• Nenhum resultado encontrado

Sistema Tutor Inteligente baseado em Aprendizado por Reforço

N/A
N/A
Protected

Academic year: 2021

Share "Sistema Tutor Inteligente baseado em Aprendizado por Reforço"

Copied!
100
0
0

Texto

(1)

U NIVERSIDADE F EDERAL DE G OIÁS

E SCOLA DE E NGENHARIA E LÉTRICA E DE

C OMPUTAÇÃO

G RUPO P IRENEUS

U LISSES R ODRIGUES A FONSECA

Sistema Tutor Inteligente baseado em Aprendizado por

Reforço

Goiânia 2007

(2)

Livros Grátis

http://www.livrosgratis.com.br

Milhares de livros grátis para download.

(3)

U LISSES R ODRIGUES A FONSECA

Sistema Tutor Inteligente baseado em Aprendizado por

Reforço

Dissertação apresentada ao Programa de Pós–

Graduação do Escola de Engenharia Elétrica e de Computação da Universidade Federal de Goiás, como requisito parcial para obtenção do título de Mestre em Engenharia Elétrica e de Computação.

Área de concentração:Engenharia da Computação

´Linha de pesquisa:Sistemas Inteligentes Orientador:Prof. Weber Martins, PhD.

Co–Orientador:Prof. Lauro E. Guimarães Nalini, Dr.

Goiânia 2007

(4)

U LISSES R ODRIGUES A FONSECA

Sistema Tutor Inteligente baseado em Aprendizado por

Reforço

Dissertação defendida no Programa de Pós–Graduação do Es- cola de Engenharia Elétrica e de Computação da Universi- dade Federal de Goiás como requisito parcial para obtenção do título de Mestre em Engenharia Elétrica e de Computação, aprovada em 15 de Setembro de 2007, pela Banca Examina- dora constituída pelos professores:

Prof. Weber Martins

Escola de Engenharia Elétrica e de Computação – UFG Presidente da Banca

Prof. Lauro E. Guimarães Nalini Departamento de Psicologia – UCG

Prof. Gelson da Cruz Júnior EEEC – UFG

Prof. Edna Lúcia Flores FEELT – UFU

(5)

Todos os direitos reservados. É proibida a reprodução total ou parcial do trabalho sem autorização da universidade, do autor e do orientador.

Ulisses Rodrigues Afonseca

(6)

Dedico este trabalho a minha família, por aceitarem se privar de nossos bons momentos enquanto eu realizava minha busca pela realização pessoal.

(7)

Agradecimentos

Meus agradescimentos ao Weber pelos ensinamentos, orientação e pa- ciência. Ao co-orientador Lauro pelas preciosas informações sobre Psicologia.

Aos amigos do Pireneus Fernando, Viviane, Lena, e Delermando pelas di- cas, sugestões, conselhos e bons momentos no laboratório. Aos funcionários da UFG pelos serviços prestados. Aos alunos da FASAM e da UCG pela par- ticipação na coleta de dados. Aos amigos Eugênio, Marcio, Olegário, Piero e José Olimpio pelas sugestões, conselhos e esclarecimentos durante o desen- volvimento do trabalho. À Juliane pela ajuda nas correções finais do texto.

(8)

Life is like playing a violin in public and learning the instru- ment as one goes on.

Samuel Butler, escritor inglês (1835 - 1902).

(9)

Resumo

AFONSECA, Ulisses R.. Sistema Tutor Inteligente baseado em Aprendizado por Reforço. Goiânia, 2007. 82p. Dissertação de Mes- trado. Grupo Pireneus, Escola de Engenharia Elétrica e de Computa- ção, Universidade Federal de Goiás.

Em Sistemas Tutores Inteligentes (STI), várias técnicas de Inteligência Com- putacional têm sido empregadas para fornecer ensino individualizado e mai- ores ganhos de conhecimento ao aluno. Esta trabalho apresenta o desenvol- vimento de um Sistema Tutor Inteligente inédito baseado em Aprendizado por Reforço: proposta, implementação e avaliação empírica. A implementação combina o método Softmax de escolha de ações com o sumário do histórico de navegação do aluno. O Aprendizado por Reforço é usado para determinar um plano de curso dinâmico que considera a história de navegação pessoal do estudante e seu desempenho. Experimentos comparam o sistema proposto à navegação livre (onde o estudante escolhe como navegar no conteúdo do curso sem qualquer ajuda externa). A análise estatística dos dados coletados mostrou resultados promissores comparados a outros STI híbridos mais com- plexos, baseados em redes neurais perceptrons de multi-camadas.

Palavras–chave

Sistema Tutor Inteligente, Aprendizado por Reforço.

(10)

Abstract

AFONSECA, Ulisses R..Smart Tutoring Systems based on Rein- forcement Learning. Goiânia, 2007. 82p. MSc. Dissertation. Grupo Pireneus, Escola de Engenharia Elétrica e de Computação, Universi- dade Federal de Goiás.

In Intelligent Tutoring Systems (ITS), several techniques from Computati- onal Intelligence have been employed to provide individualized tuition and higher knowledge gains. This work presents the development of a novel In- telligent Tutoring System based on Reinforcement Learning: proposal, imple- mentation and empirical evaluation. The implementation employs the soft- max method to choose actions together with historical user navigation data.

Reinforcement Learning is used to determine a dynamic course plan that takes into account the student’s personal navigation history and his perfor- mance. Empirical experiments have compared the proposed system to free navigation (where students choose how to navigate on the course contents without any external guidance). Statistical analysis of collected data has shown promising results compared to other more complex hybrid ITS based on Multilayer Perceptrons.

Keywords

Smart Tutoring, Reinforcement Learning.

(11)

Sumário

Lista de Figuras 12

Lista de Tabelas 14

1 Introdução 1

1.1 Tema 1

1.2 Problemas e Hipóteses 2

1.3 Objetivos 2

1.4 Justificativa 3

1.5 Visão Geral 4

2 Tecnologia e Educação 5

2.1 Introdução 5

2.2 Educação a Distância 6

2.3 Aprendizagem Aberta e à Distância 8

2.4 Internet na Educação a Distância 10

2.5 Instrução Assistida por Computador 10

2.6 Problemas Apresentados pela IAC 14

2.7 Conclusão 14

3 Sistemas Educacionais Inteligentes 15

3.1 Introdução 15

3.2 Sistemas Tutores Inteligentes 16

3.2.1 Tarefas dos STI 16

3.2.2 Arquitetura dos Sistemas Tutores Inteligentes 16 3.2.3 Sistemas Tutores Inteligentes baseados em Redes Neurais 17 Sistema Tutor Inteligente baseado em múltiplas RNAs 19 Sistema Tutor Inteligente Híbrido Baseado Em Caracte-

rísticas Psicológicas 19

Sistema Tutor Inteligente Híbrido Baseado Em Estilos

de Aprendizagem 20

AutoTutor, um STI usando linguagem natural e RNA 21 3.2.4 Sistemas Tutores Inteligentes baseados em Agentes 21

Sistema Tutor Inteligente utilizando Agentes Lógicos

(WLOG) 23

Um Assistente Inteligente para o Ensino das Seções Cô-

nicas (STI Cônica) 23

Sistema Tutor Inteligente Multi-agente (MATHTUTOR) 25 3.2.5 Sistemas Tutores Inteligentes baseados em Sistemas Fuzzy 26

(12)

Sistema Tutor Inteligente para Aprendizado de JAVA

(JITS) 27

3.2.6 Sistemas Tutores Inteligentes utilizando Aprendizado

por Reforço 28

Proposta de BENNANE para a Aplicação do Aprendizado

por Reforço em STI 28

Proposta de GUELPELI, RIBEIRO e OMAR para mode-

lagem autônoma de aprendiz 29

3.3 Sistemas Educacionais Hipertexto Adaptativos 30

3.4 Conclusão 31

4 Aprendizado por Reforco 32

4.1 Introdução 32

4.2 Elementos do aprendizado por reforço 34

4.3 Exploração do problema 35

4.4 Retorno e Desconto 36

4.5 Aplicação da Técnica ao Problema 36

4.6 Mecanismos de Aprendizado por Reforço 37

4.6.1 Métodos de Valor-de-Ação 38

4.6.2 Controle ótimo e programação dinâmica 39

Processo de Decisão Markoviano 40

Cálculo da política ótima 41

As interações para obter a política ótima 42

4.6.3 Métodos de Monte Carlo 42

4.6.4 Aprendizado por diferença temporal: TD e Q-learning 43

4.7 Conclusão 44

5 Sistema Proposto 45

5.1 Introdução 45

5.2 Estratégia pedagógica 45

5.3 Plano de Curso 47

5.4 Modelagem do Ambiente 47

5.4.1 Modelo do ambiente 47

5.5 Função de Valor das Ações 48

5.6 Reforço Para o Aluno 49

5.7 Avaliação do Aluno 49

5.8 Especificação do Algoritmo de Reforço 51

5.9 Conclusão 52

6 Experimento e Resultados 53

6.1 Introdução 53

6.2 Material Pedagógico 53

6.3 Definição dos Reforços Para o Algoritmo e Para o Aluno 54

6.4 Simulação da Temperatura e do Caimento 55

6.4.1 Comportamento do sistema simulado 55

6.4.2 Escolha da temperatura 58

6.4.3 Escolha do caimento 60

6.5 Avaliação do Desempenho do Aluno 61

(13)

6.6 Sistema Tutor Livre 62 6.7 Implementação Dos Sistemas Tutores Livre e Inteligente 62

6.8 Seleção das Variáveis Coletadas 63

6.9 Critérios para a Adoção das Amostras Coletadas 64

6.10 Coleta de Dados 65

6.11 Análise dos Resultados 65

6.11.1 Análise Descritiva 65

6.11.2 Análise inferencial 69

Nota Inicial 70

Ganho normalizado 71

Quantidade de níveis visitados 71

Tempo necessário para visitar todos os contextos 72

Nota no teste final 73

6.12 Conclusão 73

7 Conclusão 75

7.1 Principais Contribuições 76

7.2 Sugestões para trabalhos futuros 77

Referências Bibliográficas 78

A Outros modelos desenvolvidos 81

A.1 Modelo intermediário 81

A.2 Modelo completo 81

(14)

Lista de Figuras

2.1 Representação da estratégia pedagógica do tutorial clássico. 12 2.2 Representação da estratégia pedagógica do tutorial focado em

atividades. 12

2.3 Representação da estratégia pedagógica do tutorial customizado. 13 2.4 Representação da estratégia pedagógica do tutorial de avanço

por conhecimento. 13

2.5 Representação da estratégia pedagógica do tutorial exploratório. 13 2.6 Representação da estratégia pedagógica do tutorial gerador de

lições. 14

3.1 Componentes do IES. 15

3.2 Representação do neurônio artificial. 18

3.3 Exemplo de umPerceptron de Múltiplas Camadas. 19 3.4 Estratégia pedagógica do STI implementado por CARVALHO. 20 3.5 Estratégia pedagógica do STI implementado por MELO, adap-

tado de [Melo et al. 2005]. 20

3.6 Arquitetura do STI implementado por MATTEO, BAROGLIO e PATTI, adaptado de [Baldoni, Baroglio e Patti 2004]. 23 3.7 Arquitetura do STI implementado por ZEFERINO e outros,

adaptado de [Zeferino, Rapkiewicz e Morales 2004]. 24 3.8 Arquitetura do MATHTUTOR, um STI multi-agente, adaptado

de [Cardoso et al. 2004]. 25

3.9 Exemplo de funções de pertinência. Adaptado de

[Kasabov 1996], página 168. 27

3.10 Interação dos componentes do STI usando Aprendizado por

Reforço. Adaptado de [Bennane 2002]. 29

4.1 Limites do agente no Aprendizado por Reforço. 33 4.2 Interação Agente-Ambiente em Aprendizado por Reforço. 33

4.3 Exemplo de uma distribuição de Gibbs. 39

4.4 Exemplo de um grafo para um Processo Markoviano. 40 5.1 Estratégia pedagógica utilizando contextos e níveis onde a seta

representa um caminho percorrido. 46

5.2 Representação básica da estratégia pedagógica para a técnica de RL quando o aluno já visitou três níveis de um contexto. 48 5.3 Avaliação do aluno - pré-teste, teste final e exercícios em cada

nível. 50

(15)

6.1 Simulação (média de mil repetições) onde o aluno acerta todos

os exercícios. 56

6.2 Simulação (média de mil repetições) onde o aluno escolhe sem-

pre a opção parcialmente correta. 57

6.3 Simulação (média de mil repetições) onde o aluno sempre erra

as questões. 57

6.4 Simulação (média de mil repetições) onde o aluno sempre res-

ponde que não sabe. 58

6.5 Média da quantidade total de níveis visitados (mil repetições). 59 6.6 Média da quantidade total de recompensas (mil repetições). 59 6.7 Média de níveis visitados: simulação (1000 interações) para a

temperatura de 1 a 15 com caimento de 1%. 60 6.8 Simulação (1000 interações) com a temperatura 2 onde o aluno

erra todos os exercícios. 61

6.9 Arquitetura do Sistema Proposto. 63

6.10 Quantidade de níveis visitados no módulo livre e no módulo

inteligente. 68

6.11 Porcentagem de erros por contexto nos módulos livre e inteligente. 68 6.12 Média da nota por contexto no módulo livre e inteligente (com e

sem desconto). 69

A.1 Modelo intermediário da estratégia pedagógica para as técnicas

de RL. 81

A.2 Modelo completo da estratégia pedagógica para as técnicas de RL. 82

(16)

Lista de Tabelas

5.1 Representação do acúmulo de recompensas. 48

6.1 Definição dos reforços. 54

6.2 Definição da pontuação no pré-teste e no teste final. 61 6.3 Número de coletas (quantidade de alunos) para os módulos livre

e inteligente. 65

6.4 Estatísticas das notas nas tutorias livre e inteligente. 66 6.5 Estatísticas dos ganhos absoluto e normalizado na tutoria livre

e inteligente. 66

6.6 Estatísticas do STL e do STI baseado nas características psico- lógicas - Adaptado da Tabela 2, página 92 [Melo et al. 2005]. 66 6.7 Estatísticas do STL e do STI baseado no estilo de aprendizagem

- Adaptado da Tabela 2, página 89 [Meireles et al. 2005]. 66 6.8 Diferença no ganho do STI e STL obtida nos sistemas de MELO,

MEIREIRES e o sistema proposto. 67

6.9 Resumo da quantidade de níveis visitados por contexto, nota final obtida e porcentagem de erros nos exercícios. 70 6.10 Teste t - nota inicial presumindo variâncias diferentes. 71 6.11 Teste t - ganho normalizado presumindo variâncias diferentes. 72 6.12 Teste t - quantidade de níveis visitados por contexto presumindo

variâncias diferentes. 72

6.13 Teste t - tempo necessário para visitar todos os contextos por contexto presumindo variâncias diferentes. 73 6.14 Teste t - média de nota por nível visitado presumindo variâncias

diferentes. 74

(17)

CAPÍTULO 1

Introdução

Este capítulo apresenta o tema e sua delimitação, o problema seleci- onado, as hipóteses respondidas, os objetivos e a justificativa deste trabalho.

Finalmente é descrita uma visão geral da estrutura do trabalho e dos seus capítulos.

1.1 Tema

O tema deste trabalho é Sistemas Tutores Inteligentes(STI). STI proporcionam um ensino individualizado em que o aluno é um agente ativono processo de aprendizagem. Em STI são aplicados seis grandes áreas de conhecimento (Psicologia, Lingüística, Inteligência Artificial, Neurociên- cia, Antropologia e Filosofia) para criar um modelo de ensino que considera, no processo, o conhecimento prévio do aluno sobre o tema a ser aprendido, sua habilidade com ferramentas de informática e suas capacidades cognitivas.

Em STI, este trabalho delimita-se ao uso do Aprendizado por Re- forço(RL, do inglês Reinforcement Learning), uma técnica de aprendizado de máquina, como mecanismo de individualização da aprendizagem. Exis- tem vários métodos para implementar RL e dentre eles o escolhido para a implementação foi o softmax. Para a utilização desta técnica, o ambiente de aprendizado foi modelado para representar as respostas dos alunos como re- forços (recompensas) e as possíveis opções de navegação na estratégia pedagó- gica como ações a serem automaticamente escolhidas. A finalidade do softmax é escolher a próxima atividade em que o aluno obtém melhor desempenho e que no final da tutoria, apresente maior retenção de conhecimento.

(18)

1.2 Problemas e Hipóteses 2

1.2 Problemas e Hipóteses

O problema selecionado para este trabalho é verificar a aplica- bilidade das técnicas de Aprendizado por Reforço, especificamente o método softmax de seleção de ações, em Sistemas Tutores Inteligentes para proporcio- nar melhoria na aquisição de conhecimento do aluno1. Este trabalho responde a três hipóteses, sendo elas:

1. Se o Aprendizado por Reforço pode ser utilizado para guiar o aluno natutoria inteligente2, então aaquisição de conhecimento obtida pelos alunos com essa técnica é superior a obtida pelos alunos na tutoria livre3.

2. O uso da tutoria inteligente reduz a quantidade de fragmentosque o aprendiz necessita visitar em relação a tutoria livre;

3. Na tutoria inteligente, otempo de aprendizado é menor em relação a tutoria livre.

1.3 Objetivos

O principal objetivo deste trabalho é aplicar técnicas de Apren- dizado por Reforçopara determinar dinamicamente um plano de ensino para cada aluno conduzindo-o ao melhor aproveitamento possível (melhor aquisição de conhecimento). O plano de ensino é a determinação de uma seqüência de informações(como texto, imagens e perguntas) que são apre- sentadas ao aprendiz e que normalmente é determinado para um grupo de pessoas (turma). RL pode ser utilizado para guiar cada aluno de forma perso- nalizada pelo conteúdo enquanto o sistema é utilizado. Os objetivos específicos são:

melhorar o aproveitamento(aquisição) do conteúdo a ser aprendido;

reduzir o tempogasto na aprendizagem;

1A aquisição de conhecimento do aluno refere-se ao aprendizado de novos conceitos. Existe ainda a aquisição de conhecimento das técnicas de Inteligência Artificial para representar o aluno ou seu conhecimento.

2Tutoria Inteligente é o processo de guiar o aluno no conteúdo a ser aprendido de forma automática pelo Sistema Tutor Inteligente.

3Tutoria Livre é o processo onde o aluno escolhe o próximo conteúdo a ser visitado e quando avançar para o próximo tópico.

(19)

1.4 Justificativa 3

reduzir a quantidade de fragmentos do conteúdo necessáriopara aprender;

comparar os resultados do sistema proposto com outras ferra- mentasbaseadas em Redes Neurais Artificiais;

avaliação empírica da utilização de técnicas de Aprendizado por Reforço em STI.

1.4 Justificativa

A computação introduziu novas maneiras de disponibilizar o conhecimento. Existem várias opções como os diversos formatos de livros digitais4, documentos em hipertexto, imagens, sons e softwares educa- cionais. Estas ferramentas são apenas extensões de livros e fornecem o material didático da mesma forma que eles. Elas apresentam o conteúdo es- truturado em capítulos e tópicos de forma seqüencial. Fica a critério do aluno e das restrições de navegabilidade da ferramenta como o aprendiz navega pelo conteúdo.

Independentemente de como o material é disponibilizado nessas fer- ramentas, muitos conceitos podem não ser aprendidos pela falta de sub- jetividade da ferramenta ou pela incapacidade do aluno de utilizar o conteúdo de forma eficiente. Ferramentas que determinam umplano de curso (seqüência de textos, imagens, perguntas, exemplos, etc) individuali- zado edinâmicopodem aumentar o desempenho do aluno. Estas ferramen- tas podem considerar, por exemplo, a individualidade do aluno em relação a capacidade cognitiva, estilo de aprendizagem, características psicológicas ou seu histórico de aprendizado.O conteúdo pode ser dirigido de forma ex- clusiva, proporcionando um melhor aproveitamento.

Para criar as ferramentas de ensino personalizado são utilizadas téc- nicas de Inteligência Artificial. Elas já são aplicadas em diversas áreas e permitem aos sistemas computacionais a adaptação dinâmica ao problema apresentando bons resultados. Uma dessas técnicas, classificada como apren- dizado de máquina, é o Aprendizado por Reforço. Ela pode ser utilizada para guiar o aluno de forma individualizada e potencializar a aquisição de co- nhecimento. Ao contrário de outras técnicas, são dispensados os longos ques-

4São exemplos de formatos de livros digitais: Portable Document Format (PDF), Docbook, Postscrit, Plucker, arquivos de ajuda do Windows, etc.

(20)

1.5 Visão Geral 4

tionários de estilo de aprendizagem, de perfil psicológico e de habilidades com computadores.

As ferramentas adaptativas podem ser utilizadas pelos professores como auxílio às suas aulase, principalmente, emEducação Aberta ou à Distância. A educação agora é continuada5e em grande escala e necessita-se de atualização profissional, independente da área de atuação. A informática é um dos mecanismo mais eficientes para disponibilizar essa educação auxi- liado pela Internet e pelo o uso de documentos hipertexto e ferramentas em ambiente web. Pode-se beneficiar o aprendizado neste contexto ao agregar os mecanismos de individualização do ensino proporcinoados pelas técnicas de Inteligência Artificial.

1.5 Visão Geral

Os Capítulos 2, 3 e 4 apresentam o embasamento teórico para o desenvolvimento deste trabalho. O segundo capítulo aborda como a educa- ção e a tecnologia se integram para oferecer melhores condições no âm- bito da comunicação interpessoal e no desenvolvimento de ferramentas para auxiliar o aprendizado. No terceiro capítulo são tratados os diferentes tipos de softwares educacionaisque integram técnicas de Inteligência Artificial para individualizar o processo de aprendizado. No quarto capítulo é explicado oAprendizado por Reforço, a técnica de aprendizado de máquina utilizada neste trabalho e seus diferentes algoritmos com foco no método escolhido para integrar a solução, o softmax.

OsCapítulos 5 e 6apresentam o desenvolvimento deste trabalho. O capítulo 5 descreve a solução proposta para responder as hipóteses levan- tadas sob o aspecto científico. No sexto capítulo o experimento é delineado e são fornecidas as estatísticas descritivas dos dados coletados e uma série de generalizações utilizando-se basicamente o teste t de Student para res- ponder as hipóteses levantadas.

O Capítulo 7 conclui este trabalho e aponta suas principais contri- buições. São listadas algumassugestões para trabalhos futuroscomo con- tinuação desta pesquisa ou para a constituição de novas pesquisas sobre a aplicação de Aprendizado por Reforço em Sistema Tutores Inteligentes.

5Outro termo utilizado para educação continuada é "educação para a vida".

(21)

CAPÍTULO 2

Tecnologia e Educação

2.1 Introdução

Este capítulo apresenta a incorporação da tecnologia na educação. São abordadas as aplicações da tecnologia na Educação Presencial, na Educação à Distância e na Aprendizagem Aberta e a Distância. O uso da Internet na Educação à Distância é explorado seguido da Instrução Assistida por Computador e os problemas em sua aplicação.

O ensino presencial é ainda o mais utilizado e se caracteriza pela presença simultânea do instrutor (professor, orientador, etc) e do aprendiz em espaço e tempo [Belloni 1999, Meireles et al. 2005]. Porém, hoje necessi- tamos de uma educação ao longo da vida, pois a formação básica não é mais suficiente. As condições sócio-econômicas exigem mudanças nos siste- mas educacionais e a educação passou a ser integrada aos locais de trabalho e às expectativas de vida dos indivíduos [Belloni 1999].

A Educação à Distância(EaD) surgiu como uma forma de superar os problemas modernos dos sistemas de ensino. Foi a partir da modernidade, com o desenvolvimento de mídias de massa (impresso, sinais eletrônicos), que a EaD vem se firmando como uma proposta viável. Agora, é uma modalidade de educação adequada para atender às demandas educacionais modernas [Belloni 1999].

Astecnologias de comunicação são integradas à educação, produ- zindo ferramentas e métodos que a modificaram. No primeiro momento, os meios de comunicação em massa (rádio e TV) permitiram a disseminação do conhecimento ajudando a popularizar a EaD, paralelamente, o sistema de telefonia permitiu o contato intersubjetivo entre o professor e os alunos. Inú- meras experiências são relatadas em todo o mundo, como exemplo a TV Escola no Brasil.

As tecnologias da informação (TI) permitiram o desenvolvimento de programas de computador que auxiliam nas aulas ou substituem os

(22)

2.2 Educação a Distância 6

professores em algumas tarefas. Agora, o homem vive a era da informa- ção, uma revolução provocada pela TI, em que a Internet tornou-se um meio promissor e em alguns momentos necessária para a Educação à Distância. A rede mundial de computadores permite a distribuição de conteúdo de forma eficiente, desde textos e imagens a vídeos de alta qualidade. Existem meca- nismos de comunicação interpessoal ou em grupo de forma off-line(e-mail) e on-line (chat, áudio conferências e vídeo conferências). Estamos vivenciando as tentativas de uso de técnicas da Inteligência Artificial como mecanismo para considerar as experiências, o conhecimento prévio e as habilidades do aprendiz.

2.2 Educação a Distância

Com as limitações do modelo de ensino presencial e frente às possibilidades oferecidas pelo desenvolvimento tecnológico, educadores e psicólogos desenvolveram uma alternativa educacional, a Educação a Distância (EaD) [Meireles et al. 2005]. A EaD surgiu em meados do século passado, aproximadamente em 1940, impulsionada pelo desenvolvimento dos meios de transporte e comunicação (trens, correio) [Belloni 1999]. O modelo é baseado na idéia de que parte do processo ensino-apredizagem poderia dispensar a presença física do agente transmissorjunto aos aprendizes [Meireles et al. 2005]. A EaD foi definida de várias maneiras mas basicamente pelo que ela não é [Belloni 1999]. Dentre as características de consenso na definição, seguem algumas:

aseparaçãodo agente transmissor e do aprendizno tempo ou espaço [Meireles et al. 2005], porém, a separação entre o professor e o aluno em termos de tempo talvez seja a mais importante [Belloni 1999];

o controle do rítmo de estudo pelo aprendiz (aprendizagem autodiri- gida) [Meireles et al. 2005] e [Belloni 1999];

acomunicação não contínuaentre o aprendiz e o agente transmissor [Meireles et al. 2005];

No modelo de EaD, o sucesso do estudante depende em grande parte de sua motivação e condições de estudo. Os alunos são na maioria adultos de 25 a 40 anos que trabalham e estudam em tempo parcial. Outros fatores importantes são o uso de meios tecnológicos e a existência de uma estrutura organizacional complexa. Segundo BELLONI, na EaD quem ensina é a ins- tituição e não o professor e a relação entre professor e estudante é, além de

(23)

2.2 Educação a Distância 7

auxiliada pelos meios tecnológicos, caracterizada por regras técnicas e não mais por normas sociais [Belloni 1999], em que:

não existe praticamente nenhum conhecimento das necessidades do aprendiz;

a relação é construída por orientações e diretivas e não pelo contato pessoal;

busca-se os objetivos pela eficiência e não pela interação pessoal.

Na EaD, uma nova distribuição do trabalho é necessária. No ensino presencial as funções dos docentes constitem em selecionar, organizar e trans- mitir o conhecimento e realizar contatos pessoais e coletivos em sala de aula ou atendimento individual (orientação e conselho). As novas atividades do professor no ensino a distância são:

1. preparação e autoria de unidades curriculares (cursos) e de textos que constituem a base dos materiais pedagógicos realizados em diferentes suportes - o professor é um autor que seleciona conteúdos e elabora textos em formatos explicativos;

2. atividades e tutoria a distância mediada por diversos meios acessíveis.

Segundo [Belloni 1999], pode-se classificar as funções do professor em EaD como:

professor formador: orienta o estudo e a aprendizagem (função didá- tica pedagógica);

conceptor e realizador de cursos e materiais: prepara planos de estudo, currículos e programas, seleciona conteúdos, elabora textos - tem função didática de transmissão do conhecimento;

professor pesquisador: orienta e participa das pesquisas dos alunos;

professor tutor: orienta o aluno em seus estudos na disciplina;

"tecnólogo educacional": responsável pela organização pedagógica dos conteúdos e a adequação deles aos suportes técnicos a serem utilizados;

professor "recurso": responde às perguntas dos estudantes com relação aos conteúdos de uma disciplina e organiza os estudos e as avaliações;

monitor: coordena e orienta as atividades de exploração presencial.

(24)

2.3 Aprendizagem Aberta e à Distância 8

A integração das novas tecnologias de informação e comunica- ção na educação deixou de ser apenas um meio de melhorar a eficiência dos sistemas e apresenta-se comoferramenta pedagógicana formação dos indi- víduos. BELLONI indica a tendência da EaD a se tornar um elemento regular dos sistemas educativos para atender a crescente demanda e assumir grande importância, especialmente no ensino pós-secundário (população adulta), en- sino superior regular e formação contínua (fruto da obsolência gerada pela tecnologia) [Belloni 1999].

A tecnologia utilizada na EaD desde seu surgimento permite distin- guir três gerações. A primeira é a do ensino por correspondência do final do século XIX impulsionada pelo desenvolvimento dos caminhos de ferro que apresentam uma interação lenta entre o aluno e o professor e um alto grau de autonomia em relação ao local de estudo. A segunda etapa é a do ensino multimeios à distância dos anos 60 que destaca-se pelo uso do material impresso e os meios de comunicação audiovisuais (antena ou cassete), que tiveram muitos fracassos nas televisões escolares e bons resultados na edu- cação popular. A terceira e última geração teve início nos anos 90 com o desenvolvimento da TI que hoje implica em mudanças radicais no modo de ensinar e aprender cujas unidades de curso são concebidas sob a forma de programas interativos informatizados (que tendem a substituir as unidades de cursos impressos). Atualmente conta-se com redes telemáticas com amplas potencialidades (banco de dados, email, listas de discussão, sites etc), unida- des CDROM didáticos e de divulgação científica e de cultura geral.

No ensino por correspondência e por multimeios à distância, a intera- ção é pequena, apesar dos serviços de apoio como a tutoria e aconselhamento por telefone e encontros pessoais. O processo de aprendizagem vivido do es- tudante não é claro e disponível ao orientador. A TI trouxe novas formas de comunicação interpessoal e em grupo que, inclusive, permitem a intersubjeti- vidade torna-se um meio promissor para a EaD e para o processo de tutoria e auxilio dos alunos.

2.3 Aprendizagem Aberta e à Distância

AAprendizagem Aberta e à Distancia(AAD)1 tem coerência com as transformações sociais e econômicas. É definida pela abertura re- lacionada ao acesso, lugar e rítmo de estudo. Diferente da EaD que a

1Ou ODL, do inglês Open Distance Learning.

(25)

2.3 Aprendizagem Aberta e à Distância 9

não-contigüidade e não-simultaneidade são elementos centrais, na AAD a ca- racterística marcante é a autonomia do estudante. Os atendimentos são presenciais e não presenciais, com uso enfático dos meios de comunicação para aumentar a eficácia do sistema. O aprendiz é o elemento central no pro- cesso de aprendizagem e existe ênfase excessiva nos processos de ensino (es- trutura da organização, planejamento, concepção de metodologias, produção de materiais, etc) e pouco destaque no processo de aprendizagem (caracterís- ticas e necessidades dos estudantes, modelos e condições de estudo, níveis de motivação). Aidéia da auto-aprendizagem é crucial para à Educação a Distância. A intersubjetividade pessoal entre professores e alunos e entre os estudantes promove, permanentemente, a motivação educacional. É na EaD que pode-se desenvolver a educação aberta e flexível [Belloni 1999].

Segundo BELLONI, a pedagogia e a tecnologia sempre foram elemen- tos fundamentais e inseparáveis da educação [Belloni 1999]. As instituições educacionais não poderão mais deixar de integrar as ferramentas tecnológi- cas, sob pena de se tornarem obsoletas ou perderem contato com as novas gerações. A autora ainda cita que o ensino e aaprendizagem centrados no estudante é fundamental e deve-se integrar na concepção de metodolo- gias, nas estratégias e nos materiais de ensino as características sociocul- turais, conhecimento e experiências do aluno. Assim será possível criar condições de auto-aprendizagem.

Na AAD os cursos são modularizados. São apresentados pequenos mó- dulos autônomos, que não perdem relevância científica e utilidade didática, em menus de temas relevantes que oferecem aos estudantes amplas possibi- lidades de escolha. Mesmo assim os alunos encontram dificuldade ao:

responderem às exigências de autonomia;

gerirem o tempo;

planejarem o estudo;

lidarem com a autodireção necessária à aprendizagem autônoma;

Na aprendizagem autônoma, o processo de aprendizagem é centrado no aprendiz que é autônomo, gestor de seu processo de aprendizagem e capaz de se autodirigir e de auto-regular esse processo. Então, esse modelo é apropriado a adultos com maturidade e motivação, possuindo um mínimo de habilidade de estudo [Belloni 1999].

Asexperiências dos alunos devem ser aproveitadase é necessá- rio buscar caminhos para a elaboração de métodos e estratégias de ensino que

(26)

2.4 Internet na Educação a Distância 10

levem em consideração a situação de aprendizagem autônoma dos estudantes.

Deve ser considerado no processo o conhecimento já acumulado.

2.4 Internet na Educação a Distância

A EaD depende mais do suporte técnico em comunicação que a educação convencional. Esse suporte é necessário aodisponibilizar o mate- rial de estudo e nacomunicação interpessoal2. A Internet como meio de mediação combina a flexibilidade da interação humana com a independência no tempo e no espaço e, ainda oferece:

interação 3 simultânea e não-simultânea entre o professor e o aluno e entre os alunos comchat4, email e grupo de discussão;

interatividade5com materiais de boa qualidade e de grande variedade via WEB sites.

Na aprendizagem à distância, a interação pessoal é importante e pode ser feita nesse ambiente, utilizando um sistema computacional com várias possibilidades interativas para busca e intercâmbio de in- formações. Outra característica importante destes sistemas é a possibili- dade de sua adaptação as características do aprendiz. Segundo BAL- DONI, este é um tópico atual de pesquisa que vem atraindo muita atenção [Baldoni, Baroglio e Patti 2004].

2.5 Instrução Assistida por Computador

A tecnologia da informação passou a oferecer inúmeras possibilida- des à educação. As aplicações educacionais desenvolvidas com esta tecnolo- gia foram classificadas como aplicações de Instrução Assitida por Computa- dor6 (IAC). Existem diversos software educacionais classificados da seguinte forma:

2A comunicação entre o professor e o aluno em EaD é indireta.

3Ação recíproca entre duas ou mais pessoas onde ocorre intersubjetividade

4Conversa online utilizando texto ou voz com um software de computador.

5Potencialidade técnica oferecida por determinados meios como a possibilidade do usuário agir sobre a máquina e de receber uma retroação da máquina sobre algum elemento.

6A sigla CAI, do inglês Computer-Assited Instruction, também é muito utilizada.

(27)

2.5 Instrução Assistida por Computador 11

sistema tutor: software que assume o papel de um “professor” apresen- tando conceitos e avançando em níveis diferenciados ao avaliar respostas do estudante, o modelo é baseado em Instrução Programada7;

ferramentas: aplicada a tarefas como construção de gráficos auxiliando a aprendizagem;

simulador: software que simula um sistema real ou imaginário;

jogos educativos: utilização do computador como forma lúdica no aprendizado.

A IAC surgiu com bases na Instrução Programada (IP). Teve sua origem na área educacional, influenciada pela teoria comportamentalista de Skinner. Sua abordagem é centrada no professor em que o aluno deve receber explicações expositivas para depois exercitá-las no computador.

Existem vários aspectos dos softwares educacionais de IAC que devem ser avaliados ou questionados. Como estes softwares têm a finalidade educa- cional, detalhes podem afetar direta ou indiretamente a aprendizagem dos conceitos ou situações pretendidos. Por exemplo, falhas no software podem in- terromper o aprendizado. Erros cometidos nos princípios de design dificultam o processo de uso do software. Formas incoerentes de implementar os concei- tos prejudicam a aprendizagem [Peres e Meira 2003].

Os softwares educacionais fornecem ao aluno o conteúdo em diversos níveis, exemplos, atividades e exercícios. Existem várias estratégias peda- gógicaspara apresentar todo esseconteúdoao aluno. Seguem algumas con- cepções de estratégias pedagógicas aplicadas a diferentes ferramentas:

tutorial clássico: o conteúdo é apresentado em três níveis de dificul- dade e em cada nível o aluno é submetido a exemplos e a prática, como mostra a Figura 2.1;

tutorial com foco em atividades: como apresentado na Figura 2.2, utiliza-se antes da atividade uma preparação com conhecimentos e mo- tivações iniciais;

7Instrução Programada é a expressão técnica que designa um conjunto de procedimentos de ensino caracterizado pela subdivisão do contéudo a ser aprendido em pequenas partes, apresentação gradual dessas partes em passos sucessivos conforme o ritmo de aprendizagem do aprendiz e o contingenciamento de consequências positivas para respostas corretas em cada parte. A Instrução Programada é uma aplicação tecnológica dos princípios de aprendiza- gem operante, tendo sido desenvolvida e extensivamente estudada pelo psicólogo behaviorista B. F. Skinner.

(28)

2.5 Instrução Assistida por Computador 12

Figura 2.1:Representação da estratégia pedagógica do tu- torial clássico.

Figura 2.2:Representação da estratégia pedagógica do tu- torial focado em atividades.

tutorial customizado: o aprendiz tem a oportunidade de escolher caminhos (diferentes conteúdos) durante a aprendizagem onde um deles pode ser um teste que determina o próximo conteúdo, como ilustrado na Figura 2.3;

tutorial de avanço por conhecimento: o aprendiz pode omitir con- teúdos previamente conhecidos, ele é submetido a testes de dificuldade progressiva para determinar o ponto de entrada na seqüência a ser aprendida, como mostrado na ilustrado na Figura 2.4;

(29)

2.5 Instrução Assistida por Computador 13

Figura 2.3:Representação da estratégia pedagógica do tu- torial customizado.

Figura 2.4:Representação da estratégia pedagógica do tu- torial de avanço por conhecimento.

tutorial exploratório: um cardápio de documento, banco de dados e outras fontes de informações são oferecidos ao estudante, como ilustrado na Figura 2.5;

Figura 2.5:Representação da estratégia pedagógica do tu- torial exploratório.

tutorial gerador de lições: o resultado de um teste define a seqüência personalizada de tópicos a serem exposto ao aprendiz, como mostrado na Figura 2.6.

(30)

2.6 Problemas Apresentados pela IAC 14

Figura 2.6:Representação da estratégia pedagógica do tu- torial gerador de lições.

2.6 Problemas Apresentados pela IAC

Toda a tecnologia aplicada aos softwares de Instrução Assistida por Computador acaba resultando em uma extensão dos livros didáticos. Es- sas ferramentasnão consideramasdiferençasentre os alunos em relação às suas características pessoais e suas experiências. São ferramentas para a transmissão de conhecimento. Com base na IAC e nas técnicas de In- teligência Artificial, surge aInstrução Inteligente Assistida por Compu- tador, que tenta considerar no processo de aprendizado, as habilidades do aprendiz, seu conhecimento prévio e sua capacidade cognitiva.

2.7 Conclusão

Este capítulo apresentou uma revisão de como as tecnologias de comu- nicação e informação foram integradas à educação. Essas tecnologias produ- zem ferramentas e métodos para a comunicação interpessoal, disseminação do conhecimento, auxilio nas aulas e automação de algumas tarefas no en- sino. Agora, a Inteligência Artificial é empregada nessas ferramentas para personalizar o processo de ensino-aprendizagem.

(31)

CAPÍTULO 3

Sistemas Educacionais Inteligentes

3.1 Introdução

Este capítulo apresenta os Sistemas Educacionais Inteligentes. Inici- almente, as características desses softwares são apresentadas e em seguida eles são classificados em Sistemas Tutores Inteligentes e Sistemas Educacio- nais Hipertexto Adaptativos. São apresentados exemplos utilizando diferen- tes ténicas de Inteligência Artificial.

Na década de 1970, iníciou aaplicação de técnicas de Inteligência Artificialnos software de Instrução Assistida por Computador, dando origem aos softwares de Instrução Inteligente Assistida por Computador (ICAI, do in- glêsIntelligent Computer Assisted Instruction) ou Sistemas Tutores Inteligen- tes (STI). Eles foram desenvolvidos emsoftware stand-alone ou baseados em web. Outro tipo é o Sistema Educacional Hipermídia Adaptativo (AEHS, do inglês Adaptive Educational Hypermedia Systems) desenvolvido especificamente para a WEB e que adiciona a apresentação e a navegação inteligente [Prentzas e Hatzilygeroudis 2002].

A categoria de softwares inteligentes para educação é chamada de Sistemas Educacionais Inteligentes (IES, do inglês Intelligent Educational Systems). Os principais componentes do Sistemas Educacionais Inteligentes estão representados na Figura 3.1 e são descritos abaixo:

Figura 3.1:Componentes do IES.

(32)

3.2 Sistemas Tutores Inteligentes 16

domínio de conhecimento: é o conteúdo a ser aprendido, constituído de texto, imagens, sons, exercícios, etc;

modelo do usuário: é uma representação do aprendiz, podem ser uti- lizadas as características psicológicas, perfil de aprendizagem, conheci- mento prévio do conteúdo, diferença de seu conhecimento com o do sis- tema, capacidade cognitiva e estado mental, histórico de navegação, etc;

modelo pedagógico: é constituído pela estratégia pedagógica esco- lhida;

interface com usuário: um mecanismo para apresentar os diversos tipos de conteúdo e de perceber as interações com o sistema.

3.2 Sistemas Tutores Inteligentes

Os Sistemas Tutores Inteligentes têm origens na área da Ciência da Computação e base teórica na Psicologia Cognitivista. A estrutura básica do conteúdo a ser aprendido é dividida em módulose é baseada em heurísti- cas. Aseqüência de estudodo material didático depende dascaracterísti- cas do aluno e de sua modelagem que tenta avaliar as respostas durante a interação com o sistema. Com o objetivo de personalizar o ensino e tornar a ferramenta adaptativa, são aplicadas técnicas de Inteligência Artificial.

3.2.1 Tarefas dos STI

São várias as tarefas dos Sistemas Tutores Inteligente e o conjunto é normalmente determinado pelo mecanismo de individualização do aluno.

Dentre as principais tarefas, destacam-se:

a extração das características do aluno e o armazenamento e manuten- ção delas;

a seleção do conteúdo a ser apresentado conforme o estado atual do modelo do aluno, o domínio de conhecimento disponível;

a elaboração de um histórico das ações dos usuários que pode ser utili- zado na tomada de decisão ou para a avaliação por um instrutor;

3.2.2 Arquitetura dos Sistemas Tutores Inteligentes

Não existe uma arquitetura padronizada para a implementa- ção dos Sistemas Tutores Inteligentes. A modularização é diferente, de-

(33)

3.2 Sistemas Tutores Inteligentes 17

pendendo de como o conhecimento é armazenado, da técnica de IA utili- zada e da forma de modelar o aluno. Mas, freqüentemente, segundo MELO e BOLZAN/GIRAFFA, os sistemas tutores apresentam [Melo et al. 2005, Bolzan e Giraffa 2002]:

Módulo da base de domínio: contém o material institucional a ser en- sinado e, em alguns casos, um sistema de geração de exemplos, processo de simulação e formulação de diagnósticos;

Módulo do modelo do aluno: é responsável por representar o conhe- cimento e as habilidade cognitivas do usuário em um determinado mo- mento e deve armazenar, ao menos, o histórico de como o aluno está utilizando o material;

Módulo tutorial ou de estratégia de ensino: contém uma represen- tação do modelo pedagógico e é responsável pelo plano de apresentação do material instrucional;

Módulo de interface: realiza a interface com o usuário e apresenta o conteúdo nas diversas formas e recebe informações como resposta de exercícios e avaliações;

Módulo de controle: realiza a coordenação do tutor como promover a troca de informações, realizar o acesso a base de dados, armazenar o histórico de sessões e realizar comunicação com programas externos.

3.2.3 Sistemas Tutores Inteligentes baseados em Redes Neurais

As Redes Neurais Artificiais (RNA) são utilizadas como mecanismo de individualização de ensino em STI para agregar informações subjetivas.

Elas permitem agregar, à tutoria, informações subjetivas como perfil psicoló- gico e estilo de aprendizagem além de realizar tarefas como classificação de conteúdo, etc.

As RNAs consistem em um conjunto de elementos chamados neurô- nios artificiais, conectados, formando um mecanismo de processamento dis- tribuído e paralelo que tem propensão para armazenar conhecimento experi- mental e torná-lo disponível [Haykin 1998]. Os neurônios artificiais são uni- dades de processamento simples cuja estrutura é similar ao neurônio biológico humano. As conexões entre os neurônios são chamadas sinápses e cada uma possui um peso. Os pesos é que representam o conhecimento que é adquirido

(34)

3.2 Sistemas Tutores Inteligentes 18

por um procedimento de aprendizado chamado algoritmo de aprendiza- gem.

A Figura 3.2 apresenta um neurônio artificial chamado dePerceptron.

É um modelo proposto por McCulloch e Pitts em 1943. Ele é composto pelas entradas (i) , pelos pesos (w), pela saída (o), pelo somador (Σ) e por uma função de ativação (R

). O processamento é realizado pelo somador e pela função de ativação. O somador soma os sinais de entradas ponderados pelas sinápses enquanto a função de ativação restringe a amplitude da saída de um neurônio, normalmente a um intervalo fechado[0,1]ou[−1,1].

Figura 3.2:Representação do neurônio artificial.

Um arranjo ou arquitetura comum para criar uma Rede Neural Ar- tificial é o Perceptron de Multi Camada (ou MLP, do inglês Multi-Layer Per- ceptron). O desenvolvimento do MLP solucionou a incapacidade doPerceptron de tratar dados não linearmente separáveis. O MLP é composto por múltiplas camadas de neurônios, onde a primeira é chamada “Camada de Entrada” e a última, “Camada de Saída”. A camada ou conjunto de camadas intermediárias são simplesmente chamadas de "Camada oculta". A Figura 3.3 apresenta um exemplo de MLP com dois neurônios na camada de entrada, um na camada de saída e duas camadas intermediárias com três e quatro neurônios compondo a camada oculta.

O algoritmo de aprendizagem utilizado para treinar uma rede neural artificial está diretamente relacionado com a arquitetura da rede. O algorimo mais aplicado ao Multi-Layer Perceptron é o backpropagation [Haykin 1998, Sutton e Barto 1998].

(35)

3.2 Sistemas Tutores Inteligentes 19

Figura 3.3:Exemplo de um Perceptron de Múltiplas Ca- madas.

Sistema Tutor Inteligente baseado em múltiplas RNAs

ALENCAR realizou investigações sobre a aplicação de redes neu- rais em Sistema Tutores Inteligentes demonstrando a capacidade de uma RNA extrair padrões que poderiam ser utilizados para auxiliar na navega- ção [Alencar 2000]. Em 2002, MARTINS e CARVALHO implementaram uma melhoria na proposta de ALENCAR utilizando um modelo pedagógico no qual o material didático é dividido vários contextos (pequenos trechos ou unidades do curso) e cada contexto em cinco níveis distintos: facilitado, médio, avan- çado, perguntas freqüentes e exemplos [Martins e Carvalho 2004]. O sistema inteligente é responsável por encaminhar o aluno pelos níveis de cada con- texto e pelos contextos, utilizando generalizações produzidas por um conjunto de redes neurais.

Sistema Tutor Inteligente Híbrido Baseado Em Características Psi- cológicas

Em 2005, MELO propôs um Sistema Tutor Inteligente que utiliza ge- neralizações feitas por uma rede neural a partir das características psicológi- cas, do conhecimento prévio do aluno e de sua familiaridade com o ambiente WEB [Melo et al. 2005]. O trabalho desenvolvido foi uma melhoria do sistema proposto por CARVALHO, utilizando apenas uma rede neural para todo o tu- tor. Além da rede neural, também são utilizados um conjunto de regras simbó- licas para complementar a decisão de navegação resultante do processamento

(36)

3.2 Sistemas Tutores Inteligentes 20

Figura 3.4:Estratégia pedagógica do STI implementado por CARVALHO.

da rede neural. As regras são fornecidas por especialistas com experiência em docência o que fornece maior credibilidade às decisões do STI. A Figura 3.5 apresenta a arquitetura do sistema inteligente:

Figura 3.5:Estratégia pedagógica do STI implementado por MELO, adaptado de [Melo et al. 2005].

Sistema Tutor Inteligente Híbrido Baseado Em Estilos de Aprendiza- gem

Em 2005, MEIRELES realizou uma modificação no STI de MELO, substituindo o modelo do aluno (características psicológicas) por estilos de aprendizagem [Meireles et al. 2005]. O estilo de aprendizagem, um termo da

(37)

3.2 Sistemas Tutores Inteligentes 21

Psicologia, descreve como cada estudante começa a se concentrar, processar e reter novas informações. Para obter as características do estilo de aprendi- zagem de cada aluno, foi utilizado o Questionário de Estilo de Aprendizagem, com 80 questões para descobrir suas tendências gerais de comportamento que mede o estilo de aprendizagem individual.

AutoTutor, um STI usando linguagem natural e RNA

GRAIG e outros desenvolveram um Sistema Tutor Inteligente que si- mula o padrão de discurso e dialogo entre tutores humanos [Graig et al. 2007].

O sistema produz diálogos que são sensíveis ao conhecimento do aprendiz de forma a melhorar o seu nível de compreensão. Este sistema é composto por sete módulos, sendo eles:

Indexador (Curriculum Script): organiza os tópicos e conteúdos do tuto- rial;

Analisador de Linguagem/Léxico (Language Extration): analisa as pala- vras escritas pelo aprendiz utilizando o teclado;

Classificador de Discurso (Speech act classification): segmenta e classi- fica o conteúdo produzido pelo aprendiz, utilizando uma rede neural, em uma das categorias de fala modeladas no sistema;

Analisador Semântico (Latent semantic analysis): compara a diferença entre dois textos usando técnicas estatísticas;

Seletor de Tópico (Topic Selection): seleciona o próximo tópico usando regras Fuzzy;

Gerador de Diálogo (Dialog movie generator): gera os diálogos em cada turno ao final da interação do usuário;

Interface de Diálogo (Animated Agent Module): mostra o diálogo em uma forma mais convencional aos humanos.

3.2.4 Sistemas Tutores Inteligentes baseados em Agentes

Segundo NORVIG e RUSSEL, um agente é qualquer coisa que pode perceber seu ambiente usando sensores e agir utilizando efetuadores. Um agente inteligente tenta realizar ações corretas no ambiente para tentar atingir um objetivo. Durante sua interação com o ambiente, ele avalia seu desempenho pelo sucesso de suas ações [Russell e Norvig 1995].

(38)

3.2 Sistemas Tutores Inteligentes 22

O agente inteligente éautônomo,mapeia estados em açõese atu- aliza seus estados internos enquanto interage com o ambiente. O processo de tomada de decisão (escolha das ações) normalmente é realizado utilizando raciocínio com conhecimento. São utilizados, por exemplo, as técnicas de raciocínio baseado em casos1 e sistemas baseados em conhecimento

2. Oconhecimentonos agentes inteligentes pode ser a representação dasre- gras de especialistas, oscasos(exemplos) ou oconhecimento aprendido durante sua interação com o ambiente.

O processo de inferência é uma cadeia de combinações. Os dois me- canismos utilizados para inferência são chamados de encadeamento para frenteeencadeamento para trás. No primeiro, o processo é iniciado com o fornecimento de dados e no segundo com a definição de um objetivo.

No encadeamento para frente, todos os dados disponíveis em um de- terminado momento são aplicados a todas as regras possíveis para inferir o máximo de conclusões. O processo é realizado novamente se forem produzidas conclusões úteis a alguma regra ou quando um novo conhecimento é disponi- bilizado.

No encadeamento para trás, o processo de inferência é iniciando quando um objetivo é identificado. As regras que possuem este objetivo como antecedente são disparadas. As informações necessárias para essas regras são recuperadas da base de dados. O processo é repetido enquanto o objetivo não for atingido.

Existem várias propostas e implementações de Sistemas Tutores Inte- ligentes baseadas em agentes inteligentes. Estes sistemas são desenvolvidos, normalmente, utilizando ferramentas disponíveis para a implementação de agentes ou sistemas especialistas como o DyLOG3, JESS4, CLIPS5 e Fuzzy- CLIPS6(que integra a lógica fuzzy7ao CLIPS).

Existem também abordagens utilizando sistemas multi-agentes e

1Solução de novos problemas utilizando o conhecimento de problemas e soluções similares.

2Solução de problemas utilizando regras extraídas de humanos expecialistas em um determinado problema.

3DyLOG é uma linguagem lógica para a modelagem e programação de agentes inteligents.

4JESS é um ambiente para o desenvolvimento de agentes inteligentes utilizando conheci- mento em forma de regras.

5CLIPS é uma ferramenta para a reprentação de conhecimento e raciocínio basedo em regras.

6FuzzyCLIPS é uma extensão do CLIPS que integra ao sistema de representação e ao raciocínio os conceitos de conjuntos fuzzy e lógica fuzzy.

7A lógica fuzzy é um método de raciocínio com expressões lógicas que descrevem a pertinencia em conjuntos fuzzy enquanto estes constituem um meio para especificar o quanto um objeto satisfaz uma descrição vaga [Russell e Norvig 1995].

(39)

3.2 Sistemas Tutores Inteligentes 23

agentes distribuídos [Frigo, Pozzebon e Bittencourt 2004]. Em sistemas multi-agentes vários agentes tentam atingir o objetivo cooperando com a partilha de informações ou tarefas. O problema pode ser dividido em subpro- blemas que podem ser solucionados separadamente por um agente e a soma dos resultados correspodem a solução do problema geral.

Sistema Tutor Inteligente utilizando Agentes Lógicos (WLOG)

MATTEO, BAROGLIO e PATTI desenvolveram um STI utilizando agentes em um ambiente WEB [Baldoni, Baroglio e Patti 2004]. O agente foi implementado utilizando a linguagem DyLOG para representar o domínio de conhecimento e para implementar o módulo de controle. O sistema basica- mente recebe um problema do usuário com uma situação inicial, resolve o problema, apresenta a solução ao usuário e adapta a solução com uma inte- ração com o usuário. A Figura 3.6 apresenta a arquitetura do sistema tutor inteligente WLOG.

Figura 3.6:Arquitetura do STI implementado por MAT- TEO, BAROGLIO e PATTI, adaptado de [Baldoni, Baroglio e Patti 2004].

Um Assistente Inteligente para o Ensino das Seções Cônicas (STI Cônica)

ZEFERINO, RAPKIEWICS e MORALES desenvolveram um tutor in- teligente específico para o ensino de seções cônicas (Geometria Analítica) no ensino médio [Zeferino, Rapkiewicz e Morales 2004]. Devido as característi- cas do domínio, a ênfase do sistema é a interface e a estratégia de ensino. O conhecimento foi fornecido por um professor de matemática com dez anos de

(40)

3.2 Sistemas Tutores Inteligentes 24

experiência em docência. O módulo de controle do sistema foi implementado utilizando a ferramenta JEZZ e a linguagem Java e é responsável por:

Selecionar uma estratégia de ensino;

Selecionar o material instrucional na base de conhecimento do domínio;

Apresentar o material pela interface;

Diagnosticar o comportamento do aluno monitorando seu progresso.

No STI Cônica, o aluno é caracterizado por um dos três estereótipos disponíveis. Esta associação é utilizada para escolher a próxima atividade. A avaliação do aluno é dinâmica de acordo com a complexidade dos exercícios propostos pelo tutor, pelos erros cometidos e pelas solicitações de ajuda do estudante.

A arquitetura utilizada pelo STI Cônica foi proposta por VICCARI em sua tese de doutorado intitulada “Um Tutor Inteligente para a Pro- gramação em Lógica - Idealização, Projeto e Desenvolvimento”. A tese foi desenvolvida na Universidade de Coimbra em 1990. A representa- ção da arquitetura proposta por VICCARI pode ser vista na Figura 3.7 [Zeferino, Rapkiewicz e Morales 2004].

Figura 3.7:Arquitetura do STI implementado por ZEFERINO e outros, adaptado de [Zeferino, Rapkiewicz e Morales 2004].

(41)

3.2 Sistemas Tutores Inteligentes 25

Sistema Tutor Inteligente Multi-agente (MATHTUTOR)

CARDOSO e outros desenvolveram um STI multi-agente que integra diferentes formalismos para facilitar o desenvolvimento do conteúdo em um tutorial e ao mesmo tempo fornecer adaptabilidade e flexibilidade na apre- sentação [Cardoso et al. 2004]. Foram adotados, no desenvolvimento da ferra- menta:

A lógica de primeira ordem para o modelo do aprendiz;

Redes de Petri para o modelo pedagógico;

Interação do aprendiz com os agentes para a tomada de decisão;

Cada agente no sistema MATHTUTOR contém um sistema tutorial completo chamado de agente tutorial (TA, do inglês Tutorial Agent) com o ob- jetivo em um subdomínio do conhecimento. O conjunto de agentes corresponde ao módulo Sociedade Multi-Agente do sistema que também é composto pela interface do aprendiz e pela interface de autoria. A arquitetura desse sistema é mostrada na Figura 3.8.

Figura 3.8:Arquitetura do MATHTUTOR, um STI multi- agente, adaptado de [Cardoso et al. 2004].

O módulo de autoria auxilia o professor a propor, para cada subdomí- nio, um currículo composto por unidades pedagógicas, associações de proble- mas e pré-requisitos. A grade de pré-requisitos é compilada em uma rede de Petri. Essa rede é traduzida em um conjunto de regras de sistemas especialis- tas.

Ostokensda rede de Petri contêm ponteiros para o modelo do aprendiz e para o modelo do domínio. As transições da rede de Petri são controladas por condições relacionadas ao modelo do aprendiz. Ao disparar essas transições, ações são produzidas para atualizar o modelo do aprendiz.

(42)

3.2 Sistemas Tutores Inteligentes 26

3.2.5 Sistemas Tutores Inteligentes baseados em Siste- mas Fuzzy

Os Sistemas Fuzzy representam o conhecimento de forma simbó- lica (IA simbólica) e ao mesmo tempo de forma numérica (IA subsimbólica) [Kasabov 1996]. São sistemas especialistas baseados em dados e regras ine- xatas, subjetivas, ambíguas ou vagas. Seus componentes são:

Variáveisfuzzyde entrada e saída;

Um conjunto de regrasfuzzy;

Um mecanismo de inferênciafuzzy.

A Lógica Fuzzy é um exemplo de mecanismo de inferência, utilizado em SistemasFuzzy, que permite realizar um raciocínio aproximado. O resul- tado das proposições na Lógica Fuzzy apresentam resultados graduais entre verdadeiro e falso. A lógicaFuzzyé uma generalização da lógica boolena.

As regras da lógica Fuzzy, assim como nos sistemas especialistas, são obtidas pelo conhecimento dos peritos na área de aplicação, por experiência ou formuladas por alguma técnica de aprendizado de máquina. As regras normalmente possuem a forma "se X então Y".

Na inferência, um conjunto de regras é aplicada às entradas, produ- zindo as saídas. As entradas e saídas podem ser exatas ou fuzzy. São apli- cadas as funções de fuzzificação ou defuzzificação para a conversão entre os dois tipos de valores. Para os valores fuzzy são utilizados conceitos fuzzy (por exemplo: baixo, mediano e alto) definidos em termos de conjuntosfuzzy.

Nos conjuntosfuzzy, os objetos podem pertencer parcialmente ao con- junto. O grau de pertinência é determinado por uma função de pertinência.

Essas funções permitem transformar informações vagas, normalmente des- critas em linguagem natural, em um formato numérico e vice-versa. O valor do grau de pertinência varia de zero a um, onde o grau zero indica “não per- tence” e um indica “pertence completamente”.

A Figura 3.9 apresenta uma função de pertinência para três conjuntos fuzzy da variável “altura” (de seres humanos). Utilizando os marcadores (linhas pontilhadas) da figura, uma pessoa com altura de um metro e sessenta centímetros pertence ao mesmo tempo aos conjuntos mediano e alto. O grau de pertinência no conjunto mediado é de 0,28 enquanto no conjunto alto, é de 0,8.

(43)

3.2 Sistemas Tutores Inteligentes 27

60 70 80 90 100 110 120 130 140 150 160 170 180 190 200 210 220 230 240 250 altura

mediano alto

Figura 3.9:Exemplo de funções de pertinência. Adaptado de [Kasabov 1996], página 168.

Sistema Tutor Inteligente para Aprendizado de JAVA (JITS)

O Sistema Tutor Inteligente para Aprendizado de Java (JITS, do in- glês Java Intelligent Tutoring System) é um Sistema Tutor Inteligente pro- jetado para ensinar a programar na linguagem Java em colégios e universi- dades. O protótipo, desenvolvido por SYKES e FRANEK, foi construído sobre um pequeno subconjunto da linguagem de programação em um contexto espe- cífico [Sykes e Franek 2004]. A arquitetura do sistema é composta por quatro módulos, sendo eles:

Projeto de Currículo (conjunto de problemas, soluções e respostas incor- retas);

Módulo Inteligente (fornecefeedbackinteligente ao aprendiz);

Infra-estrutura Web Distribuída (conjunto de tecnologia implementadas em JavaBeans, JavaServer Pages para fornecer suporte a apresentação do tutor e a uso do Módulo Inteligente);

Interface com o Usuário.

O Módulo Inteligente utiliza, para fornecer dicas ao aluno, a saída do compilador, a saída da máquina virtual Java e um módulo chamado Fuzzy

(44)

3.2 Sistemas Tutores Inteligentes 28

Scanner. O módulo fuzzy calcula a distância entre o código Java escrito pelo aluno e a solução. Essa distância é especificada por um conjunto de inserções, exclusões e transposições de strings para transformar o código do aluno no código solução para um determinado problema.

3.2.6 Sistemas Tutores Inteligentes utilizando Aprendi- zado por Reforço

Existem algumas propostas para a utilização de Aprendizado por Reforço em Sistemas Tutores Inteligentes. Nessas propostas, a técnica é utilizada para determinar um Plano de Ensino (ou estratégia) a partir de um modelo do usuário que é atualizado dinâmica e interativamente.

Proposta de BENNANE para a Aplicação do Aprendizado por Reforço em STI

BENNANE discutiu como a técnica de Aprendizado por Reforço pode ser utilizada em Sistemas Tutores Inteligentes para individualizar e adaptar as situações de aprendizagem [Bennane 2002]. Segundo seu artigo, o modelo pedagógico deve atender aos seguintes requisitos:

Avaliar as ações do aprendiz e determinar os valores dos parâmetros de transição, a recompensa do algoritmo e o caminho de aprendizagem;

Selecionar as situações de aprendizagem a partir da base de dados e apresentar a escolhida pela unidade de avaliação;

Apresentar as recompensas ao usuário seguindo a unidade de avaliação.

Os componentes do STI e a interação entre eles para realizar essas tarefas podem ser visualizados na Figura 3.10.

AUnidade de Avaliaçãoavalia as ações do aluno e fornece a recom- pensa. Quando o usuário é bem sucedido o aluno é geralmente direcionado para um nível de dificuldade maior em uma próxima situação a ser apren- dida. A ação do aprendiz pode ser a escolha de uma resposta em uma questão fechada, digitar uma resposta em uma questão aberta ou rever um situação demonstrativa.

A Unidade de Transição segue as instruções (ordens) da unidade de avaliação, recupera o conteúdo selecionado a partir da base de dados e apresenta ao usuário (função de recuperação de conteúdo e apresentação).

AUnidade de Recompensaescolhe e envia ofeedbackadequado ao aprendiz pela suas ações. A mensagem apresentada ao aprendiz pode ser um

Referências

Documentos relacionados

A imagem resultante de efectuar a transmissão de Raios X no sentido oposto seria a imagem da Figura 4, uma vez que analisando a Equação (2) se pode concluir que os

Desta forma, alinhando-se a função de recompensa do agente à utilidade do sistema, os agentes serão estimulados a tomar ações que contribuem para a redução do tempo de viagem

A metodologia proposta neste trabalho possui quatro etapas: (1) Desenvolvimento do sistema de Aprendizado por Refor¸ co; (2) Gera¸ c˜ ao da base de conhecimento do TSP; (3) Realiza¸

Numa corrida rápida, de velocidade, teria as minhas hipóteses, mas dar cinco voltas ao recinto enlameado da escola era mais apropriado para o Mário e o Xavier, por exemplo,

Um dos grandes desafios no ramo da usinagem de materiais ferrosos e não ferrosos é o método de fixação do produto que será usinado em máquinas operatrizes, principalmente quando este

Um investidor que deseja comprar ações tem duas opções na hora da compra: de- finir o valor desejado de compra, conhecido como bid, ou comprar a preço de mercado, o menor valor de

Como é possível concluir, boas ligações entre elementos horizontais e verticais é uma contribuição fundamental para um melhor desempenho sísmico de edifícios

Algoritmo Robbins-Monro permite aprender uma função onde um de seus parâmetros é uma variável aleatória com distribuição de. Inteligência