PROGRAMA DE PÓS-GRADUAÇÃO
MESTRADO EM ENSINO DE CIÊNCIAS
Proposta de Mecanismos de Recomendação e Reputação
na Recuperação de Textos Didáticos Abertos
A
LEXANDER
G
OBBATO
P
AULINO
A
LBUQUERQUE
Orientador: Prof. Dr. Ismar Frango Silveira
Dissertação apresentada ao Mestrado em Ensino de Ciências, da Universidade Cruzeiro do Sul, como parte dos requisitos para a obtenção do título de Mestre em Ensino de Ciências.
SÃO PAULO 2013
AUTORIZO A REPRODUÇÃO E DIVULGAÇÃO TOTAL OU PARCIAL DESTE TRABALHO, POR QUALQUER MEIO CONVENCIONAL OU ELETRÔNICO, PARA FINS DE ESTUDO E PESQUISA, DESDE QUE CITADA A FONTE.
FICHA CATALOGRÁFICA ELABORADA PELA BIBLIOTECA CENTRAL DA
UNIVERSIDADE CRUZEIRO DO SUL
A298p
Albuquerque, Alexander Gobbato Paulino.
Proposta de mecanismos de recomendação e reputação na recuperação de textos didáticos abertos / Alexander Gobbato Paulino Albuquerque. -- São Paulo; SP: [s.n], 2013.
88 p. : il. ; 30 cm.
Orientador: Ismar Frango Silveira.
Dissertação (mestrado) - Programa de Pós-Graduação em Ensino de Ciências, Universidade Cruzeiro do Sul.
1. Sistema aberto (Infornática) 2. Sistema computacional 3. Ciência da computação 4. Ensino. I. Silveira, Ismar Frango. II. Universidade Cruzeiro do Sul. Programa de Pós-Graduação em Ensino de Ciências. III. Título.
PROGRAMA DE PÓS-GRADUAÇÃO
Proposta de Mecanismos de Recomendação e Reputação
na Recuperação de Textos Didáticos Abertos
A
LEXANDER
G
OBBATO
P
AULINO
A
LBUQUERQUE
Dissertação de mestrado defendida e aprovada pela Banca Examinadora em 12/12/2013.
BANCA EXAMINADORA:
Prof. Dr. Ismar Frango Silveira Universidade Cruzeiro do Sul Presidente
Prof. Dr. Carlos Fernando Araújo Júnior Universidade Cruzeiro do Sul
Profª. Drª. Pollyana Notargiacomo Mustaro Universidade Presbiteriana Mackenzie
A conclusão deste trabalho representa uma das mais importantes etapas de minha vida acadêmica, reconheço que não seria possível sem o apoio de minha esposa Sabrina, que além de ser muito compreensível, abrindo mão de muitas coisas, foi uma excelente companheira em uma importante etapa de nossas vidas, a gestação e o nascimento da nossa linda filha Giovanna. Agradeço a todos da minha família, que estiveram comigo em mais essa conquista.
Agradeço a Deus por ter me dado força, paciência e sabedoria para conseguir concluir esse trabalho e me proporcionando mais uma vitória!
Ao meu orientador, professor Dr. Ismar Frango Silveira, pela acolhida da minha pesquisa, pelas suas orientações e contribuições, cuja vasta experiência me fizeram ter novos desafios, reflexões e expandir meus horizontes.
Aos amigos e colegas que durante essa jornada me ajudaram com informações e conselhos no desenvolvimento dessa dissertação.
Gostaria de deixar aqui registrado minha sincera gratidão e reconhecimento a todos que não foram citados, mas que de uma forma ou de outra, contribuíram para o êxito deste trabalho.
Para finalizar só tenho a agradecer a minha mãe por sempre ter sido uma mulher dedicada aos filhos, ela sempre estará em meu coração e nas minhas memórias.
RESUMO
O aluno, ao cursar uma universidade, precisa dispor de um determinado valor para aquisição de livros durante o período letivo e, muitas vezes, os custos anuais para a compra de livros estão próximos da totalidade da renda familiar mensal ou a ultrapassa. Outra dificuldade que os estudantes enfrentam é o valor pago nas mensalidades - mesmo quando essas não são cobradas ou quando há o recebimento de bolsas oferecidas pelo governo ou pela própria universidade, ainda persistem os valores dos livros didáticos que devem ser adquiridos. O impacto deste problema é acentuado em regiões subdesenvolvidas ou em desenvolvimento, como é o caso da América Latina. Considerando-se não somente o aspecto financeiro, mas também elementos culturais que envolvem a necessidade de estimular a produção de livros didáticos na região, uma das propostas do projeto LATIn é o desenvolvimento de uma ferramenta colaborativa e aberta de criação de livros para o ensino superior. Essa iniciativa deverá incentivar e apoiar os professores a contribuir com a criação de textos individualizados, que se reunidos poderão formar um livro personalizado. Esses livros serão disponibilizados gratuitamente ou por um preço mais acessível. Ainda essa solução poderá ser utilizada para personalizar os livros, permitindo que o professor selecione as seções mais importantes para seu curso, ou podendo adaptar as seções existentes às necessidades atuais. A proposta descrita nessa dissertação é a de criação de um sistema computacional para reputar informações sobre livros abertos colaborativos contidas em repositório. Essa reputação tem como objetivo final auxiliar o usuário, que nesse caso serão os professores, na escolha de textos colaborativos a partir de um repositório de acordo com sua reputação, estabelecida pelos próprios usuários. Essa dissertação elenca as técnicas e os mecanismos de recomendação e de reputação para aplicá-los em um repositório de textos didáticos abertos e colaborativos, por meio de um sistema computacional. Estima-se que o uso de tais ferramentas proporciona ganho em produtividade na geração de conteúdos educacionais, uma vez que potencializam seu reuso ao trazer maior facilidade em sua recuperação.
ABSTRACT
Students, in order to attend university, must have a minimal budget for the purchase of textbooks during their academic life. In some cases, the annual costs for the purchase of textbooks are close to - or higher than -the monthly family income. Another barrier faced by students are the fees that are paid: even when pursuing a scholarship sponsored by the government or the University itself, there are still the costs associated to the books students must acquire. The impact of such issue is amplified in regions that are under development or even underdeveloped, as Latin America. Considering not only the budgetary problem, but also cultural elements that incorporates the need for stimulating the regional textbook production, one of the proposals of LATIn project is the development of a collaborative tool for creating open books for higher education. This initiative would encourage and support teachers to contribute to the creation of individualized texts that together may form personalized books, which could be available for free or at low costs. Besides, this solution may be used to customize those books, allowing teachers to select the most relevant sections for their courses or adapting existing sections to their current needs. The proposal of this Masters' thesis is the creation of a computational tool for reputing information about open collaborative books into a repository. That reputation aims to assist end users, professors in this case, to choose a collaborative text from a repository, observing its rating - which is determined by the users themselves. This work presents some reputation and recommendation techniques and mechanisms to be applied in an open textbooks and collaborative repository, through a computational system. It is estimated that the use of such tools provides productivity gains in the content generation process, since they improve contents' reuse by making its recovery easier.
Keywords: Open educational resources, Recommendation systems, Reputation systems, Collaborative textbooks.
Figura 1 Nível de acesso aos livros de leitura obrigatória ao semestre
que está cursando... 17
Figura 2 Impacto no orçamento para a compra de livros ... 18
Figura 3 Frequência com que o aluno está conectado à internet ... 19
Figura 4 Recomendação de itens para os usuário - Ebay ... 26
Figura 5 Sistema de Reputação Centralizado ... 27
Figura 6 Sistema de Reputação Distribuído ... 28
Figura 7 Algoritmos de filtragem colaborativa ... 32
Figura 8 Quantidade de reputações recebidas ... 36
Figura 9 Porcentagem de reputações recebidas ... 37
Figura 10 Feedback dos usuários que adquiriram o produto ... 37
Figura 11 Reputação de relação ... 41
Figura 12 Reputação de vídeos ... 42
Figura 13 Classificação de atendimento do hotel ... 42
Figura 14 Reputação dos hotéis cadastrados ... 43
Figura 15 CSCW utilizado em diferentes situações ... 47
Figura 16 Modelo 3C de colaboração ... 48
Figura 17 Ambiente de desenvolvimento colaborativo ... 49
Figura 18 Ferramenta colaborativa GoogleDocs ... 51
Figura 19 Processador de texto online ... 52
Figura 20 Processador de texto online - ferramenta ... 52
Figura 21 Notações colaborativas ... 53
Figura 22 NoteMesh - ferramenta ... 53
Figura 23 Filtro de conteúdo ... 61
Figura 27 1º ambiente/cenário (pesquisa) ... 68
Figura 28 1º ambiente/cenário (criação conteúdo) ... 69
Figura 29 2º ambiente/cenário (texto base) ... 70
Figura 30 3º ambiente/cenário (documentos) ... 70
Tabela 1 10 diferentes cursos em uma universidade pública de São Paulo (USP) ... 15
Tabela 2 Livros esgotados listados na bibliografia obrigatória dos cursos. ... 16
Tabela 3 Escala ... 35
Tabela 4 Classificação Comprador Mercado Livre ... 39
Tabela 5 Classificação Vendedor Mercado Livre ... 39
Tabela 6 Diferenças CSCW x CSCL ... 49
Gráfico 1 Criação de conteúdo colaborativo... 72
Gráfico 2 Criação de conteúdo para ser utilizado em sala de aula ... 73
Gráfico 3 Eficacidade de busca de conteúdo e/ou palavra-chave. ... 74
Gráfico 4 O documento criado para servir como texto-base ... 75
Gráfico 5 Tempo dedicado para contribuir com a criação de conteúdos e ajudar no aumento do acervo do repositório ... 76
Gráfico 6 Recuperação do conteúdo por meio das informações disponíveis ... 77
Gráfico 7 Disponibilização de PDF por meio da ferramenta. ... 78
Gráfico 8 Contribuição para permanência do aluno na escola/universidade. ... 79
CAPÍTULO 1 INTRODUÇÃO ... 12 1.1 Justificativa ... 14 1.2 Objetivo Geral ... 14 1.3 Objetivo Específico... 15 1.4 Hipótese ... 15 1.5 Motivação ... 15 1.6 Organização do trabalho ... 19
CAPÍTULO 2 SISTEMA DE RECOMENDAÇÃO E REPUTAÇÃO ... 21
2.1 Sistema de Recomendação ... 21
2.1.1 Filtragem Colaborativa ... 22
2.2. Sistema de Reputação ... 24
2.2.1 Modelo de reputação centralizado ... 25
2.2.2 Modelo de reputação distribuído... 28
2.2.3 Regret ... 29
2.3 Técnicas de Recomendação e Reputação ... 31
2.4 Mecanismos de filtragem colaborativa ... 32
2.5 Mecanismos de reputação ... 35
2.6 Sistemas existentes que utilizam o recurso de reputação ... 38
2.6.1 Reputação de Pessoas ... 38
2.6.2 Reputação de Relação ... 40
2.6.3 Reputação de Coisas... 41
2.6.4 Reputação de Serviço ... 42
2.7 Comentários finais... 43
CAPÍTULO 3 COLABORAÇÃO E COOPERAÇÃO ... 44
3.1 Sistemas Colaborativos ... 44
3.2 Ambiente de Colaboração ... 46
3.2.1 CSCW ... 46
3.3.1 Textos colaborativos abertos ... 50
3.3.2 Ferramenta de escrita colaborativa ... 51
3.4 Comentários finais... 55
CAPÍTULO 4 PROJETO ... 56
4.1 Padrões de design de software ... 56
4.2 Estrutura do sistema ... 57
4.3 Critérios de classificação dos documentos pesquisados ... 58
4.4 Cálculo para pontuação do conteúdo ... 58
CAPÍTULO 5 IMPLEMENTAÇÃO E TESTES ... 60
5.1 Processo metodológico ... 67
5.2 Cenários ... 67
5.3 Análises dos Resultados ... 70
5.4 Comentários finais... 79
CAPÍTULO 6 CONSIDERAÇÕES FINAIS ... 80
REFERÊNCIAS ... 83
CAPÍTULO 1 – INTRODUÇÃO
A recuperação e a busca de informação podem acontecer de muitas maneiras, por exemplo, se for preciso localizar algum e-mail nas listas de contato ou utilizar o Google para efetuar uma pesquisa baseando-se em uma palavra, será utilizado um sistema de recuperação de informação.
Em um sistema de recuperação de informação, uma pesquisa não está associada exclusivamente a um único documento, é necessário fornecer os dados de diversos documentos, que por meio de uma consulta, coloca-se em evidência o que se apresenta como sendo o mais relevante da busca.
O usuário fornece a um sistema de recuperação de informação uma consulta formulada a partir do que se deseja encontrar. O sistema então compara o que foi solicitado com os documentos armazenados em um repositório e o resultado final é o retorno ao usuário com os documentos que mais satisfazem a necessidade dele. A busca é a forma que o usuário possui para representar suas necessidades e essa necessidade é representada por meio de palavras-chaves.
Conforme Cendón (2001), o resultado exibido deverá ser classificado de alguma maneira para que o usuário possa identificar o grau de importância que o documento possui em relação às palavras-chaves preenchidas.
Quando efetuada uma pesquisa, as informações são ordenadas de tal maneira que possam auxiliar o usuário na escolha dos itens retornados. Por exemplo, ao verificar o retorno de uma pesquisa no Google efetuada por meio de palavras-chave, os resultados podem ser, assim, classificados:
por meio dos links, levando em consideração os sites que possuem interligação;
pela frequência, onde as palavras-chaves aparecem na página, quanto maior o número de aparição, melhor ranqueada será;
por meio da localização, isto é, a palavra-chave pode estar localizada em tags1 específicas na página e dependendo da posição encontrada resulta em sua classificação. Quanto mais elevada sua localização, maior será a sua classificação;
por meio do click through, verificando a quantidade de acesso que a página recebe em relação às páginas que foram retornadas na mesma pesquisa.
No contexto educacional, a forma de se classificar ou de ordenar determinado resultado de pesquisa igualmente pode orientar o usuário na escolha dos elementos.
Quando este usuário é um professor realizando buscas para construção de material didático, o uso de critérios adequados de ordenação dos resultados apresentados pode auxiliá-lo em sua tarefa. Um destes critérios é a reputação dos conteúdos. Na reputação encontram-se maneiras de pontuar esses elementos que podem ser representados por palavras, textos, figuras, fórmulas, etc.
Existem técnicas que podem calcular a reputação dos elementos, as técnicas de reputação e de recomendação como Sistemas Bayesianos (WITHBY et al., 2000), os Modelos Discretos de Cálculo da Confiança (Discrete Trust Models) Abdul-Rahman e Hailes (2000) e a Lógica Nebulosa de Kamvar et al. (2003).
Conforme Resnick et al. (2000) e Huynh et al. (2006), independente da técnica utilizada, existem três tipos de modelos mais usuais, sendo que o modelo de reputação conhecido como centralizado é o comumente empregado em sistemas online (como sistemas de e-commerce, onde os usuários podem relatar as experiências por meio de pontuação ou também de forma textual. O modelo de reputação distribuído, em que o usuário fornece sua opinião, podendo ser por meio de pontos ou texto, porém a informação só é disponibilizada quando a parte interessada busca pelas informações; e o modelo híbrido que realiza uma mescla do modelo centralizado e do modelo distribuído. Por fim, há que se citar o modelo Regret, definido por Sabater e Sierra (2002).
1 Estruturas de linguagem de marcação que consistem em breves instruções, tendo uma marca de início e outra de fim.
Dentre os modelos citados anteriormente, o ranking é outra forma de se reputar algo de forma que as informações podem ser abstraídas, a partir, por exemplo, de participações em fóruns ou comunidades.
O feedback também é uma técnica de reputar, verificando-se os comentários deixados pelos usuários e associando-os ao ranking, de forma a identificar todo o histórico do usuário.
1.1 Justificativa
Em um contexto de um repositório de conteúdos educacionais, por meio de técnicas tradicionais de recuperação e de busca de informações, um usuário pode ter acesso a vários conteúdos, realizando a pesquisa por meio de palavras-chave. Este recuperação pode ser mais eficaz se a reputação dos conteúdos for usada como um critério de ordenação dos conteúdos recuperados. O retorno das informações pode vir ordenado de uma maneira que mostre ao pesquisador que aquela informação recebeu avaliações, mostrando a quantidade de vezes que foi utilizada por inteiro ou como parte de outro conteúdo.
Assim, o presente trabalho apresenta uma proposta de um sistema computacional para reputar as informações que estão armazenadas no repositório criado para essa aplicação. A pontuação recebida em cada informação, contida no repositório, tem por finalidade auxiliar o professor na escolha dos itens para a formação de um texto a partir de outros textos.
1.2 Objetivo Geral
Como objetivos gerais, podemos elencar a análise de algumas técnicas de mecanismos de recomendação e de reputação para aplicação em um repositório de textos didáticos abertos e colaborativos, por meio de um sistema computacional. Faz-se necessário considerar, também, a criação de uma ferramenta para a manutenção de informações.
1.3 Objetivo Específico
No que se refere aos objetivos específicos, pretende-se:
• Pesquisar as técnicas de recomendação e de reputação existentes e aplicá-las;
• Desenvolver um sistema computacional que possa auxiliar na recomendação e na reputação de textos didáticos;
• Avaliar os resultados obtidos a partir do desenvolvimento do sistema.
1.4 Hipótese
Os mecanismos de recomendação e de reputação na recuperação de informações de textos didáticos, no contexto educacional, podem contribuir no processo de recuperação de conteúdo educacional eu um repositório, facilitando seu reuso na criação de livros didáticos?
1.4 Motivação
Conforme Ochôa et al. (2011), mesmo que a situação econômica de países classificados como subdesenvolvidos estejam melhores do que em anos anteriores, a desigualdade na distribuição de renda ainda é marcante. A tabela a seguir exibe 10 diferentes cursos em uma universidade pública de São Paulo (USP), onde o valor de compra de livros por ano que o aluno teria para adquirir ao longo de sua formação, quase equivale à renda mensal familiar, conforme estabelecida na Tabela 1.
Tabela 1 – Custo de aquisição de livros anuais comparados à renda familiar
Curso Custo de aquisição dos livros por ano
Estudantes com renda familiar mensal inferior
a R$ 5.000,00
Sistemas de Informação R$ 3.915,58 90,6%
Lic. Ciência da Natureza R$ 3.640,90 91,3%
Lazer e Turismo R$ 4.572,90 81,3%
Marketing R$ 4.242,51 76,1%
Tec. Têxtil e da Indumentária R$ 4.164,79 79,5%
Obstetrícia R$ 5.810,46 86,7%
Gerontologia R$ 4.417,19 91,2%
Ciência da Atividade Física R$ 3.344,75 88,3% Gestão de Políticas Públicas R$ 5.243,02 78,1%
Fonte: O mercado de livro técnicos e científicos no Brasil, Craveiro et al. (2008, p.36).
Conforme Craveiro et al. (2008), as informações indicam que a compra dos livros utilizados na universidade estão acima do limite de gastos dos estudantes. Em todos os cursos, para mais de ¾ dos estudantes da Universidade de São Paulo (USP), os custos anuais para a compra de livros estão próximos da totalidade da renda familiar mensal ou mesmo a ultrapassa.
A tabela seguinte exibe outra dificuldade que o aluno encontra, pois conforme Craveiro et al. (2008), os livros recomendados para os cursos, podem, ainda, não estar acessíveis.
Tabela 2 - Livros listados na bibliografia obrigatória dos cursos e esgotados.
Curso Total de livros esgotados (percentual)
Sistemas de Informação 11,76%
Lic. Ciência da Natureza 35,71%
Lazer e Turismo 9,30%
Marketing 4,55%
Tec. Têxtil e da Indumentária 35,48%
Gestão Ambiental 27,78%
Obstetrícia 40,50%
Gerontologia 41,67%
Ciência da Atividade Física 51,02%
Gestão de Políticas Públicas 17,24%
Fonte: O mercado de livro técnicos e científicos no Brasil, Craveiro et. al (2008, p.36). Outro ponto observado por Craveiro et al. (2008) são os livros importados adquiridos por um alto valor.
Conforme Rodés et al. (2012) foi realizado um levantamento com um total de 2.058 alunos nas Universidade da América Latina, como Escuela Superior Politécnica del Litoral, Equador; Universidad Autónoma de Aguascalientes, México; Universidad de Guadalajara - Virtual México; Universidad Católica de San Pablo, Peru; Universidade Presbiteriana Mackenzie, Brasil; Universidad de la República,
Uruguay; Universidad Nacional de Rosario, Argentina; Universidad Central de Venezuela, Venezuela e Universidad Austral de Chile, Chile para auferir a quantidade de acesso aos livros pelos estudantes, nos diversos formatos. A partir de então, seria possível decidir a necessidade de desenvolvimento de uma plataforma colaborativa para conteúdos abertos.
Conforme Rodés et al. (2012), a figura 1 seguinte evidencia que 50% dos alunos não possuem acesso aos livros obrigatórios porque a compra afetaria o orçamento familiar.
Figura 1 – Nível de acesso aos livros de leitura obrigatória ao semestre que está em curso
Fonte: Gráfico traduzido do artigo Percepciones, actitudes y prácticas respecto a los libros de texto, digitales y en formatos abiertos por parte de estudiantes de universidades de América Latina, Rodés et al.(2012).
Outro levantamento realizado por Rodés et al. (2012), como exibido na figura 2 a seguir, informa que 25% dos alunos não comprariam livros e também que a compra dos livros afetaria diretamente o orçamento familiar.
24% 10% 16% 24% 15% 11% 0% 5% 10% 15% 20% 25% 30% Não compro livros texto. A compra de livros não possui
impacto significativo no meu orçamento. Constitui uma parte mínima do meu orçamento. Constitui uma parte relativamente significativa do meu orçamento. Constitui uma parte muito significativa do meu orçamento. A compra de livros texto afeta
seriamente meu orçamento.
Resposta da frase que melhor representa o nível de acesso
aos livros de leitura obrigatória ao semestre que está em
Figura 2 – Impacto no orçamento para a compra de livros
Fonte: Gráfico traduzido do artigo Percepciones, actitudes y prácticas respecto a los libros de texto, digitales y en formatos abiertos por parte de estudiantes de universidades de América Latina, Rodés et al.(2012).
Outro item importante que foi identificado por Rodés et al. (2012) é de que 90% dos alunos se conectam ao menos uma vez à internet por dia e outra porcentagem de 30%, estão sempre conectados à internet, como mostra a figura 3 a seguir. 0% 5% 10% 15% 20% 25% 30%
Não compro livros texto.
A compra de livros não possui impacto significativo no meu
orçamento.
Constitui uma parte mínima do meu
orçamento.
Constitui uma parte relativamente significativa do meu
orçamento.
Constitui uma parte muito significativa do meu orçamento. A compra de livros texto afeta seriamente meu orçamento. Que impacto tem em seu orçamento a compra de livros-texto para sua
Figura 3 – Frequência com que o aluno está conectado à internet
Fonte: Gráfico traduzida do artigo Percepciones, actitudes y prácticas respecto a los libros de texto, digitales y en formatos abiertos por parte de estudiantes de universidades de América Latina, Rodés et al.(2012).
Outro levantamento realizado por Rodés et al. (2012) é que 54% dos estudantes realizam cópias dos livros das bibliotecas e 48% dos estudantes utilizam o conteúdo da Internet inapropriadamente.
Com base nos levantamentos e informações de Rodés et al. (2012) e Craveiro et al. (2008), o alto custo para adquirir um livro poderá ser substituído por um arquivo digital e, também, considerando a frequência com que os estudantes estão conectados à Internet e utilizam arquivos digitais para leitura, os professores podem disponibilizar os textos bases para os alunos em formato digital.
Um texto-base pode ser formado por meio da utilização de um sistema computacional que auxilie os professores na criação e na reutilização do conteúdo disponibilizado no repositório. As informações são ordenadas conforme a utilização e também por meio de quantidade de indicações.
1.6 Organização do trabalho
A presente dissertação apresenta a seguinte organização: 30% 36% 25% 6% 2% 1% 0% 0% 0% 5% 10% 15% 20% 25% 30% 35% 40% Estou quase sempre conectado. Várias vezes ao dia. Pelo menos uma vez ao dia. Várias vezes por semana. Uma ou duas vezes por semana. A cada 15 dias ou mais. Quase nunca. Nunca Habitualmente, com que frequência você se conecta à Internet?
No capítulo 1 é realizada a contextualização, em que será apresentada uma visão sobre o Sistema de Reputação e de Recomendação, exibindo as vantagens e as desvantagens de alguns sistemas.
No capítulo 2 é feita a introdução sobre a colaboração e a cooperação, exibindo o conceito dos ambientes de colaboração como CSCW, Groupware e CSCL.
No capítulo 3 são apresentadas a estrutura e as informações necessárias para subsidiar o desenvolvimento de um sistema computacional com a finalidade de reputar qualquer informação armazenada.
No capítulo 4 são apresentadas a estrutura e a organização do sistema computacional que será desenvolvido.
No capítulo 5 são apresentados os testes e a implementação do sistema computacional que será desenvolvido.
No capítulo 6 são apresentadas as conclusões, os resultados obtidos e as recomendações para futuros trabalhos.
As referências que embasaram este trabalho e os apêndices estão no final do volume.
CAPÍTULO 2 – SISTEMA DE RECOMENDAÇÃO E DE REPUTAÇÃO
Conforme Resnick et al. (2000), um sistema de recomendação utiliza as informações e as opiniões de uma comunidade de usuário para ajudar individualmente a própria comunidade. Já Balabanović e Shoham (1997) dizem que os leitores online precisam de ferramentas para ajudar com a quantidade de conteúdo disponível na World Wide Web.
Com a globalização e com o surgimento da Web 2.0, a Internet está se tornando um ambiente colaborativo, onde os usuários passaram a ter um papel fundamental quanto ao critério de avaliação de um determinado serviço ou como membro de alguma comunidade virtual.
Etimologicamente, o vocábulo “Reputação” vem da palavra latina “putus”, que significa puro, sem mistura (HOUAISS, 2007), portanto a palavra reputação está associada à pureza.
Cuidar de uma reputação, portanto, quer dizer se dedicar a algo ligado à pureza, segundo as origens da palavra. Os portugueses chamam os meninos de “putos”; os franceses construíram a palavra réputer, que significa merecer confiança. “Putus” também deu origem à palavra deputado, que surgiu quando, na hora de escolher alguém de confiança para negociar em nome do governo francês, o povo adotou a palavra députer (HOUAISS, 2007).
2.1 Sistema de Recomendação
Conforme Balabanović e Shoham (1997), os sistemas de recomendação são geralmente classificados nas seguintes categorias, com base em como são feitas as recomendações:
em conteúdo: o usuário receberá a recomendação a itens semelhantes aos que o usuário preferiu no passado;
de colaboração: o usuário receberá recomendações de itens que pessoas com gostos e com preferências semelhantes aos que os usuários preferiam no passado;
de abordagens híbridas: estes métodos combinam recomendação colaborativa e recomendação baseada em conteúdo.
As recomendações colaborativas são subdivididas em dois modelos, sendo o modelo memory-based e o model-based.
Conforme Adomavicius e Tuzhilin (2005), o modelo memory-based, refere-se às heurísticas que fazem a classificação com base em toda a coleção de itens coletados e calculados anteriormente aos usuários; já o modelo model-based, usa a coleta de classificação para desenvolver um modelo no qual será usado para sugerir uma futura classificação.
2.1.1 Filtragem Colaborativa
Conforme Schafer et al. (2007), a filtragem colaborativa é o processo de seleção ou de avaliação de itens que foram opinados por outros usuários. Schafer
et al. (2007) dizem que o termo Collaborative Filtering vem sendo utilizado a cerca
de dez anos, mas o compartilhamento de informações/opiniões com os outros é utilizado a mais de um século. Eles citam o uso de filtro colaborativo no seguinte exemplo:
Amy possui alguns amigos que dizem gostar da versão mais nova de Hollywood, então ela pode decidir assistir também porque pessoas no grupo dela viram o filme. Ela observa também que Matt recomenda vários itens que ela gosta; Paul recomenda vários itens que ela não gosta e que Margareth recomenda tudo e com o tempo ela aprende a escolher quais opiniões podem ajudá-la na escolha de um item.
Quando alguns colegas de Amy dizem que gostaram da versão mais recente de Hollywood, ela pode decidir que também deva assistir à nova versão de Hollywood. Da mesma forma, se muitos deles acharam um desastre, ela pode decidir gastar seu dinheiro em outro lugar.
O exemplo utilizado, anteriormente, demonstra como a filtragem colaborativa pode ajudar outro indivíduo, a partir de opiniões de outros usuários que fazem parte do mesmo ciclo de amizade, e pode contribuir com a escolha de determinado item.
A partir da quantidade de informações disponível na internet e com a ajuda dos sistemas de busca de informações é possível verificar essas opiniões em tempo real e também criar uma opinião sobre qualquer item em específico.
Schafer et al. (2007) explicam o funcionamento da filtragem colaborativa por meio do sistema chamado MovieLens2, em que é utilizada a pontuação fornecida pelo grupo para então recomendar os filmes. Dessa forma, a classificação é composta pelas informações do usuário e do item com o intuito de melhor visualizar as informações utilizadas em uma matriz, onde a linha representa o usuário, a coluna representa os filmes e a intersecção do usuário e do filme é a pontuação recebida.
O termo usuário é aplicado a qualquer indivíduo que fornece a classificação a um sistema. Esses usuários podem tanto receber informações (recomendações) e também fornecer informações (avaliações). Em um sistema de filtragem colaborativa pode-se pontuar qualquer item e essa pontuação pode ser feita de várias formas como:
Scalar ratings: classificação numérica de 1 a 5, por estrelas ou por classificação ordinais como: concordo plenamente, concordo, neutro, não concordo e não concordo plenamente.
Binary ratings: classificação pode ser feita com as opções: concordo e não concordo ou bom e mau.
Unary ratings: indica se o usuário visualizou ou comprou determinado item.
Schafer et al. (2007) descrevem as funcionalidades de um sistema de filtragem colaborativa como forma de oferecer suporte ou apoio às tarefas que os usuários podem executar. Na filtragem colaborativa podem-se destacar algumas funções como:
2
Recommend itens: mostra uma lista de opções ao usuário que pode vir a ser útil a ele, por isso é utilizado para prever a informação a ser disponibilizada ao usuário. Alguns algoritmos de recomendação não contabilizam esses valores previstos, ao invés de exibir uma classificação personalizada, a mesma é feita por meio de uma média e como resultado a lista de recomendação pode ficar desordenada em relação à média.
Predict for a given item: dado um determinado item, exibe-se uma classificação prevista, para recomendar os itens e o sistema precisa estar preparado para oferecer algumas alternativas aos usuários. Para fornecer previsões para um determinado item, o sistema deve estar pronto para fornecer informações para qualquer item solicitado, mesmo que o item solicitado seja raro de ser pesquisado.
Recommend from a set of items: recomendações realizadas para um conjunto particular ou restrições para um conjunto de itens.
2.2 Sistema de Reputação
O sistema de reputação tem impacto diretamente nas escolhas, mesmo que não se perceba. Na ausência de informações, as pessoas ou itens podem ser avaliados por sua reputação e na web não seria diferente, sem os sistemas de reputação a internet se tornaria um banco com uma vasta informação e não se saberia como organizar as pesquisas de rankings, classificação, análises e filtros de
spam. (O’Relly, 2010).
Conforme Jøsang et al. (2006), a ideia básica é a de permitir que ambos avaliem-se uns aos outros, ou avaliem os serviços oferecidos, e com isso ajudem outras pessoas a decidirem se devem ou não tratar com essa parte no futuro.
O resultado esperado dessa avaliação é que seja um incentivo para que a pessoa ou o serviço tenham uma boa reputação ou aceitação, com isso afetaria o resultado positivamente, elevando a qualidade oferecida.
De acordo com Resnick et al. (2000) e Dellarocas (2001), os sistemas de reputação coletam os retornos dos membros da comunidade. Esses retornos são
avaliados, agregados e disponibilizados publicamente. Todo o histórico do comportamento passado é um indicador confiável para o comportamento futuro. Desse modo ajudam os usuários a selecionarem os indivíduos em que possam confiar e também controlar aqueles que são considerados não-confiáveis.
A reputação pode ser avaliada ou medida de diversas formas e pode ser associada a uma pontuação que está livre para se classificar uma pessoa ou um serviço por qualquer indivíduo. Não existe uma forma correta de classificação, pode-se atribuir pontos, estrelas, notas e/ou recomendações.
Para cada ramo de atividade fica o critério do desenvolvedor ou a finalidade do projeto, bem como a maneira mais adequada de recomendar/julgar. Existem reputações por acesso, por conteúdo disponibilizado, por autor e etc.
Os ambientes de comércio eletrônico, blogs, recomendação de serviços e etc. necessitam de uma classificação para demonstrar ou diferenciar uma pessoa ou um serviço quanto à sua reputação, pois foram projetados os sistemas e as formas de reputação.
Conforme Jøsang et al. (2006) e Resnick (2000), os sistemas de reputação, geralmente são utilizados em mercados virtuais. Eles apresentam métricas quantitativas (número de estrelas, avaliações numéricas, etc.) e qualitativas (opinião subjetiva da transação, do vendedor, do comprador, etc.) para auxiliar os consumidores a escolherem um bom vendedor e a evitar fraudes. Já os sistemas de recomendação são baseados, por exemplo, em um perfil construído a partir do histórico de feedback do usuário sobre os itens que ele já analisou.
2.2.2 Modelo de reputação centralizado
Conforme Resnick et al. (2000) e Huynh et al. (2006), o modelo de reputação centralizado é amplamente utilizado em sistemas online. Essa forma de sistema centralizado permite que os usuários possam relatar ações passadas por meio uma classificação ou também por meio de informações textuais. Esse tipo de informação pode relatar a outros usuários se a pessoa é confiável para fazer negócios ou não.
Os sistemas de reputação centralizados são modelos usados comercialmente, como por exemplo, Amazon e eBay. No eBay, cada reputação é quantificada e após cada transação, o comprador pode classificar o vendedor e vice-versa. A figura 4, a seguir, mostra as reputações dos itens que estão à venda no site do ebay.
Figura 4 - Recomendação de itens para os usuários - Ebay3
A figura 5, a seguir, de Jøsang et al. (2006), demonstra como os usuários A e B denotam parceiros de transação com um histórico de transações passadas, em que pode acontecer uma transação entre eles no presente.
3
Figura 5 - Sistema de Reputação Centralizado4
No geral, os usuários desses sistemas precisam olhar para comentários textuais. Portanto, estes mecanismos não são bem adequados para agentes computacionais, que deve geralmente tomar decisões de forma autônoma. Além disso, uma vez que não há nenhuma autoridade central capaz de controlar todos os agentes em um Sistema Multi-Agentes abertos, um agente pode questionar a credibilidade desses modelos de reputação centralizados e decidir não utilizá-los.
Ainda conforme Jøsang et al. (2006) existem dois aspectos fundamentais do sistema centralizado:
1 - Protocolo de comunicação que permite aos participantes fornecerem avaliações sobre os parceiros de transação e também obterem pontuação dos potenciais parceiros de pontuação.
2 - Uma engine5 de reputação utilizada pela autoridade central para obter a pontuação de reputação de cada participante, baseada na classificação recebida por intermédio de algumas outras informações.
Para exemplificar os aspectos citados anteriormente, Dellarocas et al. (2001), cita que no sistema de reputação do eBay, conhecido como feedback, as avaliações são feitas pelos usuários após uma negociação, e não por agentes de software. A reputação dos usuários é aberta para todos os membros da comunidade e é representada por uma pontuação global, que corresponde à soma de todas as avaliações, positivas, neutras ou negativas.
4
Figura traduzida do artigo A Survey of Trust and Reputation Systems for Online Service Provision – p.14 5
2.2.2 Modelo de reputação distribuído
De acordo com Jøsang et al. 2006), o sistema distribuído, ou seja, em que não existem funções centralizadas, trata-se de um sistema em que não há uma localização central de votos ou uma localização central para obtenção dos pontos de reputação como demonstrado na Figura 6 a seguir. Em vez disso, cada participante registra a opinião sobre cada experiência e fornece essas informações a pedido das partes. A terceira parte que queira fazer uma transação com outro participante deve encontrar o armazenamento distribuído ou tentar obter a classificação de outras comunidades que possivelmente já tiveram uma experiência direta com essa parte.
Figura 6 - Sistema de Reputação Distribuído 6
A parte verificadora calcula a pontuação de reputação com base nas classificações recebidas. No caso da parte verificadora, ter experiência direta com o partido de destino, a experiência desse encontro pode ser considerada como informação confidencial, possivelmente acarretando um peso maior do que os votos recebidos. O pressuposto dessa abordagem é que aqueles usuários que concordaram no passado tendem a concordar novamente no futuro: se o Usuário 1 gosta de A e B, e o Usuário 2 gosta de A, B e C, então é provável que o Usuário 1 goste de C.
Ainda conforme Jøsang et al. (2006), existem dois aspectos fundamentais dos sistemas distribuídos:
1 - Protocolo de comunicação distribuída que permite aos participantes obter as classificações de outros membros da comunidade.
6
2 - Método de cálculo da reputação utilizada por cada agente individual para obter pontos de reputação dos partidos visitados.
Para exemplificar os aspectos citados anteriormente, Jøsang, et al. (2006), citam que o Peer-to-Peer (P2P) representa um ambiente adequado para o controle da reputação distribuída. Em redes P2P, cada nó desempenha o papel de cliente e servidor. Dessa forma permite que os usuários tenham papel mais importante, não somente o de navegar pelas informações, mas fornecendo os seus próprios recursos.
2.2.3 Regret
De acordo com Sabater e Sierra (2002), a estrutura do sistema Regret é baseada em três dimensões de reputação. A primeira é uma interação direta com o membro da mesma comunidade; que é chamada de dimensão individual, em que as informações são transmitidas diretamente. Se as informações são provenientes de outros agentes, utilizando a reputação de testemunho, então elas recebem o nome de dimensão social, sendo a segunda dimensão; a terceira dimensão é a combinação de diferentes formas de reputar para obter novos resultados, essa combinação é chamada de dimensão ontológica.
Ainda conforme Sabater (2002), a dimensão social é divida em três partes: Reputação de Testemunho: pode ser compartilhada e comunicada pelos membros da comunidade, além de o agente construir com base em outro agente. No mundo ideal, somente com agentes confiáveis e homogêneos, essa informação é tão relevante quanto a informação direta.
Se um agente deseja negociar com outro agente, mas nunca existiu uma interação anteriormente, então ele pode armazenar informações de outros agentes que já interagiram com ele e que possam repassar as informações ou as avaliações.
Reputação de Vizinhança: a reputação do individuo que está na comunidade do agente-alvo e sua relação com o agente, é o elemento que deverá ser utilizado para gerar o cálculo da reputação. A reputação não está associada à localização física dos agentes e sim à interação que foi criada por meio dos links. A ideia
principal sobre o comportamento de vizinhança é um tipo de relação que tem como objetivo oferecer dicas sobre o agente em questão.
Reputação de Sistema: a ideia da reputação de sistema é usar o conhecimento comum sobre as estruturas institucionais, além do papel que o agente está atuando na estrutura institucional como um mecanismo para atribuir reputações padrão para os agentes.
A finalidade dos mecanismos de reputação é coletar e agrupar informações de usuários ou serviços, gerando uma pontuação ou classificação dos mesmos. Essa pontuação ou classificação pode ou até mesmo deve auxiliar o usuário a decidir se deve confiar ou não na parte com a qual está negociando.
De acordo com Sabater e Sierra (2002), as vantagens do Sistema Regret é a possibilidade de conhecer a reputação de um agente sem ao menos ter interagido uma única vez com ele e as desvantagens, são que os agentes podem avaliar de forma diferente situações iguais, podendo mentir, além de fornecer informações incorretas. Agentes que estão disputando o mesmo cliente podem omitir informações.
A vantagem do modelo de reputação centralizada é que a reputação do agente é sempre conhecida e está sempre atualizada porque é calculada considerando todas as avaliações ou os testemunhos dos agentes que participam da mesma comunidade.
A desvantagem da reputação centralizada é que não são capazes de armazenar as reputações com quem interagiram e precisam utilizar as informações armazenadas no sistema. Os agentes são pessoas que podem mentir e não possuem uma forma de evitar falsas avaliações.
A vantagem do modelo de reputação descentralizada é que os agentes não necessitam pesquisar em uma fonte centralizada das reputações. O agente constrói sua opinião sobre o comportamento dos outros agentes com os quais já interagiu.
A desvantagem do modelo de reputação descentralizada é que o agente só identifica se outro agente é confiável se o agente-alvo já interagiu com ele
anteriormente. A reputação que um agente obtém pode estar desatualizada, pois aquele pode não ter interagido ultimamente.
2.3 Técnicas de Recomendação e Reputação
Nos parágrafos acima foram exemplificados quais os tipos de reputações e de recomendações existentes, bem como suas finalidades; sendo que para todos os mecanismos existem técnicas. O aprofundamento deste tema encontra-se fora do escopo dessa dissertação. À guisa serão mostradas, brevemente, como exemplificação, algumas formas de se calcular a reputação e a recomendação de itens.
Independente do tipo de sistema, ou seja, os sistemas de reputação centralizados, os sistemas de reputação distribuídos ou os sistemas de recomendações, existem outros métodos para os cálculos. Conforme Jøsang et al. (2006), o cálculo da reputação pode ser realizado por meio da soma de todos os valores de avaliação obtidos. Este método pode ser melhorado por meio do cálculo da média simples ou da média ponderada dos valores de avaliação.
Além dos métodos de soma e de média que podem ser utilizados, outros trabalhos apresentam métodos teóricos para o cálculo da reputação, como a utilização de Sistemas Bayesianos Withby et al. (2000), Modelos Discretos de Cálculo da Confiança (Discrete Trust Models) Abdul-Rahman e Hailes (2000) e Lógica Nebulosa Kamvar et al. (2003).
Conforme Jøsang et al. (2006) e Resnick (2000), os sistemas de reputação mais utilizados estão na área de comércio eletrônico. O site Mercado Livre utiliza um processo de cálculo de reputação denominado Processo de Qualificação, que classifica seus usuários depois de realizada a compra ou a venda de produtos. Neste processo, é utilizada uma arquitetura centralizada no armazenamento das reputações dos usuários que são disponibilizadas para o público em geral.
2.4 Mecanismos de filtragem colaborativa
Conforme Schafer et al. (2007), durante a última década, os algoritmos de filtragem colaborativa se desenvolveram por meio de algoritmos de pesquisas de forma intuitiva, descobrindo as preferências dos usuários, para então atender às exigências de desempenho de grandes aplicações comerciais.
Ainda conforme Schafer et al. (2007) existe uma quantidade de literatura teórica descrevendo os algoritmos de Collaborative Filtering, porém a informação não está totalmente disponível para auxiliar os profissionais na construção de sistemas.
Schafer et al. (2007) explicam que existem algoritmos para recomendar as informações aos usuários, conforme a estrutura abaixo representada pela figura 7:
Figura 7 - Algoritmos de filtragem colaborativa
Non-probabilistic Algorithms: o algoritmo de Collaborative Filtering mais
conhecido é o de proximidade de vizinhança (nearest neighbor), divido em duas categorias, proximidade de usuário baseado na vizinhança e proximidade do item
Collaborative Filtering
(Filtragem Colaborativa)
Non-probabilistic Algorithm
(Algoritmo não probabilístico)
User-based Nearest Neighbor
(Proximidade de usuário baseado na vizinhaça)
Item-based Nearest Neighbor
(Proximidade do item baseado na vizinhança) Dimension Reduction (Redução de Dimensão) Probabilistic Algorithm (Algoritmo probabilístico) Bayesian-Network Models
(Modelo de Rede Bayesian)
Others
baseado na vizinhança, respectivamente chamados de user-based nearest neighbor e item-based nearest neighbor.
No User-Based Nearest Neighbor Algorithms em que as previsões são
geradas com base em avaliações de usuários que possuem as mesmas opiniões; esses usuários são chamados de vizinhos semelhantes. Se um usuário n é semelhante a um usuário x, pode-se dizer que n é vizinho de u. Esse algoritmo é baseado na geração de previsão de um item i, verificando a classificação desse item com os usuários vizinhos ao usuário u.
Então é possível obter a classificação de média de todos os usuários vizinhos para o item i. A equação 1 demonstra a expressão matemática dessa média por usuário, onde r n i é o vizinho de n classificado para o item i.
pred
u,i
=
!"∑n C vizinhoEsse algoritmo deve ser capaz de gerar previsões com maior precisão por meio de avaliações de usuários com opiniões semelhantes ao usuário mais forte. Dessa maneira, se o usuário userSim (u, n) é uma medida de similaridade entre o usuário u e o vizinho n, a previsão pode ser visualizada pela equação 2.
pred
u,i
=
#
n C vizinho
$
" %&', ∗%Infelizmente, se não for possível as semelhanças entre os usuários se somarem, essa previsão será dimensionada incorretamente. Assim, a equação 3 normaliza a previsão, dividindo pela soma das semelhanças dos vizinhos.
pred
u,i
=
∑n C vizinho ∑n C vizinho )*+,-), ∗)*+,-),Os usuários variam na utilização de avaliação de escalas, ou seja, um usuário pode classificar com a escala 4 de 5 estrelas como muito satisfatório. Outro usuário pode classificar 3 de 5 estrelas como um desastre, embora quisessem expressar a mesma opinião. Eles querem dizer a mesma coisa, informando que o item que está sendo avaliado é um dos favoritos, mas utilizando números de forma diferente. Para eq. 1
eq. 2
compensar variações de ratings em escala média, a equação 4 ajusta os votos para os usuários.
pred
u,i
=
∑n C vizinho ∑n C vizinho )*+,-), ∗./ )*+,-),No tipo Item-Based Nearest Neighbor Algorithms, as previsões são geradas
com base em semelhanças entre os itens; as previsões para um usuário u e item i é composto de uma soma ponderada das classificações do usuário u para mais itens semelhantes ao i. A previsão de um item deve ser baseada em avaliações de um usuário para itens similares.
pred
u,i
=
∑ j ∈ classiifcação itens ∑j ∈ classificação itens :+-,-,; ∗):+-,-,;No tipo Dimensionality Reduction, os sistemas de Collaborative Filtering suportam milhões de usuários e de itens. Existem algoritmos que reduzem a complexidade, mapeando o item para um número menor de vizinhança. Estas técnicas definem um mapeamento entre as classificações de um usuário e seus gostos subjacentes.
No Probabilistic Algorithms é fornecida uma distribuição probabilística cruzando os possíveis valores de classificação; a maioria dos algoritmos probabilísticos de Collabortive Filtering calcula a probabilidade fornecendo um usuário u e uma classificação ao item i, o usuário é atribuído a um item de classificação de r: p (r | u, i). Na equação abaixo é previsto um valor de classificação mais provável ou o valor esperado para a classificação r, ou seja, a fórmula para o usuário u esperando a classificação para o item i.
O framework probabilístico mais popular é o modelo Bayesina-network que deriva as dependências probabilísticas entre os usuários e os itens. Existem bons eq. 4
eq. 5
trabalhos sendo desenvolvidos nessa área, por exemplo, a técnica probabilística de redução de dimensão acrescenta uma variável oculta que representa a probabilidade de um usuário que pertence a uma classe z oculta. Para exemplificar esse conceito tem-se a seguinte fórmula:
<=|$, ? = ∑ <=|?, @ <@|$
Pontuação explícita versus pontuação implícitaA pontuação explícita é provida pelos usuários e demonstra uma opinião mais precisa sobre determinado item, por outro lado a pontuação implícita observa o comportamento do usuário, analisando a preferência dele sobre o determinado item; a pontuação implícita não indica realmente a opinião do usuário sobre determinado item.
Juntamente com a pontuação explícita, a escolha da escala é fundamental, quanto mais precisa for a escala, melhor será pontuada a preferência do item que está sendo analisado. Os tipos mais comuns, conforme Schafer et al. (2007) são apresentados na tabela a seguir:
Tabela 3 – Grau de Escala Escala de pontuação Descrição
Unário “Bom” ou “Não sei”
Binário “Bom” ou “Ruim”
Inteiro 1-5, 1-7 ou 1-10
2.5 Mecanismos de reputação
Os sistemas de reputações pretendem gerar sugestões de acordo com a preferência do cliente, as opções que podem ser recomendadas são diversas como serviços, produtos ou conteúdos em geral. Grande parte dos sistemas de recomendações usam as informações fornecidas por outros usuários a partir da experiência obtida. Exemplos típicos de sistemas de recomendações, por exemplo, são as qualificações dos hotéis, em que um usuário pode julgar o hotel como eq. 7
“ótimo”, porque adorou o quarto; já outro usuário classificou o mesmo hotel como “péssimo”, porque não teve uma boa experiência com a camareira.
Como citado no parágrafo anterior, a reputação é feita por meio da experiência dos usuários. De acordo com Jøsang et al. (2006), é dito que a prestação de serviços online ocorre geralmente entre partes que nunca se conectaram um com o outro e em que a pessoa que está adquirindo os serviços ou os produtos não possuem informações suficientes sobre o mesmo, ficando sob a total responsabilidade do usuário que está adquirindo o produto ou o serviço pagar antes mesmo de receber o item desejado.
O ranking de pontuação pode ser gerado por meio de várias formas como participação em fóruns, participação no ambiente atual, pontuação recebida de outros membros do ambiente.
Conforme Resnick (2000) e Dellarocas (2001), em um sistema de comércio eletrônico a classificação serve como informação complementar sobre o perfil dos vendedores e também dos usuários do sistema.
As figuras abaixo ilustram um exemplo de reputação de um usuário do Mercado Livre.
Figura 9 – Porcentagem de reputações recebidas
O feedback é um mecanismo de reputação que permite aos usuários verificar as interações com outros usuários. Por meio dessa ferramenta pode-se, também, analisar o comportamento dos usuários associado ao ranking de pontuação. Desse modo é possível identificar todo o histórico do usuário, qual a pontuação recebida pelo atendimento, qual a solução proposta, entre outras informações.
A figura 10 ilustra um exemplo de feedback recebido pelos usuários do Mercado Livre sobre um vendedor.
Figura 10 - Feedback7dos usuários que adquiriram o produto
As desvantagens do feedback e do ranking, conforme Resnick et al. (2000) é de que na reputação do primeiro existe a possibilidade do usuário escolher outro pseudônimo, fazendo com que sua reputação não seja a real. Falta de relacionamento entre os sistemas, tendo em vista que todas as informações em um
7 Fonte:
http://www.mercadolivre.com.br/jm/profile?act=ver&id=32600267&tipo=L&oper=B&orden=1&RP2=Y, acessado em 17/05/2012
site online não podem ser exportadas para outro site online; também não sendo
possível saber qual a reputação do usuário que acionou o agente-alvo.
Conforme Resnick et al. (2000) a vantagem reside sobre os comentários que ficam armazenados e as interações atuais que são distribuídas.
A solução proposta por Dellarocas (2001) é a criação de sistemas contra avaliações desonestas, a partir de controle de identidades de usuários não permitindo a criação de perfis inválidos, além de utilizar as notas mais recentes para efeitos de cálculos.
2.6 Sistemas existentes que utilizam o recurso de reputação
Nessa seção serão mostrados alguns sistemas que utilizam os métodos e as técnicas de reputar com o intuito de classificarem as pessoas, os produto e os serviços.
2.6.1Reputação de Pessoas
Conforme o Mercado Livre8 existem algumas regras, o sistema se baseia nos dados relacionados às suas atividades no site e sobre o que foi informado, por comentários e réplicas por outros membros da comunidade.
O sistema é responsável por fornecer um indicador sobre a reputação do vendedor, do comprador ou como usuário de serviço; além de não verificar a veracidade das informações, em que pode ocorrer uma falsa reputação. Todos os usuários devem se reputar, tanto como vendedor ou como comprador.
A reputação do usuário se estabelece calculando os pontos recebidos, ao finalizar a transação o usuário pode ser qualificado de três formas diferente, conforme apresenta a tabela 4:
8 http://www.mercadolivre.com.br – site de venda e compra de mercadoria onde é possível avaliar produtos, serviços, compradores e vendedores.
Tabela 4 - Classificação Comprador Mercado Livre Legenda Pontos
Positiva +1
Neutra -
Negativa -1
A representação dos vendedores é representada por um termômetro e os parâmetros utilizados para o vendedor são demonstrados na tabela a seguir.
Tabela 5 - Classificação Vendedor Mercado Livre
Programa de Mercado Líderes
Mercado
Líder Líder Gold Mercado Mercado Líder Platinum
Negociações
realizadas mais 6 ou mais 6 ou mais 6 ou mais 6 ou 25 ou mais 60 ou mais 280 ou mais 871 ou mais Vendas
concretizadas 0% ou mais 43% ou mais 60% ou mais 73% ou mais 84% ou mais 84% ou mais Percentual
qualificações
positivas 0% ou mais 75% ou mais 93% ou mais 99% ou mais 99% ou mais
99% ou mais
Negociações realizadas: quantidade de negociações iniciadas, sejam elas concretizadas ou não.
Vendas concretizadas: vendas qualificadas pelo vendedor como realizadas e também vendas não qualificadas por nenhuma das partes ou não qualificadas pelo vendedor, ainda que o prazo para qualificar não tenha terminado.
Percentual de qualificações positivas: este percentual será obtido pela divisão da soma das qualificações positivas, pelo total de qualificações recebidas pelo usuário (estão excluídas do cálculo as negociações qualificadas como Neutra que não tenham sido realizadas).
A reputação também é medida por meio de um determinado período como demonstrado abaixo:
Vendedores frequentes: (6 ou mais vendas nos últimos 12 meses): Serão considerados os resultados do último ano.
Vendedor pouco frequente: (6 ou mais vendas em toda a sua história como vendedor): Será considerada toda a sua trajetória e será identificado como "vendedor ocasional".
Vendedor com menos de 6 vendas: Será informado a seus compradores qual foi o resultado de suas negociações, porém ainda não terá a métrica de sua reputação como vendedor.
Usuários sem vendas: Estarão identificados com o título de "vendedor novo". 2.6.2 Reputação de Relação
O Orkut9 é uma rede social desenvolvida em 2004, cujo objetivo era fazer com que os usuários conhecessem pessoas e criassem relacionamentos.
Com o tempo, o Orkut implementou algumas ferramentas novas, como sugestões de amigos na página inicial, chat, temas, devido à grande aceitação e à utilização do Facebook10.
Na figura 11 abaixo é visualizada a opção de solicitação de relacionamento em que o usuário define o grau de afinidade.
9 http://www.orkut.com.br – site de relacionamento. 10
Figura 11 - Reputação de relação
O Facebook é uma rede social desenvolvida em 2004, por Mark Zuckerberg. Trata-se de uma rede social gratuita, em que o retorno financeiro é proveniente das propagandas existentes no site. Essa rede social possui várias ferramentas, como o mural, que é um espaço na página de perfil do usuário, permitindo aos amigos relizar várias postagens. Ele é visível para qualquer pessoa com permissão para ver o perfil completo. As notícias podem ser classificadas com a opção do Curtir ou Não Curtir. 2.6.3 Reputação de Coisas
O site do Youtube11 fornece uma série de entretenimentos para seus usuários,
além de permitir que bilhões de pessoas descubram, assistam e compartilhem vídeos criados. Há ainda um fórum para que as pessoas se conectem, informem e inspirem outras, em todo o mundo.
Se um usuário postar um vídeo ou se comportar no site de forma contrária às diretrizes da empresa, o material será removido. Veja abaixo a forma de classificar um vídeo conforme o seu conteúdo fornecido pelo Youtube.
Como exemplo, podemos citar a seguinte classificação: Sexo e Nudez, Chocante e Repugnante, Atos perigosos e ilegais, Crianças, Direitos Autorais.
11
Conforme a figura 12 seguinte, foi verificado que para cada vídeo postado na rede, o internauta pode reputar o conteúdo, para isso existe a opção “Gostei deste” e “Não gostei deste”.
Figura 12 - Reputação de vídeos
2.6.4 Reputação de Serviço
TripAdvisor é um site de viagens que possibilita aos viajantes opções de
hospedagem, hotéis, roteiros e etc., além de fornecer dicas de viajantes reais. Os sites da TripAdvisor juntos formam a maior comunidade de viagens do mundo com mais de 50 milhões de visitantes por mês e mais de 60 milhões de avaliações e opiniões. São fornecidas, ainda, recomendações para hotéis, resorts, pousadas, férias, pacotes de viagem, pacotes de férias, guias de viagem e muito mais.
Os hotéis e restaurantes podem ser reputados da seguinte forma, “Horrível, Ruim, Razoável, Muito Bom e Excelente”. Abaixo um exemplo descrito pelas figuras 13 e 14 de como um usuário poderá classificar cada item:
Figura 14 – Reputação dos hotéis cadastrados
2.7 Comentários finais
Os conteúdos que estão disponíveis para consulta aos usuários podem receber recomendações e reputações. A quantidade de conteúdos disponibilizados dar-se-á devido à forma que a plataforma da internet está projetada e o propósito da Web 2.0 não é apenas disponibilizar texto, mas sim oferecer serviços.
Esse vasto conteúdo que é exibido ao usuário deverá ser reputado para que não seja apenas mais uma informação disponibilizada e sim demonstrar o quanto foi útil aquele conteúdo pesquisado; por isso, ao se recomendar ou reputar algo, está se classificando a importância do texto ou do serviço ofertado.
CAPÍTULO 3 – COLABORAÇÃO E COOPERAÇÃO
Roschelle e Teasley (1995) escreveram que a colaboração é um processo pelo qual os indivíduos negociam e compartilham entendimentos relevantes à resolução de um problema. É uma atividade coordenada e síncrona, resultado de uma tentativa contínua de construir e de manter um entendimento compartilhado de um problema.
Segundo o dicionário Houaiss (2002), a definição de colaboração apresenta-se como um “trabalho feito em comum com uma ou mais pessoas”; vem da aglutinação do prefixo latino co (junto) com labore (trabalho). “Cooperar” tem uma definição similar, a de “atuar, juntamente com outros, para um mesmo fim”.
Ainda, segundo o dicionário Houaiss (2002), a definição de cooperar compreende-se como “ato ou efeito de cooperar, atuar, juntamente com outros, para um mesmo fim; contribuir com trabalho, esforços, auxílio; colaborar”.
Conforme Silveira (2003) existe uma diferença entre as palavras colaboração e cooperação. Embora as duas palavras sejam utilizadas como sinônimos na língua portuguesa, a definição em inglês pelo dicionário Houaiss (2002) mostra uma contradição, já que collaboration é definido como trabalho conjunto para fim intelectual e cooperation é utilizado como um trabalho conjunto para um fim específico.
3.1 Sistemas Colaborativos
Conforme Dobrican (2005) um sistema colaborativo é aquele em que os diversos usuários estão envolvidos em uma atividade compartilhada e provavelmente em lugares diferentes. Sistemas colaborativos são diferenciados pelo fato de que os agentes do sistema estão trabalhando em conjunto para um objetivo comum e que possuem a necessidade de uma interação entre si.
Arba (2005) diz que os sistemas colaborativos representam uma interdisciplinaridade interligada, por exemplo, com a economia, as ciências da
