CONTEÚDOS DIDÁTICOS PERSONALIZADOS POR PADRÕES PROXIMAIS
DE APRENDIZAGEM EM SISTEMAS TUTORIAIS INTELIGENTES
Francisco Ramos de Melo
1, 2, 3, 4, Sirlon Diniz de Carvalho
1, 2, 3, Edna Lucia Flores
1, Weber Martins
2,
Rubens de Castro Pereira
1, 3, Gilberto Arantes Carrijo
1e Antônio Cláudio Paschoarelli Veiga
1 1 Universidade Federal de Uberlândia - Faculdade de Engenharia Elétrica - Uberlândia– MG – Brasil 2 Universidade Federal de Goiás - Escola de Engenharia Elétrica e Computação - Goiânia – GO – Brasil3
Faculdades Alves Faria - Departamento de Ciência da Computação - Goiânia – GO – Brasil 4
Faculdade Anhanguera de Anápolis - Departamento de Ciência da Computação - Anápolis – GO – Brasil
chicorm@yahoo.com.br, sirlondiniz@gmail.com, edna@ufu.br, weber@ufg.br, rubenscp@gmail.com, gilberto@ufu.br acpveiga@ufu.br.
Resumo – Este trabalho apresenta uma modelagem
para um sistema tutor inteligente (STI) baseado em redes neurais artificiais e regras simbólicas. O sistema possibilita a classificação do estudante dentro de uma área multimensional formada por suas características, habilidades e conhecimento prévio de um conteúdo. Após a classificação, o sistema associa o perfil a um padrão probabilístico proximal para apresentação personalizada do conteúdo. No sistema foram inseridas regras simbólicas para ajustar o conteúdo de forma reativa. Os resultados demonstram que a abordagem é eficiente, propiciando uma otimização personalizada no aproveitamento do conteúdo.
Palavras-Chave – Conteúdos didáticos personalizados,
padrões proximais de aprendizagem, Fig., redes neurais artificiais, personalização didática.
DIDACTICS CONTENTS PERSONALIZED
BY LEARNING PROXIMITY PATTERNS IN
INTELLIGENT TUTORIAL SYSTEMS
Abstract - This paper introduce an Intelligent Tutor System (ITS) model on neural artificial networks and rules based. (translate after). The system allows student classification inside a multidimensional area provided by your issues, abilities and previously knowledge of a content. After the classification, the system associates a relation between student’s profile and a nearest probabilistic pattern for personalized content presentation. Symbolic rules were added to provide content’s reactive adjustment. The results demonstrate that the approach is efficient, promoting a customized optimization in content’s absorption.
1
Keywords – Didactics personalized contents, learning proximity patterns, intelligent tutor systems, artificial neural networks, didactic personalization.
I.INTRODUÇÃO
Desde os primórdios da humanidade, transmitir conhecimentos tem sido o elemento diferenciador e impulsionador do desenvolvimento humano.
Em suas diferentes abordagens, a forma predominante de transmissão de conhecimentos é aquela onde o transmissor (professor) e o receptor (aluno) compartilham o mesmo espaço e tempo sincronamente. Essa forma é denominada modalidade de ensino presencial.
Se, por um lado, o modelo tradicional tem se apresentado mais efetivo em muitos aspectos, por outro lado tem apresentado como fator de exclusão nas situações em que não é possível a sincronia de espaço e tempo de seus integrantes.
Uma forma encontrada para resolver o problema da sincronia do espaço e tempo na aprendizagem foi o desenvolvimento da modalidade de ensino não presencial ou Ensino a distância (EAD). Esta nova modalidade por sua característica assíncrona possibilitou a expansão do ensino, levando o conhecimento de diferentes tecnologias aos pontos mais distantes. Entretanto, a separação entre professor e aluno apresentou um novo problema a ser resolvido: a mediação da construção do conhecimento.
Toda a tecnologia educacional desenvolvida por milhares de anos foi baseada na interação direta e presencial entre o professor e o aluno. No desenvolvimento do EAD, essa interação foi substituída por diferentes formas que, pela sua característica eminentemente assíncrona, não tem se mostrado eficiente para compreender as situações momentâneas do processo no instante em que isto ocorre. Desta forma, quando a ação docente ocorre, o estudante já pode estar em outra fase do processo ou, então, prejudicado pela demora da ação.
A interação entre os diferentes elementos envolvidos em um processo de EAD tem sido objeto de muitas pesquisas que produziram laços multidisciplinares entre as Ciências Exatas e Humanas.
Um dos ramos da tecnologia computacional, a inteligência artificial, tem apresentado soluções promissoras no estabelecimento de elementos promotores da comunicação e interação entre os diversos componentes envolvidos no processo de ensino-aprendizagem na modalidade não
presencial. Muitos trabalhos foram desenvolvidos buscando formas de estabelecer ligações entre o objeto de aprendizagem e o saber do estudante.
O desenvolvimento de sistemas tutores inteligentes (STIs) normalmente tem sido realizado com o emprego de técnicas da inteligência artificial (IA) clássica. Na IA clássica, o conhecimento é abstraído, organizado e representado a partir da visão dos especialistas. Nesta abordagem, o processo de aquisição do conhecimento acontece, normalmente, através de técnicas manuais, como entrevistas. O problema neste processo é a qualidade da comunicação envolvida entre o engenheiro do conhecimento e o especialista. A qualidade na comunicação reflete na qualidade do entendimento e modelagem do conhecimento. Um importante fator para minimizar o problema da comunicação é a experiência dos envolvidos no processo. Por outro lado, dificuldades e ruídos nos diferentes níveis do processo de comunicação da modelagem podem contribuir para a degradação da qualidade do sistema [1].
Uma alternativa para o desenvolvimento de STIs é o emprego de técnicas da IA conexionista. O conexionismo pode simplificar o processo de aquisição e representação do conhecimento por possuir técnicas semi-automáticas ou automáticas. A atuação do especialista reside na definição das características definidoras das classes do conhecimento. A organização e representação do conhecimento podem ser realizadas de forma automática com o emprego de alguma técnica de aprendizagem de máquina.
No trabalho “a máquina de ensinar”, de Skinner, pode ser verificada a possibilidade de organizar uma seqüência didática com o objetivo de transmitir algum ensinamento [2]. Dos preceitos e organizações para organização didática do conteúdo a ser apresentado, apresentados por Skinner, é possível observar a necessidade de estabelecer padrões com a finalidade de transmitir algum conhecimento e sistematizar o processo. Apesar das criticas ao trabalho de Skinner, os conceitos embasam definições de formatação, fracionamento e apresentação do conteúdo que viabilizam a mediação do conhecimento com o emprego de máquinas. Vale ressaltar que a tecnologia da época permitia apenas resultados modestos em termos educacionais. Entretanto, a tecnologia atual oferece condições de alcançar resultados bem mais consideráveis, partindo dos princípios propostos por Skinner.
A proposta inicial de utilizar redes neurais no desenvolvimento de STIs surgiu da contemplação da mediação didática de um professor durante a exposição de um conteúdo para seus alunos. A proposta partiu da observação da atuação do professor na exposição de um conteúdo. O professor parte de um conteúdo inicial e, conforme as reações dos alunos, busca alternativas entre os diversos caminhos para facilitar o entendimento do assunto exposto. Surgiu daí, o interesse de criar um sistema computacional capaz de organizar o conteúdo mais adequado para cada aluno e, ao mesmo tempo, que pudesse ser modificado durante sua trajetória de estudo. Com este objetivo, foi estabelecida uma estratégia didática para pesquisa onde a apresentação do conteúdo esta organizada em cinco níveis diferentes [3].
Carvalho [4] inseriu a formatação do conteúdo e implementou o STI conexionista. O STI implementado
passou a executar a tarefa de selecionar, dentre diversas possibilidades, o conteúdo mais favorável ao entendimento do aprendiz. No trabalho foi implementado uma rede para cada nível de fração de conteúdo. As redes foram treinadas a partir do levantamento de dados em coletas com estudantes selecionados pela performance em estudos individuais.
A próxima geração de desenvolvimento do STI objetivou a redução de várias redes neurais locais especializadas para uma única rede neural global e generalizadora [5].
Os trabalhos foram desenvolvidos empiricamente em várias técnicas e com a apuração de bons resultados. Apesar dos resultados, verificou-se a ausência de um formalismo na definição dos modelos. A necessidade de estabelecer parâmetros formais na definição do modelo pode ser fundamental na concepção e orientação em novos trabalhos. O objetivo deste trabalho é apresentar o embasamento teórico formal e referencial no desenvolvimento da personalização de conteúdos didáticos em STIs conexionistas. Para tal, procura levantar elementos que justifiquem o esforço no desenvolvimento de ferramentas para personalização dos conteúdos. A partir destes conceitos busca a apresentação de um formalismo para o modelo. Ao final, é apresentada uma análise dos dados que mostram a viabilidade do modelo por possibilitar um eficiente mecanismo de automação computacional para auxiliar a personalização didática.
II. ORGANIZAÇÃO DE CONTÉUDOS DIDÁTICOS O processo de ensino pode ser representado por uma combinação de ações do professor e do aluno, tendo em vista a assimilação de conhecimentos. Nesta representação, é possível definir a existência de três elementos: o professor, o aluno e o conteúdo a ser ensinado. O aluno é a parte interagente para qual é direcionado todo o esforço do processo, visando o desenvolvimento de suas habilidades. O professor é o grande agente do processo, responsável pela direção e organização dos meios que proporcionem ao aluno assimilar conhecimentos do conteúdo. A organização do conteúdo não deve ser entendida como algo mecânico, apenas como seleção e organização lógica dos conteúdos para transmiti-los. Recomenda-se que os próprios conteúdos devem incluir elementos da vivência prática dos alunos para torná-los mais significativos [6].
Na modalidade presencial de ensino, onde professor e aluno estão presentes no mesmo espaço e tempo, o conteúdo é apresentado sob uma forma única para todos os estudantes como um texto, por exemplo. A partir da apresentação do conteúdo, a ação interativa na mediação do professor busca identificar as dificuldades do aprendiz. Da identificação das dificuldades, o professor estabelece uma forma de conduzir o aprendizado. Esta interação entre professor e aluno ocorre durante todo o processo de desenvolvimento do conteúdo.
Já em modalidades não presenciais, onde há separação de professor e aluno no espaço e tempo, a interatividade se torna um fator complicador. O professor seleciona e disponibiliza o conteúdo a ser apresentado. Este conteúdo é apresentado no mesmo formato para todos os alunos. Este conteúdo, normalmente, estrutura os conceitos a serem desenvolvidos em um contexto geral que pode não atender situações individuais de estudo de alguns alunos, pela falta da mediação docente.
Em se tratando de ambiente não presencial, a pluraridade de aprendizes é ainda mais desconhecida. Percebe-se a importância de criar estratégias diferentes para os conteúdos e de um instrumento capaz de auxiliar a organização do conteúdo interativamente para cada aluno apresentado. Assman [7] enfatiza que o aspecto fundamental da educação reside nas vivências personalizadas de aprendizagem. Assim posto, o aluno, como elemento essencial do processo, carece do atendimento de sua individualidade no desenvolvimento do processo. Neste trabalho, cabe considerar as possibilidades de formatar e apresentar um conteúdo didático.
A formatação de conteúdo tradicional é aquela onde o conteúdo é desenvolvido e apresentado de forma única. Um conteúdo pode encerrar um ou mais conceitos. Nesta formatação, cada conceito é apresentado de forma única conforme o entendimento do autor, podendo ser direcionada a uma classe de leitor. Esta é a formatação comumente encontrada na disponibilização de conteúdos (livros, apostilas, etc.). O conteúdo ( η )pode ser formalizado como a somatória das unidades de conceitos (
χ
), conforme representado na equação 1:∑
==
n x x 1χ
η
( 1 )A reflexão sobre estes pressupostos reforça a intenção de desenvolver um sistema para auxiliar uma organização didática que respeite a individualidade do aluno, na mediação de um conhecimento proposto pelo professor.
III. PERFIL DO ESTUDANTE
Para estabelecer o padrão do perfil do estudante, a Psicologia apresenta formas de classificar a mente humana. Estudos estabelecem a relação de padrões de comportamento com as características multidimensionais obtidas a partir do emprego de testes psicológicos. Observa-se a não existência de um único perfil de estudante com um único padrão de comportamento. O que existe é uma grande diversidade, apresentada em diferentes perfis de estudante (personalidades), por sua vez com variados padrões de comportamento.
Jung observou que o comportamento humano não é algo aleatório, onde as ações são resultado do acaso. Ao invés disto, observou que o comportamento segue padrões desenvolvidos a partir da estrutura da mente humana. Com base nestas observações, Jung desenvolveu uma teoria, sobre os tipos psicológicos baseado em funções dicotômicas (exemplo: raciocínio e sentimento). Os tipos psicológicos são desenvolvidos a medida que as pessoas direcionam sua energia para cada um dos pares opostos [8].
IV. COMPUTADORES NA EDUCAÇÃO
O uso de computadores na educação teve início nos anos 50, com a introdução dos sistemas tutores. As primeiras aplicações dos sistemas tutores são considerados simples “viradores de páginas eletrônicos” devido a sua característica estática na apresentação dos conteúdos. Parcela considerável das aplicações educacionais que vieram a utilizar a tecnologia dos sistemas tutores foi classificada como
“Instrução Assistida por Computador” (CAI, expressão traduzida do Inglês: “Computer-Assisted Instruction”) [9].
Para contextualizar a proposta de tutores, utilizando sistemas inteligentes baseados em redes neurais artificiais, é importante observar a existência de diversas estruturas de tutoriais, variando do tutorial clássico a sofisticadas estruturas customizadas. De maneira geral, a lição é iniciada por uma introdução e, no final, é realizada uma atividade avaliativa para medir a retenção de conhecimento sobre o que foi apresentado [10]. Estas técnicas são estáticas e não são personalizáveis e reativas ao perfil do estudante. As técnicas computacionais convencionais não são suficientes para uma modelagem tão complexa. O processo de ensino-aprendizagem é altamente dinâmico e a personalização do processo tem muitos fatores a serem considerados sob diversas condições.
No desenvolvimento da customização do tutorial, técnicas de IA foram introduzidas para possibilitar a personalização e reatividade do sistema ao estudante durante o processo de desenvolvimento da tutoria. Sistemas tutores utilizando tal tecnologia são classificados como “Instrução Inteligente Assistida por Computador” (expressão traduzida do Inglês “Inteligent Computer-Assisted Instruction” - ICAI) – são os STIs.
A intenção de realizar um estudo sobre os elementos envolvidos em um processo de tutoria personalizável mediado por computadores é justificada pela necessidade de criar mecanismos que possibilitem a democratização do conhecimento justamente para promover o processo de inclusão daqueles que, por razões adversas, não tem disponibilidade de acesso a um tutor humano na mediação do processo de internalização de seus conhecimentos, considerando para tal que cada individuo tem um perfil particular de inteligência e relações dialéticas com o mundo. Com isto, pode-se pressupor que o EAD, como escola, cumpre a missão de atender ao aprendiz de forma que o aprendizado seja significativo para ele [11].
V. REDES NEURAIS ARTIFICIAIS
Os STIs normalmente são implementados através de agentes, regras simbólicas e outras técnicas da IA clássica onde o conhecimento é abstraído e organizado em conformidade com a visão dos especialistas [12]. Nestas técnicas a grande dificuldade está no processo de aquisição e representação do conhecimento.
No desenvolvimento de STIs conexionistas, o problema de representar o conhecimento pode ser simplificado, visto que as técnicas de aquisição e representação podem ser automatizadas. Para reconhecer e classificar determinados padrões, são estabelecidos os atributos a serem considerados. A relação entre os atributos e os padrões é estabelecida por técnicas de treinamento do sistema.
As redes neurais artificiais (RNAs) são estruturas de processamento que imitam a atividade de processamento do cérebro humano. A principal característica de uma RNA é a capacidade de estabelecer uma relação nas diferentes dimensões dos dados apresentados em suas entradas e efetuar a classificação em padrões [13] [14].
A rede neural perceptron multi-camadas (MLP, do inglês Mult Layer Perceptron) é o modelo mais registrado na
literatura. Na rede MLP os neurônios são organizados em camadas de entrada, saída e intermediárias. A MLP tem poder computacional derivado da capacidade de tratar dados não linearmente separáveis e habilidade de aprender pela experiência, por meio de treinamento supervisionado. Neste paradigma de aprendizado, normalmente, os padrões de entrada são associados a padrões de saída e os algoritmos de treinamento utilizam esta referência para ajustar os pesos da RNA. A organização de uma rede neural MLP, pode ser visualizada na Fig. 1.
Fig. 1: Rede Neural Artificial MLP
VI. FORMALIZANDO OS PADRÕES
Na definição dos elementos para estruturar o sistema, observa-se a necessidade de reestruturar e formalizar um novo formato para apresentação de conteúdos. Outro ponto a ser considerado é a identificação do perfil do estudante e estabelecer um padrão de ligação entre este perfil e a seleção dos conteúdos que melhor se adaptem a este perfil.
Para solução do problema de personalização dos conteúdos didáticos, o conceito precisa ser escrito em diferentes formas com o objetivo de apresentar diferentes dimensões de entendimento a um mesmo conceito. Esta formatação é denominada de multinível, sendo mais complexa que a formatação simples.
Na formatação multinível o conceito deve ser reescrito em versões com diferentes graus de dificuldade (nível), tendo como referência o conceito geral em um nível pré-definido pelo autor.Este nível inicial é o primeiro a ser apresentado e serve de referência para desenvolvimento dos outros níveis. Cada nível deve ter um padrão de apresentação em relação ao conceito no nível inicial pré-definido. Como cada conceito passa a ser formulado em vários níveis, um conceito multinivel (
χ
M
) no conteúdo passa a ser composto pela somatória dos vários níveis (κ
), conforme representado na equação 2.∑
= = m y y M 1κ
χ
( 2 )Substituindo a equação (2) na variável Conceito (
χ
) da equação (1), é obtida a definição de conteúdo multínivel (equação 3) mais apropriado para a implementação da personalização de conteúdos.∑
∑
= = = m y xy n x1 1 κ η ( 3 )O conteúdo no formato multinível possibilita opções para o desenvolvimento de conteúdo personalizado a cada perfil de estudante. Outra função é possibilitar alterações reativas para cada momento do estudo. Cada conceito do conteúdo
pode ter todos os níveis apresentados ou apenas alguns, conforme a situação.
Uma forma de estabelecer o padrão de texto a ser apresentado, é relacionar com o perfil do estudante, formando a referência base para personalização. Com relação ao padrão de comportamento, um mesmo objeto pode ter diferentes aceitações, em diferentes escalas. Desta forma, esta variável será o elemento de controle na seleção do objeto com proximidade da preferência de um determinado padrão comportamental. A seleção indicará se a aproximação objeto/perfil provê melhores resultados para o estudante.
O problema agora é estabelecer os parâmetros de classificação dos estudantes. Para tal se propõe uma composição a partir de três variáveis: o padrão pessoal (oriundo de testagem psicológica), o padrão de habilidades (oriundo de um questionário de habilidades) e o pré-conhecimento do texto a ser apresentado (pré-teste)[15].
A definição de uma dimensão de característica comportamental (Ψx), é obtido pela soma (eq. 4) de cada item do teste (I) psicológico ponderado pelo seu peso (W).
y n y y x
I *
w
1∑
==
Ψ
( 4 )O padrão pessoal (Ψ) é uma variável multidimensional composta das dimensões (Ψx) consideradas na testagem
psicológica. Assim, tendo por base a equação 4, o padrão pessoal pode ser representado pela equação 5:
Ψ = [Ψ 1, Ψ 2, ... , Ψ n] ( 5 )
Um padrão de habilidades é uma avaliação especifica do contexto socio-cultural do estudante (idade, sexo, manuseio de tecnologias, etc.) e complementa o padrão pessoal, no sentido de encontrar elementos mais próximos da realidade do estudante e sua interação com o conteúdo. A avaliação de cada habilidade considerada (θx) é feita através da soma de
vários itens considerados (I) ponderado pelo valor (w) atribuído ao mesmo (eq.6 ). O conjunto de habilidades forma o padrão de habilidades ( θ )é representado pela equação 7.
y n y y w I * 1 x
∑
= = Θ ( 7 ) θ = [θ 1, θ2, ... , θn] ( 6 )O padrão do conhecimento (λ) do conteúdo é um pré-teste aplicado antes da apresentação do conteúdo. O objetivo é verificar quanto o aluno conhece sobre o conteúdo a ser apresentado. Para cada conceito do conteúdo há uma questão. O padrão λ é obtido pela soma de todas questões (Ix) do pré-testé ponderado pelo valor (wx) atribuído para cada alternativa de resposta da questão (eq. 8).
x n x x
w
I *
1∑
==
λ
( 8 )O padrão de aprendizagem proximal (Ω), que representa o perfil pessoal do estudante, é uma área multidimensional resultante da intersecção das três áreas (eq. 9)de perfis que o definem: psicológico (Ψ), habilidade (θ) e pré-conhecimento do conteúdo (λ ).
∫
Ψ
∩
∫
Θ
∩
∫
=
O perfil probabilístico de leitura (α) do estudante é um vetor com a distribuição de probabilidades para a leitura de cada nível Nx dos conceitos do conteúdo relacionado com um perfil de estudante (Ω). A representação do vetor α é representado pela equação 10.
α = Ω [ P(N1) P(N2) ... P(Nn)] [ 10 ]
A partir da definição do Ω é possível encontrar um padrão proximal de α que conduz a um melhor aproveitamento do conteúdo.
O problema é classificar o estudante em um padrão de aprendizagem (Ω) e estabelecer a ligação com o padrão de leitura (α) mais adequado. A solução pode ser feita com o emprego de uma rede Neural no sistema. A rede é definida a partir de dados observados de outros estudantes. Ao final, a RNA estará capacitada a exercer a função de classificar o estudante em um padrão (Ω) e indicar o padrão proximal de leitura (α) mais adequado ao estudante [16].
Como o padrão de leitura (α) é geral, ele não é suficiente para atuar reativamente em cada situação local. Para corrigir as situações locais no processo mediativo, foram inseridas regras de especialistas [17]. Estas regras foram estabelecidas após levantamento junto aos especialistas (professores) sobre a atuação diante de cada situação local possível. Estas regras definem o perfil probabilístico de condução da ação do estudante diante das diferentes situações do mesmo no transcorrer da apresentação do conteúdo. Sua principal função é atenuar incoerências momentâneas no padrão α do estudante. Além disto, proporciona ampliação das melhores probabilidades, coerentes com a situação e o perfil α.
Com estes dados o sistema é estruturado para personalizar os conteúdos didáticos. Os resultados dos testes de características, habilidades e conhecimento é inserido na RNA. A RNA, por sua vez, classifica o perfil do estudante e indica o padrão proximal de leitura (α). Após esta definição, começa a apresentação do conteúdo a partir do primeiro conceito. Ao final da apresentação de cada conceito, o estudante é submetido a um teste de retenção do nível. Conforme a resposta do estudante, o sistema busca a regra especifica e efetua uma operação com o padrão α, o produto é um padrão probabilístico para a escolha do próximo conteúdo a ser apresentado. A seleção do próximo conteúdo a ser apresentado, é realizada com o emprego da técnica de Monte Carlo [17]. Nesta técnica ocorre um sorteio para escolha de um item dentro da sua probabilidade. As maiores probabilidades tem maior chance de serem escolhidas, porém as probabilidades menores também podem ser selecionadas. Após a seleção o sistema recupera o conceito no nível selecionado e apresenta ao estudante. Desta forma, o sistema vai apresentando um conteúdo personalizado e reativo.
O treinamento da RNA para classificar e associar os padrões foi realizada a partir dos dados selecionados de uma coleta livre. A coleta livre é realizada no mesmo formato do sistema inteligente, porém a decisão de navegação é feita pelo estudante. Após esta coleta, são selecionadas as melhores navegações, dentro de critérios estabelecidos. Nesta navegação foram realizadas 210 coletas com estudantes do nível médio e série inicial de cursos superiores. Das coletas realizadas, apenas 68 satisfizeram os critérios mínimos estabelecidos para treinamento da RNA.
Na navegação no sistema inteligente a decisão é o resultado do processo descrito ao longo deste trabalho, conforme a estrutura apresentada na Fig. 2 . Foram realizadas 31 coletas com navegação inteligente.
Fig. 2. Estrutura do Sistema Tutor
Um sistema com navegação aleatória foi inserido na pesquisa para validar os resultados da navegação inteligente. Cada passo na navegação aleatória é decidido totalmente ao acaso. Na navegação aleatória foram realizadas 31 coletas.
VII. ANÁLISE DOS RESULTADOS
O tema do conteúdo apresentado foi Introdução a Informática. No conteúdo foram desenvolvidos 15 conceitos. Desta forma, o conteúdo multinivel total foi composto de 75 textos (15 conceitos distribuídos em 5 níveis).
Após a implementação do sistema e coleta dos dados em suas diferentes versões (livre, aleatória e guiada), foi realizada a analise dos dados. Inicialmente, foram observados o comportamento e o desempenho em relação as notas iniciais e finais. Na Tabela I são apresentados os dados da análise do desempenho das notas iniciais. A observação desta tabela mostra que as notas iniciais estão bem próximos. A média inicial da coleta livre é justificada pela pré-seleção do grupo para compor o conjunto de treinamento. Nas outras coletas, não houve seleção.
TABELA I
Análise descritiva da média das notas Iniciais
Navegação Casos Média Mediana Desvio padrão Livre 148 4,56 1,78 4,40
Aleatória 31 3,99 2,17 3,47
Inteligente 31 3,92 2,21 4,00 A Tabela II apresenta a análise das notas finais. Os dados sugerem maior estabilidade e melhores resultados propiciados pela navegação inteligente utilizada no sistema.
TABELA II
Análise descritiva da média das notas Finais
Navegação Casos Média Mediana Desvio padrão Livre 148 6,87 1,66 6,80
Aleatória 31 5,93 2,16 5,73
Inteligente 31 7,21 1,83 6,93 A Tabela III resume a descrição da média dos resultados obtidos na análise comparativa dos dados das navegações observadas na pesquisa. O ganho normalizado calcula, a partir das notas inicial e final, o quanto foi possível o estudante melhorar. Observando os dados da Tabela III é possível verificar que o sistema inteligente apresenta uma performance melhor que os outros sistemas. Como há 75 níveis de texto disponíveis, é possível afirmar que o sistema teve uma boa performance na seleção dos conteúdos. O estudante consegue ter um melhor aproveitamento do conteúdo apresentado e com uma menor apresentação de textos. Em média foram apresentados 26,8 textos para o estudante finalizar o estudo com uma melhoria média de 58% de aproveitamento. Assim, verifica-se que as médias no sistema inteligente são melhores e com a utilização de menos recursos (níveis visitados e tempo).
TABELA III
Análise descritiva do desempenho médio
Navegação Tempo Níveis Ganho
Livre 37,88 35,34 39,59 %
Aleatória 35,97 45 32,60 %
Inteligente 26,80 26,71 58,02 %
VIII. CONCLUSÕES
Ao decorrer do trabalho foram apresentados as bases formais para definição de um sistema com a possibilidade de seleção e apresentação personalizada de conteúdos didáticos.
As definições das variáveis envolvidas se mostraram relevantes para as técnicas empregadas na solução dos problemas apresentados.
Para possibilitar a personalização do conteúdo, foi verificada a necessidade de estabelecer uma estrutura multinivel. Diferentes versões do conceito possibilitam diferentes opções de apresentar o mesmo conteúdo.
O problema de definir o padrão do estudante e seu respectivo padrão proximal, pela complexidade e multidimensionalidade foi implementado com o auxílio de uma RNA com atuação generalizada. Para complementar o sistema foram inseridas regras simbólicas possibilitando reatividade às ações através das correções locais.
Os dados observados mostram a eficiência das técnicas empregadas, proporcionando personalização do conteúdo apresentado, sendo que foi alcançado um melhor aproveitamento com menor quantidade de texto e, também, menos tempo de exposição.
Diante do exposto, verifica-se que o sistema apresentado tem um bom potencial como ferramenta auxiliar na tarefa de organizar a apresentação de conteúdos didáticos, de forma personalizada e reativa, em ambientes de estudos não presenciais.
REFERÊNCIAS BIBLIOGRÁFICAS
[1] S. O. Rezende, Sistemas Inteligentes – fundamentos e aplicações. Barueri, SP : Manole, 2005.
[2] B. F. Skinner, The technology of teaching. New York, Appleton-Century-Crofts, 1968
[3] W. S. Alencar, Sistemas Tutores Inteligentes Baseados em Redes Neurais. Dissertação (Mestrado em Engenharia Elétrica e de Computação) - UFG - Universidade Federal de Goiás. Goiânia, 2000.
[4] S. D. Carvalho, Mapas Auto-Organizáveis Aplicados a Sistemas Tutores Inteligentes, Goiânia, 2002. Dissertação (Mestrado em Engenharia Elétrica e de Computação) - UFG - Universidade Federal de Goiás.
[5] J. C. Libâneo, Didática. São Paulo. Editora Cortez. 1994. [6] H. Assman, Reencantar a Educação: rumo à sociedade
aprendente. Rio de Janeiro. Editora Vozes. 2007.
[7] C. G. Jung, Psychological types. Em H. G. Baynes (Ed.), Bollingen series XX, Vol. 6, Princeton University Press, 1921/1971.
[8] M. J. Rosenberg, E-Learning strategies for delivery knowledge in the digital age. McGraw-Hill, New York : NY, USA, 2001.
[9] W. K. Horton, Designing Web-based Training. 2000. [10] S. F. Tajra, Informática na Educação: novas ferramentas
pedagógicas para professores na atualidade. São Paulo. Editora Érica. 2001.
[11] R.M. Viccari, Sistemas Tutores Inteligentes: Abordagem Tradicional vrs. Abordagem de Agentes. XII Simpósio Brasileiro de Inteligência Artificial. Curitiba. Outubro, 1996.
[12] L. V. Fausett, Fundamentals of neural networks. Prentice Hall, 1994.
[13] S. S. Haykin, Redes neurais artificiais: princípio e prática. São Paulo, SP : Bookman, 2000.
[14] F. R. Melo, Sistemas Tutores Inteligentes Híbridos Baseados em Tipologia Psicológica,. Dissertação (Mestrado em Engenharia Elétrica e de Computação) - UFG - Universidade Federal de Goiás. Goiânia. 2003.
[15] F. R. Melo, W. Martins, L. E. G. Nalini, V. Meireles, Generalizador Neural de Espaços de Aprendizagem em Sistemas Tutores Inteligentes, XVII Simpósio Brasileiro de Informática na Educação - SBIE. Brasília. 2006.
[16] P. Norvig, & S. Russel, “Artifcial Intelligence: a modern approach”. New Jersey, NJ: Prentice-Hall. 1997.
[17] A. P. Braga, A. P. L. F. Carvalho e T. Ludermir, Redes Neurais Artificiais – Teoria e Aplicações. Rio de Janeiro: LTC, 2007.
