CONEXIONISMO EM SISTEMAS TUTORES INTELIGENTES

CONEXIONISMO EM SISTEMAS TUTORES INTELIGENTES

Francisco Ramos de Melo ^{1, 2, 4} , Sirlon Diniz de Carvalho ^{1, 3, 4} , Weber Martins ⁴ , Lauro Eugênio Guimarães Nalini ⁴ e Edna Lucia Flores ¹

1 Universidade Federal de Uberlândia - Faculdade de Engenharia Elétrica - Uberlândia– MG – Brasil

2 Faculdade Anhanguera de Anápolis - Departamento de Ciência da Computação - Anápolis – GO – Brasil

3 Faculdades Alves Faria - Departamento de Ciência da Computação - Goiânia – GO – Brasil

4 Universidade Federal de Goiás - Escola de Engenharia Elétrica e Computação - Goiânia – GO – Brasil chicorm@yahoo.com.br, sirlondiniz@gmail.com, weber@ufg.br, legn@ucg.br, edna@ufu.br

Resumo – Este trabalho apresenta o potencial da Inteligência Artificial Conexionista em sistemas tutores inteligentes (STI) a partir da avaliação de duas abordagens momentos de desenvolvimento destes sistemas. A avaliação do desempenho e viabilidade dos sistemas foi realizada através da observação dos resultados em diferentes tipos de navegação (livre, aleatória e inteligente). As análises indicaram, com 5% de significância, que os resultados da navegação inteligente apontam para a viabilidade do emprego do conexionismo em sistemas tutores inteligentes.

.

Palavras-Chave – Sistemas tutores inteligentes, redes neurais artificiais, mapas auto organizáveis, sistemas inteligentes híbridos, personalização didática.

CONEXIONISM IN INTELLIGENT TUTOR SYSTEMS

Abstract - This paper introduce the conexionism’s potential on Intelligent Tutor Systems (ITS) by evaluation on two development approaches in this systems types.

Perform and system viability evaluation was made over navigation results observation in diferents navigations modes (free, random and intelligent). Analyses on results, 5% significant, indicate viability on use of conexionism in intelligent tutor systems.

1

Keywords – hybrid intelligent tutor systems, neural artificial networks, self organizing maps, hybrid intelligent systems, didactic personalization.

I. INTRODUÇÃO

O conhecimento — sua aquisição e sua transmissão — tem sido instrumento utilizado para promover e garantir a sobrevivência humana, a evolução pessoal e social e a soberania das nações. Como decorrência, os processos de aquisição (aprendizagem) e de transmissão (ensino, instrução) do conhecimento têm sido alvo de muitos questionamentos e pesquisas, assim como têm induzido progressos tecnológicos ao longo da história evolutiva humana.

O desenvolvimento de sistemas tutores inteligentes (STIs) normalmente tem sido realizado com o emprego de técnicas da inteligência artificial (IA) clássica, onde o conhecimento é abstraído e organizado em conformidade por com a visão dos especialistas. A dificuldade encontra-se na qualidade do entendimento e modelagem do conhecimento, onde a experiência dos envolvidos é um importante fator.

A inserção de técnicas da IA conexionista apresenta-se como uma alternativa viável no processo de automação das formas de tornar um STI personalizável e reativo às ações do estudante.

Neste trabalho são apresentados os resultados de pesquisas em STIs conexionistas. Os resultados mostram a viabilidade da técnica por possibilitar um eficiente mecanismo de automação computacional para personalização de técnicas didáticas.

II. REDES NEURAIS ARTIFICIAIS

As redes neurais artificiais (RNAs) são estruturas de processamento que imitam a atividade de processamento do cérebro humano. A rede neural perceptron multi-camadas (MLP, do inglês Mult Layer Perceptron) é o modelo mais registrado na literatura. Na rede MLP os neurônios são organizados em camadas de entrada, saída e intermediárias.

A MLP tem poder computacional derivado da capacidade de

tratar dados não linearmente separáveis e habilidade de

aprender pela experiência, por meio de treinamento

supervisionado. Neste paradigma de aprendizado,

normalmente, os padrões de entrada são associados a padrões de saída e os algoritmos de treinamento utilizam esta referência para ajustar os pesos da RNA [1] e [2].

Desenvolvida por Teuvo Kohonen na década de oitenta, a rede neural de Mapas Auto-Organizáveis (SOM, do inglês Self Organizing Maps) é biologicamente sustentada por mapas topológicos presentes no córtex cerebral. Esse modelo possui a capacidade de se auto-organizar, preservando topologicamente a estrutura dos padrões apresentados. Na rede SOM, neurônios próximos (na disposição do mapa) devem responder por funções similares (específicas) tal como ocorre no cérebro de animais mais evoluídos, onde determinadas áreas respondem por estímulos de mesma natureza (fala, audição, visão etc.). Os Mapas Auto- Organizáveis, conforme representado na Figura 1, são constituídos basicamente por uma camada (além da camada de entrada) onde cada sinal do mundo externo é percebido por um neurônio sensorial determinado. O paradigma Na rede SOM o paradigma de aprendizado é do tipo não supervisionado. Após o aprendizado, esta rede é capaz de identificar novos padrões, diferentes dos utilizados no treinamento, porém estes são classificados em um dos padrões existentes na rede [3].

Fig. 1: Rede Neural Artificial SOM

III. PARÂMETROS PARA O CONEXIONISMO O uso de computadores na educação teve início nos anos 50, com a introdução dos sistemas tutores. As primeiras aplicações dos sistemas tutores são considerados simples

“viradores de páginas eletrônicos” devido a sua característica estática na apresentação dos conteúdos. Parcela considerável das aplicações educacionais que vieram a utilizar a tecnologia dos sistemas tutores foi classificada como

“Instrução Assistida por Computador” (CAI, expressão traduzida do Inglês: “Computer-Assisted Instruction”) [4].

Para contextualizar a proposta de tutores, utilizando sistemas inteligentes baseados em redes neurais artificiais, é importante observar a existência de diversas estruturas de tutoriais, variando do tutorial clássico a sofisticadas estruturas customizadas. De maneira geral, a lição é iniciada por uma introdução e, no final, é realizada uma atividade avaliativa para medir a retenção de conhecimento sobre o que foi apresentado [5]

No desenvolvimento da customização do tutorial, técnicas de IA foram introduzidas para possibilitar a personalização e reatividade do sistema ao estudante durante o processo de desenvolvimento da tutoria. Sistemas tutores utilizando tal tecnologia são classificados como “Instrução Inteligente Assistida por Computador” (expressão traduzida do Inglês

“Inteligent Computer-Assisted Instruction” - ICAI) – são os Sistemas Tutores Inteligentes (STI). Os STIs normalmente

outras técnicas da IA clássica onde o conhecimento é abstraído e organizado em conformidade por com a visão dos especialistas [6].

No trabalho de

são implementados através de agentes, regras simbólicas e

Skinner com a “máquina de ensinar” [7], ve

s ações de um professor, em sua tar

issão do co

rifica-se a possibilidade de organizar uma seqüência didática com o objetivo de transmitir algum ensinamento.

Dos preceitos e organizações sugeridos por Skinner para organização didática do conteúdo a ser apresentado, é possível verificar a necessidade de estabelecer padrões com a finalidade de transmitir algum conhecimento e, no caso, sistematizar o processo.

Partindo da observação da

efa de transmitir um determinado conhecimento, é possível verificar que a ação inicia a partir de um texto padrão geral, capaz de provocar o entendimento do aprendiz.

Quando o objetivo não é alcançado ou para sedimentar melhor o aprendizado, o professor busca novas alternativas para transmitir o conceito. Tais situações podem ser organizadas e estruturadas em um conjunto de padrões de estratégias de transmissão de conhecimentos [8].

A partir dessas estratégias de transm

nhecimento, é necessário estabelecer formas de identificar o aprendiz e as suas diferentes reações em diferentes pontos da leitura do texto. Desta forma, o desenvolvimento de um STI conexionista deve considerar os elementos da estratégia de transmissão do conhecimento, o aprendiz apresentado e suas diferentes reações. Desta forma, é possível estabelecer os pontos a serem monitorados e os diferentes padrões de ações necessárias de tal forma a possibilitar um texto personalizado e reativo ao aprendiz. Com base nestes pontos foi proposta uma estrutura didática com diferentes níveis que parte de um contexto geral, denominado nível médio, podendo ser ramificada para qualquer outro nível. Nos estudos realizados foram estabelecidos cinco níveis, com o objetivo de controle e simplificação dos experimentos [9]. A estrutura multinível utilizada nos experimentos deste trabalho é apresentada na Figura 2. Convém ressaltar que no nível médio o conceito é apresentado na sua forma geral enquanto os outros níveis contêm o mesmo conceito, porém com uma contextualização diferenciada.

Fig. 2 – Estrutura multinível com 5 níveis.

As estratégias para definição, seleção e análise dos dados

foram realizadas a partir de três tipos de navegação para

co

coerência dos dados coletados, os textos e ex

IV. PRIMEIRA IMPLEMENTAÇÃO

Após a tados em

uma navegação livre, Carvalho [11] implementou um modelo de

leta de dados: navegação livre, navegação aleatória e navegação inteligente: a) na navegação livre, o aprendiz é o responsável pela decisão do próximo passo no estudo. Nessa navegação, são coletados os dados para configuração e treinamento da rede neural a ser utilizada na navegação inteligente. Além disto, os dados obtidos nessa navegação serão utilizados como referência para avaliação do STI desenvolvido; b) Na navegação aleatória o próximo passo é escolhido por sorteio aleatório. Esta situação gera um padrão randômico sem qualquer controle ou padrão pré-definido. O objetivo dessa situação é obter dados indicativos de que os resultados e os padrões estabelecidos pelo STI são resultantes das técnicas empregadas; e c). na navegação inteligente a decisão do próximo passo é propiciada pela introdução de técnicas de inteligência artificial. As técnicas empregadas na navegação inteligente objetivam estabelecer uma navegação personalizada ao aprendiz e reativa às suas ações no decorrer do estudo [10].

Para assegurar a imparcialidade, qualidade do controle comparativo e

ercícios possuem características idênticas nos diferentes tipos de navegação. Desta forma, nos diferentes tutores, mantêm-se a mesma escolha de layouts, cores, textos etc.

observação e a análise dos dados cole

sistema tutor inteligente neural multinível. Nas observações das ações realizadas foi identificada a ocorrência de padrões operativos determinantes na definição do próximo texto a ser lido. Esta identificação resultou na inserção de uma rede neural artificial (treinada com os padrões oriundos da navegação livre) após cada teste de cada texto empregado no sistema. Ao término de cada teste, um conjunto de parâmetros é apresentado na entrada da rede neural. O resultado do teste combinado com o conjunto de parâmetros apresentado possibilita a rede definir um padrão e apresentar a indicação do próximo conteúdo a ser apresentado no sistema tutor, conforme pode ser visualizado na Figura 3 [12].

Fig. 3: Estrutura da decisão neural

A estrutura i a a navegação

inteligente, apresentada na Figura 4, dispõe um navegador co

mplementada por Carvalho par

m controle neural para realizar as ligações necessárias entre os diversos conceitos apresentados. Este controle neural é implementado por uma rede especifica para cada nível de cada conceito do texto e é treinada com os dados obtidos na navegação livre.

Fig. 4: Estrutura de Controle Neural em STI

Estabel a e saída

observados foi difícil pela grande quantidade e het

hança em formato de anel.

A

m val

o de treinamento quanto do Tutor Gu

de rac

ecer a relação entre os dados de entrad

erogeneidade dos dados coletados disponíveis.

Considerando que as saídas tinham um universo bem definido e limitado de padrões, optou-se pela utilização de uma rede neural que pudesse realizar a tarefa de auto- organizar as entradas apresentadas nos padrões previstos para o sistema. Com isto, foi definida a utilização de uma rede neural artificial de mapeamento auto-organizável, de aprendizado não supervisionado.

Para a implementação do sistema, optou-se por usar redes SOM unidimensionais, com vizin

rede neural SOM utilizada tem apenas uma camada e, na sua forma mais simples, ela é utilizada apenas para informar qual é o neurônio vencedor ou o que mais se adaptou a um determinado padrão. No caso, cada neurônio deve ser capaz de decidir entre cinco níveis distintos de orientação (cinco classes pré-definidas). Assim, a rede neural, além de determinar o neurônio vencedor, deve habilitar a este indicar qual dos próximos possíveis níveis o aluno deverá visitar.

Cada rede neural possui um total de 10 (dez) neurônios, cujos pesos iniciais foram escolhidos aleatoriamente co

ores próximos de zero. Tais redes permitem ao tutor, após a leitura de cada texto e resposta do respectivo exercício, tomar a decisão de qual próximo tópico que o aluno deverá estudar. Depois de treinadas, as redes neurais apresentaram boa ordenação topológica e precisão de resposta. Assim, o sistema independe de regras específicas relativas à estratégia de ensino e, consequentemente, do especialista humano nesta área. A decisão sobre os destinos apropriados durante a navegação guiada é tomada pela rede neural, treinada a partir dos melhores exemplos.

No intuito de obter maior uniformidade nos dados, tanto componentes do conjunt

iado, a coleta foi limitada a uma população específica.

Foram escolhidos alunos dos primeiros anos dos cursos de Engenharia da Computação e de Sistemas da Informação. Os alunos foram divididos em dois grupos diferentes de coletas para os tutores Livre e Guiado. Tal procedimento permite a comparação de grupos com características comuns, mas submetidos a situações distintas. Para o conjunto de treinamento foram selecionados apenas dados de alunos cujas médias do teste final foi superior à do teste inicial.

Durante o estudo e/ou leitura, o tempo gasto nesta tarefa é um fator relevante a ser considerado. Nesta linha

iocínio, fez-se uma comparação entre o tempo médio

gasto para conclusão do estudo nos tutores Livre e Guiado. A

Figura 5 apresenta o tempo médio observado na execução de cada um dos tutores.

Fig. 5: Tempo de execução dos tutores.

A Figura 6 apresenta o número médio de questões respondidas corretamente nos testes inicial e final dos tutores (conjunto de treinamentos e Tutor Guiado). Como pode ser observado nessa Figura, a navegação livre ofereceu uma pequena vantagem de aprendizado em relação à navegação guiada, apesar dos dois tutores terem apresentado taxas de acertos muito próximas.

Fig. 6: Comparação entre testes inicial e final dos tutores.

Os resultados obtidos remetem à indicação de realizar um

s resultados não apontam vantagem de ap

custo co

V. EVOLUÇÃO: STI HIBRIDO

Com o objetivo de reduzir a quantidade de RNAs em

cri

ento dos parâmetros definidores do per

a pr

a análise estatística para verificar se a diferença entre as médias é realmente significativa ou casual. Para fazer tal análise, aplicou-se o teste “t” de Student, onde a hipótese nula (Ho) supõe que a diferença entre as médias foi devido ao acaso. Para contrapor à Ho, supõe-se a hipótese alternativa (Há) onde o desempenho do Tutor Guiado foi significativamente maior. Com a aplicação do teste “t”

observou-se que as diferenças entre as médias obtidas pelos alunos não são significativas, ou seja, ambos os tutores são equivalentes na tarefa de ensino, enquanto as diferenças de tempo de estudo apresentaram resultados significativos, indicando que o Tutor Inteligente ensina o mesmo conteúdo, com menos tempo.

Se por um lado o

rendizagem com a utilização do STI, por outro lado deve- se considerar o sucesso como empreendimento tecnológico inicial. Além de mostrar a viabilidade da implementação com redes neurais, pela similitude de resultado, ainda deve-se considerar que os resultados finais, apesar de semelhantes, foram obtidos com menor tempo de estudo. Desta forma, cabe considerar o aperfeiçoamento das técnicas de STI com redes neurais objetivando tornar maior adaptabilidade na promoção do desempenho de estudos não presenciais.

Apesar dos bons resultados, o sistema apresenta um mputacional alto para sua implementação em razão de requerer uma rede neural para cada nível de cada conceito. A quantidade de redes neurais necessárias é definida pela

multiplicação da quantidade de conceitos a serem apresentados pelo número de níveis a serem empregados para cada conceito. Supondo um texto onde devam ser apresentados vinte conceitos com a utilização de cinco níveis. Neste caso serão necessárias cem redes neurais (20 conceitos * 5 níveis = 100 RNAs ). No custo computacional deve ser considerado, ainda, o custo do treinamento de cada rede. Dependendo da organização dos parâmetros de entrada, mudanças na estruturação dos textos podem implicar em um novo treinamento das redes para considerar as alterações realizadas no texto.

pregadas no sistema, a evolução do sistema proposta por MELO [13] abordou a inserção de uma identificação do aprendiz, adicionalmente ao teste inicial (pré-teste). A idéia central é a utilização de uma única rede com capacidade de personalizar a navegação. Devido a característica generalista desta rede neural, foram agregadas técnicas com emprego de regras simbólicas e probabilísticas, com o objetivo de melhorar a sensibilidade à situações locais. Tal combinação resultou em um sistema tutor inteligente híbrido [14] e [15].

O primeiro passo do novo sistema foi estabelecer como ar os parâmetros definidores dos padrões de navegação.

Para isto foram estabelecidas duas abordagens de testes psicológicos para definir as características do aluno. Uma abordagem empregando a tipologia psicológica [16] [17] e a outra abordagem emprega estilos de aprendizagem [18] [19]

nos testes psicológicos de identificação do aluno. Os resultados dos testes, juntamente com o teste inicial (pré- teste) e o teste de habilidade passam a compor os parâmetros de entrada da rede neural responsável pelo padrão de navegação individual.

Após o estabelecim

fil do aluno, deve-se buscar padrões de saída relacionados com o perfil. Esta ligação foi estabelecida pela realização de uma coleta de dados com navegação livre. Nessa coleta, os padrões de navegação com bons resultados (notas, melhoria, coerência etc) são selecionados para formar o grupo de treinamento da RNA. A observação dos dados coletados apresentou um conjunto de dados muito heterogêneo, tanto para os dados de entrada como para os padrões na saída.

No caso de características comportamentais,

obabilidade de encontrar dois padrões exatamente iguais é

mínima, quase nula. Por outro lado, o objetivo é conduzir o

estudo com um padrão de estudo que conduza a bons

resultados. Desta forma é necessário um sistema que

classifique os novos padrões apresentados, de tal forma a

interpolar entre os já conhecidos, obtidos no treinamento

com os padrões da navegação livre. Da mesma forma, a rede

neural deve apresentar um padrão de saída mais adequado a

esse novo padrão, interpolado entre os padrões de saída

conhecidos. Para implementar tal situação, a rede MLP

atende os quesitos, pela sua capacidade de generalização de

novos padrões intermediários aos padrões utilizados no

treinamento. Esta característica de generalização permite

ampliar o espaço de personalização do perfil de navegação

para novas combinações de entradas, diferentes das utilizadas

no treinamento. Assim, a RNA recebe as características do estudante na entrada e apresenta um perfil de navegação (padrão) em sua saída. Este padrão de navegação é um padrão geral com as probabilidades de navegação nos níveis que compõem o modelo do sistema.

O perfil sugerido pela RNA é geral, com grande poder de atuação na navegação global. Nas situações locais esse perfil pode não ter precisão como, por exemplo, levar o estudante a ler um texto avançado após ter falhado na leitura de um texto facilitado. Desta forma, existe a necessidade de inserir um mecanismo para tratar as situações locais. Para isto, foi realizado um estudo, com especialistas, sobre os ações a serem tomadas diante das situações possíveis. O resultado desse estudo foi compilado em um banco de regras especialistas. Tendo por base o perfil do estudante, as regras simbólicas, o nível visitado e a resposta do exercício após a visitação do nível, o sistema decide o próximo passo na navegação. De acordo com o nível e a resposta do exercício, o sistema resgata, do conjunto de regras simbólicas, a regra de indicações probabilísticas para a situação local específica.

O processo de decisão é feito pela multiplicação entre o perfil global e as regras, definindo um padrão resultante local. Este processo reforça ou atenua a probabilidade de ocorrência de cada nível, assegurando uma probabilidade isenta de incoerências. No caso em que a regra não permite um determinado nível (probabilidade = 0), mesmo que o perfil global apresente uma probabilidade muito alta, ele será eliminado pelo batimento. A Figura 7 apresenta a estrutura do sistema para oferecer uma navegação personalizada pelo perfil global (padrão) e reativo às ações locais (regras) do estudante.

Fig. 7. Estrutura do STI híbrido

Para verificar a validade das técnicas empregadas no sis

apresentados os dados da análise es

Análise descri penho médio

tema, como não sendo devido ao acaso, foi introduzida a coleta com navegação aleatória como parte do experimento.

Esta navegação apresenta um sorteio randômico para definir o próximo passo da navegação. Assim, para análise dos resultados foi realizado um estudo comparativo entre a navegação livre, navegação aleatória e a navegação inteligente (STI). Foram estudados 138 casos na navegação livre, 31 casos na navegação aleatória e 31 casos na navegação inteligente.

Na Tabela 1 são

tatística descritiva. Nesta Tabela podem ser observados pontos importantes que indicam a maior estabilidade dos

dados da navegação inteligente utilizada no sistema. O ganho normalizado calcula, a partir das notas inicial e final, o quanto foi possível o estudante melhorar.

TABELA I tiva do desem

Média Navegação

Nota inicial N ota fina l Ganho

Livre 4,56 6,87 39,59 %

A leatória 3,99 5,93 32,60 %

Inteligente 3,92 7,21 58,02 %

A Tabela 2 resume a descrição da média dos resultados ob

TABELA 2

Desempenh ões

tidos na análise comparativa dos dados da navegação livre, da navegação aleatória e da navegação com o sistema proposto (inteligente). Podemos observar que a navegação inteligente apresenta, sem incoerência, maiores valores na média da nota final e do ganho normalizado com menor tempo de execução (curso) e menor quantidade de visitações.

Assim, verifica-se que as médias do sistema proposto são melhores e com a utilização de menos recursos (níveis visitados e tempo).

o médio das navegaç

Navegação

Tempo em minutos

Níveis

visitados Incoerências Nota final Ganho Livre 37,88 35,34 0,63 6,87 39,59 A leatória 35,97 45 1,06 5,93 32,60 Inteligente 26,80 2 6,71 0 7,21 58,02

Os resultados das notas iniciais, finais e melhoria foram co

Estatística t s normalizado

mparados com a aplicação do teste t-Student, com nível de significância de 5%. Na comparação das notas iniciais, verificou-se que, em nenhum dos três casos, houve rejeição da hipótese nula, ou seja, todas as amostras devem ser consideradas oriundas da mesma população, ou seja, equivalentes. Com relação à comparação das notas finais, foram verificadas diferenças significativas entre as navegações livre e aleatória e entre as navegações inteligente e aleatória. Ainda em relação as notas finais, não foram constatadas diferenças significativas entre as navegações inteligente e livre. Apesar da diferença não ser significativa, o sistema utilizou menos recursos (níveis visitados e tempo) do estudante. Finalmente, foi verificada quanto foi realmente significativa a melhoria (ganho normalizado) observada no sistema inteligente (ver Tabela 3). A análise das diferenças da melhoria no aprendizado indica o sistema como forte responsável pela melhoria na condução da tutoria.

TABELA 3 obre o ganho

Navegação

Livre X Aleatória

Inteligente X Livre

Inteligente X Aleatória

Médias (%)

3 3 3

39,59 X 2,59

58,02 X 9,59

58,02 X 9,59

Probabilidade (%) 27 0,2 0,02

t Crítico 1,97 1,65 1,67

t Observado 1,11 2,94 3,76

Posteriormente, foram realizados experimentos com textos

VI. CONCLUSÕES

Int

pr

e

[1] FAUSETT, L. V. Fundamentals of neural networks.

[2] des neurais artificiais: princípio e

[3] aps. Berlim:

[4] M. J. E-Learning strategies for delivery diferentes dos originalmente empregados e empregando as redes já configuradas sem a realização de novos treinamentos. Os resultados mostraram a efetividade da reutilização do sistema para novas situações, ou seja, novos conteúdos [20].

O trabalho de implementação de Sistemas Tutores eligentes tem um caminho produtivo e promissor com o emprego de Redes Neurais Artificiais, conforme pode ser verificado pelos dados da implementação neural pura (Sistema SOM). Apesar dos resultados não terem apresentado a navegação no sistema com melhor resultado de aprendizagem que uma navegação livre, a implementação mostrou a possibilidade de conduzir uma navegação com melhores resultados de tempo de estudo, auxiliado pelas decisões de uma RNA.

A adição e combinação de outras técnicas tende a refinar o ocesso de personalização e reatividade com a possibilidade de otimizar e reduzir os custos computacionais necessários.

A análise descritiva dos resultados apontou as vantagens do sistema híbrido. A média de suas notas finais situou-se acima das outras navegações, apesar de ser pequena a diferença.

Quanto à média do ganho normalizado, o sistema ficou claramente acima da média das outras navegações do experimento. Na comparação das amostras, foi observado que os melhores resultados do sistema foram alcançados com média menor de níveis visitados e tempo reduzido para a realização da tarefa.

Assim posto, verifica-se a validade no emprego de RNAs combinações no desenvolvimento de STIs. O estudo demonstrou a efetividade do sistema na organização personalizada dos conteúdos através da verificação dos resultados finais alcançados para realização da tarefa.

REFERÊNCIAS BIBLIOGRÁFICAS

Prentice Hall, 1994.

HAYKIN, S. S. Re

prática. São Paulo, SP : Bookman, 2000.

KOHONEN, T. Self-Organizing M Springer, 2001

ROSENBERG,

knowledge in the digital age. McGraw-Hill, New York : NY, USA, 2001.

HORTON, Willia

[5] m K. Designing Web-based Training.

2000.

VICCA

[6] RI, R.M. Sistemas Tutores Inteligentes:

Abordagem Tradicional vrs. Abordagem de Agentes. XII Simpósio Brasileiro de Inteligência Artificial. Curitiba.

Outubro, 1996.

SKINNER, B. F. The t

[7] echnology of teaching. New

York, Appleton-Century-Crofts, 1968.

PIERCE, W. D. e EPLING, W. F. Beha

[8] vior analysis and

learning. Prentice Hall, Upper Saddle River, New Jersey, USA, 1999

[9] ALENCAR, W. S., Sistemas Tutores Inteligentes Baseados em Redes Neurais. Dissertação (Mestrado em Engenharia Elétrica e de Computação) - UFG - Universidade Federal de Goiás. Goiânia, 2000.

[10] MARTINS, W. MELO, F.R., MEIRELES, V. e NALINI, L.E.G. “Espaços psicológicos em Sistemas Tutores Inteligentes”. Anais do VI Congresso Brasileiro de Redes Neurais, pp. 367-372, São Paulo, Brasil. 2003.

[11] CARVALHO, S. D., Mapas Auto-Organizáveis Aplicados a Sistemas Tutores Inteligentes, Goiânia, 2002. Dissertação (Mestrado em Engenharia Elétrica e de Computação) - UFG - Universidade Federal de Goiás.

[12] MARTINS, W. & CARVALHO, S. D. Mapas Auto- Organizáveis Aplicados a Sistemas Tutores Inteligentes.

Anais do VI Congresso Brasileiro de Redes Neurais. São Paulo, 2003.

[13] MELO, F.R. MARTINS, W. NALINI, L. E. G.

MEIRELES, V. Características psicológicas na condução de Sistemas Tutores Inteligentes. Proceedings of the VI Brazilian Conference on Neural Networks. São Paulo, Brasil 2003,

[14] MELO, F. R., Sistemas Tutores Inteligentes Híbridos Baseados em Tipologia Psicológica,. Dissertação (Mestrado em Engenharia Elétrica e de Computação) - UFG - Universidade Federal de Goiás. Goiânia. 2003 [15] MEIRELES, V., Sistemas Tutores Inteligentes Híbridos

Baseados em Estilos de Aprendizagem, , Dissertação (Mestrado em Engenharia Elétrica e de Computação) - UFG - Universidade Federal de Goiás. Goiânia. 2003.

[16] JUNG, C. G., Psychological Types, Bollingen Series XX, Volume 6, Princeton University Press, 1976.

[17] KEIRSEY, D. and BATES, M. Please Understand Me – Character & Temperament Types, Intelligence, Prometheus Nemesis Book Company, USA, 1984

[18] DUNN, R. at All “Diagnosing learning styles: a prescription for avoiding malpractice suits”. Phi Delta Kappan, 58, pp418-420, 1977.

[19] KOLB, D. A. Experiential Learning: Experience as The Source of Learning and Development.. Prentice-Hall, Englewood Cliffs, 1984.

[20] QUINDERÉ, P. S. G, Adaptabilidade Temática em

Sistemas Tutores Inteligentes Híbridos ,.Dissertação

(Mestrado em Engenharia Elétrica e de Computação) -

UFG - Universidade Federal de Goiás. Goiânia. 2008