Agentes Peer-To-Peer Baseados Em Ontologias Como Mediadores Em Processos Comunitários De Partilha E Aprendizagem

A

GENTES

PEER

-

TO

-

PEER

BASEADOS

EM

ONTOLOGIAS

COMO

MEDIADORES

EM

PROCESSOS

COMUNITÁRIOS

DE

PARTILHA

E

APRENDIZAGEM

a Collaborative Application on the Web Olivier Dedieu G. A. Giménez-Lugo FACET/UNICENP - CNC . Curitiba/PR - PARAGUAI woznia@onda.com.br A. B. Wozniak-Giménez FACEL/FACET Curitiba/PR andrea.wozniak@onda.com.br J. S. Sichman EP-USP São Paulo/SP jaime.sichman@poli.usp.br J. F. Hübner FURB Blumenau/SC jomi@inf.furb.br

Resumo: Este artigo tenta realçar a importância do desenvolvimento de

sistemas voltados ao aprendizado baseados em agentes inteligentes estruturados como sistemas P2P (peer-to-peer – entre pares). Como parte deste esforço é apresentado um modelo no qual conceitos pertencentes a ontologias são estendidos com informação organizacional para representar de forma explícita as situações sociais nas quais foram aprendidas e utilizadas. Uma aplicação P2P usando o modelo é descrita. Parte-se de um modelo organizacional específico, MOISE+, brevemente apresentado. Uma ponte sócio-organizacional poderá agora auxiliar a interligar e reconciliar visões diferentes de conhecimento para facilitar o aprendizado coletivo.

Palavras-chaves: sistemas multiagentes, ontologias, partilha de

conhecimento, redes sociais

Abstract: This article tries to underscore the importance of developing

infrastructure systems for learning and education based on intelligent agents structured as P2P (peer-to-peer) systems. As part of this effort is presented a model where concepts belonging to ontologies are extended with organizational information to represent explicitly the social situations in which they where learned and used. A P2P application following the model is described. We refer to a specific organizational model , MOISE+, briefly presented. A socio-organizational bridge may now help to interconnect and reconcile different knowledge views to foster collective learning in human communities.

Keywords: multiagent systems, ontologies, knowledge sharing, social

networks

1 I

Embora a visão da educação formal cada vez mais privilegie a interação como catalisadora do processo de construção de conhecimento, as tecnologias informacionais envolvidas em processos educacionais tendem a ser centralizadoras. Por um lado estão os sites educacionais nos quais cabe aos usuários meramente absorver o conhecimento pronto, ordenado e acabado, proporcionando uma experiência de passividade e mera assimilação de conteúdos estanques. Tais sites, amplamente difundidos, encontram-se atrelados a moldes tradicionais de educação e sociedade, dentro dos quais está a completa negação dos sujeitos enquanto construtores de conhecimento, descaracterizando este último enquanto conhecimento significativo e mantendo-o como cumulativo.

Experiências menos autoritárias e mais significativas são vários sites de instituições (estatais, ONGs, etc.) que vêm buscando incentivar comunidades ou profissionais a

criar/recriar continuamente as informações disponibilizadas. Tais sites proporcionam maior democratização e experiências mais significativas para os sujeitos que elaboram ou que acessam as suas informações. Entretanto, ainda são centralizadores, e, devido à instabilidade das instituições (enquanto a perspectivas sócio-político-econômicas), são frágeis, podendo ter seus direcionamentos rapidamente alterados, comprometendo a rede de conhecimentos, informações e pessoas estabelecida. Neste contexto, este artigo tenta realçar a importância e a necessidade do desenvolvimento de sistemas que proporcionem experiências e conhecimentos mais significativos para os usuários. Para além de reconhecer a importância do aprendizado entre pares, devem ser privilegiadas as tecnologias e arquiteturas que carreguem no seu cerne a possibilidade de interação construtiva do conhecimento entre pares, atrelado a um aprendizado que respeite as experiências sócio-culturais de cada sujeito, como na visão de Paulo Freire [10].

As pessoas buscam informações em seu entorno mais próximo (em sua comunidade, em sua rede de relações), sendo mesmo indiferentes ou tentando romper com os modos formais e constituídos de alcance de informações. Tais atitudes oferecem maior segurança para o indivíduo devido aos graus de confiança que seus conhecidos e os grupos ao seu redor representam. Ao trocar informações dentro de uma comunidade, indivíduos constróem experiências significativas quanto à forma de busca por conhecimento, assim como quanto ao conhecimento alcançado e/ou produzido a partir de suas fontes, rompendo com posturas de passividade e de mera acumulação de conhecimentos e significados. No dizer de Rubem Alves: “um único espaço partilhado por todos... A lição social;

todos partilhamos de um mesmo mundo. Pequenos e grandes são companheiros numa mesma aventura. Todos se ajudam. Não há competição. Há cooperação. Ao ritmo da vida; os saberes da vida não seguem programas” [1].

Percebe-se a importância/necessidade de aprofundar investigações em agentes inteligentes, buscando acercar-se das formas com as quais as pessoas buscam, criam e interagem com as informações e conhecimentos, tratando de criar ferramentas mais úteis e significativas em seu cotidiano. Dentro dos sistemas computacionais, os sistemas P2P (peer-to-peer, entre pares) constituem um exemplo relevante de tal tipo de tecnologia, onde a mediação é comunitária e descentralizada, podendo proporcionar maior autonomia para os usuários, assim como fortalecer suas redes de relações como ferramentas úteis na busca por informações e conhecimento.

Este trabalho propõe um modelo de representação de conhecimento que permite a agentes que compõem SMA (sistemas multiagentes) P2P atuar como mediadores em situações de ensino-aprendizagem respeitando posições conceituais diversas. Propõe-se um sistema através do qual as redes pessoais cotidianas possam ser redimensionadas enquanto ferramental de busca de conhecimento e de troca de informações. Dentro desta problemática, busca-se levar em consideração e demonstrar o quanto os grupos sociais, aos quais os indivíduos pertencem, incidem diretamente sobre o conhecimento individual, e vice-versa. Os indivíduos são produtos e produtores de seus grupos e interações sociais, sendo sua visão de mundo e suas práticas frutos desta trama dialética. O presente enfoque conecta ontologias a um modelo organizacional de SMA através de um mecanismo que anota conceitos de ontologias para armazenar explicitamente o contexto em que foram aprendidos e utilizados. As anotações são semelhantes às apresentadas por Tamma [23] onde o modelo de protocolo OKBC [5] (Open Knowledge Base Connectivity – Conectividade Aberta de Bases de Conhecimento) foi estendido para representar o comportamento de atributos de conceitos através do tempo.

Analisando os Sistemas Tutores Inteligentes [6, 9] fundamentados no uso de SMA distribuídos, percebe-se que carregam, na sua maioria, um conceito ainda centralizado, mais próximo do conceito de groupware, com

visão processual definida e bancos de perfis de usuários e de recursos. Os recursos podem estar fisicamente distribuídos, mas em geral, são controlados de forma quase-centralizada. Certamente não é esta a forma em que os indivíduos apreendem no dia-a-dia. O favorecimento excessivo de tal tipo de enfoque (como também a sua contrapartida na Web, os “portais”) vai em detrimento de uma legítima construção cidadã do conhecimento. De fato,

portais e blogs mostram a vontade e a necessidade das

pessoas trocarem conhecimentos (não necessariamente formais ou formalizados) de acordo aos grupos a que pertencem. Tal tendência é melhor suprida por sistemas P2P [18,19], pois as relações de troca simbólicas e/ou materiais [3] tendem a ser recíprocas [4, 8]. Além da possibilidade de obter conhecimento ser mantida, existe a opção de preservar a privacidade dos indivíduos o que, no caso da Internet, certamente é imperativo [7].

Ao adotar agentes inteligentes em sistemas P2P, os mesmos devem estar fundamentados em modelos e mecanismos que não somente permitam, mas sim propiciem a manutenção da diversidade cultural e social. A diferença, quando levada à sala de aula, pode enriquecer não somente os alunos, mas também os próprios professores. Para que isto seja cristalizado na prática, o sistema de representação simbólica dos professores não deve possuir preeminência em relação àquele dos alunos.

O artigo está organizado como segue: após uma breve revisão de definições concernentes a ontologias, apresenta-se o modelo organizacional denominado MOISE+ [13]; logo, é mostrado como tal modelo organizacional pode ser utilizado com ontologias através de um mecanismo para incluir informações sócio-organizacionais; segue uma discussão sobre um mecanismo de raciocínio; finalmente, descreve-se um SMA peer-to-peer, denominado COMMUNET, aplicado à partilha de conhecimento num ambiente comunitário, que possibilita maior autonomia, interacionismo e significado na experiência de busca por conhecimento e troca de informações.

2 A

C

:

CULTURALMENTEVALORADOS

Para além de ser trabalhoso [2], o processo de construção de ontologias é usualmente centralizado, passando a ser simplesmente adotado uma vez pronto [21]. O perigo deste enfoque é a possibilidade (real) de colonização simbólica, numa visão iluminista. O fato das linguagens naturais possuírem dinâmicas evolutivas, enquanto são vivas, mostra a importância de considerar a mudança como parte fundamental da (re)construção de ontologias. Caso contrário, corre-se o risco de operar apenas sobre formas conceituais “mortas” ou pouco significativas para os interlocutores que discorrem sobre certo conteúdo. Este é um problema freqüente nas salas de aula, com professores que repetem conteúdos que pouco ou nada dizem aos alunos. Este fenômeno é comumente tratado como

sendo o de “aprender a linguagem do aluno” [1]. Este fator é agravado, por exemplo, com a sucessão de “tribos” e modismos. À engenharia de conhecimento cabe criar mecanismos tecnológicos capazes de lidar com tais condições de contorno, para tornar os agentes computacionais ferramentas capazes de mediar situações como as descritas.

Como sugerido por Guarino [12], uma conceituação é uma estrutura semântica intencional que codifica as regras implícitas que limitam a estrutura de uma fração da realidade. Já uma ontologia é o compromisso com uma conceituação particular do mundo; ou, formalmente, uma teoria lógica que expressa o significado pretendido para um certo vocabulário, ou seja, é o compromisso ontológico (i.e., uma

interpretação intencional) desse vocabulário com uma

conceituação particular do mundo. Isto é um refinamento da definição apresentada por Gruber [11].

Uma ontologia depende da linguagem, já uma conceituação é independente (fig. 1). Assim, a partir de uma conceituação C, pode-se escolher uma linguagem L para chegar a uma ontologia O. Seja M(L) a representação dos modelos da linguagem L e seja K o compromisso ontológico que interliga uma conceituação C a uma escolha intencional I de um conjunto de símbolos associados a um conjunto de relações conceituais, i.e. K=<C, I>. Uma ontologia O para uma linguagem L é uma aproximação da conceituação C se existe um compromisso ontológico (interpretação intencional) K=<C, I> tal que os modelos pretendidos de L de acordo com K (i.e. P_K(L)) estão incluídos nos modelos de O.

Figura 1: Relacionando ontologia à linguagem e à conceituação [12].

O uso de ontologias para explicar conhecimentos implícitos e ocultos é uma via para superar o problema de heterogeneidade semântica [25]. Nos SMA, os agentes são caracterizados por possuírem “diferentes visões do mundo” que podem ser explicitamente definidas por ontologias [23]. A interoperabilidade é atingida reconciliando as visões pelo comprometimento a ontologias comuns [25]. No entanto, esta reconciliação é usualmente parcial, dependendo do

ambiente organizacional no qual o agente está inserido (e.g., não pode-se esperar que um colega, trabalhando em perfeita coordenação conosco, aceite como seus os nossos conceitos de beleza).

Nos enfoques de integração baseados em ontologias, estas são utilizadas para a descrição explícita da semântica das fontes de informação. Em geral, três formas diferentes podem ser encontradas [25].

Figura 2: Ontologias para descrição explícita de conteúdo [25].

A figura 2 representa fontes de informação distribuídas, mostrando o uso de diferentes arquiteturas de conhecimento distribuído. Dentre elas, os enfoques com ontologia única e de múltiplas ontologias carregam algumas desvantagens. No primeiro caso, por exemplo, caso uma das fontes tenha sido projetada com uma visão diferente (digamos granularidade) em relação à ontologia de domínio (global), será dificultada a tarefa de chegar a um compromisso ontológico mínimo. No segundo caso a falta de um vocabulário comum torna difícil comparar fontes diferentes [25].

A arquitetura mista tenta superar as desvantagens levantadas. Nela, o importante é a forma na qual as ontologias locais são descritas [25]. A desvantagem deste enfoque reside na dificuldade de elaborar ontologias reusáveis. Entretanto, a arquitetura mista parece a mais adequada para ser utilizada em conjunção com um modelo organizacional para SMA. Esta afirmação parece intuitiva, pois e.g., em um grupo, embora possa existir um vocabulário comum, aparece a necessidade de ontologias locais que representem as visões subjetivas dos agentes. Ontologias parcialmente globais (e.g. grupais) e locais (de cada agente) parecem claramente diferentes, embora interrelacionadas. Isto pode ajustar-se numa flexível metáfora organizacional. Dentre as diversas formas de representação de conhecimento, este trabalho focaliza representações fundadas em frames, especificamente OKBC[5]. OKBC é uma API (Application Programming Interface) para acessar

bases de conhecimento armazenadas em sistemas de representação de conhecimento, tendo sido projetada para atingir interoperabilidade. Fundamentalmente está baseada em classes, atributos e facetas. Organizadas numa hierarquia (IS-A) de herança múltipla, as classes (conceitos), i.e. coleções de objetos partilhando as mesmas propriedades, são descritas em termos de atributos (ou slots) que possuem

facetas (restrições adicionais). Na figura 3, aparece um

exemplo ad hoc simples.

c: Machine Learning

s: NeuronSimulationActivationPotential f:Domain:[0.0, 1.0]

f:Value:[0.4, 0.6]

Figura 3: Representação OKBC padrão.

No exemplo da figura 3, o conceito “Aprendizado de Máquina” é representado pela classe (c) MachineLearning; um dos atributos (s) do conceito é o limiar de disparo numa simulação neuronal, expressado como sendo o par ordenado (minValor, maxValor); as facetas (f) expressam o domínio do valor de limiar, que é considerado como estando na faixa de zero a um, sendo o valor usual entre 0.4 e 0.6.

O modelo OKBC, estendido por Tamma [23] para representar o comportamento de atributos ao longo do tempo, descreve as mudanças permitidas numa propriedade e a forma como propriedades são herdadas. O exemplo da figura 3 é novamente apresentado na figura 4, utilizando a forma estendida proposta por Tamma [23].

c: Machine Learning s: NeuronSimulationActivationPotential f:Domain:[0.0, 1.0] f:Value:[0.4, 0.6] f:Typeofvalue:prototypical f:Exceptions:[0.0,0.39]U[0.61,1.0] f:Ranking:3 f:Changefrequency:Volatile f:Event:(stimulated,[0.2,0.6],after,R) f:Event:(damaged,[0.9,1.0],after,I) Figura 4: Representação OKBC estendida,

segundo Tamma [23].

Agora, as propriedades típicas (prototypical) e excepcionais atreladas a um conceito podem ser descritas. O limiar usual está entre 0.40 e 0.60. Fora dessa faixa os valores seriam “exceções”’ (exceptions). O “tipo de valor” (Typeofvalue) indica que o valor (value) do atributo é válido para qualquer instância típica (prototypical) do conceito; exceções são permitidas num grau dado pelo ranking. O “tipo de valor” pode, ainda, ser “herdado” (inherited) ou

“diferenciador” (distinguishing) entre subconceitos de um mesmo nível [23]. O ranking indica o grau de confiança na observação do valor usual (e.g. sempre, quase sempre, etc.), sendo que a escala vai de 1 (maior confiança) a 7 (menor confiança). No exemplo, o ranking possui valor 3, ou seja, está associado à “maioria” (most) dos casos. A “freqüência de mudança” (Changefrequency) “volátil” indica que o valor de limiar pode mudar mais de uma vez (outros valores podem ser regular (regularmente), once only (uma só vez) e never (nunca). São descritos “eventos” (Events) que podem mudar o limiar junto com os novos valores, e.g. se um neurônio é simulado como sendo estimulado por um neurotransmissor, o limiar pode vir a ser tão baixo quanto 0.20 “depois” (after) do evento; finalmente, a mudança no valor do limiar é reversível (R), provavelmente após o fim do efeito dessa substância. Já se um neurônio é danificado (damaged), o limiar muda irreversivelmente (I).

3 O M

O

MOISE+

Para traçar as relações entre os seus contatos e a sua representação de conhecimento, os agentes considerados devem ter a capacidade de representar e raciocinar sobre os grupos aos quais pertencem num dado momento e também sobre os grupos aos quais pertenceram no passado, como apresentado pela linha temporal da figura 5.

Figura 5: Linha temporal da existência de um agente

João, participando em diferentes grupos e

desempenhando papéis diversos.

O MOISE+ (Model of Organization for multI-agent

SystEms) [13], é uma tentativa de junção de papéis e planos

numa especificação organizacional, vista sob três aspectos: estrutural, funcional e deôntico(que não será aqui abordado). Os papéis compõem a estrutura de uma organização, já os planos indicam o seu funcionamento. A adoção do MOISE+ proporciona a um agente uma representação computacional explícita da organização na qual ele e/ou o seu usuário estão imersos. Através desta explicitação o agente obtém os meios para recriar a rede de

relações do usuário ao qual serve. A estrutura organizacional no MOISE+ é elaborada em três níveis: i) comportamentos que são de responsabilidade de um agente desempenhando um papel (individual); ii) estrutura e interconexão de

papéis entre si (social); iii) agregação de papéis em

estruturas maiores (coletivo).

Figura 6: Exemplo de especificação estrutural utilizando o MOISE+, formalizando os grupos

e papéis apresentados na figura 5.

Na figura 6, o nível individual é representado pelos papéis (e.g. educador, vizinho, professor, chefe etc.); o nível

social está representado pelas interconexões entre papéis

(e.g. a ligação aut dirigida do papel educador para o papel

estudante implica que um agente desempenhando o papel

de educador possui autoridade sobre um outro agente que desempenhe o papel de estudante); o nível coletivo está representado pela associação de papéis formando grupos (no caso, são representados os grupos comunidade,

docentes e turma).

No nível individual, os papéis sociais são definidos e estruturados por uma relação de herança. Um papel é um conjunto de restrições que um agente deve seguir quando aceita entrar num grupo para desempenhar aquele papel. Os papéis sociais são limitados no nível social por ligações diversas (convivência, comunicação, autoridade). As ligações limitam um agente em relação a outro, e.g., um agente pode comunicar-se com outro somente se existe uma ligação de comunicação entre eles. Os papéis sociais podem ser desempenhados somente no nível coletivo, i.e., num grupo já criado a partir de uma especificação de grupo. No

MOISE+, um grupo é definido por: um conjunto de papéis;

um conjunto de ligações; um conjunto de compatibilidades; e, o número de agentes que devem desempenhar papéis neste tipo de grupo. Por exemplo, na figura 6 o grupo “turma” deve ter um agente no papel de “professor”, um agente como “assistente” e no máximo 40 “estudantes”. Como numa organização podem existir vários grupos, uma especificação estrutural é, grosso modo, uma coleção de grupos e papéis sociais.

A especificação funcional (EF) descreve como um SMA geralmente atinge as suas metas globais, i.e., como metas são decompostas (em planos) e distribuídas aos agentes (em missões). As decomposições são denominadas

esquemas sociais (SCH). Uma missão é um conjunto de

metas globais com as quais um agente se compromete. O SCH de uma EF pode ser elaborado pelo projetista do SMA ou pelos agentes que armazenam as (melhores) soluções passadas. Na figura 7, a EF mostra um SCH para ensinar uma disciplina.

Figura 7: Exemplo de especificação funcional utilizando o MOISE+.

Um conjunto de agentes que instancia uma especificação organizacional constitui uma entidade organizacional (EO). A dinâmica de uma EO (entrada/saída de agentes, criação de grupos, adoção de papéis, início/fim de SCH etc.) é representada por uma seqüência de estados da EO. Um estado é descrito pela especificação organizacional atual, o conjunto de agentes que criou a EO, os grupos criados com as suas especificações, os papéis que os agentes estão desempenhando, os SCH sendo executados junto com as suas especificações e as missões com as quais os agentes estão comprometidos nesses SCH.

4 O

, R

S

O

Ao considerar uma sociedade como a entidade de mais alto nível, uma ontologia mais geral será atrelada à mesma. Igualmente, grupos, papéis e agentes podem ter ontologias específicas associadas. Os traços que as interconectam são desenhados através das ligações (e.g., temporais, autoridade etc.) sócio-organizacionais.

Os papéis sociais ajudam a caracterizar de forma mais precisa os contatos de um agente, pois o local das interações está formado pelas redes sociais como as apresentadas na visão subjetiva da figura 8.

Figura 8: Visão subjetiva de rede social [17].

De forma geral, os grupos e papéis são unidades estruturantes das visões parciais que cada agente possui das redes sociais nas quais ele, assim como seu usuário, encontram-se imersos, como pode ser visto na figura 9.

Figura 9: Grupos e papéis auxiliam a estruturar subjetivamente as redes sociais das quais os agentes

fazem parte.

Entretanto, o conhecimento de um agente não deve ser considerado como coincidindo completamente com a ontologia de algum papel social, pois a especificação de um papel pode mudar. Um papel indica o que se deve esperar de um agente, o que ele deveria saber, não o que ele de fato conhece (isto depende das experiências acumuladas). Um papel pode ser enriquecido pelas experiências de agentes que o desempenharam e vice-versa [20].

Este trabalho visa a utilização de SMA para auxiliar comunidades humanas já existentes. Neste mesmo sentido é que ele pretende estruturar-se a partir das experiências particulares dos grupos e comunidades que o utilizem. Isto leva a oferecer opções para que os usuários recriem suas relações, grupos e papéis sociais em rede. Como sugerido por Maurice Halbwachs nos anos 30 [15], um ser humano

mantém as suas ligações sócio-organizacionais como índices para conceitos, não necessariamente diferenciando ontologias distintas, mas acessando partes do seu conhecimento na medida em que são socialmente necessárias (e.g. dependendo do grupo).

Um agente atuando em representação do usuário pode tirar vantagem da mesma estratégia apontada por Halbwachs. Assim, o problema do contexto do conhecimento pode ser abordado através da aplicação da metáfora de SMA. Neste caso, uma informação importante que pode ser armazenada, dado um modelo de organização como o

MOISE+, está relacionada ao grupo onde o conhecimento

foi utilizado e, mais especificamente, o SCH, o papel e o plano que dele precisaram. A representação específica de uma instância é a visão subjetiva de um agente que lembra a sua participação numa versão de um SCH. Para recuperar uma fração de uma representação de conhecimento, um agente pode usar as ligações temporais desenvolvidas através da memória dos grupos (i.e. agentes especializados, ligações de comunicação) aos quais pertenceu. Para tanto, um mecanismo conveniente deve ser adicionado aos modelos existentes de acesso a ontologias, de forma a obter a integração entre o conhecimento e a dinâmica da rede social.

Num enfoque complementar ao de Tamma [23], é focalizado um aspecto diferente da manipulação de ontologias, qual é a noção de situar conceitos sociais/ individuais num contexto organizacional. Como apontado por Halbwachs [15], a memória possui um caráter eminentemente social. Assim, três facetas são definidas para armazenar o contexto organizacional ao qual conceitos estão atrelados:

a) Situação Organizacional de Aquisição de Conhecimento (KAOS - Knowledge Acquisition

Organizational Situation): permite evocar o estado

organizacional onde o conhecimento foi aprendido. Como podem existir múltiplas anotações deste tipo (um conceito pode ser modificado muitas vezes, digamos m vezes), ela é definida como um conjunto {(lv_k, tid_k, gi_k, ssi_k, r_k, m_k, d_k, o_k, i_k) | k=1,...,m}, onde: · lv_k guarda o valor aprendido, i.e., o estado de um par atributo-valor (ou slot-valor) associado ao slot;

· tid_k é o identificador da construção organizacional (por exemplo, agente, instância de grupo) que de fato ensinou o atributo (ou slot);

· gi_k é o identificador da instância de grupo (gi) que o agente agt quer registrar;

· ssi_k é o identificador da instância de um esquema social (ssi) que o agente agt quer registrar; · r_k registra o papel de tid_k , ou pode ser vazio; · m_k é a missão particular que estava sendo

executada quando o atributo foi aprendido; · d_k armazena o rótulo temporal utilizado para

· o_k registra a crença do agente em relação ao resultado (outcome) da execução do esquema social dentro do qual o valor foi aprendido. Pode ir de 0.0 (falha total), até 1.0 (sucesso absoluto). · i_k é um valor real associado à crença do agente

agt quanto ao grau de importância da

experiência que envolveu o aprendizado do conhecimento. A faixa de valores vai de 1.0 (experiência muito importante) a 0.0 (sem importância alguma). Este valor é diferente de

o_k podendo ser associado à utilidade de certo conhecimento aprendido. Por exemplo, se uma ligação de autoridade foi estabelecida ao aprender certo conhecimento, o valor pode depender de qual é o papel sobre qual a autoridade foi criada, ou ainda do número de agentes que estava desempenhando tal papel. Esta faceta é aplicável ao caso em que um agente adquiriu uma parte do seu conhecimento através de boato ou alguma forma mais normativa, i.e. através de regras de interação que fazem parte de uma organização formalmente estabelecida. Ela pode armazenar a identidade da entidade organizacional que a ensinou, o que pode ser usado num grupo para determinar qual o indivíduo cujo conhecimento foi socialmente adotado,

i.e., quando foi aprendido algo e com quem.

b) Situação Organizacional de Uso de Conhecimento (KUOS - Knowledge Usage

Organizational Situation): permite evocar o estado

organizacional onde o conhecimento foi usado por um agente agt. Cobre dois tipos de situações: (i) quando um agente usa o atributo e decide armazenar como o usou; (ii) quando o agente observa e decide registrar o uso do atributo por outro agente. O segundo caso pode ser considerado um caso especial de aprendizado, quando um agente lembra um fato mas não adota o conceito. Como podem existir múltiplas (digamos

n) anotações deste tipo, ela é definida como um

conjunto {(ag_k, ds_k, gi_k, ssi_k, r_k, m_k, d_k, a_k, i_k) |

k=1,...,n}onde:

· ag_k é o identificador do agente que utilizou o atributo: seja ele o próprio agente agt ou algum outro agente ag_alter que foi observado; · ds_k é uma descrição textual opcional;

· gi_k, ssi_k, r_k, m_k e i_k usam a mesma definição estabelecida para a faceta KAOS. r_k é o papel específico que o agente ag_k estava desempenhando quando da utilização do atributo;

· d_k registra o rótulo temporal (date) indicando quando o valor foi utilizado;

· a_k é um valor real relacionado à crença do agente sobre o grau de propriedade no uso do atributo. A faixa vai de 1.0 (absolutamente apropriado) até -1.0 (absolutamente inadequado). Este valor pode ser retirado, por exemplo, do grau de sucesso (ou insucesso) na execução de uma

determinada missão (sob a responsabilidade do agente ag_k), que pode ser bem sucedida mesmo que o esquema no qual está incluído falhe; c) Acessibilidade (Access): esta faceta indica se e

quando uma entidade (e.g. agente, grupo) pode ter acesso ao atributo. Podem existir múltiplas instâncias desta faceta, pois um conceito pode ter permissões diferentes para papéis de um mesmo grupo. É definido como um conjunto {gt_k, gi_k, r_k,

ag_k, spv_k, | k=1,...,p}, onde:

· gt_k é o tipo de grupo ao qual é permitido o acesso a certo conhecimento. Este campo pode ser vazio de forma a permitir casos em que uma instância de grupo ou um agente específico possui permissão (se é especificada a instância de um tipo de grupo, que é considerada como sendo única, não há necessidade de especificar também o tipo de grupo);

· gi_k é a instância de grupo que pode acessar o conhecimento. Este campo pode estar vazio, permitindo que todas as instâncias de um tipo de grupo possam ter acesso ao conhecimento; · r_k é o papel ao qual é permitido acesso ao conhecimento. Como um papel deve ser considerado no contexto de um tipo de grupo, o valor deste campo deve ser considerado apenas quando gt_k ou gi_k possuem valores associados; · ag_k é um agente específico que tem permissão de acesso ao conhecimento. Este valor pode estar vazio;

· spv_k é o valor do grau de acesso permitido para o conhecimento. O valor inicial é sempre privado. A necessidade de diferenciar (situando socialmente) o conhecimento público do privado é especialmente crítica quando são considerados agentes colaborativos num SMA aberto, dado que os mesmos devem ser capazes de contar uns com os outros, considerando as metas de outros agentes e possuindo atitudes em relação àquelas metas [20].

Os parâmetros das facetas aparecem na figura 10.

Usando as facetas recém definidas, o exemplo da seção 2 poderia apresentar-se como na figura 11. Para tanto, considere a ontologia de um agente João (i.e., na sua mente), e também que agora corresponde ao dia primeiro de dezembro de 2010.

c: Machine Learning

s: NeuronSimulationActivationPotential f: Domain:[0.0, 1.0]

f: Value:[0.4, 0.6]

f: KUOS: [Pedro, G4, 71, estudante, m5, 3Mai2010, 0.6, 1.0]

f: KUOS: [Myself, G4, 70, professor, m3, 4Jun2010, 0.9, 0.6]

f: KUOS: [Myself, G5, 81, professor, m5, 1Dez2010, 0.9, 0.8]

f: KAOS: [[0.5, 1.0], Ale, G73, v1, professor, m2, 2000, 0.8, 0.3]

f: KAOS: [[0.4, 0.6], Dina, G7, w, colega, m6, 2003, 0.9, 1.0]

f: Access:[docentes,-,-,-,partilhável] f: Access:[-,G5,assistente,Pedro,partilhável]

Figura 11: Exemplo da figura 3 utilizando as facetas (KAOS, KUOS e Access) recém definidas.

Agora, o exemplo mostra que o atributo “Neuron

Simulation Activation Potential” foi usado 3 vezes (KUOS),

que existiram duas situações de aquisição (KAOS) e que há duas entidades organizacionais com permissão de acesso (Access).

A primeira linha KUOS indica que João observou que Pedro da instância de grupo G4 (digamos uma instância do tipo de grupo turma) executou a instância 71 de um esquema social como estudante. Pedro usou o conceito em certa missão m5 no dia 3 de maio de 2010, sendo que João julgou que o grau de adequação foi 0.6, o que ele considerou muito importante, como o valor de importância 1.0 mostra. Podemos supor que João escolheu esse valor pois, embora

Pedro não estivesse realmente certo (segundo João), ele

observou que Pedro desenvolveu uma ligação de autoridade sobre os seus colegas (estudantes) após usar o conceito. Perceba que, pela segunda linha KUOS, João parece ter

“ensinado” o valor “correto” somente um mês depois do

Pedro tê-lo usado. Outro enfoque para obter o valor da

importância pode levar em conta a combinação dos índices de João com os de Pedro, como nas redes de crenças.

A primeira linha KAOS indica que [0.5,1.0] foi a faixa aprendida para o valor e quem ensinou foi Ale, numa instância de grupo G73, executando uma instância de esquema v1; ainda, Ale estava como professor e executando uma missão m2. A situação teve lugar “dez anos atrás”, no ano 2000 e o resultado do esquema v1 foi considerado muito satisfatório por João (vide o valor de adequação de

0.8). Entretanto, apesar desse grau de sucesso, João não

considerou a experiência como sendo de grande relevância (a importância dada foi apenas 0.3). Como este é o primeiro valor de KAOS, considerando a data, este foi o primeiro

valor aprendido por João para este atributo, no qual ele

continuou acreditando por três anos, até que Dina o “ensinou” corretamente (um fato de extrema relevância para

João, como indicado pelo valor de importância de 1.0 na

segunda linha KAOS).

A primeira linha Access indica que qualquer agente desempenhando qualquer papel de qualquer instância do tipo de grupo docentes terá acesso ao valor do atributo. O mesmo vale para Pedro, desde que ele seja assistente na instância de grupo G5 (uma instância do tipo de grupo

turma) como indica a segunda linha Access.

5 R

Embora necessário, o mecanismo apresentado é inútil sem uma estratégia de raciocínio que irá depender da mente do agente. Uma ontologia à qual este tipo de informação foi adicionada é organizacionalmente situada. Na verdade, as facetas definidas permitem processar informação num nível de detalhe que pode ir além da granularidade de uma especificação organizacional no MOISE+.

Um exemplo de tal estratégia aparece na figura 12. Nela, possíveis construções mentais do agente João são mostradas. A tabela representa parte das informações concernentes às representações que João tem das situações organizacionais nas quais participou (com as suas impressões sobre os agentes Zeca, Pedro e Maria, desempenhando papéis diversos). O_João é a ontologia completa de João, portanto O_João é representação que João possui de seu próprio conhecimento.

Usando as facetas definidas (KAOS, KUOS e Access), o agente João, imerso numa rede social, tem agora diversas formas de manipular a (de outra forma “monolítica”) ontologia O_João. Caso algum contato de João o consulte buscando informações sobre a linguagem “castelhano”, e ele pense que o seu conhecimento sobre castelhano (indicado por O_spanish e fazendo parte de O_João) não é suficiente, ele poderá procurar entre os seus conhecidos aqueles que se mostraram capacitados (digamos acessando os i_k, o_k ou a_k) quando do uso (KUOS) e/ou da aquisição (KAOS) de conhecimento sobre castelhano. A coluna “relação” da figura 12 pode ser substituída pelos parâmetros das facetas definidas (e.g., i_k, o_k ou a_k).

Figura 13: Áreas de interesse de dois grupos, como subconjuntos da ontologia situada de um usuário e

como contatos na sua rede social.

A conseqüência das interligações traçadas através das facetas definidas pode ser visualizada na figura 13, nela

a ontologia situada permite levar aos contatos relacionados a um conjunto de conceitos e vice-versa, i.e., a partir de um grupo (ou papel) de contatos, podem ser localizados os conceitos atrelados. A parte inferior da figura 13 mostra uma rede social focada num usuário. Na rede aparecem dois grupos de contatos com os quais o usuário central se relaciona: o primeiro inclui o UsuárioB e o UsuárioC; o segundo inclui o UsuárioX e o UsuárioY. Cada grupo manipula um conjunto de conceitos, sendo que o conjunto de conceitos utilizado pelo grupo formado pelo usuário central, o UsuárioX e o UsuárioY, está incluído no conjunto de conceitos associado ao outro grupo (como ilustrado na parte superior da mesma figura). O agente possui então a habilidade de associar uma visão subjetiva da sua rede social a subconjuntos particulares da sua representação de conhecimento.

6 COMMUNET:

SMA

-

-

Para conseguir informação as pessoas geralmente usam as suas redes de contatos [24]. Como este artigo busca salientar, sistemas peer-to-peer (P2P) podem ser utilizados como infra-estrutura computacional para disponibilizar diversos serviços nessas redes, como localização de informações, recursos e especialistas. Entretanto, os sistemas P2P existentes não consideram explicitamente o contexto organizacional dos contatos, nem ontologias individuais. A adoção do enfoque aqui proposto, em agentes autônomos num SMA aberto e distribuído P2P, pode levar a formas de colaboração mais amplas entre os membros de uma comunidade na Internet.

A ontologia situada de um agente pode auxiliá-lo a descobrir grupos de interesse e papéis sociais nos mesmos; Figura 12: Um agente João raciocinando sobre outros agentes num contexto organizacional

a verificar a reputação de outros agentes e a gerenciar recursos individuais baseados nela; ou a traçar a dinâmica do conhecimento em grupos diversos. Vários aspectos comportamentais, grupais e subjetivos, podem ser investigados, como: adoção, modificação, substituição, ou rejeição de conceitos; interrelação de conceitos em grupos diferentes, etc. Ainda, o uso de ontologias situadas por agentes de uma rede social [24] pode ser uma ferramenta para estudar a gênese de papéis sociais.

O enfoque apresentado foi aplicado no sistema COMMUNET (COMMUnitary NETwork), um SMA P2P dedicado à troca de conhecimentos numa comunidade. Para estudo de caso, o sistema foi implantado durante três semanas como ferramenta para seis integrantes de um grupo de pesquisa, distribuídos geograficamente em três cidades (São Paulo, Curitiba e Blumenau).

No COMMUNET, cada agente é dedicado a um usuário e parte do pressuposto que o mesmo está imerso numa rede social que pode ser utilizada para atribuir grupos e papéis sociais aos contatos. Esta é uma suposição fraca, comparada a enfoques que usam organizações, baseadas mormente em equipes amarradas através de processos. Agentes imersos em sistemas sociais precisam de uma ontologia inicial como ponto de partida para contextualizar as suas ações. Caso contrário, eles convergem para uma ontologia comum somente através de múltiplas interações [22]. Nos seres humanos, a ontologia de referência é adquirida através das trocas simbólicas nas suas interações sociais mediadas culturalmente.

Figura 14: Exemplo de página do Open Directory Project [14].

A hierarquia disponibilizada pelo Open Directory

Project (ODP, em www.dmoz.org) foi selecionada como a

ontologia de referência. A figura 14 mostra um exemplo de tópico ODP. A hierarquia ODP é análoga à do Yahoo, com a diferença da sua distribuição ser livre, tendo sido elaborada por colaboradores do mundo inteiro, o que contribui para legitimá-la como tentativa de representação democrática do conhecimento. No caso do sistema COMMUNET, para cada conceito, um conjunto das páginas classificadas sob cada conceito foi escolhido para extrair (off-line) um vocabulário representativo, utilizando técnicas de sumarização automática. A técnica implementada foi baseada no algoritmo

DSP [16] (Dominating Set Problem ou Problema do

Conjunto Dominante). O algoritmo DSP considera o problema de seleção de termos mais importantes como sendo um problema similar ao de cobertura em grafos, ou seja, achar um conjunto mínimo de termos que apareça próximo do maior número de palavras diferentes existentes nos documentos. “Próximo” implica que uma palavra esteja a x palavras de distância (antes ou depois) de outra num texto. Cada agente COMMUNET inicia contando com a ontologia ODP (no experimento o subconjunto correspondente à Inteligência Artificial) e os termos (considerados atributos) de cada conceito. Como primeiro passo, o agente processa e indexa os documentos do usuário, solicitando ao mesmo que pré-classifique os mesmos em três categorias (independentemente de grupos e papéis): secretos, medianamente privados e públicos. A continuação, o agente tenta mapear quais são os conceitos (e contatos) que aparecem nos documentos indexados e no conteúdo das mensagens de e-mail. Logo, o agente tenta reconstruir a rede pessoal do usuário (vide figura 15, à esq.) baseado nas suas mensagens de e-mail. Os dados da rede pessoal podem servir como ponto de partida para obter um quadro aproximado das relações entre os conhecimentos do usuário e os seus contatos sociais. Para tanto, o usuário explicita as entidades organizacionais existentes criando

grupos e incluindo papéis nos mesmos, segundo a sua visão

subjetiva. Na figura 15 (à dir.) aparecem tais grupos e papéis, sendo mostrados os contatos associados pelo usuário ao papel amigos do TRABALHO, assim como as permissões que o usuário associou ao papel (i.e. aos contatos que o desempenhem) em relação a documentos, a contatos e aos

termos utilizados como atributos dos conceitos.

A conseqüência dos passos anteriores pode ser vista na figura 16. Nela, a visão sócio-organizacional subjetiva da rede de contatos na qual o usuário focal está imerso é utilizada como filtro social. Aparece a visão associada aos

amigos do TRABALHO, aos quais é permitido acessar todos

os tipos de documentos (sejam eles secretos, de mediana

privacidade ou públicos). O agente mostra os documentos

considerados relevantes, de acordo aos atributos (termos) atrelados ao conceito “Publications”.

Figura 15: Uma rede pessoal (sociograma) real automaticamente construída por um agente COMMUNET (esq.) e associação pelo usuário focal de contatos particulares a grupos e papéis sociais (dir.). No caso, aparecem os contatos

associados ao papel amigos do grupo Trabalho.

Figura 16: Perfil de un usuário COMMUNET. Aparecem os documentos, contatos e atributos (termos utilizados como palavras-chaves ou keywords) relacionados ao conceito “Publications” , vistos através do filtro social do papel amigos

Ao lado de cada documento (e também refletido nos contatos) é mostrado um marcador colorido de acordo ao nível de privacidade atribuído ao mesmo: vermelho (secreto), amarelo (privacidade mediana) ou verde (público). Esta visão é acessível apenas localmente.

A ferramenta de busca do agente permite ao usuário escolher um conceito alvo. Em decorrência da escolha o agente elabora duas consultas: a primeira dirigida a uma máquina de busca de propósito geral, na qual são utilizados os termos (atributos) atrelados ao conceito; a segunda, enviada a outros agentes COMMUNET (de forma análoga ao Gnutella [19]), simplesmente indica qual o conceito alvo. Os termos podem ser livremente modificados pelo usuário antes de disparar a consulta, sendo registradas estas alterações pelo agente, que atualiza a sua representação de conhecimento. A ordem em que os termos aparecem é associada pelo agente ao seu grau de importância. Assim, a modificação na ordem dos mesmos ou a substituição por outros (aprendizado de novos termos) é registrada através das facetas.

A figura 17 apresenta a interface da ferramenta de busca conceitual. O conceito alvo é “Artificial Intelligence”, escolhido dentre os conceitos que aparecem à esquerda. Na parte superior são mostrados os termos (atributos do conceito “Artificial Intelligence”) utilizados na construção da consulta à máquina de busca geral. Já à direita aparecem os dois tipos de resultados recebidos: na parte superior são apresentadas as recomendações de outros agentes COMMUNET, além dos recursos do próprio usuário; a parte inferior mostra a resposta da máquina de busca geral.

As recomendações de outros contatos aparecem ordenadas de acordo ao grau em que as suas contribuições (i.e., traços de interações sócio-organizacionais) passadas foram consideradas relevantes para o usuário, em relação ao mesmo conceito alvo. O agente utiliza as facetas definidas para registrar as recomendações adotadas e o grau de adequação atribuído a elas pelo usuário (documentos,

links). O grau de adequação é solicitado pelo agente ao

usuário de forma explícita.

Figura 17: Ferramenta de busca conceitual de um agente COMMUNET, mostrando os resultados (documentos, contatos, termos e links) recebidos de outros agentes (peers) e da máquina de busca geral.

Cada agente preserva a visão sócio-organizacional

subjetiva do seu usuário nestas trocas, não deixando

transparecer qualquer referência à mesma durante o intercâmbio de requisições e recomendações com seus pares. Assim, a privacidade do usuário é mantida intata pelo agente, deixando à vista dos seus contatos na comunidade apenas subconjuntos particulares do seu conhecimento, estabelecidos pelo filtro sócio-organizacional.

O conhecimento sócio-organizacional adicional proporcionado pelas facetas definidas permite recortar o universo de contatos de uma rede social. Como conseqüência, tem-se uma busca informada na qual o agente pode inferir quais os contatos mais relevantes em relação a um conceito em instantes específicos, privilegiando as trocas com os mesmos de acordo às circunstâncias.

Além de detectar os pares que responderam às requisições enviando recomendações em relação a um conceito, um agente COMMUNET pode determinar quais as ações executadas pelo usuário ao qual está dedicado, em relação a tais recomendações. Isto lhe permite interligar (e em determinados casos, quantificar) ações e contatos. A figura 18 ilustra a maneira pela qual algumas das informações referentes

aos traços de interação social são apresentadas ao usuário. Um conjunto particular de ações é privilegiado na monitoração do comportamento do usuário ao qual o agente está dedicado. Sendo uma aplicação de partilha de conhecimento, as mesmas estão enquadradas como ações típicas deste domínio:

· Adoção de termos recomendados por pares; · Adoção de contatos recomendados por pares; · Adoção de links recomendados por pares,

seguidos de leitura dos mesmos. Neste caso, o agente solicita explicitamente ao usuário um julgamento em relação ao grau de adequação do

link em relação ao conceito;

· Adoção de documentos recomendados por pares, seguidos de download e leitura dos mesmos. Neste caso, o agente solicita explicitamente ao usuário um julgamento em relação ao grau de adequação do documento em relação ao conceito.

· Leitura e julgamento de documentos locais; · Leitura e julgamento de links já associados a um

conceito através de interações passadas. Figura 18: Perfil de usuário mostrando traços de interação social associados a documentos e links. Dentre outras informações, aparecem as datas em que os documentos e links foram recebidos e o contato que os recomendou, assim

As facetas definidas registram, em relação aos conceitos acessados, tanto as ações monitoradas quanto os grupos e papéis dos contatos envolvidos. Tais facetas permitem a um agente COMMUNET traçar de forma acurada o perfil do usuário ao qual serve. Parte das habilidades do agente são ilustradas na figura 19. A mesma apresenta dados colhidos e utilizados por um agente real nos processos de partilha de conhecimento, através das facetas definidas. Os eixos da figura representam respectivamente:

· Uma seqüência de ações do usuário ao qual o agente está dedicado (na horizontal);

· O conceito ao qual cada ação está atrelada (em

profundidade);

· A classificação de cada uma das ações (segundo o conjunto de ações monitoradas) atreladas a um conceito (no eixo vertical).

As informações coletadas através das facetas explicitam a mudança de foco nas pesquisas do usuário. Já o tipo de cada ação executada e a sua freqüência são possíveis indicadores da profundidade do interesse do usuário num conceito em instantes particulares de tempo.

Para cada contato da rede social do usuário, o agente se vale das facetas para considerar o grau de colaboração (a utilidade das recomendações) em relação aos conceitos pesquisados. As facetas permitem ao agente tratar o aspecto sócio-organizacional das trocas promovidas entre pares. Os

Figura 19: Seqüência de ações de um usuário real atreladas a conceitos através das facetas definidas. São registradas não somente as ações, mas também o tipo de ação (na vertical) e o conceito

grupos e papéis utilizados pelo usuário para estruturar a sua rede social (como ilustrado na figura 15), em conjunção com as facetas, permitem ao agente diferenciar as contribuições associadas aos mesmos considerando conceitos diferentes. Ou seja, podem ser julgados não apenas contatos isolados ou a contribuição geral de um contato, mas também conceitos específicos e conjuntos particulares de contatos.

Figura 20: Sociograma conceitual de um agente COMMUNET no seu estado inicial, considerando todos

(“all”) os conceitos representados na ontologia e os grupos e papéis dos contatos do usuário. A figura 20 mostra um sociograma conceitual, que consiste da representação do conjunto de contatos, selecionados pelo usuário para fazer parte da visão subjetiva (e estruturada através de grupos e papéis) da rede em relação a um conceito ou conjunto de conceitos. Um sociograma conceitual demonstra principalmente dois pontos:

·O agente é consciente da visão particular da rede social do usuário, subjetivamente organizada; ·O agente é capaz de calcular e associar, através

das facetas definidas (KAOS, KUOS e Access), as contribuições de cada contato em relação a um conceito.

A distância entre um contato e o usuário central ilustra o grau de utilidade das recomendações fornecidas em relação ao conceito focalizado (ou conjunto de conceitos): quanto menor a distância que o separa do usuário central, maior a contribuição acumulada. Ao realizar uma consulta aos seus pares, o agente COMMUNET calcula e utiliza o sociograma conceitual para o conceito pesquisado para ordenar as respostas recebidas

Particularmente, a figura 20 ilustra o estado inicial dos contatos em relação a todos (“all”) os conceitos representados na ontologia do agente COMMUNET. Este estado inicial demonstra, além do fato do agente ser consciente da visão subjetiva da rede social, a ausência total de contribuições de qualquer um dos contatos. Como as interações entre pares ainda não começaram todos os

contatos são eqüidistantes, sendo a distância igual à distância máxima.

A situação inicial pode ser contrastada com a figura 21. Nela aparece o sociograma conceitual calculado por um agente COMMUNET para o conceito “Knowledge

Representation”. Um detalhe curioso, e aparentemente

contraditório, diz respeito à contribuição do contato considerado desafeto do TRABALHO. O desafeto contribuiu mais que qualquer outro contato com recomendações consideradas úteis pelo usuário central. Entretanto, na vida real não raro isto acontece de fato.

Figura 21: Sociograma conceitual de um agente COMMUNET para o conceito “Knowledge

Representation” após diversas interações.

Já a figura 22 mostra um quadro completamente diferente do anterior. Para o conceito “Agents”, os amigos e

colegas do TRABALHO foram aqueles que contribuíram de

forma mais efetiva, sendo relegado o desafeto ao comportamento “esperado” (i.e., nenhuma contribuição).

Figura 22: Sociograma conceitual de um agente COMMUNET para o conceito “Agents” após diversas

A discriminação das contribuições de contatos desempenhando papéis específicos, em relação a conceitos particulares, é fundamental para buscar e/ou fortalecer possíveis parcerias no interior de comunidades. Ainda, o valor acumulado das contribuições pode ser mais útil em situações particulares. A figura 23 evidencia o tratamento deste caso por um agente COMMUNET, apresentando um sociograma análogo àquele da figura 20.

Figura 23: Sociograma conceitual de um agente COMMUNET considerando as contribuições acumuladas

dos contatos para todos (“all”) os conceitos representados, após diversas interações.

Os sociogramas permitem apreciar a evolução das contribuições propiciadas pelas interações sociais dedicadas à partilha de informação no interior de comunidades estabelecidas através de redes sociais. Como conseqüência do uso das facetas definidas, a dinâmica das trocas sociais pode ser observada sob uma nova perspectiva.

7 C

Este artigo buscou realçar a importância e a necessidade de modelos computacionais que permitam desenvolver sistemas que proporcionem experiências e conhecimentos mais significativos para os usuários. Ao mesmo tempo, devem ser preservadas tanto a autonomia quanto a privacidade nas trocas de conhecimento para viabilizar o aprendizado em comunidades.

Particularmente, ao propor um modelo de representação de conhecimento que permita manipular componentes sociais associados a conceitos, foi apontada a importância de considerar o desenvolvimento de sistemas voltados ao aprendizado, baseados em agentes inteligentes socialmente hábeis formando redes P2P. O modelo apresentado auxilia a interligar diferentes visões de mundo quando tais agentes interagem para usar e compartilhar conhecimentos em SMA, referenciando-os através de informação sócio-organizacional. Embora existam alguns trabalhos correlatos [18], nenhuma das estratégias

conhecidas enfoca a dimensão sócio-organizacional subjetiva dos conceitos para agentes autônomos imersos em comunidades.

Dentre as possibilidades abertas para futuros trabalhos, encontra-se a aplicação do enfoque a turmas de ensino presencial. Isto pode permitir a ampliação do modelo para que agentes possam cooperar de forma pró-ativa, e.g. quando um agente descobre que um outro agente possui um certo conhecimento, pode convidar o mesmo a pertencer/formar um grupo e assumir um papel, isto pode levar à formação de grupos de alunos que passem a criar/ compartilhar novas categorias, especializando conjuntos particulares de conceitos. O estudo dos resultados de tal tipo de experimento podem permitir aos alunos e professores verificar a semelhança/diferença entre os conceitos mais utilizados por grupos de alunos que mostraram comportamentos particulares durante o andamento de uma disciplina. A ontologia inicial para cada disciplina poderia estar associada ao planejamento de cada professor, porém, dando liberdade ao aluno de associar novos conceitos e modificar e/ou apagar os conceitos iniciais. Algumas das perguntas que poderiam ser levantadas incluem: quais os conceitos familiares aos alunos em determinados períodos? Quais os grupos formados? Qual é a taxa de utilização de novos conceitos no decorrer da disciplina (de forma tanto individual quanto coletiva)? Qual o grau de dependência dos resultados obtidos em relação a estratégias pedagógicas particulares e/ou a personalidade do educador?

Adicionalmente, através da adoção do enfoque proposto, a reputação dos agentes [26] pode ser explorada de forma a estudar as influências dos diversos tipos de relações que emergem no interior das comunidades nas quais os seres humanos coexistem.

A

O terceiro autor é parcialmente financiado pelo CNPq, processo número 301041/95-4.

R

B

[1] R. Alves. A escola com que sempre sonhei. Papirus, Brasil, 2001.

[2] M. Araujo, G. B. Marietto e J. S. Sichman. Em direção a uma metodologia para a construção de ontologias. In Anais do SBIE 2002, São Leopoldo, Brasil, páginas 579-582, 2002, ISBN 8574311332.

[3] P. Bourdieu. A economia das trocas lingüísticas. EDUSP, SP, Brasil, 1998.

[4] D. B. Bromley. Reputation, image and impression management. John Wiley, UK, 1993.

[5] V. Chaudhri, A. Farquhar, R. Fikes, P. Karp and J. Rice. OKBC: A programmatic foundation for knowledge interoperability. In AAAI 98, Madison, Wisconsin, USA, p. 600-607, 1998, ISBN 0-262-51098-7.

[6] F. Bica, R. V. Silveira, Viccari, R. M. M.. Eletrotutor III: Uma Abordagem Multiagentes. In Anais do SBIE

1998, Fortaleza, Ceará, Brasil, 1998.

[7] European Parliament. Draft Report on the ECHELON Interception System – 2001. Http:// www.europarl.eu.int/tempcom/echelon, dez. 2001. [8] E. Fehr and U. Fischbacher. The nature of human

altruism. Nature, 425(6960): 785-791, 2003, ISSN 0028-0836.

[9] L. B. Figo, E. Pozzebon e G. Bittencourt. O Papel dos Agentes Inteligentes nos Sistemas Tutores Inteligentes. In WCETE, São Paulo, SP, Brasil, página 86, 2004, ISBN: 8589120120.

[10] P. Freire. Pedagogia da Autonomia. Editora Paz e Terra, SP, Brasil, 1996.

[11] T. Gruber. Towards principles for the design of ontologies used for knowledge sharing.

International Journal of Human-Computer Studies,

43(5/6):907/928, 1995, ISSN: 1071-5819.

[12] N. Guarino. Formal ontological distinctions for information organization, extraction, and integration. In M. T. Pazienza (ed.), Frascati, Italy, LNAI 1299, páginas 139-170, ISBN 3-540-63438-X Springer, 1997. [13] J. F. Hübner, J. S. Sichman and O. Boissier. A Model for the Structural, Functional and Deontic Specification of Organizations in Multi-Agent Systems. In Proceedings of the SBIA’02 Conference, Porto de Galinhas, LNCS 2507, p. 118-128, Springer, 2002, ISSN/ISBN: 03029743.

[14] M.-R. Koivunen. W3C Semantic web activity. In W3C.

Semantic Web Kick-off. Semantic Web Kick-off Meeting. Http://www.w3c.org/Talks/

2001/1102-semweb-fin, Finland, Dez 2001.

[15] M.-C. Lavabre. For a sociology of collective memory. In CNRS Cross-disciplinary Encounters: Memories. http://www.cnrs.fr/cw/en/pres/ memoire, Dez. 2000. [16] D. Lawrie, W. B. Croft, and A. L. Rosenberg. Findinf Topic Words for Hierarchical Summarization (draft version). Proceedings of the SIGIR’01 Conference, New Orleans, USA, p. 349-357, 2001, ISBN 1-58113-331-6.

[17] C. Müller, B. Wellman and A. Marin. How to use SPSS to study ego-centered networks. Bulletin de

méthodologies sociologiques, (64):63-76,1999, ISSN

0759-1063.

[18] W. Nejdl, B. Wolf, C. Qu, S. Decker, M. Sintek, A. Naeve, M. Nilsson, M. Palmér and T. Risch. Edutella: A P2P networking infrastructure based on RDF. In

Proceedings of the WWW 2002 Conference,

Honolulu, Hawaii, USA, p. 604-615, 2002, ISBN 1-880672-20-0.

[19] S. Saroiu, P. K. Gummadi and S. D. Gribble. A measurement study of peer-to-peer file sharing systems. In Proceedings of the Multimedia

Computing and Networking 2002 Conference, San

Jose, CA, USA, p. 156-170, 2002, ISBN 0-8194-4413-8. [20] J. S. Sichman and R. Conte. On personal and role mental attitudes: a preliminary dependence-based analysis. In Advances in Artificial Intelligence, 1ed. Berlin, p. 1-10, 1998, ISBN: 354065190.

[21] S. Staab and A. Maedche. Knowledge portals: ontologies at work. AI Magazine, 22(2):63-75, 2001, ISSN 0738-4602.

[22] L. Steels. The origin of ontologies and communication conventions in multi-agent systems. Autonomous

Agents and Multi-Agent Systems, 1(2):169-194, 1998,

ISSN 1387-2532.

[23] V. Tamma and T. Bench-Capon. A conceptual model to facilitate knowledge sharing in multi-agent systems. In Proceedings of the OAS 2001 Workshop, Canada, CEUR Workshop Proceedings, pp. 69-76, 2001, ISSN 1613-0073, http://CEUR-WS.org/Vol-52/, Dez 2001.

[24] J. Travers and S. Milgram. An Experimental Study of the Small World Problem. Sociometry, 32(4):425-443, 1969, ISSN: 0038-0431.

[25] H. Wache, T. Vögele, U. Visser, H. Stuckenschmidt, G. Schuster, H. Neumann and S. Hübner. Ontology-based integration of information – a survey of existig approaches. In IJCAI Workshop on Ontologies and

Information Sharing, Seattle, USA, CEUR Workshop

Proceedings p. 108-117, 2001, ISSN 1613-0073, http:/ /CEUR-WS.org/Vol-47, Nov 2001.

[26] B. Yu, and M. P. Singh. An Evidential Model of Distributed Reputation Management. In Proceedings

of the AAMAS’02 Conference, Bologna, Italy, p.