UNIVERSIDADE PRESBITERIANA MACKENZIE
PROGRAMA DE P ´
OS-GRADUAC
¸ ˜
AO
EM ENGENHARIA EL´
ETRICA
Samuel Fontes Lima
UM MODELO DE ESTUDANTE BASEADO EM REDES
BAYESIANAS PARA O ESTUDO DE FUNDAMENTOS DE
ORIENTAC
¸ ˜
AO A OBJETOS
UNIVERSIDADE PRESBITERIANA MACKENZIE
PROGRAMA DE P ´
OS-GRADUAC
¸ ˜
AO
EM ENGENHARIA EL´
ETRICA
Samuel Fontes Lima
UM MODELO DE ESTUDANTE BASEADO EM REDES
BAYESIANAS PARA O ESTUDO DE FUNDAMENTOS DE
ORIENTAC
¸ ˜
AO A OBJETOS
Disserta¸c˜ao apresentada ao Programa de P´os-Gradua¸c˜ao em Engenharia El´etrica da Univer-sidade Presbiteriana Mackenzie, como requisito parcial `a obte¸c˜ao do t´ıtulo de Mestre em Enge-nharia El´etrica na ´Area de Concentra¸c˜ao em Engenharia de Computa¸c˜ao.
Orientadora: Profa . Dra
. Sandra Maria Dotto Stump
L732m Lima, Samuel Fontes.
Um modelo de estudante baseado em redes Bayesianas para o estudo de fundamentos de orienta¸c˜ao a objetos / Samuel Fontes Lima - 2010
153 f. : il. ; 30 cm.
Disserta¸c˜ao (Mestado em Engenharia El´etrica, ´Area de Computa¸c˜ao)-Universidade Presbiteriana Mackenzie, S˜ao Paulo, 2010.
Bibliografia: f. 92-95
1. Educa¸c˜ao. 2. Sistema Tutor Inteligente. 3. Redes Bayesianas. I. T´ıtulo.
SAMUEL FONTES LIMA
UM MODELO DE ESTUDANTE BASEADO EM REDES
BAYESIANAS PARA O ESTUDO DE FUNDAMENTOS DE
ORIENTAC
¸ ˜
AO A OBJETOS
Disserta¸c˜ao apresentada ao Programa de P´os-Gradua¸c˜ao em Engenharia El´etrica da Univer-sidade Presbiteriana Mackenzie, como requisito parcial `a obte¸c˜ao do t´ıtulo de Mestre em Enge-nharia El´etrica na ´Area de Concentra¸c˜ao em Engenharia de Computa¸c˜ao.
Aprovado em 18/08/2010
BANCA EXAMINADORA
Profa . Dra
. Sandra Maria Dotto Stump - Orientadora Universidade Presbiteriana Mackenzie
Prof. Dr. Nizam Omar - Membro interno Universidade Presbiteriana Mackenzie
`
A minha esposa Verˆonica, pelo incentivo e por ter sido m˜ae e pai de nosso filho du-rante as minhas constantes ausˆencias para o
desenvolvi-mento deste trabalho.
AGRADECIMENTOS
` A Dra
Sandra Maria Dotto Stump, minha eterna gratid˜ao, por ter sido orientadora
persistente e amiga, que, com sua experiˆencia, aten¸c˜ao e paciˆencia constante, forneceu as
diretrizes e os incentivos necess´arios a conclus˜ao deste trabalho.
Ao Dr. Nizam Omar, pelo muito que me ensinou e pelas sugest˜oes apresentadas no
momento do exame de qualifica¸c˜ao.
Ao Dr. S´ergio Luis Pereira, pelos coment´arios e apontamentos no decorrer do exame
de qualifica¸c˜ao.
` A Dra
Pollyana, pelos valiosos conselhos que me muito me ajudaram durante o
de-senvolvimento deste trabalho.
`
A professora Beatriz Santana pela leitura e revis˜ao deste trabalho.
Ao Dr. Edson Pinheiro Pimentel, da Universidade Federal do ABC, por compartilhar
comigo sua tese de doutorado, inspira¸c˜ao deste trabalho. Pelo seu apoio e esclarecimento
de d´uvidas, meu muito obrigado.
Aos professores do curso de Mestrado em Engenharia El´etrica do Instituto
Presbiteri-ano Mackenzie: Dr. Luiz Monteiro, Dr. Leandro Castro Silva, Dr. Maur´ıcio Marengoni,
Dr. Pedro Paulo B. Oliveira, al´em das professoras Dra
. Sandra Stump, Dra
Pollyana e
do professor Dr. Nizam, meus sinceros agradecimentos. Somente ouvir essas pessoas foi
uma grande oportunidade na vida.
Ao Daniel Sampaio, amigo e irm˜ao, pelas discuss˜oes, sugest˜oes, leituras e revis˜oes
deste trabalho.
`
A minha m˜ae, Dona Elisete Fontes, e ao meu pai, Sr. Daniel Rodrigues Lima, por
terem me concedido a oportunidade de viver.
Ao meu irm˜ao, Marcelo Fontes Lima, parceiro da vida desde o seu nascimento.
`
A todas as pessoas que, de forma direta ou indireta, me ajudaram na elabora¸c˜ao deste
RESUMO
Atualmente as linguagens orientadas a objeto encontram-se entre as mais utilizadas.
Estu-dos recentes com alunos iniciantes demonstram que os conceitos de programa¸c˜ao orientada
a objetos (POO) n˜ao s˜ao t˜ao f´aceis de assimilar. Os estudantes encontram dificuldades
n˜ao somente no entendimento dos conceitos de POO, mas tamb´em na aplica¸c˜ao deles
na resolu¸c˜ao de problemas. Diante disso, prop˜oe-se o emprego de um Sistema Tutor
Inteligente (STI) para auxiliar no processo de aprendizagem desses conceitos. Um dos
principais desafios para o desenvolvimento de um STI ´e o tratamento individualizado do
estudante, que ´e obtido principalmente por meio da adaptatividade do sistema `as
carac-ter´ısticas de cada aprendiz. A adaptatividade ao aprendiz ´e uma quest˜ao complexa, foco
de v´arias pesquisas, abrange v´arias caracter´ısticas da personalidade: estilo de
aprendi-zagem, inteligˆencia, conhecimento anterior, hist´orico do aprendiz e as emo¸c˜oes. Dessa
forma, o modelo do estudante ´e de fundamental importˆancia, pois cont´em as informa¸c˜oes
individuais do aprendiz. ´E nesse ponto que as t´ecnicas de Inteligˆencia Artificial (IA) tˆem
sido empregadas. Este trabalho aborda a quest˜ao da adaptatividade do sistema tutor
ao conhecimento do estudante por meio de um modelo de aprendiz baseado em Rede
Bayesiana. Considerando-se que o n´ıvel de conhecimento do aprendiz ´e uma informa¸c˜ao
imprecisa, e que at´e mesmo professores lidam com essa incerteza, optou-se pela utiliza¸c˜ao
de Redes Bayesianas (RBs), tamb´em chamadas de Redes de Cren¸ca, que s˜ao consideradas
adequadas para ambientes sob incerteza pois empregam o racioc´ınio probabil´ıstico, o qual
permite identificar um certo grau de cren¸ca sobre o n´ıvel de conhecimento do aprendiz.
Devido a isso, RBs tˆem sido empregadas em STIs nas inferˆencias sobre o comportamento
do aprendiz e nas tomadas de decis˜oes sobre as a¸c˜oes do tutor.
ABSTRACT
Nowadays, object oriented languages are among the most used ones. Recent studies with
beginners have shown that the object oriented programming language (OOP) concepts
are not so easy to learn. Students have difficulties not only in understanding those OOP
concepts, but also in applying them to solving problems. Therefore, an Intelligent
Tuto-ring System (ITS) is suggested in order to help in the learning process of these concepts.
One of the most important challenge for ITS development is the individual treatment of
student, which is mainly obtained by system adaptativity to the characteristics of each
student. This adaptativity to student is a complex issue and the focus of several
resear-ches. It encloses several areas of personality such as: learning style, intelligence, previous
knowledge, student background and emotions. Thus, the student model is extremely
im-portant because all individual information of student is in it. It is here where Artificial
Intelligence (AI) techniques have been employed. This paper approaches the adaptativity
issue of tutoring system to student knowledge through a student model based on Bayesian
Network (BN). Taking into consideration that the student knowledge level is an
inaccu-rate information, and even professors deal with this uncertainty, the Bayesian Networks
(BNs), also known as Belief Network, have been chosen. They are considered proper for
uncertain spheres for employing the probabilistic reasoning, which allows to identify a
certain belief degree of student knowledge level. Therefore, the BNs have been employed
in ITS in the inferences concerning student behavior as well as in the decision-making
process concerning tutor actions.
LISTA DE FIGURAS
1 Rela¸c˜oes causais entre os atributos do estudante . . . 21
2 Dimens˜oes para adapta¸c˜ao de um OA ao aprendiz . . . 22
3 Arquitetura cl´assica de um STI . . . 23
4 Arquitetura para OAs adaptativos . . . 26
5 Exemplo de OA para inteligˆencia espacial . . . 27
6 Exemplo de Rede Bayesiana . . . 31
7 Fluxos de inferˆencia . . . 32
8 Rede para prever desempenho do aprendiz . . . 33
9 Classifica¸c˜ao dos Modelos Bayesianos de Aprendiz . . . 34
10 Modelo do Estudante no sistema HIDRIVE . . . 37
11 Exemplo de Hierarquia de Conhecimentos . . . 39
12 Rela¸c˜ao da Unidade de Avalia¸c˜ao com Objetivos e Conceitos . . . 40
13 Evolu¸c˜ao do Desempenho do Aprendiz . . . 42
14 Conceitos modelados com Rede Bayesiana . . . 46
15 Estados das vari´aveis da rede modeladas no estilo Fuzzy . . . 46
16 NAC como evidˆencia do conhecimento . . . 50
17 Rede Bayesiana proposta . . . 51
18 Conex˜ao divergente . . . 53
19 Vari´avel NAC transmitindo evidˆencia . . . 54
20 Rela¸c˜ao de pr´e-requisito . . . 55
21 Impacto do NAC no pr´e-requisito sem evidˆencia . . . 56
22 Impacto do NAC no pr´e-requisito com evidˆencia . . . 56
24 Divorcia¸c˜ao dos conceitos . . . 58
25 Varia¸c˜ao do NAC Bom no conceito e no pr´e-requisito . . . 62
26 Varia¸c˜ao do NAC M´edio no conceito e no pr´e-requisito . . . 62
27 Varia¸c˜ao do NAC Fraco no conceito e no pr´e-requisito . . . 62
28 Fluxo Principal do Algor´ıtmo . . . 65
29 Fluxo Selecionar Conceito para Revis˜ao . . . 66
30 Representa¸c˜ao da Rede Bayesiana em forma de tabela . . . 74
31 Exemplo de uma UA . . . 75
32 Exemplo de uma UA abrangendo trˆes conceitos . . . 76
33 Evolu¸c˜ao est´avel X inst´avel . . . 77
34 Evolu¸c˜ao da primeira simula¸c˜ao de caso . . . 80
35 Evolu¸c˜ao da segunda simula¸c˜ao de caso . . . 83
LISTA DE TABELAS
1 Conte´udo X Objetivos . . . 40
2 Uma Unidade de Avalia¸c˜ao . . . 41
3 Resultado de Desempenhos do Aprendiz . . . 42
4 Seq¨uˆencia do conte´udo do treinamento . . . 48
5 Classifica¸c˜ao do NAC em um conceito . . . 49
6 Distribui¸c˜ao de probabilidades . . . 57
7 Distribui¸c˜ao das probabilidades na vari´avel t´opico . . . 59
8 Distribui¸c˜ao das probabilidades nas vari´aveis conceito . . . 60
9 Distribui¸c˜ao de probabilidades nas vari´aveis NAC . . . 61
10 Exemplo de quadro resumo de notas . . . 79
11 Exemplo do quadro resumo dos NACs . . . 79
12 UAs e sugest˜oes da primeira simula¸c˜ao . . . 81
13 NACs da primeira simula¸c˜ao . . . 82
14 UAs e sugest˜oes da segunda simula¸c˜ao . . . 84
15 NACs da segunda simula¸c˜ao . . . 84
16 NACs da terceira simula¸c˜ao . . . 86
17 UAs e sugest˜oes da terceira simula¸c˜ao . . . 86
LISTA DE SIGLAS
NAC N´ıvel de Aquisi¸c˜ao de Conhecimento
OO Orientado a Objetos
POO Programa¸c˜ao Orientada a Objetos
RB Rede Bayesiana
STI Sistema Tutor Inteligente
TPC Tabela de Probabilidades Condicional
SUM ´
ARIO
INTRODUC¸ ˜AO 14
1 SISTEMAS TUTORES INTELIGENTES 19
1.1 CONCEITO DE ADAPTATIVIDADE . . . 19
1.1.1 Adaptatividade X Adaptabilidade . . . 19
1.1.2 Objetos da Adaptatividade . . . 20
1.2 ARQUITETURA DOS SISTEMAS TUTORES . . . 22
1.3 OBJETOS DE APRENDIZAGEM . . . 23
1.4 O MODELO DO ESTUDANTE . . . 26
2 REDES BAYESIANAS NA MODELAGEM DO APRENDIZ 30 2.1 REDES BAYESIANAS . . . 30
2.2 MODELAGEM DO APRENDIZ COM REDES BAYESIANAS . . . 33
3 N´IVEL DE AQUISIC¸ ˜AO DE CONHECIMENTO (NAC) 38 3.1 AVALIAC¸ ˜AO FORMATIVA . . . 38
3.2 UNIDADES DE AVALIAC¸ ˜AO . . . 39
3.3 VIS ˜AO GERAL DO NAC . . . 41
4 UM MODELO DE APRENDIZ PARA FUNDAMENTOS DE POO 44 4.1 FUNDAMENTOS DE POO MODELADOS COM REDE BAYESIANA . . 44
4.1.1 Vis˜ao geral da rede bayesiana . . . 44
4.1.2 Conte´udo modelado . . . 47
4.3 TOPOLOGIA DA REDE . . . 50
4.3.1 Vari´avel T´opico . . . 52
4.3.2 Vari´aveis Conceito . . . 52
4.3.3 Vari´aveis NAC . . . 54
4.3.4 Rela¸c˜oes de pr´e-requisito . . . 55
4.3.5 Distribui¸c˜ao das propabilidades na rede . . . 59
4.4 COMO TOMAR DECIS ˜OES COM A REDE BAYESIANA . . . 63
4.4.1 Fluxo Principal . . . 64
4.4.2 Fluxo Selecionar Conceito Para Revis˜ao . . . 69
4.5 O MODELO DO APRENDIZ DENTRO DO CONTEXTO DE STI . . . . 70
5 SIMULAC¸ ˜OES DE CASOS E RESULTADOS 72 5.1 METODOLOGIA EMPREGADA . . . 72
5.1.1 Cen´arios de simula¸c˜ao . . . 72
5.1.2 Unidades de Avalia¸c˜ao . . . 73
5.1.3 Gr´aficos para an´alise . . . 77
5.1.4 Quadros resumos . . . 78
5.1.5 Ferramenta para simula¸c˜ao da Rede Bayesiana . . . 80
5.2 PRIMEIRA SIMULAC¸ ˜AO . . . 80
5.2.1 Resumo das intera¸c˜oes entre o estudante e o sistema . . . 81
5.3 SEGUNDA SIMULAC¸ ˜AO . . . 83
5.3.1 Resumo das intera¸c˜oes entre o estudante e o sistema . . . 84
5.4 TERCEIRA SIMULAC¸ ˜AO . . . 85
5.4.1 Resumo das intera¸c˜oes entre o estudante e o sistema . . . 85
6 CONSIDERAC¸ ˜OES FINAIS 89
REFERˆENCIAS BIBLIOGR ´AFICAS 92
APˆENDICE A - UNIDADES DE AVALIAC¸ ˜AO 96
APˆENDICE B - C ´ODIGO FONTE DA REDE BAYESIANA 127
INTRODUC
¸ ˜
AO
Numa defini¸c˜ao simples, Sistemas Tutores Inteligentes (STIs) “s˜ao programas de
soft-ware que d˜ao suporte `a atividade da aprendizagem” (GAMBOA; FRED, 2001). Uma das
principais caracter´ısticas desse programa ´e o tratamento individualizado que o sistema
pode oferecer ao aluno, uma vez que ´e poss´ıvel considerar a bagagem de conhecimento, o
estilo de aprendizagem, entre outras preferˆencias de cada aprendiz; ou seja, o
desenvolvi-mento de um curso sob medida, o qual permite manter o aluno motivado e engajado nas
atividades de aprendizagem, objetivando um rendimento melhor.
A arquitetura cl´assica de um STI estabelece quatro m´odulos: tutor, comunica¸c˜ao,
dom´ınio e estudante. Esta pesquisa trata sobre o m´odulo do estudante, mais
especifica-mente sobre a adaptatividade ao n´ıvel de conhecimento do aprendiz. Entretanto, sempre
que necess´ario, recorrer-se-´a a outras pesquisas que se aplicam aos demais m´odulos e que
poder˜ao complementar a proposta deste trabalho, que adota o tema “Fundamentos de
Programa¸c˜ao Orientada a Objetos” como o dom´ınio do conhecimento.
Um STI pode complementar as aulas, oferecendo aos estudantes meios adicionais para
ajudar na obten¸c˜ao e na reten¸c˜ao de um conhecimento por meio de atividades extra-classe.
Nesse sentido, esfor¸cos tˆem sido dispendidos a fim de obter uma especifica¸c˜ao gen´erica
de STI, em que o sistema possa ser adaptado `as mais diversas ´areas do conhecimento,
mantendo-se a qualidade e o rendimento do processo de aprendizagem. No entanto, a
maioria dos STIs atuais ainda concentra-se em um dom´ınio de conhecimento espec´ıfico.
´
E sabido que lidar com o conhecimento do aprendiz envolve incerteza, uma vez que
nem professores, nem sistemas tutores podem medir com exatid˜ao o conhecimento do
estudante (WOOLF, 2009). N˜ao se pode saber com certeza, por exemplo, se um
apren-diz que leu o material sobre um determinado assunto obter´a boa nota na prova, j´a que
diversos fatores podem influenciar o desempenho do estudante, como, por exemplo,
pre-ferˆencias, estilos cognitivos e estado emocional (ONG; RAMACHADRAN, 2005). Diante
desse contexto de incertezas, a Rede Bayesiana ´e considerada uma t´ecnica de Inteligˆencia
Artificial recomendada (WOOLF, 2009), por empregar o racioc´ınio probabil´ıstico e por
ter sido concebida para lidar com ambientes de incertezas, pois permite “tomar decis˜oes
INTRODUC¸ ˜AO 15
Diante disso, esta pesquisa baseia-se nas Redes Bayesianas para tentar diagnosticar o
co-nhecimento do aprendiz e, a partir deste diagn´ostico, estabelecer uma sequˆencia de passos
eficaz para a aprendizagem.
Ap´os certo tempo de intera¸c˜ao com o estudante, professores desenvolvem uma
de-terminada percep¸c˜ao sobre o conhecimento do aprendiz. Professores mais experientes
conseguem inferir o conhecimento do estudante at´e mesmo observando as express˜oes
fa-ciais e a linguagem corporal do aprendiz (WOOLF, 2009). Apesar disso, realizar uma
avalia¸c˜ao inicial do conhecimento do aprendiz ´e de fundamental importˆancia para o
de-senvolvimento dele ao longo do curso, pois alguns estudantes ingressam no mercado de
trabalho antes mesmo de iniciar um curso de gradua¸c˜ao, enquanto outros ingressam mais
tarde. Os estudantes que j´a atuam profissionalmente, muitas vezes, dominam parte do
conhecimento a ser aprendido, diferentemente daqueles que ainda n˜ao trabalham. Sendo
assim, h´a, muitas vezes, um desnivelamento de conhecimento em sala de aula, o que torna
o curso cansativo para os mais experientes e avan¸cado demais para os inciantes1
. Diante
disso, cabe ao professor identificar disparidades de conhecimento e adaptar o curso, pelo
menos, `a maioria dos estudantes. De maneira an´aloga, o mesmo problema ocorre com
STIs, cuja principal raz˜ao de existˆencia ´e um processo de aprendizagem individualizado,
o qual somente pode ser desenvolvido por meio da adaptatividade do sistema ao aprendiz.
Assim, este trabalho tem como objetivo geral desenvolver um modelo de estudante capaz
de:
• sequenciar o conte´udo instrucional de uma forma adaptada ao conhecimento do
aprendiz, num curso de Fundamentos de Programa¸c˜ao Orientada a Objetos; e
• obter evidˆencias sobre o conhecimento do aprendiz, que possam ser utilizadas como
insumos para inferˆencias e decis˜oes que possibilitem o sequenciamento do conte´udo.
Para que o objetivo geral dessa pesquisa seja alcan¸cado, os seguintes objetivos
es-pec´ıficos foram definidos:
• Investigar as t´ecnicas de constru¸c˜ao de Redes Bayesianas na bibliografia existente;
1
INTRODUC¸ ˜AO 16
• Identificar os conceitos de Programa¸c˜ao Orientada a Objeto a serem modelados no
dom´ınio de conhecimento;
• Modelar a Rede Bayesiana com os conceitos estabelecidos e elaborar as tabelas de
probabilidade condicional (TPC) da rede;
• Definir os crit´erios da simula¸c˜ao inicial da rede e os poss´ıveis ajustes das
probabili-dades iniciais;
• Investigar as poss´ıveis t´ecnicas computacionais para avaliar e medir o conhecimento
do aprendiz;
• Definir simula¸c˜oes de caso a serem utilizadas para simular a avalia¸c˜ao do
conheci-mento do aprendiz e no sequˆenciaconheci-mento do do conte´udo.
• Especificar a arquitetura de um modelo de estudante capaz de se sequˆenciar o
conte´udo de acordo com o conhecimento do estudante;
• Estabelecer recomenda¸c˜oes e diretrizes para novos projetos.
“O ensino de Programa¸c˜ao Orientada a Objetos ´e considerado dif´ıcil” (BENNEDSEN;
CASPERSEN, 2004). Estudantes apresentam problemas at´e mesmo no entendimento dos
conceitos b´asicos (SAJANIEMI; KUITTINEN, 2008). O tempo limitado dos cursos e
a complexidade dos conceitos de Orienta¸c˜ao a Objetos inibem o aprofundamento
ade-quado no assunto (TEIF; HAZZAN, 2006). Al´em disso, fatores motivacionais tamb´em
influenciam a aprendizagem, portanto, ´e necess´ario haver um maior leque de recursos
de aprendizagem `a disposi¸c˜ao do estudante. ´E dentro desse contexto, que o
desenvolvi-mento de um STI para o aux´ılio na aprendizagem de fundadesenvolvi-mentos de orienta¸c˜ao a objetos,
tema deste trabalho, ´e considerado importante, uma vez que existem certos obst´aculos no
processo de aprendizagem de programa¸c˜ao de computadores que precisam ser superados.
S˜ao v´arios os trabalhos que prop˜oem formas de utiliza¸c˜ao de redes bayesianas na
mo-delagem do estudante, por´em poucos detalhes s˜ao fornecidos sobre como as evidˆencias
a respeito do conhecimento do aprendiz s˜ao obtidas e atualizadas na rede. Por isso, a
presente proposta visa contriburir com a possibilidade de estabelecer um elo entre redes
Co-INTRODUC¸ ˜AO 17
nhecimento (NAC) e Unidades de Avalia¸c˜ao (UA), que visam medir o conhecimento do
estudante.
A partir da ado¸c˜ao de um dom´ınio especifico de conhecimento: Fundamentos de Ori-enta¸c˜ao a Objetos, espera-se que os resultados alcan¸cados por este trabalho possam ser aplicados a Sistemas Tutores Iinteligentes em geral. A escolha de um dom´ınio especifico
foi motivada pela experiˆencia do autor.
S˜ao adotados os m´etodos descritivo e experimental para o desenvolvimento deste
trabalho. O m´etodo descritivo foi adotado com a finalidade de propor um modelo de
adaptatividade ao conhecimento do estudante, baseando-se em pesquisas j´a realizadas.
Primeiramente, apoiado nas pesquisas de Modelos de Estudantes em Redes Bayesianas
previamente estudados por Woolf (2009), Sotolongo, S´anchez e Valdivia (2007), Stamey
e Saunders (2005), Mayo e Mitrovic (2001), Gamboa e Fred (2001), Stern, Beck e Woolf
(1999) e Mislevy e Gitomer (1995) entre outros pesquisadores; e os conceitos de NAC,
Uni-dades de Avalia¸c˜ao e ontologia propostos por Pimentel (2006), procurou-se obter subs´ıdios
suficientes para a proposta de um modelo de adaptividade ao conhecimento.
A seguir, passou-se `a coleta e an´alise de dados, baseados em experimentos subjetivos
propostos pelo autor deste trabalho, especialista em Programa¸c˜ao Orientada a Objetos,
utilizando a Rede Bayesiana combinada com UA e NAC.
O cap´ıtulo 1 faz uma breve revis˜ao da arquitetura dos Sistemas Tutores Inteligentes
e aborda as quest˜oes relacionadas `a adaptatividade do sistema tutor `as caracter´ısticas do
aprendiz. Por fim, s˜ao apresentadas as justificativas para a ado¸c˜ao de Redes Bayesianas
para modelar o conhecimento do aprendiz.
No cap´ıtulo 2, apresenta-se uma vis˜ao geral sobre as Redes Bayesianas e como os
modelos de estudantes baseados em Redes Bayesianas s˜ao categorizados. Os conceitos de
UA e NAC e a importˆancia da avalia¸c˜ao formativa s˜ao descritos no cap´ıtulo 3.
O cap´ıtulo 4 exibe uma estrutura de Rede Bayesiana modelando fundamentos de
pro-grama¸c˜ao orientada a objetos, que prop˜oe o uso de UA e NAC como meios de evidˆencia do
conhecimento do aprendiz. Por fim, prop˜oe um algor´ıtmo, na forma de um fluxo, utilizado
para demonstrar como a rede bayesiana pode ser utilizada para auxiliar no sequenciamento
INTRODUC¸ ˜AO 18
por meio de casos, simulando a intera¸c˜ao entre estudantes e o modelo proposto, assim
como os resultados obtidos.
Por fim, o cap´ıtulo 6 exp˜oe a an´alise dos resultados obtidos, bem como contribui¸c˜ao
deste trabalho. Al´em disso, vislumbra-se sugest˜oes para trabalhos futuros relacionados
1
SISTEMAS TUTORES INTELIGENTES
Observadas diversas teorias, nota-se que n˜ao h´a um consenso entre os especialistas
sobre as caracter´ısticas que definem um Sistema Tutor Inteligente (STI) (WOOLF, 2009,
p 21). Entretanto, algumas caracter´ısticas comuns ser˜ao abordadas neste cap´ıtulo, para
descrever o conceito de adaptatividade adotado por este trabalho e contextualizar a
adap-tatividade dentro dos Sistemas Tutores Inteligentes. Na sequˆencia, ser´a apresentada a
arquitetura geral de STIs, a descri¸c˜ao de cada um de seus m´odulos, aprofundando-se no
modelo do aprendiz e discorrendo sobre as t´ecnicas de IA normalmente empregadas na
sua modelagem; justificando, assim, a ado¸c˜ao de Redes Bayesianas para a modelagem do
aprendiz. Por fim, discorrer-se-´a sobre a quest˜ao da inferˆencia sobre o conhecimento do
aprendiz.
1.1
CONCEITO DE ADAPTATIVIDADE
Uma das caracter´ısticas fundamentais de um STI ´e a sua capacidade de adapta¸c˜ao ao
estudante. Muitas vezes, a quest˜ao da adaptatividade em STIs ´e abordada de maneira
conceitual, desconsiderando a necessidade de se entender claramente como ela pode ser
empregada de uma maneira pr´atica dentro de STI.
1.1.1 Adaptatividade X Adaptabilidade
Neste trabalho os termos “adaptabilidade” e “adaptatividade” s˜ao empregados para
conceitos distintos. Segundo Oppermann, Rashev e Kinshuk (1997), a adapta¸c˜ao de
um ambiente de aprendizagem ao aprendiz pode ocorrer “por meio de adaptabilidade e
adaptatividade” e explicam que:
Sistemas que permitem o usu´ario alterar certos parˆametros de sistema e adaptar seus comportamentos [...] s˜ao chamadosadapt´aveis. Sistemas que se adaptam aos usu´arios automaticamente baseados nas dedu¸c˜oes do sistema sobre as necessidades do usu´ario s˜ao chamados adaptativos
(p. 1)2 .
Aplica¸c˜oes de escrit´orio s˜ao normalmente utilizadas por longos per´ıodos de tempo e
permitem ao usu´ario parametrizar suas preferˆencias (adaptabilidade). J´a os Sistemas de
2
CAP´ITULO 1. SISTEMAS TUTORES INTELIGENTES 20
aprendizagem s˜ao normalmente utilizados por curto per´ıodo de tempo, durante o qual
o aprendiz estuda um determinado assunto, portanto, ´e recomendado que esses sistemas
se adaptem automaticamente ao usu´ario (OPPERMANN; RASHEV; KINSHUK, 1997).
Observa-se, diante disso, que as ferramentas de trabalho di´ario, utilizadas por longo
tempo, exigem certa especializa¸c˜ao do usu´ario para parametriz´a-las e utiliz´a-las.
Dife-rentemente das aplica¸c˜oes de aprendizagem que s˜ao normalmente utilizadas para atender
necessidades pontuais de treinamento por per´ıodo limitado de tempo, por isso, n˜ao
se-ria recomendado exigir especializa¸c˜ao do usu´ario para sua utiliza¸c˜ao. Logo as aplica¸c˜oes
devem ser adapt´aveis ao usu´ario. Outra raz˜ao que leva `a necessidade de um sistema de
aprendizagem se auto-adaptar ao aprendiz ´e o fato de que em determinadas situa¸c˜oes o
estudante n˜ao consegue explicitar claramente algumas de suas caracter´ısticas individuais
(BOGNAR; SAOTOME; OMAR, 2005, p 1316).
Complementando, Neto (2007, p. 1) define a adaptatividade como “[...] a capacidade
que tem um sistema de, sem a interferˆencia de qualquer agente externo, tomar a decis˜ao
de modificar seu pr´oprio comportamento, em resposta ao seu hist´orico de opera¸c˜ao e aos
dados de entrada”.
Aplicando essa defini¸c˜ao no contexto de STIs, podemos interpretar o “hist´orico de
opera¸c˜ao” como o hist´orico dos resultados das a¸c˜oes passadas do aprendiz, e “dados de
entrada” como os resultados das intera¸c˜oes atuais do aprendiz.
1.1.2 Objetos da Adaptatividade
STI ´e um vasto campo para pesquisas, principalmente, no que diz respeito `a
imple-menta¸c˜ao de adaptatividade, que objetiva melhorar a aquisi¸c˜ao, a pr´atica e a reten¸c˜ao do
conhecimento pelo aprendiz. Diversas s˜ao as vari´aveis que podem influenciar o
desempe-nho do estudante (figura 1). Algumas vari´aveis podem ser medidas diretamente como, por
exemplo, a pontua¸c˜ao de um estudante em uma determinada atividade; outras vari´aveis
somente podem ser estimadas. Normalmente, as informa¸c˜oes que permitem a tomada de
decis˜ao sobre as a¸c˜oes instrucionais e que permitem a adaptatividade do sistema tutor ao
estudante s˜ao as vari´aveis estimadas (ONG; RAMACHADRAN, 2005, p 9).
Para que a adapta¸c˜ao seja completa, um STI deve se adaptar `as preferˆencias,
CAP´ITULO 1. SISTEMAS TUTORES INTELIGENTES 21
Figura 1: Rela¸c˜oes causais entre os atributos do estudante. Os retˆangulos de linhas espessas representam as vari´aveis observ´aveis, enquanto os demais representam as vari´aveis estimadas. Fonte: (ONG; RAMACHADRAN, 2005, p 9).
outras vari´aveis as quais o aprendiz est´a sujeito. De um lado, algumas caracter´ısticas,
tais como fatores da personalidade e de estilo de aprendizagem, s˜ao, na maioria das
ve-zes, imut´aveis ou levam um longo per´ıodo de tempo para mudar. Tais caracter´ısticas
necessitam de testes psicol´ogicos especiais (BRUSILOVSKY, 2001, p 96) para serem
di-agnosticadas. O conhecimento, por outro lado, ´e uma caracter´ıstica em que a mudan¸ca ´e
mais percept´ıvel.
Ao abordar a quest˜ao da adaptatividade do conte´udo instrucional, Mustaro e Silveira
(2006) adotam o estilo de aprendizagem e inteligˆencia do aprendiz sob a ´otica de Felder,
Kolb e Gardner. Para Mustaro e Silveira o conte´udo instrucional, implementado por meio
de Objetos de Aprendizagens (OAs), deve se adaptar ao perfil individual do aprendiz e
ser selecionado por meio de uma “medida multi-dimensional”, que considera os estilos de
aprendizagem de cada indiv´ıduo e fatores como o ambiente, quest˜oes inter-relacionais e
aspectos psicol´ogicos.
A adaptatividade ao aprendiz envolve v´arias dimens˜oes. Baseando-se em Mustaro e
Silveira (2006), pode-se dizer que os estilos de Felder representam a primeira, os estilos
de Kolb a segunda, e as inteligˆencias m´ultiplas de Gardner, a terceira dimens˜ao, e
acres-centando o “n´ıvel de conhecimento” do estudante como uma quarta dimens˜ao, chega-se
ao modelo ilustrado na figura 2. Essa figura ilustra, por meio de circunferˆencias, que
um OA deve endere¸car o estilo, a inteligˆencia e o conhecimento do aprendiz, ou seja, a
CAP´ITULO 1. SISTEMAS TUTORES INTELIGENTES 22
o curso. Portanto, OAs devem ser projetados tendo em vista o conhecimento do aprendiz
em determinado instante, raz˜ao pela qual a quantidade de OAs pode ser elevada. O c´ırculo
mais espesso representa a dimens˜ao do conhecimento, a ´unica dimens˜ao de adaptatividade
abordada nos cap´ıtulos seguintes neste trabalho.
Figura 2: Dimens˜oes para adapta¸c˜ao de um Objeto de Aprendizagem ao perfil do aprendiz.
1.2
ARQUITETURA DOS SISTEMAS TUTORES
A arquitetura cl´assica de um STI envolve os modelos do estudante, dom´ınio, tutor
e interface (figura 3). Observa-se a partir dessa figura que os modelos apresentam forte
interdependˆencia entre si. Modelos adicionais podem ser implementados dependendo da
especialidade do sistema tutor. A seguir ´e feita uma breve descri¸c˜ao de cada modelo.
Modelo do Estudante: Modela a estrutura pela qual os dados relacionados ao aprendiz s˜ao armazenados e recuperados pelo STI. Mantem o estado mental atual e o hist´orico
do aprendiz.
CAP´ITULO 1. SISTEMAS TUTORES INTELIGENTES 23
Figura 3: Arquitetura cl´assica de um STI. Fonte: (GAVIDIA; ANDRADE, 2003, p 8).
ser estudado, como s˜ao armazenados e recuperados incluindo conceitos, exerc´ıcios,
dicas, informa¸c˜oes, etc.
Modelo do Tutor: Define a estrat´egia did´atica. “Direciona a intera¸c˜ao entre o sistema e o estudante” (OMAR; LEITE, 1998). Com base no estado mental obtido por
meio do modelo do estudante, decide qual conte´udo deve ser apresentado e quando
o estudante est´a pronto para passar para a pr´oxima fase.
Modelo da Interface: Tamb´em chamado de “Modelo de Comunica¸c˜ao”, ´e composto geralmente de recursos multim´ıdia e ´e respons´avel pela forma como esse conte´udo
´e exposto ao aprendiz. “Permite a comunica¸c˜ao entre o sistema e os estudantes, e
vice-versa” (OMAR; LEITE, 1998).
A adaptatividade pode ser implementada em mais de um modelo simultaneamente.
Por exemplo, enquanto o modelo do estudante, a partir da intera¸c˜ao, se adapta `as
carac-ter´ısticas do aprendiz; o modelo do dom´ınio pode se adaptar, classificando e selecionando
conte´udos (problemas, exerc´ıcios, textos) com os quais o aprendiz poder´a aprender com
mais facilidade.
1.3
OBJETOS DE APRENDIZAGEM
Ainda n˜ao h´a um consenso na defini¸c˜ao do termo Objeto de Aprendizagem (BOYLE
et al., 2003, p 2). Para o escopo deste trabalho, considera-se um Objeto de Aprendizagem
CAP´ITULO 1. SISTEMAS TUTORES INTELIGENTES 24
(WILEY, 2002): “qualquer recurso digital que pode ser reutilizado para apoiar a apren-dizagem”
(POLSANI, 2003): “uma unidade de conte´udo de aprendizagem independente e auto contida que ´e predisposta para ser reutilizada em m´ultiplos contextos instrucionais”
(ADAMCHIK; GUNAWARDENA, 2003): “um m´odulo integrado contendo o texto principal, exemplos de c´odigos, quest˜oes de revis˜ao, material suplementar e exerc´ıcios
de programa¸c˜ao”
A primeira defini¸c˜ao especifica que um OA deve ser digital e reutiliz´avel. A segunda
atenta para o fato de que o OA deve se concentrar em um conte´udo restrito de
conheci-mento. A terceira considera quais recursos normalmente visuais podem ser empregados
em um OA: texto, imagem, exemplos, etc.
Este trabalho considera a abordagem de objetos de aprendizagem de Boyle et al.
(2003) como a mais adequada, por ir ao encontro das defini¸c˜oes acima, ou seja, objetos
de aprendizagem independentes, “cada qual organizado acerca de um objetivo de apren-dizagem bem claro” 3
. Complementando com Mustaro e Silveira (2006, p. 40), OAs s˜ao
“[...]componentes capazes de comunicar uma ´unica id´eia ou uma s´erie de conceitos que
representam uma unidade de aprendizagem com senso completo[...]” 4
. Por exemplo,
den-tro de um contexto de programa¸c˜ao de computadores, podemos considerar a declara¸c˜ao
e a inicializa¸c˜ao de vari´aveis como uma unidade de aprendizagem individual. Um OA
normalmente emprega gr´aficos, textos e anima¸c˜ao, prop˜oe problemas e permite que o
estudante resolva-os de forma interativa.
Um OA deve tamb´em considerar as caracter´ısticas individuais de cada estudante.
Para que isso seja poss´ıvel, um OA deve endere¸car, al´em do conte´udo de aprendizagem,
o n´ıvel de conhecimento e o estilo do aprendiz. Uma maneira de conseguir isso ´e por
meio do desenvolvimento de v´arios OAs, cada qual para uma necessidade espec´ıfica de
conhecimento, estilo de aprendizagem e “tipo de inteligˆencia”.
Mustaro e Silveira (2006) prop˜oem uma arquitetura que pressup˜oe a existˆencia de um
reposit´orio de OAs (figura 4). Um OA ´e selecionado por filtros que consideram os estilos
3
Tradu¸c˜ao do autor
4
CAP´ITULO 1. SISTEMAS TUTORES INTELIGENTES 25
de aprendizagem propostos por Kolb e Felder, al´em das inteligˆencias m´ultiplas de Gardner
para “determinar qual objeto dentro de um reposit´orio seria mais precisamente adequado a
um certo contexto educacional”. Um exemplo pr´atico ´e apresentado por Matos, Mustaro e
Silveira (2007, p 556), que ilustra um OA para o estudo de ˆangulos para um estudante com
inteligˆencia espacial, ou seja, um OA deve ser selecionado na medida do conhecimento
e caracter´ısticas de personalidade espec´ıficas do estudante (figura 5), e isso somente ´e
poss´ıvel se houver um reposit´orio repleto de OAs.
Al´em das quest˜oes descritas acima, um OA deve tamb´em proporcionar uma
com-bina¸c˜ao de cores, imagens, anima¸c˜oes e textos dentro de um contexto visual e harmonioso
para manter a aten¸c˜ao e motiva¸c˜ao do estudante. Jones e Boyle (2007) prop˜oem o uso
de padr˜oes de desenvolvimento espec´ıficos para OAs relacionados com o estudo de
pro-grama¸c˜ao de computadores.
Neste trabalho ´e abordado exclusivamente a adaptatividade do STI ao conhecimento
do aprendiz. Uma das formas de adapta¸c˜ao do sistema ao estudante pode ser por meio da
interatividade do aprendiz com o OA, em maior ou menor grau. Pesquisas indicam que
estudantes menos proficientes beneficiam-se mais com conte´udos mais longos e interativos,
por exemplo, quando o sistema oferece mais sugest˜oes e realiza mais exerc´ıcios. Por outro
lado, estudantes mais proficientes se beneficiam mais com conte´udos mais passivos, ou
seja, mais curtos e com menos interatividade. Entretanto, ambos se beneficiam quando a
CAP´ITULO 1. SISTEMAS TUTORES INTELIGENTES 26
Figura 4: Arquitetura para OAs adaptativos.
Fonte: (MUSTARO; SILVEIRA, 2006, p 41, tradu¸c˜ao do autor).
1.4
O MODELO DO ESTUDANTE
O Modelo do Estudante determina em grande parte a adaptatividade de um STI
(OMAR; LEITE, 1998). Uma das raz˜oes para se ter um modelo do aprendiz ´e fazer
inferˆencias e obter informa¸c˜oes que possam conduzir a mudan¸ca de estrat´egia do tutor,
engajar e manter o interesse do estudante a fim de promover a aprendizagem (WOOLF,
2009). Seja qual for o modelo de aprendiz, sempre ser´a uma simplifica¸c˜ao da realidade
cognitiva do aprendiz (MISLEVY; GITOMER, 1995, p 3), j´a que se trata de uma
repre-senta¸c˜ao. A representa¸c˜ao do conhecimento do estudante est´a no centro das aten¸c˜oes de
um modelo de estudante e objetiva fornecer informa¸c˜oes relevantes para que o tutor possa
se “comportar de forma inteligente” (WOOLF, 2009, p 55).
Entre as t´ecnicas de IA utilizadas para modelar o aprendiz encontram-se, L´ogica
CAP´ITULO 1. SISTEMAS TUTORES INTELIGENTES 27
Figura 5: Exemplo de um OA para o ensino de ˆangulos para um aluno com inteligˆencia espacial. Fonte: (MATOS; MUSTARO; SILVEIRA, 2007, p 556, tradu¸c˜ao do autor).
L´ogica Formal “Um dos primeiros e mais bem sucedidos objetos de pesquisa da Inte-ligˆencia Artificial” 5
(WOOLF, 2009, p 86), utiliza senten¸cas para expressar fatos
de um mundo poss´ıvel (chamado de modelo) por meio de s´ımbolos que representam
objetos, rela¸c˜oes e fun˜oes, possuindo uma semˆantica que define as regras para
inter-pretar se uma senten¸ca ´e verdadeira ou falsa em rela¸c˜ao a um determinado modelo.
Em uma senten¸ca normalmente s˜ao referenciados objetos, propriedades ou rela¸c˜oes.
Russell e Norvig (2003, p 234) fornecem o seguinte exemplo:
O perverso rei Jo˜ao governou a Inglaterra em 1200. Objetos: Jo˜ao, Inglaterra, 1200. Rela¸c˜ao: governou. Proprie-dades: perverso, rei.
´
E poss´ıvel construir uma base de conhecimento a respeito de um modelo por meio
de um grupo de senten¸cas a partir do qual, conforme Woolf (2009, p 83), o
meca-nismo de inferˆencia “toma um conjunto de senten¸ca aceitas como verdade sobre uma
situa¸c˜ao e determina quais outras senten¸cas a respeito da mesma situa¸c˜ao precisam
tamb´em ser verdade”6 .
5
Traduzido pelo autor.
6
CAP´ITULO 1. SISTEMAS TUTORES INTELIGENTES 28
Entretanto, alguns autores, tais como Marengoni (1998) e Woolf (2009), sugerem
que os m´etodos probabil´ısticos s˜ao mais adequados para lidar com incerteza do que
a l´ogica formal e “o racioc´ınio humano n˜ao ´e perfeitamente l´ogico [...]” (WOOLF,
2009, p 88,92).
L´ogica Fuzzy permite lidar com imprecis˜ao e assemelha-se ao racioc´ınio humano ao li-dar com conceitos vagos. Permite classificar resultados como “bom”, “quase-bom”,
“regular”. Embora apresente v´arias vantagens em rela¸c˜ao a outras t´ecnicas de IA,
possui uma limita¸c˜ao: uma vez que tenha atingido uma determinada cren¸ca, n˜ao
consegue se ajustar mesmo ap´os longo per´ıodo de intera¸c˜ao com o aprendiz
(WO-OLF, 2009, p 280). A maioria dos autores n˜ao a consideram uma t´ecnica de
ra-cioc´ınio perante incerteza (MARENGONI, 1998).
Redes Neurais s˜ao inspiradas no c´erebro humano e simulam redes de neurˆonios interco-nectados. Normalmente, precisam de treinamento antes de poder fazer inferˆencias
com dados reais e podem ser empregadas para classifica¸c˜ao. Uma cr´ıtica `as
Re-des Neurais ´e que possuem “muitos parˆametros livres para configurar” (STERN;
BECK; WOOLF, 1999). De fato Russell e Norvig (2003, p 755) explicam que,
embora muito utilizadas, “Redes Neurais s˜ao fun¸c˜oes n˜ao-lineares complexas com
muitos parˆametros”.
O uso de Redes Bayesianas tem sido defendida por pesquisadores baseados nas
se-guintes justificativas:
Redes Bayesianas , tamb´em chamadas de Rede de Cren¸cas, utilizam m´etodos proba-bil´ısticos para modelar rela¸c˜oes de causa e efeito em um determinado dom´ınio. ´E
baseada no argumento de que tanto tutores computacionais quanto tutores humanos
agem sob incerteza pois n˜ao ´e poss´ıvel saber com precis˜ao o grau de conhecimento
de um aprendiz, nem quanto uma determinada a¸c˜ao do tutor pode influenciar o
aprendiz. Ou seja “Redes Bayesianas fornecem um caminho para raciocinar sobre
as cren¸cas parciais a respeito de um estudante `a luz da incerteza e raciocinar sob
m´ultiplos peda¸cos de evidˆencias” (WOOLF, 2009, p 93).
Este trabalho adota Rede Bayesiana como mecanismo de inferˆencia, considerando
CAP´ITULO 1. SISTEMAS TUTORES INTELIGENTES 29
um estudante para que o modelo tutor possa selecionar o Objeto de Aprendizagem mais
adequado ao grau de conhecimento estimado. Ou seja, a cada passo do curso, ´e selecionado
um entre os v´arios objetos de aprendizagem armazenados no reposit´orio que apresenta
semelhan¸ca `as caracter´ısticas de conhecimento do aprendiz em um determinado instante.
2
REDES BAYESIANAS NA MODELAGEM DO
APRENDIZ
Este cap´ıtulo apresenta uma vis˜ao geral sobre Redes Bayesianas (RBs), com enfoque
na abordagem adotada por este trabalho. A primeira sess˜ao descreve em linhas gerais
o que s˜ao, como funcionam e onde s˜ao aplicadas. Na sequˆencia, apresenta exemplos de
aplica¸c˜ao de RBs na modelagem do conhecimento aprendiz.
2.1
REDES BAYESIANAS
Thomas Bayes, no s´eculo 18, desenvolveu uma f´ormula matem´atica com o objetivo
de calcular probabilidades entre vari´aveis que apresentam rela¸c˜ao de causa e efeito e n˜ao
podem ser diretamente medidas por experimenta¸c˜ao. Redes Bayesianas (RBs) se baseiam
nessa f´ormula de Thomas Bayes. A primeira formula¸c˜ao de uma RB em computador foi
realizada por Judea Pearl, na d´ecada de 80 (WOOLF, 2009, p 245). As pesquisas com
RBs se intensificaram a partir da d´ecada de 90 (MARQUES; DUTRA, 1999).
As RBs s˜ao utilizadas em diversas aplica¸c˜oes, entre elas: reconhecimento de voz,
re-conhecimento de linguagem natural, modelagem de usu´ario, diagn´osticos m´edicos, an´alises
forenses, diagn´osticos de erros, computa¸c˜ao visual, compress˜ao de dados, an´alises gen´eticas,
al´em de astronomia (WOOLF, 2009, p 245).
As RBs empregam a teoria de grafos e a teoria de probabilidades para modelar rela¸c˜oes
de causa e efeito entre vari´aveis aleat´orias. As vari´aveis s˜ao representadas por v´ertices e
suas rela¸c˜oes s˜ao representadas por arestas direcionadas. Cada v´ertice possui um conjunto
de estados finitos mutuamente exclusivos e a influˆencia de cada estado de uma vari´avel
sobre a outra ´e medida pela tabela de probabilidades condicionais (CPT). Um
exem-plo ´e ilustrado na figura 6 na qual o grau de conhecimento do “Conceito X” influencia diretamente as probabilidades de um aprendiz saber resolver os exerc´ıcios 1 e 2.
A probabilidade em uma RB ´e uma medida de grandeza situada entre os valores 0 e
1. Quando tende a 1, significa que h´a um maior grau de cren¸ca na veracidade de que um
evento ocorreu ou pode ocorrer. Entende-se o oposto quando essa medida tende a 0. A
CAP´ITULO 2. REDES BAYESIANAS NA MODELAGEM DO APRENDIZ 31
entre conhecimento (causa) e a¸c˜ao (efeito). De acordo com esse exemplo, um maior ou
menor grau de cren¸ca de que um aprendiz conhe¸ca o “Conceito X” influencia o grau de cren¸ca de que o aprendiz possa efetuar os exerc´ıcios 1 e 2. Ou seja, se o aprendiz possuir
maior proficiˆencia no “Conceito X” (Causa) ter´a mais chances de sucesso nos exerc´ıcios 1 e 2 (Efeito).
Figura 6: Exemplo de Rede Bayesiana.
Nessa rede, no v´ertice superior (Conceito X) as probabilidades dos estados Bom, M´edio e Fraco s˜ao iguais (0,33333) porque n˜ao se conhece o grau de conhecimento an-terior do estudante, ou seja, ainda n˜ao h´a evidˆencia do conhecimento do aprendiz nesse
conceito. N˜ao se sabe se o n´ıvel do conhecimento do aprendiz sobre esse conceito ´e bom,
m´edio ou fraco. Nesse instante, portanto, a probabilidade ´e igual para os trˆes estados.
En-tretanto, as probabilidades relacionando o v´ertice “Conceito X” e os v´ertices “Exerc´ıcio 1” e “Exerc´ıcio 2” foram pr´e-definidas pelo especialista. Por exemplo, pode-se interpretar que, dado que o conhecimento doConceito X ´e “m´edio”, a probabilidade de o aprendiz re-solver oexerc´ıcio 1 ´e de 0,75 verdade e 0,25 falso, ou seja, h´a cren¸ca de que essa proposi¸c˜ao seja mais verdadeira do que falsa. Essas probabilidades est˜ao descritas diretamenta na
CAP´ITULO 2. REDES BAYESIANAS NA MODELAGEM DO APRENDIZ 32
senten¸ca pode ser representada da seguinte forma:
P(Exerc´ıcio1=verdade|ConceitoX=M´edio) = 0,75
Que se lˆe: “A probabilidade de o estudante saber efetuar o Exerc´ıcio 1, dado que seu conhecimento sobre o Conceito X ´e M´edio, ´e de 0,75 . Isto ´e, acredita-se que o estudante possui 0,75 de chance de acertar o “Exerc´ıcio 1” porque seu conhecimento sobre o “Conceito X” ´e “M´edio”.
Inferˆencias podem ser dedutivas ouindutivas (figura 7). Inferˆencia Dedutiva parte do mais geral para o particular, ou seja, dacausa para o efeito. Inferˆencia Indutiva ocorre na dire¸c˜ao contr´aria, do particular para o geral, do efeito para a causa. A dire¸c˜ao das setas indicam o fluxo dedutivo. Redes Bayesianas permitem inferˆencias nos dois sentidos
(MISLEVY; GITOMER, 1995, p 11).
Figura 7: Dire¸c˜oes poss´ıveis de inferˆencias em Redes Bayesianas.
Na estrutura de uma Rede Bayesiana pode haver dois tipos de vari´aveis: observ´aveis en˜ao-observ´aveis.
Vari´aveis observ´aveis s˜ao aquelas que podem ser medidas diretamente. Na figura 6 a vari´avel “Exerc´ıcio 1” ´e observ´avel porque poderia-se medir, por exemplo, o n´umero de quest˜oes acertadas pelo aprendiz ao tentar resolver o exerc´ıcio.
Vari´aveis n˜ao-observ´aveis s˜ao aquelas que n˜ao podem ser medidas diretamente, toda-via, podem ser estimadas. Na figura 6 a vari´avel “Conceito X” somente pode ser estimada pois representa o grau de conhecimento do aprendiz sobre um conceito,
CAP´ITULO 2. REDES BAYESIANAS NA MODELAGEM DO APRENDIZ 33
Explica¸c˜oes mais detalhadas sobre Redes Bayesianas podem ser encontradas em
Jen-sen e NielJen-sen (2007), Russell e Norvig (2003), Marengoni (1998), Marques e Dutra (1999),
Cowell (1999), D’Ambrosio (1999). Al´em desses, tˆem-se os seguintes autores que
abor-dam o uso de Redes Bayesianas em sistemas tutores inteligentes: Woolf (2009), Mislevy e
Gitomer (1995), Bognar, Saotome e Omar (2005), Mayo e Mitrovic (2001), Hibou e Labat
(2006), Gamboa e Fred (2001), Stern, Beck e Woolf (1999).
2.2
MODELAGEM DO APRENDIZ COM REDES
BAYESIA-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
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
CAP´ITULO 2. REDES BAYESIANAS NA MODELAGEM DO APRENDIZ 36
resultam no conhecimento geral (`a esquerda). Os estadosespecialista, 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
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
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
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.
3.2
UNIDADES DE AVALIAC
¸ ˜
AO
Pimentel (2006) prop˜oe o uso de ontologia para representar o conhecimento de forma
hier´arquica. A figura 11 apresenta um exemplo dessa hierarquia, em que se usa o exemplo
do conceito de mem´oria do computador. Nesse exemplo, para se saber como funciona
a Mem´oria do Computador, ´e necess´ario entender o conceito de Vari´avel, que, por sua vez, requer que se entenda os conceitos de Identificador de vari´avel, Tipos de Dados Primitivos, Tipos de Dados Estruturados e Vetor Unidimensional. Considera-se que um aprendiz entende como ´e organizada a mem´oria de um computador quando ele possui
certo grau de dom´ınio de conhceimento sobre os conceitos dos n´ıveis abaixo. Os conceitos
s˜ao organizados em rela¸c˜oes de subordina¸c˜ao, sendo que cada conceito (ou sub-conceito)
deve ter pelo menos um objetivo espec´ıfico que o estudante deve aprender. Essa rela¸c˜ao
entre conceito e objetvos de aprendizagem ´e demonstrada na tabela 1.
Figura 11: Exemplo de Hierarquia de Conhecimentos. Esse grafo representa o relacionamento entre os conceitos descritos em uma ontologia.
CAP´ITULO 3. N´IVEL DE AQUISIC¸ ˜AO DE CONHECIMENTO (NAC) 40
Tabela 1: Conte´udo X Objetivos
CONTE ´UDO OBJETIVOS ASSOCIADOS AO CONCEITO Vari´avel
Conceito Obj1 - Definir o que ´e uma vari´avel
Declara¸c˜ao de Vari´aveis Obj2 - Saber declarar vari´aveis a partir de um problema
Identificador Obj3 - Definir o que ´e um identificador e as regras para a forma¸c˜ao deles Tipos de Dados Obj4 - Definir o que ´e tipo de dados
... Objx - Relacionar os tipos de dados primitivos
... Objy - Indicar quais os valores que cada tipo de dados pode assumir
... ...
... ...
Fonte: (PIMENTEL, 2006).
Essa representa¸c˜ao do conhecimento de forma hier´arquica permite que uma Unidade
de Avalia¸c˜ao (UA) seja associada a um conceito. Uma UA pode envolver um ou mais
objetivos de aprendizagem (figura 12), cada objetivo associado a um ´unico conceito.
Figura 12: Rela¸c˜ao da Unidade de Avalia¸c˜ao com Objetivos e Conceitos. Fonte: (PIMENTEL, 2006).
Por outro lado, pode-se haver mais do que um objetivo associado a um mesmo
con-ceito. A tabela 2 mostra um exemplo de Unidade de Avalia¸c˜ao, na qual ´e apresentado um
exerc´ıcio para o estudante escrever um programa de computador. Durante essa atividade,
avalia-se a proficiˆencia do estudante em v´arios conceitos. O fato de um conceito poder
possuir mais do que um objetivo de aprendizagem, significa que um mesmo conceito pode
estar associado a UAs diferentes, de tal forma que objetivos relacionados a um mesmo
conceito podem ser avaliados em momentos distintos durante o treinamento. Um exemplo
disso ´e o objetivo “Declarar Vari´aveis” que normalmente faz parte de uma atividade de programa¸c˜ao de computadores. O sistema pode, sempre que for proposto ao aprendiz
CAP´ITULO 3. N´IVEL DE AQUISIC¸ ˜AO DE CONHECIMENTO (NAC) 41
curso de linguagem de programa¸c˜ao), reavaliar esse objetivo como forma de detectar
al-gum engano do aprendiz em rela¸c˜ao ao conceito associado. Um bom desempenho em uma
UA n˜ao garante que o aprendiz realmente entendeu um conceito, por isso a reavalia¸c˜ao de
um mesmo conceito ´e importante n˜ao somente para certificar que o aprendiz realmente o
compreendeu, mas tamb´em que ele reteve o conhecimento.
Tabela 2: Uma Unidade de Avalia¸c˜ao e a rela¸c˜ao com objetivos e conceitos.
Escreva um algoritmo para calcular e imprimir a m´edia entre duas notas que devem ser lidas via teclado. Imprimir tamb´em uma mensagem indicando se o aluno foi aprovado ou reprovado, sabendo que para aprova¸c˜ao o aluno deve obter m´edia maior ou igual a 6.0.
OBJETIVOS Declarar vari´aveis Utilizar comandos de entrada de dados Utilizar operadores aritm´eticos Utilizar comandos de sa´ıda de dados Utilizar instru¸c˜ao de desvio simples
CONCEITOS Vari´aveis Entrada de Dados Operadores Aritm´eticos Sa´ıda de Dados Comandos Condicionais Fonte: (PIMENTEL, 2006).
3.3
VIS ˜
AO GERAL DO NAC
O N´ıvel de Aquisi¸c˜ao de Conhecimentos (NAC) nas palavras de Pimentel (2006, p
128) ´e “uma medida que indica o grau de conhecimento do aprendiz em um determinado
conte´udo, de um dom´ınio de conhecimento, naquele instante”. ´E um indicador calculado
para cada conceito a partir de Unidades de Avalia¸c˜ao consecutivas. A cada nova UA o
indicador ´e atualizada para cada um dos conceitos envolvidos na UA. A tabela 3 mostra
um exemplo de NAC para os conceitos A, B, C e D. As linhas representam os conceitos
A, B, C e D. A coluna T0 representa o valor inicial do NAC. As colunas T1, ...,T10 representam cada UA individual.
O NAC ´e um ´ındice que situa-se entre os valores 0 e 1. Se o NAC de um conceito
for igual a zero ap´os uma avalia¸c˜ao significa que o aprendiz n˜ao possui conhecimento
sobre aquele conceito espec´ıfico. Assim, O NAC pode variar conforme o desempenho do
aprendiz. ´E computado a partir das notas obtidas em cada UA individual. Na figura 13,
no eixo X est˜ao representado os tempos. T0 ´e valor inicial do NAC normalmente obtido
por meio de question´arios ou exerc´ıcios de pr´e-avalia¸c˜ao do aprendiz antes de iniciar o
CAP´ITULO 3. N´IVEL DE AQUISIC¸ ˜AO DE CONHECIMENTO (NAC) 42
tempo de intera¸c˜ao entre o aprendiz e o sistema. Observando-se esse gr´afico, verifica-se
que o NAC pode variar com o tempo. Uma varia¸c˜ao inst´avel em um determinado conceito,
pode indicar que o aprendiz ainda n˜ao adquiriu proficiˆencia suficiente no conceito.
Tabela 3: Resultado de Desempenhos do Aprendiz em 10 Atividades de Avalia¸c˜ao.
CONCEITO T0 T1 T2 T3 T4 T5 T6 T7 T8 T9 T10
A 0,0 0,5 0,7 0,4 0,8 0,4 0,8 0,8 1,0 0,9 0,9 B 0,5 0,2 0,5 0,5 0,4 0,5 0,5 0,7 0,6 0,7 0,8 C 0,7 0,7 0,8 0,9 0,9 1,0 1,0 1,0 1,0 1,0 1,0 D 0,0 0,2 0,0 0,3 0,1 0,3 0,2 0,2 0,4 0,3 0,4
Fonte: (PIMENTEL, 2006).
Figura 13: Evolu¸c˜ao do Desempenho do Aprendiz nos conceitos A, B, C e D. Fonte: (PIMENTEL, 2006).
Para se obter o NAC, Pimentel (2006) sugere o c´alculo de uma m´edia ponderada em
fun¸c˜ao do tempo, por exemplo: T1=1, T2=2, T3=3, ...,T10=10. Isso permite
ameni-zar os “desempenhos iniciais ruins sem, no entanto, desconsiderar as avalia¸c˜oes iniciais”.
Por exemplo, se na primeira avalia¸c˜ao o resultado T1=0 e na segunda T2=8, uma m´edia
CAP´ITULO 3. N´IVEL DE AQUISIC¸ ˜AO DE CONHECIMENTO (NAC) 43
na segunda avalia¸c˜ao o aprendiz teve um desempenho muito melhor. Utilizando a m´edia
ponderada (equa¸c˜ao 2) ter´ıamos NAC=0,53. `A medida que novas UAs s˜ao realizadas,
a m´edia ponderada tende a reduzir desvios ocorridos no in´ıcio das avalia¸c˜oes mais
ra-pidamente do que a m´edia aritm´etica, por isso, ´e mais recomendada para o c´alculo do
NAC.
N AC1 =
T1 +T2
2 =
0 + 0,8
2 = 0,4 (1)
N AC2 =
(T1•1) + (T2•2)
1 + 2 =
0 + 1,6
3 = 0,53 (2)
Al´em do acompanhamento do desempenho do aprendiz, o NAC permite tamb´em
ve-rificar a adequa¸c˜ao do conte´udo. Um desempenho inst´avel pode representar um conte´udo
educacional inadequado, uma vez que o objetivo ´e sempre elevar o conhecimento do
apren-diz. No cap´ıtulo 4 ser´a apresentada uma proposta na qual pretende-se utilizar o NAC
como ferramenta de atualiza¸c˜ao de evidˆencias de uma Rede Bayesiana para fazer
4
UM MODELO DE APRENDIZ PARA
FUNDA-MENTOS DE PROGRAMAC
¸ ˜
AO ORIENTADA
A OBJETOS
Este cap´ıtulo prop˜oe um modelo de aprendiz para o estudo de fundamentos de
pro-grama¸c˜ao orientada a objetos (POO) baseado em Rede Bayesiana (RB). Descreve-se a
estrutura do conhecimento utilizada na modelagem, e explicado o padr˜ao estrutural da
rede. Prop˜oe-se a utiliza¸c˜ao dos conceitos de NAC e UA de Pimentel e Omar (2006),
abor-dados no cap´ıtulo 3, como ferramentas de atualiza¸c˜ao da Rede Bayesiana. Na seq¨uˆencia,
´e descrita a topologia da rede e como ela pode ser utilizada para se tomar decis˜os. Por
fim, ´e explicado como o modelo proposto se harmonizaria com os outros m´odulos de um
sistema tutor inteligente(STI).
4.1
FUNDAMENTOS DE POO MODELADOS COM REDE
BAYESIANA
4.1.1 Vis˜ao geral da rede bayesiana
O primeiro passo na montagem de uma RB ´e a defini¸c˜ao das vari´aveis do dom´ınio
de conhecimento e seus relacionamentos. Posteriormente, prossegue-se com a defini¸c˜ao
das probabilidades nas rela¸c˜oes de causa e efeito entre as vari´aveis. Essas constituem
provavelmente as principais fases no desenvolvimento de um STI baseado em RB, cuja
importˆancia se resume nas palavras de Mislevy e Gitomer (1995, p 36): “O racioc´ınio incoerente fundamentado numa base s´olida sobrep˜oe o racioc´ınio coerente fundamentado numa base inadequada” 8
. Isso significa que uma Rede Bayesiana bem modelada ´e
pri-mordial para a realiza¸c˜ao de qualquer inferˆencia.
A estrutura¸c˜ao da rede pode ser trabalhosa e demorada (BOGNAR; SAOTOME;
OMAR, 2005). Conceitualizar um problema em termos de vari´aveis probabil´ısticas ´e uma
tarefa ´ardua (MISLEVY; GITOMER, 1995, p 12). Cuidado deve ser tomado a fim de n˜ao
se criar uma rede multiplamente conectada para evitar que o tempo de processamento
8
CAP´ITULO 4. UM MODELO DE APRENDIZ PARA FUNDAMENTOS DE POO 45
seja exponencial conforme observado por Bognar, Saotome e Omar (2005) e Marengoni
(1998). Por esse motivo, este trabalho prop˜oe uma rede que se situa entre as categorias
“expert-centric” e “eficiency-centric” (MAYO; MITROVIC, 2001), conforme descritas na
se¸c˜ao 2.2. Ou seja, a rede ´e elaborada por um especialista que modela o dom´ınio do
conhecimento por meio de vari´aveis dando aten¸c˜ao para que n˜ao haja rela¸c˜oes complexas
entre muitas vari´aveis.
Baseado no trabalho de Pimentel (2006), na representa¸c˜ao do conhecimento com
on-tologia, ilustrado na figura 11, na se¸c˜ao 3.2 (p´agina 39), formulou-se um modelo de Rede
Bayesiana para a representa¸c˜ao do conhecimento de Fundamentos de Programa¸c˜ao Ori-entada a Objetos. Esse modelo (veja a figura 14) ´e tamb´em dividido em n´ıveis que repre-sentam uma estrutura hier´arquica de t´opicos e sub-t´opicos.
O n´ıvel 1 cont´em a vari´avel que representa o dom´ınio a ser estudado, ou seja: Fun-damentos de Programa¸c˜ao Orientada a Objetos. No n´ıvel 2, encontram-se os t´opicos do curso. No n´ıvel 3, localizam-se as unidades de aprendizagem. Cada unidade de
aprendi-zagem representa um conceito individual do conhecimento. At´e o n´ıvel 3, as vari´aveis s˜ao
consideradasn˜ao-observ´aveis, isto ´e, n˜ao podem ser medidas diretamente. Tais vari´aveis s˜ao inferidas pela rede bayesiana. J´a no n´ıvel inferior (n´ıvel 4), situam-se as vari´aveis
observ´aveis, isto ´e, aquelas que podem ser medidas diretamente e para as quais podem ser obtidas evidˆencias diretas. Essas vari´aveis representam osNACs. Cada conceito no n´ıvel 3 possui umNAC correspondente no n´ıvel 4. ONAC fornece evidˆencia de conhecimento sobre um determinado conceito. A forma de atualiza¸c˜ao do NAC ser´a vista adiante, na se¸c˜ao 4.2 deste cap´ıtulo.
Os estados das vari´aveis, conforme demonstrados na figura 15, foram definidos no
estiloFuzzy, inspirados na rede bayesiana adotada pelo sistema HIDRIVE, conforme ilus-trado na figura 10, se¸c˜ao 2.2 (p´agina 37). Cada estado representa um grau do
conhe-cimento do aprendiz em rela¸c˜ao a um conceito espec´ıfico: Bom, M´edio ou Fraco. Um grau Bom significa que o aprendiz n˜ao necessita de mais instru¸c˜ao sobre o conceito. As demais gradua¸c˜oes (M´edio e Fraco) indicam a necessidade de eleva¸c˜ao do conhecimento do estudante sobre o conceito. A se¸c˜ao 4.2 descreve como essa gradua¸c˜ao ´e medida e
CAP´ITULO 4. UM MODELO DE APRENDIZ PARA FUNDAMENTOS DE POO 46
Figura 14: Conceitos modelados com Rede Bayesiana.