COMO USAR ONTOLOGIAS NA AVALIAÇÃO DA APRENDIZAGEM SIGNIFICATIVA MEDIADA POR MAPAS CONCEITUAIS

C

OMO

U

SAR

O

NTOLOGIAS

NA

A

VALIAÇÃO

DA

A

PRENDIZAGEM

S

IGNIFICATIVA

M

EDIADA

POR

M

APAS

C

ONCEITUAIS

Resumo: Ontologias são repositórios de conhecimento que podem ser utilizados em várias aplicações educacionais. Elas podem ser usadas para propósitos de navegação, adaptação, compartilhamento e co-operação. Muito pouco, contudo, existe na literatura a respeito do uso de ontologias em avaliação auto-matizada de aprendizagem. Neste artigo, mostramos como usar ontologias como ferramentas para auxi-liar a avaliação da aprendizagem significativa mediada por Mapas Conceituais (MCs). O objetivo é minimizar a carga de trabalho do professor e simultaneamente permitir práticas construtivistas em sala de aula. Adicionalmente, analisamos como ontologias e MCs lidam com conhecimento, e defini-mos alguns requisitos para o projeto de ontologias para fins educacionais. Ao final do artigo, apresentamos o CMTool, um ambiente de aprendizagem projetado para auxiliar a criação de ontologias e MCs, bem como a avaliação automatizada da aprendizagem.

Palavras-chaves: Ontologias de Domínio, Algoritmos Genéticos, Mapas Conceituais, Avaliação da Aprendizagem, Ambientes Educacionais. Abstract: Ontologies are knowledge repositories that can support a variety of educational applications. They can be used for navigation, adaptation, sharing, and cooperation purposes. Very little, however, has been done towards the use of ontologies in computerized knowledge assessment. Our research focuses on the use of ontologies as tools to support learning assessment via Concept Maps, minimizing the work overload on the teacher and simultaneously allowing for the use of constructivist practices. In this article, we analyze how ontologies and concept maps manage knowledge and analyze the requirements for ontology engineering in educational contexts. We present CMTool, a learning environment designed to support ontology creation, concept mapping, and computerized assessment. Keywords: Domain Ontologies, Genetic Algorithms, Concept Maps, Learning Assessment, Educational Environments.

Francisco Edson Lopes da Rocha

PPGEE, Univ. Federal do Pará Cx. Postal 8619, 66075-900 [email protected]

Júlio Valente da Costa Júnior

PPGEE, Univ. Federal do Pará Cx. Postal 8619, 66075-900 [email protected]

Eloi Luiz Favero

PPGEE, Univ. Federal do Pará Cx. Postal 8619, 66075-900 [email protected]

1 I

Nos últimos tempos, muita pesquisa tem sido feita sobre ontologias, especialmente no campo do gerenciamento do conhecimento [1,2,3]. No campo educacional, ontologias podem ser usadas como interfaces de alto nível para atividades de navegação, adaptação, compartilhamento e cooperação. Entretanto, há muito pouco na literatura a respeito do uso de ontologias como repositório de conhecimento para uso na avaliação da aprendizagem. A pesquisa que apresentamos neste artigo

é um passo nesta direção. Ela é baseada não somente em ferramentas de Inteligência Artificial, como ontologias e algoritmos genéticos, como também numa sólida teoria educacional que explica como as pessoas adquirem, retêm e rememoram conhecimento. Neste artigo mostramos (i) como usar ontologias na prática construtivista do ensino e da aprendizagem e (ii) como estas ontologias podem ser pesquisadas por algoritmos genéticos para auxiliar na avaliação automatizada da aprendizagem significativa, quando esta é mediada por mapas conceituais.

O objetivo principal de nossa abordagem é ser uma alternativa viável para um problema importante: avaliação da aprendizagem em grandes ambientes virtuais. Este problema engloba a questão de avaliar a aprendizagem de centenas de estudantes reunidos em grupos virtuais. Um professor que atribuir a um grupo deste tipo a tarefa de preparar o resumo de um artigo, por exemplo, terá que enfrentar a sobrecarga de trabalho decorrente da correção de centenas de textos. Uma abordagem alternativa é pedir aos estudantes que usem algum tipo de notação semi-formal, como mapas conceituais (MCs) [4,5], para expressar suas idéias. Neste caso, os MCs dos estudantes podem ser comparados automaticamente a MCs corretos derivados de uma ontologia.

Em nossa pesquisa, uma ontologia de domínio representa um espaço de busca formado por todos os MCs corretos dela deriváveis, ou seja, MCs sem erros de concepção no contexto da tarefa de aprendizagem representada pela ontologia. Entretanto, para a avaliação de um MC particular construído por um estudante, nem todos os MCs formados com os conceitos da ontologia servirão como elemento de comparação: alguns serão estruturalmente diferentes, outros serão semanticamente distantes do MC avaliado. Por isso, para avaliar individualmente MCs inseridos por estudantes, de modo automático, é necessário restringir e pesquisar este espaço de busca. No nosso caso, esta tarefa é feita por um algoritmo genético (AG), o qual, partindo da ontologia, gera MCs comparáveis ao MC avaliado, ou seja, MCs com a mesma estrutura do MC sob avaliação e semanticamente próximos deste. O detalhamento da idéia de proximidade semântica entre MCs e a forma particular como os conceitos da área de IA estão implementados em nosso ambiente estão mostrados nas demais seções do artigo.

Entendemos que a idéia apresentada aqui é uma abordagem geral para a avaliação da aprendizagem significativa mediada por MCs, capaz de lidar com situações não tratadas pela simples comparação automática do MC do estudante com um MC de referência. Esta abordagem pode, por exemplo, tratar sinonímia e inferência: (i) a proposição “plantas têm folhas” será avaliada da mesma forma que “plantas possuem folhas” (Sinonímia); e (ii) a proposição “plantas geram oxigênio” será avaliada corretamente, embora a ontologia contenha somente as proposições “plantas têm folhas” e “folhas geram oxigênio” (Inferência).

O artigo contém 8 seções. Na seção 2 apresentamos as bases teóricas e metodológicas de nossa pesquisa. Na seção 3 mostramos como podemos utilizar as similaridades e diferenças entre ontologias e MCs para tratar visões particularizadas do mesmo conhecimento, e como usar esta idéia na avaliação da aprendizagem. A seção 4 resume o ambiente de aprendizagem CMTool, uma ferramenta mental1

que suporta construção gráfica de ontologias, construção de MCs e avaliação automática da aprendizagem significativa mediada por MCs. A seção 5 apresenta os requisitos para a criação de ontologias sob a ótica da Teoria da Assimilação. A seção 6 discute algumas questões importantes relacionadas à pesquisa e a seção 7 anuncia trabalhos futuros. Finalmente, reportamos nossas conclusões na seção 8.

2 F

T

2.1 A TEORIADA ASSIMILAÇÃO

A Teoria da Assimilação [7,8] foi desenvolvida por David Paul Ausubel no início da década de 1960. Ela tenta explicar a aprendizagem como sendo a aquisição de novos conceitos, e a imersão destes na estrutura cognitiva de um indivíduo – uma estrutura mental na qual a organização e a integração do conhecimento são processadas. O principal conceito desta teoria é o de aprendizagem significativa: um processo por meio do qual uma nova informação é ligada a um aspecto relevante específico da estrutura cognitiva de um indivíduo, aspecto este definido por Ausubel como

conceito subsunçor (ou simplesmente subsunçor).

Outros princípios básicos descritos na Teoria da Assimilação são os processos de diferenciação

progressiva e reconciliação integrativa, que explicam a

assimilação de novos conceitos na estrutura cognitiva. Diferenciação progressiva é um processo que, tipicamente, conduz à ampliação da estrutura cognitiva (adição de novas idéias por meio de novas aprendizagens) e reconciliação integrativa serve tipicamente para ampliação, transformação e recombinação da estrutura cognitiva. É principalmente pelo uso da reconciliação integrativa que o indivíduo demonstra sua criatividade, ao recombinar idéias preexistentes para gerar novos significados.

Para que a aprendizagem significativa ocorra, é importante que a estrutura cognitiva do estudante contenha subsunçores claros, estáveis e diferenciáveis que sirvam como ponto de ancoragem para novas aprendizagens. Além disso, o estudante deve ser capaz de aplicar continuadamente os processos mentais que medeiam a aprendizagem, com o objetivo de formar novos significados.

2.2 MAPAS CONCEITUAIS

Baseado nas idéias de Ausubel, Joseph Novak desenvolveu uma ferramenta metodológica chamada de Mapa Conceitual [4,5]. Um MC representa uma abstração da estrutura cognitiva de um indivíduo, e das mudanças que nela ocorrem. Ele contém representações hierárquicas de conceitos e proposições. Conceitos são representações de objetos, eventos, situações ou propriedades, designadas por um rótulo. Uma proposição é uma relação ou associação entre dois ou mais conceitos rotulada por uma frase de ligação. Do ponto de vista do significado, uma proposição é uma declaração sobre um fato, objeto ou idéia, e sua frase

1 _{Segundo Jonassen [6], ferramenta mental (mindtool) é um software}

educacional cujo uso auxilia estudantes a aplicar práticas construtivistas de aprendizagem e a desenvolver o pensamento crítico sobre o tópico que está sendo aprendido.

de ligação é uma instância de uma determinada dimensão semântica segundo a qual os conceitos da proposição se relacionam. A Figura 1 mostra um MC sobre aprendizagem humana. Uma de suas proposições é <APRENDIZAGEM HUMANA pode ser APRENDIZAGEM COGNITIVA>. Neste caso, <APRENDIZAGEM HUMANA> e <APRENDIZAGEM COGNITIVA> são conceitos e a expressão <pode ser> é a frase de ligação que rotula a proposição.

A estrutura hierárquica de um MC é baseada no conceito de inclusividade: um conceito mais inclusivo é aquele que, no contexto da tarefa de aprendizagem em curso, pode ser considerado superordenado em relação a outros conceitos, ou seja, é capaz de classificar outros conceitos segundo alguma dimensão semântica (p.ex., partição, classificação, subordinação). As frases de ligação usadas para rotular proposições num MC são instâncias destas dimensões semânticas. Assim, na Figura 1, a frase de ligação da proposição <APRENDIZAGEM HUMANA pode ser APRENDIZAGEM AFETIVA> é uma instância de uma dimensão semântica de classificação, na qual um dos conceitos é uma especialização (subclasse) do outro.

Figura 1: Mapa conceitual sobre aprendizagem humana

Do ponto de vista computacional, um MC é um grafo direcionado rotulado [9]. Por isso, é possível aplicar a MCs os algoritmos clássicos de busca em grafos com o objetivo de descobrir o conhecimento neles armazenado. Em particular, aplicando um algoritmo de busca em largura, podemos fazer uma leitura do MC por nível de inclusão dos seus conceitos e, eventualmente, detectar erros posicionais e indefinições hierárquicas dos conceitos presentes no mesmo.

2.3 MAPAS CONCEITUAISE AVALIAÇÃODA APRENDIZAGEM MCs são ferramentas semi-formais usadas para representação do conhecimento. São fáceis de criar e usar em razão do uso de linguagem natural para representar conceitos e proposições. MCs têm sido usados para ensinar diferentes disciplinas [10,11] para estudantes de idades variadas e de diferentes níveis escolares, incluindo jardim de infância [12]. Eles têm sido usados também como

ferramenta para organizar e apresentar informação, para desenvolvimento de cursos e currículos, como suporte para navegação em hipertexto, e para avaliação da aprendizagem [13,14]. Todavia, esta facilidade de uso tem um efeito colateral indesejado: ambigüidade, que torna difícil avaliar o conhecimento expresso em MCs [15].

Em relação à avaliação da aprendizagem, alguns pesquisadores enfatizam a sobrecarga de trabalho sofrida pelo professor quando MCs são utilizados [16]. Para aliviar esta sobrecarga, diversas pesquisas propõem a comparação automatizada entre o MC do estudante e um MC de referência (construído pelo professor ou por um especialista da área) [16,17]. Nós acreditamos que esta abordagem não é adequada para avaliar a aprendizagem sob a ótica construtivista, já que aprendizes podem construir o mesmo conhecimento de muitas formas diferentes. Como alternativa a esta simples comparação automática entre dois MCs, nossa pesquisa introduz a idéia de usar ontologias no processo de avaliação da aprendizagem. A idéia é fazer uma avaliação que compare cada estudante com ele mesmo, uma avaliação formativa, segundo Zabala ([18]). A próxima seção descreve as semelhanças e diferenças entre MCs e ontologias de domínio, e como podemos utilizar estas ferramentas na avaliação da aprendizagem significativa.

3 O

MC

Ontologias de domínio e MCs são ambos ferramentas para modelagem de conhecimento. Por esta razão, possuem várias similaridades, mas também algumas diferenças importantes. Algumas destas estão sumarizadas na Tabela 1.

Tabela 1: Características de MCs e

Tanto MCs quanto ontologias de domínio são abstrações, que procuram capturar aspectos relevantes de algo que se está tentando descrever. Entretanto, ontologias de domínio concentrando-se nas entidades de um domínio específico, de acordo com o conhecimento estabelecido e compartilhado por diversas pessoas, enquanto que MCs se concentram no entendimento de cada um sobre o domínio, ou seja, no ponto de vista de cada um. De qualquer forma, ambos expressam relações entre entidades (conceitos).

Apesar de ontologias serem mais genéricas que MCs, ambos dependem da tarefa para a qual foram construídos e de decisões de projeto tomadas no decorrer de sua criação [1,3]. Além disso, ambos podem ser usados como ferramentas cognitivas: MCs têm sido tradicionalmente usados como ferramentas cognitivas durante o processo educacional, e ontologias têm sido normalmente usadas para capturar e compartilhar conhecimento.

A despeito das similaridades, MCs e ontologias têm também importantes diferenças, a primeira e mais importante sendo seus objetivos. O objetivo das ontologias de domínio é possibilitar a criação de abstrações da realidade, de modo a facilitar a captura de seus aspectos importantes, inferir conhecimento novo e compartilhar o conhecimento com agentes (humanos ou não) ou sistemas [19,20]. Um MC, por outro lado, representa um instantâneo da estrutura cognitiva de uma pessoa [4].

Outra diferença importante é que MCs, embora representando conhecimento estrutural, não incluem intrinsecamente uma descrição formal ou uma linguagem de representação de conhecimento que permita derivar conhecimento novo a partir dos conceitos e proposições descritos. Entretanto, é exatamente esta ausência de formalismo que os torna acessíveis, pois capacita estudantes não treinados em linguagens formais a expressar seus entendimentos: conceitos e relações que eles conseguem perceber entre conceitos.

É a partir dessas diferenças entre MCs e ontologias que surge a possibilidade de usar ontologias durante o processo educacional: para ajudar a avaliar visões idiossincráticas do mesmo conhecimento expresso por meio de MCs. No ambiente educacional da pesquisa (descrito na Seção 4), professores constroem representações gráficas parciais de ontologias, desenhando os conceitos e especificando as possíveis dimensões semânticas das relações entre eles. Estas representações parciais, junto com axiomas (definidos diretamente pelo professor ou automaticamente gerados pelo ambiente) formam as ontologias, que representam espaços de busca a partir dos quais é possível gerar MCs que sejam corretos segundo o conhecimento (expresso ou inferido) nelas existente.

Conhecendo os conceitos presentes na ontologia, os estudantes constroem os MCs que representam seu entendimento do assunto que está sendo estudado. O resultado deste processo é a construção de inúmeros MCs

diferentes, representando a visão pessoal de cada estudante. Estes MCs podem ter proposições diferentes entre si, ou as mesmas proposições combinadas de formas diferentes.

Para avaliar MCs construídos pelos estudantes nestas circunstâncias, respeitando suas visões pessoais sobre o assunto que foi mapeado, exploramos o espaço de busca representado pela ontologia, na busca por MCs semanticamente próximos do MC submetido para avaliação. Para isso, utilizamos um algoritmo genético (AG), chamado GAADT-CM (Algoritmo Genético baseado em Tipos Abstratos de Dados para a geração de Mapas Conceituais) [21]. Este AG, baseado na ontologia, cria gerações de MCs cada vez mais próximos do MC do estudante. Para conseguir isso, o AG favorece MCs que contenham os mesmos conceitos e frases de ligação próximas das presentes no MC do estudante. Assim, se o MC avaliado contiver cinco conceitos, todos os MCs gerados pelo AG conterão também cinco conceitos, e os MCs que contiverem exatamente os mesmos conceitos usados pelo estudante serão favorecidos, ou seja, serão considerados mais

adaptados.

As seções seguintes detalham o ambiente e, em particular, o funcionamento do GAADT-CM, bem como nosso modelo de ontologias de domínio. Um exemplo simples é mostrado, para ilustrar o uso destas idéias.

4 U

V

G

CMT

CMTool é um mindtool cujo objetivo principal é ajudar estudantes e professores a aplicar princípios construtivistas no decorrer do processo de aprendizagem escolar [22]. Seu diagrama de blocos está ilustrado na Figura 2. Ele engloba sete módulos: o administrador, o editor de MCs (CMEditor), o editor de ontologias (On_Tool), o avaliador, o algoritmo genético (AG) [20], o motor de inferência, e um repositório.

Figura 2: Arquitetura do ambiente CMTool

O administrador controla o acesso ao ambiente. O CMEditor, usado principalmente pelos estudantes, implementa uma linguagem visual cujo objetivo é facilitar a construção de MCs em conformidade com os princípios da Teoria da Assimilação. O editor On_Tool, cujo principal usuário é o professor, é usado para construir ontologias de domínio associadas às tarefas de aprendizagem (a Seção 5 apresenta uma descrição mais detalhada do funcionamento

e uso deste módulo). O repositório contém informações importantes para o funcionamento do ambiente, dentre as quais destaca-se a taxonomia de frases de ligação.

Esta taxonomia implementa um modelo capaz de [15]: (i) distinguir duas proposições diferentes, embora próximas, e (ii) atribuir valores de distância semântica proporcionais à diferença em significado entre duas proposições quaisquer que estejam sendo comparadas. Por exemplo, <COMUNICAÇÃO COMPARTILHADA> e <COMUNICAÇÃO LOCAL> são conceitos da área de comunicação de dados. As proposições <COMUNICAÇÃO COMPARTILHADA, é usada por, COMUNICAÇÃO LOCAL> e <COMUNICAÇÃO COMPARTILHADA, pode ser, COMUNICAÇÃO LOCAL>, formadas a partir dos mesmos conceitos, representam idéias diferentes no contexto de uma tarefa de aprendizagem. No primeiro caso, a frase de ligação é usada por é instância da dimensão semântica processo, enquanto que, no segundo caso, a frase de ligação pode ser representa a dimensão semântica classificação. Neste caso, o valor da distância semântica entre as duas proposições seria diferente de zero para informar que elas não expressam o mesmo significado. A pesquisa seminal que inspirou a criação da taxonomia foi conduzida por Kathleen Fisher [23], que catalogou e classificou a maioria das frases de ligação usadas por estudantes. Em nossa pesquisa, mantivemos, por exemplo, a divisão de frases de ligação em frases de ligação simétricas (<AGUA, é diferente de, FOGO> é o mesmo que <FOGO, é diferente de, AGUA>) e frases de ligação assimétricas. A taxonomia é ainda subdividida em outras categorias (ou dimensões). Os primeiros níveis da taxonomia estão ilustrados na Figura 3.

Figura 3: Níveis iniciais da taxonomia de frases de ligação

O motor de inferência do ambiente é um módulo capaz de interpretar e combinar axiomas representativos das dimensões semânticas da taxonomia (escritos em lógica de primeira ordem), para responder se determinada proposição é válida ou não. Assim sendo, se a ontologia contém o conhecimento explícito <HOMEM, é, ANIMAL> e <ANIMAL, tem, CABEÇA>, a proposição <HOMEM, tem, CABEÇA> é validada pelo motor de inferência, porque os

axiomas referentes às dimensões utilizadas (partição e

classificação) permitem inferir este conhecimento.

Além dos módulo já detalhados, o ambiente da pesquisa possui um algoritmo genético não-tradicional, chamado de GAADT-CM [20]. Os cromossomos que compõem uma população do GAADT-CM têm sua representação estratificada em três níveis de percepção: base, gene e cromossomo, sendo a base o nível mais elementar desta representação. Base, gene e cromossomo são descritos por axiomas matemáticos que são aplicados aos dados contidos numa ontologia de domínio.

O conjunto-base B é formado pelo conjunto de todas as unidades elementares que podem ser usadas na formação do material genético dos cromossomos de uma população, ou seja, é o conjunto de todos os conceitos existentes na ontologia e de todas as frases de ligação das dimensões usadas na ontologia, ou inferidas a partir de seus axiomas. O conjunto-gene G, por sua vez, é formado por todas as proposições criadas com a combinação desses conceitos e frases de ligação e validadas pelo motor de inferência.

Genes são agrupados em seqüências para formar os cromossomos da população. Assim, o conjunto de genes que compõe um dado cromossomo indica as características deste cromossomo. Vale ressaltar que a ordem em que os genes encontram-se dispostos no cromossomo não altera as suas características. Conseqüentemente, por definição, o conjunto-cromossomo C é o conjunto de todos os genes que obedecem às condições estabelecidas pelo conjunto de axiomas de formação de cromossomos (AFC). Os axiomas do conjunto AFC foram especificados para construir MCs corretos de acordo com os princípios teóricos de estrutura hierárquica, diferenciação progressiva e reconciliação integrativa. Eles estabelecem duas exigências fundamentais: (i) todo cromossomo deve ser conexo e (ii) para todo cromossomo c, deve existir um cromossomo x, cujo conjunto de genes é um subconjunto próprio do conjunto de genes de c, composto somente por proposições construídas pela simulação de diferenciação progressiva, que forma uma árvore (em outras palavras, a aprendizagem por diferenciação progressiva representada num mapa conceitual deve ser um grafo conexo acíclico).

GAADT-CM tem dois operadores genéticos: o operador de cruzamento e o operador de mutação. O primeiro utiliza os genes dos indivíduos melhor adaptados de uma população para formar uma nova população. Esta compreende também os melhores indivíduos da população anterior, de acordo com a técnica de estado estacionário (steady-state) [24].

A função de adaptação (fitness) usada pelo GAADT-CM é uma função adapt: C → R, tal que:

A função adapt recebe um cromossomo e calcula a soma ponderada do grau de adaptação de cada um dos seus genes. O peso θ representa o quanto um dado gene é importante para a construção de um MC semanticamente próximo ao MC submetido para avaliação pelo estudante (MC_est) . Como MCs semanticamente próximos de MC_est devem possuir os mesmos conceitos, o valor de θ será 3 se ambos os conceitos do gene g estiverem presentes e conectados entre si em MC_est, 2 se ambos os conceitos no gene g estiverem presentes (porém não ligados entre si) em MC_est, 1 se apenas um conceito estiver presente em MC_est, e zero caso nenhum dos conceitos de g exista em MC_est. Adicionalmente, o valor da adaptação de um cromossomo é decrementado em uma unidade para cada conceito existente em MC_est e inexistente no cromossomo que está sendo avaliado.

Como se observa na definição anterior, para calcularmos o grau de adaptação de um cromossomo, precisamos primeiramente calcular os graus de adaptação de cada um de seus genes. Para isso, fazemos uso da função grau: G → R, definida como se segue:

(2)

A função grau recebe um gene e calcula seu grau de adaptação. Na função, o valor de a será 2 se a frase de ligação do gene coincidir com uma das frases consideradas preferenciais pelo professor no momento da criação da ontologia. Caso contrário, seu valor será 1. O valor de b será 2 e a frase de ligação do gene coincidir (em texto e dimensão semântica) com a frase definida pelo estudante para ligar os mesmos dois conceitos. Caso contrário, seu valor também será 1. A conseqüência direta desta função é o favorecimento, no decorrer das gerações de indivíduos, de genes que coincidam com os genes utilizados em MC_est. Da mesma forma como acontece na natureza, a mutação ocorre com uma determinada probabilidade P_m. Quando uma mutação ocorre, o AG usa uma nova proposição (um novo gene), formada a partir da ontologia e da taxonomia, e considerada válida pelo motor de inferência. Mutações são parte importante de qualquer AG, na medida em que elas apontam para explorações adicionais do espaço de busca, e inibem convergência prematura. A Figura 4 representa um síntese do funcionamento do AG implementado no CMTool.

Figura 4: Resumo do processamento do GAADT-CM

5 O

_T

Os requisitos para a criação de ontologias de domínio para finalidades educacionais são diferentes daqueles para trabalhos na área de engenharia do conhecimento. Isso se dá porque, no primeiro caso, professores se engajam ativamente na criação das ontologias e, assim, precisam ter acesso a ferramentas com capacidades específicas:

- Criação, armazenamento e recuperação de ontologias. Para facilitar ao máximo estas operações, estas ontologias devem ser mostradas ao professor como representações gráficas de entidades de domínio, com seus possíveis inter-relacionamentos;

- Interface de usuário intuitiva, de modo que não sejam necessários treinamentos em formalismos como cálculos de predicados, por exemplo; - Apresentação explícita das dimensões semânticas

de relacionamentos entre conceitos;

- Possibilidade de adicionar novas dimensões semânticas de relacionamentos entre conceitos não inicialmente previstos no ambiente, quando necessário;

- Possibilidade de considerar, para uma tarefa de aprendizagem específica, que duas dimensões de relacionamento entre conceitos sejam aproximadas semanticamente;

- Possibilidade de descrever informação adicional sobre o domínio, tal como conjunção, disjunção e disjunção exclusiva, cardinalidade e exceções; - Geração automática de axiomas a partir das dimensões semânticas mais usadas para definir relações entre conceitos, de modo a permitir inferência na ontologia criada.

Como os editores de ontologia existentes focam a engenharia do conhecimento, os requisitos listados acima não são completamente atendidos. Por este motivo, desenvolvemos a ferramenta On_Tool, um protótipo para criação de ontologias de domínio com fins educacionais.

No On_Tool, o professor constrói ontologias de domínio desenhando as entidades e atribuindo dimensões de relacionamento para as ligações entre elas. Estas dimensões são selecionadas na taxonomia de frases de ligação e incorporadas na ontologia em construção.

No curso da construção de uma ontologia específica, o professor pode descrever informações adicionais sobre o domínio (conjunção, disjunção, disjunção exclusiva, frases de ligação específicas que o AG deve levar em conta na busca pelos MCs mais adaptados, cardinalidade e exceções). O professor pode também determinar que diferentes ramos da taxonomia sejam considerados semanticamente próximos para tarefas de aprendizagem específicas.

5.1 O PROTÓTIPODO ON_TOOL

A Figura 5 ilustra a janela principal do protótipo do On_Tool. Nesta figura podemos observar uma ontologia englobando alguns conceitos de orientação a objetos. Fica claro que, diferentemente de MCs, em ontologias não temos que especificar uma frase de ligação, mas uma dimensão semântica conectando duas entidades. Opcionalmente, contudo, o professor pode selecionar algumas frases de ligação que ele considera ideais para representar a dimensão semântica. Estas frases serão favorecidas pelo GAADT-CM caso o aluno não tenha utilizado uma frase adequada para conectar os mesmos dois conceitos. Também podemos observar na Figura 5 informações de cardinalidade que o professor pode, opcionalmente, inserir na ontologia.

O On_Tool traduz esta representação gráfica para axiomas, de modo a permitir que inferências possam ser

¬parteDe(x,x)

, y parteDe(y,x)→¬parteDe(x,y)

, y, z parteDe(z,y) ∧ parteDe(y,x)→ parteDe (z,x) , y disjunto(x,y)→¬∃z parteDe (z,x) ∧ parteDe (z,y) atomico(x)→¬∃y parteDe (y,x)

, y, z parteDe (z,x) ∧ parteDe (z,y)→ (parteDe (x,y) ∨ parteDe (y,x))

Figura 5: Interface do protótipo do OnTool

feitas automaticamente a partir do conhecimento explícito na ontologia. Por exemplo, uma relação do tipo composição, representada pela cadeia taxonômica assimétrica.definição.

analítica.partição.composição é traduzida pelos

Um aspecto importante do On_Tool é que os professores podem especificar regras de proximidade semântica entre diferentes ramos da taxonomia das frases de ligação. O procedimento default do ambiente considera que somente frases de ligação catalogadas sob a mesma dimensão semântica podem ser consideradas semanticamente próximas. Entretanto, o professor pode redefinir o conceito de proximidade semântica de acordo com as necessidades da tarefa de aprendizagem ou da maturidade intelectual do grupo de aprendizes.

Na seção que segue, mostramos um exemplo integrado do funcionamento do ambiente.

5.2 UM CENÁRIODE USO

Nesta seção apresentamos um exemplo que coloca em prática as idéias discutidas até aqui. Nosso objetivo é mostrar o funcionamento do AG e do módulo de avaliação, integrados à ontologia e à taxonomia do ambiente. Para tanto, simulamos uma tarefa de aprendizagem simples, para facilitar a compreensão dos conceitos implementados. A ontologia para esta tarefa de aprendizagem está representada na Figura 5. Como já mencionado, o On_Tool é responsável pela axiomatização da ontologia, tendo como base as informações inseridas pelo professor.

Para que o AG do ambiente funcione, além da ontologia inserida pelo professor e da taxonomia de frases de ligação, é necessário inserir também o MC_est que se deseja avaliar, como resumimos na Figura 4. No exemplo que será

Figura 6: Exemplo de um MC submetido para avaliação

Como mostramos na seção anterior, para o GAADT-CM, os cromossomos são divididos em bases e genes. Assim, O trabalho inicial do AG é formar as bases e construir os genes. A Figura 7 ilustra alguns dos genes criados nesta etapa. Como se pode observar, os genes formados são todos corretos, de acordo com o conhecimento explícito ou inferido a partir da ontologia.

Figura 7: Alguns genes gerados pelo GAADT-CM

ilustrado, o MC_est avaliado é o da Figura 6. Ele contém uma concepção inválida (<CLASSE CONCRETA, é um tipo de, CLASSE ABSTRATA>).

Os cromossomos são, então, gerados com base no conjunto de genes. Cada indivíduo é gerado com o mesmo número de genes de MC_est, para facilitar o processo de busca. A Figura 8 ilustra alguns indivíduos da população inicial.

Estes indivíduos são avaliados e um valor de adaptação (fitness) é atribuído a cada um, pela aplicação da função adapt (vide Seção 4). Esta função expressa uma combinação de fatores fitogenéticos e filogenéticos, ou seja, a adaptação de um indivíduo se expressa por sua proximidade com o contexto definido pelo professor (frases de ligação preferenciais, dimensão semântica, cardinalidade, conhecimento inferido, sinônimos, etc), que consideramos as características sociais, e pela sua

proximidade com o MC do estudante (mesmos conceitos e frases de ligação, por exemplo), que consideramos as características genéticas.

Considerando a forma de cálculo de adaptação de indivíduos, os cromossomos considerados mais aptos em nosso exemplo encontram-se circulados na Figura 8. Estes cromossomos serão os pais da próxima geração, sendo esta criada usando os genes (as proposições) de seus pais. Uma amostra da segunda geração de indivíduos está ilustrada na Figura 9. Aplica-se a técnica de estado estacionário, para que os melhores indivíduos da geração anterior sejam mantidos na geração atual. Uma mutação é mostrada dentro do polígono tracejado da Figura 9.

Figura 8: Alguns cromossomos da população inicial

Este processo é repetido até que o GAADT-CM convirja, quando então os melhores indivíduos gerados são apresentados ao estudante como uma possível alternativa ao seu MC inicial.

A Tabela 2 apresenta extratos de uma avaliação executada no ambiente. Os resultados são organizados em quatro partes: (a) Estrutura hierárquica e tipos de aprendizagem demonstrados; (b) Similaridade semântica entre o MC avaliado e a população de MCs mais adaptados; (c) Ações necessárias para reconstruir os MCs mais adaptados; (d) Omissões encontradas no MC avaliado.

Tabela 2: Extratos de uma avaliação executada no ambiente

A parte (a) reporta se os conceitos usados no MC submetido para avaliação são relacionados à tarefa de aprendizagem em andamento, e se as proposições construídas pelo aprendiz são válidas no contexto sob análise. Para poder fazer estas verificações, o módulo avaliador verifica se as relações entre conceitos foram construídas usando frases de dimensões semânticas corretas, conforme colocado na ontologia pelo professor. A parte (b) apresenta a comparação semântica entre o MC avaliado e os MCs mais adaptados gerados pelo AG. O objetivo é apresentar ao estudante formas válidas de mapeamento do conhecimento armazenado na ontologia para a tarefa de aprendizagem em andamento. O avaliador calcula a distância semântica entre o MC avaliado e cada um dos MCs da população gerada pelo AG. Se os valores calculados forem diferentes de zero, informações detalhadas contendo as possíveis alternativas à concepção errônea encontrada no MC do estudante são apresentadas.

A parte (c) detalha as ações tomadas pelo AG para construir a população de MCs mais adaptados apresentados na parte (b). O objetivo é mostrar aos estudantes como construir formas de representação do conhecimento que são alternativas à sua própria representação (apresentada na parte (a)). Finalmente, a parte (d) apresenta a lista de conceitos que, embora presentes na ontologia de domínio, não foram mapeados pelo estudante. A lista pode indicar a necessidade de reforçar determinados tópicos da disciplina.

6 D

Nossa pesquisa enfoca o uso de ontologias na educação escolar sob a ótica da Teoria da Assimilação. Em geral, o ponto fraco dos ambientes virtuais de aprendizagem é a fragilidade na parte de avaliação da aprendizagem. Para enfrentar esta dificuldade, introduzimos no ambiente CMTool uma capacidade de busca específica: um AG pesquisa ontologias geradas com o uso do On_Tool, procurando pelos MCs mais adaptados (aqueles que podem ser semanticamente comparados ao MC do estudante). O AG emula os processos cognitivos definidos na Teoria da Assimilação [8]. A idéia básica é suportar o princípio construtivista de que a aprendizagem é idiossincrática e sua avaliação deve ser feira de forma individualizada.

Para poder suportar inferência, as ontologias geradas pelo On_Tool são transformadas em ontologias axiomatizadas [26], ou seja, seus conceitos e relações são associados a axiomas e definições. O On_Tool gera estes axiomas baseado na informação inserida pelo professor (por exemplo, dimensão semântica e cardinalidade) durante a construção da ontologia. Ontologias axiomatizadas permitem a extração do conhecimento representado indiretamente, auxiliando o AG a encontrar os MCs mais adaptados usados na avaliação da aprendizagem.

Por ser uma abordagem genérica, o On_Tool foi projetado para suportar a criação de ontologias com as

seguintes qualidades: (i) decomponíveis em pequenas partes, suficientes para o nível dos tópicos de uma disciplina; (ii) facilmente compreensíveis pelos professores, minimizando a necessidade de treinamento específico; (iii)

extensíveis, permitindo a adição de novos conceitos,

axiomas, e regras de proximidade semântica entre proposições; (iv) manuteníveis, na medida em que seus dados são representados em formatos que são fáceis de manter; e (v) compartilháveis por diferentes comunidades e instituições educacionais.

7 P

F

Há muitos pontos de interesse para pesquisas adicionais, que podem melhorar o desempenho geral do CMTool e, particularmente, a funcionalidade do On_Tool. Em relação a apresentação de conteúdo e avaliação da aprendizagem, os futuros desenvolvimentos que pretendemos fazer são: (i) sequenciamento automático de material de cursos, principalmente para educação a distância, (ii) geração automática de perguntas/respostas baseadas nas dimensões semânticas das relações entre conceitos e (iii) pesquisa automática de caminhos de aprendizagem baseados nos grafos subjacentes de ontologias.

Outro futuro desenvolvimento consiste em conectar os termos léxicos presentes na taxonomia de frases de ligação a recursos léxicos como o Wordnet [27]. A ligação com o Wordnet poderia ser baseada em sinonímia, por exemplo. O ganho em capacidade de análise seria considerável, na medida em que o ambiente não precisaria mais tratar palavras sinônimas como ocorrências separadas na taxonomia.

O ambiente pode também se beneficiar da presença de algoritmos para extrair radicais de palavras (stemming

algorithms). Isto evitaria problemas acidentais, que podem

aparecer durante a pesquisa dos MCs mais adaptados, causados pela flexão do plural ou conjugações de verbos. Um requisito adicional a ser satisfeito pelo On_Tool é a geração automática de axiomas para tipos não triviais de relações conceituais. A taxonomia de frases de ligação do CMTool contém várias dimensões semânticas por meio das quais conceitos podem se relacionar (por exemplo,

local, processo, temporal), algumas das quais não são ainda

automaticamente axiomatizadas pelo On_Tool. Um desenvolvimento futuro, então, é estender a capacidade de axiomatização automática do On_Tool de modo a melhorar o mecanismo de inferência e, como conseqüência, aumentar a precisão nas buscas realizadas pelo AG.

Para ajudar o ensino/aprendizagem de conhecimento procedural, em paralelo com conhecimento conceitual, consideramos a adição de bases de conhecimento (KBs) ao repositório do CMTool. Estas KBs poderiam armazenar artefatos tais como ilustrações, esqueletos de código de programas de computador, jogos, informações sobre melhores práticas de ensino de disciplinas específicas,

simulações, etc. Cada um destes artefatos seria indexado por um ontologia. O objetivo seria alavancar a prática de atividades colaborativas e discussões de grupos sobre tópicos específicos de diferentes disciplinas, guiado por um vocabulário comum. KBs conectadas a ontologias seriam também susceptíveis a buscas especializadas.

8 C

F

Neste artigo mostramos como ontologias podem ser usadas na educação escolar. Após breve revisão teórica, descrevemos o CMTool, um ambiente educacional projetado para suportar a aplicação de princípios construtivistas. Em relação à avaliação da aprendizagem mediada por MCs, verificamos que a idéia dominante é comparar o MC do estudante com um MC de referência, exatamente como se faz com as provas da escola tradicional. Entendemos que esta abordagem não é eficiente, na medida em que desconsidera as formas idiossincráticas de construção do conhecimento. Como uma alternativa a esta abordagem, desenvolvemos um AG capaz de gerar famílias de MCs a partir de ontologias criadas pelos professores.

O AG é baseado em axiomas matemáticos, os quais podem ser aplicados em qualquer ontologia construída sob a ótica da Teoria da Assimilação. As ontologias geradas pelo On_Tool são traduzidas para fatos e axiomas em lógica de primeira ordem. Isto facilita o compartilhamento e a troca do conhecimento representado nas ontologias, e também permite traduzi-las para outras linguagens representacionais.

Entendemos que nossa abordagem é um passo positivo na direção da automação de práticas preconizadas pela Teoria da Assimilação. O objetivo deste artigo foi mostrar como ontologias podem ser relevantes na abordagem construtivista para o ensino/aprendizagem. Estamos cientes que melhorias podem ser feitas no CMTool e nosso próximo passo é definir e implementar estas melhorias.

R

[1] B. Chandrasekaran, J. Josephson. What are

ntologies, and why do we need them? IEEE

Intelligent Systems, Vol. 14(1), 1999.

[2] J. Bard, S. Rhee. Ontologies in Biology: design,

applications, and future challenges. Nature Review

Genetics, Vol. 5 (3), 2004.

[3] D. O’Leary. Different firms, different ontologies, and

no one best ontology. IEEE Intelligent Systems, Vol.15 , No. 5, 2000.

[4] J. Novak. Learning, Creating, and Using Knowledge:

Conceptual Maps as Facilitative Tools in Schools and Corporations. Lawrence Erlbaum Associates, N. J., 1998.

[5] J. Novak, D. Gowin. Learning How to Learn. Cornell

[6] D. Jonassen. Computers in the Classroom:

Mindtools for Critical Thinking. Prentice-Hall, New Jersey, 1996.

[7] D. P. Ausubel. Educational Psychology: A Cognitive

View. Holt, Rinehart and Winston, New York, 1968.

[8] D. P. Ausubel. The Acquisition and Retention of

Knowledge. Kluwer Academic Publishers, New York, 2000.

[9] F. E. L. Rocha, E. L. Favero. CMTool: A Supporting

Tool for Conceptual Map Analysis. In Proceedings

of World Congress on Engineering and Tech. Education, Santos, 2004.

[10] T. Weyde. Dynamic Concept Maps for Music. In

Proceedings of 1st International Conference on Concept Mapping, Pamplona, Spain, 2004.

[11] C. Restrepo, M. Atuesta. Proyectos colaborativos y

mapas conceptuales: una propuesta valida para lograr aprendizajes significativos en ciencias. In

Proceedings of 1st International Conference on Concept Mapping, Pamplona, Spain, 2004.

[12] C. Mancinelli, M. Gentili, G. Priori, G. Valitutti. Concept

maps in kindergarten. In Proceedings of 1st

International Conference on Concept Mapping,

Pamplona, Spain, 2004.

[13] M. Moreira, B. Buchweitz. Mapas Conceituais:

Instrumentos Didáticos, de Avaliação e Análise de Currículo. Editora Moraes, São Paulo, 1987.

[14] A. Cañas, J. Coffey, M. Carnot, P. Feltovich, R.

Hoffman, J. Feltovich, J. Novak. A Summary of Literature Pertaining to the Use of Concept Mapping Techniques and Technologies for Education and Performance Support. http://www.ihmc.us/users/ acanas/Publications/ConceptMapLitReview/ I H M C % 2 0 L i t e r a t u r e % 2 0 R e v i e w % 2 0on%20Concept%2 0Mapping.pdf, Jan. 2005.

[15] J. V. Costa Jr, F. E. L. Rocha, E. L. Favero. Linking

Phrases in Concept Maps: A Study on the Nature of Inclusivity. In Proceedings of the First International

Conference on Concept Mapping, Pamplona, Spain,

2004.

[16] A. Araújo, C. Menezes, D. Cury. Apoio automatizado

à avaliação da aprendizagem utilizando mapas conceituais. In Anais do XIV SBIE, Rio de Janeiro, 2003.

[17] G. Chung, E. Baker, and A. Cheak. Knowledge mapper

authoring system prototype. CSE Technical Report 575, University of California, Los Angeles, 2002.

[18] A. Zabala. A Prática Educativa: Como Ensinar. Editora

Artmed, Porto Alegre, 1998.

[19] T. Gruber. Toward Principles for the Design of

Ontologies Used for Knowledge Sharing. In

International Journal of Human and Computer

Studies, Vol. 43 (5-6), 1995.

[20] N. Guarino. Understanding, Building, and Using

Ontologies. In International Journal of

Human-Computer Studies, Vol.46 (2-3), 1997.

[21] F. Rocha, R. Vieira, J. Costa Jr., E. Favero.

Especificação de um Algoritmo Genético para Auxiliar na Avaliação da Aprendizagem Significativa com Mapas Conceituais. In Anais do XV SBIE, Manaus, 2004.

[22] F. E. L. Rocha, J. V. Costa Jr, E. Favero. A New Approach

to Meaningful Learning Assessment Using Concept Maps: Ontologies and Genetic Algorithms. In

Proceedings of First International Conference on Concept Mapping, Pamplona, Spain, 2004.

[23] K. Fisher. Relations Used in Student-Generated

Knowledge Representations. In Symposium on

Student Understanding in Science, American

Educational Research Association, New Orleans, 1988.

[24] D. Goldberg. Genetic Algorithms in Search,

Optimization, and Machine Learning. Addison-Wesley, 1989.

[25] G. Guizzardi, R. Falbo, J. Pereira Filho. Using Objects

and Patterns to Implement Domain Ontologies. In

Journal of the Brazilian Computer Society, Vol. 8,

No. 1, 2002.

[26] D. Fischer. From thesauri towards ontologies? In

Proceedings of 5th ISK Conference on Knowledge Organization, M. Hadi, J. Maniez and S. A. Pollit,

Eds., 1998.

[27] C. Fellbaum, ed. WordNet – An Electronic Lexical