de reconhecimento de padr˜ao baseado no sistema olfativo de vertebrados. Neste caso, o Self-Organizing Maps ´e aliado a um automato celular, principalmente pelo fato da base do sistema ser a representac¸˜ao de um sistema de um ser vivo. O esquema se baseia na pre- missa de que a detecc¸˜ao olfativa dos vertebrados ´e feita em v´arios n´ıveis, onde a atividade neural captura o padr˜ao distinto produzido por cada odor. Esta segmentac¸˜ao ser´a de responsabilidade do Self-Organizing Map implementado.

a clusterizac¸˜ao dos dados de sa´ıda do conjunto de sistema fuzzy e algoritmo gen´etico exempli- ficado na sec¸˜ao 3.2. S˜ao utilizadas t´ecnicas de redes neurais de Kohonen nestas sa´ıdas, isto ´e, apenas as entradas com maior relevˆancia determinadas pelas regras fuzzy, com o intuito de clusterizar as comunidades de usu´arios existentes no jogo Ragnar¨ok

O funcionamento das SOMs ser´a mais detalhado na sec¸˜ao que segue, explicitando como o algoritmo descrito por Kohonen (2001) funciona.

3.3.1

Algoritmo

Haykin (2001) cita que para a formac¸˜ao de um mapa auto-organiz´avel, s˜ao essencialmente necess´arios trˆes processos, descritos a seguir:

- Competic¸˜ao: Assim que os vetores de entrada s˜ao dados, o padr˜ao disposto nela aciona uma func¸˜ao, denominada como “discriminante”, em cada um dos neurˆonios de uma grade. Esta func¸˜ao discriminante far´a com que os neurˆonios disputem entre eles uma competic¸˜ao para ver quem possui o maior valor, que ser´a definido de acordo com o padr˜ao da entrada. O neurˆonio com maior valor do resultado da func¸˜ao em quest˜ao ganha a competic¸˜ao

- Cooperac¸˜ao: O neurˆonio que ganhou a competic¸˜ao por ter o maior valor da func¸˜ao dis- criminante determinara onde ser´a vizinhanc¸a topol´ogica, onde os neurˆonios ir˜ao receber os est´ımulos do padr˜ao de entrada, para que se inicie o mapeamento, que ser´a atingido por meio da cooperac¸˜ao entre os neurˆonios desta vizinhanc¸a.

-Adaptac¸˜ao Sin´aptica: Os neurˆonios da vizinhanc¸a escolhida comec¸am ent˜ao a aumentar seus valores de forma a se adaptarem ao est´ımulo dado pelo padr˜ao da entrada. Isto ocorre por meio de ajustes feitos nos pesos sin´apticos de cada um. Estes ajustes s˜ao feitos sempre que o neurˆonio que ganhou a competic¸˜ao d´a uma resposta melhorada a cada aplicac¸˜ao do padr˜ao de entrada.

Com estas definic¸˜oes, Haykin (2001) resume ent˜ao o algoritmo SOM. O autor diz que s˜ao necess´arios alguns parˆametros para a existˆencia do algoritmo, descritos a seguir, nas palavras do autor:

- Entrada: Deve ser cont´ınua, constitu´ıda de padr˜oes de ativac¸˜ao. Estes devem ser criados de acordo com uma certa distribuic¸˜ao de probabilidade;

- Sa´ıda: ´E definida discretamente por uma rede de neurˆonios, por meio de uma topologia de grade;

- Neurˆonio Vencedor: Tal qual foi descrito anteriormente, um dos neurˆonios ganhar´a a competic¸˜ao e este ´e denominado por i(x). Em seu entorno, para realizar a cooperac¸˜ao com os vizinhos, existe a func¸˜ao de vizinhanc¸a vari´avel no tempo h_j,i(x)(n). Esta func¸˜ao ´e definida na equac¸˜ao 3.6:

h_j,i(x)(n) = exp(− d

2

j,i

2σ2_(n)), n = 0, 1, 2, ... (3.6)

Onde i ´e o neurˆonio vencedor, j ´e o neurˆonio a ser excitado, n ´e o tempo discreto de entrada,

drepresenta a distˆancia lateral entre estes dois neurˆonios e σ ´e o grau de participac¸˜ao, tamb´em conhecido por largura efetiva, dos neurˆonios excitados no processo de aprendizagem. Este grau de participac¸˜ao pode ser obtido por meio da equac¸˜ao 3.7:

σ_j,i(x)(n) = σ0exp(−

n

τ1

), n = 0, 1, 2, ... (3.7)

Onde n ´e o mesmo tempo discreto descrito anteriormente, σ0´e o valor inicial de σ no SOM

e τ1 ´e uma constante de tempo;

- Taxa de Aprendizagem: Cada neurˆonio possui uma taxa que permitir´a aprender o padr˜ao das entradas. Esta taxa ´e denominada pela func¸˜ao η(n), que inicia com um valor η0 e dimi-

nui com o tempo, mas n˜ao se iguala a 0. A func¸˜ao que apresenta a taxa de aprendizagem ´e demonstrada na equac¸˜ao 3.8:

η(n) = η0exp(−

n

τ2

), n = 0, 1, 2, ... (3.8)

Onde o n ´e o tempo discreto tamb´em utilizado nas equac¸˜oes 3.6 e 3.7, η0 ´e o valor inicial

descrito acima e τ2 ´e outra constante de tempo, diferente da equac¸˜ao 3.7;

A partir destes parˆametros, Haykin (2001) descreve os cinco passos do algoritmo a ser seguido para a criac¸˜ao do mapa auto-organiz´avel:

- 1o Passo: Inicializac¸˜ao. Segundo o autor, este passo pode ser feito de duas formas.

denominado wj(0). A ´unica restric¸˜ao ´e que os l neurˆonios j (sendo l o n´umero total de itens na grade) devem ter pesos diferentes uns dos outros. Na segunda forma de se inicializar o algoritmo, ´e necess´ario utilizar vetor de n´umeros da entrada x e, aleatoriamente, definir os valores dos l pesos w a partir deles.

- 2o Passo: Amostragem. Escolher de forma amostral, com uma certa probabilidade, um

dos valores do espac¸o de entrada. Esta amostra ser´a denominada como x e ser´a o padr˜ao que a grade do SOM ter´a de aprender. A dimens˜ao desta amostra x ´e m.

- 3oPasso: Casamento por Similaridade. Encontrar o neurˆonio vencedor, isto ´e, aquele que melhor casa em similaridade com o padr˜ao x definido no passo anterior. O neurˆonio vencedor ser´a denominado como i(x). O neurˆonio vencedor ´e escolhido por meio da m´ınima distˆancia euclidiana, com o passo de tempo n, definido na equac¸˜ao 3.9:

i(n) = arg min ||x(n) − wj||, j = 1, 2, ..., l (3.9)

- 4oPasso: Atualizac¸˜ao. Neste passo, que ´e a aprendizagem de fato, a atualizac¸˜ao de todos

os pesos sin´apticos w ´e feita, de acordo com a equac¸˜ao 3.10:

wj(n + 1) = wj(n) + η(n)hj,i(x)(n)(x(n) − wj(n)) (3.10)

Onde as func¸˜oes η(n) e hj,i(x)(n) foram definidas anteriormente nas equac¸˜oes 3.6 e 3.8. Es-

tes dois valores, segundo o autor, s˜ao variados dinamicamente durante este processo de apren- dizagem, para que sejam obtidos melhores resultados.

- 5o Passo: Continuac¸˜ao. Retorna-se para o passo do Casamento de Similaridade caso o

mapa de caracter´ısticas n˜ao apresente mudanc¸as significativas em relac¸˜ao `a interac¸˜ao anterior. Com a base te´orica determinada, pode se dar in´ıcio a elaborac¸˜ao da aplicac¸˜ao que auxiliar´a no estudo da imers˜ao e da emoc¸˜ao. Os cap´ıtulos que seguem baseiam-se neste aspecto do trabalho.

4

METODOLOGIA

Uma das etapas desta trabalho ´e continuac¸˜ao da pesquisa realizada (MENDONC¸ A, 2008), sendo que esta trac¸ou algumas vari´aveis ( ´Audio, v´ıdeo, inteligˆencia artificial, aspectos sociais, jogabilidade, narrativa e relac¸˜ao jogo/jogador) por meio da leitura de textos de autores que tratavam primordialmente do tema imers˜ao em jogos digitais. Com esta leitura, foi poss´ıvel verificar e comparar quais s˜ao as caracter´ısticas pertinentes aos jogos digitais que os autores relacionavam diretamente e indiretamente com a imers˜ao. Estas caracter´ısticas, bem como a influˆencia exercida por elas, foram analisadas e mapeadas por meio de um aprofundamento te´orico de outros textos que as possu´ıssem como foco espec´ıfico ou que a tratassem de forma mais detalhada.

Algumas ´areas foram pesquisadas para a criac¸˜ao da base te´orica do projeto. Dentre elas, pode-se citar a narrativa (FRASCA, 2003b; FRASCA, 2003a), interatividade (SANTAELLA, 2004; ASSIS, 2007), hipertextualidade (S ´A; ALBUQUERQUE, 2000; GOSCIOLA, 2003) e a pr´opria imers˜ao (CALLEJA, 2007; DANSKY, 2006), como sendo partes componentes de um jogo digital. A partir do conceito de imers˜ao, outras ´areas foram pesquisadas, como a de ´audio e a v´ıdeo digitais (KUSTERNIG; SEMANEK, 2006), relacionamentos sociais dentro dos ambientes virtuais (HEETER, 1992; RODRIGUES; MUSTARO, 2007) e jogabilidade (ROL- LINGS; ADAMS, 2003). Pretende-se continuar a leituras de textos pertinentes a estas ´areas, com o constante interesse nas vari´aveis que influenciem no c´alculo do grau de imers˜ao em jogos digitais.

Al´em desta base te´orica, uma nova investigac¸˜ao esta sendo proposta para a verificac¸˜ao da influˆencia das vari´aveis na emoc¸˜ao dos jogadores. Para este estudo, ser´a necess´aria a construc¸˜ao de alicerces te´oricos dentro do escopo de emoc¸˜ao a partir de autores cl´assicos (HOCHSCHILD, 1979) e a ligac¸˜ao deste tema com jogos digitais tamb´em deve ser explorada (TAVINOR, 2005; MANDRYK; ATKINS; INKPEN, 2006) para que se possa definir o elo entre emoc¸˜ao e as

vari´aveis previamente estudadas.

Ap´os a criac¸˜ao da base te´orica, elaborou-se uma aplicac¸˜ao computacional para colocar em pr´atica o que foi pesquisado. A aplicac¸˜ao possui um conjunto de afirmac¸˜oes relacionadas a cada uma das vari´aveis apresentadas na pesquisa. O preenchimento deste conjunto, at´e o presente momento, foi realizado por um grupo de teste e armazenado em uma base de dados, sendo que buscou-se obter dados sobre jogos digitais para a an´alise sobre o grau de imers˜ao dos jogos em quest˜ao.

O aplicativo baseia-se num conceito de Inteligˆencia Artificial conhecido como sistema es- pecialista, como apresentado na Sec¸˜ao 3.1.

Essa aplicac¸˜ao integra um sistema inteligente que utiliza l´ogica fuzzy (ZADEH, 1965; ZA- DEH, 1978; SANDRI; CORREA, 1999) para a definic¸˜ao do grau de pertinˆencia das afirmac¸˜oes e resultados, assim como o uso de t´ecnicas de clusterizac¸˜ao (DUBES; JAIN, 1976; CHENG, 1995; JAIN; LAW, 2005; CAVALCANTI JR., 2006) para a classificac¸˜ao e posterior an´alise dos dados coletados. Com as t´ecnicas apresentadas, o que est´a se buscando ´e um aplicativo para reconhecer padr˜oes.

Para a criac¸˜ao da aplicac¸˜ao ´e necess´ario seguir uma s´erie de passos, conforme citado por Miguel e Ho (2010). Os autores exp˜oem trˆes passos b´asicos para a construc¸˜ao de qualquer levantamento do tipo survey, que tamb´em s˜ao conhecidos como pesquisas de avaliac¸˜ao, que ´e exatamente o que este trabalho se prop˜oe a fazer. Os trˆes passos b´asicos s˜ao os seguintes: Fase do planejamento, fase da coleta e fase da an´alise. A seguir, tem-se cada uma destas fases detalhada e como este trabalho se portou em cada uma delas.

4.1

FASE DO PLANEJAMENTO

Segundo Miguel e Ho (2010), a fase do planejamento ´e aquela onde s˜ao definidas todas as diretrizes a serem adotadas dentro da pesquisa que est´a sendo criada. Dentre outras coi- sas, ´e nesta fase que s˜ao definidas como ser´a conduzida a pesquisa, qual ´e o n´umero (real ou aproximado) de pessoas que participar˜ao da pesquisa, como selecionar estas pessoas, se vai ser um question´ario ou n˜ao, etc. Caso de fato seja um question´ario, ainda ´e necess´aria a definic¸˜ao de qual ser´a o instrumento de coleta, como perguntar, quantas perguntas ser˜ao feitas, o que perguntar, etc.

O primeiro passo a ser dado dentro desta fase, de acordo com Miguel e Ho (2010), ´e iden- tificar quais ser˜ao os tipos de dados utilizado: Quantitativos ou qualitativos.

Os dados quantitativos s˜ao aqueles que v˜ao, como o pr´oprio nome indica, definir a quanti- dade em n´umero das caracter´ısticas de interesse. Estes tipos de dados podem ser definidos em dois tipos: discretos ou cont´ınuos. Os dados discretos s˜ao definidos por meio de contagens dos dados coletados. J´a os dados cont´ınuos s˜ao obtidos por meio de algum tipo de medic¸˜ao, como altura, peso etc.

Os dados qualitativos s˜ao aqueles que podem ser divididos em categorias por conta de suas caracter´ısticas. Estes dados podem tamb´em ser divididos em dois tipos: Ordinais e nominais. O primeiro tipo se refere `aqueles dados que podem ser de alguma forma ordenados, isto ´e, existe um grau intr´ınseco nas respostas dadas que permitir classific´a-las segundo seu grau de importˆancia. J´a os dados nominais s˜ao aqueles que n˜ao podem ser ordenados, isto ´e, as respostas n˜ao possuem relac¸˜ao de ordem entre sim, n˜ao existe uma respostas de grau mais alto que a outra, por exemplo.

Dada estas definic¸˜oes, ´e poss´ıvel indicar que o presente trabalho ir´a se focar em Dados Qualitativos Ordinais, pois ´e necess´ario dividir em categorias cada uma das vari´aveis e ordenar o grau que cada uma delas influencia na imers˜ao dentro do jogo digital estudado.

Miguel e Ho (2010) tamb´em definem que dentro da fase do planejamento ´e pertinente de- finir definir qual o tipo de pesquisa que ser´a feita. Os autores indicam duas esp´ecies b´asicas: Observacionais e experimentais.

As pesquisas observacionais s˜ao aquelas definidas por meio da coleta de dados sem intervenc¸˜ao do pesquisador, isto ´e, ao serem coletados os dados, o pesquisador em quest˜ao apenas observa. Este tipo de pesquisa possui duas subdivis˜oes de levantamentos: populacionais e amostrais. Os levantamentos populacionais s˜ao aqueles que analisam uma populac¸˜ao inteira, como ´e o caso do Censo que ocorre na maioria dos pa´ıses. Esta coleta de dados pode ser tanto cont´ınua, quanto peri´odica ou at´e mesmo ocasional. J´a os levantamentos amostrais s˜ao aqueles em que uma par- cela espec´ıfica da populac¸˜ao ´e analisada, onde ´e necess´ario definir qual ser´a a populac¸˜ao-alvo da pesquisa (aquela em que o objetivo do trabalho ´e alguma necessidade dela) e a populac¸˜ao amostrada (a parcela da populac¸˜ao geral de onde ser˜ao coletados os dados).

os dados. Os meios de coleta podem ser desde entrevistas pessoais ou por telefone, at´e ques- tion´arios enviados por e-mail ou em p´aginas da Internet. Outra caracter´ıstica dos levantamentos amostrais que deve ser definida ´e o plano amostral que ser´a adotado. Este plano amostral pode ser probabil´ıstico e n˜ao-probabil´ıstico. Nas amostras probabil´ısticas, ´e poss´ıvel, por meio do resultado, fazer inferˆencias l´ogicas e expandir o resultado para toda a populac¸˜ao, entretanto o custo para que isto ocorra ´e elevado, tanto monet´ario quanto de tempo. J´a no plano amostral n˜ao-probabil´ıstico, as amostras s˜ao coletadas por meios randˆomicos, isto ´e, a populac¸˜ao amos- tral ´e aleat´oria, o que impossibilita a inferˆencia para a populac¸˜ao toda, entretanto pode ser feita em menos tempo e o custo monet´ario ´e menor.

As pesquisas experimentais s˜ao aquelas que ocorrem da mesma forma que as observaci- onais, entretanto, o pesquisador interveem na coleta de dados, com o intuito de verificar se o resultado vai ser modificado com aquela influencia naquela determinada populac¸˜ao estudada. Para que este tipo de pesquisa seja realizado, alguns passos devem ser seguidos: Deve-se pri- meiramente estabelecer o objetivo da pesquisa, em seguida ´e necess´ario que as situac¸˜oes ex- perimentais sejam descritas para que possam ser comparadas umas com as outras, a seguir os fatores e n´ıveis de influˆencias s˜ao definidos e as vari´aveis de resposta s˜ao selecionadas para ent˜ao definir qual sera a populac¸˜ao experimental. Por fim, ap´os o experimento ser realizado, os resultados s˜ao analisados para que ent˜ao possam ser feitos mais experimentos com eles.

Dados estes tipos de pesquisa, ser´a escolhido para este trabalho a Pesquisa Observacional com Levantamento Amostral, pois o intuito final da pesquisa n˜ao necessita de intervenc¸˜oes para se chegar ao resultado e n˜ao tem-se recursos necess´arios para encontrar toda a populac¸˜ao de jogadores. O levantamento amostral ser´a feito via question´ario em uma p´agina na Internet, de forma n˜ao-probabil´ıstica, pois o question´ario ´e aberto para qualquer um respondˆe-lo. Definir um espac¸o amostral probabil´ıstico requisitaria muito tempo e uma pesquisa ainda mais ampla para a definic¸˜ao desta populac¸˜ao.

No caso da presente pesquisa, a obtenc¸˜ao de dados com menor grau de homogeneidade ser´a relevante, j´a que ser´a desenvolvida uma rede neural e esses dados de entrada permitir˜ao a