AUXILIAR: Um Sistema Inteligente para Cursos Online

AUXILIAR:

U

M

S

ISTEMA

I

NTELIGENTE

PARA

C

URSOS

O

NLINE

Resumo: Este trabalho apresenta os módulos Construtor e Raciocinador de

um sistema computacional (AUXILIAR), que foi especificado para auxiliar professores tanto na edição, diagramação e publicação de cursos online, quanto na redefinição de conteúdos para alunos que apresentam dificulda-des na assimilação dos tópicos explorados. Para isso, existe um mecanismo que, além de facilitar o processo de avaliação, procura por casos similares ocorridos com outros alunos em situações passadas semelhantes. Esta pro-cura permite que o sistema possa redefinir o conteúdo a que o aluno deve ser submetido, para eliminar as deficiências detectadas durante a avaliação formativa, sem a necessidade de uma maior intervenção do professor. Para atingir tais objetivos, são explorados tanto conceitos de Inteligência Artifi-cial (especificamente Raciocínio Baseado em Casos - RBC), quanto concei-tos de semiótica, linguagem dialógica e interação homem-máquina, bus-cando facilitar o desenvolvimento e organização dos conteúdos pedagógi-cos a serem disponibilizados em cursos online, potencializando assim a ação docente e a efetividade do processo de ensino-aprendizagem.

Palavras-chave: Ensino Online, Ensino de Engenharia, Semiótica,

Lingua-gem Dialógica.

Abstract This work presents the CONSTRUCTOR and REASONING

mod-ules of a computerized system (AUXILIAR), designed to help tutors not only to edit and desktop publish online courses, but also to redefine information for those students who have difficulties in grasping the topics presented. To this end, there exists a mechanism that ease the evaluation process and search for similar cases involving other students in past situations. This search enables the system to redefine the content of the information to which the student will be presented, so that deficiencies detected during his/her formative evaluation can be eliminated without a considerable intervention of the tutor. To reach these targets, we explored concepts of Artificial Intel-ligence (Case-Based Reasoning - CBR, more specifically), semiotic, dialogic language and man-machine interaction, aiming to ease the development and organization of pedagogical contents that will be available to online courses, empowered the tutors´ actions and the effectiveness of the teach-learning process.

Keywords: Online Education, Engineering Education, Semiotics, Dialogic

Language.

1 I

O crescimento da utilização da Internet, as melhorias nos meios de comunicação e o aumento do poder de processamento dos computadores têm favorecido o crescimento da utilização do ensino a distância utilizando o canal web (ensino online). Isto vem motivando

Universidades de todo o mundo a “repensarem” suas práticas e políticas educacionais e implantarem programas de ensino online.

Entretanto, o nível de utilização do ensino online está longe de atingir sua máxima potencialidade. Uma série de estudos e pesquisas realizadas ao redor do mundo

Dilermando Piva Jr. e Mauro Sérgio Miskulin

DSIF-FEEC-UNICAMP – Av. Albert Einsten, 400 – CEP:13083-970 Campinas – SP - Brasil piva@ieee.org

mauro@fee.unicamp.br

Ricardo Luís de Freitas

PUC-Campinas/Universidade Paulista-Rod. D.Pedro I, Km 136 – CEP:13086-900 - Campinas – SP – Brasil

rfreitas@puc-campinas.edu.br

Carlos Miguel Tobar

CEATEC-PUC-Campinas – Rod. D.Pedro I, Km 136 – CEP:13086-900 Campinas – SP – Brasil

apontam diversos obstáculos percebidos pelos professores, de ordem pessoal, tecnológica e institucional, como sendo causa de tal limitação.

A partir destas considerações, foi elaborado um planejamento de desenvolvimento de um sistema computacional (AUXILIAR [16]) que tem por objetivo minimizar esses obstáculos, potencializando a ação docente. Tal desenvolvimento foi executado em três fases. A primeira fase comporta o ferramental de edição, diagramação e publicação de cursos online, que foi chamado de módulo CONSTRUTOR. A segunda fase agrega à primeira fase o módulo de migração de tais conteúdos para Ambientes Gerenciadores de Ensino Online, tais como Teleduc (NIED – UNICAMP), AulaNet (PUC-Rio), WebCT, Blackboard, entre outros. A terceira fase agrega às anteriores o módulo raciocinador que controla o caminho percorrido pelo aluno ao logo do conteúdo explorado no curso. Tal módulo também é responsável por redefinir de forma automática o conteúdo onde o aluno apresentou deficiências, de acordo com o caminho percorrido e as avaliações que foram realizadas. Para isso, utiliza a abordagem de Inteligência Artificial conhecida como Raciocínio Baseado em Casos (RBC) [10]. Assim, este artigo tem como objetivo apresentar os módulos CONSTRUTOR e RACIOCINADOR, mostrando suas características, arquitetura e forma de funcionamento. Na seção 2, o presente artigo apresenta uma síntese de obstáculos encontrados por diversos autores na introdução do ensino online. Na seção 3, apresenta-se a arquitetura do modelo proposto de ensino. Na seção seguinte, seção 4, apresenta-se a ferramenta que auxilia os docentes na edição e publicação de cursos online: módulo Construtor. O módulo raciocinador, com sua arquitetura e forma de operacionalização, é apresentado na seção 5. Este módulo é responsável pelo redirecionamento automático do aluno pelo material disponível, em função do seu desempenho. Por fim, na seção 6, são tecidas algumas inferências conclusivas.

2 O

I

E

O

Para se conseguir sucesso na integração da tecnologia ao ensino, não devemos apenas nos ater à aceitação e efetiva utilização da tecnologia pelos alunos, mas também, e de forma prioritária, do seu entendimento e sua massiva utilização por parte dos professores. No caso do ensino online, estudos relatam uma série de obstáculos (barreiras) que impedem o efetivo uso da tecnologia pelos professores, fazendo surgir um hiato entre o uso atual e o esperado.

Pajo e Wallace [14] baseados no resultado de uma pesquisa realizada junto aos professores das Faculdades de Negócios, Ciência e Educação da Universidade Massey (Nova Zelândia), apontam como principais obstáculos: 1) o tempo necessário para assimilar a nova tecnologia; 2) o tempo associado com o desenvolvimento e implementação

de cursos baseado na web; e 3) o tempo necessário para usar os ambientes de ensino online e monitoramento do curso (feedback aos alunos). James e Beattie [7] realizaram um estudo no ensino em nível de pós-graduação na Austrália, revelando uma lenta evolução das opções de ensino online, onde o meio dominante de instrução ainda era o escrito. Segundo os autores, uma maior utilização do ensino online ainda não foi alcançada devidos aos seguintes fatores: falta de consenso dos padrões acadêmicos; impactos reversos sobre outros trabalhos acadêmicos (como por exemplo, nas pesquisas) e a ausência de suporte técnico. Especificamente no item de impactos nos trabalhos acadêmicos, os autores identificaram junto aos professores entrevistados as razões que influenciariam neste impacto negativo, chegando a três principais (obstáculos): 1) o tempo exigido para o gerenciamento das turmas e demais tarefas adjacentes ao ensino online (principalmente, feedback aos alunos); 2) a maior quantidade de tempo necessário para a produção de materiais de aprendizado com qualidade; e 3) as recompensas de ensinar a distância são as mesmas ou inferiores ao de ensinar pelo método tradicional.

Trabalhos com resultados semelhantes podem ser encontrados em [3], [11], [5], [18], [4] e [20].

3 O M

E

P

Através dos estudos realizados, foi possível verificar que além da reconstrução e formatação dos conteúdos, utilizando técnicas inerentes à internet e ao processo de ensino a distância (tais como hipertexto, linguagem dialógica, semiótica e conceitos de interação homem-máquina), a avaliação do aprendizado destes conteúdos mostra-se de grande importância. Entende-se que, dentro de um curso oferecido à distância, cada conceito tem a sua própria forma de avaliação e exposição de materiais instrucionais. Um modelo simplificado da organização dos conteúdos de cada conceito é mostrado na Figura 1. Nela tem-se uma visão sintética de como o núcleo de inferências do sistema conduz o processo de avaliação em torno dos conceitos estudados. Como pode ser identificado, um conceito é composto por três partes básicas: Proposta Pedagógica; Conteúdos Pedagógicos e Mídias e Questões para Verificação do Aprendizado.

Todos esses conteúdos são armazenados em Bases de Conhecimento, o que facilita a sua manutenção e posterior recuperação. Para a recuperação dessas informações, baseada no perfil do aluno, são utilizadas técnicas de Inteligência Artificial, especificamente RBC, como citado anteriormente. Isto facilita a questão de migração simétrica entre os conceitos, dado um problema de aprendizagem.

Na montagem automática da avaliação pelo sistema, o professor deverá fornecer o Critério mais adequado de Avaliação daquele determinado conteúdo. Existindo compatibilidade entre a base de questões e o critério de avaliação, o sistema montará, automaticamente a Avaliação.

Assim, o desenvolvimento do sistema AUXILIAR tem por finalidade a potencialização do processo de ensino-aprendizagem, corroborando na minimização dos impactos no processo de ensino online ocasionados pelos obstáculos descritos anteriormente. Para melhor compreender o funcionamento do sistema, tem-se, a seguir, uma visão geral dos módulos CONSTRUTOR e RACIOCINADOR.

4 C

Em estudo recente, Khalifa e Lam [9] provaram que o aprendizado através de conteúdos “estáticos”, tais como utilização de arquivos do Word e apresentações em PowerPoint (os autores intitulam tais conteúdos como DPL – distributed passive learning) é inferior ao baseado em conteúdos distribuídos na forma de hipertexto (os autores classificam tais conteúdos como DIL – distributed interactive learning). Nos resultados encontrados pelos autores, verificou-se que os grupos que utilizaram os cursos no formato de hipertextos, conseguiram média de aprovação 16,3% superior a verificada nos grupos que utilizaram os cursos no formato “estático”.

Isto leva a concluir que a reutilização de conteúdos, previamente construídos para a utilização em aulas presenciais, não deve ocorrer nos programas de ensino online. A reconstrução dos conteúdos é imprescindível para se conseguir uma maior efetividade do processo.

Neste contexto, o módulo CONSTRUTOR foi desenvolvido objetivando justamente incorporar

características que permitam uma maior adequação da organização do conteúdo de forma a evitar o formato “estático” no curso.

Um dos princípios que nortearam o desenvolvimento deste módulo é a linguagem semiótica, que está implícita no processo de ensino online. Existem inúmeras definições de semiótica. Neste artigo adotaremos apenas a linha de Charles Sanders Peirce (1839-1914), por entendermos ser esta a mais abrangente e direcionada ao nosso objeto de estudo. Para Peirce a semiótica é a doutrina formal dos signos e signo é qualquer coisa que representa algo a alguém, sob determinados aspectos ou capacidades. Como conhecedor e conhecimento são inseparáveis, a semiótica procura explicar como o ser humano constrói significado através de sua interação com os signos disponíveis no mundo. A necessidade de construir significado é inerente a todo ser humano. O homem aprende pela interação com o mundo (ou seja, interação com os signos) [13].

Dessa forma, entende-se que os conceitos nas outras modalidades sígnicas – imagem, som, gestos, entonação e outras manifestações não verbais– são de fundamental importância no ensino online, porque são também construtoras das funções mentais superiores ou culturais. Para Pierre Lévy, “a interface contribui para definir o modo de captura da informação oferecido aos atores da comunicação. Ela abre, fecha e orienta os domínios da significação, de utilizações possíveis de uma mídia” [12].

Assim, no módulo CONSTRUTOR, após a realização das configurações básicas de formatação e cadastro da

instituição e disciplinas, o professor poderá passar para a fase de inclusão efetiva do material didático. Seguindo a proposta de Metodologia de Ensino para Cursos Online [17], o conteúdo do curso deverá ser dividido em módulos. Cada módulo terá uma série de conceitos. Ao final de cada conceito, haverá uma avaliação para verificar o aprendizado. A Figura 2 ilustra a tela de inclusão dos conceitos pelo professor, onde o conteúdo permite a inclusão de diferentes modalidades sígnicas.

Uma vez cadastrado o conceito, o professor deverá realizar o cadastro das questões de avaliação daquele determinado conceito. A Figura 3 ilustra o cadastro das questões. Após realizar toda a inclusão do material didático e questões de avaliação, o professor, para finalizar a produção do curso, deverá gerar as páginas para internet. Para tanto, o professor encontra na barra de ferramentas a opção Monta Páginas. Ao escolher esta opção, será

Figura 2 – Cadastro dos Conceitos do módulo CONSTRUTOR

exibida uma página com a relação dos conceitos e avaliações. O professor deverá selecionar os conceitos desejados e proceder a geração das páginas. A Figura 4 ilustra tal processo. Esta última etapa encerra o ciclo de edição do curso pelo professor. O módulo CONSTRUTOR gera as páginas do curso em um determinado diretório (definido em informações gerais pelo próprio professor). Para publicar o conteúdo, o professor deverá copiar os conteúdos deste diretório para o local de disponibilização dos conteúdos online. Para os professores que trabalham com Sistemas Gerenciadores de Cursos Online, tais como o Teleduc (Nied/Unicamp), o sistema AUXILIAR terá, em sua segunda fase, um módulo de migração automática para tais gerenciadores de cursos.

5 R

A Figura 5 ilustra de forma simplificada o funcionamento do módulo raciocinador do sistema AUXILIAR. Os alunos iniciam o Módulo de Instrução no nível 1, com o desenvolvimento do conceito 1. Após o desenvolvimento deste conceito, aplica-se uma avaliação (formativa) dos pontos centrais de tal conceito. Esta avaliação é recuperada da base de questões seguindo os critérios de validação inicialmente introduzidos pelo professor na montagem do curso. Caso o aluno não obtenha êxito na avaliação, ele será redirecionado para o nível 2, com a apresentação do mesmo conceito, porém de forma ampliada (sub-conceitos). O nível 1 representa o ponto de partida do aluno e os níveis acima apresentam o mesmo conteúdo, porém de forma mais aprofundada.

Neste processo de redirecionamentos, o sistema AUXILIAR registrará no Modelo do Aluno o caminho de aprendizagem, o nível de conhecimento do aluno (etapa do curso onde o aluno está), suas capacidades (exercícios resolvidos acertadamente), as atitudes (exercícios resolvidos utilizando adaptações ou outro tipo de ajuda solicitada pelo aluno) e suas limitações (exercícios que o aluno encontrou dificuldades). Estes atributos comporão o perfil do aluno (tais informações serão armazenadas no modelo do aluno), que será utilizado na situação em que os módulos de instrução não forem suficientes para a consecução do aprendizado de um determinado conceito, sendo então remetido aos módulos TD (Tira Dúvida) e DC (Determina Conteúdo) do sistema AUXILIAR. Estes, por sua vez, procurarão na Base de Casos (Base de Conhecimento) do sistema, um caso que se enquadre no perfil do aluno. Caso exista, este lhe será exibido e, após isto, o aluno será exposto

a uma nova avaliação. Se conseguir êxito, passará para o conceito seguinte, no primeiro nível do curso, caso contrário será remetido para uma intervenção direta do professor.

As intervenções do professor serão totalmente registradas para fins de montagem de novos Casos Pedagógicos específicos para o correspondente perfil de aluno, sendo, por fim, armazenadas na Base de Casos do Sistema AUXILIAR. Após esta intervenção, o conceito é dado como assimilado, e o aluno retorna ao curso para o início do módulo de instrução do conceito seguinte no nível 1.

Note-se que o Sistema AUXILIAR, tentará redirecionar o aluno para que ele consiga terminar o Módulo de Instrução, utilizando o menor caminho possível.

5.1 O MODELODO ALUNO

Existem muitas técnicas para a implementação do Modelo do Aluno na literatura, porém a maior parte destas técnicas é computacionalmente complexa. Como exemplo têm-se as técnicas numéricas [8]. Dentre as diversas técnicas numéricas para criação do Modelo do Aluno, três paradigmas se destacam: Redes Bayesianas [19] [15], a teoria da evidência de Dempster-Shafer [2], e a modelagem nebulosa (“fuzzy”) do aluno [6]. Outras técnicas, embora computacionalmente mais simples, (por exemplo, a modelagem pelo traçado de aproximação [1]) ficam restritas ao registro do que o aluno sabe, mas não reflete o seu comportamento e características.

Propõe-se neste artigo que o Modelo do Aluno do Sistema AUXILIAR mantenha as informações do aluno durante o processo de aprendizagem, caracterizando assim o seu perfil. Como descrito anteriormente, para o gerenciamento dessas informações utiliza-se a abordagem

de RBC. Isto permite que dada a necessidade de intervenção do professor no processo de aprendizado de um dado aluno, exista a possibilidade de associação entre a intervenção e o perfil do aluno. A partir desta situação (Caso), consegue-se o registro da mesma na Base de Casos do sistema (na forma de um Caso), o qual, após seu registro, ficará disponível para uma possível utilização futura, evitando a repetição da intervenção do professor. Portanto, a modelagem de tal técnica é simples e não requer computacionalmente a inferência de complexos algoritmos.

5.2 ELEMENTOSDO MODELODO ALUNO

O Modelo do Aluno representa o conhecimento sobre o aluno, permitindo que um Sistema Baseado em Casos as utilize para prover instruções (ou feedback) adaptáveis àquele aluno (individualização do processo de ensino-aprendizado).

Dessa forma, o Modelo do Aluno adaptado ao modelo Problema-Solução (utilizado em RBC) possibilita que se tenha um Caso sendo representado conforme ilustrado no Quadro 1.

Figura 5: Relacionamento entre o Curso, a Biblioteca de Casos e o Professor.

Problema (sintomas)

Nível de Conhecimento : {curso, módulo e código do conceito}

Capacidades: {exercícios respondidos acertadamente do último questionário} Limitações:{exercícios que o aluno encontrou

dificuldades / errou no último questionário} Caminho de Aprendizado : {código dos

conceitos e sub -conceitos daquele determinado módulo de instrução}

Atitudes: {exercícios resolvidos utilizando adaptações ou outro tipo de ajuda}

C A S O n Solução

Intervenção Professor : {vídeo, chat, e -mail etc.}

Quadro 1 : Estrutura de um Caso,

O Problema (sintomas) é composto pelo conjunto de atributos que definem os índices para um futuro reaproveitamento da Solução, onde estará o material que fornecerá de forma automática o aprofundamento de conteúdo exigido pelo aluno. Os Casos serão estruturados em uma Base de Casos que apresenta uma organização hierárquica – Figura 6.

Esta organização hierárquica procura dividir os casos em grupos. No nível mais alto da hierarquia tem-se o curso, onde é caracterizado o nome do curso em questão. No primeiro nível intermediário têm-se os diferentes módulos que compõem um curso. No nível intermediário seguinte, têm-se os vários conceitos que fazem parte de cada módulo e, por fim, no nível mais baixo tem-se os Casos propriamente ditos, que são agrupados em função dos conceitos. A finalidade desta organização hierárquica reside na preocupação em reduzir o espaço de análise dos casos potencialmente similares dentro da Base de Casos. Assim, o sistema irá concentrar seu esforço de análise apenas nos casos com real potencial de reaproveitamento.

5.3 O PROCESSODERECUPERAÇÃODOSCASOS

– CÁLCULODA SIMILARIDADE

O processo de recuperação de um determinado caso na Base de Casos acontecerá em três etapas. A primeira delas é a determinação do nível de conhecimento do aluno, ou seja, acontecerá a delimitação daqueles casos que satisfaçam aos atributos restritivos (Curso + Módulo +

Conceito). Por exemplo na Figura 6, supondo Curso = 2, Módulo = 2 e Conceito = 2, têm-se como casos pré-selecionados: Caso1, Caso2, Caso3,...CasoN, que compõem o segmento da Base de Casos a ser investigado.

Uma vez identificado o segmento da Base de Casos, verificam-se os casos que estejam no âmbito da confluência de outros dois atributos: Limitações e Capacidades. Como Limitações tem-se a lista de exercícios que o aluno errou durante a avaliação. Já como Capacidades tem-se a lista de exercícios que o aluno acertou na mesma avaliação. Para melhor compreender a avaliação observe a Figura 7. Nela, observa-se que a avaliação é composta de 3 conjuntos (T1,T2 e T3) contendo 5 questões cada. Para compor automaticamente um conjunto, o sistema irá sortear as 5 questões de 5 grupos de questões equivalentes (Qe1-Qe5) , ou seja, deverão ser cadastradas várias questões para cada Qe, de onde o sistema irá sortear uma de cada grupo de equivalência. As questões T1 são do tipo “múltipla escolha” e serão corrigidas automaticamente pelo sistema. As questões T2 serão conceituais e dissertativas, sendo corrigidas pelo professor. Finalmente as questões T3 serão de análise e dissertativas, sendo também corrigidas pelo professor. Existem pesos (configuráveis pelo professor) para T1, T2 e T3. Como exemplo, tem-se para Capacidades uma Lista ={T1Qe1,T1Qe3,T2Qe4}, indicando que o aluno acertou as questões dos grupos de equivalência 1 e 3 para o conjunto T1 e a questão do grupo 4 para o conjunto T2. A lista para Limitações é composta da mesma forma, porém com os exercícios que o aluno errou.

Tal associação entre as Capacidades e as Limitações indicará uma determinada área, na qual pode ou não existir casos. A Figura 8 ilustra tal definição. Na existência de mais de um caso nesta determinada área, existirá a necessidade de análise dos mesmos para verificação do mais apropriado para recuperação. Neste caso, utilizar-se-á a técnica “do vizinho mais próximo” para recuperação do caso. Segundo Watson [21], “a técnica do vizinho mais próximo é talvez a mais usada para o estabelecimento da similaridade já que a maioria das ferramentas disponíveis a utiliza”.

Figura 7 – Processo de Composição da Avaliação no Sistema AUXILIAR

Nesta técnica, a similaridade entre o caso de entrada e um caso na Base de Casos é determinada para cada atributo. Esta medida deve ser multiplicada por um fator peso. A somatória de todos os atributos é calculada e permite estabelecer a média de similaridade entre os casos da Base e os de entrada. Nesta etapa os atributos a serem utilizados serão: Caminho de Aprendizado e Atitudes. Segundo Watson [21], utilizar-se-á a seguinte equação (1) para cada um dos atributos:

O resultado de tal operação será uma lista de casos, com seus respectivos valores de similaridade com o caso de entrada. Dessa forma, será recuperado o caso com a maior pontuação, indicando estar mais próximo do caso de entrada, conseqüentemente maior é a sua similaridade.

Um dos pontos críticos da utilização da técnica do “vizinho mais próximo” em RBC para a recuperação de informações, consiste no aumento da base de casos. Segundo Watson [21], a latência de recuperação de casos aumenta de forma linear ao aumento da quantidade de casos. Entretanto, isto não é evidenciado no presente sistema, pois como existem atributos restritivos (Nível de Conhecimento), isto reduz substancialmente o número de casos a serem analisados, possibilitando uma boa performance do sistema, mesmo com uma grande quantidade de casos armazenados.

6 C

F

Este trabalho apresenta uma visão geral do Sistema AUXILIAR em suas fases mais importantes, que são os módulos: CONSTRUTOR e RACIOCINADOR. O módulo CONSTRUTOR atua auxiliando os professores na edição, diagramação e publicação de cursos online, corroborando na redução de obstáculos inerentes ao processo de desenvolvimento deste tipo de curso, tais como: o tempo consumido para o desenvolvimento do material didático; a falta de habilidades técnicas no manuseio e limitações impostas pelas tecnologias e a falta de ferramentas específicas para a área de ensino online. Já o módulo RACIOCINADOR apóia-se na definição de uma arquitetura para o Modelo do Aluno, que teve como objetivo central o resgate dos elementos que caracterizam o aluno de forma mais significativa, com a finalidade de aumentar a efetividade do processo de auxílio ao aluno feito pelo sistema. O formato escolhido foi definido dentro dos conceitos existentes na abordagem de RBC, que, pelas observações preliminares, forneceu os subsídios esperados para ter-se de fato uma caracterização adequada do perfil do aluno (seu nível de conhecimento), bem como forneceu um mecanismo viável e aparentemente eficiente de recuperação de situações similares da Base de Conhecimento (Casos). Como resultado, espera-se uma contribuição para a solução de um dos desafios atuais, que é justamente atingir o equilíbrio adequado para que os esforços realizados na disponibilização de cursos online permitam que tais conteúdos sejam efetivamente assimilados de forma satisfatória pelos alunos.

R

[1] J. R. Anderson, A. T. Corbett, K. Koedinger, R. Pelletier.

Cognitive tutors: Lessons learned. The Journal of the Learning Sciences, 4(2), 167-207, 1995.

[2] M. Bauer. A dempster-shafer approach to

modeling agent references for plan recognition. User Modelling and User-Adapted Interaction, 5, pages 317-348, 1996.

[3] M. Daugherty, B. L. Funke. University Faculty

and Student Perceptions of Web-Based Instruction. Journal of Distance Education, 13(1), 21-39, 1998.

[4] L. J. Grace, P. J. Smith. Flexible delivery in the

Australian vocational education and training sector: Barriers to success identified in case studies of four adult learners. Distance Education, 22(2), 196-211, 2001.

[5] C. Hare, A. McCartan. Maximising resources in

search of quality: Identifying factors to enable thee integrative uso of IT in teaching and learning. Innovations in Education and Training International, 33(4), 178-184, 1996.

[6] L. W. Hawkes, S. J. Derry, E. A. Rundensteiner.

Individualized tutoring using an intelligent fuzzy temporal relational database. International Journal of Man-Machine Studies, 33, pages 409-429, 1990.

[7] R. James, K. Beattie. Postgraduate coursework

beyond the classroom: Issues in implementing flexible delivery. Distance Education, 17(2), 355-368, 1996.

[8] A. Jameson. Numerical uncertainty management

in user and student modeling: An overview of systems and issues. User Modelling and User Adapter Interaction, 5, pages 193-251, 1996.

[9] M. Khalifa, R. Lam. Web-Based Learning: effects

on learning process and outcomes. IEEE Transactions on Education, 45(4), pages, 2002.

[10] J. Kolodner, Case-Based Reasoning, Morgan

Kaufman Publishers, 1993.

[11] T. Metcalf. Distance education: the issue of faculty

time. In 5th Annual Distance Education Conference: 1997 Conference Proceedings. Texas A&M, Center for Distance Education Research, 1997.

[12] P. Lèvy. As tecnologias da inteligência : o futuro

do pensamento na era da informática., Rio de Janeiro, RJ: Ed. 34, 1993.

[13] W. Nöth. Panorama da Semiótica de Platão a Peirce.

São Paulo: Ed. Annablumme, 1998.

[14] K. Pajo, C. Wallace. Barriers to the uptake of

web-based technology by university teachers. Journal of Distance Education, 16(1), 70-84, 1999.

[15] V. A. Petrushin, K. M. Sinista. Using probabilistic

reasoning techniques for leaner modeling. In Proc. of World Conference on AI in Education, Edinburgh, Scotland, p. 418-425, 1993.

[16] D. Piva Jr., R. L. Freitas. AUXILIAR: Uma aplicação

de inteligência artificial que possibilita a potencialização da aprendizagem. In Anais do Workshop de Informática na Educação, Congresso da Sociedade Brasileira de Computação, Florianópolis, paginas 217-221, julho de 2002.

[17] D. Piva Jr., M. S. Miskulin, C. N. Gunawardena, G.

Intelligence-Based Application for Facilitating Interaction and Learning Assessment in On-line Engineering Courses, In Proc. of ASEE 2002 -Annual Conference and Exposition, Section 1496, Montréal, Quebec Canadá, June 16-19, 2002.

[18] D. J. Thompson, D. M. Holt. Tertiary pedagogy

encounters the technological imperative. Distance Education, 17(2), 335-354, 1996.

[19] M. Villano. Probabilistic students models: Bayesian

belief networks and knowledge space theory. In Second International Conference on Intelligent Tutoring System, pages 491-498, Montreal, Canada, 1992.

[20] Y. Yong, S. Wang. Faculty perceptions on a new

approach to distance learning: Teletchnet. Journal of Instructional Delivery Systems, 10(2), 3-5, 1996.

[21] I. Watson. Applying Case-Based Reasoning:

techniques for enterprise systems. San Francisco: Morgan Kaufmann, 1997.