( PDF ) Paped - Diagnóstico on-line do Estilo Cognitivo de Aprendizagem do Aluno em um Ambiente Adaptativo de Ensino e Aprendizagem na Web: uma Abordagem Empírica baseada na sua Trajetória de Aprendizagem.

Download PDF

ads:

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL

INSTITUTO DE INFORMÁTICA

PROGRAMA DE PÓS-GRADUAÇÃO EM COMPUTAÇÃO

MARIA APARECIDA MARTINS SOUTO

Diagnóstico on-line do Estilo Cognitivo de

Aprendizagem do Aluno em um Ambiente Adaptativo

de Ensino e Aprendizagem na Web:

uma Abordagem Empírica baseada na sua

Trajetória de Aprendizagem

Tese apresentada como requisito parcial

para a obtenção do grau de doutor em

Ciência da Computação

Prof. Dr. José Palazzo Moreira de Oliveira

Orientador

Profa. Dra. Rosa Maria Vicari

Co-Orientadora

Porto Alegre, novembro de 2003

ads:

Livros Grátis

http://www.livrosgratis.com.br

Milhares de livros grátis para download.

CIP – CATALOGAÇÃO NA PUBLICAÇÃO

Souto, Maria Aparecida Martins

Diagnóstico On-Line do Estilo Cognitivo de

Aprendizagem do Aluno em Um Ambiente Adaptativo de

Ensino e Aprendizagem na Web: uma Abordagem

Empírica baseada na sua Trajetória de Aprendizagem /

Maria Aparecida Martins Souto. – Porto Alegre: Programa

de Pós-Graduação em Computação, 2003.

147 f.: il.

Tese (doutorado) – Universidade Federal do Rio

Grande do Sul. Programa de Pós-Graduação em

Computação, Porto Alegre, BR – RS, 2003. Orientador:

José Palazzo Moreira de Oliveira; Co-Orientadora: Rosa

Maria Vicari.

1. Modelagem do aluno na Web. 2. Sistemas hipermídia

adaptativos. 3. Aquisição de conhecimento. I. Oliveira,

José Palazzo Moreira de. II. Vicari, Rosa Maria. III.

Título.

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL

Reitora: Profa. Wrana Panizzi

Pró-Reitor de Ensino: Prof. José Carlos Ferraz Hennemann

Pró-Reitora Adjunta de Pós-Graduação: Profa. Jocélia Grazia

Diretor do Instituto de Informática: Prof. Philippe Olivier Alexandre Navaux

Coordenador do PPGC: Prof. Carlos Alberto Heuser

Bibliotecária-Chefe do Instituto de Informática: Beatriz Regina Bastos Haro

ads:

Ao meu esposo, José Antônio, pelo apoio e

incentivo o tempo todo.

Aos meus filhos, André e Marcelo, pelo

grande amor e carinho que tenho por eles.

AGRADECIMENTOS

Agradeço ao meu orientador, Prof. Palazzo, pela amizade e incentivo durante todo o

tempo e, especialmente, por me fazer acreditar que minhas idéias produziriam uma Tese

de Doutorado.

À Profa. Rosa Vicari, minha co-orientadora, pela disposição incansável para ler

meus rascunhos e idéias, apesar de suas dificuldades em encontrar espaço na sua

agenda, sempre muito ocupada pelas inúmeras responsabilidades que assume. Mesmo

assim, recebi dela muitos feedbacks importantes.

À psicóloga Regina Verdin, pela grande amizade e companheirismo que nasceu

entre nós ao longo destes últimos anos e, em especial, pelas suas valiosas contribuições

técnicas ao longo desta jornada.

Aos Professores e colegas do Instituto de Informática da UFRGS: Magda Bercht,

Mara Abel e Paulo Engel, que contribuíram com os seus conhecimentos e torceram para

ver a conclusão deste trabalho.

Ao Prof. Wagner Teixeira da Silva, da UnB, por ter me auxiliado a encontrar um

caminho, e por torcer pelo meu sucesso.

Às bolsistas do Projeto Tapejara, e hoje minhas amigas, Mariusa Warpechowsky,

Renata Zanella, Francine Bica, pelas calourosas discussões sobre o Projeto e sobre os

artigos que desenvolvemos juntas.

À doutoranda Daniela Musa, que prontamente me substituiu na aula de Introdução à

Informática, para que eu pudesse preparar a defesa desta tese.

Ao Instituto de Informática e ao PPGC da UFRGS, por fornecer toda à infra-

estrutura necessária à realização deste trabalho, e pelos eventuais auxílios financeiros,

que possibilitaram a minha participação em eventos importantes.

Aos meus queridos pais, in memoriam, que me ensinaram a valorizar o Saber.

A Deus, que tem me acompanhado durante toda a minha existência, e por sua

generosidade em me presentear com esta oportunidade de crescimento pessoal e

intelectual, que certamente se estenderão aos meus futuros alunos, nesta nobre e

abnegada missão de ensinar.

SUMÁRIO

LISTA DE ABREVIATURAS E SIGLAS ...................................................................7

LISTA DE FIGURAS.....................................................................................................8

LISTA DE TABELAS..................................................................................................10

RESUMO.......................................................................................................................11

ABSTRACT..................................................................................................................12

1 INTRODUÇÃO...............................................................................................13

1.1 Justificativa para a Escolha do Tema............................................................13

1.2 Contexto deste Trabalho.................................................................................14

1.3 Objetivos...........................................................................................................17

1.4 Contribuições do Trabalho.............................................................................17

1.5 Organização do Trabalho ...............................................................................19

2 REFERENCIAL TEÓRICO SOB O PONTO DE VISTA

PSICOPEDAGÓGICO..................................................................................20

2.1 Taxionomia de Objetivos Educacionais de Bloom no Domínio Cognitivo.20

2.2 Habilidades e Processos Cognitivos no Teste Ross.......................................23

2.3 Estilos Cognitivos de Aprendizagem.............................................................25

2.4 Habilidades e Processos Cognitivos e os Estilos Cognitivos de

Aprendizagem..................................................................................................27

2.5 Trabalhos Relacionados..................................................................................27

2.6 Considerações Finais.......................................................................................31

3 REFERENCIAL TEÓRICO SOB O PONTO DE VISTA

COMPUTACIONAL.......................................................................................33

3.1 Sistemas Tutores Inteligentes.........................................................................33

3.2 Sistemas Adaptativos de Aprendizagem na Web.........................................36

3.3 Aprendizado de Máquina ...............................................................................38

3.4 Aprendizado de Máquina Indutivo por Exemplos.......................................39

3.5 Aprendizado Supervisionado e Classificação ...............................................40

3.6 Descoberta de Conhecimento em Bases de Dados........................................42

3.7 Trabalhos Relacionados..................................................................................48

3.8 Considerações Finais.......................................................................................51

4 A PESQUISA.................................................................................................53

4.1 Delineamento da Pesquisa..............................................................................53

4.2 Caracterização dos Sujeitos da Amostra.......................................................53

4.3 Variáveis e suas Medidas ................................................................................54

4.4 Questões de Pesquisa.......................................................................................56

5 O PROJETO TAPEJARA............................................................................57

5.1 Identificação das Classes de Estilos Cognitivos de Aprendizagem.............58

5.1.1 Análise dos Dados Oriundos da Aplicação do Teste Ross................................58

5.1.2 Conceituando as Classes de ECA Geradas........................................................59

5.2 Projeto e Construção do Módulo de Ensino Experimental.........................61

5.2.1 Requisitos do Módulo de Treinamento Experimental.......................................61

5.2.2 Plano Pedagógico do Módulo de Ensino Experimental....................................61

5.2.3 A interface do Módulo de Ensino Experimental...............................................62

5.3 Aplicação do Módulo de Ensino Experimental.............................................63

6 O PROCESSO DE DESCOBERTA DE CONHECIMENTO...................65

6.1 Limpeza e Transformação de Dados .............................................................65

6.2 Pré-Processamento de Dados..........................................................................67

6.3 Análise Exploratória de Dados e Formulação de Hipóteses........................67

6.3.1 Levantamento Descritivo Inicial dos Dados da Amostra..................................67

6.3.2 Comportamento Navegacional dos ECAs.........................................................68

6.3.3 Tempos de Permanência dos ECA....................................................................74

6.3.4 Movimentos do Aprendiz no Módulo de Ensino Experimental........................81

6.3.5 Resumo da Análise Exploratória .......................................................................84

6.3.6 As Hipóteses Encontradas .................................................................................85

6.4 Avaliação Qualitativa dos Resultados ...........................................................86

6.5 Mineração de Dados e a Busca de um Modelo de Classificação .................90

6.5.1 Análise Discriminante.......................................................................................91

6.5.2 Classificador Bayesianos Ingênuo.....................................................................97

6.5.3 Árvores de Decisão..........................................................................................101

6.6 Considerações sobre o Uso das Técnicas de Classificação.........................105

7 CONCLUSÕES E TRABALHOS FUTUROS.........................................107

7.1 Conclusões......................................................................................................107

7.2 Discussão das Contribuições.........................................................................108

7.3 As Limitações do Contexto Estudado..........................................................110

7.4 Trabalhos Futuros.........................................................................................110

REFERÊNCIAS..........................................................................................................113

ANEXO A EXEMPLOS DE PÁGINAS WEB DO CURSO EXPERIMENTAL

TDMA ..................................................................................................118

ANEXO B EXEMPLO DE QUESTÕES DO TESTE ROSS...........................127

APÊNDICE A QUESTIONÁRIO DE AVALIAÇÃO QUALITATIVA..................131

LISTA DE ABREVIATURAS E SIGLAS

AA Analógico-Analítico

AD Análise Discriminante

AIEA Ambiente Inteligente de Ensino e Aprendizagem

AM Aprendizagem de Máquina

AMPS Advanced Mobile Phone Service

ASA Analítico-Sintético-Avaliativo

BD Banco de Dados

CAI Computer Aided Instruction

CAPIT Capitalisation And Punctuation Intelligent Tutor

CBI Classificador Bayesiano Ingênuo

CG Concreto-Genérico

CLARISSE Clusters And Rules ISSuEd

DA Dedutivo-Avaliativo

EADMC Ensino a Distância Mediado por Computador

ECA Estilo Cognitivo de Aprendizagem

EFT Embeded Figure Test

ERB Estação Rádio Base

IA Inteligência Artificial

I-Help Intelligent Help

INSPIRE INtelligent System for Personalized Instruction in a Remote

Environment

KDD Knowledge Discovery from Database

MANIC Multimedia Asynchronous Networked Individualized

Courseware

MD Mineração de Dados

MSLQ Motivated Strategies for Learning Questionnaire

RN Rede Neural

RS Relacional-Sintético

SHA Sistema Hipermídia Adaptativo

STI Sistemas Tutores Inteligentes

TA Trajetória de Aprendizagem

TDMA Time Division Multiplex Access

URL Uniform Resource Locator

LISTA DE FIGURAS

Figura 2.1: Habilidades e processos cognitivos avaliados no Teste Ross (MADEIRA et

al., 2000) ...................................................................................................... 23

Figura 3.1: Arquitetura tradicional de um STI (BURNS & CAPPS, 1988)................... 34

Figura 4.1: Delineamento da pesquisa............................................................................ 53

Figura 5.1: Análise Fatorial: explicação da variância por habilidade cognitiva

(MADEIRA et al., 2000) ............................................................................. 58

Figura 5.2: A interface do módulo experimental TDMA ............................................... 63

Figura 6.1: Freqüência relativa média de acesso aos ‘Recursos Didáticos’ – o eixo

vertical representa o percentual médio correspondente ao uso dos recursos

didáticos antes da primeira prova pelas classes de ECA. As linhas rotuladas

representam o percentual médio da amostra................................................ 69

Figura 6.2: Freqüência relativa média de acesso às ‘Formas de Apresentação dos

Conceitos’ – o eixo vertical representa o percentual médio de uso destas

formas sobre o total de páginas de ‘Conceitos’ visitadas antes da primeira

prova pelas classes de ECA. As linhas rotuladas representam o percentual

médio da amostra para estas formas. ........................................................... 71

Figura 6.3: Freqüência relativa média de acesso às ‘Formas de Apresentação dos

Exercícios’ – o eixo vertical representa o percentual médio de uso destas

formas sobre o total de páginas de ‘Exercícios’ visitadas antes da primeira

prova pelas classes de ECA. As linhas rotuladas representam o percentual

médio da amostra para estas formas. ........................................................... 72

Figura 6.4: Freqüência relativa média de acesso às ‘Formas de Apresentação dos

Exemplos’ – o eixo vertical representa o percentual médio de uso destas

formas sobre o total de páginas de ‘Exemplos’ visitadas antes da primeira

prova pelas classes de ECA. As linhas rotuladas representam o percentual

médio da amostra para estas formas. ........................................................... 73

Figura 6.5: Tempo médio de permanência médio nos ‘Recursos Didáticos’ – o eixo

vertical representa o percentual médio de permanência nos recursos

didáticos, relativo ao tempo total de permanência no módulo de ensino

experimental, incluindo a(s) avaliação(es) final(ais) antes da primeira prova

pelas classes de ECA. As linhas rotuladas representam o percentual médio

de permanência da amostra nestes recursos................................................. 75

Figura 6.6: Tempo médio de permanência nas ‘Formas de Apresentação dos Conceitos’

– o eixo vertical representa o percentual médio de permanência nestas

formas sobre o tempo médio de permanência nas páginas de ‘Conceitos’

visitadas antes da primeira prova pelas classes de ECA. As linhas rotuladas

representam o percentual médio de permanência da amostra nestas formas.

..................................................................................................................... 77

Figura 6.7: Tempo médio de permanência nas ‘Formas de Apresentação dos Exercícios’

– o eixo vertical representa o percentual médio de permanência nestas

formas sobre o total do tempo de permanência nas páginas de ‘Exercícios’

visitadas antes da primeira prova pelas classes de ECA. As linhas rotuladas

representam o percentual médio de permanência da amostra nestas formas.

..................................................................................................................... 78

Figura 6.8: Tempo médio de permanência nas ‘Formas de Apresentação dos Exemplos’.

O eixo vertical representa o percentual médio de permanência nestas formas

sobre o total do tempo de permanência nas páginas de ‘Exemplos’ visitadas

antes da primeira prova pelas classes de ECA. As linhas rotuladas

representam o percentual médio de permanência da amostra nestas formas.

..................................................................................................................... 80

Figura 6.9: Recurso didático modal, em cada movimento, pelos sujeitos das classes de

ECA ............................................................................................................. 82

Figura 6.10:Padrões de ações cognitivas dos Estilos Cognitivos até a primeira prova .. 83

Figura 6.11:Relacionamento entre as classes e as variáveis discriminantes .................. 91

Figura 6.12:Discriminando as classes de ECA pelos Recursos Didáticos: coeficientes

padrão das funções discriminantes canônicas.............................................. 95

Figura 6.13:Discriminando as classes de ECA pelas formas de apresentação:

Coeficientes padrão das funções discriminantes canônicas......................... 96

Figura 6.14:Recursos Didáticos: coeficientes das funções de classificação................... 97

Figura 6.15:Formas de Apresentação: coeficientes das funções de classificação .......... 97

Figura 6.16:Representação gráfica do CBI para classificar um novo caso a partir da

análise de suas preferências pelos 'recursos didáticos' ................................99

Figura 6.17:Árvore de Decisão gerada e os resultados obtidos quando consideramos

apenas as preferências das classes de ECA pelos ‘recursos didáticos’ ..... 103

Figura 6.18:Árvore de Decisão gerada e os resultados obtidos considerando apenas as

preferências das classes de ECA pelas ‘formas de apresentação’ ............. 104

Figura 7.1: O estilo cognitivo de aprendizagem no modelo do aluno ..........................111

Figura 7.2: O modelo de uma Trajetória de Aprendizagem (TA)................................ 112

LISTA DE TABELAS

Tabela 2.1: Resumo de trabalhos relacionados sob o ponto de vista da psicologia

cognitiva ...................................................................................................... 32

Tabela 3.1: Tabela atributo-valor ................................................................................... 40

Tabela 4.1: Perfil dos sujeitos da amostra...................................................................... 54

Tabela 4.2: Indicadores do funcionamento dos ECA e suas medidas ............................ 55

Tabela 5.1: Classes de ECAs agrupadas por desempenho (4-5 superior, 3 médio, 1-2

inferior) (MADEIRA et al., 2000)............................................................... 59

Tabela 5.2: Os estilos cognitivos e as heurísticas psicopedagógicas.............................. 62

Tabela 5.3: Recursos didáticos e formas de apresentação no TDMA............................ 62

Tabela 5.4: Distribuição dos sujeitos da amostra ........................................................... 63

Tabela 6.1: Categorização das faixas de freqüência relativa e tempos de permanência

nos ‘Recursos Didáticos’ e ‘Formas de Apresentação’ dos sujeitos da

amostra......................................................................................................... 66

Tabela 6.2: Resultados descritivos da amostra ao realizar o módulo de ensino

experimental ................................................................................................ 68

Tabela 6.3: Mapa resumo dos percentuais médios da freqüência relativa dos recursos

didáticos e formas de apresentação, pelas classes de ECA, em um ambiente

de aprendizagem na Web............................................................................. 84

Tabela 6.4: Mapa resumo dos percentuais médios de permanência nos recursos didáticos

e formas de apresentação, pelas classes de ECA, em um ambiente de

aprendizagem na Web.................................................................................. 85

Tabela 6.5: Níveis de crença do especialista .................................................................. 87

Tabela 6.6: Resultados estatísticos gerados na AD........................................................ 93

Tabela 6.7: Resultado da classificação na análise discriminante considerando apenas a

preferência das classes de ECA pelos ‘recursos didáticos’ ......................... 94

Tabela 6.8: Resultado da classificação na análise discriminante considerando apenas a

preferência das classes de ECA pelas 'formas de apresentação'.................. 95

Tabela 6.9: Tabela de probabilidades a priori de ser de uma classe de ECA................. 99

Tabela 6.10:Tabela de probabilidades condicionais para o uso de ‘Conceito’............. 100

Tabela 6.11:Tabela de probabilidades condicionais para o uso de ‘Exercício' ............100

Tabela 6.12:Tabela de probabilidades condicionais para o uso de 'Exemplo'.............. 100

Tabela 6.13:Resultados da classificação através do CBI considerando apenas as

preferências pelos 'recursos didáticos’....................................................... 101

Tabela 6.14:Resultado da classificação através do CBI considerando apenas as

preferências pelas 'formas de apresentação'............................................... 101

Tabela 6.15:Mapa-resumo do desempenho das técnicas de classificação analisadas .. 106

RESUMO

Uma das questões críticas relacionadas com um Ambiente Adaptativo de Ensino e

Aprendizagem baseado na Web diz respeito à eficácia da aprendizagem do aluno

remoto. Assim como diversos trabalhos de pesquisa na literatura, nosso estudo

preocupou-se com a modelagem do Estilo Cognitivo de Aprendizagem (ECA) do aluno

visando, em um futuro próximo, a adaptação dos conteúdos pedagógicos a esta

importante característica individual do aluno. Esta tese descreve a metodologia utilizada

para investigar como modelar o ECA do aluno remoto, baseado na observação e análise

de seu comportamento em um ambiente de ensino e aprendizagem na Web. Em nosso

estudo, o ECA representa o estágio de desenvolvimento cognitivo do aluno, de acordo

com a taxonomia de Bloom. Nós acreditamos que os principais benefícios de adaptar a

instrução ao ECA do aluno estão relacionados com a possibilidade de oportunizar a

ampliação de suas habilidades cognitivas, assim como oportunizar a aprendizagem em

profundidade sobre os conteúdos em estudo. A metodologia quase-experimental usada

para a modelagem do ECA do aluno compreendeu duas fases distintas: (i) geração das

classes de ECA a partir da aplicação de um teste psicológico em uma amostra da

população-alvo; e (ii) desenvolvimento do módulo de ensino experimental e o estudo

das Trajetórias de Aprendizagem (TA) padrão das classes de ECA, a partir da

observação de seus comportamentos durante a execução de uma sessão de estudo na

Web. Como resultado deste estudo, identificamos os principais indicadores, que melhor

discriminaram as classes de ECA consideradas. Os resultados foram obtidos a partir da

observação e análise das TAs na Web. Todo o conhecimento obtido a partir desta

investigação deverá nos permitir automatizar o diagnóstico do ECA do aluno remoto.

Este conhecimento também será utilizado como base para o desenvolvimento dos

conteúdos a serem oferecidos ao aluno pelo Ambiente Adaptativo de Ensino e

Aprendizagem baseado na Web.

Palavras-chave: Modelagem de Aluno na Web, Sistemas Hipermídia Adaptativos na

Web, Aquisição de Conhecimento, Descoberta de Conhecimento em

Banco de Dados, Estilo Cognitivo de Aprendizagem.

Learner’s on-line Diagnostic of his/her Cognitive Style of Learning in a

Web Learning Adaptive Environment: an Empirical Approach based

on the Learning Trajectory

ABSTRACT

A critical issue related to an Adaptive Web-based Learning Environment is related

to the effectiveness of the remote learner’s apprenticeship. As many research works in

the literature, our study is concerned about adjusting the instruction to the individual

learner’s characteristics. This thesis describes the methodology used to investigate how

to model the learner’s Cognitive Style of Learning (CSL) based on the observation and

analysis of his/her behavior in a web-learning environment. In our study the CSL

represents the learner’s development cognitive stage according to Bloom’s taxonomy.

We do believe that the main benefits on adapting the instruction to the learner’s CSL are

to amplify his/her cognitive abilities and to develop the in-depth learning. The

methodology encompasses two phases: (i) the generation of the CSL classes for the

target population; and (ii) the study of CSL classes’ learning trajectories in an

experimental learning module. As a result we have identified the CSL classes’

parameters that better discriminate them from the observation and analysis of their

learning trajectory on the Web. All the knowledge obtained from this investigation will

permit us to automate the learners’ CSL diagnostic. It will also give us the background

to develop web-training environment contents.

Keywords: Learner modeling on the Web, Adaptive Hypermedia Systems in the Web,

Knowledge Acquisition, Knowledge Discovering in Databases, Cognitive

Style of Learning.

1 INTRODUÇÃO

Neste Capítulo é apresentada uma descrição geral e sucinta desta tese, com o

objetivo de fornecer ao leitor uma justificativa do tema escolhido, o contexto no qual se

insere, os objetivos do estudo, as questões de pesquisa e, por fim, as principais

contribuições do trabalho.

1.1 Justificativa para a Escolha do Tema

Hoje em dia, o ensino a distância via Web constitui-se em um importante desafio a

ser investigado, especialmente quando se tem como objetivo a construção de um

material pedagógico com qualidade e o acompanhamento on-line do processo de

aprendizagem do aluno remoto, de modo efetivo e eficaz.

O primeiro grande desafio para o sucesso do Ensino a Distância Mediado por

Computador (EADMC) depende fundamentalmente da conscientização de professores e

alunos em relação aos seus papéis: o professor assumindo o papel de mediador e

estimulador do processo de aprendizagem do aluno e o aluno assumindo o papel de

agente ativo no seu processo de aprendizado.

O segundo grande desafio para o sucesso do EADMC refere-se ao projeto e

implementação do ambiente computacional que irá facilitar a atuação dos principais

agentes que nele agem, ou seja, professor e aluno.

O trabalho de investigação nesta área exige um esforço eminentemente

multidisciplinar entre especialistas em Inteligência Artificial na Educação com

psicólogos, pedagogos, especialistas no domínio (conteúdos), projetista de interface e

navegação, analistas em Sistemas de Informação, etc. Em contrapartida, os benefícios

obtidos a partir deste esforço são decisivos, tanto sob o ponto de vista da Instituição de

Ensino ou Empresa, que cumprem este papel para com os seus alunos ou funcionários,

quanto para o próprio aluno, em especial. Sob o ponto de vista da Instituição de Ensino,

esta nova modalidade pode significar a redução do tempo e dos custos com o

deslocamento e estadia de seus professores e alunos, locação do espaço físico, etc. Sob

o ponto de vista do aluno, significa flexibilidade para escolher a hora e o lugar para a

realização do seu treinamento e/ou aperfeiçoamento.

Complementarmente, os recursos tecnológicos disponibilizados hoje pela Internet

proporcionam um novo estimulo à pesquisa que vem sendo realizada na área das

Ciências Cognitivas, especificamente com relação às subáreas da Inteligência Artificial

na Educação e da Psicologia Cognitiva. Esta nova tecnologia tem facilitado

enormemente a distribuição da informação e a comunicação entre professores e alunos e

entre os próprios alunos. Entretanto, se pensarmos em um ambiente inteligente de

ensino e aprendizagem, individualizado e assíncrono na Web, nos deparamos com

importantes desafios, tanto sob o ponto de vista psicopedagógico, quanto sob o ponto de

vista dos sistemas inteligentes de ensino e do ambiente computacional como um todo.

Sob o ponto de vista psicopedagógico, algumas questões precisam ser analisadas

com critério, tais como:

• Identificação do paradigma de ensino e aprendizagem a ser seguido.

• Identificação dos fatores que realmente influenciam na eficácia da aprendizagem

nesses ambientes.

• Como fornecer cobertura pedagógica à extensa variedade de perfis cognitivos

dos alunos e as dificuldades que serão enfrentadas por eles, especialmente a

distância, adaptando estratégias de ensino adequadas em cada caso?

• Como lidar com a falta de feedback on-line para o professor, o qual fica sem

saber sobre o estágio de compreensão do aluno, e este, por sua vez, tende a ficar

isolado e potencialmente poderá sentir-se perdido e desencorajado?

• Como planejar e desenvolver material pedagógico em ambientes educacionais

hipermídia, que atendam as demandas de aprendizagem dos alunos?

Sob o ponto de vista do ambiente computacional, também existem importantes

questões que precisam ser analisadas, entre as quais mencionamos:

• Como dispor de meios eficientes e eficazes para compreender (ou inferir), de

forma on-line, as necessidades do aluno-aprendiz em cada momento?

• Como modelar aquelas características do aluno-aprendiz, que afetam o modo

como ele interage com um particular ambiente de aprendizagem?

• Como planejar e construir os agentes artificiais que irão realizar o

acompanhamento on-line dos passos do aluno, executar o seu diagnóstico

cognitivo e propor-lhes estratégias e táticas pedagógicas, adequadas às

necessidades atuais de aprendizagem deste aluno?

O projeto e desenvolvimento de sistemas inteligentes de ensino e aprendizagem são

fundamentais. O professor continua existindo e tem sua importância aumentada, mas

não como um mero transmissor de conhecimento, e sim como um orientador, um

facilitador e um avaliador do processo de aprendizado. Ao assumir estes papéis, o

professor certamente terá sua carga de trabalho aumentada, o que justifica a necessidade

de agentes pedagógicos inteligentes que o auxiliem nesta tarefa.

A proposta deste estudo visa contribuir para a solução de parte destes desafios,

através do estudo e investigação sobre a modelagem, em computador, de características

cognitivas individuais do aluno. A modelagem cognitiva do aluno, por sua vez, visa a

modelagem de agentes inteligentes que possam auxiliar o professor na árdua tarefa de

acompanhar o processo de aprendizagem de seus alunos, individualmente, auxiliando-os

quando necessário.

1.2 Contexto deste Trabalho

Os softwares educacionais comerciais normalmente exploram os atrativos de um

ambiente hipermídia, tais como a utilização de imagens, animações, áudio, etc., mas

acabam descuidando dos aspectos relacionados às demandas psicopedagógicas,

adequadas a cada perfil cognitivo do aprendiz on-line, tanto na fase do planejamento e

construção dos conteúdos pedagógicos, quanto durante o processo de aprendizagem

propriamente dito. Abordagens deste tipo podem comprometer a eficácia da

aprendizagem, fazendo com que o processo em si se torne cansativo, repetitivo e

desestimulante para o aprendiz.

Com o objetivo de superar estas deficiências, diversos pesquisadores, especialmente

aqueles focados nas ciências cognitivas, têm direcionado suas investigações no sentido

de identificar que características cognitivas individuais realmente influenciam, de forma

positiva, no processo de aprendizagem do aprendiz remoto na Internet. Entre estes

pesquisadores, citamos: (Dufresne & Turcotte, 1997), (Ford & Chen, 2000),

(Macgregor, 1999), (Martinez & Bunderson, 2000), (Mcmanus, 2000). Por exemplo,

(Martinez & Bunderson, 2000) investigaram como os indivíduos gerenciam sua

aprendizagem em um ambiente de aprendizagem interativo na Web, projetado para

suportar diferentes orientações de aprendizagem; (Mcmanus, 2000) investigou como

determinar a combinação adequada entre os diferentes níveis de não-linearidade de um

ambiente hipermídia na Web e os diferentes níveis de auto-regulação do aprendiz. Para

este autor, os aprendizes auto-regulados controlam ativamente a sua aprendizagem, o

ambiente e as interações entre eles.

O projeto Tapejara – Sistemas Inteligente de Ensino na Internet – em cujo contexto

se insere esta tese, teve como meta buscar uma solução que contribuísse para minimizar

o comprometimento psicopedagógico destes sistemas. Este projeto foi constituído com a

parceria entre duas universidades – UFRGS (Instituto de Informática) e UNISINOS

(Faculdade de Psicologia) – e com a companhia de telecomunicações CRT Telecom. O

projeto teve apoio do CNPq – ProTem-CC, no período de novembro de 1999 a outubro

de 2001.

A proposta do projeto Tapejara tinha três importantes objetivos: (i) objetivo

psicopedagógico; (ii) objetivo computacional; e (iii) objetivo de atender às demandas

de treinamento dos funcionários da empresa parceira no projeto. Com relação ao

objetivo psicopedagógico, a idéia foi modelar o estilo cognitivo de aprendizagem do

aluno e orientar o seu processo de aprendizagem de acordo com esta sua característica

cognitiva.

Por que adaptar o ensino ao estilo cognitivo do aluno?

Quais são os benefícios psicopedagógico para o aluno?

Conforme estudos recentes encontrados na literatura (Riding & Rayner, 2000,

Riding & Cheema, 1991; Schmeck, 1988, entre outros), o estilo cognitivo de um

indivíduo descreve a sua forma individual, preferida e habitual, com que ele organiza e

representa novas informações, enquanto ele executa uma tarefa de aprendizagem.

Portanto, o pressuposto básico no Tapejara era de que, ao se apresentarem novas

informações ao aprendiz, organizadas e representadas da forma como ele normalmente

as organiza e as representa mentalmente, aumentaria a probabilidade de que este

aprendiz, fácil e rapidamente, organizasse o seu pensamento e raciocinasse sobre as

novas informações que lhe fossem apresentadas. Conseqüentemente, os benefícios

psicopedagógico para o aluno estariam relacionados com: facilitar o desenvolvimento

de uma tarefa de aprendizagem e aumentar a probabilidade de que o processo de

aprendizagem seja mais eficiente e eficaz, melhorando o desempenho do mesmo.

Com relação ao objetivo computacional, a questão era: como implementar o

objetivo psicopedagógico em um modelo computacional, de modo a realizar a

adaptação do ensino (estratégias e táticas pedagógicas) ao estilo cognitivo de

aprendizagem do aluno, de forma automática, através de um agente computacional, em

um Ambiente Inteligente de Ensino e Aprendizagem na Internet?

Finalmente, quanto ao objetivo da empresa parceira no projeto, o desafio era projetar

e desenvolver os conteúdos de um Curso de Telecomunicações na Web, que

disponibilizasse ao aluno os recursos pedagógicos necessários para individualizar a sua

apresentação, de forma adequada às características de cada estilo cognitivo considerada.

Considerando que o foco desta tese está centrado na modelagem computacional do

Estilo Cognitivo de Aprendizagem do aluno, primeiramente é necessário que se

conceitue Estilo Cognitivo de Aprendizagem (ECA). No contexto do Projeto Tapejara, e

por conseqüência desta tese, o construto Estilo Cognitivo de Aprendizagem baseia-se na

taxonomia de Bloom (Bloom et al., 1972), para o domínio cognitivo. As dimensões ou

classes de ECA consideradas foram formadas a partir de um subgrupo de sujeitos da

população-alvo, cujo desempenho predominante nas habilidades cognitivas superiores

(i.é., análise, síntese e avaliação) e nos processos cognitivos subjacentes (i.é, raciocínio

analógico, raciocínio dedutivo, premissas ausentes, relações abstratas, síntese

seqüencial, estratégias de questionamento, análise de informação relevante e

irrelevante e análise de atributos), propostos por Bloom, e avaliados através do Teste

Ross (Ross & Ross, 1997), resultaram semelhantes na análise de cluster. A metodologia

de identificação das classes de ECA está descrita em detalhe no Capítulo 5.

Subjacente ao construto

ECA, a equipe de psicólogos do Tapejara definiu um

segundo construto psicopedagógico, qual seja, as Trajetórias de Aprendizagem (TA).

Este construto foi definido visando capturar e representar um padrão de ações cognitivas

que pudesse ser concretamente observado através de um conjunto de variáveis,

indicadoras do comportamento do estilo cognitivo durante um processo de

aprendizagem na Web (Madeira et al., 2000). A idéia por trás disso é que esses padrões

de ações cognitivas refletissem os diferentes estágios nas habilidades e processos

cognitivos propostos por Bloom.

Portanto, a modelagem do ECA do aluno remoto passa pela análise de sua Trajetória

de Aprendizagem, uma vez que ela representa o comportamento observável das ações

características do estilo cognitivo a ela associado.

O projeto e desenvolvimento do modelo computacional para realizar o diagnóstico

do estilo cognitivo do aluno on-line constituem-se na grande questão de pesquisa desta

tese. Esta tarefa é especialmente complexa por pelo menos três grandes motivos:

1. O domínio de conhecimento a ser modelado (comportamento dos ECAs durante

um processo de ensino e aprendizagem na Web) ainda está sob investigação por

parte de psicólogos e pedagogos;

2. Como conseqüência do fato de ainda não estar disponível o modelo de

comportamento das classes de ECA em um ambiente de ensino e aprendizagem

na Web, é fundamental que se investigue sobre os padrões de comportamento

dessas classes, o que por si só não é uma tarefa trivial;

3. Os resultados da investigação sobre o comportamento das classes de ECA nos

permitirão apenas a manipular com hipóteses (ou simplesmente estimativas) que

certamente estarão associadas aos padrões de comportamento encontrados para

cada classe de ECA durante o estudo.

O termo construto refere-se a uma idéia ou noção psicológica. A inteligência, e a extroversão são

exemplos de construtos psicológicos (Riding & Rayner, 2000).

1.3 Objetivos

Neste estudo foram definidos os seguintes objetivos:

• Objetivo Geral

Desenvolver um modelo computacional para a realização do diagnóstico do Estilo

Cognitivo de Aprendizagem do aluno, a partir da observação da sua Trajetória de

Aprendizagem, em um Ambiente Inteligente de Ensino e Aprendizagem na Internet.

Isto significa investigar e gerar um modelo de classificação do ECA do aluno remoto, a

partir da identificação dos principais atributos associados a cada uma das classes de

ECA.

• Objetivo Secundário

O resultado do diagnóstico cognitivo, juntamente com outras informações a respeito

do estado atual de aprendizagem do aluno, poderá ser utilizado por um agente

pedagógico computacional, de modo que ele possa decidir sobre a estratégia ou tática

pedagógica mais adequada a ser sugerida ao aluno naquele momento.

• Objetivos específicos

• Determinar o conjunto de indicadores de aprendizagem associados às trajetórias

de aprendizagem, que é possível de ser extraído a partir do arquivo de log gerado

durante o experimento realizado.

• Analisar o comportamento dos ECAs através do estudo e comparação dos

indicadores de aprendizagem a eles associdos.

• Identificar as trajetórias de aprendizagem padrão para cada classe de estilo

cognitivo de aprendizagem considerada no estudo, ou seja, identificar os

indicadores que melhor discriminam as classes de ECA.

• Investigar as possíveis técnicas computacionais que podem ser usadas para

realizar o diagnóstico on-line do ECA do aluno.

• Investigar as possíveis técnicas computacionais capazes de gerar um modelo de

diagnóstico a partir dos dados.

1.4 Contribuições do Trabalho

Uma das principais contribuições deste trabalho refere-se ao processo de descoberta

de conhecimento sobre as Trajetórias de Aprendizagem típicas de cada uma das classes

de ECA consideradas. Este processo iniciou pelo estudo e compreensão dos

fundamentos psicopedagógicos que sustenta, teoricamente, o construto de Estilo

Cognitivo de Aprendizagem; passou pela coleta, limpeza e transformação de dados do

arquivo de log, gerado durante a realização do experimento com uma amostra da

população-alvo; seguiu através da análise exploratória das TAs; e culminou com a

indução dos atributos que definem os padrões de comportamento das classes de ECA

para a população-alvo considerada, ou seja, induzimos o modelo de diagnóstico do ECA

do aluno (ou modelo de classificação) a partir da observação de sua TA durante um

processo de ensino e aprendizagem na Web. O modelo obtido respondeu a uma de

nossas questões de pesquisa, qual seja: “que parâmetros melhor discriminam as TAs

padrão das classes de ECA consideradas?”.

O modelo de diagnóstico induzido, por sua vez, nos permitiu delinear o novo

modelo do aluno, o qual integra o Estilo Cognitivo de Aprendizagem do aluno. Este

novo modelo do aluno nos permitiu responder a outra questão de pesquisa que

estávamos perseguindo: “como automatizar o diagnóstico do ECA do aluno remoto na

Web?”.

Por fim, considerando que não tínhamos nenhum conhecimento a priori a respeito

do comportamento das classes de ECA durante a execução de um processo de

aprendizagem na Web, iniciamos nossa investigação através de uma análise exploratória

e manual dos dados oriundos do arquivo de log. Este estudo nos levou à compreensão

do conhecimento necessário para modelar o ECA do aluno remoto. Entretanto, uma

análise manual do comportamento do aluno na Web consome muito tempo e fica

limitada aos dados disponíveis naquele instante. Visando evitar estas restrições,

encontramos na área de aprendizado de máquina técnicas que têm sido usadas com

sucesso em muitas aplicações, especialmente aquelas que se baseiam no paradigma de

aprendizagem indutiva por exemplos. Esta pode ser a solução que responde nossa

terceira questão de pesquisa, qual seja: “como automatizar a aquisição do conhecimento

necessário para diagnosticar o ECA do aluno remoto, a partir da observação da sua

TA na Web?”.

Conforme descrevemos na seqüência desta tese, nosso trabalho se diferencia

daqueles pesquisados na literatura, especialmente no que diz respeito às dimensões dos

estilos cognitivos de aprendizagem utilizados, as quais se baseiam na taxonomia de

objetivos educacionais de Bloom, assim como em relação à modelagem das classes de

ECA consideradas, as quais se baseiam no comportamento real do aluno durante a

execução de um processo de aprendizagem na Web.

A abordagem adotada em nossa investigação ainda nos permitiu contribuir em

relação aos novos projetos de Sistemas Educacionais a Distância via Web sob os

seguintes aspectos:

• Visar o crescimento cognitivo do aluno, uma vez que o diagnóstico do ECA do

aluno visa rastrear o nível de suas habilidades e processos cognitivos segundo a

taxonomia de Bloom. A maioria dos sistemas educacional encontrado na

literatura, que se propõe a adaptar os conteúdos pedagógicos ao estilo cognitivo

ou de aprendizagem do aluno, o faz visando facilitar o processo de aprendizagem

deste, e mantê-lo estimulado e encorajado a perseguir o sucesso da

aprendizagem. O nosso trabalho, por sua vez, também tem a intenção de

perseguir o sucesso, mas com a diferença de que, neste, o aluno deve ser

estimulado e encorajado a desenvolver suas habilidades cognitivas, tão

necessárias ao longo de sua vida escolar e futura.

• Secundariamente, para modelar o ECA do aluno, é necessário que os conteúdos

pedagógicos a serem disponibilizados no ambiente de ensino sejam organizados

e desenvolvidos de modo a oportunizar e estimular o crescimento de suas

habilidades cognitivas.

• Realizar o diagnóstico do aluno remoto a partir da análise de seu comportamento

real, usando uma abordagem de avaliação não-intrusiva. Sobre este aspecto, a

maioria dos sistemas educacional encontrado na literatura utiliza,

intensivamente, métodos explícitos de avaliação do aluno, através do uso de

questionários, aplicação de testes, etc., para fazer a identificação do perfil

cognitivo do aluno.

1.5 Organização do Trabalho

Esta tese está organizada da seguinte forma. O Capítulo 2 apresenta uma revisão da

literatura sobre os fundamentos psicopedagógicos que deram origem às classes de ECA

consideradas nesta tese. Além disso, o Capítulo também conceitua os construtos

psicopedagógicos utilizados ao longo do trabalho, assim como apresenta uma revisão

bibliográfica recente de trabalhos relacionados.

O Capítulo 3 apresenta uma revisão sucinta sobre os fundamentos computacionais,

relacionados às subáreas da IA tais como: Sistemas Tutores Inteligentes (STI), Sistemas

Adaptativos de Aprendizagem na Web, Aprendizado de Máquina (AM) indutivo por

exemplos e Descoberta de Conhecimento em Bases de Dados, usados como aporte

computacional, teórico e metodológico. O estudo realizado nestas subáreas da IA

enfocou os aspectos relacionados, especialmente, com a modelagem de características

do usuário e/ou aluno e com a modelagem dos padrões de navegação na Web. Este

Capítulo também apresenta uma revisão bibliográfica recente de trabalhos relacionados.

O Capítulo 4 descreve o delineamento da pesquisa quase-experimental realizada, a

caracterização da amostra de dados, as variáveis dependente/independentes e suas

métricas e as questões de pesquisa que foram perseguidas ao longo do trabalho.

O Capítulo 5 descreve como foram geradas as classes de ECA consideradas neste

trabalho, o módulo de ensino experimental e as condições sob as quais este módulo de

ensino foi aplicado à amostra de sujeitos, já rotulados segundo a classe de ECA à qual

eles pertenciam.

O Capítulo 6 descreve o trabalho realizado durante o processo de descoberta de

conhecimento sobre as Trajetórias de Aprendizagem padrão, para cada uma das classes

de ECA consideradas, assim como apresenta os resultados encontrados a partir das

análises realizadas sobre o comportamento das classes de ECA durante a execução de

uma sessão de estudo via Web.

Finalmente, o Capítulo 7 discute os resultados obtidos a partir das questões de

pesquisa inicialmente postas. Comenta as limitações do contexto sobre o qual foi

realizado o experimento e, finalmente, apresenta as diversas possibilidades de trabalhos

futuros.

2 REFERENCIAL TEÓRICO SOB O PONTO DE VISTA

PSICOPEDAGÓGICO

Este Capítulo apresenta uma revisão da literatura sobre os fundamentos

psicopedagógicos que deram origem às classes de ECA consideradas nesta tese. Além

disso, o Capítulo também conceitua os construtos psicopedagógicos utilizados ao longo

do trabalho, assim como apresenta uma revisão bibliográfica recente de trabalhos

relacionados.

2.1 Taxionomia de Objetivos Educacionais de Bloom no

Domínio Cognitivo

Neste trabalho, o estudo e a compreensão da “Taxionomia de objetivos educacionais

de Bloom no domínio cognitivo” (BLOOM et al., 1972) teve especial destaque. Isto se

deveu ao fato de que, as dimensões dos estilos cognitivos de aprendizagem utilizados

em nossa investigação, foram geradas com base nas habilidades cognitivas superiores

(i.e. análise, síntese e avaliação), categorizadas por Bloom e avaliadas através do Teste

Ross (ROSS; ROSS, 1997), o qual é descrito na próxima seção deste trabalho.

Conforme Anderson et al. (2001), o trabalho de Bloom foi pela primeira vez

publicado em 1956 e, desde a sua primeira publicação, esse trabalho tem fornecido uma

base sólida no desenvolvimento de currículos (o que ensinar) e nos projetos de testes (o

que medir) em escolas do mundo inteiro. Isto evidencia a sua importância na área da

educação.

O termo “taxonomia”, no dicionário da língua portuguesa (Ferreira, 1986), significa

“Ciência da Classificação” (i.é, classificação dos seres na Biologia, classificação das

palavras, na gramática, etc.). Na classificação de Bloom, o objeto de classificação

correspondeu aos objetivos educacionais, os quais referem-se “as mudanças que

ocorrem nos indivíduos, resultantes de experiências educacionais”, ou seja, o

comportamento esperado do aluno. Estas mudanças estão assentadas em diferentes

bases, tais como: o comportamento do professor, os métodos de ensino e o

comportamento esperado do aluno. Especificamente, no domínio cognitivo, abordado

neste trabalho, são considerados somente os comportamentos relacionados aos atos

mentais ou de pensamento do indivíduo.

Taxionomia e Classificação são termos comumente interpretados como sinônimos.

Na verdade, estes termos não são sinônimos. Segundo Bloom, uma taxionomia deve ser

construída de tal forma que a ordem dos termos corresponda a certa ordem real entre os

fenômenos representados por estes termos. A validade de uma taxionomia depende da

demonstração de sua compatibilidade com as conclusões resultantes de dados de

pesquisa no campo que busca ordenar. Desta forma, “as taxionomias seguem certos

princípios estruturais que ultrapassam em complexidade as normas de um sistema de

classificação” (BLOOM et al., 1972, p. 15).

A taxionomia de Bloom apresenta uma ordem hierárquica de classes que favorece a

categorização dos diversos objetivos educacionais. A construção das classes foi definida

de modo que os objetivos categorizáveis de uma classe compreendesse e se baseasse em

comportamentos incluídos nas classes precedentes do esquema. Cada classe tem

subclasses. Este relacionamento está baseado no pressuposto de que as classes e

subclasses constituem um continuo, do mais simples para o mais complexo e do

concreto para o abstrato” (BLOOM et al., 1972, p. 15).

Sob o ponto de vista psicopedagógico, um objetivo educacional compreende uma

formulação explícita das mudanças que se espera, ocorram nos alunos durante um

processo educacional. Esta formulação deve descrever o comportamento pretendido (ou

habilidade cognitiva), assim como deve indicar o conteúdo ou o objeto do

comportamento.

Com base no acima exposto, a estrutura da taxionomia de objetivos educacionais foi

constituída visando incluir seis classes de habilidades cognitivas pretendidas, quais

sejam:

1.00 CONHECIMENTO

2.00 COMPREENSÃO

3.00 APLICAÇÃO

4.00 ANÁLISE

5.00 SÍNTESE

6.00 AVALIAÇÃO

A seguir apresentamos um resumo descritivo destas seis classes e suas subclasses,

com alguns exemplos de objetivos educacionais (em destaque no texto) apresentados

por Bloom.

A classe 1.0 - CONHECIMENTO enfatiza principalmente o processo psicológico

de evocar, lembrar. Esta classe compreende três subclasses (1.10, 1.20 e 1.30):

1.10 Conhecimento de específicos

1.11 Conhecimento de terminologia

“Definir termos técnicos, fornecendo seus atributos, propriedades e

relações”.

1.12 Conhecimento de fatos específicos

“A evocação de fatos principais a respeito de determinadas culturas”.

1.20 Conhecimento de maneiras e meios de tratar com específicos

1.21 Conhecimento de convenções

“Conscientizar os alunos da forma e uso corretos no falar e no escrever”.

1.22 Conhecimento de tendências e seqüências

“Conhecimento das tendências básicas subjacentes ao desenvolvimento dos

programas de assistência pública”.

1.23 Conhecimento de classificações e categorias

“Tornar-se familiarizado com uma série de tipos de literatura”.

1.24 Conhecimento de critérios

“Conhecimento de critérios para a avaliação de atividades recreativas”.

1.25 Conhecimento de metodologia

“Conhecimento de métodos científicos para avaliar conceitos de saúde”.

1.30 Conhecimento dos universais e abstrações num certo campo

1.31 Conhecimento de princípios e generalizações

“A evocação das principais generalizações sobre determinadas culturas”.

1.32 Conhecimento de teorias e estruturas

“A evocação das principais teorias a respeito de determinadas culturas”.

A classe 2.0 - COMPREENSÃO representa o nível mais baixo do entendimento.

Esta classe compreende três subclasses (2.10, 2.20 e 2.30):

2.10 Translação

“A capacidade para compreender enunciações não literais (metáforas,

simbolismo, ironia, exagero)”.

2.20 Interpretação

“A capacidade para captar a idéia da obra como um todo em qualquer nível

de generalidade desejado”.

2.30 Extrapolação

“Habilidade para predizer a continuação de tendências”.

A classe 3.0 - APLICAÇÃO enfatiza o uso de abstrações em situações particulares

e concretas. Esta classe não tem subclasses.

“Aplicação dos termos ou conceitos científicos usados em um trabalho aos

fenômenos discutidos em outros trabalhos”.

A classe 4.0 - ANÁLISE enfatiza o desdobramento de uma comunicação em seus

elementos ou partes constituintes, de modo que a hierarquia relativa de idéias é tornada

clara e/ou as relações entre as idéias expressas são tornadas explícitas. Esta classe

compreende três subclasses (4.10, 4.20 e 4.30):

4.10 Análise de elementos

“A capacidade para reconhecer suposições não enunciadas”.

4.20 Análise de relações

“Habilidade para compreender as inter-relações das idéias em um trecho”.

4.30 Análise dos princípios organizacionais

“A capacidade para reconhecer forma e padrão em obras literárias e

artísticas como um meio de compreender o seu significado”.

A classe 5.0 - SÍNTESE enfatiza a combinação de elementos e partes, de modo a

formar um todo. Esta classe compreende três subclasses (5.10, 5.20 e 5.30):

5.10 Produção de uma comunicação singular

“Capacidade para relatar uma experiência pessoal com eficácia”.

5.20 Produção de um plano ou indicação de um conjunto de operações

“Capacidade para propor maneiras de testar hipóteses”.

5.30 Derivação de um conjunto de relações abstratas

“Capacidade para fazer descobertas e generalizações matemáticas”.

Finalmente, a classe 6.0 - AVALIAÇÃO enfoca julgamentos a respeito do valor do

material e dos métodos para certos propósitos. Esta classe compreende duas subclasses

(6.10 e 6.20):

6.10 Julgamentos em termos de evidência interna

“A capacidade para indicar incongruências lógicas em argumentos”.

6.11 Julgamentos em termos de critérios externos

“A comparação das principais teorias, generalizações e fatos a cerca de

culturas egípcias”.

2.2 Habilidades e Processos Cognitivos no Teste Ross

O Teste Ross (ROSS; ROSS, 1997) está apoiado na Taxonomia de Bloom para o

domínio cognitivo e avalia, especificamente, os processos cognitivos correspondentes

aos: Raciocínio Analógico, Raciocínio Dedutivo, Premissas Ausentes, Relações

Abstratas, Síntese Seqüencial, Estratégias de Questionamento, Análise de Informação

Relevante e Irrelevante e Análise de Atributos, os quais são subjacentes às habilidades

cognitivas superiores de Análise, Síntese e Avaliação (Figura 2.1).

Habilidades e Processos

Análise

Síntese

Avaliação

Teste Ross

• Raciocínio Dedutivo

• Estratégias de

questionamentos

• Relações Abstratas

• Síntese Seqüencial

• Análise de Atributos

• Analogias

• Premissas Ausentes

• Análise de Informações

Relev./Irrelev.

Figura 2.1: Habilidades e processos cognitivos avaliados no Teste Ross (MADEIRA et al.,

2000)

No Teste Ross, as seis categorias principais de objetivos educacionais propostas por

Bloom foram interpretadas como habilidades cognitivas, correspondentes aos diversos

estágios de desenvolvimento cognitivo de um indivíduo em idade escolar. Estas

habilidades cognitivas correspondem a: conhecimento, compreensão, aplicação,

análise, síntese e avaliação. Reforçando a idéia taxionômica, no Teste Ross as

habilidades intelectuais mencionadas aparecem na maioria dos processos de

aprendizagem. Cada nível contém o aprendizado de todos os níveis anteriores (são

cumulativos). Os quatro primeiros níveis refletem o aprendizado conceitual e prático.

Os níveis ditos superiores, avaliados no Teste Ross, correspondem aos níveis de maior

complexidade e abstração mental. Estes níveis, especialmente os dois últimos, exigem

do aluno um trabalho criativo, que inclua a sua contribuição individual.

Sobre a habilidade de Análise, Ross a interpretou da seguinte forma: “As habilidades

envolvidas na Análise sugerem uma ampliação da compreensão da finalidade do

material, a evocação e generalização. A hierarquia relativa de idéias é tornada clara

e/ou as relações entre idéias expressas são tornadas explícitas. O objetivo é esclarecer

a comunicação, indicar como a comunicação é organizada e a maneira pela qual

consegue transmitir seus efeitos, assim como, sua base de disposição” (ROSS; ROSS,

1997, p. 5).

Sobre a habilidade de Síntese, Ross a interpretou da seguinte forma: “Os argumentos

a favor da capacidade de Síntese são numerosos, enfatizam a expressão pessoal como

contrária à participação passiva e a liberdade de ação e pensamento em contraposição

à dependência” (ROSS; ROSS, 1997, p. 5). Observa-se uma união de elementos e

partes, de modo a formar um todo, numa estrutura não percebida claramente antes.

Sobre a habilidade de Avaliação, Ross a interpretou da seguinte forma: “Na

taxionomia do domínio cognitivo a Avaliação é considerada um estágio final do

complexo processo que envolve certa combinação dos elementos anteriores, embora

não seja o último estágio do pensamento ou solução de problemas. Envolve o processo

de julgamento acerca do valor de idéias, trabalhos, soluções, métodos, etc., realizados

com um determinado propósito” (ROSS; ROSS, 1997, p. 5).

O Teste Ross está dividido em oito seções, correspondentes aos processos

cognitivos, subjacentes a cada uma das habilidades avaliadas. Na seção I – Analogias –

são medidas as habilidades do indivíduo para perceber relações análogas entre pares de

palavras e são avaliadas, especificamente, a “eficiência na compreensão de inter-

relações entre várias idéias”. Na seção II – Raciocínio Dedutivo – são medidas as

habilidades para análise de informações em lógica, especificamente “a habilidade para

identificar falácias lógicas em argumentos”. Na seção III – Premissas Ausentes – são

medidas as habilidades para identificação da premissa necessária para completar um

silogismo lógico, quando são dadas somente uma premissa e uma conclusão. Avalia

especificamente “a habilidade para distinguir uma conclusão com afirmações que

podem sustentá-la”.

Na seção IV – Relações Abstratas – é mensurada a habilidade para estudar dados e

sintetizá-los em um sistema lógico consistente, para organizá-los e formar uma estrutura

conceitual, estabelecendo relações entre o que existe de comum nos conceitos

apresentados. Na seção V – Síntese Seqüencial – é mensurada a habilidade de

organização de idéias em uma comunicação coerente. Na seção VI – Estratégias de

Questionamento - esta seção contém um conjunto de itens onde um item é pré-

selecionado. Mensura a habilidade de avaliar métodos de obtenção de dados para julgar

a eficiência do método na produção de melhores informações para identificar o item

pré-selecionado.

Na seção VII – Análise de Informações Relevantes/Irrelevantes – é avaliada a

habilidade do indivíduo para analisar dados e identificar informações com crítica ou a

falta da mesma. “É a capacidade de verificar a coerência de hipóteses com certas

informações e suposições, e habilidade para distinguir informações relevantes das

irrelevantes”. Finalmente, na seção VIII – Análise de Atributos – é mensurada a

habilidade de analisar figuras, determinar criticamente elementos dentro das figuras,

formular uma hipótese a cerca dos atributos que são necessários para um membro do

conjunto e usar a hipótese na elaboração do processo de decisão para identificar

membros de um conjunto de um grupo de novas figuras. Essa seção refere-se a um

subgrupo da Síntese e inclui “habilidade para formular apropriadamente hipóteses

baseadas em uma análise de fatores envolvidos, e para modificar estas hipóteses à luz de

novos fatores e considerações”.

O Teste Ross tem o intento de compreender o indivíduo de uma maneira mais

ampla, pois os itens do teste requerem do estudante a realização de uma variedade de

trabalhos para que através dos dados avaliados seja possível um espelhamento de suas

habilidades cognitivas. Deve-se notar, entretanto, que o Teste Ross foi cuidadosamente

elaborado para concentrar sua principal ênfase nas habilidades dos indivíduos para tratar

com abstrações a partir de uma base verbal. A habilidade para elaborar conceitos a

partir de abstrações com elementos verbais sem perder a afinidade com a realidade é um

componente maior dos processos cognitivos superiores.

O Teste Ross dos processos cognitivos pode ser usado para um ou mais propósitos

como os que seguem (ROSS; ROSS, 1997):

1. Selecionar aprendizes de forma classificatória para a inclusão em um “Programa

Especial”, cujos requisitos cognitivos incluam um trabalho acadêmico avançado;

2. Estabelecer a efetividade de um Programa de Desenvolvimento Cognitivo em

qualquer tipo de organização. Neste caso, o Teste Ross pode ser utilizado para

enfatizar o pensamento crítico, métodos de inquirição, resolução de problemas e

pensamento lógico, ou o desenvolvimento de um pensamento complexo

eficiente;

3. Permitir o acesso ao estágio em que se encontra o desenvolvimento dos

Processos Cognitivo superiores dos indivíduos. Neste caso, o Teste Ross pode

identificar uma área de deficiência para um indivíduo em um ou mais dos

Processos Cognitivos (Análise, Síntese e Avaliação).

No Projeto Tapejara, o propósito para a aplicação do Teste Ross correspondeu à

geração das classes de estilos cognitivos utilizadas neste estudo, i.e., as classes

correspondentes aos níveis de desempenho dos sujeitos avaliados nas habilidades

cognitivas superiores e processos cognitivos subjacentes e predominantes.

2.3 Estilos Cognitivos de Aprendizagem

Um dos grandes riscos do ensino a distância diz respeito ao fato do aluno ficar

isolado e potencialmente tender a se sentir perdido, desmotivado e desencorajado. Por

outro lado, quanto ao professor (ou instrutor), o grande risco diz respeito à falta de

acompanhamento e feedback on-line sobre o processo de aprendizagem do aluno,

fazendo com que este professor fique alheio ao estágio de compreensão do aluno.

Aliado a estes fatores, Riding & Rayner (2000) argumentam sobre a necessidade, hoje

em dia, por mais pesquisa e desenvolvimento no campo das diferenças individuais,

estilos de aprendizagem e pedagogia.

Segundo Sternberg & Zhang (2001), tradicionalmente, psicólogos e educadores têm

acreditado que o sucesso e o fracasso das pessoas são atribuídos principalmente as suas

diferenças individuais no que diz respeito as suas capacidades físicas e mentais para

fazer algo. Renzulli & Dai (2001) argumentam que a aprendizagem ativa sob o ponto de

vista do paradigma do processamento de informação, defendido hoje em dia por

psicólogos e educadores, passa pelas diferenças individuais no que diz respeito ao modo

como as pessoas abordam e processam o material de aprendizagem.

Renzulli & Dai (2001) referem às diferenças individuais como: conhecimento

prévio, compreensão, valores, atitudes, estilo e a motivação resultante. Estes autores

também concordam que é mais provável incentivar a aprendizagem ativa quando o

plano pedagógico leva em consideração as características individuais que têm relação

direta com o modo como os alunos aprendem e o quão bem eles aprendem sob

condições específicas de aprendizagem.

Foi sob este enfoque que se desenvolveu o Projeto Tapejara e, conseqüentemente,

este trabalho de doutorado. O principal pressuposto era de que, melhorando a

ergonomia cognitiva, ou seja, promovendo a adaptação máxima das metodologias

educacionais às demandas psicopedagógicas do aluno (especificamente no que se refere

às suas características de aprendizagem), aumentaria a probabilidade de uma melhor

eficácia nos processos de aprendizagem (MADEIRA et al., 2002).

Neste sentido, a principal meta no contexto do Projeto Tapejara era projetar e

desenvolver um modelo computacional que permitisse a adaptação da instrução ao

Estilo Cognitivo de Aprendizagem do aluno remoto, de forma automática. O resultado

esperado era não somente melhorar a eficácia dos processos de aprendizagem dos

alunos, mas também permitir um melhor acompanhamento das atividades dos alunos

mediante a inserção de agentes artificiais que auxiliassem o professor na árdua tarefa de

dar assistência a um grande volume e diversidade de alunos remotos, com diferentes

demandas psicopedagógicas, em um período de tempo determinado.

Para uma melhor compreensão sobre o que entendemos por assistir o processo de

aprendizagem de um aluno, levando em consideração o seu Estilo Cognitivo de

Aprendizagem faz-se necessário, neste momento, conceituar os construtos

psicopedagógicos mencionados neste trabalho. É o que passamos a apresentar a seguir.

Estilo de Aprendizagem

Caracteriza como uma pessoa prefere aprender. Por exemplo, considere o tópico “A

Guerra Civil nos EUA”. Alguém poderia preferir aprender sobre o assunto de forma

visual (através da leitura) ou auditiva (através de uma aula presencial); outro poderia

preferir aprender de forma ativa (através de simulações) ou de forma passiva (lendo ou

ouvindo sobre o assunto).

Estilo Cognitivo

Caracteriza as formas de cognição da informação (STERNBERG & ZHANG, 2001).

Por exemplo, alguém pode tender a dividir a informação em partes, vendo cada batalha

como uma entidade distinta, ou tenderá a agrupar a informação, vendo muitas ou todas

as batalhas como ações similares de guerra; outro poderá tender a ser impulsivo, indo

direto às conclusões a respeito da guerra ou, ao contrário, ser reflexivo sobre o assunto.

O estilo cognitivo tende a estar muito próximo da personalidade, se comparado com

outros tipos de estilo.

Para Riding & Rayner (2000), o construto estilo cognitivo é compreendido como

“uma abordagem preferida e habitual de um indivíduo organizar e representar a

informação”. (p. 15).

Estilo Cognitivo de Aprendizagem

No Projeto Tapejara, o construto Estilo Cognitivo de Aprendizagem foi interpretado

como uma medida dos níveis de desempenho nas habilidades cognitiva superiores (i.é.,

análise, síntese e avaliação) e nos processos cognitivos subjacentes (i.é., raciocínio

analógico, raciocínio dedutivo, premissas ausentes, relações abstratas, síntese

seqüencial, estratégias de questionamento, análise de informação relevante e

irrelevante e análise de atributos), propostos por Bloom e avaliados através do Teste

Ross. A conceituação das classes de Estilo Cognitivo de Aprendizagem foram inferidas

a partir do desempenho dos sujeitos testados, nas habilidades cognitivas, advindas da

taxionomia de objetivos educacionais de Bloom e nos processos cognitivos subjacentes

a estas habilidades, avaliados no Teste Ross. O Capítulo 4 descreve a metodologia

utilizada na geração das classes de Estilo Cognitivo de Aprendizagem utilizadas nesta

tese.

A geração das classes de Estilo Cognitivo de Aprendizagem utilizadas neste trabalho

baseou-se nos pressupostos da Psicologia Cognitiva, sob o enfoque do Processamento

da Informação. A interpretação que se faz a respeito destas classes neste trabalho é a de

que cada uma delas reflete o modo como um indivíduo, que se encontra em um

determinado estágio de desenvolvimento cognitivo, aborda novas informações durante a

execução de uma atividade didática, em um ambiente de ensino e aprendizagem na

Web.

2.4 Habilidades e Processos Cognitivos e os Estilos

Cognitivos de Aprendizagem

Os processos cognitivos são basicamente atividades cognitivas que acontecem na

memória, envolvendo a codificação e os processos de pensamento, os quais são

normalmente investigados em laboratórios experimentais. Quando esses processos de

pensamento, os quais são descritos em termos de habilidade dos indivíduos que

consistentemente realizam certos tipos de tarefas, tais como testes psicológicos, eles são

referidos como ‘habilidade cognitivas’ (SCHEMECK, 1988).

Os estilos cognitivos são padrões diferenciais de reações diante de uma estimulação

recebida, via processamento cognitivo da informação e enfrentamento cognitivo da

realidade. Os estilos cognitivos remetem mais a formas, tipos ou qualidade da

configuração mental do que aos aspectos de conteúdos ou de eficiência desta

configuração.

2.5 Trabalhos Relacionados

Sob o ponto de vista psicopedagógico, encontramos na literatura uma extensa

variedade de estudos, teóricos e experimentais, que abordam a importante questão de

como identificar que características individuais de um aluno poderiam influenciar, de

forma positiva, o seu processo de aprendizagem em um Ambiente de Ensino e

Aprendizagem Adaptativo na Internet. Para ilustrar, mencionamos os seguintes autores:

(DUFRESNE & TURCOTTE, 1997), (MACGREGOR, 1999), (MARTINEZ &

BUNDERSON, 2000), (FORD & CHEN, 2000), (MCMANUS, 2000), entre outros. A

seguir apresentamos uma discussão sucinta de alguns dos trabalhos acima relacionados.

Dufresne & Turcotte (1997) investigaram como o estilo cognitivo, baseado na

dependência

e independência

de área, influencia as estratégias navegacionais em um

ambiente de ensino hipermídia. O principal objetivo da pesquisa apresentada era

considerar o estilo cognitivo do usuário para a construção de uma interface que melhor

se adaptasse a esta sua característica. Os estilos considerados foram: dependentes de

área e independentes de área, derivados a partir do trabalho de H. A . Witkin et al.,

citado em (DUFRESNE & TURCOTTE, 1997).

Dependente de área: sujeitos deste estilo tendem a perceber as partes a partir do conhecimento do todo.

Independente de área: sujeitos deste estilo tendem a perceber as partes independente do conhecimento

que eles têm do todo.

Estes autores partiram do pressuposto que o estilo cognitivo influencia como o

usuário usa o computador, assim como pode explicar alguns problemas e características

de comportamento, observadas a partir deste. Por exemplo, alunos do tipo independente

de área organizam-se melhor quando lhes é permitido adotar suas próprias estratégias.

Ao contrário, alunos do tipo dependente de área tendem a adotar uma abordagem

passiva, preferindo ser guiado ou auxiliado por agentes externos. Estes autores também

acreditam que um ambiente educacional hipermídia tem potencial para ser adaptado ao

estilo cognitivo do usuário (suas estratégias), favorecendo assim a sua aprendizagem.

Em suas investigações, foram experimentados diferentes níveis de controle sobre o

sistema por parte do usuário, de modo a facilitar as interações de diferentes tipos de

usuários. Foram desenvolvidas duas versões de interface: uma permitindo o acesso livre

à informação e a outra, permitindo o acesso com restrições.

Os resultados de suas analises estatísticas revelaram diferenças importantes do

comportamento exploratório no ambiente de ensino, relacionadas às características do

usuário. Por exemplo, o usuário identificado como sendo independente de área, navega

melhor nos ambientes livres, onde ele tem controle sobre suas opções de navegação; ao

contrário, os usuários dependentes de área, sentem-se mais confortáveis quando são

guiados.

Martinez & Bunderson (2000) investigaram a influência de diferenças individuais de

aprendizagem em ambientes de ensino adaptativo na Web. Estas diferenças individuais

foram representadas através de diferentes perfis de alunos, introduzidos pelos autores, e

denominados ‘orientações de aprendizagem’ (na língua inglesa Learning Orientations).

O ambiente de aprendizagem testado (ou Sistema SILPA - System for Intentional

Learning and Performance Assessment) correspondeu a um ambiente interativo de

aprendizagem na Web, desenvolvido para investigar como o aluno gerencia a sua

aprendizagem em ambientes de aprendizagem, projetado para dar suporte às

‘orientações de aprendizagem’ (ou perfis) de alunos.

Martinez & Bunderson (2000) trabalharam com os seguintes perfis de aluno: (i)

aluno orientado a transformação; (ii) aluno orientado a desempenho; (iii) aluno

orientado ao conformismo e; (iv) aluno resistente (na língua inglesa referenciados como,

respectivamente: transforming, performing, conforming e resistant). O aluno orientado

a transformação é bastante influenciado pela consciência dos aspectos psicológicos que

o motiva. Dá muita importância à força pessoal, aos recursos intrínsecos, habilidade,

comprometimento, persistência, esforço assertivo, aprendizagem sofisticada,

desempenho, estratégias de resolução de problemas e expectativas positivas para auto-

gerenciar, com sucesso, uma aprendizagem permanente. Este tipo de aluno gerência

estratégias de aprendizagem holista (“busca a visão do todo”) à analítica (“busca pelas

partes que formam o todo”), com objetivos de pequeno e longo alcance e se diverte

aprendendo. Ele se arrisca a cometer erros para se tornar mais especialista naquilo que é

objeto de seu estudo.

O aluno orientado a transformação freqüentemente se apóia em tarefas pequenas,

cronogramas, prazos, padrões de desempenho normativo, expectativa social, etc. para a

motivação extrínseca da aprendizagem. Gosta de assumir a responsabilidade e o

controle da sua aprendizagem e, de boa vontade, torna-se ativamente envolvido no

manejo do processo de aprendizagem. Este perfil aprende melhor em ambientes de

aprendizagem abertos, de descoberta ou desafio, que o encoraja e dá suporte à

construção do seu conhecimento.

O aprendiz orientado a desempenho é do tipo que não se arrisca e, conscientemente,

sistematicamente e com habilidade usa processos psicológicos, estratégias, preferências

e sua habilidade de auto-regulação para alcançar a média padrão dos objetivos de

aprendizagem e tarefas. É imediatista e orientado a tarefa; é extrinsecamente motivado e

assume poucos riscos com erros e desafios ou objetivos difíceis; é focado em notas e

prêmios e em padrões de realizações normativos. Freqüentemente baseia-se no

relacionamento com um professor particular, nos recursos externos disponíveis e sofre

influência social para realizar uma tarefa. Precisa de um forte motivo que o impulsione

em direção a um maior desempenho intencional e a maiores níveis de conhecimento.

Aprende melhor em ambientes semi-estruturados, que imprimem competição, diversão

e assistência para auto-motivação. Este grupo de aprendizes pode melhorar através da

aprendizagem pelo pensamento holista.

O aluno orientado ao conformismo é submisso. Geralmente, aceita passivamente o

conhecimento, o armazena e o reproduz. Apoia-se em outros como guia, necessita de

exemplos, feedbacks explícitos e aprende melhor através da instrução linear, passo-a-

passo. Esta orientação de aprendizagem pode melhorar com o aumento dos riscos.

Finalmente, o aluno resistente é do tipo que duvida que: (i) ele pode aprender ou se

divertir ao tentar alcançar qualquer objetivo proposto por outros; (ii) a aprendizagem

acadêmica compulsória possa auxilia-lo a alcançar objetivos pessoais ou iniciar

mudanças desejadas; e (iii) seus valores pessoais, interesses e objetivos possam ser

beneficiados pelos objetivos acadêmicos.

Os autores concluíram que esta é uma nova perspectiva de investigação a ser

continuada, especialmente quando a intenção é projetar ambientes de aprendizagem,

remotos, ou não, que atendam as necessidades psicopedagógicas do aluno. Como

resultado da sua investigação, os autores descreveram algumas tendências preliminares:

• Alunos do tipo transformista indicaram uma tendência para o uso de estratégias

com características assertiva, sofisticada, aprendizagem por descoberta,

ambientes do tipo “mentor”, quando a meta é: ser assertivo, ser desafiado pela

resolução de problemas complexos e ser auto-gerenciável.

• Alunos do tipo orientado a desempenho indicaram uma tendência para o uso de

estratégias com características de baixo risco, energizante, competitiva,

ambientes do tipo “guia”, que encoraje a sua auto-motivação, ao mesmo tempo

em que minimize a necessidade de esforço extra e dificuldades padrão.

• Alunos do tipo conformista indicaram uma tendência para o uso de estratégias

com característica estruturada, sem risco, e ambiente do tipo que “guia”, no

sentido de auxiliá-los a aprender, de forma confortável, a medida em que eles

aumentam a internalização do desempenho da aprendizagem intencional.

Ford & Chen (2000) investigaram sobre a correlação entre as classes de estilo

cognitivo, correspondentes às dimensões ‘independente e dependente de área’, e os

comportamentos de aprendizagem durante a execução de um processo de aprendizagem

em um ambiente hipermídia, por um grupo de alunos. Neste estudo, o estilo cognitivo

mostrou-se estar relacionado com diversos aspectos do comportamento de

aprendizagem. Por exemplo, os alunos identificados como dependentes de área, no

ambiente de ensino hipermídia, apresentaram as seguintes características (entre outras):

• Fizeram uso intenso do mapa do site.

• Fizeram pouco uso do índice de conteúdos.

• Fizeram pouco uso dos botões ‘para frente’ e ‘para trás’.

• Gastaram mais tempo proporcional estudando os níveis mais altos da hierarquia

dos conteúdos, em comparação com o percentual de seu tempo gasto nos níveis

mais detalhados.

• Adotaram uma abordagem de ordenação relativamente aleatória em relação aos

elementos da tarefa de avaliação prática.

Por outro lado, os alunos identificados como independentes de área, no ambiente de

ensino hipermídia, apresentaram as seguintes características:

• Fizeram pouco uso do mapa do site.

• Fizeram uso intenso do índice de conteúdos.

• Fizeram uso intenso dos botões ‘para frente’ e ‘para trás’.

• Gastaram pouco tempo proporcional estudando os níveis mais altos da hierarquia

dos conteúdos, em comparação com o alto percentual de seu tempo gasto nos

níveis mais detalhados.

• Adotaram uma abordagem fracamente relacionada com a ordenação

relativamente aleatória em relação aos elementos da tarefa de avaliação prática.

As principais conclusões do estudo indicaram que diferentes estilos cognitivos

utilizaram diferentes estratégias. Entretanto, a extensão e as condições sobre as quais

diferentes estratégias afetam os resultados de aprendizagem não é claro.

McManus da Saginaw Valley State University, Estados Unidos (MCMANUS,

2000), construiu o modelo do aluno baseado na característica da auto-regulação, em um

ambiente de ensino e aprendizagem individual e assíncrono na Web. Segundo

(BANDURA, 1986; SCHUNK, 1991; ZIMMERMAN, 1989, apud MCMANUS, 2000),

a aprendizagem auto-regulada consiste em uma combinação complexa de aspectos

cognitivos, metacognitivos, motivacionais e de estratégias ambientais e atributos.

Aprendizes auto-regulados controlam ativamente sua aprendizagem, o ambiente de

aprendizagem e as interações entre eles.

A característica da auto-regulação do aluno é medida a partir do questionário MSLQ

(Motivated Strategies for Learning Questionnaire (PINTRICH & GARCIA, 1991, apud

MCMANUS, 2000)). Na sua investigação, o autor considerou três níveis de auto-

regulação: alto, médio e baixo. Os alunos altamente auto-regulados monitoram e guiam

o seu próprio aprendizado; enquanto que os alunos com nível de auto-regulação baixo

são, motivacionalmente e metacognitivamente passivos na recepção da instrução.

Além da característica de auto-regulação do aluno, o autor combinou duas outras

variáveis. Uma delas diz respeito à característica da não-linearidade do ambiente de

ensino considerado (típico em ambientes hipermídia); a outra se refere a uma tática de

ensino, que o autor referenciou como ‘organizador prévio’ (na língua inglesa, advance-

organizer). A não-linearidade da apresentação do material instrucional pode permitir

que o aluno navegue livremente de um recurso didático para outro, mantendo o controle

sobre a organização da informação que individualmente lhe é relevante.

A variável referente à tática organizador prévio constitui-se de pequenos parágrafos,

que introduzem novas informações, e que têm o importante papel de conectar o assunto

que o aprendiz irá desenvolver na seqüência, com a sua estrutura de conhecimento pré-

existente. Segundo os resultados dos estudos deste autor, os ‘organizadores prévios’ são

mais efetivos em textos menos organizados, ou seja, em ambientes altamente não-

lineares.

Em seu trabalho, McManus concluiu que a característica da auto-regulação,

isoladamente, não se mostrou significativa. Entretanto, a correlação entre auto-

regulação e não-linearidade mostrou que os alunos com alto nível de auto-regulação

realizam um trabalho pobre em ambientes com nível de não-linearidade baixo; enquanto

que os alunos com nível de auto-regulação médio realizam um trabalho pobre em

ambientes com nível de não-linearidade alto. Os escores relativamente altos dos alunos

com nível de auto-regulação baixo e médio em ambientes com baixo nível de não-

linearidade podem indicar que a apresentação pré-organizada é mais efetiva para estes

aprendizes; enquanto que a falta de controle restringe o uso de estratégias de auto-

regulação personalizadas para os aprendizes altamente auto-regulados. Os ambientes

medianamente não-lineares pareceram ser mais efetivos para os aprendizes altamente

auto-regulados. Os baixos escores dos aprendizes altamente e medianamente auto-

regulados em ambientes altamente não-lineares podem estar refletindo a falta de

experiência dos aprendizes considerados.

2.6 Considerações Finais

A partir desta revisão bibliográfica, fizemos algumas considerações:

• Pelo estudo que fizemos na literatura, observamos uma forte preocupação dos

cientistas cognitivos em investigarem o modo como características individuais

do aluno (i.é, estilo cognitivo, mecanismo de auto-regulação, construtos de

orientação da aprendizagem, etc.) influenciam o seu comportamento e o seu

desempenho de aprendizagem, em um ambiente de ensino na Web. Estes

trabalhos demonstraram ter objetivos comuns, quais sejam, construir material

pedagógico e estratégias de ensino comprometidas com as necessidades de

aprendizagem do aluno remoto. Acredita-se que os resultados destes trabalhos

serão norteadores para a construção de ambientes computacionais de ensino e

aprendizagem, cujo principal objetivo consiste em auxiliar o professor na difícil

tarefa de assistir o processo de aprendizagem do aluno remoto através da

adaptação da instrução, de forma automática e individualizada, aos diferentes

perfis de aluno. A Tabela 2.1 resume algumas características do estudo que

fizemos sobre a modelagem do aluno, sob o enfoque da Psicologia Cognitiva.

• Nesta tese investigamos a influência de uma característica individual do aluno

em um ambiente de ensino individual e assíncrono na Web, como a principal

fonte de adaptação da instrução. O foco deste estudo consistiu em buscar

possíveis correlações entre as classes de ECA consideradas e suas respectivas

trajetórias de aprendizagem padrão. O ECA do aluno e sua trajetória de

aprendizagem formam a base psicopedagógica para a modelagem do aluno

proposta.

• Nos trabalhos acima descritos, de um modo geral, o perfil do aluno é identificado

de forma explícita, ou seja, a partir de algum instrumento que permita a sua

avaliação. A proposta desta tese é inferir o estilo cognitivo do aluno a partir da

observação do seu comportamento, enquanto ele executa um conjunto de

interações com o ambiente de aprendizagem.

Tabela 2.1: Resumo de trabalhos relacionados sob o ponto de vista da psicologia cognitiva

Tutor

Fundamentação

Psicopedagógica

Perfis de aluno

Como um perfil

é identificado?

Referência

Uso das

facilidades do

módulo de BD

no Excel

Estilo cognitivo baseado na

dependência de área

• Dependente de área

(DA)

• Independente de

área (IA)

Teste EFT -

Embedded Figure

Test

(Wittin, Oltman,

Raskin & Karp,

1971)

DUFRESNE

TURCOTTE,

1997)

SILPA

• Teoria da aprendizagem

intencional

• Construtores de

orientação da

aprendizagem

• Orientado a

transformação

• Orientado a

desempenho

• Orientado ao

conformismo

• Resistente

Previamente e de

forma explícita

(questionário)

(MARTINEZ

BUNDERSON,

2000)

Curso de

HTML

• Estilo cognitivo baseado

na dependência de área

• Estilo de aprendizagem:

holista e serialista

• IA – Holista

• IA – Serialista

• DA – Holista

• DA - Serialista

Previamente e de

forma explícita

(questionário)

(FORD &

CHEN, 2000)

Operating

Systems

Basics

Tutorial

No construto de auto-

regulação do aluno

• Altamente auto-

regulado

• Medianamente

auto-regulado

• Pouco auto-

regulado

Previamente e de

forma explícita

(questionário)

(MACMANUS,

2000)

3 REFERENCIAL TEÓRICO SOB O PONTO DE VISTA

COMPUTACIONAL

O objetivo de modelar computacionalmente o Estilo Cognitivo de Aprendizagem do

aluno baseado na sua Trajetória de Aprendizagem em um ambiente de ensino e

aprendizagem adaptativo na Web nos levou a busca de um aporte computacional,

teórico e metodológico, na área da Inteligência Artificial, em diferentes subáreas de

aplicação, quais sejam: Sistemas Tutores Inteligentes (STI), Sistemas Adaptativos de

Aprendizagem na Web, Aprendizado de Máquina (AM) indutivo por exemplos e

Descoberta de Conhecimento em Bases de Dados (KDD

). O estudo realizado nestas

subáreas da IA enfocou os aspectos relacionados, especialmente, com a modelagem de

características do usuário e/ou aluno e com a modelagem dos padrões de navegação na

Web.

Este Capítulo apresenta uma revisão sucinta sobre os fundamentos computacionais,

relacionados às subáreas da IA acima mencionadas, bem como apresenta uma

justificativa e o contexto para a sua utilização, em cada uma delas.

3.1 Sistemas Tutores Inteligentes

Os Sistemas Tutores Inteligentes (STIs) são sistemas instrucionais, baseados em

computador, que se caracterizam, especialmente, pelo seu conhecimento sobre o

domínio sendo ensinado e pelo seu conhecimento sobre o conhecimento do aluno nesse

domínio.

Os STIs tiveram a sua origem dentro da ciência da computação, mais

especificamente, dentro da área da inteligência artificial (IA). Estes sistemas surgiram

no final dos anos 70, inspirados nos sistemas educacionais da época, ou seja, os então

chamados sistemas CAI (na língua inglesa, Computer Aided Instruction ou Instrução

Assistida por Computador). Os sistemas educacionais do tipo CAI tinham como

característica induzir o aprendiz a uma resposta correta mediante uma série de estímulos

cuidadosamente planejados (tutor decide o que, quando e como ensinar). Por outro lado,

os STIs (ou ICAI – Intelligent CAI) surgiram com a abordagem de simular alguma das

capacidades cognitivas do aluno e utilizar estes resultados como base nas decisões

pedagógicas a serem tomadas pelo sistema (aluno compartilha com o tutor sobre os seus

objetivos de aprendizagem, dificuldades, etc.).

A inteligência dos STIs baseia-se em três diferentes tipos de conhecimento (BURNS

& CAPPS, 1988): (i) conhecimento que o sistema tem sobre os conteúdos a serem

ensinados (conhecimento especialista); (ii) conhecimento que o sistema tem sobre o

Knowledge Discovery from Databases. A sigla em inglês é utilizada neste trabalho por ser amplamente

difundida na literatura.

conhecimento do aluno sobre esses conteúdos (conhecimento sobre o modelo do

aprendiz); e (iii) conhecimento que o sistema tem sobre a pedagogia das estratégias de

ensino, com o objetivo de adequar a instrução às necessidades atuais de aprendizagem

do aprendiz (conhecimento pedagógico). A Figura 3.1 ilustra como as diferentes bases

de conhecimento podem interagir em um STI.

Especialista

Tutor

Modelo do

Aluno

Ambiente

Interface

Aluno

Mundo Real

Avaliação

Especialista

Tutor

Modelo do

Aluno

Ambiente

Interface

Aluno

Especialista

Tutor

Modelo do

Aluno

Ambiente

Interface

Aluno

Mundo Real

Avaliação

Figura 3.1: Arquitetura tradicional de um STI (BURNS & CAPPS, 1988)

O módulo especialista contém o conhecimento do domínio sendo ensinado. O

modelo do aluno integra ao processo de diagnóstico à estrutura de dados que representa

o estado atual de conhecimento do aluno sobre o domínio. O módulo tutor identifica as

deficiências de conhecimento do aluno e seleciona uma estratégia para apresentar a ele.

O ambiente e a interface canalizam a comunicação entre o aluno e o tutor.

Hoje em dia, considerando que o termo “Tutor” está muito ligado à idéia de ensino

tradicional diretivo (BERCHT, 2001) e, considerando que os objetivos educacionais

pretendidos não passam por esta abordagem, adotamos o termo “Ambiente Inteligente

de Ensino e Aprendizagem” em nosso trabalho. Um Ambiente Inteligente de Ensino e

Aprendizagem (AIEA) corresponde a um conjunto de ferramentas de software,

intencionalmente desenvolvidas para uso em situações de ensino e aprendizagem, e que

utilizam técnicas de IA com o objetivo de adaptar as estratégias de ensino às demandas

psicopedagógicas do aprendiz remoto. Uma vez que a evolução dos sistemas

inteligentes de ensino passa obrigatoriamente pelos STIs, parte da bibliografia

consultada neste trabalho faz referencia aos Sistemas Tutores Inteligentes.

Considerando que esta tese enfoca as questões relacionadas à modelagem do aluno,

faz-se necessário à compreensão da terminologia utilizada neste contexto. Segundo

(VANLEHN, 1988), uma das importantes tarefas de um STI consiste em inferir o estado

atual de conhecimento do aprendiz sobre o assunto que ele está estudando e então, a

partir desta informação, adaptar a instrução às necessidades cognitivas particulares do

aluno naquele momento. O componente que representa o estado atual de conhecimento

do aluno denomina-se modelo do aluno e o processo de inferência propriamente dito

denomina-se diagnóstico. Estes componentes, que devem ser projetados em conjunto,

compõem o que se denomina modelagem do aluno.

O resultado do diagnóstico cognitivo normalmente é utilizado para uma variedade de

propósitos, tais como:

• Possibilitar que o tutor conduza o aluno a um novo tópico do programa da

disciplina quando ele estiver habilitado para isto;

• Possibilitar que o tutor dê assistência ao aluno, em algum momento de

dificuldade, e de forma não solicitada;

• Possibilitar que o tutor gere novos problemas para o aluno resolver, de forma

dinâmica, ao invés de seguir uma lista pré-definida;

• Possibilitar que o tutor apresente alguma explicação sobre novos conceitos,

utilizando apenas aqueles conceitos (ou terminologia) que o aluno é capaz de

compreender naquele momento.

O principal objetivo do diagnóstico cognitivo, ou diagnóstico do estilo cognitivo de

aprendizagem do aluno remoto, consiste em possibilitar ao tutor a condução da

estratégia pedagógica ajustada à habilidade cognitiva que este aluno demonstra possuir,

num dado instante.

Neste trabalho optamos por utilizar o termo “diagnóstico cognitivo” ao invés de

simplesmente “diagnóstico”, uma vez que o nosso foco não está relacionado com o

conhecimento que o aluno tem do conteúdo, mas com suas habilidades cognitivas

individuais para experienciar um processo de aprendizagem em um ambiente

educacional na Internet.

Tradicionalmente, no contexto de um STI, a modelagem do aluno esteve muito

direcionada à modelagem do nível de conhecimento do aluno sobre o domínio do curso

sendo ensinado e das questões relacionadas à modelagem do conhecimento especialista.

No final da década de 80, Kurt VanLehn (VANLEHN, 1988) avaliou o problema da

modelagem do aluno sob três diferentes dimensões: (i) escopo do conhecimento

disponível sobre o aluno (i.é, estados mentais, estados intermediários e estado final); (ii)

tipos de conhecimento (i.é, procedimental e declarativo); e (iii) a avaliação das

diferenças entre o especialista e o aluno (i.é, modelo de overlay, biblioteca de erros,

etc.).

O enfoque deste trabalho não está voltado à modelagem do nível de conhecimento

do aluno enquanto ele resolve um problema, e sim à modelagem de suas habilidades

cognitivas superiores, conforme a Taxonomia de Bloom. No contexto do Projeto

Tapejara, e conseqüentemente desta tese, o desempenho nas habilidades cognitivas e

nos processos cognitivos subjacentes, avaliados no Teste Ross, determinou as classes

(ou dimensões) de Estilo Cognitivo de Aprendizagem (ECA) utilizadas neste trabalho.

A modelagem do ECA do aluno consiste na principal contribuição desta tese. Ao

invés de somente modelar o seu nível de conhecimento, nossa abordagem propõe que o

ECA do aluno seja integrado ao modelo do aluno. Com isto, pretende-se ampliar a

capacidade do AIEA para assistir o processo de aprendizagem do aluno remoto,

auxiliando-o no desenvolvimento de suas habilidades cognitivas relacionadas aos

conteúdos sendo estudados.

O conhecimento sobre o estágio de desenvolvimento cognitivo do aluno emerge a

partir da observação e análise da sua Trajetória de Aprendizagem (TA) pelas páginas

Web do curso. O pressuposto básico é de que uma TA representa, de forma implícita, as

ações cognitivas sendo realizadas pelo aluno remoto. Entretanto, a grande questão é:

“como descobrir os padrões de TA, típico de cada uma das classes de ECA

consideradas?”.

3.2 Sistemas Adaptativos de Aprendizagem na Web

Um Sistema Hipermídia Adaptativo (SHA) foi definido como “qualquer sistema de

hipertexto ou hipermídia, que reflete algumas características do usuário no modelo de

usuário, e que aplica este modelo para adaptar os diversos aspectos visíveis do sistema

ao usuário” (BRUSILOVSKY, 1995). Portanto, uma das questões centrais desses

sistemas diz respeito à modelagem do usuário. O modelo do usuário contém todas as

informações que o sistema conhece sobre o usuário para realizar a adaptação.

Nosso principal interesse nos sistemas SHA refere-se aos diversos estudos

realizados nesta área, especialmente aqueles relacionados com a modelagem do usuário.

De acordo com a revisão bibliográfica apresentada por (BRUSILOVSKY, 1995), em

meados dos anos 90, as principais características do usuário que eram levadas em

consideração como fonte de adaptação pelos sistemas SHA eram: (i) objetivo do

usuário, (ii) conhecimento, (iii) experiências prévias, (iv) experiência no hiperespaço e

(v) preferências.

Em um ambiente de ensino e aprendizagem, essas características podem ser

interpretadas como: (i) objetivo de aprendizagem do aluno, o qual se modifica

freqüentemente de sessão para sessão, ou até mesmo, dentro de uma mesma sessão; (ii)

conhecimento, na maior parte das vezes representado através de um modelo de overlay

(baseado no modelo estrutural do domínio sendo estudado); (iii) experiência prévia do

aluno, fora do assunto, mas que é relevante o suficiente para ser considerada (profissão,

experiência no trabalho em áreas relacionadas, etc.); (iv) experiência com o

hiperespaço, no sentido de quão fácil o aluno consegue navegar e tem familiaridade com

a interface, etc.; e, por último, (v) preferências, no sentido de que o aluno pode preferir

alguns nós e links entre tantos e pode preferir partes de uma página, entre outras.

Hoje em dia, considerando o crescente investimento em aplicações na Web,

especialmente as aplicações do tipo e-learning (aprendizagem eletrônica) ou os

Sistemas Adaptativos de Ensino e Aprendizagem na Web, nos deparamos com novas

questões em relação à modelagem do aluno. Kobsa et al. apud Gaudioso & Boticario

(2002), sugerem que se faça a distinção entre: (i) dados do aluno; (ii) dados de uso do

ambiente educacional; e (iii) dados do ambiente. Os dados do aluno compreendem as

suas diversas características, representadas no modelo do aluno. Os dados de uso do

ambiente educacional compreendem aos dados referentes às interações do aluno com

esse ambiente. Finalmente, os dados do ambiente compreendem aqueles dados que não

estão relacionados com o aluno, e sim com o ambiente propriamente dito.

Dados do Aluno

Em relação aos dados do aluno, hoje em dia observa-se uma forte tendência em

relação à modelagem de características individuais do aluno (i.é, personalidade, estilos

de aprendizagem, estilo cognitivo, fatores emocionais, etc.), no sentido de que essas

características sejam modeladas de forma complementar àquelas características

mencionadas por Brusilovsky. Essa nova tendência pode ser observada através dos

trabalhos de: D’Amico (1999), que modelou aspectos de personalidade, Soldato (1995)

e Bercht (2001), que modelaram fatores emocionais, Reed & Oughton (1997), que

modelaram aspectos relacionados a gênero, Martinez & Bunderson (2000), que

investigaram diferentes orientações de aprendizagem, Riding & Cheema (1998), Felder

& Silverman (1988), Ford & Chen (2000) e Kelly & Tangney (2002), que investigaram

aspectos relacionados aos estilos de aprendizagem e estilos cognitivos.

Dados de Uso do Ambiente Educacional

Em relação aos dados de uso do ambiente educacional (na língua inglesa

referenciado como “Web usage”), o enfoque está voltado à modelagem dos padrões de

comportamento na Web. De acordo com Zaïane (2001), na área do comércio eletrônico

(e-commerce), um esforço significativo de pesquisas tem sido feito com o objetivo de

vislumbrar métodos que considerem os acessos dos clientes a sites comerciais e seus

respectivos comportamentos durante um processo de compra, visando melhorar a

satisfação desses clientes através de recomendações inteligentes, visando sempre o

aumento das vendas e o lucro.

Entretanto, Zaïane chama a atenção para o fato de que, na área de e-learning, muitos

estudos ainda se fazem necessários, especialmente aqueles relacionados com a

descoberta de padrões de comportamento do aluno nesses ambientes. A exemplo dos

trabalhos desenvolvidos na área do e-commerce, encontramos na literatura uma forte

tendência das pesquisas na área de sistemas educacionais na Web, no sentido de

descobrir padrões de acesso dos alunos ao material pedagógico e de compreender o seu

comportamento na Web. Os resultados dessas investigações são fundamentais para o

desenvolvimento de sistemas educacionais adaptativos, que de forma automática

possam analisar e compreender o comportamento cognitivo do aluno remoto e, a partir

daí, possam fornecer assistência pedagógica ajustada às suas demandas de

aprendizagem, tornando o processo de aprendizagem mais efetivo e eficaz.

As investigações referentes à descoberta de padrões de navegação na Web passam

pelo estudo das seqüências de páginas visitadas pelo usuário em uma sessão na Web.

Grande parte dos trabalhos encontrados na literatura nessa área adota uma abordagem

indutiva na obtenção desses padrões, assim como fazem uso intensivo de técnicas de

Mineração de Dados, conforme apresentamos na seqüência deste Capítulo. Por

exemplo, Cooley et al. (1997) apresentaram cinco diferentes técnicas voltadas à

mineração de padrões de acesso em transações Web: (i) análise de caminhos; (ii) regras

de associação; (iv) padrões seqüenciais; (v) regras de classificação; e (v) análise de

clusters.

A análise de caminhos é realizada por diferentes tipos de grafos, os quais passam a

representar alguma relação entre as páginas Web visitadas pelo usuário. O grafo mais

óbvio corresponde ao leiaute físico de um site na Web, onde as páginas correspondem

aos nós e as arestas correspondem aos links entre essas páginas. A maioria dos trabalhos

busca determinar com que freqüência um padrão foi percorrido.

A técnica de descoberta de padrões através do uso de regras de associação

normalmente é aplicada em transações de Banco de Dados (BD). Neste caso, o

problema envolve a descoberta de associações e correlações entre referências a vários

arquivos disponíveis no servidor por um dado cliente. Cada transação é composta por

um conjunto de URLs visitadas por um cliente durante o seu acesso ao site. Por

exemplo, a partir do uso de regras de associação é possível encontrar correlações do

tipo: “40% dos clientes que visitaram a URL: .../companhia/product1 também visitaram

.../companhia/product2”.

O problema da descoberta de padrões seqüenciais é encontrar padrões entre

transações tal que, a presença de um conjunto de itens é seguida por outros,

considerando a ordenação temporal das transações. A descoberta de padrões

seqüenciais a partir do acesso ao arquivo de log de um servidor Web permite às

aplicações na Web predizerem o padrão das visitas dos clientes e, conseqüentemente,

permitem um melhor direcionamento de propagandas comerciais a estes clientes. Por

exemplo, analisando estas informações, o sistema de mineração Web poderia determinar

o relacionamento temporal entre itens de dados tais como: “... 60% dos clientes que

compraram a partir da URL .../companhia/product1, também compraram a partir da

URL .../companhia/product4, em um período de 15 dias”.

A descoberta de regras de classificação permite o desenvolvimento de um perfil de

itens de dados pertencentes a um grupo particular de acordo com seus atributos comuns.

Esse perfil pode ser usado para classificar novos itens de dados que serão adicionados

ao BD. No contexto da mineração de comportamento na Web, a técnica de classificação

permite o desenvolvimento de perfis de clientes que visitam um determinado servidor

de arquivos, com base em informações demográficas, disponíveis para esses clientes, ou

baseada em seus padrões de acesso. Por exemplo, a classificação sobre o log dos

acessos pode levar a descoberta de relacionamentos tais como: “... 50% dos clientes que

compraram a partir da URL ../companhia/product2 tinham idade entre 20 a 25 anos e

moravam no nordeste”.

Finalmente, a análise de cluster permite o agrupamento de clientes ou itens de dados

que têm características similares. Esta técnica pode facilitar o desenvolvimento e

execução de futuras estratégias de marketing.

O desenvolvimento e a utilização dessas técnicas de mineração de padrões de

comportamento na Web (na língua inglesa Web Usage Mining) constituem-se, hoje em

dia, o grande foco de interesse das aplicações na Web. Embora ainda pouco

desenvolvida, soluções como essas têm sido encontradas na literatura atual em relação

aos sistemas de Ensino e Aprendizagem na Web. Para exemplificar, citamos alguns

trabalhos recentes encontrados na literatura: Stern & Woolf (2000), Levene (2003),

Cooley & Mobasher & Sprivastava (1999), Spiliopoulou (1999), entre outros.

Alinhados com a atual tendência dos sistemas adaptativos de ensino e aprendizagem,

nesta tese enfocamos a modelagem do Estilo Cognitivo de Aprendizagem do aluno

através do seu comportamento de aprendizagem na Web (Trajetória de Aprendizagem).

Para a obtenção do conhecimento a respeito das trajetórias de aprendizagem padrões, de

cada uma das classes de estilo cognitivo consideradas, adotamos uma abordagem quase-

experimental e indutiva, baseada em uma análise estatística-exploratória para a

identificação dos perfis dos itens de dados e seus atributos, que melhor classificassem o

estilo cognitivo do aluno remoto.

3.3 Aprendizado de Máquina

No domínio de um STI (ou de um Sistema Especialista), o conhecimento necessário

para representar as classes de ECA e seus atributos, bem como o conhecimento

inferencial necessário para realizar o diagnóstico cognitivo do aluno podem ser obtidos

de duas maneiras: (i) pelo projetista do sistema ou; (ii) por um agente artificial que

aprende a partir da experiência. No primeiro caso, a aquisição do conhecimento é

realizada tendo como referência o conhecimento de um especialista no domínio sendo

considerado, o que teoricamente pressupõe uma área de conhecimento já estabelecida.

Em relação ao segundo caso, Russel & Norvig (1995) comentam: “sempre que o

projetista dispuser de um conhecimento incompleto sobre o domínio sendo considerado,

a ‘aprendizagem de máquina’ é a única maneira de um agente artificial adquirir o

conhecimento que ele necessita para tomar suas decisões...”.

Considerando que a priori não dispúnhamos do conhecimento sobre as TAs padrão

dos ECAs considerados, necessário a sua modelagem computacional, buscamos apoio

na subárea de Aprendizagem de Máquina (AM). A AM é uma importante subárea de

pesquisa em Inteligência Artificial (IA), na qual são estudados diversos métodos

computacionais com o objetivo de adquirir novos conhecimentos, novas habilidades e

novos meios de organizar o conhecimento já existente (MITCHELL apud BATISTA,

2003).

Carbonel (1990) identifica quatro paradigmas principais de AM e diversos sub-

paradigmas sendo investigados: Aprendizagem Indutiva (i.é, aquisição de conceitos a

partir de um conjunto de exemplos positivos e negativos); Aprendizagem Analítica (i.é,

aprendizagem baseada em explicação e em alguns métodos de aprendizagem analógica

e baseada em casos); Algoritmos Genéticos (i.é, sistemas classificadores) e Métodos de

Aprendizagem Conexionista (i.é, redes neurais). Segundo este autor, estes paradigmas

emergiram a partir de diferentes raízes científicas, desenvolveram métodos

computacionais diferentes e freqüentemente baseiam-se em diferentes formas de

avaliação do seu sucesso. Entretanto, estes paradigmas compartilham do objetivo

comum de construir máquinas que aprendem de modo significativo para uma variedade

de tarefas de um domínio. Em todas as abordagens, a aprendizagem pode ser

operacionalmente compreendida como a habilidade para executar novas tarefas que não

podiam ser executadas antes, ou executar tarefas já executadas antes, mas que passam a

executar melhor (i.é, mais rápido, com maior precisão, etc.), como resultado das

modificações produzidas pelo processo de aprendizagem.

O aprendizado indutivo é um dos mais úteis, pois permite a obtenção de novos

conhecimentos a partir de exemplos particulares, previamente observados (BATISTA,

2003). Entretanto, é um dos mais desafiadores, pois o conhecimento gerado ultrapassa

os limites das premissas, e não existem garantias de que esse conhecimento seja

verdadeiro.

3.4 Aprendizado de Máquina Indutivo por Exemplos

O aprendizado indutivo por exemplos é o processo de inferência indutiva realizada

sobre exemplos observados, os quais são fornecidos ao aprendiz por um professor ou

oráculo. Em AM, o aprendiz é um sistema computacional, freqüentemente denotado por

sistema de aprendizado, algoritmo de aprendizado, ou simplesmente indutor.

O aprendizado indutivo por exemplos pode ser dividido em aprendizado

supervisionado e não supervisionado (MONARD & BARANAUSKAS apud

BATISTA, 2003), descritos a seguir.

Aprendizado Supervisionado

No aprendizado supervisionado é fornecido ao sistema de aprendizado um conjunto

de exemplos E = {E

, E

, ... E

}, sendo que cada exemplo E

∈ E possui um rótulo

associado. Esse rótulo define a classe a qual o exemplo pertence. Formalmente,

pode-se dizer que cada exemplo E

∈ E é uma tupla

),(

iii

yxE

= (3.1)

na qual

é um vetor de valores que representam as características, ou atributos, do

exemplo Ei, e yi é o valor da classe desse exemplo. O objetivo do aprendizado

supervisionado é induzir um mapeamento geral dos vetores

para y. Portanto, o

sistema de aprendizado deve construir um modelo do tipo

)

(

, de uma função

desconhecida, f, que permite predizer valores y para exemplos previamente não

vistos.

Entretanto, o número de exemplos utilizados para a criação do modelo não é, na

maioria dos casos, suficiente para caracterizar completamente essa função f. Assim

sendo, os sistemas de aprendizado são capazes de induzir uma função h que

aproxima f, ou seja,

)

(

)

(

≈

. Nesse caso, h é chamada de hipótese sobre a

função conceito f.

Aprendizado Não Supervisionado

No aprendizado não supervisionado é fornecido ao sistema de aprendizado um

conjunto de exemplos E, no qual cada exemplo consiste somente de vetores

, não

incluindo a informação sobre a classe y. O objetivo no aprendizado não

supervisionado é construir um modelo que procura por regularidades nos exemplos,

formando agrupamentos ou clusters de exemplos com características similares.

Nomenclatura

Um conjunto de exemplos ou conjunto de dados

},...,{

21 N

EEEE =

é um conjunto

de vetores

,...

, com ou sem a classe associada y. A Tabela 3.1 mostra a forma

geral de um conjunto de exemplos E com N exemplos e M atributos. Essa tabela

está no formato atributo-valor (também denominada tabela flat), a qual é utilizado

como entrada pela maioria dos algoritmos de aprendizado.

Tabela 3.1: Tabela atributo-valor

... A

... x

... ... ... ... ... ...

... X

O atributo Y é normalmente chamado de atributo-classe e, conforme visto

anteriormente, somente está presente em conjuntos de dados para aprendizado

supervisionado. Neste tipo de aprendizado, o atributo classe pode ser um atributo

qualitativo que assume um conjunto de valores discretos },...,{

21 Ncl

CCCC = ou um

atributo quantitativo que assume um conjunto de valores reais. No primeiro caso, a

hipótese h é denominada classificador, e a tarefa de aprendizado é denotada

classificação. No segundo caso, a hipótese h é denominada de regressor, e a tarefa de

aprendizado é denotada regressão.

O foco deste trabalho é o aprendizado supervisionado por classificação. Os

exemplos disponíveis contêm uma entrada para cada aluno que participou do

experimento, conforme é apresentado no Capítulo 4. O atributo-classe corresponde ao

ECA do aluno; os demais atributos correspondem aos indicadores de sua TA durante a

execução do módulo de ensino experimental.

3.5 Aprendizado Supervisionado e Classificação

Segundo Henery (1994), os métodos de classificação comumente praticados e

estudados podem ser agrupados sob três diferentes abordagens: (i) abordagem

estatística; (ii) aprendizado de máquina e (iii) redes neurais. A seguir, apresentamos

uma breve discussão sobre cada uma delas.

Abordagem Estatística

A abordagem estatística caracteriza-se por prover um modelo básico explícito de

probabilidades, ou seja, o modelo estatístico fornece a probabilidade de uma

determinada instância ser de uma classe, ao invés de simplesmente realizar uma

classificação determinística. Além disso, é assumido que as técnicas estatísticas serão

manipuladas por estatísticos, de modo que alguma intervenção humana é necessária em

relação à seleção de variáveis e transformação, assim como toda a estruturação do

problema.

A comunidade estatística identifica duas fases investigatórias sobre classificação. A

primeira fase, ou a fase “clássica” concentra-se em derivações do trabalho de Fisher

sobre discriminação linear. A Segunda fase, ou a fase “moderna” explora modelos de

classes mais flexíveis, muitos dos quais tentam prover uma estimativa da distribuição

conjunta, utilizando como referência as características de cada classe as quais, por sua

vez, podem prover uma regra de classificação.

Entre os métodos estatísticos clássicos, Mitchell (1994) cita: Discriminante Linear,

Discriminante Quadrático, Discriminante Logístico, Regra de Bayes. Entre as técnicas

estatísticas modernas, Molina et al. (1994) citam: Estimativa de Densidade, K-Vizinhos

Mais Próximos, Classificador por Caça e Projeção, Classificador Bayesiano Ingênuo,

Redes Causais, etc. Em relação aos métodos estatísticos clássicos citados, os três

primeiros baseiam-se na probabilidade máxima. A Regra de Bayes trabalha com

diferentes probabilidades a priori e com diferentes custos de erro. Os métodos

modernos enfocam abordagens não paramétricas.

Aprendizado de Máquina

Diferentemente da abordagem estatística, em AM o enfoque recai sobre

procedimentos computacionais automatizados, baseados em operações lógicas ou

binárias, que aprendem um conceito a partir de uma série de exemplos. Dentro desta

abordagem, especial atenção é dada às árvores de decisão, na qual o resultado de uma

classificação emerge a partir de uma seqüência de passos lógicos. Esta abordagem é

capaz de resolver o problema mais complexo dado uma quantidade de dados suficiente.

Ainda dentro da abordagem AM, outras técnicas têm sido desenvolvidas, incluindo os

algoritmos genéticos e procedimentos da lógica indutiva. Segundo Henery (1994), estas

técnicas, em princípio, nos permitem trabalhar com tipos de dados mais genéricos,

incluindo casos onde o número e tipos de atributos podem variar e onde níveis

adicionais de aprendizagem são impostos, com uma estrutura hierárquica de atributos e

classes e assim por diante.

Em AM, a meta é gerar expressões de classificação simples o suficiente para serem

compreendidas por agentes humanos. Estas expressões devem imitar o raciocínio

humano para prover a compreensão do processo decisório. Como na abordagem

estatística, o conhecimento básico deve ser explorado no desenvolvimento, mas a

operação do processo deve ocorrer sem a intervenção dos agentes humanos.

Redes Neurais

Tecnicamente, uma Rede Neural (RN) consiste de níveis de nós interconectados,

onde cada nó reproduz uma função não-linear a partir de suas entradas. As entradas de

um nó podem vir de outros nós ou diretamente dos dados de entrada. Alguns nós são

identificados como saída da rede. A rede completa representa um conjunto bastante

complexo de interdependências, as quais podem incorporar qualquer grau de não-

linearidade, permitindo que sejam modeladas muitas funções gerais.

As RNs têm sido consideradas como um espelho, guardadas as devidas proporções,

do comportamento da rede de neurônios do cérebro humano. Esta abordagem combina a

complexidade de algumas técnicas estatística com a meta em AM, ou seja, imitar a

inteligência humana.

3.6 Descoberta de Conhecimento em Bases de Dados

Hoje em dia, uma nova área de pesquisa conhecida como Descoberta de

Conhecimento em Bases de Dados – KDD - tem despertado o interesse da comunidade

que investiga a utilização de novas técnicas e ferramentas computacionais, que têm

como objetivo automatizar a análise inteligente de dados em grandes bases de dados e a

geração de informações úteis aos seus usuários. Segundo Fayyad & Piatetsky-Shapiro &

Smyth (1996), a descoberta de conhecimento em bases de dados corresponde a um

“processo não-trivial de identificação de padrões de dados válidos, novos,

potencialmente úteis e, principalmente, compreensíveis pelo usuário final”.

KDD é uma área de pesquisa multidisciplinar que envolve outras áreas de pesquisa

como Inteligência Artificial, Banco de Dados, Estatística e Visualização Gráfica

(PIATETSKY & SHAPIRO apud BATISTA, 2003). Cada uma destas áreas contribui

com métodos e ferramentas para a consolidação de KDD.

No contexto desta tese, o principal interesse em KDD está no aporte teórico-

metodológico disponível nesta área, para descrever as diversas etapas do trabalho

desenvolvido durante um processo de descoberta de conhecimento, por indução através

de exemplos. Especificamente, o principal foco está voltado à descoberta das TAs

padrões, típicas de cada uma das classes de ECA estudadas. Neste caso, conforme a

definição de Fayyad & Piatetsky-Shapiro & Smyth (1996), os dados correspondem às

TAs realizadas pelos alunos durante o experimento realizado e apresentado nos

Capítulos 5 e 6. As TAs são representadas através de um conjunto de variáveis,

indicadoras do comportamento de aprendizagem do aluno na Web. Estas variáveis, por

sua vez, são compiladas a partir do arquivo de log, ou diário de navegação, durante uma

seção de aprendizagem do aluno.

Os padrões mencionados por Fayyad & Piatetsky-Shapiro & Smyth (1996),

correspondem a uma expressão, em alguma linguagem, que irá descrever a TA típica de

cada uma das classes de ECA consideradas. Extrair um padrão a partir dos dados

corresponde à geração de uma descrição, alto-nível, das TAs típicas de cada Estilo

Cognitivo de Aprendizagem.

Na definição de Fayyad & Piatetsky-Shapiro & Smyth (1996), o termo processo

implica dizer que a descoberta de conhecimento compreende diversas etapas, as quais

envolvem: preparação de dados, busca de padrões (mineração de dados), avaliação do

conhecimento adquirido e refinamento, todas elas envolvendo repetidas iterações. O

termo não-trivial significa que alguma busca ou inferência está envolvida, ou seja, não

corresponde a uma computação direta de quantidades pré-definidas como, por exemplo,

calcular um valor médio a partir de um conjunto de números.

Segundo Fayyad & Piatetsky-Shapiro & Smyth (1996), o processo de descoberta de

conhecimento é orientado de acordo com o seu objetivo, estabelecido no primeiro passo.

Existem dois tipos de objetivo: verificação e descoberta. Quando o objetivo é

verificação, o sistema de Mineração de Dados (MD) que realiza a busca de padrões

propriamente dita, limita-se a verificar as hipóteses do usuário. Quando o objetivo é

descoberta, o sistema MD autonomamente encontra novos padrões. A descoberta ainda

pode ser subdividida em: predição e descrição. No caso de predição, o sistema MD

tenta encontrar padrões para predizer comportamentos futuros dos dados. No caso de

descrição, o sistema MD tenta encontrar padrões para apresentar ao usuário uma forma

compreensível do comportamento dos dados. Neste estudo, o objetivo é a descoberta

das TAs padrão das classes de ECA consideradas.

Fayyad & Piatetsky-Shapiro & Smyth (1996), enumeraram algumas etapas básicas,

a serem desenvolvidas durante um processo de descoberta de conhecimento, quais

sejam: 1) Identificação e entendimento do problema; 2) Identificação e coleta de dados

relevantes; 3) Limpeza e transformação de dados; 4) Pré-processamento de dados; 5)

Redução de atributos; 6) Análise exploratória dos dados e formulação de hipóteses; 7)

Mineração de dados (MD); 8) Avaliação e interpretação de resultados; 9) Consolidação

do conhecimento descoberto.

A seguir, passamos a descrever, de forma sucinta, as diversas etapas de um processo

KDD.

Identificação e Entendimento do Problema

A primeira fase do processo de descoberta de conhecimento implica em

compreender o domínio da aplicação e identificar o conhecimento prévio relevante,

assim como implica na identificação dos objetivos do processo KDD, ou seja, entre as

necessidades do usuário, o que pode ser resolvido através da utilização de algum

método de Mineração de Dados (MD). De um modo geral, os principais métodos de

MD são: classificação, regressão, segmentação, sumarização e detecção de desvio

(Fayyad & Piatetsky-Shapiro & Smyth, 1996), conforme é descrito a seguir.

Em um processo de aprendizagem presencial, o professor presta assistência

pedagógica aos seus alunos a partir da observação e da avaliação que ele faz a respeito

das interações entre: o professor e o aluno, entre o aluno e o material pedagógico e entre

aluno-aluno. Neste estudo a questão é: considerando um ambiente EAD, como avaliar o

comportamento do aluno remoto, a partir da observação de suas interações com o

material pedagógico na Web? Em outras palavras, como automatizar, de forma

inteligente, o diagnóstico do estilo cognitivo do aluno remoto a partir da análise e

interpretação da sua trajetória de aprendizagem pelas páginas Web de um curso? No

contexto desta tese, o diagnóstico cognitivo do aluno remoto envolve uma atividade de

classificação.

Identificação e Coleta de Dados Relevantes

Uma vez que o problema foi identificado e entendido, é necessário identificar quais

atributos da base de dados serão utilizados na análise. Em um BD comercial, os

atributos considerados relevantes normalmente estão dispersos em tabelas distintas,

muitas vezes em um formato inapropriado para serem utilizados no processo KDD, e

sem uma documentação atualizada para consulta. Além disso, muitas vezes, os dados

precisam ser rotulados, caso seja necessário a aplicação de um método de classificação.

Em um Ambiente de Ensino e Aprendizagem na Web, esta etapa consiste em coletar

os dados a partir da principal fonte de informação que é o arquivo de log de navegação,

armazenado no servidor Web. Para cada acesso às páginas Web do curso pelo aluno

remoto, são registrados os seguintes atributos: a origem do acesso (endereço de IP), a

data e hora do acesso e o recurso solicitado (URL). Portanto, estes são os atributos

originais, a partir dos quais o conhecimento é construído.

Neste estudo, esta etapa foi simplificada uma vez que trabalhamos com um arquivo

de log dedicado, definido como uma Tabela na base de dados (BD) do ambiente de

ensino e aprendizagem. Da mesma forma, o ambiente de ensino e aprendizagem era

‘fechado’ e a informação sobre a URL também era armazenada em uma outra Tabela da

base de dados.

Limpeza e Transformação de Dados

Esta etapa, e a etapa seguinte, de pré-processamento de dados, são consideradas

críticas em um processo KDD, uma vez que consomem entre 80% a 95% do esforço e

dos recursos necessários para a realização da descoberta de conhecimento (ZAÏANE,

2001). Hoje em dia, existem diversas ferramentas para analisar um arquivo de log Web,

tais como: NetTracker, Analog, etc. De um modo geral, estas ferramentas fornecem uma

análise estatística limitada dos dados, especialmente no que diz respeito a sua

capacidade para auxiliar a compreensão de informações implícitas ou tendências ocultas

(ZAÏNE, 2001). Embora os dados registrados no log reflitam o uso real do aluno pelas

páginas Web do curso, eles não registram comportamento, relacionamentos entre seus

dados, enfim, não registram aqueles dados que necessitam do conhecimento inerente ao

modelo do ambiente de ensino e aprendizagem sendo representado nas páginas Web

consideradas.

Em um Ambiente de Ensino e Aprendizagem na Web, onde os dados relevantes

estão armazenados no arquivo de log de um servidor Web, esta etapa é muitas vezes

dificultada por dois grandes motivos (ZAÏANE, 2001): (i) como identificar um aluno,

de forma única, a partir do seu endereço de IP em uma sessão de estudo? (ii) como

identificar uma seção de aprendizagem de um aluno, uma vez que todos os registros dos

alunos que tiveram acesso ao site estão misturados neste arquivo, e a única ordenação

existente é a cronológica? Além disso, mesmo quando uma única página é solicitada

pelo aluno, existe a possibilidade de que sejam geradas no log diversas entradas. Nestes

casos, o acesso aos registros de um único aluno por uma ferramenta de mineração de

dados fica bastante dificultado.

Felizmente, em Ambientes Educacionais na Web, o problema é muitas vezes

simplificado, uma vez que o aluno não é anônimo, i.é, normalmente ele precisa se

identificar para ter acesso ao site educacional. Entretanto, identificar uma seção de

estudo não é uma tarefa trivial.

Em um processo KDD, a limpeza dos dados corresponde à eliminação daqueles

registros do log que são considerados irrelevantes para a análise do comportamento do

aluno. Por exemplo, neste estudo, os registros considerados irrelevantes corresponderam

a: acesso a menus, mensagens da aplicação para o aluno, falha de conexão e tempo de

permanência nulo em um recurso.

O principal objetivo da transformação de dados visa é justamente transformar a

representação dos dados a fim de superar quaisquer limitações existentes nos algoritmos

que serão empregados para a extração de padrões (mineração de dados). Algumas das

transformações mais comuns correspondem a: normalização de atributos, discretização

de atributos quantitativos, transformação de atributos qualitativos em quantitativos e

atributos de tipos de dado complexos. Neste estudo, recorremos a diferentes tipos de

transformações, em diferentes momentos do processo de descoberta de conhecimento,

conforme é apresentado no Capítulo 6.

Um exemplo típico de transformação diz respeito ao atributo complexo de data e

hora. Freqüentemente estes atributos são transformados em um outro atributo com a

mesma informação, mas com um tipo de dado que o algoritmo seja capaz de analisar.

Neste trabalho, por exemplo, o atributo hora foi transformado em um atributo que mede

o tempo de permanência em um dado recurso didático e forma de apresentação deste.

Pré-Processamento de Dados

A fase de pré-processamento tem como objetivo aprimorar a qualidade dos dados

coletados (BATISTA, 2003). Freqüentemente, os dados apresentam diversos problemas,

tais como: grande quantidade de valores desconhecidos, ruído (atributos com valores

incorretos), atributos de baixo valor preditivo, grande desproporção entre o número de

exemplos de cada classe, etc. Nesta etapa, além da preocupação com a possível presença

de atributos com baixo valor preditivo e com a grande desproporção entre o número de

exemplos de cada classe de ECA, nos debruçamos sobre a tarefa de construção de

atributos.

A construção de atributos é o processo de composição de atributos ditos primitivos

(pertencentes ao conjunto de dados original), produzindo-se novos atributos,

possivelmente relevantes para a descrição de um conceito (BATISTA, 2003).

Da forma como os dados se apresentavam no arquivo de log os tornavam

inadequados à tarefa de descoberta de conhecimento sobre as TAs das classes de ECAs

consideradas. Neste estudo, a construção de atributos foi orientada a partir da definição

do conjunto de variáveis (e suas métricas), indicadoras do funcionamento dos ECAs,

conforme é apresentado no Capítulo 4.

Redução de Atributos

Nesta fase, freqüentemente também é analisada a questão da dimensionalidade de

atributos, ou seja, o número efetivo de atributos a serem considerados como

discriminativos na classificação podem ser reduzidos. Segundo Batista (2003), a

princípio, a seleção dos atributos mais representativos pode aumentar a probabilidade

desses atributos serem incluídos no classificador induzido. Caso contrário, a análise

pode ser comprometida tratando atributos não representativos que não serão

incorporados no classificador pelo sistema de aprendizado.

Por exemplo, a existência de um atributo com informação similar (alta correlação)

com um dos atributos selecionados pode fazer com que o indutor decida não utilizar o

atributo selecionado no classificador induzido.

Batista comenta que encontrar os atributos mais representativos em um conjunto de

dados não é uma tarefa trivial. Em seu trabalho, foram utilizados os seguintes métodos:

filtro e wrapper. Um método filtro é um método de seleção de atributos que é aplicado

para selecionar os atributos antes que ocorra o processo de indução. O método wrapper

realiza uma busca por um subconjunto de atributos representativos por meio da adição e

remoção de atributos no conjunto de dados e da medição da taxa de erro do classificador

resultante.

Em nosso trabalho, dado a restrição imposta pelo número reduzido de exemplos a

serem fornecidos ao indutor, a realização desta etapa deve compor uma etapa dos

trabalhos futuros, previstos nesta tese.

Análise Exploratória dos Dados e Formulação de Hipóteses

Segundo Fayyad & Piatetsky-Shapiro & Smyth (1996), antes de selecionar algum

método para a busca de padrões nos dados, precisamos analisar que modelos e

parâmetros podem ser apropriados (p. ex., modelos voltados a dados categóricos são

diferentes dos modelos de vetores sobre valores reais). Além disso, é necessário

encontrar um método de MD que atenda os objetivos do processo KDD sendo

executado (p. ex., o usuário pode estar interessado ou na compreensão do modelo, ou na

sua capacidade de predição).

No atual estágio deste estudo, a compreensão do modelo é fundamental,

especialmente para que os psicólogos cognitivos e os educadores o interpretem e

auxiliem na avaliação e consolidação do conhecimento descoberto. Considerando que

não dispúnhamos de hipóteses a priori sobre as trajetórias de aprendizagem das classes

de ECA sendo modeladas, consumimos um grande esforço na realização desta etapa do

processo KDD, apresentada em detalhe no Capítulo 6.

Mineração de Dados

Os principais objetivos em MD, na prática, tende a ser: predição e descrição. A

predição envolve utilizar algumas variáveis ou campos da base de dados para predizer

valores desconhecidos ou futuros de outras variáveis de interesse. A descrição

preocupa-se em encontrar um padrão que explique, de forma compreensível, o

comportamento dos dados. Em um contexto KDD, a descrição tende a ser mais

importante que a predição (FAYYAD & PIATETSKY-SHAPIRO & SMYTH, 1996).

Em um processo KDD, o componente MD freqüentemente envolve a aplicação de

repetidas iterações de um método MD particular, visando encontrar um padrão que

represente o comportamento dos dados. Neste contexto, um padrão pode ser pensado

como uma instância de um modelo. Por exemplo, xxxf +=

3)( é um padrão,

enquanto que xxxf βα +=

)( é considerado um modelo.

Basicamente, existem dois formalismos matemáticos usados para representar o

modelo de conhecimento gerado nesta etapa: estatístico e lógico. A abordagem

estatística permite efeitos não-determinísticos; ao passo que a abordagem lógica é

puramente determinística. A abordagem estatística é a abordagem mais usada na prática,

especialmente pela presença da incerteza no processo de geração dos dados no mundo

real.

A fase de mineração de dados envolve decidir quais algoritmos serão aplicados aos

dados para procurar padrões (FAYYAD & PIATETSKY-SHAPIRO & SMYTH, 1996).

Nesta fase, pode-se utilizar algoritmos provenientes de diversas áreas de conhecimento,

tais como: Aprendizado de Máquina, Estatística, Redes Neurais e Banco de Dados. Esta

fase também inclui decidir quais modelos e parâmetros podem ser apropriados (i.é,

modelo para dados nominais são diferentes dos modelos sobre vetores com valores

reais), e que melhor atendem as necessidades do processo KDD (i.é, a prioridade pode

estar ou na compreensão do modelo, ou no seu poder preditivo).

Em um ambiente de aprendizagem na Web, é necessário resumir tendências e

padrões que possam ser interpretados pelos educadores que estão disponibilizando

cursos remotos (ZAÏANE, 2001). Hoje em dia, a maioria dos métodos de MD foi

desenvolvido para outras áreas, com objetivos diversos da área educacional. Mesmo

assim, esses métodos são gerais o suficiente, de modo que os Sistemas Educacionais

podem se beneficiar deles.

A seguir apresentamos uma breve descrição sobre os principais métodos usados em

MD.

• Classificação e regressão

A classificação corresponde a uma função de aprendizagem que mapeia (classifica)

um item de dado em uma das diversas classes pré-definidas. A regressão é uma função

de aprendizagem que mapeia um item de dado a uma variável preditiva com valor real.

Por exemplo, estimar a probabilidade de que um paciente morra dado o resultado de um

conjunto de exames.

• Clusterização

A clusterização corresponde a uma tarefa descritiva comum, onde se busca

identificar um conjunto finito de categorias ou clusters para descrever os dados. As

categorias podem ser mutuamente exclusivas e exaustivas ou consistir de uma

representação rica tal como uma hierarquia ou categorias sobrepostas.

• Sumarização

A sumarização envolve métodos para encontrar uma descrição compacta para um

subconjunto de dados. Um exemplo simples disto corresponde a tabulação da média e

desvio padrão de todos os atributos. Esta técnica freqüentemente é aplicada em análises

de dados exploratória e interativa e na geração automática de relatórios.

• Modelagem de dependências

A modelagem de dependência consiste em encontrar um modelo que descreva as

dependências significantes entre as variáveis. Existem dois níveis de dependência: nível

estrutural e nível quantitativo. O nível estrutural especifica, freqüentemente através de

um gráfico, quais atributos são localmente dependentes um do outro. O nível

quantitativo especifica a força da dependência através de alguma escala numérica. Um

exemplo típico são as Redes Bayesianas de crença.

• Mudança e detecção de desvios

A mudança e detecção de desvio enfocam a descoberta das modificações mais

significativas nos dados a partir de valores normativos ou previamente medidos.

Um algoritmo de MD possui três componentes básicos: (1) modelo de

representação; (2) modelo de avaliação; e (3) método de busca. O modelo de

representação é a linguagem usada para descrever os padrões encontrados. O modelo de

avaliação corresponde a uma afirmação quantitativa de quão bem um padrão particular

(modelo e seus parâmetros) se ajustam aos objetivos do processo KDD. Por exemplo,

um modelo preditivo freqüentemente é julgado pela precisão da predição empírica em

algum conjunto de teste. Um modelo descritivo pode ser avaliado através das dimensões

da precisão preditiva, novidade, utilidade e capacidade de compreensão do modelo.

O método de busca consiste de dois componentes: (1) busca de parâmetros; e (2)

busca do modelo. Na busca de parâmetros, o algoritmo de MD deve procurar por

aqueles parâmetros que otimizam o critério do modelo de avaliação nos dados

observados e um modelo fixo de representação. A busca do modelo ocorre como um

laço sobre o método de busca de parâmetro: a representação do modelo é modificada tal

que uma família de modelos é considerada.

Avaliação e interpretação de resultados

Esta fase é a fase da interpretação dos padrões minerados. É possível que, durante

esta etapa do processo de descoberta de conhecimento, seja necessário retornar a

alguma das etapas anteriores para, iterativamente, tentar melhorar o modelo obtido. Esta

fase também envolve a visualização dos padrões extraídos e dos modelos, ou a

visualização dos dados a partir dos quais os modelos foram extraídos.

Consolidação do conhecimento descoberto

Nesta fase o conhecimento extraído pode ser integrado ao sistema ao qual ele se

destina, ou simplesmente documentado e publicado as partes interessadas. Também

nesta fase do processo pode ser interessante verificar e resolver possíveis conflitos com

crenças anteriores sobre o conhecimento sob investigação.

3.7 Trabalhos Relacionados

Sob o enfoque dos Sistemas Tutores Inteligentes e dos Sistemas Hipermídia

Adaptativos, são poucos aqueles sistemas que implementam características individuais

do aluno tais como: estilo cognitivo e de aprendizagem. De acordo com o levantamento

realizado por Bajraktarevic & Hall & Fullick (2003), os sistemas SHA encontrados, que

adotaram essa abordagem foram: INSPIRE (GRIGORIADOU et al., 2001), CS388

(CARVER et al., 1996), RAPITS (WOODS & WARREN, 1996) e AEC-ES

(TRIANTAFILLOU et al., 2002).

Por exemplo, o sistema INSPIRE adotou a Teoria de Kolb, das experiências de

aprendizagem, que reconhece quatro diferentes estilos de aprendizagem: os ativistas, os

pragmáticos, aqueles com tendência à reflexão e os teoristas. O modelo do aluno é

composto de duas partes: informações gerais (idade, sexo) e nível de conhecimento

atual na unidade sendo estudada. As lições são divididas em níveis e são geradas

dinamicamente. Os seus autores usam técnicas de apresentação adaptativa, em

diferentes seqüências de apresentação. Os elementos dos estilos de aprendizagem

aparecem, ou não, dentro de uma lição. Técnicas de navegação adaptativa tais como

anotação de links na área navegacional do sistema é utilizada. O sistema RAPITS é um

sistema de ensino adaptativo que compara o modelo do aluno com o conhecimento do

domínio e que, automaticamente, pode modificar o estilo de apresentação ao aluno. O

permite que o aluno percorra as lições seqüencialmente ou que ele prossiga no curso

hipermídia de modo não linear. O sistema AEC-ES é um sistema educacional adaptativo

baseado no estilo cognitivo do aluno, através das dimensões dependência/independência

de área. Neste sistema são disponibilizadas ferramentas de suporte navegacional tais

como: mapas conceituais, caminhos gráficos, organizadores prévios, assim como são

utilizadas técnicas de apresentação adaptativa. Os alunos são contemplados com

estratégias instrucionais que melhor se ajustam ao seu estilo cognitivo preferencial, com

a opção de mudá-la.

Além dos sistemas acima mencionados, ainda citamos os protótipos EDUCE

(KELLY & TANGNEY, 2002) e I-Help (BULL et al., 2001). O tutor EDUCE incorpora

ao modelo do aluno duas características individuais: (i) tipo de inteligência, de acordo

com a classificação das Inteligências Múltiplas de Gardner; e (ii) objetivo de

aprendizagem, segundo a classificação de Bloom. Neste tutor, estas características do

aluno são inferidas a partir das interações deste com o sistema. O monitor das ações do

aluno observa, monitora e coordena todo o feedback dado pelo aluno na forma dos links

ativados, botões pressionados e textos digitado. O tutor EDUCE realiza a adaptação da

apresentação ao nível dos conteúdos e como suporte à navegação, ao nível de links. A

primeira forma inclui apresentações textuais, multimídia, etc., enquanto que o suporte à

navegação inclui guia direto e anotação de links. O desenvolvimento das habilidades

cognitivas é estimulado através das formas de apresentação dos conteúdos.

O Sistema de Ajuda Inteligente – I-Help – foi projetado visando a sua utilização em

um ambiente de ensino e aprendizagem. Nosso interesse neste trabalho refere-se à

utilização do estilo cognitivo do aluno como uma das fontes de informação para que o

sistema selecione o colega-ajudante apropriado. O sistema I-Help reconhece dois papéis

para os alunos cadastrados: o ajudante e o ajudado. O processo de seleção baseia-se nos

critérios definidos tanto pelo aluno que efetuará a ajuda, quanto por aquele que a

solicita. Por exemplo, como ajudante, cada aluno define suas características, tais como:

número máximo de ajudas simultâneas, assuntos de seu interesse, lista dos alunos que

ele se dispõe a ajudar, etc. Como ajudado, o aluno pode definir: a lista dos alunos que

ele gostaria que o ajudassem, a lista daqueles que conhecem bastante um determinado

conjunto de tópicos, a lista daqueles que tem afinidade com o seu estilo de pensar, etc.

Os estilos cognitivos considerados no I-Help são: holista-analítico e verbal-visual,

segundo a classificação de Riding e Cheema, citados por Bull et al. (2001). A

classificação do aluno segundo estes estilos é realizada a partir de um questionário

muito simplificado. Esta característica do aluno pode ou não ser relevante no momento

da seleção do colega que irá efetuar a ajuda. Isto irá depender dos critérios especificados

pelo aluno que recebe a ajuda, em relação aos que poderão ajudá-lo.

Entre os trabalhos que enfocaram o uso de técnicas de aprendizagem de máquina na

modelagem do aluno citamos: MANIC (STERN & WOOLF, 2000), CAPIT (MAYO &

MITROVIC, 2000) e CLARISSE (EÏMEUR et al., 2002). O sistema MANIC

(Multimedia Asynchronous Networked Individualized Courseware) modela duas

características do aluno para realizar a adaptação dos conteúdos: nível de dificuldade e o

estilo de aprendizagem de sua preferência. A primeira característica é identificada a

partir de um pré-teste e serve para o sistema identificar o quanto o aluno conhece sobre

o conteúdo a ser estudado. A outra é determinada através de um classificador Bayesiano

ingênuo (Naive Bayes Classifier) e serve para o sistema identificar o que o aluno quer,

levando em consideração como ele gosta de estudar. Os conteúdos pedagógicos são

desenvolvidos em diferentes versões para um mesmo conceito. Essas diferentes versões

possuem diferentes níveis de dificuldade e diferentes estilos de aprendizagem, de modo

que o sistema possa adaptá-los ao perfil do aluno.

O objetivo do sistema MANIC é ‘aprender’ sobre as preferências do aluno a partir

da observação de suas interações com o sistema. O classificador Bayesiano ingênuo

(CBI), que tem uma abordagem probabilística, pode ser interpretado como um caso

particular de uma Rede Bayesiana de probabilidades, usado para fazer classificação. No

caso particular, temos uma variável-classe e um conjunto de variáveis-atributo,

consideradas conseqüência da variável-classe. Um CBI envolve duas etapas de

aprendizagem. Na primeira delas, são calculadas as probabilidades a priori de todas as

variáveis e as probabilidades condicionais das variáveis-atributo, com base nos dados

de treinamento. O conjunto estas estimativas corresponde à hipótese a ser aprendida.

Essa hipótese é então usada para classificar cada uma das novas instâncias, na segunda

etapa do processo de aprendizagem.

No ambiente MANIC, a aprendizagem de máquina é usada para predizer o objeto de

conteúdo que o aluno irá desejar. Um objeto de conteúdo tem a ele associado um

conjunto de características tais como: tipo_mídia – TM (i.é, gráfico ou texto),

tipo_instrucional – TI (i.é, explicação, exemplo, descrição e definição),

nível_dificuldade – ND (i.é, fácil, médio ou difícil) e desejado_pelo_aluno – DA (i.é,

sim, não). Para determinar se o objeto de conteúdo é desejado pelo aluno, o tutor

observa a reação do aluno em relação ao objeto. Cada objeto que é apresentado tem a

opção de ser ocultado pelo aluno, assim como aqueles que não são apresentados têm

links que os permitem ser mostrados. Se o objeto foi apresentado e não foi ocultado pelo

aluno, ou se o objeto não foi inicialmente apresentado, mas foi solicitado, então o objeto

é considerado como desejado pelo aluno. Um objeto não é desejado pelo aluno quando,

ele foi apresentado ao aluno, mas este o ocultou, ou o link correspondente ao objeto não

foi usado.

O sistema tutor inteligente CAPIT (Capitalisation And Punctuation Intelligent

Tutor) tem o propósito de ensinar regras de pontuação e uso de caracteres maiúsculo, na

língua inglesa, para crianças entre 8 e 10 anos. Nesse tutor, a modelagem do aluno foi

realizada através de uma Rede Bayesiana de Crença (RBC). A RBC foi construída com

o objetivo de predizer o desempenho de uma criança em um novo problema,

considerando o desempenho passado da criança. O modelo de inferência é usado para

selecionar o problema mais apropriado para a criança, de modo que ela se sinta

desafiada, porém não desencorajada. O modelo foi induzido a partir dos dados gerados

pelo uso do sistema por uma classe de 28 alunos. Primeiramente, o projetista

especificou diferentes modelos causais, a partir de seus pressupostos a respeito dos

possíveis fatores que poderiam, ou não, ser relevantes. A decisão sobre um dos modelos

baseou-se em testes de significância estatística. Os parâmetros numéricos emergiram a

partir dos dados.

A ferramenta CLARISSE (Clusters And Rules ISSuEd) implementa um método de

aprendizagem de máquina, que corresponde a categorização de itens de dados.

Diferentemente das técnicas de classificação, na categorização (ou clusterização) as

categorias não são conhecidas a priori. Elas são reveladas durante o processo de

geração. O trabalho realizado pela ferramenta consiste em, recursivamente, dividir um

conjunto inicial de itens e construir uma árvore de decisão, a qual será usada para

identificar as categorias. A ferramenta CLARISSE foi projetada para inicializar o

modelo do conhecimento do aluno (o que e o quanto ele conhece sobre o assunto a ser

estudado), e deverá ser usada pelo sistema tutor inteligente chamado QUANTI.

Finalmente, sob o enfoque da modelagem computacional voltada à descoberta de

padrões de comportamento na Web, mencionamos os seguintes trabalhos: Spiliopoulou

(1999), Levene (2003), e Zaïne & Luo (2001).

O trabalho de Spiliopoulou iniciou pelo levantamento e pela modelagem formal de

padrões de navegação genéricos na Web. O modelo formal proposto por este autor foi

baseado na noção de seqüência genérica e em um padrão de variáveis (na língua

inglesa template). A partir do modelo genérico, a investigação seguiu enfocando a

questão de como descobrir esses padrões usando técnicas de mineração de dados. A

técnica de mineração de dados proposta tenta descobrir as seqüências genéricas de

acordo com o padrão das variáveis e de modo que, o modelo gerado, satisfaça

determinados limiares estatísticos. Este autor modelou as seqüências de navegação

como uma árvore de agregação. Neste contexto, uma árvore de agregação é uma

representação em árvore, de múltiplas seqüências (ramificações), onde os prefixos

comuns são fundidos.

Levene modelou o comportamento do usuário na Web através do conceito de visão

web (na língua inglesa web view). Para este autor, uma visão web é uma coleção de

trilhas relevantes (ou seqüências de páginas web repetidas pelo usuário). Formalmente,

uma visão web é considerada um grafo direcionado acíclico, induzido por uma coleção

de trilhas. Uma trilha é relevante em relação à freqüência com que o usuário a utiliza.

Levene utilizou cadeias de Markov para construir uma visão web.

À semelhança dos trabalhos de mineração de dados desenvolvidos com sucesso no

contexto do e-commerce, Zaïne & Luo (2001) propuseram um framework voltado à

mineração de dados no contexto dos sistemas de aprendizagem on-line. A idéia por trás

desse framework era a de permitir que os seus usuários (educadores) pudessem

expressar restrições aos dados obtidos e aos estágios de transformação desses, assim

como pudessem expressar descoberta de padrões e etapas de análise. Deste modo, seria

permitido aos educadores moldarem o processo de mineração de dados as suas

necessidades e tarefas a realizar. O framework de Zaïne & Lu integra três etapas: (i)

obtenção de dados e pré-processamento, (ii) descoberta de padrões; e, (iii) análise dos

padrões obtidos. Em qualquer uma das fases, deverá ser permitido aos educadores

expressarem suas necessidades através da especificação de restrições e filtros. A

definição de filtros durante a fase de pré-processamento dos dados pode reduzir

consideravelmente o espaço de busca, assim como a colocação de restrições durante a

fase de mineração não somente acelera o processo, como também controla os padrões

descobertos. Na fase de avaliação, as restrições podem auxiliar na análise de extensos

conjuntos de padrões extraídos.

Além disso, os autores ainda previram que o educador também poderia utilizar

filtros na fase de pré-processamento para selecionar um aluno ou um grupo de alunos,

selecionar um período de tempo e/ou um subconjunto de páginas Web, com o objetivo

de fixar sua atenção nas tarefas de aprendizagem e atividades a serem avaliadas. Além

disso, os educadores ainda poderiam definir sua interpretação da sessão do (s) aluno (s)

e da seqüência de ‘clics’ realizada por eles.

Para a descoberta de padrões, Zaïne & Luo selecionaram diversos algoritmos,

incluindo: mineração de regras de associação, mineração de padrões freqüentes entre as

sessões de estudo, mineração de padrões freqüentes durante uma sessão de estudo, etc.

em relação a última fase, o objetivo foi o de facilitar a interpretação dos padrões

descobertos pelos tomadores de decisão. Neste sentido, os autores implementaram

gráficos intuitivos e tabelas. O framework proposto é aberto no sentido de que permite a

adição de novos algoritmos de mineração a qualquer momento.

Entre os algoritmos inicialmente implementados, foram utilizadas regras de

associação para a descoberta de correlações entre as atividades de aprendizagem on-

line, pelo menos duas variações de algoritmos para a mineração de padrões seqüenciais,

dentro de uma sessão de aprendizagem, ou entre sessões, técnicas de clusterização para

agrupar os alunos com comportamentos de acesso às páginas Web similares.

3.8 Considerações Finais

Na seção anterior, descrevemos diversos estudos relacionados com o foco desta tese,

ou seja, a modelagem do aluno (ou usuário) em STIs e em SHAs, especialmente sobre

aqueles sistemas que realizam a aquisição de conhecimento sobre as características do

aluno sendo modeladas através do uso de uma abordagem centrada nos dados. Além

disso, considerando o nosso interesse em ambientes adaptativo de ensino e

aprendizagem na Web, também enfocamos, em nossa revisão bibliográfica, os aspectos

relacionados à modelagem do comportamento do aluno (ou usuário) durante suas

interações com o ambiente considerado.

As considerações que fizemos dizem respeito às tendências atuais observadas na

modelagem do aluno (ou o usuário). Comparando as características do usuário

modeladas nos SHA (mencionadas por Brusilovsky (1995)) com os estudos atuais,

verificamos uma forte tendência dos sistemas em modelar características individuais tais

como: aspectos de personalidade, emoção e afetividade, estilos de aprendizagem e

estilos cognitivos, etc., de forma complementar aos dados do usuário até então

considerados. O trabalho para modelar computacionalmente essas características tem

demandado um esforço de equipes multidisciplinares, formada especialmente por

psicólogos e pedagogos, em parceria com especialistas do domínio e em Sistemas de

Informação, com a abordagem da IA.

Também observamos o atual esforço de pesquisadores, especialmente da área de

MD, em explorar as informações disponibilizadas em um arquivo de log de um servidor

Web. Essas investigações têm permitido a extração de conhecimento a respeito do

comportamento real do usuário ao navegar em um site na Web. Além de oportunizar o

feedback de como o site é utilizado, também permite a análise e interpretação do

comportamento real do usuário.

A maioria dos métodos que tentam avaliar o comportamento navegacional e/ou os

interesses dos usuários na Web contabilizam a freqüência com que as páginas são

visitadas. Esse tipo de informação não é suficiente para a identificação de padrões de

uso na Web (ZAÏNE & XIN & HAN, 1998). Mesmo não contendo informações

adequadas para a realização de uma análise, ainda assim um arquivo de log de um

servidor Web contém dados úteis a partir dos quais um sistema bem planejado de

mineração de dados pode ser desenvolvido, com o objetivo de descobrir informações

interessantes.

Em nosso Projeto de pesquisa, a principal motivação em investigar o

comportamento das classes de ECA em um ambiente de aprendizagem na Web visou a

automatização do diagnóstico do ECA do aluno remoto, através da análise de suas

interações com o ambiente de ensino e aprendizagem (Trajetória de Aprendizagem).

Portanto, os propósitos desta tese estão alinhados com as tendências atuais de

modelagem do aluno em um ambiente adaptativo de ensino e aprendizagem na Web. O

esforço deste trabalho certamente passa pelas diversas etapas de um processo KDD,

desde a limpeza e transformação dos dados no arquivo de log, até a indução dos

atributos e comportamento, típicos de cada uma das classes de ECA consideradas, e

essenciais à realização do diagnóstico on-line do ECA do aluno remoto.

4 A PESQUISA

Para alcançar os objetivos propostos, esta investigação foi desenvolvida em duas

etapas. A primeira delas correspondeu à geração das classes de ECA a partir de uma

avaliação da população-alvo. A segunda fase correspondeu ao estudo das TAs e geração

dos atributos associados a cada uma das classes de ECA, conforme é apresentado a

seguir.

4.1 Delineamento da Pesquisa

O estudo está baseado em uma pesquisa de natureza quase-experimental, com

análises quantitativa e qualitativa, e com pós-teste somente (Figura 4.1).

Fase 1: Geração das classes de ECA

Fase 2: Tratamento – Módulo de Ensino Experimental TDMA

Dimensões Avaliadas

Indicadores de

Comportamento

Navegacional

Indicadores de

Tempo de

Permanência

Classes de ECA experimentais:

• Analógico-Analítico

• Concreto-Genérico

• Dedutivo-Avaliativo

• Analítico-Sintético-Avaliativo

• Relacional-Sintético

Medidas Medidas

Fase 3: Análises

Figura 4.1: Delineamento da pesquisa

A variável independente foi o Estilo Cognitivo de Aprendizagem (ECA). As medidas

corresponderam aos resultados das variáveis dependentes, isto é, corresponderam aos

indicadores do comportamento navegacional e dos tempos de permanência nas páginas

Web do módulo de ensino. O tratamento correspondeu à aplicação do módulo de ensino

experimental – TDMA – especialmente projetado com esta finalidade, e descrito em

detalhe no Capítulo 5.

A primeira fase, ou fase de ‘Geração das Classes de ECA experimentais’, foi

realizada durante o andamento do Projeto Tapejara pela equipe de psicólogos, parceira

no Projeto. Os principais resultados desta fase foram documentados e descritos no

contexto desta tese (Capítulo 5). As segunda e terceira fases foram totalmente

desenvolvidas nesta tese e estão descritas no Capítulo 6.

4.2 Caracterização dos Sujeitos da Amostra

Conforme mostra a Tabela 4.1, a amostra era composta de 35 sujeitos, distribuídos

de forma não igualitária devido à dificuldade circunstancial de disponibilidade destes

durante a execução do Projeto. A média etária predominante da amostra era formada por

sujeitos com idade acima dos 40 anos, à exceção dos AA, cuja média etária era formada

por sujeitos com idade em torno dos 30 anos. Sobre o grau de instrução, em torno de

50% dos sujeitos estavam no 2º grau (incompleto ou completo) e os restantes estavam

no 3º grau. Os sujeitos da amostra eram predominantemente do sexo masculino.

Tabela 4.1: Perfil dos sujeitos da amostra

AA CG DA ASA RS Totais

Nº de

Sujeitos

10 7 8 7 3 35

Idade Média 33 anos 45 anos 46 anos 44 anos 40 anos 41 anos

1 - 14,29% - - - 2,86%

2 40% 42,86 50% 42,86% 66,67% 45,71%

3 20% 14,29% - 14,29% - 11,43%

Grau de Instrução

4 40% 28,58% 50% 42,86% 33,33% 40,00%

1 100% 85,71% 100% 85,71% 100% 94,29%

Sexo

2 - 14,29% - 14,29% - 5,71%

Estilo Cognitivo: AA - Analógico-Analítico; CG - Concreto-Genérico; DA - Dedutivo-Avaliativo; ASA –

Analítico-Sintético-Avaliativo; RS - Relacional-Sintético. Grau de Instrução: 1 – 2º Grau Incompleto; 2

– 2º Grau Completo; 3 – 3º Grau Incompleto; 4 – 3º Grau Completo. Sexo : 1 – Masculino; 2 - Feminino

4.3 Variáveis e suas Medidas

O comportamento navegacional das classes de ECA foi monitorado através dos

indicadores correspondentes à freqüência relativa de acesso às páginas Web que

compunham o material pedagógico e do respectivo tempo relativo de permanência

nestas. A justificativa para o uso da freqüência e tempo relativos era poder comparar

estas medidas, intra e entre classes de ECA. Sobre esta questão, cabe lembrar que, ao

utilizar o módulo de ensino, cada participante foi instruído para que usasse o material

instrucional da forma que ele se sentisse mais confortável. Conseqüentemente, ao

realizar a sua TA, cada participante definiu a seqüência de acesso aos recursos

didáticos, assim como visitou um número aleatório de páginas Web do curso.

A partir dos dados registrados no arquivo de log, i.e., o número de identificação do

aluno, data e hora do acesso e o tipo da página Web visitada (ou código de identificação

do recurso didático e forma de apresentação sendo visitada), foi extraído um conjunto

de indicadores do comportamento e do desempenho dos estilos cognitivos durante o

experimento (Tabela 4.2 abaixo).

Neste estudo, os indicadores correspondentes à freqüência relativa de acesso

indicam a preferência dos estilos pelos recursos didáticos e formas de apresentação

disponibilizados no módulo de ensino experimental. Os indicadores correspondentes aos

tempos de permanência indicam a velocidade de processamento dos estilos ao

navegarem pelos recursos didáticos e formas de apresentação. O desempenho indica o

esforço realizado pelo aprendiz na execução da avaliação final (nº de avaliações

realizadas) e o resultado obtido (aprovado ou reprovado). A análise de desempenho está

fora do escopo desta tese.

Tabela 4.2: Indicadores do funcionamento dos ECA e suas medidas

Total de páginas

visitadas

Somatório do total geral de páginas visitadas por um aluno

Somatório do total de páginas de ‘Conceitos’ visitadas por um aluno

Somatório do total de páginas de ‘Exercício’ visitadas por um aluno

Somatório do total de páginas de ‘Exemplos’ visitadas por um aluno

Freqüência relativa de

acesso aos ‘Recursos

Didáticos’

Percentual de páginas de ‘conceitos’ visitadas sobre o total geral

Percentual de páginas de ‘exercícios’ visitadas sobre o total geral

Percentual de páginas de ‘exemplos’ visitadas sobre o total geral

Percentual de páginas de ‘revisão’ visitadas sobre o total geral

Indicadores de Comportamento

Navegacional

Freqüência relativa de

acesso às ‘Formas de

apresentação’

Percentual de páginas de cada uma das formas de apresentação de ‘conceitos’

visitadas sobre o total de páginas de ‘conceitos’ visitadas

Percentual de páginas de cada uma das formas de apresentação de

‘exercícios’ visitadas sobre o total de páginas de ‘exercícios’ visitadas

Percentual de páginas de cada uma das formas de apresentação de ‘exemplos’

visitadas sobre o total de páginas de ‘exemplos’ visitadas

Tempo total de

permanência

Somatório do tempo total de permanência por aluno

Somatório do tempo de permanência nas paginas de ‘conceitos’ visitadas

Somatório do tempo de permanência nas paginas de ‘exercícios’ visitadas

Somatório do tempo de permanência nas paginas de ‘exemplos’ visitadas

Tempo de

permanência nos

‘Recursos Didáticos’

Percentual de tempo gasto em páginas de ‘conceitos’ sobre o tempo total de

permanência no módulo de ensino TDMA

Percentual de tempo gasto em páginas de ‘exercícios’ sobre o tempo total de

permanência no módulo de ensino TDMA

Percentual de tempo gasto em páginas de ‘exemplos’ sobre o tempo total de

permanência no módulo de ensino TDMA

Percentual de tempo gasto em páginas de ‘revisão’ sobre o tempo total de

permanência no módulo de ensino TDMA

Percentual de tempo gasto na ‘avaliação final’ sobre o tempo total de

permanência no módulo de ensino TDMA

Indicadores de Tempo de Permanência

Tempo de

permanência nas

‘Formas de

Apresentação’

Percentual de tempo gasto em cada forma de apresentação de ‘conceitos’

visitadas, sobre o total de tempo gasto em páginas de ‘conceitos’

Percentual de tempo gasto em cada forma de apresentação de ‘exercícios’

visitadas, sobre o total de tempo gasto em páginas de ‘exercícios’

Percentual de tempo gasto em cada forma de apresentação de ‘exemplos’

visitadas, sobre o total de tempo gasto em páginas de ‘exemplos’

Total de Provas

Realizadas

O aprendiz tinha a possibilidade de executar até três diferentes avaliações ou

até que ele alcançasse o escore mínimo estabelecido.

Desempenho

Indicador de Sucesso

(0 – abaixo do percentual mínimo de acertos; 1 – igual ou acima do

percentual mínimo)

4.4 Questões de Pesquisa

Considerando a nossa crença de que o estilo cognitivo de aprendizagem determina

diferentes formas de abordar novas informações durante um processo de aprendizagem

e que, o sucesso do aluno está relacionado com a forma como ele aprende, colocamos

três questões de pesquisa, as quais enfocam a análise das interações das classes de ECA

com o módulo de ensino experimental, especificamente desenvolvido com esta

finalidade.

1. Como automatizar o diagnóstico on-line do Estilo Cognitivo de Aprendizagem

do aluno a partir da observação e análise da sua trajetória de aprendizagem em

um Ambiente de Ensino e Aprendizagem na Web?

2. Quais os indicadores (ou parâmetros) de uma trajetória de aprendizagem que

melhor discriminam a trajetória típica de cada uma das classes de ECA

consideradas?

3. Como automatizar a aquisição do conhecimento necessário para realizar o

diagnóstico on-line (ou classificação) do ECA do aluno remoto?

5 O PROJETO TAPEJARA

Conforme mencionado anteriormente, O projeto Tapejara – Sistemas Inteligente de

Ensino na Internet – em cujo contexto se insere esta tese, teve como meta buscar uma

solução que contribuísse para minimizar o comprometimento psicopedagógico de um

sistema de ensino e aprendizagem na Internet.

Sob o ponto de vista computacional, o Projeto Tapejara teve como principal objetivo

implementar um ambiente inteligente de ensino e aprendizagem na Web. Os principais

requisitos para a implementação deste ambiente incluíam o projeto e construção de uma

arquitetura computacional que suportasse o reconhecimento dos padrões de

comportamento dos estilos cognitivos do aluno, baseado em suas interações com o

ambiente (diagnóstico cognitivo) e, com base neste conhecimento suportasse a

realização da adaptação da instrução ao perfil cognitivo deste aluno.

A metodologia adotada no projeto e construção do sistema previu seis etapas de

investigação, quais sejam:

1. Identificação das dimensões cognitivas (ou classes) de Estilos Cognitivos de

Aprendizagem em uma amostra da população-alvo (funcionários da empresa de

telecomunicações, parceira no projeto).

2. Projeto e construção do módulo de ensino experimental, na área das

telecomunicações, com o objetivo de analisar o comportamento cognitivo das

classes de estilos cognitivos consideradas.

3. Estudo das trajetórias de aprendizagem por ECA.

4. Modelagem do ECA do aluno.

5. Modelagem do agente artificial, responsável pelo diagnóstico cognitivo do

aluno.

6. Modelagem do agente artificial pedagógico, responsável pela adaptação da

instrução propriamente dita, com base na utilização de estratégias e táticas

psicopedagógicas, adequadas a cada perfil cognitivo.

As etapas (1), (2) e parte da (3), foram desenvolvidas durante o prazo de vigência do

Projeto Tapejara e estão publicadas em: (SOUTO et al., 2000), (SOUTO et al., 2001),

(BICA et al., 2001), (SOUTO et al., 2002a), (SOUTO et al., 2002b), e (SOUTO et al.,

2002c). O foco da tese em andamento inclui a complementação da etapa (3) e a

execução das etapas (4) e (5).

A compreensão desta tese passa pela compreensão das etapas anteriores,

desenvolvidas durante o projeto. Com este objetivo apresentamos, neste Capítulo, uma

descrição sucinta das etapas (1) e (2).

5.1 Identificação das Classes de Estilos Cognitivos de

Aprendizagem

Conforme a metodologia adotada e anteriormente mencionada, nesta seção

apresentamos um breve relato de como a etapa (i) foi trabalhada, ou seja, como os

estilos cognitivos de aprendizagem foram gerados a partir da aplicação do “Teste Ross

dos Processos Cognitivos” em uma amostra de 231 sujeitos, constituída por técnicos e

engenheiros da empresa de Telecomunicações, usuários potenciais dos Cursos de

Telecomunicações e SDH.

5.1.1 Análise dos Dados Oriundos da Aplicação do Teste Ross

Conforme apresentado em (MADEIRA et al., 2000b), o Teste Ross foi aplicado em

uma amostra de 231 sujeitos, selecionados a partir de uma população composta por

1121 sujeitos. A análise de dados ocorreu em três momentos. No primeiro deles, o Teste

Ross foi avaliado a partir de três níveis de validação: (i) considerando os 105 itens do

teste, o Alfa de Crombach = 0,923; (ii) considerando os oito Processos Cognitivos

avaliados, o Alfa de Crombach = 0,8429; e, considerando as três Habilidades Cognitivas

avaliadas, o Alfa de Crombach = 0,8364. Estes resultados mostraram que o Teste se

mostrou consistente e verdadeiro. Na validação do Teste Ross em relação a população

alvo, a principal adaptação consistiu na classificação dos sujeitos de acordo com os seus

desempenhos nas diferentes seções do teste, ao invés de considerar o número de itens.

Nos segundo e terceiro momentos, a análise dos dados continuou, respectivamente,

com as análise fatorial e análise de cluster. A partir da análise fatorial foram analisados

os fatores (i.e. os processos e habilidades cognitivas consideradas no Teste Ross) que

explicavam a variância dos resultados, assim como a especificação dos fatores e

agrupamento dos dados por fator. A Figura 5.1 mostra o resultado desta análise.

Habilidade 1

( Análise ) = 75,37 %

da variância total

Habilidade 2

( Síntese ) = 10,60 %

da variância total

Habilidade 3

( Avaliação ) = 14,03 %

da variância total

Processos

• Analogias ( 14 itens ) – 48,08 %

• Premissas ausentes ( 8 itens ) – 8,72 %

• Análise de info.relev.e Irrelev. ( 15 itens ) –

9,42 %

Processos

• Relações abstratas ( 14 itens ) – 7,11 %

• Síntese seqüencial ( 10 itens ) – 6,11 %

• Análise de atributos ( 15 itens ) – 4,82 %

Processos

• Raciocínio dedutivo ( 18 itens ) – 9,90 %

• Estratégias de questionam. ( 12 itens ) -

5,82 %

Habilidade 1

( Análise ) = 75,37 %

da variância total

Habilidade 2

( Síntese ) = 10,60 %

da variância total

Habilidade 3

( Avaliação ) = 14,03 %

da variância total

Processos

• Analogias ( 14 itens ) – 48,08 %

• Premissas ausentes ( 8 itens ) – 8,72 %

• Análise de info.relev.e Irrelev. ( 15 itens ) –

9,42 %

Processos

• Relações abstratas ( 14 itens ) – 7,11 %

• Síntese seqüencial ( 10 itens ) – 6,11 %

• Análise de atributos ( 15 itens ) – 4,82 %

Processos

• Raciocínio dedutivo ( 18 itens ) – 9,90 %

• Estratégias de questionam. ( 12 itens ) -

5,82 %

Figura 5.1: Análise Fatorial: explicação da variância por habilidade cognitiva (MADEIRA et al.,

2000)

Na análise de cluster, os sujeitos foram agrupados pela similaridade do seu nível de

desempenho em cada processo e habilidade cognitiva. A Tabela 5.1 mostra os

resultados das análises e apresenta as classes de ECAs identificadas, segundo os

critérios mencionados (MADEIRA et al., 2000b).

Tabela 5.1: Classes de ECAs agrupadas por desempenho (4-5 superior, 3 médio, 1-2 inferior)

(MADEIRA et al., 2000)

Habilidades Psicopedagógicas

Classes de

Estilos Cognitivos

Sujeitos

Amostra

Habilidade em

Análise (73%)

Habilidade em

Síntese (10,6%)

Habilidade em

Avaliação (14,02%)

Analógico-Analítico 109 47,19 4 ou 5 - -

Concreto-Genérico 60 25,97 1 ou 2 - -

Dedutivo-Avaliativo 24 10,39 3 1, 2 ou 3 4 ou 5

Relacional-Sintético 07 3,03 3 4 ou 5 1, 2 ou 3

Estilo Analítico-

Sintético-Avaliativo

31 13,42 3 1, 2, 3 e 4 1, 2, 3, 4 e 5

Os sujeitos avaliados com um nível ‘superior’ de desempenho na habilidade de

análise foram classificados como pertencentes à classe dos Analógico-Analíticos (AA).

Os sujeitos que foram avaliados com um nível ‘inferior’ de desempenho na habilidade

de análise foram classificados como pertencentes à classe dos Concreto-Genéricos

(CG). Os sujeitos que foram avaliados com um nível ‘superior’ na habilidade de

avaliação, ‘médio-inferior’ na habilidade de síntese e ‘médio’ na habilidade de análise

foram classificados como pertencentes à classe dos Dedutivo-Avaliativos (DA), e assim

por diante.

O quinto grupo, denominado Analítico-Sintético-Avaliativo (ASA), mostrou-se

muito heterogêneo, ou seja, não apresentou similaridade interna em relação ao

desempenho nas habilidades e processos cognitivos avaliados pelo Teste Ross.

Considerando o critério de agrupamento dos sujeitos, esta classe agregou os sujeitos que

foram avaliados ou com um nível ‘médio’ na habilidade de análise, ou com um nível

‘médio-inferior’ na habilidade de síntese, ou com um nível ‘médio-superior’ na

habilidade de avaliação.

5.1.2 Conceituando as Classes de ECA Geradas

O conceito de cada uma das classes de ECA utilizadas neste trabalho foi

primeiramente apresentado em (MADEIRA et al., 2000). O trabalho de conceituação foi

desenvolvido pela equipe de psicólogos, parceira no projeto Tapejara. Os conceitos

foram inferidos a partir do desempenho dos sujeitos testados, nas habilidades

cognitivas, advindas da taxionomia de objetivos educacionais de Bloom (BLOOM et al.,

1972), e nos processos cognitivos, subjacentes a estas habilidades, avaliados no Teste

Ross.

Analógico-Analítico

O estilo cognitivo de aprendizagem Analógico-Analítico refere-se aquele

agrupamento de sujeitos que tende a buscar a aprendizagem de novas informações

através da utilização de padrões de comparações com outros conhecimentos,

previamente aprendidos. Para tanto, busca trabalhar com a informação em blocos,

decompondo-a, com a finalidade de estabelecer relações análogas com outras partes de

outros conhecimentos já armazenados.

Tipicamente, são sujeitos com elevada capacidade de realizar elaborações, ou seja,

gerar conhecimentos novos (não fornecidos a priori no material didático),

estabelecendo “pontes” com os conhecimentos anteriormente adquiridos. Assim sendo,

tendem a possuir elevada capacidade e eficiência na compreensão das inter-relações

entre várias idéias e, também, na capacidade de fazer generalizações. Pela sua

característica de realização de grande quantidade de elaboração, podem necessitar de

um tempo maior para a aprendizagem, pois ao se defrontarem com uma nova

informação, tendem a buscar uma considerável profundidade no assunto, através de

reflexão intensa.

Concreto-Genérico

O estilo cognitivo de aprendizagem Concreto-Genérico refere-se aquele

agrupamento de sujeitos que busca a aprendizagem de novas informações de forma

linear e seqüencial, dando preferência às estratégias de memorização que utilizem

“pistas” de recuperação baseadas em exemplos concretos. Para tanto, busca a trabalhar

com a informação em sua totalidade (holisticamente), o que por vezes pode lhe

dificultar a aprendizagem, fazendo com que busque sistematicamente a exemplificação

para facilitar a memorização. Preza que se mostre a eles o que fazer, em etapas,

possibilitando a sua prática da tarefa.

Tipicamente, são sujeitos que prestam atenção aos procedimentos e detalhes dos

mesmos, podendo por vezes se perder nestes. A memória é uma de suas melhores

habilidades intelectuais, embora corra o risco de não organizar bem as informações na

memória. Isto pode ser um reflexo do fato destes sujeitos trabalharem pouco com

abstração dos princípios e conceitos, principalmente aqueles que exijam maior grau de

elaboração e abstração. Tendem a ser pragmáticos e cuidadosos na situação de

aprendizagem. Os objetivos de aprendizagem, o critério de avaliação e feedback têm

que ser claros para este estilo, porque assim ele pode trabalhar em prol dos objetivos.

Dedutivo-Avaliativo

O estilo cognitivo de aprendizagem Dedutivo-Avaliativo refere-se aquele

agrupamento de sujeitos que busca a aprendizagem de novas informações através da

identificação do padrão lógico, subjacente ao conteúdo sendo apresentado. Realiza

análises exaustivas da coerência, validade e veracidade das informações. Para tanto,

busca avaliar possíveis falácias lógicas na informação, agindo de forma sistemática e

crítica.

Tipicamente, são sujeitos com elevada capacidade de trabalho e atenção, tendo

grande prazer em encontrar explicações lógicas para os acontecimentos. Por serem

sistemáticos, trabalham com método na busca da informação. Podem chegar a

desconsiderar grande quantidade de exemplos concretos quando acreditam já terem

compreendido o padrão lógico subjacente à nova informação. Por vezes podem se

mostrar precipitados na compreensão da informação. A organização do material é

crucial para este tipo de aprendiz.

Relacional-Sintético

O estilo cognitivo de aprendizagem Relacional-Sintético refere-se aquele

agrupamento de sujeitos que busca a aprendizagem de novas informações através da

reorganização das subpartes do conjunto de informações fornecidas em uma estrutura

conceitual mais enxuta. Para tanto busca decompor a informação em conceitos, até

unificá-los em um conceito integrador, mais abrangente e abstrato.

Tipicamente, são sujeitos com elevada capacidade de abstração e de geração de

hipóteses sobre os fatores envolvidos num determinado tipo de conhecimento.

Constantemente estão a revisar e reformular conceitos a partir da integração de novas

informações relacionadas ao tema em questão. Tendem a ter facilidade de trabalhar

mentalmente com imagens e apreciarem o uso de diagramas, esquemas e

demonstrações. São especificamente eficientes na leitura de gráficos e mapas mentais.

Aprendem melhor com abstrações e suas relações.

Analítico-Sintético-Avaliativo

Por inferência nossa, os sujeitos desta classe agregam características ou dos

Analíticos, ou dos Sintéticos, ou dos Avaliativos.

5.2 Projeto e Construção do Módulo de Ensino Experimental

O módulo de ensino experimental TDMA, desenvolvido durante o Projeto Tapejara,

teve a finalidade de ser utilizado como o instrumento para a análise do funcionamento

cognitivo dos estilos cognitivos e suas preferências pedagógicas.

De acordo com as demandas de treinamento da empresa parceira no Projeto, foi

selecionado o Curso de Telecomunicações como aquele a ser desenvolvido. O módulo

experimental inicial escolhido foi o TDMA (na língua inglesa, Time Division Multiplex

Access), que consiste na tecnologia básica da comunicação móvel, utilizada pela

empresa. Este módulo foi desenvolvido por uma equipe multidisciplinar, ainda durante

o desenvolvimento do Projeto Tapejara. Esta equipe incluiu profissionais das áreas da

Psicologia, Pedagogia, projetistas Web, e um especialista na área de telecomunicações.

5.2.1 Requisitos do Módulo de Treinamento Experimental

O planejamento dos conteúdos deveria levar em consideração as características

cognitivas dos estilos gerados a partir do público-alvo (seção 5.1.2) e os objetivos

educacionais propostos pelo especialista. Adicionalmente, deveria ser considerado que

os aprendizes tinham conhecimento prévio da tecnologia de multiplexação e

familiaridade com a terminologia da área. O domínio de conhecimento do módulo

experimental caracterizava-se por exigir do aprendiz o conhecimento de uma

terminologia específica, com jargões comumente utilizados na língua inglesa e um

número significativo de siglas.

5.2.2 Plano Pedagógico do Módulo de Ensino Experimental

Objetivos educacionais

• Compreender o conceito TDMA

• Compreender as aplicações do TDMA no acesso Wireless

• Compreender os componentes que fazem parte da arquitetura TDMA (ERB e

Aparelho Móvel).

• Entender a organização das informações controle, sinalização usuário dentro dos

slots de tempo do TDMA.

• Entender como o TDMA amplia a capacidade instalada de um sistema AMPS.

Heurísticas psicopedagógica consideradas

Com vistas a contemplar as necessidades psicopedagógicas das classes de estilos

cognitivos, durante o planejamento do módulo de ensino experimental foram inferidas

algumas heurísticas psicopedagógica, a partir da conceituação prévia dos estilos, as

quais foram consideradas na formulação do material instrucional. A Tabela 5.2 abaixo

resume estas heurísticas.

Modelo pedagógico

Os conteúdos do domínio foram projetados baseados na prática didática tradicional,

ou seja, os conteúdos pedagógicos foram organizados e disponibilizados em quatro

diferentes tipos de recursos didáticos: (a) conceitos; (b) exemplos; (c) exercícios e; (d)

revisão. Para cada um dos recursos didáticos foi projetado e disponibilizado um

conjunto de diferentes formas de apresentação, as quais incluíram formas textuais,

gráficas, esquemáticas ou uma combinação destas (Tabela 5.3). Após a realização do

módulo de ensino, ou seja, quando o aluno sentia-se apto, ele deveria executar uma

avaliação final, a qual tinha como objetivo testar os conhecimentos adquiridos pelo

aluno. Em relação à avaliação final, foi fixado o desempenho mínimo de 90%, i.e., o

aluno deveria acertar 90% das questões da prova e, além disso, ele tinha até três chances

(através da execução de três provas distintas) para alcançar os 90%.

Tabela 5.2: Os estilos cognitivos e as heurísticas psicopedagógicas

Estilo Cognitivo Recursos Didáticos

Analógico-analítico

• Uso de conceitos e exemplos com textos e esquemas comparativos.

• Esquemas com figuras comparativas, mesclando texto e imagem para facilitar o processo

analítico e as relações análogas.

Dedutivo-avaliativo

• Utilização de perguntas proporcionando a busca de informações que permita ao aprendiz

inferir um padrão lógico nas informações obtidas.

Relacional-sintético

• Conteúdo de forma sintética e esquemática.

• Relacionar idéias, conceitos mais gerais e sintetizar as informações em um sistema lógico,

facilitando a ordenação de idéias numa estrutura lógica, abstrata e integrada.

Concreto-genérico

• Exemplos concretos em linguagem simples, utilizando-se de figuras e diagramas que

auxiliem na exemplificação.

• Texto destacado para auxiliar a memorização.

• Conteúdo deve ser interligado e disposto através de uma forma hierárquica e seqüencial

nos esquemas gerais.

Tabela 5.3: Recursos didáticos e formas de apresentação no TDMA

Recursos

Didáticos

Conceitos Exercícios Exemplos

Textual Verdadeiro ou Falso

Textual c/ Figura

Textual c/ Figura Relacionar Colunas

Esquema c/ Figuras

Esquema c/ Figura Escolha Simples

Preencher Lacunas

Formas de

Apresentação

Escolha Simples c/ Figura

5.2.3 A interface do Módulo de Ensino Experimental

A interface utilizada no módulo de ensino TDMA foi projetada com o objetivo de

não induzir o aprendiz em uma forma seqüencial e prévia diante das opções encontradas

para a sua navegação nos conteúdos do módulo. O uso das cores e o layout foram

baseados em um estudo anterior com a população-alvo. Aos ícones que aparecem no

menu principal, associou-se texto explicativo sobre o tipo de forma apresentada,

facilitando assim a navegação do sujeito.

A Figura 5.2 mostra o menu principal e a disposição dos seus elementos

componentes.

Figura 5.2: A interface do módulo experimental TDMA

Uma vez selecionado um dos recursos didáticos, o sistema automaticamente

disponibilizava as formas de apresentação correspondentes. As telas de apresentação

destas formas igualmente seguiam o mesmo padrão de interface, ou seja, as opções

possíveis eram disponibilizadas em torno da elipse gráfica.

5.3 Aplicação do Módulo de Ensino Experimental

Os participantes do experimento foram 35 sujeitos, entre técnicos e engenheiros,

funcionários da empresa de Telecomunicações, parceira no Projeto Tapejara. O critério

de seleção dos participantes correspondeu aos sujeitos mais típicos de cada classe de

ECA identificada. Originalmente foi estabelecido um número representativo de 28

sujeitos por classe de ECA, para a realização do módulo de ensino experimental. O

número mínimo de sujeitos requeridos para cada classe de ECA eram 7 (sete) sujeitos e

o máximo 14 (quatorze). Infelizmente, por questões operacionais (reformulações

organizacionais e de controle da Empresa), não foi possível preencher o número mínimo

previsto de sujeitos em alguns casos. A Tabela 5.4 abaixo mostra como ficou a

distribuição da amostra entre as 5 (cinco) classes de ECA.

A limitação do número de casos em cada classe de ECA representou uma grande

limitação durante o desenvolvimento deste estudo.

Tabela 5.4: Distribuição dos sujeitos da amostra

ECA AA CG DA ASA RS

Número de

Sujeitos previstos

Mínimo: 07

Máximo: 14

Mínimo: 07

Máximo: 14

Mínimo: 07

Máximo: 14

Mínimo: 07

Máximo: 14

Número de

Sujeitos obtidos

10 07 08 07 03

Durante a execução do módulo de ensino experimental, todas as interações do aluno

com o material instrucional eram registradas em um arquivo de log (diário de

navegação). Cada registro neste log incluía: o número de identificação do aluno, data e

hora do acesso e o tipo da página Web (i.e., ‘Conceito’, ‘Exercício’, ‘Exemplo’,

‘Revisão’ ou ‘Avaliação’ e a forma de apresentação correspondente, se fosse o caso).

Os procedimentos de aplicação deste módulo foram conduzidos por uma equipe de

psicólogos e pedagogos, que supervisionaram a execução do módulo TDMA pelos

alunos. O experimento transcorreu durante um período de um mês e meio. As seções

eram agendadas conforme a disponibilidade dos funcionários. O ambiente experimental

era constituído de um laboratório com 7 computadores PC-IBM, separados por uma

divisória, simulando um ambiente individualizado. Este laboratório, que estava

localizado no Centro de Treinamento da empresa parceira, foi especialmente construído

com a finalidade de criar um ambiente de aprendizagem na Web.

Antes de executar o módulo experimental, os alunos recebiam uma breve explicação

sobre o módulo e o seu funcionamento, salientando que cada um poderia seguir no seu

ritmo, conforme suas preferências de aprendizagem. Após, lhes era disponibilizado, no

seu computador, um módulo DEMO através do qual eles poderiam visualizar uma

demonstração explicativa de todo o funcionamento estrutural do módulo, ao mesmo

tempo em que poderiam se familiarizar com a interface do módulo experimental,

evitando um desgaste extra durante a execução do mesmo. Além disto, durante a

execução do módulo, a equipe de psicólogos e pedagogos poderiam prestar, tão

somente, auxílio operacional, quer por problemas relacionados ao computador do

aprendiz, quer por problemas de conexão com a rede dos computadores.

6 O PROCESSO DE DESCOBERTA DE

CONHECIMENTO

O objetivo deste capítulo é descrever o trabalho realizado durante o processo de

descoberta do conhecimento sobre as TAs padrão dos ECA. Os dados utilizados como

exemplos e, a partir dos quais realizamos a indução do conhecimento necessário para a

modelagem do ECA do aluno, tiveram origem no experimento realizado no contexto do

Projeto Tapejara.

A manipulação dos dados do experimento, desde o seu estado primitivo (arquivo de

log) até a sua forma operacional (tabela atributo-valor), utilizada no estudo aqui

apresentado, seguiu o padrão de um processo KDD.

6.1 Limpeza e Transformação de Dados

Conforme foi mencionado no Capítulo 3, a limpeza dos dados correspondeu à

eliminação daqueles registros do arquivo de log que foram considerados irrelevantes

para a análise do comportamento do aluno. Os registros considerados irrelevantes, que

foram removidos, corresponderam a:

• Acesso a menus

• Mensagem da aplicação para o aluno

• Falha de conexão

• Tempo de permanência nulo em determinado recurso didático

O processo de limpeza propriamente dito foi realizado manualmente, a partir de uma

filtragem sobre o arquivo de log original.

Considerando que o arquivo de log continha os seguintes campos: data do acesso,

hora do acesso, código do aluno e código da URL visitada, as principais transformações

realizadas corresponderam a:

• Transformação do ‘código da URL’ em dois atributos, correspondentes,

respectivamente, ao ‘código do recurso didático’ e ao ‘código da forma de

apresentação’ usados naquele acesso

• Transformação dos códigos alfanuméricos em códigos numérico

• Cálculo do tempo de permanência em cada ‘recurso didático’ visitado

Considerando a natureza intervalar das variáveis monitoradas e a limitação do

tamanho da amostra, procedemos à categorização (discretização) das variáveis

indicadoras do comportamento navegacional e dos tempos de permanência nos recursos

didáticos e formas de apresentação. Nesta categorização utilizando os percentis com

dois pontos de corte. Para tanto, utilizamos o pacote estatístico SPSS. As três categorias

geradas foram denominadas de ‘Baixa’, ‘Média’ e ‘Alta’, correspondendo aos graus de

intensidade com que os recursos didáticos e formas de apresentação foram utilizados

pelos sujeitos da amostra (Tabela 6.1).

Nesta Tabela, os valores relativos à intensidade de uso dos recursos didáticos, que

delimitam as faixas ‘Baixa’, ‘Média’ e ‘Alta’, correspondem à freqüência relativa de

uso sobre o total de páginas Web visitadas no módulo. Por outro lado, os valores

relativos ao uso das formas de apresentação correspondem à freqüência relativa de uso

sobre o total de páginas Web visitadas do recurso didático que lhe corresponde.

Tabela 6.1: Categorização das faixas de freqüência relativa e tempos de permanência nos

‘Recursos Didáticos’ e ‘Formas de Apresentação’ dos sujeitos da amostra

CATEGORIAS

Intensidade de Uso Tempo de Permanência

Uso dos ‘Recursos Didáticos’

Conceito

Baixa : até 32

Média: entre 32 e 50

Alta: acima de 50

Baixa : até 24

Média: entre 24 e 39

Alta: acima de 39

Exercício

Baixa : até 24

Média: entre 24 e 40

Alta: acima de 40

Baixa : até 21

Média: entre 21 e 33

Alta: acima de 33

Exemplo

Baixa : até 2

Média: entre 2 e 25

Alta: acima de 25

Baixa : até 2

Média: entre 2 e 11

Alta: acima de 11

Uso das ‘Formas de apresentação’ de conceitos

Somente Textual

Baixa : até 3

Média: entre 3 e 7

Alta: acima de 7

Baixa : até 3

Média: entre 3 e 10

Alta: acima de 10

Textual c/ Figura

Baixa : até 13

Média: entre 13 e 25

Alta: acima de 25

Baixa : até 10

Média: entre 10 e 22

Alta: acima de 22

Esquema c/ Figura

Baixa : até 11

Média: entre 11 e 17

Alta: acima de 17

Baixa : até 5

Média: entre 5 e 9

Alta: acima de 9

Uso das ‘Formas de apresentação’ de exercícios

V ou F

Baixa : até 2

Média: entre 2 e 7

Alta: acima de 7

Baixa : até 2

Média: entre 2 e 7

Alta: acima de 7

Relacionar Colunas

Não Usou: = 0

Baixa : entre 0 e 5

Alta: acima de 5

Não Usou: = 0

Baixa : entre 0 e 6

Alta: acima de 6

Escolha Simples

Não Usou: = 0

Baixa : entre 0 e 11

Alta: acima de 11

Não Usou: = 0

Baixa : entre 0 e 6

Alta: acima de 6

Preencher Lacunas

Não Usou: = 0

Baixa : entre 0 e 5

Alta: acima de 5

Não Usou: = 0

Baixa : entre 0 e 6

Alta: acima de 6

Escolha Simples c/

Figura

Baixa : até 3

Média: entre 3 e 12

Alta: acima de 12

Baixa : até 2

Média: entre 2 e 8

Alta: acima de 8

Uso das ‘Formas de apresentação’ de exemplos

Textual c/ Figura

Baixa : até 2

Média: entre 2 e 14

Alta: acima de 14

Baixa : até 1

Média: entre 1 e 8

Alta: acima de 8

Esquema c/ Figura

Não Usou: = 0

Baixa : entre 0 e 9

Alta: acima de 9

Não Usou: = 0

Baixa : entre 0 e 3

Alta: acima de 3

6.2 Pré-Processamento de Dados

Basicamente, o comportamento navegacional das classes de ECA (ou Trajetórias de

Aprendizagem) foi analisado a partir da freqüência relativa de acesso aos recursos

didático e formas de apresentação dos mesmos (preferências dos ECAs), bem como

através dos tempos relativos de permanência nestes recursos e formas (velocidade de

processamento dos ECAs). Tanto a freqüência relativa de acesso aos recursos didático e

formas de apresentação, como os tempos relativos de permanência nestes recursos e

formas, compunham os indicadores do comportamento do aluno na Web.

Assim, o esforço nesta etapa correspondeu à geração desses indicadores a partir dos

dados primitivos no arquivo de log. Para a geração desses indicadores, conforme

especificado na Tabela 4.1, foi projetada e desenvolvida uma ferramenta específica. A

ferramenta desenvolvida opera em duas fases: (i) acesso à base de dados para a

recuperação dos registros do log-global, correspondentes a um aluno, seleção e geração

de um log-individual temporário; (ii) acesso ao log-individual para a contabilização e

geração, propriamente dita, dos indicadores.

A fase de geração do log-individual é bastante simplificada uma vez que o log-

global é gerado e controlado dentro do próprio ambiente de ensino. Na segunda fase, os

indicadores calculados são armazenados na base de dados do ambiente de ensino para

posterior utilização pelos indutores e, futuramente, por algum agente inteligente,

responsável pelo diagnóstico cognitivo on-line do aluno remoto.

Por fim, a fase de pré-processamento foi concluída com a geração propriamente dita

da tabela atributo-valor, com cada entrada na tabela correspondendo a um aluno que

participou do experimento. Cada uma destas entradas foi composta pelas variáveis

dependentes, ou indicadores, e pela variável independente, ou seja, o ECA do aluno. A

inclusão do ECA do aluno na tabela atributo-valor foi realizada manualmente.

6.3 Análise Exploratória de Dados e Formulação de Hipóteses

Considerando que não dispúnhamos de pressupostos a priori sobre as Trajetórias de

Aprendizagem dos ECAs (conceitualmente definidas no Capítulo 5) e do seu

funcionamento em um ambiente de aprendizagem na Web, neste primeiro momento

estamos trabalhando com uma análise exploratória e descritiva dos comportamentos

observados. Esperamos que num futuro próximo tenhamos a oportunidade de validar

estatisticamente estes resultados, especialmente quando a base de dados correspondente

tiver crescido o suficiente, para termos uma amostra significativamente grande.

Todas as análises apresentadas neste documento referem-se à observação das

interações (ou movimentos) dos sujeitos da amostra, até a execução da primeira

avaliação (ou prova), enquanto estes navegavam pelas páginas Web do módulo de

ensino experimental. A escolha da primeira prova como referência para a geração dos

indicadores do comportamento navegacional e dos tempos de permanência nos recursos

didáticos está baseada em nossa crença de que, até este momento, o aprendiz tende a

interagir de forma mais espontânea, ou seja, até a 1ª prova é mais provável que o

aprendiz esteja menos suscetível à preocupação com o seu desempenho.

6.3.1 Levantamento Descritivo Inicial dos Dados da Amostra

Com base nos dados do arquivo de log, procedeu-se à análise estatística-descritiva

destes dados, levando em consideração os indicadores mais significativos para este

estudo. Nesta análise gerou-se a média, o desvio-padrão e o escopo, conforme é

apresentado na Tabela 6.2. Esta análise foi realizada com o auxílio do pacote estatístico

SPSS.

Tabela 6.2: Resultados descritivos da amostra ao realizar o módulo de ensino experimental

Média (%) Desvio Padrão (%) Escopo (%)

Uso dos ‘Recursos Didáticos’

Conceito 42,72 21,96 4,17 – 97,62

Exercício 33,22 21,06 0 – 89,47

Exemplo 17,41 18,15 0 – 79,17

Uso das ‘Formas de apresentação’ de conceitos

Textual 5,65% 4,81 0 – 19,44

Textual c/ Figura 22,45% 17,81 0 – 91,67

Esquema c/ Figura 14,62% 10,97 0 – 50

Uso das ‘Formas de apresentação’ de exercícios

V ou F 5,67% 6,94 0 – 34,28

Relacionar Colunas 3,84% 5,17 0 – 25

Escolha Simples 7,16% 8,61 0 – 32

Preencher Lacunas 4,08% 5,21 0 – 20

Escolha Simples c/

Figura

12,47% 16,29 0 – 72

Uso das ‘Formas de apresentação’ de exemplos

Textual c/ Figura 11,23% 12,46 0 – 54

Esquema c/ Figura 6,19% 7,88 0 – 30

Tempo de Permanência nos ‘Recursos Didáticos’

Conceito 31,10 14,37 0,79 – 65,79

Exercício 28,45 18,24 0 – 72,16

Exemplo 8,40 8,37 0 – 25,99

Tempo de Permanência nas ‘Formas de apresentação’ de conceitos

Textual 6,63 6,25 0 – 22,64

Textual c/ Figura 16,62 11,09 0 – 41,15

Esquema c/ Figura 7,85 5,96 0 – 23,79

Tempo de Permanência nas ‘Formas de apresentação’ de exercícios

V ou F 5,41 5,49 0 – 19,62

Relacionar Colunas 6,27 8,81 0 – 35,15

Escolha Simples 4,81 5,64 0 – 17,52

Preencher Lacunas 4,63 5,55 0 – 20,58

Escolha Simples c/

Figura

8,36 11,68 0 – 58,33

Tempo de Permanência nas ‘Formas de apresentação’ de exemplos

Textual c/ Figura 6,11 6,24 0 – 21,01

Esquema c/ Figura 2,29 3,27 0 – 13,94

6.3.2 Comportamento Navegacional dos ECAs

Visando a comparação entre as classes de estilos cognitivos e a identificação do

funcionamento das mesmas enquanto realizando um processo de aprendizagem na Web,

investigamos, primeiramente, a freqüência relativa ou as preferências das classes de

ECA pelos recursos didáticos e pelas formas de apresentação.

Conforme mencionado anteriormente, o objetivo desta análise consiste em

identificar as preferências das classes de ECA pelos recursos didáticos e pelas formas de

apresentação, disponibilizados no módulo experimental. O método de análise adotado

consistiu em: (i) análise da ‘ordem decrescente da preferência’ pelos recursos didáticos

em cada estilo (freqüência relativa intra-classe); (ii) análise da freqüência relativa média

de acesso a um determinado recurso didático ou forma de apresentação para cada uma

das classes de ECA em relação às demais classes (freqüência relativa entre-classes); (iii)

análise da freqüência relativa média de acesso a um determinado recurso didático ou

forma de apresentação, em relação à freqüência relativa média da amostra para o mesmo

recurso ou forma de apresentação. Estas análises foram realizadas a partir de um

conjunto de gráficos gerados no MS-Excel.

Freqüência relativa média de acesso aos Recursos Didáticos

A Figura 6.1 mostra a distribuição dos percentuais de acesso aos recursos didáticos

pelas classes de ECA. Esta análise não leva em consideração o recurso de ‘Revisão’

devido ao fato de este recurso ter sido projetado fora do padrão esperado, o que impediu

a sua utilização nesta análise.

A ordem (decrescente) da freqüência relativa de acesso aos recursos didáticos pelo

estilo AA seguiu o padrão ‘conceito à exercício à exemplo’. Em relação aos demais

estilos, este estilo foi o que usou mais freqüentemente o recurso de ‘Conceito’ (50,34%

do total de páginas visitadas). Em relação ao uso dos recursos de ‘Exercício’ e

‘Exemplo’, a freqüência relativa de acesso pelos sujeitos AA foi média (30,39% e

13,02%, respectivamente, do total de páginas visitadas) e inferior à média da amostra.

50,34

39,81

44,07

37,47

32,76

24,40

34,85

43,48

34,95

13,02

28,28

13,16

12,99

28,40

30,39

0,00

10,00

20,00

30,00

40,00

50,00

AA CG DA ASA RS

Conceito Exercício Exemplo MediaCon MediaExer MediaExem

33,22

17,41

42,72

Média da Amostra

50,34

39,81

44,07

37,47

32,76

24,40

34,85

43,48

34,95

13,02

28,28

13,16

12,99

28,40

30,39

0,00

10,00

20,00

30,00

40,00

50,00

AA CG DA ASA RS

Conceito Exercício Exemplo MediaCon MediaExer MediaExem

33,22

17,41

42,72

Média da Amostra

Figura 6.1: Freqüência relativa média de acesso aos ‘Recursos Didáticos’ – o eixo vertical

representa o percentual médio correspondente ao uso dos recursos didáticos antes da primeira

prova pelas classes de ECA. As linhas rotuladas representam o percentual médio da amostra

A ordem (decrescente) da freqüência relativa de acesso aos recursos didáticos pelo

estilo CG seguiu o padrão ‘conceito à exemplo à exercício’. Em relação aos demais

estilos, este estilo foi o que usou mais freqüentemente o recurso de ‘Exemplo’ (28,28%

do total de páginas visitadas). A freqüência relativa média de acesso aos recursos

didáticos de ‘Conceito’ e ‘Exercício’ foram inferiores à média da amostra (39,81% e

24,40%, respectivamente, do total de páginas visitadas).

A ordem (decrescente) da freqüência relativa de acesso aos recursos didáticos pelo

estilo DA seguiu o padrão ‘conceito à exercício à exemplo’. Em relação aos demais

estilos, o estilo DA não apresentou nenhum destaque quanto à freqüência relativa de

acesso aos recursos didáticos. Observou-se apenas que as freqüências relativas médias

de acesso aos recursos de ‘Conceito’ e ‘Exercício’ foram superiores à média da amostra;

e que a freqüência relativa média de acesso ao recurso de ‘Exemplo’ foi inferior à média

da amostra.

A ordem (decrescente) de freqüência relativa de acesso aos recursos didáticos pelo

estilo ASA seguiu o padrão ‘exercício à conceito à exemplo’. Em relação aos demais

estilos, o estilo ASA foi o que usou mais freqüentemente o recurso de ‘Exercício’

(43,48% do total de páginas visitadas). Em relação às freqüências relativas médias de

acesso aos recursos de ‘Conceito’ e ‘Exemplo’, observou-se que estas foram inferiores

às respectivas médias da amostra.

Finalmente, quanto ao estilo RS, observamos que a ordem (decrescente) da

freqüência relativa de acesso aos recursos didáticos seguiu o padrão ‘exercício à

conceito à exemplo’. Em relação aos demais estilos, o estilo RS não apresentou

nenhum destaque quanto à freqüência relativa de acesso aos recursos didáticos.

Observou-se apenas que a freqüência relativa de acesso média ao recurso de ‘Conceito’

foi inferior à média da amostra, assim como as freqüências relativas médias de acesso

aos recursos de ‘Exercício’ e ‘Exemplo’ foram superiores às respectivas médias da

amostra.

Freqüência relativa média de acesso às formas de apresentação dos

‘Conceitos’

A Figura 6.2 mostra a distribuição dos percentuais médios de uso referente às

formas de apresentação dos ‘Conceitos’ pelas classes de ECA.

A ordem (decrescente) da freqüência relativa de acesso às formas de apresentação de

‘Conceito’ pelo estilo AA seguiu o padrão ‘textual c/ figura à esquema c/ figura à

somente textual’. Em relação aos demais estilos, este estilo foi o que usou mais

freqüentemente as formas ‘Textual c/ Figura’ e ‘Somente Textual’ (28,70% e 7,49%,

respectivamente, do total de páginas de ‘Conceitos’ visitadas). Em relação à forma

‘Esquema c/ Figura’, a freqüência média de acesso pelo estilo AA foi inferior à média

da amostra.

Da mesma forma que o estilo AA, a ordem (decrescente) da freqüência relativa de

acesso às formas de apresentação de ‘Conceito’ pelo estilo CG seguiu o padrão ‘textual

c/ figura à esquema c/ figura à somente textual’. Em relação aos demais estilos, o

estilo CG foi o que usou menos freqüentemente a forma ‘Somente Textual’. Em relação

à forma ‘Textual c/ Figura’, a freqüência relativa média de acesso pelo estilo CG foi

superior à média da amostra. Em relação à forma ‘Esquema c/ Figura’, a intensidade

média de uso pelo estilo CG foi inferior à média da amostra.

A ordem (decrescente) da freqüência relativa de acesso às formas de apresentação de

‘Conceito’ pelo estilo DA seguiu o padrão ‘esquema c/ figura à textual c/ figura à

somente textual’. Em relação aos demais estilos, o estilo DA foi o que usou mais

freqüentemente a forma ‘Esquema c/ Figura’ (20,18% do total de páginas de

‘Conceitos’ visitadas). Em relação à forma ‘Somente Textual’, a freqüência relativa

média de acesso pelo estilo DA foi superior à média da amostra. Em relação à forma

‘Textual c/ Figura’, a freqüência relativa média de acesso pelo estilo DA foi inferior à

média da amostra.

7,49

3,67

6,06

3,84

7,27

28,7

23,52

17,82

22,28

11,87

14,15

12,62

20,18

11,36

13,62

AA CG DA ASA RS

Só Texto Texto e Figura Esquema e Figura Media SoTexto MediaTextoe Figura MediaEsquema e Figura

5,65

14,62

22,45

7,49

3,67

6,06

3,84

7,27

28,7

23,52

17,82

22,28

11,87

14,15

12,62

20,18

11,36

13,62

AA CG DA ASA RS

Só Texto Texto e Figura Esquema e Figura Media SoTexto MediaTextoe Figura MediaEsquema e Figura

5,65

14,62

22,45

Figura 6.2: Freqüência relativa média de acesso às ‘Formas de Apresentação dos Conceitos’ –

o eixo vertical representa o percentual médio de uso destas formas sobre o total de páginas de

‘Conceitos’ visitadas antes da primeira prova pelas classes de ECA. As linhas rotuladas

representam o percentual médio da amostra para estas formas.

A ordem (decrescente) da freqüência relativa média de acesso às formas de

apresentação de ‘Conceito’ pelo estilo ASA seguiu o padrão ‘textual c/ figura à

esquema c/ figura à somente textual’, da mesma forma que os estilos AA e CG. Em

relação aos demais estilos, o estilo ASA foi o que menos freqüentemente usou a forma

‘Esquema c/ Figura’ (11,36% do total de páginas de ‘Conceitos’ visitadas). Em relação

às formas ‘Textual c/ Figura’ e ‘Somente Textual’, as respectivas freqüências médias de

acesso pelo estilo DA foram inferiores às médias da amostra.

Quanto ao estilo RS, a ordem (decrescente) da freqüência relativa média de acesso

às formas de apresentação de ‘Conceito’ seguiu o padrão ‘esquema c/ figura à textual

c/ figura à somente textual’. Em relação aos demais estilos, o estilo RS foi o que

menos usou a forma ‘Textual c/ Figura’ (11,87% do total de páginas de ‘Conceitos’

visitadas). Em relação à forma ‘Somente Textual’, a freqüência relativa média de acesso

pelo estilo RS foi superior à média da amostra. Em relação à forma ‘Esquema c/

Figura’, a freqüência relativa média de acesso pelo estilo RS foi inferior à média da

amostra.

Freqüência relativa média de acesso às formas de apresentação dos

‘Exercícios’

A Figura 6.3 mostra a distribuição dos percentuais médios de acesso referente às

formas de apresentação dos ‘Exercícios’ pelas classes de ECA.

A ordem (decrescente) da freqüência relativa média de acesso às formas de

apresentação de ‘Exercício’ pelo estilo AA seguiu o padrão ‘escolha simples c/ figura

à escolha simples à relacionar colunas à V ou F à preencher lacunas’. Em relação

aos demais estilos, o estilo AA foi o que menos freqüentemente usou a forma ‘V ou F’

(2,92% do total de páginas de ‘Exercícios’ visitadas). Em relação às formas ‘Relacionar

Colunas’, ‘Escolha Simples’ e ‘Escolha Simples c/ Figura’, a freqüência média de

acesso pelo estilo AA foi superior à média da amostra. Em relação à forma ‘Preencher

Lacunas’ a freqüência média de acesso pelo estilo AA foi inferior à média da amostra.

2,92

5,59

7,88

7,77

4,27

3,86

2,07

4,56

4,09

5,38

8,55

9,05

5,34

3,23

12,19

2,27

1,70

5,38

7,26

4,76

12,80

6,00

11,68

21,12

8,35

AA CG DA ASA RS

V ou F Relacionar Colunas Escolha Simples Preencher lacunas

Escolha Simples c/ Figura Media V ou F Media Rel.Colunas Media Escolha Simples

Media Preencher Lacunas Media Escolha Simples c/ Fig.

12,47

7,16 5,67

4,08

3,84

Média da Amostra

2,92

5,59

7,88

7,77

4,27

3,86

2,07

4,56

4,09

5,38

8,55

9,05

5,34

3,23

12,19

2,27

1,70

5,38

7,26

4,76

12,80

6,00

11,68

21,12

8,35

AA CG DA ASA RS

V ou F Relacionar Colunas Escolha Simples Preencher lacunas

Escolha Simples c/ Figura Media V ou F Media Rel.Colunas Media Escolha Simples

Media Preencher Lacunas Media Escolha Simples c/ Fig.

12,47

7,16 5,67

4,08

3,84

Média da Amostra

Figura 6.3: Freqüência relativa média de acesso às ‘Formas de Apresentação dos Exercícios’ –

o eixo vertical representa o percentual médio de uso destas formas sobre o total de páginas de

‘Exercícios’ visitadas antes da primeira prova pelas classes de ECA. As linhas rotuladas

representam o percentual médio da amostra para estas formas.

A ordem (decrescente) da freqüência relativa média de acesso às formas de

apresentação de ‘Exercício’ pelo estilo CG seguiu o padrão ‘escolha simples à escolha

simples c/ figura à V ou F à relacionar colunas à preencher lacunas’. Em relação aos

demais estilos, o estilo CG foi o que menos freqüentemente usou as formas ‘Relacionar

Colunas’, ‘Preencher Lacunas’ e ‘Escolha Simples c/ Figura’ (2,07%, 1,70% e 6,00%,

respectivamente, do total de páginas de ‘Exercícios’ visitadas). Em relação à forma ‘V

ou F’, a freqüência média de acesso pelo estilo CG foi muito próxima à média da

amostra, assim como em relação à forma ‘Escolha Simples’ a freqüência média de

acesso pelo estilo CG foi superior à média da amostra.

A ordem (decrescente) da freqüência relativa média de acesso às formas de

apresentação de ‘Exercício’ pelo estilo DA seguiu o padrão ‘escolha simples c/ figura

à V ou F à preencher lacunas à escolha simples à relacionar colunas’. Em relação

aos demais estilos, o estilo DA foi o que mais usou a forma ‘V ou F’ (7,88% do total de

páginas de ‘Exercícios’ visitadas). Em relação às formas ‘Relacionar Colunas’ e

‘Preencher Lacunas’, a freqüência relativa média apresentada pelo estilo DA foi

superior à média da amostra. Em relação às formas ‘Escolha Simples’ e ‘Escolha

Simples c/ Figura’, a freqüência relativa média apresentada pelo estilo DA foi inferior à

média da amostra.

A ordem (decrescente) da freqüência relativa média de acesso às formas de

apresentação de ‘Exercício’ pelo estilo ASA seguiu o padrão ‘escolha simples c/ figura

à V ou F à preencher lacunas à relacionar colunas à escolha simples’. Em relação

aos demais estilos, o estilo ASA foi o que mais freqüentemente usou as formas ‘Escolha

Simples c/ Figura’ e ‘Preencher Lacunas’ (21,12% e 7,26%, respectivamente, do total

de páginas de ‘Exercícios’ visitadas). Por outro lado, o estilo ASA foi o que menos usou

a forma ‘Escolha Simples’ (3,23% do total de páginas de ‘Exercícios’ visitadas). Quanto

às formas ‘V ou F’ e ‘Relacionar Colunas’, a intensidade média de uso pelo estilo ASA

foi superior à média da amostra.

Finalmente, quanto ao estilo RS, a ordem (decrescente) da freqüência relativa média

de acesso às formas de apresentação de ‘Exercício’ seguiu o padrão ‘escolha simples à

escolha simples c/ figura à relacionar colunas à preencher lacunas à V ou F’. Em

relação aos demais estilos, o estilo RS foi aquele que mais freqüentemente utilizou as

formas ‘Relacionar Colunas’ e ‘Escolha Simples’ (5,38% e 12,19% do total de páginas

de ‘Exercícios’ visitadas). Em relação às formas ‘V ou F’ e ‘Escolha Simples c/ Figura’,

a freqüência média de acesso pelo estilo RS foi superior à média da amostra. Em relação

à forma ‘Preencher Lacunas’, a freqüência média de acesso pelo estilo RS foi muito

próxima à média da amostra.

Freqüência relativa média de acesso às formas de apresentação dos

‘Exemplos’

A Figura 6.4 mostra a distribuição dos percentuais médios de acesso referente às

formas de apresentação dos ‘Conceitos’ pelas classes de ECA.

7,42

18,92

6,42

10,65

20,11

5,59

9,35

6,74

2,34

8,29

AA CG DA ASA RS

Texto e Figura Esquema e Figura MediaTexto e Figura MediaEsquema e Figura

11,23

6,19

Média da Amostra

7,42

18,92

6,42

10,65

20,11

5,59

9,35

6,74

2,34

8,29

AA CG DA ASA RS

Texto e Figura Esquema e Figura MediaTexto e Figura MediaEsquema e Figura

11,23

6,19

Média da Amostra

Figura 6.4: Freqüência relativa média de acesso às ‘Formas de Apresentação dos Exemplos’ –

o eixo vertical representa o percentual médio de uso destas formas sobre o total de páginas de

‘Exemplos’ visitadas antes da primeira prova pelas classes de ECA. As linhas rotuladas

representam o percentual médio da amostra para estas formas.

A ordem (decrescente) da freqüência relativa média de acesso às formas de

apresentação de ‘Exemplo’ pelo estilo AA seguiu o padrão ‘textual c/ figura à

esquema c/ figura’. Em relação aos demais estilos, o estilo AA não apresentou nenhum

destaque em relação à freqüência relativa média de acesso às formas de exemplos.

Apenas observou-se que a freqüência média de acesso a estas formas foi inferior à

média da amostra.

A ordem (decrescente) da freqüência relativa média de acesso às formas de

apresentação de ‘Exemplo’ pelo estilo CG seguiu o padrão ‘textual c/ figura à esquema

c/ figura’. Em relação aos demais estilos, o estilo CG foi o que apresentou maior

freqüência relativa de acesso à forma ‘Esquema c/ Figura’. Em relação à forma ‘Textual

c/ Figura’, a freqüência relativa média de acesso pelo estilo CG foi superior à média da

amostra.

A ordem (decrescente) da freqüência relativa média de acesso às formas de

apresentação de ‘Exemplo’ pelo estilo DA seguiu o padrão ‘esquema c/ figura à

textual c/ figura’. Em relação aos demais estilos, o estilo DA foi o que apresentou

menor freqüência relativa de acesso à forma ‘Textual c/ Figura’ (6,42% do total de

páginas de ‘Exemplo’ visitadas). Em relação à forma ‘Esquema c/ Figura’, o estilo DA

apresentou a freqüência relativa média de acesso muito próxima à média da amostra.

A ordem (decrescente) da freqüência relativa média de acesso às formas de

apresentação de ‘Exemplo’ pelo estilo ASA seguiu o padrão ‘textual c/ figura à

esquema c/ figura’. Em relação aos demais estilos, o estilo ASA foi o que apresentou

menor freqüência relativa média de acesso à forma ‘Esquema c/ Figura’ (2,34% do total

de páginas de ‘Exemplo’ visitadas). Em relação à forma ‘Textual c/ Figura’, a

freqüência relativa apresentada pelo estilo ASA foi inferior à média da amostra.

Finalmente, quanto ao estilo RS, a ordem (decrescente) da freqüência relativa média

de acesso às formas de apresentação de ‘Exemplo’ seguiu o padrão ‘textual c/ figura à

esquema c/ figura’. Em relação aos demais estilos, o estilo RS foi o que apresentou

maior freqüência relativa de acesso à forma ‘Textual c/ Figura’ (20,11% do total de

páginas de ‘Exemplo’ visitadas). Em relação à forma ‘Esquema c/ Figura’, a freqüência

relativa média de acesso pelo estilo RS foi superior à média da amostra.

6.3.3 Tempos de Permanência dos ECA

A seguir, analisamos os tempos de permanência ou a velocidade de processamento

das classes de ECA enquanto visitavam os recursos didáticos e as formas de

apresentação durante a execução do módulo experimental. O objetivo desta análise

consiste em identificar os padrões de permanência dos estilos nos recursos didáticos e

nas formas de apresentação.

Assim como o método de análise adotado na análise do comportamento

navegacional dos ECAs, o método de análise dos tempos de permanência também

adotou o mesmo tratamento para com este indicador, ou seja: (i) análise da ‘ordem

decrescente dos tempos de permanência’ nos recursos didáticos e formas de

apresentação, por classe de ECA (análise de permanência intra-classe); (ii) análise dos

tempos de permanência de uma dada classe de ECA em um determinado recurso

didático ou forma de apresentação, em relação às demais classes (análise de

permanência entre-classes); (iii) análise dos tempos de permanência de um determinado

estilo, nos recursos didáticos e formas de apresentação, em relação aos tempos de

permanência médios da amostra para o mesmo recurso ou forma de apresentação. Estas

análises foram realizadas a partir de um conjunto de gráficos gerados no MS-Excel.

Tempo médio de permanência nos ‘Recursos Didáticos’

A Figura 6.5 mostra a distribuição dos percentuais médios referentes aos tempos de

permanência das classes de ECA nos recursos didáticos. Assim como na análise do

comportamento navegacional, excluímos desta análise o recurso de ‘Revisão’, pelo

mesmo motivo exposto na seção 6.3.3.

A ordem (decrescente) do tempo de permanência médio nos recursos didáticos pelo

estilo AA seguiu o padrão ‘conceito à exercício à exemplo’. Em relação aos demais

estilos, este estilo foi o que permaneceu mais tempo no recurso de ‘Conceito’ (36,37%

do tempo total no módulo de ensino), assim como foi o estilo que permaneceu menos

tempo no recurso de ‘Exemplo’ (5,94% do tempo total no módulo de ensino). Quanto ao

tempo de permanência nos ‘Exercícios’, o estilo AA apresentou uma média inferior à

média da amostra para este recurso.

A ordem (decrescente) do tempo de permanência nos recursos didáticos pelo estilo

CG seguiu o padrão ‘conceito à exercício à exemplo’. Em relação aos demais estilos,

o estilo CG juntamente com o estilo RS foram os estilos que permaneceram menos

tempo no recurso de ‘Conceito’ (28,13% e 24,19%, respectivamente, do tempo total no

módulo de ensino). O estilo CG também foi o estilo que permaneceu menos tempo no

recurso de ‘Exercício’ (21,12% do tempo total no módulo de ensino). Em relação ao

recurso de ‘Exemplo’, o estilo CG juntamente com o estilo RS foram os estilos que

permaneceram mais tempo neste recurso (11,43% e 15,66%, respectivamente, do tempo

total no módulo de ensino).

36,37%

28,13%

31,24%

29,34%

24,19%

44,42%

21,12%

25,07%27,45%

34,20%

11,43%

6,38%

15,66%

8,08%

5,94%

31,10%

28,45%

8,40%

0,00%

5,00%

10,00%

15,00%

20,00%

25,00%

30,00%

35,00%

40,00%

45,00%

50,00%

AA CG DA ASA RS

Tempo em Conceitos Tempo em Exercícios Tempo em Exemplos MédiaTmpCon MédiaTmpExer MédiaTmpExem Média Tempo Amostra

36,37%

28,13%

31,24%

29,34%

24,19%

44,42%

21,12%

25,07%27,45%

34,20%

11,43%

6,38%

15,66%

8,08%

5,94%

31,10%

28,45%

8,40%

0,00%

5,00%

10,00%

15,00%

20,00%

25,00%

30,00%

35,00%

40,00%

45,00%

50,00%

AA CG DA ASA RS

Tempo em Conceitos Tempo em Exercícios Tempo em Exemplos MédiaTmpCon MédiaTmpExer MédiaTmpExem Média Tempo Amostra

Figura 6.5: Tempo médio de permanência médio nos ‘Recursos Didáticos’ – o eixo vertical

representa o percentual médio de permanência nos recursos didáticos, relativo ao tempo total de

permanência no módulo de ensino experimental, incluindo a(s) avaliação(es) final(ais) antes da

primeira prova pelas classes de ECA. As linhas rotuladas representam o percentual médio de

permanência da amostra nestes recursos.

A ordem (decrescente) do tempo de permanência nos recursos didáticos pelo estilo

DA seguiu o padrão ‘conceito à exercício à exemplo’. Em relação aos demais estilos,

o estilo DA não apresentou nenhum destaque quanto ao tempo de permanência nos

recursos didáticos. Em relação à média da amostra, o estilo DA permaneceu no recurso

de ‘Conceito’ de forma semelhante ao estilo AA. Ambos os estilos permaneceram, em

média, mais tempo neste recurso do que a média da amostra (31,10%). Quanto aos

tempos de permanência nos ‘Exercícios’ e nos ‘Exemplos’, o estilo DA apresentou

tempos de permanência inferiores às respectivas médias da amostra para estes recursos

(28,45% e 8,40%, respectivamente, do tempo total no módulo de ensino).

A ordem (decrescente) do tempo de permanência nos recursos didáticos pelo estilo

ASA seguiu o padrão ‘exercício à conceito à exemplo’. Em relação aos demais

estilos, o estilo ASA juntamente com o estilo RS foram os estilos que permaneceram

mais tempo no recurso de ‘Exercício’ (34,20% e 44,42%, respectivamente, do tempo

total no módulo de ensino). O tempo de permanência deste estilo no recurso de

‘Conceitos’ foi inferior à média da amostra (29,34% do tempo total no módulo de

ensino). Já o tempo de permanência no recurso de ‘Exemplo’ mostrou-se próxima à

média da amostra para este recurso (8,08% do tempo total no módulo de ensino).

Finalmente, quanto ao estilo RS, observamos que a ordem (decrescente) do tempo

de permanência nos recursos didáticos seguiu o padrão ‘exercício à conceito à

exemplo’. Em relação aos demais estilos, o estilo RS foi o estilo que permaneceu mais

tempo nos recursos de ‘Exercício’ e ‘Exemplo’ (44,42% e 15,66%, respectivamente, do

tempo total no módulo de ensino). Quanto ao recurso de ‘Conceito’, o estilo RS foi o

estilo que permaneceu menos tempo neste recurso (24,19% do tempo total no módulo

de ensino).

Tempo médio de permanência nas formas de apresentação de ‘Conceitos’

A Figura 6.6 mostra a distribuição dos percentuais médios referentes aos tempos de

permanência das classes de ECA nas formas de apresentação dos ‘Conceitos’.

A ordem (decrescente) do tempo de permanência nas formas de apresentação do

recurso de ‘Conceitos’ pelo estilo AA seguiu o padrão ‘textual c/ figura à somente

textual à esquema c/ figura’. Em relação aos demais estilos, o estilo AA foi o que

permaneceu mais tempo na forma de apresentação ‘Textual c/ Figura’ (21,41% do

tempo total de permanência nos ‘Conceitos’). Quanto à forma ‘Somente Textual’, este

estilo juntamente com o estilo RS foram os estilos que permaneceram mais tempo nesta

forma (7,70% e 7,86%, respectivamente, do tempo total de permanência nos

‘Conceitos’). Quanto à forma ‘Esquema c/ Figura’, o tempo médio de permanência do

estilo AA foi muito próximo ao tempo da amostra para esta forma.

A ordem (decrescente) do tempo de permanência nas formas de apresentação do

recurso de ‘Conceitos’ pelo estilo CG seguiu o padrão ‘textual c/ figura à somente

textual à esquema c/ figura’. Em relação aos demais estilos, o estilo CG não

apresentou nenhum destaque quanto aos tempos médios de permanência nas formas de

apresentação dos ‘Conceitos’. Em relação aos tempos médios da amostra para estas

formas, o estilo CG apresentou o tempo médio de permanência na forma ‘Somente

Textual’ superior à média da amostra (7,56% do tempo total de permanência nos

‘Conceitos’). O tempo médio de permanência na forma ‘Textual c/ Figura’ foi inferior à

média da amostra e, por fim, quanto à forma ‘Esquema c/ Figura’, o tempo médio de

permanência nesta pelo estilo CG foi próximo à média da amostra.

A ordem (decrescente) do tempo de permanência nas formas de apresentação do

recurso de ‘Conceitos’ pelo estilo DA seguiu o padrão ‘textual c/ figura à esquema c/

figura à somente textual’. Em relação aos demais estilos, o estilo DA foi o que

permaneceu mais tempo na forma ‘Esquema e Figura’ (10,68% do tempo total de

permanência nos ‘Conceitos’). Quanto à forma ‘Somente Textual’ o estilo DA foi o que

menos utilizou esta forma (4,81% do tempo total de permanência nos ‘Conceitos’). Por

fim, quanto à forma ‘Textual c/ Figura’, o tempo de permanência médio do estilo DA

nesta forma foi inferior à média da amostra (15,75% do tempo total de permanência nos

‘Conceitos’).

7,70%

7,56%

5,71%

7,86%

21,41%

9,59%

7,32%

10,68%

6,45%

6,75%

4,81%

15,75%

17,17%

13,24%

7,26%

6,63%

16,62%

7,85%

0,00%

5,00%

10,00%

15,00%

20,00%

25,00%

AA CG DA ASA RS

TmpFormaTextual TmpFormaTextual e Fig. Tmp Forma Esq. e Fig.

MédiaTmpFormaTextual MédiaTmpFormaTextual e Fig. MédiaTmpFormaEsq. e Fig.

Média Tempo Amostra

7,70%

7,56%

5,71%

7,86%

21,41%

9,59%

7,32%

10,68%

6,45%

6,75%

4,81%

15,75%

17,17%

13,24%

7,26%

6,63%

16,62%

7,85%

0,00%

5,00%

10,00%

15,00%

20,00%

25,00%

AA CG DA ASA RS

TmpFormaTextual TmpFormaTextual e Fig. Tmp Forma Esq. e Fig.

MédiaTmpFormaTextual MédiaTmpFormaTextual e Fig. MédiaTmpFormaEsq. e Fig.

Média Tempo Amostra

Figura 6.6: Tempo médio de permanência nas ‘Formas de Apresentação dos Conceitos’ – o

eixo vertical representa o percentual médio de permanência nestas formas sobre o tempo médio

de permanência nas páginas de ‘Conceitos’ visitadas antes da primeira prova pelas classes de

ECA. As linhas rotuladas representam o percentual médio de permanência da amostra nestas

formas.

A ordem (decrescente) do tempo de permanência nas formas de apresentação do

recurso de ‘Conceitos’ pelo estilo ASA seguiu o padrão ‘textual c/ figura à esquema c/

figura à somente textual’. Em relação aos demais estilos, o estilo ASA foi o que

permaneceu menos tempo na forma ‘Esquema c/ Figura’ (6,45% do tempo total de

permanência nos ‘Conceitos’). Quanto à forma ‘Somente Textual’, o tempo médio de

permanência do estilo ASA nesta forma foi inferior à média da amostra (5,71% do

tempo total de permanência nos ‘Conceitos’). Quanto à forma ‘Textual c/ Figura’, o

tempo de permanência médio do estilo ASA nesta forma foi superior à média da

amostra (17,17% do tempo total de permanência nos ‘Conceitos’).

Finalmente, quanto ao estilo RS, observamos que a ordem (decrescente) do tempo

de permanência nas formas de apresentação do recurso de ‘Conceitos’ seguiu o padrão

‘textual c/ figura à somente textual à esquema c/ figura’. Em relação aos demais

estilos, o estilo RS foi o que permaneceu mais tempo na forma ‘Somente Textual’

(7,86% do tempo total de permanência nos ‘Conceitos’); assim como foi o estilo que

permaneceu menos tempo na forma ‘Textual c/ Figura’ (9,59% do tempo total de

permanência nos ‘Conceitos’). Quanto à forma ‘Esquema c/ Figura’, o tempo médio de

permanência do estilo RS foi inferior à média da amostra para esta forma.

Tempo médio de permanência nas formas de apresentação de ‘Exercícios’

A Figura 6.7 mostra a distribuição dos percentuais médios referentes aos tempos de

permanência das classes de ECA nas formas de apresentação dos ‘Exercícios’.

A ordem (decrescente) do tempo de permanência nas formas de apresentação do

recurso de ‘Exercícios’ pelo estilo AA seguiu o padrão ‘relacionar colunas à escolha

simples à escolha simples c/ figura à V ou F à preencher lacunas’. Em relação aos

demais estilos, este foi o estilo que permaneceu menos tempo médio nas formas ‘V ou

F’ e ‘Preencher Lacunas’ (3,63% e 2,67%, respectivamente, do tempo total de

permanência nos ‘Exercícios’). Quanto às formas ‘Relacionar Colunas’ e ‘Escolha

Simples’, os tempos médios de permanência nestas formas pelo estilo AA foram

superiores às médias da amostra para estas formas (9,20% e 6,03%, respectivamente, do

tempo total de permanência nos ‘Exercícios’). Por fim, quanto à forma ‘Escolha

Simples c/ Figura’, o tempo médio de permanência do estilo AA nesta forma foi inferior

à média da amostra (5,93% do tempo total de permanência nos ‘Exercícios’).

3,63%

5,91%

7,77%

9,20%

7,01%

6,03%

8,12%

3,08%

6,11%

7,26%

21,12%

4,17%

5,58%

5,98%

3,81%

19,72%

4,09%

3,23%

1,86%

4,86%

2,67%

6,42%

5,93%

3,47%

4,51%

5,56%

7,50%

4,46%

4,78%

8,00%

0,00%

5,00%

10,00%

15,00%

20,00%

25,00%

AA CG DA ASA RS

Tmp VouF TmpRel.Cols. TmpEscolhaSimples TmpPreencherLac.

TmpEscolhaSimplese Fig. MédiaTmp VouF MédiaTmpRel.Cols . MédiaTmpEscolhaSimples

MédiaTmpPreencherLac. MédiaTmpEscolhaSimples e Fig.

MédiaTmp Amostra

3,63%

5,91%

7,77%

9,20%

7,01%

6,03%

8,12%

3,08%

6,11%

7,26%

21,12%

4,17%

5,58%

5,98%

3,81%

19,72%

4,09%

3,23%

1,86%

4,86%

2,67%

6,42%

5,93%

3,47%

4,51%

5,56%

7,50%

4,46%

4,78%

8,00%

0,00%

5,00%

10,00%

15,00%

20,00%

25,00%

AA CG DA ASA RS

Tmp VouF TmpRel.Cols. TmpEscolhaSimples TmpPreencherLac.

TmpEscolhaSimplese Fig. MédiaTmp VouF MédiaTmpRel.Cols . MédiaTmpEscolhaSimples

MédiaTmpPreencherLac. MédiaTmpEscolhaSimples e Fig.

MédiaTmp Amostra

Figura 6.7: Tempo médio de permanência nas ‘Formas de Apresentação dos Exercícios’ – o

eixo vertical representa o percentual médio de permanência nestas formas sobre o total do

tempo de permanência nas páginas de ‘Exercícios’ visitadas antes da primeira prova pelas

classes de ECA. As linhas rotuladas representam o percentual médio de permanência da amostra

nestas formas.

A ordem (decrescente) do tempo de permanência nas formas de apresentação do

recurso de ‘Exercícios’ pelo estilo CG seguiu o padrão ‘V ou F à escolha simples à

relacionar colunas à escolha simples c/ figura à preencher lacunas’. Em relação aos

demais estilos, o estilo CG foi o estilo que permaneceu menos tempo nas formas

‘Relacionar Colunas’ e ‘Escolha Simples c/ Figura’ (3,81% e 3,47%, respectivamente,

do tempo total de permanência nos ‘Exercícios’). Quanto às formas ‘V ou F’ e ‘Escolha

Simples’, o estilo CG permaneceu um tempo médio próximo à média da amostra

(5,91% e 4,86%, respectivamente, do tempo total de permanência nos ‘Exercícios’). Por

fim, quanto à forma ‘Preencher Lacunas’, o estilo CG permaneceu um tempo inferior à

média da amostra.

A ordem (decrescente) do tempo de permanência nas formas de apresentação do

recurso de ‘Exercícios’ pelo estilo DA seguiu o padrão ‘relacionar colunas à preencher

lacunas à V ou F à escolha simples c/ figura à escolha simples’. Em relação aos

demais estilos, o estilo DA foi o que permaneceu menos tempo na forma ‘Escolha

Simples’ (1,86% do tempo total de permanência nos ‘Exercícios’). Em relação às

formas ‘Relacionar Colunas’ e ‘Escolha Simples c/ Figura’, os tempos médios de

permanência pelo estilo DA foram inferiores às médias da amostra para estas formas.

Quanto à forma ‘V ou F’, o estilo DA apresentou um tempo médio de permanência

próximo à média da amostra (5,58% do tempo total de permanência nos ‘Exercícios’).

Por fim, quanto à forma ‘Preencher Lacunas’, o tempo médio de permanência do estilo

DA foi superior à média da amostra.

A ordem (decrescente) do tempo de permanência nas formas de apresentação do

recurso de ‘Exercícios’ pelo estilo ASA seguiu o padrão ‘escolha simples c/ figura à V

ou F à preencher lacunas à relacionar colunas à escolha simples’. Em relação aos

demais estilos, o estilo ASA foi o que permaneceu mais tempo nas formas ‘V ou F’,

‘Preencher Lacunas’ e ‘Escolha Simples e Figura’ (7,77%, 7,26% e 21,12%,

respectivamente, do tempo total de permanência nos ‘Exercícios’). Em relação às

formas ‘Relacionar Colunas’ e ‘Escolha Simples’ o estilo ASA permaneceu um tempo

médio inferior à média da amostra para estas formas (4,09% e 3,23%, respectivamente,

do tempo total de permanência nos ‘Exercícios’).

Finalmente, quanto ao estilo RS, a ordem (decrescente) do tempo de permanência

nas formas de apresentação do recurso de ‘Exercícios’ seguiu o padrão ‘relacionar

colunas à escolha simples à preencher lacunas à V ou F à escolha simples c/

figura’. Em relação aos demais estilos, o estilo RS foi o estilo que permaneceu mais

tempo nas formas ‘Relacionar Colunas’ e ‘Escolha Simples’ (19,72% e 8,12%,

respectivamente, do tempo total de permanência nos ‘Exercícios’). Quanto à forma ‘V

ou F’, o tempo de permanência pelo estilo RS foi próximo à média da amostra para esta

forma (5,98% do tempo total de permanência nos ‘Exercícios’). Quanto à forma

‘Preencher Lacunas’, o tempo de permanência pelo estilo RS foi superior à média da

amostra; assim como em relação à forma ‘Escolha Simples c/ Figura’, o tempo médio

de permanência pelo estilo RS foi inferior à média da amostra.

Tempo médio de permanência nas formas de apresentação de ‘Exemplos’

A Figura 6.8 mostra a distribuição dos percentuais médios referentes aos tempos de

permanência das classes de ECA nas formas de apresentação dos ‘Exemplos’.

A ordem (decrescente) do tempo de permanência nas formas de apresentação do

recurso de ‘Exemplo’ pelo estilo AA seguiu o padrão ‘textual c/ figura à esquema c/

figura’. Em relação aos demais estilos, o estilo AA não apresentou nenhum destaque

quanto aos tempos de permanência nas formas de apresentação dos ‘Exemplos’. Apenas

observou-se que os tempos médios de permanência nas formas ‘Textual c/ Figura’ e

‘Esquema c/ Figura’ foram inferiores às médias da amostra para estas formas.

A ordem (decrescente) do tempo de permanência nas formas de apresentação do

recurso de ‘Exemplo’ pelo estilo CG seguiu o padrão ‘textual c/ figura à esquema c/

figura’. Em relação aos demais estilos, o estilo CG juntamente com o estilo RS foram os

estilos que permaneceram mais tempo nas formas de ‘Exemplo’. Na forma ‘Textual c/

Figura’, o tempo médio de permanência do estilo CG foi superior à média da amostra

(8,57% do tempo total de permanência nos ‘Exemplos’). Quanto à forma ‘Esquema c/

Figura’, o tempo médio de permanência do estilo CG também foi superior à média da

amostra (2,86% do tempo total de permanência nos ‘Exemplos’).

4,01%

8,57%

3,78%

6,83%

11,96%

2,86%

2,60%

1,25%

3,71%

1,94%

6,11%

2,29%

0,00%

2,00%

4,00%

6,00%

8,00%

10,00%

12,00%

14,00%

AA CG DA ASA RS

TmpFormaTextual e Fig. TmpFormaEsq.e Fig. MediaTmpFormaTextuale Fig. MédiaTmpFormaEsq. e Fig.

Média Tmp Amostra

4,01%

8,57%

3,78%

6,83%

11,96%

2,86%

2,60%

1,25%

3,71%

1,94%

6,11%

2,29%

0,00%

2,00%

4,00%

6,00%

8,00%

10,00%

12,00%

14,00%

AA CG DA ASA RS

TmpFormaTextual e Fig. TmpFormaEsq.e Fig. MediaTmpFormaTextuale Fig. MédiaTmpFormaEsq. e Fig.

Média Tmp Amostra

Figura 6.8: Tempo médio de permanência nas ‘Formas de Apresentação dos Exemplos’. O eixo

vertical representa o percentual médio de permanência nestas formas sobre o total do tempo de

permanência nas páginas de ‘Exemplos’ visitadas antes da primeira prova pelas classes de ECA.

As linhas rotuladas representam o percentual médio de permanência da amostra nestas formas.

A ordem (decrescente) do tempo de permanência nas formas de apresentação do

recurso de ‘Exemplo’ pelo estilo DA seguiu o padrão ‘textual c/ figura à esquema c/

figura’. Em relação aos demais estilos, o estilo DA foi o que menos tempo permaneceu

na forma ‘Textual e Figura’ (3,78% do tempo total de permanência nos ‘Exemplos’).

Em relação à forma ‘Esquema e Figura’, o tempo médio de permanência do estilo DA

foi superior ao tempo médio da amostra (2,60% do tempo total de permanência nos

‘Exemplos’).

A ordem (decrescente) do tempo de permanência nas formas de apresentação do

recurso de ‘Exemplo’ pelo estilo ASA seguiu o padrão ‘textual c/ figura à esquema c/

figura’. Em relação aos demais estilos, o estilo ASA foi o que menos tempo permaneceu

na forma ‘Esquema e Figura’ (1,25% do tempo total de permanência nos ‘Exemplos’).

Em relação à forma ‘Textual e Figura’, o tempo médio de permanência do estilo ASA

foi superior ao tempo médio da amostra (6,83% do tempo total de permanência nos

‘Exemplos’).

Finalmente, quanto ao estilo RS, observamos que a ordem (decrescente) do tempo

de permanência nas formas de apresentação do recurso de ‘Exemplo’ seguiu o padrão

‘textual c/ figura à esquema c/ figura’. Em relação aos demais estilos, o estilo RS foi o

estilo que mais tempo permaneceu nas formas de ‘Exemplo’. Na forma ‘Textual c/

Figura’, o tempo médio de permanência do estilo RS foi superior à média da amostra

(11,96% do tempo total de permanência nos ‘Exemplos’). Quanto à forma ‘Esquema c/

Figura’, o tempo médio de permanência do estilo RS também foi superior à média da

amostra (3,71% do tempo total de permanência nos ‘Exemplos’).

6.3.4 Movimentos do Aprendiz no Módulo de Ensino Experimental

O objetivo da investigação sobre os movimentos do aprendiz nas páginas Web do

módulo experimental também está relacionado com o principal objetivo deste estudo,

qual seja, a aquisição do conhecimento sobre o funcionamento dos ECAs durante uma

seção de ensino e aprendizagem na Web.

O método de análise adotado consistiu na análise dos gráficos da moda estatística

relativa ao recurso didático mais utilizado, em cada movimento, realizado até a primeira

prova, pelos sujeitos de uma determinada classe de ECA (Figura 6.9). Os gráficos

utilizados nesta análise foram gerados no MS-Excel.

A Figura 6.10 mostra os movimentos de cada uma das classes de ECA até a primeira

prova. Nesta Figura, os diferentes padrões de movimentos estão destacados por caixas

sombreadas de diferentes cores. A caixa de cor cinza-claro representa o padrão

‘conceito-exercício’, utilizado pelas classes AA e ASA. A caixa de cor cinza-médio

representa o padrão ‘exercício-conceito-exemplo’, utilizado pela classe CG. Finalmente,

a caixa de cor cinza-escuro representa o padrão ‘conceito-exemplo’, utilizado pelas

classes AA e RS.

Analógico-Analítico

0 20 40 60 80 100

Movimentos

Recurso Didático

Modal

Concreto-Genérico

0 20 40 60 80 100

Movimentos

Recurso Didático

Modal

Dedutivo-Avaliativo

0 20 40 60 80 100

Movimentos

Recurso Didático

Modal

Estilo Analítico-Sintético-Avaliativo

0 20 40 60 80

Movimentos

Recurso Didático Modal

Estilo Analítico-Sintético-Avaliativo

0 20 40 60 80

Movimentos

Recurso Didático Modal

Relacional-Sintético

0 20 40 60 80 100 120 140 160 180

Movimentos

Recurso Didático Modal

Legenda:

Recurso Didático Modal:

1-‘Conceitos’;

2-‘Exercícios’;

3-‘Exemplos’;

4-‘Revisão’;

5-‘Avaliação Final’

Figura 6.9: Recurso didático modal, em cada movimento, pelos sujeitos das classes de ECA

O estilo Analógico-Analítico (AA) realizou em média 106 movimentos até a

primeira prova. Analisando os movimentos espontâneos nestes primeiros 106

movimentos, observou-se que este estilo apresentou duas estratégias básicas de busca da

nova informação através do uso repetido dos padrões ‘conceito-exemplo’ e ‘conceito-

exercício’. À exceção do estilo Relacional-Sintético (formado apenas por três sujeitos),

o estilo AA realizou um número médio de movimentos superior às demais classes de

estilo cognitivo consideradas (exploração intensa dos recursos selecionados para

estudar).

Analógico-

Analítico

Concreto-

Genérico

Dedutivo-

Avaliativo

Estilo-

Anal-Sint-Aval

Conceito

Exercício

Conceito

Revisão

Conceito

Exemplo

Relacional-

Sintético

Conceito

Exercício

Conceito

Exercício

Conceito

Revisão

Exercício

Conceito

Exemplo

Exercício

Conceito

Exemplo

Exercício

Conceito

Prova

Conceito

Exercício

Conceito

Exercício

Revisão

Conceito

Exercício

Conceito

Exemplo

Conceito

Exemplo

Conceito

Exemplo

Conceito

Exemplo

Analógico-

Analítico

Concreto-

Genérico

Dedutivo-

Avaliativo

Conceito

Exercício

Conceito

Revisão

Conceito

Exemplo

Conceito

Exercício

ConceitoConceito

RevisãoRevisão

ConceitoConceito

ExemploExemplo

Relacional-

Sintético

Conceito

Exercício

Conceito

Exercício

Conceito

Exercício

Conceito

Exercício

Conceito

Revisão

Exercício

Conceito

Exemplo

Exercício

Conceito

Exemplo

Conceito

RevisãoRevisão

Exercício

Conceito

Exemplo

Exercício

ConceitoConceito

ExemploExemplo

Exercício

Conceito

Exemplo

Exercício

ConceitoConceito

ExemploExemplo

Exemplo

Exercício

Conceito

Prova

Conceito

Exercício

Conceito

Exercício

ExemploExemplo

ExercícioExercício

ConceitoConceito

ProvaProva

Conceito

Exercício

Conceito

Exercício

Conceito

Exercício

Conceito

Exercício

RevisãoRevisão

Conceito

ExercícioExercício

Conceito

Exemplo

Conceito

Exemplo

Conceito

Exemplo

Conceito

Exemplo

Conceito

Exemplo

Conceito

Exemplo

Conceito

Exemplo

Conceito

Exemplo

Analógico-

Analítico

Concreto-

Genérico

Dedutivo-

Avaliativo

Estilo-

Anal-Sint-Aval

Conceito

Exercício

Conceito

Revisão

Conceito

Exemplo

Conceito

Exercício

ConceitoConceito

RevisãoRevisão

ConceitoConceito

ExemploExemplo

Relacional-

Sintético

Conceito

Exercício

Conceito

Exercício

Conceito

Exercício

Conceito

Exercício

Conceito

Revisão

Exercício

Conceito

Exemplo

Exercício

Conceito

Exemplo

Conceito

RevisãoRevisão

Exercício

Conceito

Exemplo

Exercício

ConceitoConceito

ExemploExemplo

Exercício

Conceito

Exemplo

Exercício

ConceitoConceito

ExemploExemplo

Exemplo

Exercício

Conceito

Prova

Conceito

Exercício

Conceito

Exercício

ExemploExemplo

ExercícioExercício

ConceitoConceito

ProvaProva

Conceito

Exercício

Conceito

Exercício

Conceito

Exercício

Conceito

Exercício

RevisãoRevisão

Conceito

ExercícioExercício

Conceito

Exemplo

Conceito

Exemplo

Conceito

Exemplo

Conceito

Exemplo

Conceito

Exemplo

Conceito

Exemplo

Conceito

Exemplo

Conceito

Exemplo

Analógico-

Analítico

Concreto-

Genérico

Dedutivo-

Avaliativo

Conceito

Exercício

ConceitoConceito

RevisãoRevisão

ConceitoConceito

ExemploExemplo

Conceito

Exercício

ConceitoConceito

RevisãoRevisão

ConceitoConceito

ExemploExemplo

Relacional-

Sintético

Conceito

Exercício

Conceito

Exercício

Conceito

Exercício

Conceito

Exercício

Conceito

RevisãoRevisão

Exercício

Conceito

Exemplo

Exercício

ConceitoConceito

ExemploExemplo

Exercício

Conceito

Exemplo

Exercício

ConceitoConceito

ExemploExemplo

Conceito

RevisãoRevisão

Exercício

ConceitoConceito

ExemploExemplo

Exercício

ConceitoConceito

ExemploExemplo

Exercício

ConceitoConceito

ExemploExemplo

Exercício

ConceitoConceito

ExemploExemplo

ExercícioExercício

ConceitoConceito

ProvaProva

Conceito

Exercício

Conceito

Exercício

Conceito

Exercício

Conceito

Exercício

ExemploExemplo

ExercícioExercício

ConceitoConceito

ProvaProva

Conceito

Exercício

Conceito

Exercício

Conceito

Exercício

Conceito

Exercício

RevisãoRevisão

Conceito

ExercícioExercício

Conceito

Exemplo

Conceito

Exemplo

Conceito

Exemplo

Conceito

Exemplo

Conceito

Exemplo

Conceito

Exemplo

Conceito

Exemplo

Conceito

Exemplo

Conceito

Exemplo

Conceito

Exemplo

Figura 6.10:Padrões de ações cognitivas dos Estilos Cognitivos até a primeira prova

O estilo Concreto-Genérico (CG) realizou em média 84 movimentos até a primeira

prova. Pela análise dos seus movimentos espontâneos nestes primeiros 84 movimentos,

observa-se que a estratégia básica de busca da nova informação ocorre através do uso

repetido do padrão “exercício-conceito-exemplo”. Em relação à classe dos Analógico-

Analíticos, observamos que os Concreto-Genérico exploraram mais os diferentes

recursos didáticos disponíveis, mas é possível perceber que a exploração aos recursos

não foi intensa. Esta classe de estilo cognitivo optou pela realização da primeira prova

em um número médio de movimentos 20% menor que o estilo AA.

O estilo Dedutivo-Avaliativo (DA), por sua vez, realizou em média 77 movimentos

antes da primeira prova. Analisando os seus movimentos espontâneos nestes primeiros

77 movimentos, observa-se que a estratégia básica de busca da nova informação

consistiu na exploração, sem repetição, de todos os recursos que lhe eram oferecidos, ou

seja, o estilo explorou uma vez somente todos os recursos disponíveis e então se

habilitou a realização da primeira prova.

A classe correspondente ao Estilo Analítico-Sintético-Avaliativo (ASA) realizou em

média 76 movimentos até a primeira prova. Assim como o estilo Analógico-Analítico,

esta classe aborda novas informações através do uso repetido do padrão ‘conceito-

exercício’. Entretanto, diferentemente dos Analógico-Analítico, reduziu em 20% o

número médio de movimentos antes de se habilitar à primeira prova.

Por último, o estilo Relacional-Sintético (RS) apresentou uma grande limitação

quanto ao número de sujeitos da sua amostra, ou seja, na fase do experimento tivemos

acesso a apenas três sujeitos representantes da classe. Mesmo assim, pela análise dos

seus movimentos entre os recursos, observa-se uma tendência na busca de novas

informações através do uso repetido do padrão ‘conceito-exemplo’.

6.3.5 Resumo da Análise Exploratória

Uma vez que o principal objetivo deste estudo é identificar os indicadores que

melhor discriminam o funcionamento de aprendizagem das classes de ECA, com base

na Tabela 6.1 geramos os quadros-resumo (Tabelas 6.3 e 6.4). Nestas Tabelas, os

indicadores do Comportamento Navegacional e dos Tempos de Permanência foram

tabulados tendo como referência a intensidade média de uso dos recursos didáticos e

formas de apresentação, em cada classe de ECA, previamente classificadas como

ALTA, MÉDIA e BAIXA. Cada uma destas categorias estão destacadas nas células

através das cores ‘preta’, ‘cinza-escuro’ e ‘cinza-claro’, respectivamente.

A Tabela 6.3 resume os resultados, referentes à Intensidade Média de Uso dos

recursos didáticos e das formas de apresentação por ECA.

Tabela 6.3: Mapa resumo dos percentuais médios da freqüência relativa dos recursos didáticos

e formas de apresentação, pelas classes de ECA, em um ambiente de aprendizagem na Web.

AA CG DA ASA RS

Amostra 10 7 8 7 3

Média do Total de Paginas

Visitadas até 1ª Prova

106 85 78 77 223

Padrões de Ações Cognitivas

Conceitoà

Exercício e

Conceitoà

Exemplo

Exercício

àConceito

àExemplo

Conceito

à<recurso

didático>

Conceito

Exercício

Conceito

Exemplo

Conceito 50,34% 39,81% 44,07% 37,47% 32,76%

Exercício 30,39% 24,40% 34,85% 43,48% 34,95%

Freqüência

relativa do

Recurso

Exemplo 13,02% 28,28% 13,16% 12,99% 28,40%

Só Textual

7,49% 3,67% 6,06% 3,84% 7,27%

Textual c/

Figura

28,70% 23,52% 17,82% 22,28% 11,87%

Conceito

Esquema

c/ Figura

14,15% 12,62% 20,18% 11,36% 13,62%

V ou F

2,92% 5,59% 7,88% 7,77% 4,27%

Relacionar

Colunas

3,86% 2,07% 4,56% 4,09% 5,38%

Escolha

Simples

8,55% 9,05% 5,34% 3,23% 12,19%

Preencher

Lacunas

2,27% 1,70% 5,38% 7,26% 4,76%

Exercício

Escolha

Simples c/

Figura

12,80% 6,0% 11,68% 21,12% 8,35%

Textual c/

Figura

7,42% 18,92% 6,42% 10,65% 20,11%

Freqüência relativa da Forma de Apresentação

Exemplo

Esquema

c/ Figura

5,59% 9,35% 6,74% 2,34% 8,29%

Intensidade Alta Intensidade Média Intensidade Baixa

Os padrões dos tempos de permanência nos recursos didáticos e formas de

apresentação

A Tabela 6.4 resume os resultados, referentes aos Tempos de Permanência Médios

das classes de ECA nos recursos didáticos e nas formas de apresentação.

Tabela 6.4: Mapa resumo dos percentuais médios de permanência nos recursos didáticos e

formas de apresentação, pelas classes de ECA, em um ambiente de aprendizagem na Web

AA CG DA ASA RS

Amostra 10 7 8 7 3

Tempo médio de permanência até 1ª

Prova

1:36:35 1:13:36 1:35:19 1:42:09 2:37:37

Conceito 36,37% 28,13% 31,24% 29,34% 24,19%

Exercício 27,45% 21,12% 25,07% 34,20% 44,42%

Tempo de

Permanência nos

Recursos

Didáticos

Exemplo 5,94% 11,43%% 6,38% 8,08% 15,66%

Somente

Textual

7,70% 7,56% 4,81% 5,71% 7,86%

Textual c/

Figura

21,41% 13,24% 15,75% 17,17% 9,59% Conceito

Esquema c/

Figura

7,26% 7,32% 10,68% 6,45% 6,75%

V ou F

3,63% 5,91% 5,58% 7,77% 5,98%

Relacionar

Colunas

9,20% 3,81% 7,01% 4,09% 19,72%

Escolha

Simples

6,03% 4,86% 1,86% 3,23% 8,12%

Preencher

Lacunas

2,67% 3,08% 6,11% 7,26% 6,42%

Exercício

Escolha

Simples c/

Figura

5,93% 3,47% 4,51% 21,12% 4,17%

Textual c/

Figura

4,01% 8,57% 3,78% 6,83% 11,96%

Tempo de Permanência nas Formas de Apresentação

Exemplo

Esquema c/

Figura

1,94% 2,86% 2,60% 1,25% 3,71%

6.3.6 As Hipóteses Encontradas

A partir da análise exploratória, inferimos um conjunto de hipóteses sobre o

comportamento dos ECA durante um processo de aprendizagem na Web, conforme

apresentamos a seguir.

Estilo Analógico-Analítico

• Padrões de ações cognitivas: conceitoàexemplo e conceitoàexercício

• Intensidade de uso do recurso didático de ‘conceito’ é ALTA.

Tempo de

Permanência Alto

Tempo de

Permanência Médio

Tempo de Permanência

Baixo

• Intensidade de uso das formas de apresentação textuais de ‘conceito’ é ALTA.

Estilo Concreto-Genérico

• Padrões de ações cognitivas: exercícioàconceitoàexemplo

• Intensidade de uso do recurso didático de ‘exercício’ é BAIXA.

• Intensidade de uso do recurso didático de ‘exemplo’ é ALTA.

• Intensidade de uso das formas de apresentação de ‘exemplo’ é ALTA.

Estilo Dedutivo-Avaliativo

• Padrões de ações cognitivas: sem padrão definido.

• Intensidade de uso do recurso didático de ‘conceito’ é MÉDIA.

• Intensidade de uso do recurso didático de ‘exercício’ é MÉDIA.

• Intensidade de uso do recurso didático de ‘exemplo’ é MÉDIA.

• O tempo de permanência na forma de apresentação de ‘conceito’ – ‘esquema c/

figura’ é ALTA.

Estilo Analítico-Sintético-Dedutivo

• Padrões de ações cognitivas: conceitoàexercício

• Intensidade de uso do recurso didático de ‘conceito’ é BAIXA.

• Intensidade de uso do recurso didático de ‘exercício’ é ALTA.

• Intensidade de uso do recurso didático de ‘exemplo’ é BAIXA.

• O tempo de permanência na forma de apresentação de ‘exercício’ – ‘V ou F’ é

ALTA.

• O tempo de permanência na forma de apresentação de ‘exercício’ – ‘escolha

simples c/ figura’ é ALTA.

Estilo Relacional-Sintético

• Padrões de ações cognitivas: conceitoàexemplo

• Intensidade de uso do recurso didático de ‘conceito’ é BAIXA.

• Intensidade de uso do recurso didático de ‘exercício’ é MÉDIA.

• Intensidade de uso do recurso didático de ‘exemplo’ é ALTA.

• O tempo de permanência na forma de apresentação de ‘exemplo’ – ‘esquema c/

figura’ é ALTA.

6.4 Avaliação Qualitativa dos Resultados

A partir dos resultados quantitativos, obtidos a partir da análise exploratória,

prosseguimos com uma avaliação qualitativa dos resultados, que foi realizada

juntamente com o especialista (Psicólogo Cognitivo). Neste momento, era necessário

obter uma confirmação do especialista a respeito da nossa compreensão sobre o

funcionamento cognitivo (Trajetórias de Aprendizagem) das classes de ECA sendo

investigadas.

Para realizar a análise qualitativa, elaboramos um questionário. Este questionário

era composto por um conjunto de afirmativas (hipóteses) sobre o comportamento do

aluno durante a execução do módulo de ensino experimental TDMA. Estas afirmativas

estavam representando, até aquele momento, as crenças levantadas (ou padrões) sobre

os indicadores que melhor discriminavam o comportamento dos estilos no Ambiente de

Ensino e Aprendizagem na Web utilizado.

No questionário, as afirmativas estavam organizadas por classe de estilo cognitivo e

pelo tipo de informação que elas continham, quais sejam:

I. Padrões de Ações Cognitivas

II. Intensidade de uso dos recursos didáticos

III. Intensidade de uso das formas de apresentação

IV. Tempo de permanência nos recursos didáticos

V. Tempo de permanência nas formas de apresentação.

Ao especialista foi solicitado analisar, para cada uma das afirmativas, se ela

explicava um possível funcionamento da classe de estilo cognitivo considerada. Para

responder estas questões, o especialista era solicitado a indicar se ele concordava com a

afirmativa e porquê, ou seja, ele deveria justificar a sua resposta. Além disso, o

especialista também era solicitado a explicitar o seu grau de crença sobre a afirmativa

em questão, bem como deveria explicitar a base de sua crença, para opinar sobre a

afirmativa, conforme mostra a Tabela 6.5.

Tabela 6.5: Níveis de crença do especialista

Grau de Crença na Afirmativa Base da Crença na Afirmativa

( ) Nada se pode afirmar

( ) Baixa

( ) Média Baixa

( ) Média

( ) Média Alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra

A interpretação dos resultados obtidos está baseada nas principais características

cognitivas das classes de ECA consideradas, descritas no Capítulo 5 e nos resultados da

análise exploratória a respeito do comportamento das classes de ECA durante a

execução do módulo de ensino experimental. Estes resultados refletem as tendências

comportamentais dos ECAs, os quais são direcionados pelos seus processos cognitivos

subjacentes.

A seguir, apresentamos uma breve discussão sobre o parecer do especialista, para

cada uma das classes de ECA. A ordem em que aparecem as classes de ECA inicia pela

classe de ECA que corresponde aquela com mais alto nível de abstração, seguindo em

direção aquelas com menor nível de abstração.

Dedutivo-Avaliativo

Na análise que fizemos sobre o padrão de ações cognitivas adotadas pelo estilo DA

(seção 6.3.5), interpretamos que a sua estratégia de busca da nova informação não

apresentava um padrão específico de comportamento. Entretanto, de acordo com o

especialista, os sujeitos desta classe apresentaram um padrão de comportamento que,

conforme a definição do estilo DA, está de acordo com a capacidade cognitiva que este

estilo apresenta para o uso do raciocínio dedutivo. Este padrão de comportamento

direciona o estilo DA na busca da compreensão dos conteúdos através do uso do recurso

didático de ‘conceitos’. É através dos ‘conceitos’ que este estilo procura identificar uma

lógica subjacente aos conteúdos, o que lhe facilita o processamento de novas

informações. Uma vez obtido o padrão lógico, procuram testar o seu entendimento

através do uso do recurso didático de ‘exercícios’. Em relação a este indicador, o

especialista relatou que o grau de sua crença era ‘Alta’ e que ele se fundamentou no seu

conhecimento, experiência e nos dados fornecidos.

Quanto à intensidade de uso dos recursos didáticos pelo estilo DA, na análise

exploratória verificamos que os dados não apontaram para valores discriminativos em

relação ao uso específico de cada um dos recursos por este estilo. Entretanto, o

especialista salientou para o fato de que, 78% das páginas visitadas, em média, pelos

sujeitos desta classe, correspondem ao uso combinado dos recursos didático de

‘conceito’ e ‘exercício’. É esta combinação que explica o funcionamento cognitivo do

estilo. Em relação a este indicador, o especialista relatou que o grau de sua crença era

‘Média Alta’ e que ele se fundamentou no seu conhecimento e nos dados fornecidos.

Em relação à intensidade de uso das formas de apresentação de ‘conceitos’, este

estilo demonstrou uma forte preferência pelo uso das formas esquemáticas. Segundo o

especialista, a forma esquemática facilita a captação do padrão lógico do conteúdo, uma

vez que é naturalmente didática e explicativa. Em relação a este indicador, o especialista

relatou que o grau de sua crença era ‘Média Alta’ e que ele se fundamentou no seu

conhecimento e nos dados fornecidos.

Embora os resultados da análise exploratória tenham indicado uma forte preferência

pelas formas de apresentação de exercícios do tipo ‘V ou F’ e ‘Preencher Lacunas’, o

especialista afirmou não ter elementos suficientes para concordar que isto explique um

possível funcionamento do estilo DA.

Na análise exploratória, ainda observamos que o indicador tempo de permanência

nos recursos didáticos não se mostrou discriminativo para esta classe de ECA. Sobre

esta questão, o especialista não concordou, justificando que os dados fornecidos foram

insuficientes. A análise exploratória também mostrou que o tempo de permanência na

forma de apresentação ‘esquema c/ figura’ de conceito tende a ser alta para este estilo.

Com relação a este resultado, o especialista apenas concordou com os dados fornecidos.

Analógico-Analítico

Sobre o padrão de ações cognitivas, na análise exploratória verificamos que o estilo

AA tende a adotar os padrões ‘conceito-exercício’ e ‘conceito-exemplo’ ao abordar

novas informações. O especialista concordou que estes padrões explicam o

funcionamento deste estilo, uma vez que a sua principal habilidade está em perceber

relações análogas e compreender as inter-relações entre as idéias. Segundo o

especialista, os sujeitos desta classe ao se defrontarem com novas informações, tendem

a buscar uma considerável profundidade no assunto, através de reflexão intensa. Em

relação a este indicador, o especialista relatou que o grau de sua crença era ‘Alta’ e que

ele se fundamentou no seu conhecimento, experiência e nos dados fornecidos.

Quanto ao uso dos recursos didáticos, verificamos que a intensidade de uso do

recurso de ‘conceito’ tende a ser alta para este estilo. Pelos mesmos motivos, acima

expostos, o especialista concordou que este resultado explica o funcionamento da classe

de estilo AA. É através da intensa exploração do conteúdo teórico que propicia estes

sujeitos a fazerem elaborações e fortes reflexões. Esta tendência evidencia-se também

na preferência demonstrada por este estilo quanto ao uso das formas textuais de

apresentação de ‘conceitos’. Na análise exploratória ainda verificamos que o uso da

forma de apresentação de exercício ‘escolha simples c/ figura’ tende a ser alta. O

especialista apenas concordou com este resultado.

Relacional-Sintético

A interpretação dos resultados para esta classe de ECA, conforme o especialista,

ficou muito comprometida em função do número limitado de sujeitos. Mesmo assim,

em relação ao padrão de ações cognitivas adotado pelos sujeitos deste estilo, qual seja,

‘conceito-exemplo’, segundo o especialista, reflete a sua necessidade em relacionar os

conceitos com situações práticas na tentativa de buscar um conhecimento sintético. Em

relação a este indicador, o especialista relatou que o grau de sua crença era ‘Média Alta’

e que ele se fundamentou no seu conhecimento, experiência e nos dados fornecidos.

Em relação aos demais estilos, o estilo RS foi aquele que mais usou o recurso de

‘exemplo’, ou seja, a análise exploratória mostrou que a intensidade de uso deste

recurso tende a ser alta para este estilo. O especialista concordou fortemente que este

indicador reflete o funcionamento do estilo. Segundo este especialista, os sujeitos deste

estilo trabalham com hipóteses associadas ao conteúdo e, fixam-se nos exemplos para

confirmarem e/ou reformularem suas hipóteses, de forma semelhante ao tipo de

processamento utilizado no raciocínio hipotético-dedutivo.

Em relação às formas de apresentação do recurso de ‘exercício’, a intensidade de

uso foi alta para as formas: ‘relacionar colunas’ e ‘escolha simples’. O especialista

concordou com este resultado, mas não deixa claro como este indicador explica o

funcionamento desta classe. Quanto aos indicadores do tempo de permanência nos

recursos didáticos de ‘exercício’ e ‘exemplo’, esta classe demonstrou forte tendência

para intensidade alta. O especialista concordou que estes indicadores justificam o

funcionamento do estilo, porque o tempo gasto nestes recursos é proporcional à

intensidade de uso dos mesmos. Em relação a estes indicadores, o especialista relatou

que o grau de sua crença era ‘Alta’ e que ele se fundamentou no seu conhecimento e nos

dados fornecidos.

Concreto-Genérico

Sobre o padrão de ações cognitivas, na análise exploratória verificamos que o estilo

CG tende a adotar o padrão ‘exercício-conceito-exemplo’ na abordagem de novas

informações. Segundo o especialista, este indicador explica um possível funcionamento

do estilo. Uma vez que os sujeitos desta classe caracterizam-se por serem ‘concretos’,

eles tendem a evitar o contato mais sistemático com os conteúdos teóricos, no caso

representados pelos ‘conceitos’. Em relação a este indicador, o especialista relatou que o

grau de sua crença era ‘Alta’ e que ele se fundamentou no seu conhecimento,

experiência e nos dados fornecidos.

Através da análise exploratória, também verificamos que a intensidade de uso do

recurso didático de ‘exemplo’ por este estilo tende a ser alta. O especialista concorda

plenamente, com alto grau de crença e fundamentado no seu conhecimento, experiência

e nos dados fornecidos. Segundo ele, os sujeitos desta classe de estilo tentam

generalizar os conhecimentos a partir de situações concretas e, secundariamente, através

de exercícios. A constatação de que a intensidade de uso das formas de exemplo tende a

ser alta para este estilo é conseqüência direta da sua preferência pelo uso do recurso de

‘exemplo’. Segundo o especialista, pela sua característica, os sujeitos CG exploram ao

máximo este recurso em todas as suas formas de apresentação.

Em relação ao uso do tempo no processamento dos recursos didáticos e formas de

apresentação dos mesmos, este estilo gastou um tempo maior no recurso didático de

‘exemplo’e na forma de apresentação ‘textual com figura’. Para o especialista estes

dados indicaram que o tempo foi proporcional à intensidade de uso do recurso e da

forma de apresentação.

Analógico-Analítico-Avaliativo

Por construção, os sujeitos deste estilo se agruparam de maneira heterogênea. Isto

significa que eles não apresentaram similaridade interna em relação ao desempenho nas

habilidades e processos cognitivos subjacentes, avaliados no Teste Ross (seção 5.1.1).

Conseqüentemente, a interpretação dos resultados da análise exploratória foi dificultada

para o especialista explicar o funcionamento desta classe.

Mesmo assim, pela análise exploratória, pudemos observar algumas características

estáveis para estes sujeitos. Quanto ao padrão de ações cognitivas adotado por este

estilo, observamos que existe uma tendência deste em adotar o padrão ‘conceito-

exercício’. O especialista concordou com este resultado, baseando-se fundamentalmente

nos dados fornecidos. Considerando este indicador, o especialista comparou o seu

funcionamento com o da classe DA, com a diferença de que a classe ASA demonstrou

ter mais necessidade em testar suas hipóteses e compreensão. Acreditamos que a

característica desta classe em apresentar predominância em uma habilidade ou processo,

levou o especialista a detectar através dos dados fornecidos um funcionamento dessa

classe semelhante ao estilo AA e DA.

No entanto, na análise exploratória, observamos diferentes indicadores que a

caracterizam. Em relação ao uso dos recursos didáticos esta classe apresentou uma

intensidade alta no uso dos exercícios, que de acordo com o especialista evidencia

fortemente a sua característica de testar e avaliar a sua aprendizagem. Em relação à

intensidade de uso das formas de apresentação de ‘exercícios’, este estilo usou

intensamente as formas ‘V ou F’, ‘Preencher Lacunas’ e ‘Escolha Simples com Figura’.

Para o especialista, estes indicadores confirmaram que o uso da testagem é o recurso de

aprendizagem mais importante para esta classe. O indicador tempo de permanência foi

maior no recurso didático de ‘exercício’, bem como nas suas formas de apresentação:

‘V ou F’ e ‘escolha simples com figura’. Estes indicadores foram confirmados pelo

especialista como um modo de funcionamento do estilo, ou seja, o estilo tende a gastar

mais tempo no recurso didático de ‘exercício’ (e suas respectivas formas) para se

certificar sobre o seu aprendizado.

6.5 Mineração de Dados e a Busca de um Modelo de

Classificação

O diagnóstico do ECA do aluno corresponde a um típico procedimento de

classificação. Conforme Henery (1994), um dos importantes significados da

classificação consiste em estabelecer uma regra a partir da qual se possa classificar

novas observações em uma das classes, dado um conjunto de classes rotuladas e

conhecidas.

Os métodos de classificação comumente praticados, e estudados pelos pesquisadores

da área, na linha da aprendizagem através da experiência, podem ser agrupados sob três

diferentes abordagens (MICHIE et al., 1994): (i) abordagem estatística (modelo

probabilístico); (ii) aprendizagem de máquina-AM - (sentenças proposicionais e

lógicas); e (iii) redes neurais. As abordagens estatísticas caracterizam-se por ter um

modelo probabilístico explícito, que fornecem a probabilidade de ‘ser’ de cada uma das

classes consideradas. A AM tem como meta gerar expressões simples o suficiente para

serem compreendidas facilmente por agentes humanos, ou seja, tentam imitar o

raciocínio humano na tomada de decisão. Um exemplo típico deste método corresponde

às árvores de decisão. Por fim, a abordagem correspondente as redes neurais, combina a

complexidade de algumas técnicas estatísticas com o objetivo da AM de imitar a

inteligência humana. Entretanto, isto é feito a um nível mais “inconsciente”, o que faz

com que os conceitos aprendidos sejam transparentes ao usuário.

Nesta fase do processo de descoberta do conhecimento, investigamos o uso de

algumas dessas técnicas, com os exemplos disponíveis a partir dos dados do arquivo de

log, gerado durante a aplicação do módulo de ensino experimental – TDMA – a uma

amostra da população-alvo. Especificamente, utilizamos duas técnicas

estatísticas/probabilísticas para analisar o processo de indução do modelo de

classificação: Análise Discriminante (AD) e Classificadores Bayesianos Ingênuos

(CBI), assim como também utilizamos a técnica de AM correspondente às chamadas

árvores de decisão.

Em cada uma das tentativas realizadas, esbarramos na severa limitação referente ao

tamanho da amostra dos exemplos disponíveis e na impossibilidade de reverter a

situação junto à empresa de telecomunicações. A seguir, documentamos o trabalho

realizado.

6.5.1 Análise Discriminante

Em estatística, a análise discriminante (AD) se refere à computação de diversas

estatísticas relacionadas e é usada para estudar as diferenças entre duas ou mais classes

e um conjunto de variáveis discriminantes (Figura 6.11).

A AD tem dois propósitos: interpretação e classificação. Na interpretação o seu uso

possibilita que se estude a diferença entre duas ou mais classes e um conjunto de

variáveis discriminantes. Neste caso, a variável classe é tratada como variável

dependente e é medida de forma nominal. Na classificação, tanto as variáveis

discriminantes, quanto as funções discriminantes canônicas são usadas para predizer a

classe mais provável ao qual pertence um novo caso. Nosso interesse na AD esteve

relacionado principalmente com a interpretação dos resultados estatísticos.

Classes

Variáveis Discriminantes

Classes

Variáveis Discriminantes

Figura 6.11:Relacionamento entre as classes e as variáveis discriminantes

De acordo com Klecka (1980), a aplicação da AD exige alguns requisitos

matemáticos importantes, que ele resume da seguinte forma.

Sejam:

g = número de classes

p = número de variáveis discriminantes

= número de casos na classe i

n. = número total de casos

Então, deve ser considerado:

1. Duas ou mais classes: g ≥ 2.

2. Pelo menos dois casos por grupo: n

≥ 2.

3. Qualquer número de variáveis discriminantes, desde que o total de variáveis seja

menor que o número de casos menos dois: 0 < p < (n. – 2).

4. As variáveis discriminantes devem ser medidas com valores intervalares, ou

seja, devem ser passíveis de ser computada em uma fórmula matemática;

5. As variáveis discriminantes não podem ser uma combinação linear de outras. A

proibição da combinação linear é resultado de certos requisitos matemáticos da

técnica. De certa forma isto é intuitivo uma vez que a variável formada pela

combinação linear não contém nenhuma informação nova, além daquelas

contidas em suas componentes. Assim, ela seria redundante.

6. A matriz de covariância para cada classe deve ser (aproximadamente) igual, a

menos que fórmulas especiais sejam usadas.

7. Cada classe deve ser formada a partir de uma população onde as variáveis

discriminantes apresentam uma distribuição normal multivariada.

De modo a satisfazer os requisitos matemáticos, neste estudo procedemos a AD

considerando, primeiramente, somente os indicadores relativos às preferências das

classes de ECA pelos ‘recursos didáticos’ e, num segundo momento, consideramos

somente os indicadores relativos às preferências pelas ‘formas de apresentação’.

Excluímos os indicadores de tempo nos recursos didáticos e nas formas de apresentação

destes uma vez que, ao realizar uma análise de correlação entre os indicadores que

mediam preferência e aqueles que mediam tempo de permanência, observamos uma

forte correlação entre eles. Na AD, isto corresponderia a uma redundância de

informação e certamente estaria ‘mascarando’ possível resultado.

A AD foi realizada através do uso do pacote estatístico SPSS para Windows, versão

10.0. A técnica tenta identificar uma ou mais combinação linear das variáveis

discriminativas, ou seja, define algumas funções discriminantes na forma:

pipiii

ZdZdZdD +++= ...

2211

onde D

corresponde ao escore da função discriminante i, os “ds” correspondem aos

pesos dos coeficientes. Os “Zs” são os valores padrão das p variáveis discriminantes

usadas na análise. O número máximo de funções que podem ser derivadas ou é uma a

menos que a quantidade de grupos ou é igual ao número das variáveis discriminantes, se

existirem mais grupos que variáveis. Idealmente, o escore de uma função discriminante

D para os casos de um mesmo grupo é similar. Em qualquer taxa, as funções são

formadas de modo a maximizar a separação entre os grupos. Uma vez que as funções

tenham sido derivadas, é possível perseguir os propósitos de interpretação e

classificação. A Tabela 6.6 mostra os principais resultados estatísticos desta análise.

Os resultados apresentados na Tabela 6.6 nos permitem interpretar o poder de

classificação das funções discriminantes canônicas, aprendidas a partir da amostra de

dados rotulados. O coeficiente de correlação canônica é uma medida valiosa para julgar

a utilidade da função discriminante. Se o coeficiente é alto

, então ele indica que existe

uma forte correlação entre as classes e a função discriminante. Na Tabela 6.6, pode-se

observar que estes coeficientes, tanto em relação aos recursos didáticos, quanto em

relação às formas de apresentação, não são muito altos, mesmo para f1, a qual está

representando o maior poder de discriminação.

Tabela 6.6: Resultados estatísticos gerados na AD

Estatísticas

Preferência pelos Recursos

Didáticos

Preferência pelas Formas de

Apresentação

f1 0,404 0,637

f2 0,299 0,589

f3 0,231 0,441

Correlação

canônica

f4 - 0,314

Wilk’s Lambda 0,721 0,282

Qui-Quadrado 9,803 33,530

Significância 0,633 0,755

Nro. de classificações corretas

19 26

% de classificações corretas 54,3% 74,3%

O coeficiente Lambda (Λ) também é usado para o julgamento do poder de

discriminação da função, mas é específico para quando os dados correspondem a uma

amostra da população. Na verdade, este é o caso em questão. Wilks’s Lambda é uma

medida estatística multivariada das diferenças entre as classes em relação às variáveis

discriminantes. Os valores de Lambda que estão próximos de zero denotam alto poder

de discriminação, enquanto que à medida que ele cresce em direção ao valor 1, significa

que não existe diferença entre as classes. Assim, analisando os resultados na Tabela 6.6,

podemos observar que, tanto em relação às preferências pelos ‘recursos didáticos’,

quanto pelas ‘formas de apresentação’, as classes de ECA não se diferenciam muito (Λ

= 0,721 e Λ = 282, respectivamente). Estes resultados estão longe de zero.

Conforme Klecka (1980), o coeficiente Lambda pode ser convertido em um teste de

significância. A significância de Lambda, por sua vez, pode ser convertida em uma

aproximação do Qui-quadrado, que permite que se determine o nível de significância.

Como os exemplos de nossa amostra de dados não resultaram de um processo de

amostragem aleatório (foram selecionados os sujeito mais típicos de cada classe de

ECA), os testes Qui-quadrado e nível de significância não se aplicam. De qualquer

forma, na Tabela 6.6, pode-se observar que os níveis de significância são muito altos, ou

seja, as funções não são significantes estatisticamente.

Quanto aos resultados da classificação a partir das funções discriminantes canônicas,

o resultado das classificações correta em relação à preferência das classes de ECA pelos

‘recursos didáticos’ foi de 54,3% dos casos, assim como o percentual de classificação

em relação à preferência das classes de ECA pelas ‘formas de apresentação’ foi de

74,3% dos casos. Conseqüentemente, o erro para estes casos correspondeu,

respectivamente a 45,7% (16 casos) e 25,7% (9 casos) de classificações incorretas.

Considerando as estatísticas acima, estes valores ainda representam, matematicamente,

um conhecimento incerto.

Coeficiente de correlação canônica: o valor zero denota nenhum relacionamento, enquanto que valores

grandes (sempre positivos) representam um grau crescente de associação, onde o valor 1 corresponde ao

valor máximo.

A Tabela 6.7 apresenta a matriz de confusão relativa à tentativa de discriminar as

classes de ECA considerando apenas a preferência pelas ‘recursos didáticos’. Entre os

três casos ‘AA’ classificados incorretamente, dois foram classificados como ‘CG’ e um

como ‘RS’. Entre os quatro casos ‘CG’ classificados incorretamente, três foram

classificados como ‘AA’ e um como ‘RS’. Entre os cinco casos ‘DA’ classificados

incorretamente, dois foram classificados como ‘AA’, dois como ‘CG’ e um foi

classificado como ‘RS’.Entre os quatro casos ‘ASA’ classificados incorretamente, dois

foram classificados como ‘AA’, um como ‘CG’ e um como ‘DA’. Os três casos ‘RS’

foram classificados corretamente. Portanto, pela matriz de confusão, concluímos que

através da AD somente as classes de ECA ‘AA’ e ‘RS’ tiveram um nível aceitável

quanto ao desempenho de classificação.

Tabela 6.7: Resultado da classificação na análise discriminante considerando apenas a

preferência das classes de ECA pelos ‘recursos didáticos’

ECA Classes de ECA preditas

Classes de ECA

originais

1 2 3 4 5

Total

1 7 2 1 10

2 3 3 1 7

3 2 2 3 1 8

4 2 1 1 3 7

5 3 3

% 1 70,0% 20,0% 10,0% 100,0%

2 42,86% 42,86% 14,28% 100,0%

3 25,0% 25,0% 37,5% 12,5 100,0%

4 28,57% 14,29% 14,29% 42,86% 100,0%

5 100,0% 100,0%

A Tabela 6.8 apresenta a matriz de confusão relativa à tentativa de discriminar as

classes de ECA considerando apenas a preferência pelas ‘formas de apresentação’.

Neste caso, um caso ‘AA’ foi classificado como ‘DA’; um caso ‘CG’ foi classificado

como ‘AA’ e um caso ‘CG’ foi classificado como ‘DA’; apenas um caso ‘DA’ foi

classificado como ‘AA’. Entre os dois casos ‘ASA’ classificados incorretamente, um foi

classificado como ‘CG ‘ e o outro como ‘DA’. Finalmente, em relação ao estilo ‘RS’,

todos os casos foram classificados corretamente. Portanto, pela matriz de confusão,

concluímos que a AD apresentou um bom nível de classificação em relação às classes

de ECA ‘AA’, ‘DA’ e ‘RS’, quando tentamos discriminá-las através de suas

preferências pelas ‘formas de apresentação’.

A AD ainda permite a determinação da importância relativa de cada uma das

variáveis consideradas, para a determinação dos coeficientes padronizados das funções

discriminantes (Figura 6.12 e Figura 6.13).

Tabela 6.8: Resultado da classificação na análise discriminante considerando apenas a

preferência das classes de ECA pelas 'formas de apresentação'

ECA Classes de ECA preditas

Classes de ECA

originais

1 2 3 4 5

Total

1 9 1 10

2 1 4 2 7

3 2 6 8

4 3 4 7

5 3 3

% 1 90,0% 10,0% 100,0%

2 14,3% 57,14%

28,57%

100,0%

3 25,0% 75,0% 100,0%

4 42,86% 57,14% 100,0%

5 100,0% 100,0%

2,293 4,083 3,745

1,914 4,383 2,602

2,691 3,282 2,379

Conceito

Exercício

Exemplo

1 2 3

Função

Figura 6.12:Discriminando as classes de ECA pelos Recursos Didáticos: coeficientes padrão

das funções discriminantes canônicas

As funções f1, f2 e f3 na Figura 6.12 foram geradas em ordem de capacidade de

discriminação das classes de ECA, ou seja, a f1 foi a que mais discriminou, seguida

pelas demais. Em relação aos coeficientes padronizados listados na Figura 6.12,

ignorando o sinal, caso houvesse, a sua interpretação depende da sua magnitude. Quanto

maior a sua magnitude, maior é a contribuição da variável. Na tentativa de discriminar

as classes de ECA considerando a preferência pelos ‘recursos didáticos’, vimos que:

• f1 discriminou especialmente pelo uso de ‘Exemplo’ (coeficiente = 2,691) e, em

menor grau de importância, pelo uso de ‘Conceito’ (coeficiente = 2,293) e

‘Exercício’ (coeficiente = 1,914)

• f2 discriminou especialmente pelo uso de ‘Exercício’ (coeficiente = 4,383),

seguido em menor grau pelo uso de ‘Conceito’ (coeficiente = 4,083) e ‘Exemplo’

(coeficiente = 3,282).

• f3 discriminou especialmente pelo uso de ‘Conceito’ (coeficiente = 3,745),

seguido em menor grau pelo uso de ‘Exercício’ (coeficiente = 2,602), e

‘Exemplo’ (coeficiente = 2,379).

Em relação à tentativa de discriminar as classes de ECA pelas formas de

apresentação (Figura 6.13), verificamos que:

• f1 discriminou especialmente pelo uso da forma ‘Preencher Lacunas’

(coeficiente = 1,418) relativa ao recurso didático de ‘Exercício’, seguida em

menor grau pelo uso das formas ‘Só Textual’ de ‘Conceitos’ (coeficiente =

1,246) e ‘Escolha Simples c/ Figura’ (coeficiente = 1,108), relativa ao recurso

didático de ‘Exercício’.

• f2 discriminou especialmente pelo uso combinado das formas ‘Textual c/ Figura’

(coeficiente = 3,924) de ‘Conceito’, ‘Textual c/ Figura’ (coeficiente = 3,445) de

‘Exemplo’ e ‘Escolha Simples c/ Figura’ (coeficiente = 3,330) de ‘Exercício’.

• f3 discriminou, relativamente, pelo uso da forma ‘Só Textual’ (coeficiente =

0,845) de ‘Conceito’, seguida em menor grau pela forma ‘Esquema c/ Figura’

(coeficiente = 0,631) de ‘Exemplo’.

• f4 discriminou, relativamente, pelo uso da forma ‘Textual c/ Figura’ (coeficiente

= 0,645) de ‘Exemplo’, seguida pela forma ‘Esquema c/ Figura’ (coeficiente =

0,567) de ‘Conceito’.

1,246 1,595 ,845 ,407

,411 3,924 ,491 ,012

-,210 1,611 ,037 ,567

-,114 1,223 -,091 ,288

,092 ,874 ,279 ,461

-,472 1,743 ,406 ,200

1,418 1,076 ,115 ,223

1,108 3,330 ,394 ,412

,415 3,445 -,265 ,645

,301 1,059 ,631 ,457

Con-Só Textual

Con-Textual c/ Fig.

Con-Esquema c/ Fig.

Exer-VouF

Exer-Relac.Colunas

Exer-Escolha Simples

Exer-Preencher Lacunas

Exer-Escolha Simples c/ Fig.

Exem-Textual c/ Fig.

Exem-Esquema c/ Fig.

1 2 3 4

Função

Figura 6.13:Discriminando as classes de ECA pelas formas de apresentação: Coeficientes

padrão das funções discriminantes canônicas

Finalmente, para a classificação de novos casos, os coeficientes das funções de

classificação, para cada classe de ECA, são calculados pela técnica. Estes coeficientes

determinam uma combinação linear das variáveis discriminantes, de forma a maximizar

as diferenças das classes de ECA, enquanto a variação entre as classes é minimizada.

Esta forma de classificar foi primeiramente proposta por (Fisher, 1936 apud Klecka,

1980).A função de classificação para cada uma das classes é dada pela expressão:

pkpkkkk

xbxbxbbC ++++= K

22110

onde C

é o escore para a classe k e os “bs” são os coeficientes que precisam ser

derivados para a classificação. Um novo caso é classificado naquela classe que

apresentou o maior escore (maior valor para C). Existe uma função diferente para cada

classe de ECA.

A Figura 6.14 apresenta os coeficientes das funções de classificação, para cada uma

das classes de ECA, considerando as preferências destas pelos ‘recursos didáticos’.

6,505 6,442 6,368 6,463 6,655

6,203 6,143 6,084 6,195 6,369

6,589 6,574 6,455 6,558 6,796

-302,133 -297,721 -290,255 -299,939 -319,283

Conceito

Exercício

Exemplo

(Constant)

1 2 3 4 5

ECA

Fisher's linear discriminant functions

Figura 6.14:Recursos Didáticos: coeficientes das funções de classificação

Por exemplo, para a obtenção do escore C em um novo caso, seria necessário

calcular:

133,302*589,6*203,6*505,6

−++= tpdpexemtpdpexertpdpconC

721,297*455,6*143,6*442,6

−++= tpdpexemtpdpexertpdpconC

255,290*455,6*084,6*368,6

−++= tpdpexemtpdpexertpdpconC

939,299*558,6*195,6*463,6

−++= tpdpexemtpdpexertpdpconC

283,319*796,6*369,6*655,6

−++= tpdpexemtpdpexertpdpconC

onde tpdpcon, tpdpexer e tpdpexem corresponderiam aos valores percentuais de uso dos

recursos de ‘Conceito’, ‘Exercício’ e ‘Exemplo’, respectivamente, do novo caso

considerado. O maior valor de C corresponderia a maior probabilidade do novo caso

‘ser’ da classe de ECA correspondente.

A Figura 6.15 apresenta os coeficientes das funções de classificação, para cada uma

das classes de ECA, considerando as preferências destas pelas formas de apresentação.

Para o diagnóstico de um novo caso, seria necessário calcular os valores de C

, C

, ...,

, cujas funções correspondentes seriam construídas com base nos coeficientes

apresentados na Figura 6.15.

10,153 9,655 9,709 10,268 10,612

8,072 8,011 7,776 8,079 8,300

7,144 7,172 6,973 7,130 7,345

7,609 7,648 7,404 7,618 7,837

7,450 7,389 7,253 7,425 7,698

7,163 7,183 6,874 7,061 7,366

7,653 7,282 7,433 7,958 8,008

7,793 7,685 7,538 7,854 8,047

9,094 9,079 8,758 9,177 9,477

6,844 6,723 6,661 6,807 7,028

-373,196 -366,862 -349,230 -376,633 -399,752

Con-Só Textual

Con-Textual c/ Fig.

Con-Esquema c/ Fig.

Exer-V ou F

Exer-Relac. Colunas

Exer-Escolha Simples

Exer-Preencher Lacunas

Exer-Escolha Simples c/ Fig.

Exem-Textual c/ Fig.

Exem-Esquema c/ Fig.

(Constant)

1 2 3 4 5

ECA

Fisher's linear discriminant functions

Figura 6.15:Formas de Apresentação: coeficientes das funções de classificação

6.5.2 Classificador Bayesianos Ingênuo

Os classificadores Bayesianos ingênuos (CBI), que têm uma abordagem

probabilística, têm sido considerados como uma abordagem eficiente e eficaz para

muitos problemas de modelagem de usuário (ou aluno), especialmente devido à sua

rapidez de aprendizagem e o baixo custo computacional (STERN et al., 1999;

MITCHELL, 1997; MICHIE et al., 1994). Estas características são críticas em sistemas

de modelagem on-line do aluno. Conforme Stern et al., na abordagem tradicional de

modelagem do aluno, existe pelo menos duas grandes limitações: (i) O especialista do

domínio deve determinar, a priori, sobre quais características do domínio são

importantes para serem rastreadas no modelo do aluno. Este processo implica em um

consumo de tempo significativo e normalmente envolve a análise de uma tarefa

cognitiva; e (ii) As características que compõem o modelo do aluno são estáticas. Sobre

esta questão, o interessante é dispor de um modelo no qual tanto as características,

quanto os relacionamentos não observados a priori pelo especialista do domínio possam

ser descobertos pelo sistema e incluídos no mesmo. De forma similar, também é

possível que algumas características sejam removidas.

As questões postas por Stern et al. (1999) podem ser gerenciadas através do uso de

alguma técnica de AM. Isto significa que o sistema pode ‘aprender’ sobre o usuário a

partir das interações com este. Por outro lado, a AM tem algumas limitações. A primeira

delas está relacionada com a necessidade de uma quantidade substancial de dados, antes

de se considerar que houve alguma aprendizagem. Com o aluno on-line, é necessário

que a aprendizagem inicie com poucas interações. Em segundo lugar, normalmente, é

necessária uma quantidade de tempo substancial antes que a aprendizagem ocorra. Estas

limitações são significativas quando consideramos a modelagem do usuário. Na

modelagem on-line do aluno, espera-se que o procedimento seja realizado em tempo

real, durante as interações com o mesmo.

Existem pelo menos quatro vantagens em relação ao uso de um CBI no que se refere

à modelagem do usuário: (i) Técnica bastante intuitiva e simples de ser usada; (ii)

Retorna uma probabilidade, que é mais simples do que utilizar uma escala arbitrária;

(iii) Não requer grande quantidade de dados antes que a aprendizagem inicie; (iv) É

computacionalmente rápida na tomada de decisão.

Um CBI pode ser aplicado na aprendizagem de tarefas onde cada instância x é

descrita através de um conjunto de valores de atributos, e onde a função de classificação

f(x) pode assumir qualquer valor a partir de um conjunto finito V. Deve-se dispor de um

conjunto de exemplos para o treinamento da função f(x) e uma nova instância é

apresentada, descrita através de uma tupla de valores de atributos <a

, a

, ..., a

>. A

abordagem Bayesiana para classificar uma nova instância consiste em associar o valor

de f(x) mais provável, v

map

, dado os valores dos atributos <a

, a

, ..., a

> que descrevem

a instância.

),,|(maxarg

21 njmap

aaavPv K= com Vv

∈ (6.1)

Usando o Teorema de Bayes, a expressão (6.1) pode ser re-escrita como:

Vvcom

aaaP

vPvaaaP

jjn

map

∈= ,

),(

)()|,(

maxarg

(6.2)

VvPvaaaP

jjn

∈= ()|,,,(maxarg

K (6.3)

Agora, é necessário estimar os dois termos da equação (6.3), baseado nos dados de

treinamento. É fácil estimar cada um dos P(v

). Basta contar a freqüência com que cada

valor v

ocorre nos dados de treinamento. Entretanto, para estimar os diferentes termos

P(a

, a

, ..., a

) nesta forma é praticamente impossível, a menos que se tenha um

conjunto de dados de treinamento muito grande. O problema é que, com um conjunto de

dados muito grande, o número de termos é igual ao número das possíveis instâncias

multiplicado pelo número dos possíveis valores v

Na verdade, um CBI está baseado no pressuposto da simplificação de que, dado um

valor v

, os valores dos atributos tornam-se condicionalmente independentes entre si.

Em outras palavras, o pressuposto consiste em: dado um valor v

da instância, a

probabilidade de se observar a conjunção a

, a

, ..., a

é dada somente pelo produto das

probabilidades dos atributos, individualmente: P(a

, a

, ..., a

) = ∏

P(a

Substituindo esta equação em (6.3), temos a abordagem de um CBI, ou seja:

∏

jijCBI

vaPvPv )|()(maxarg (6.4)

onde v

CBI

denota o valor de saída fornecido pelo CBI. Podemos observar que, para um

CBI, o número de termos distintos P(a

) que devem ser estimados a partir dos dados

de treinamento é exatamente igual ao número dos valores dos atributos multiplicado

pelo número dos valores das probabilidades, o que representa um número muito menor

em relação aos termos P(a

, a

, ..., a

), anteriormente mostrados.

Resumindo, o método de aprendizagem CBI envolve uma etapa de aprendizagem, na

qual os vários termos P(v

) e P(a

) são estimados, baseados em suas freqüências sobre

os dados de treinamento. O conjunto destas estimativas corresponde à hipótese a ser

aprendida. Esta hipótese é então usada para classificar cada uma das novas instâncias,

aplicando a equação descrita em (6.4).

A aplicação da técnica CBI, a geração do modelo de classificação e a “validação”

foram desenvolvidos com o auxílio da ferramenta ARBAYES, desenvolvida pelo

“Grupo de Pesquisa em Inteligência Artificial da UnB – GIA – UnB”, o qual mantém

intercâmbio de pesquisa com o GIA – UFRGS. Uma representação gráfica do CBI

gerado para classificar as classes de ECA a partir da análise das preferências destas

classes pelos ‘recursos didáticos’ pode ser vista na Figura 6.16.

CONCEITO EXER EXEM

ECA

Figura 6.16:Representação gráfica do CBI para classificar um novo caso a partir da análise de

suas preferências pelos 'recursos didáticos'

Associado a este CBI existe um conjunto de tabelas de probabilidades,

correspondentes a P(v

) e P(a

). Por exemplo, a Tabela 6.9 corresponde às

probabilidades a priori de um novo caso ‘ser’ de cada uma das classes de ECA. As

Tabelas 6.10, 6.11 e 1.12 correspondem às tabelas de probabilidade condicionais

relativas a P(Conceito | ECA), P(Exercício | ECA) e P(Exemplo | ECA),

respectivamente.

Tabela 6.9: Tabela de probabilidades a priori de ser de uma classe de ECA

ECA = ‘AA’ ECA = ‘CG’

ECA = ‘DA’

ECA = ‘ASA’ ECA = ‘RS’

0,25641 0,205128 0,230769 0,205128 0,102564

100

Tabela 6.10:Tabela de probabilidades condicionais para o uso de ‘Conceito’

Intensidade de uso

de ‘Conceitos’

ECA = ‘AA’ ECA = ‘CG’

ECA = ‘DA’

ECA = ‘ASA’ ECA = ‘RS’

Alta 0,583333 0,3 0,27 0,2 0,166667

Média 0,25 0,3 0,454545 0,4 0,333333

Baixa 0,166667 0,4 0,272727 0,4 0,5

Tabela 6.11:Tabela de probabilidades condicionais para o uso de ‘Exercício'

Intensidade de uso

de ‘Exercício’

ECA = ‘AA’ ECA = ‘CG’

ECA = ‘DA’

ECA = ‘ASA’ ECA = ‘RS’

Alta 0,166667 0,4 0,363636 0,4 0,333333

Média 0,333333 0,1 0,363636 0,4 0,5

Baixa 0,5 0,5 0,272727 0,2 0,166667

Tabela 6.12:Tabela de probabilidades condicionais para o uso de 'Exemplo'

Intensidade de uso

de ‘Exemplo’

ECA = ‘AA’ ECA = ‘CG’

ECA = ‘DA’

ECA = ‘ASA’ ECA = ‘RS’

Alta 0,25 0,4 0,272727 0,2 0,666667

Média 0,416667 0,4 0,454545 0,4 0,166667

Baixa 0,333333 0,2 0,272727 0,4 0,166667

Na fase de treinamento do CBI, procedemos de forma idêntica à aplicação da AD,

ou seja, num primeiro momento isolamos os indicadores relativos às preferências das

classes de ECA pelos ‘recursos didáticos’ e, num segundo momento, consideramos

somente os indicadores relativos às preferências pelas ‘formas de apresentação’. Antes

de proceder a aprendizagem da rede, realizamos a discretização dos dados, conforme

descrito na seção 6.1.

Considerando que dispúnhamos de um conjunto de exemplos rotulados severamente

limitado, utilizamos a forma extrema da validação cruzada múltipla, conhecida como o

método deixe um de fora (HAYKIN, 2001). Neste caso, (n – 1) exemplos são usados

para treinar o modelo, e o modelo é validado testando-o sobre o exemplo deixado de

fora. O experimento é repetido para um total de n vezes, cada vez deixando de fora um

exemplo diferente para a validação. A seguir, apresentamos a matriz de confusão,

correspondente aos resultados obtidos, referentes à preferência das classes de ECA

pelos ‘recursos didáticos’ (Tabela 6.13).

Conforme o previsto, os resultados foram muito pouco satisfatórios. Apenas uma

das classes de ECA (1-‘AA’) foi aceitavelmente discriminada. Quanto às demais, nada

se pode afirmar. O erro ficou em 74,28%, ou seja, dos 35 sujeitos da amostra, 26 foram

classificados incorretamente.

Da mesma forma que na situação anterior, no teste realizado com o CBI, levando em

consideração apenas as preferências das classes de ECA pelas ‘formas de apresentação’,

utilizamos o método deixe um de fora. Os resultados na matriz de confusão são

mostrados na Tabela 6.14. Neste caso, nenhuma das classes de ECA foi discriminada

adequadamente, considerando apenas estas variáveis-atributo. Apenas 25,71% dos casos

foram classificados corretamente.

101

Tabela 6.13:Resultados da classificação através do CBI considerando apenas as preferências

pelos 'recursos didáticos’

ECA Classes de ECA preditas

Classes de ECA

originais

1 2 3 4 5

Total

1 6 1 1 1 1 10

2 2 1 2 1 1 7

3 2 1 0 4 1 8

4 1 1 3 1 1 7

5 0 1 1 0 1 3

% 1 60,0% 10,0% 10,0% 10,0% 10,0% 100,0%

2 28,6% 14,3% 28,6% 14,3% 14,3% 100,0%

3 25,0% 12,5% 0,0% 50,0% 12,5% 100,0%

4 14,3% 14,3% 42,8% 14,3% 14,3% 100,0%

5 0,0% 33,3% 33,3% 0,0% 33,3% 100,0%

Tabela 6.14:Resultado da classificação através do CBI considerando apenas as preferências

pelas 'formas de apresentação'

ECA Classes de ECA preditas

Classes de ECA

originais

1 2 3 4 5

Total

1 3 2 3 2 10

2 2 2 1 2 7

3 1 1 1 4 1 8

4 1 3 2 1 7

5 1 1 1 3

% 1 30,0% 20,0% 30,0% 20,0% 100,0%

2 28,57 28,57% 14,28% 28,57% 100,0%

3 12,50% 12,50% 12,50% 50,0% 12,50% 100,0%

4 14,28% 42,86% 28,57% 14,28% 100,0%

5 33,33% 33,33% 33,3% 100,0%

6.5.3 Árvores de Decisão

A indução de uma árvore de decisão corresponde a um dos algoritmos de

aprendizagem mais simples e que apresentam bons resultados (RUSSEL & NORVIG,

1995). O algoritmo de aprendizagem usa como entrada um vetor de valores das

variáveis-atributos, juntamente com o valor da variável-classe (conjunto de

aprendizagem). O problema genérico da técnica consiste em encontrar uma expressão

simbólica que prediz a classe de um novo caso (conjunto de teste), selecionado

aleatoriamente a partir da mesma população (FENG & MICHIE, 1994). A exatidão do

método é medida a partir dos resultados obtidos, ou seja, considerando o número de

casos classificados corretamente. O pressuposto básico é de que tanto o conjunto de

dados de treinamento, quanto o conjunto de dados de teste sejam aleatoriamente

selecionados a partir da mesma fonte de dados.

A aplicação da técnica, a geração do modelo de classificação e a “validação” foram

realizados com o auxílio da ferramenta ‘See5’, disponível por

http://www.rulequest.com/see5-info.html. Os resultados são expressos como uma árvore

102

de decisão e como um conjunto de regras do tipo “Se ... Então ... “. A análise dos

resultados da classificação através da árvore de decisão gerada é realizada através de

alguns parâmetros estatísticos associados.

Com base nos valores das variáveis-atributo fornecidas pelo conjunto de dados de

treinamento, a árvore de decisão gerada mapeia, em direção às folhas, a designação de

uma das classes consideradas. Cada folha da árvore é seguida por uma anotação do tipo

(n) ou (n/m), onde n corresponde ao número de casos no arquivo de dados que foram

mapeados nessa folha e, m, se aparecer, corresponde ao número de casos que foram

classificados incorretamente pela folha.

A avaliação da árvore de decisão gerada a partir dos dados de treinamento é dada

pelo número de folhas e pelo erro. O erro, por sua vez, é dado pelo número de casos

classificados incorretamente e pelo percentual correspondente. A matriz de confusão

mostra a tabela de classificação e define exatamente o tipo dos erros cometidos.

Outra facilidade da ferramenta ‘See5’ é o seu mecanismo de converter árvores em

coleções de regras. Cada regra do conjunto consiste de:

• Número da regra: serve para a sua identificação.

• Estatística: (n, lift x) ou (n/m, lift x) – serve para analisar o desempenho da regra.

O valor de ‘n’ corresponde ao número de casos cobertos pela regra e ‘m’, se

aparecer, mostra quantos casos não pertenciam à classe predita pela regra. A

exatidão da regra é estimada pela razão de Laplace (n – m+1) / (n + 2). A medida

‘lift x ‘ é o resultado da divisão da exatidão da regra pela freqüência relativa da

classe predita no conjunto de treinamento. Este resultado nos diz o quão

informativa é a regra em relação ao conhecimento prévio.

• Uma ou mais condições que devem ser satisfeitas se a regra é aplicável.

• A classe predita pela regra.

• Um valor entre 0 e 1 que indica a confiança com que a predição foi feita.

Na fase de treinamento, procedemos de forma idêntica à aplicação da AD e do CBI,

ou seja, num primeiro momento isolamos os indicadores relativos às preferências das

classes de ECA pelos ‘recursos didáticos’ e, num segundo momento, consideramos

somente os indicadores relativos às preferências pelas ‘formas de apresentação’.

A Figura 6.17 mostra os resultados da classificação quando consideramos apenas as

preferências das classes de ECA pelos ‘recursos didáticos’. Neste caso, observamos que

a árvore gerada possui nove (9) folhas e que, em todas elas, pelo menos um (1) caso não

foi classificado corretamente, com n variando entre 2 e 6 casos. O erro foi de 37,1% dos

casos. Isto demonstra a dificuldade da técnica para separar as classes de ECA

considerando apenas as preferências pelos ‘recursos didáticos’, a partir do conjunto de

dados de treinamento fornecidos.

Quanto à análise da matriz de confusão gerada neste caso, observamos que entre as

cinco classes de ECA, a árvore de decisão gerada classificou um caso ‘AA’ como

‘ASA’; um caso ‘CG’ como ‘AA’; nenhum caso ‘DA’ foi classificado como ‘DA’; dois

casos ‘ASA’ foram classificados como ‘AA’; e, finalmente, um caso ‘RS’ foi

classificado como ‘CG’. Portanto, a conclusão a que se chega é que a classe ‘DA’ não

foi discriminada pela técnica, considerando apenas os indicadores da preferência pelos

‘recursos didáticos’.

Quanto à análise do conjunto de regras, à exceção da regra 7, todas as demais são

pouco informativas em relação ao conhecimento prévio, dado pela freqüência relativa

103

de ‘ser de uma classe de ECA’. Em relação ao nível de confiança das regras geradas,

todos eles estão em torno de 50%, o que de certa forma é baixo dentro de uma escala de

0% a 100%.

See5 [Release 1.13] Sun Nov 23 12:48:13 2003

Options:

Generating rules

Class specified by attribute `ECA'

Read 35 cases (4 attributes) from eca.data

Decision tree:

EXER > 46.33:

:...CON <= 25.41: 1 (2/1)

: CON > 25.41: 4 (4/1)

EXER <= 46.33:

:...EXER > 40.16: 2 (5/2)

EXER <= 40.16:

:...EXER <= 18.06:

:...EXEM <= 21.62: 1 (6/3)

: EXEM > 21.62: 2 (4/1)

EXER > 18.06:

:...EXEM <= 27.05:

:...EXER <= 37.71: 1 (5/1)

: EXER > 37.71: 4 (4/2)

EXEM > 27.05:

:...EXEM <= 30.37: 5 (3/1)

EXEM > 30.37: 1 (2/1)

Extracted rules:

Rule 1: (2/1, lift 1.7)

CON <= 25.41

EXER > 46.33

-> class 1 [0.500]

Rule 2: (24/15, lift 1.3)

EXER <= 40.16

-> class 1 [0.385]

Rule 3: (4/1, lift 3.3)

EXER <= 18.06

EXEM > 21.62

-> class 2 [0.667]

Rule 4: (5/2, lift 2.9)

EXER > 40.16

EXER <= 46.33

-> class 2 [0.571]

Rule 5: (4/1, lift 3.3)

CON > 25.41

EXER > 46.33

-> class 4 [0.667]

Rule 6: (4/2, lift 2.5)

EXER > 37.71

EXER <= 40.16

-> class 4 [0.500]

Rule 7: (3/1, lift 7.0)

EXEM > 27.05

EXEM <= 30.37

-> class 5 [0.600]

Default class: 1

valuation on training data (35 cases):

Decision Tree Rules

---------------- ----------------

Size Errors No Errors

9 13(37.1%) 7 13(37.1%) <<

(a) (b) (c) (d) (e) <-classified as

---- ---- ---- ---- ----

9 1 (a): class 1

1 6 (b): class 2

3 2 2 1 (c): class 3

2 5 (d): class 4

1 2 (e): class 5

Figura 6.17:Árvore de Decisão gerada e os resultados obtidos quando consideramos apenas as

preferências das classes de ECA pelos ‘recursos didáticos’

A Figura 6.18 mostra os resultados da classificação, levando em consideração

apenas as preferências das classes de ECA pelas ‘formas de apresentação’.

See5 [Release 1.13] Sun Nov 23 12:55:55 2003

Options:

Generating rules

Class specified by attribute `ECA'

Read 35 cases (11 attributes) from eca.data

Decision tree:

V301 > 15.57:

:...V101 <= 4.49: 2 (4/1)

: V101 > 4.49: 5 (3)

V301 <= 15.57:

:...V204 > 7.94:

104

:...V101 <= 3.87: 3 (3/1)

: V101 > 3.87: 4 (2)

V204 <= 7.94:

:...V201 <= 3.37:

:...V203 > 0: 1 (6)

: V203 <= 0:

: :...V101 <= 0: 1 (2/1)

: V101 > 0: 3 (5/2)

V201 > 3.37:

:...V103 > 14.67: 2 (2)

V103 <= 14.67:

:...V202 <= 1.39: 4 (3)

V202 > 1.39:

:...V205 <= 10.66: 1 (3/1)

V205 > 10.66: 3 (2)

Extracted rules:

Rule 1: (28/18, lift 1.3)

V301 <= 15.57

-> class 1 [0.367]

Rule 2: (2, lift 3.7)

V103 > 14.67

V201 > 3.37

V204 <= 7.94

-> class 2 [0.750]

Rule 3: (4/1, lift 3.3)

V101 <= 4.49

V301 > 15.57

-> class 2 [0.667]

Rule 4: (8/3, lift 2.6)

V101 > 0

V203 <= 0

V204 <= 7.94

-> class 3 [0.600]

Rule 5: (3/1, lift 2.6)

V101 <= 3.87

V204 > 7.94

-> class 3 [0.600]

Rule 6: (3, lift 4.0)

V103 <= 14.67

V201 > 3.37

V202 <= 1.39

V301 <= 15.57

-> class 4 [0.800]

Rule 7: (2, lift 3.7)

V101 > 3.87

V204 > 7.94

-> class 4 [0.750]

Rule 8: (3, lift 9.3)

V101 > 4.49

V301 > 15.57

-> class 5 [0.800]

Default class: 1

Evaluation on training data (35 cases):

Decision Tree Rules

---------------- ----------------

Size Errors No Errors

11 6(17.1%) 8 6(17.1%) <<

(a) (b) (c) (d) (e) <-classified as

---- ---- ---- ---- ----

9 1 (a): class 1

1 5 1 (b): class 2

1 7 (c): class 3

1 1 5 (d): class 4

3 (e): class 5

Figura 6.18:Árvore de Decisão gerada e os resultados obtidos considerando apenas as

preferências das classes de ECA pelas ‘formas de apresentação’

Neste caso, observamos que a árvore gerada possui onze (11) folhas e o erro foi

17,1% dos casos. Apesar de ainda ser alto, neste caso o erro foi bem inferior à situação

anterior. Isto demonstra que tanto em relação à preferência das classes de ECA pelos

‘recursos didáticos’, quanto pelas ‘formas de apresentação’, existiu dificuldade para a

técnica separar as classes de ECA a partir do conjunto de dados de treinamento

fornecidos.

A matriz de confusão correspondente à árvore de decisão gerada a partir dos

indicadores da preferência das classes de ECA pelas ‘formas de apresentação’ mostrou

que, um caso ‘AA’ foi classificado como ‘DA’; entre os dois casos ‘CG’ classificados

incorretamente, um foi classificado como ‘AA’ e o outro como ‘DA’; um caso ‘DA’ foi

classificado como ‘AA’; entre os dois casos ‘ASA’ classificados incorretamente, um foi

105

classificado como ‘CG’ e o outro como ‘DA’; e finalmente, todos os casos ‘RS’ foram

classificados corretamente.

Quanto à análise do conjunto de regras, observamos que para este caso, de um modo

geral, todas as regras se mostraram um pouco mais informativas em relação ao

conhecimento prévio, assim como o nível de confiança das regras, de um modo geral,

são superiores a 50%.

6.6 Considerações sobre o Uso das Técnicas de Classificação

Após a investigação das técnicas de aprendizado supervisionado (ou classificação):

Análise Discriminante (AD), Classificador Bayesiano Ingênuo (CBI) e Árvores de

Decisão, o próximo passo corresponde a avaliação comparativa dessas técnicas, com o

objetivo de decidir sobre aquela que melhor se adequaria à solução do problema de

diagnosticar o ECA do aluno a partir da observação de sua TA durante uma sessão de

estudo na Web.

A avaliação comparativa dessas técnicas passa pela análise da exatidão na

classificação e pela estimativa das taxas de erro. Neste trabalho, essa análise ficou

prejudicada, dado a severa limitação do tamanho da amostra de dados disponível, usada

na aprendizagem. Os parâmetros estatísticos associados a cada uma dessas técnicas

mostraram isso, conforme é apresentado a seguir.

Na AD, tanto o coeficiente Lambda, quanto o nível de significância das funções

discriminantes, não se mostraram estatisticamente significantes, ou seja, no caso do

coeficiente Lambda, os resultados não permitem que se refute a hipótese de que não

existem diferenças entre as classes de ECA. Isto vale tanto considerando os indicadores

da preferência das classes de ECA pelo ‘recursos didáticos’, quanto considerando os

indicadores da preferência pelas ‘formas de apresentação’. Quanto aos níveis de

significância, os valores obtidos, tanto num caso, quanto no outro, também não

permitem que se refute a hipótese de que não existem diferenças entre as classes de

ECA.

Em relação à técnica CBI, a capacidade de classificação foi muito baixa e,

conseqüentemente, a taxa de erro muito alta. Observamos que apenas a classe ‘AA’ foi

medianamente discriminada a partir a partir das variáveis discriminantes usadas e do

conjunto de dados de aprendizagem disponíveis. Por ser uma técnica que enfoca a

abordagem probabilística, temos especial interesse na mesma, uma vez que o problema

de diagnosticar o ECA do aluno on-line a partir da observação de sua TA durante uma

sessão de aprendizagem certamente não é uma tarefa trivial e determinística. Ela exige

que se conviva com um conhecimento incerto por envolver a modelagem em

computador de uma característica pedagógica individual de um agente humano.

Em relação à técnica usada em AM, ou seja, árvore de decisão, conforme já era

esperado, os parâmetros estatísticos não apontaram em direção à exatidão na

classificação, e também aparecem associados a altas taxas de erro.

A Tabela 6.15 apresenta o mapa-resumo relativo ao desempenho das técnicas de

aprendizagem supervisionada (classificação) analisadas neste trabalho. Os valores estão

representando o erro na classificação dos casos, a partir dos dados de treinamento

fornecidos. Na Tabela, a informação sobre o erro é apresentada por classe de ECA e

pela situação analisada, ou seja, como a técnica classifica os casos considerando,

separadamente, as preferências das classes de ECA pelos ‘recursos didáticos’e, depois,

pelas ‘formas de apresentação. Conforme foi mencionado anteriormente, esta divisão

106

dos indicadores da preferência das classes de ECA foi utilizada para evitar,

especialmente, o viés da redundância. A análise das técnicas através desta divisão dos

indicadores também nos permitiu identificar melhor aquela categoria de indicadores que

melhor discriminava as classes de ECA.

Tabela 6.15:Mapa-resumo do desempenho das técnicas de classificação analisadas

Análise Discriminante CBI Árvores de Decisão

ECA

Recursos

Didáticos

Formas de

Apresentação

Recursos

Didáticos

Formas de

Apresentação

Recursos

Didáticos

Formas de

Apresentação

AA 30,0% 10,0% 40,0% 70,0% 10,0% 10,0%

CG 57,1% 42,9% 85,7% 71,4% 14,3% 26,6%

DA 62,5% 25,0% 100,0% 87,5% 100,0% 12,5%

ASA 57,1% 42,9% 85,7% 71,4% 28,6% 28,6%

RS 0,0% 0,0% 66,6% 66,6% 33,3% 0,0%

Pela análise deste mapa-resumo (Tabela 6.15), podemos observar que a árvore de

decisão foi a técnica que melhor classificou os casos. Através desta técnica observamos

que o ECA ‘AA’ se discriminou tanto pelo uso que fez dos ‘recursos didáticos’, quanto

pelo uso que fez das ‘formas de apresentação’. O ECA ‘CG’ se discriminou melhor pelo

uso que fez dos ‘recursos didático’. O ECA ‘DA’ se discriminou somente pelo uso que

fez das ‘formas de apresentação’. O uso que esta classe fez dos ‘recursos didáticos’ não

a discrimina. O ECA ‘ASA’ foi o que apresentou maior dificuldade de ser discriminado.

Na análise qualitativa, o especialista achou semelhança entre o comportamento desta

classe com a classe ‘DA’. Finalmente, o ECA ‘RS’ foi completamente discriminado

pelo uso que fez das ‘formas de apresentação’.

A análise do conjunto de regras, por sua vez, nos permitiu identificar os indicadores

das preferências das classes de ECA que de fato as discriminaram, pelo menos em

relação ao conjunto de dados de aprendizado disponível. Por exemplo, a classe ‘AA’,

que foi discriminada pelo uso que fez dos ‘recursos didáticos’, as regras que a

discriminou levaram em consideração, especialmente, o uso que a classe fez do recurso

de ‘Exercício’ (Figura 6.17, Regras 1 e 2). A classe ‘CG’ que foi discriminada,

especialmente, pelo uso que fez dos ‘recursos didáticos’, as regras que a discriminou

levaram em consideração o uso que esta classe fez dos recursos de ‘Exercício’ e

‘Exemplo’ (Figura 6.17, Regras 3 e 4).

Por outro lado, em relação a classe ‘DA’ que não foi discriminada pelo uso que fez

dos ‘recursos didáticos’e sim pelo uso que fez das ‘forma de apresentação’, observamos

que as regras que a discriminou levaram em consideração o uso da forma textual de

apresentação de ‘Conceitos’, a falta de uso do ‘Exercício’de escolha simples e a alta

intensidade com que usou o ‘Exercício’ na forma de ‘preencher lacunas’ (Figura 6.18,

Regras 4 e 5).

Infelizmente, a comparação destes resultados com os resultados da análise

qualitativa realizada pelo especialista não foi possível, uma vez que os parâmetros

utilizados em uma e outra são diferentes. Na análise qualitativa, os parâmetros relativos

a preferência das classes de ECA pelos ‘recursos didáticos’ e ‘formas de apresentação’

correspondiam a valores médios das classes. Na técnica árvore de decisão, estes

parâmetros são analisados considerando todos os casos de cada uma das classes.

107

7 CONCLUSÕES E TRABALHOS FUTUROS

Nesta tese apresentamos a metodologia quase-experimental, com o objetivo de

modelar o ECA do aluno. Esta metodologia compreendeu duas fases: (i) geração das

classes de ECA a partir da aplicação de um teste psicológico em uma amostra da

população-alvo; e (ii) desenvolvimento do módulo de ensino experimental e estudo das

TAs-padrão das classes de ECA, a partir da observação de seus comportamentos

durante a execução de uma sessão de estudo na Web. A primeira fase foi descrita

através de análises estatísticas, pela aplicação das técnicas de Análise Fatorial e Análise

de Cluster. A segunda fase foi descrita como um processo de descoberta de

conhecimento, conforme aquele apresentado por Fayyad et al. (1996). Este processo

incluiu desde a compreensão do sistema de conhecimento a ser desenvolvido, até a

compreensão e interpretação dos resultados obtidos.

Neste Capítulo, apresentamos algumas conclusões, avaliamos as contribuições do

trabalho, as limitações do contexto estudado e as alternativas de trabalhos futuros.

7.1 Conclusões

O processo de descoberta de conhecimento descrito nesta tese teve como objetivo

modelar uma característica individual humana qual seja, o Estilo Cognitivo de

Aprendizagem (ECA), a partir da observação da trajetória de aprendizagem durante uma

sessão de estudo na Web. No contexto considerado, o ECA do aluno representa um

construto psicopedagógico, que reflete o seu estágio de desenvolvimento cognitivo, de

acordo com a taxonomia de Bloom.

O que diferencia este estudo daqueles encontrados na literatura é a forma como o

ECA do aluno é modelado. Nossa proposta de modelagem para esta característica

individual baseia-se na análise das interações do aluno com o ambiente, ao invés de

utilizar questionários ou testes psicológicos. Essas práticas (questionários ou testes)

normalmente aborrecem os seus usuários, especialmente quando o número de questões é

grande, o tempo de resposta é controlado e o nível de atenção exigido naquele momento

é fundamental. Além disso, e especialmente por isso, o acesso do sistema de ensino ao

ECA do aluno permitirá ao mesmo acompanhar e facilitar ao aluno o desenvolvimento

de suas habilidades cognitivas, das mais simples (conhecimento) as mais abstratas

(capacidade para realizar análise e síntese), tornando o seu processo de aprendizagem

mais efetivo e eficaz.

A descoberta de conhecimento sobre como as classes de ECA interagem com os

recursos pedagógicos durante uma sessão de estudo na Web não é uma tarefa trivial e

nem observável diretamente a partir do log de navegação. Ela envolveu uma atividade

de aprendizagem cognitiva e uma atividade de aprendizagem de máquina. Os dados

usados foram gerados a partir das interações de uma amostra de alunos, selecionados na

108

população-alvo. Estes dados, que foram computados de acordo com a Tabela 4.2, foram

gerados durante uma sessão de estudo, onde estes alunos executaram o módulo de

ensino experimental – TDMA – desenvolvido especialmente para este fim.

Cada caso no arquivo de dados de treinamento dos algoritmos de aprendizagem

correspondeu a um sujeito da amostra, e as informações nele contidas corresponderam

aos: (i) conjunto de varáveis, indicadoras das preferências das classes de ECA pelos

‘recursos didáticos’e ‘formas de apresentação’; e (ii) conjunto de variáveis, indicadoras

da velocidade de processamento das classes de ECA nos ‘recursos didáticos’e ‘formas

de apresentação’. O arquivo de treinamento era formado por 35 entradas, com 26

valores relativos às variáveis-atributo, e com o valor do ECA correspondente, relativo à

variável-classe.

No estudo que fizemos, consideramos três técnicas de classificação: Análise

Discriminante, Classificador Bayesiano Ingênuo e Árvores de Decisão. Os resultados

preliminares do nosso estudo foram apresentados na Tabela 6.15.

Até o presente momento, estivemos preocupados com a descoberta de conhecimento

sobre o domínio considerado (comportamento das classes de ECA) e com a escolha

daquele algoritmo com a melhor resposta para a realização do diagnóstico do ECA do

aluno on-line. Embora os resultados não tenham se mostrado muito relevantes,

especialmente considerando a severa limitação em relação ao número de casos no

arquivo de aprendizagem, nossa meta consiste em continuar investigando este domínio,

através do desenvolvimento de um laboratório de teste, que implemente mais de uma

técnica para a realização do diagnóstico do ECA do aluno.

O laboratório de teste será desenvolvido no contexto do Projeto AdaptWeb

(FREITAS, 2002). A cada novo curso implementado no ambiente AdaptWeb, seus

alunos-usuários terão suas interações com o ambiente monitoradas e registradas em

arquivos de log, para posterior análise do comportamento e técnicas de mineração de

dados para a modelagem de perfis cognitivos de aprendizagem na Web.

7.2 Discussão das Contribuições

Apresentamos a discussão das contribuições desta tese através dos resultados

obtidos e de como estes resultados responderam as nossas questões de pesquisa,

enumeradas no Capítulo 4. Para respondê-las, iniciamos pela segunda questão, seguida

da primeira e terceira.

Questão de pesquisa 2: quais são os indicadores (ou parâmetros) de uma trajetória de

aprendizagem que melhor discriminam a trajetória típica de cada uma das classes de

ECA consideradas?

A investigação sobre estes indicadores demandou a realização de uma análise

exploratória para a busca e aquisição do conhecimento sobre COMO as classes de ECA

aprendem na Web. Ao invés de estudar O QUE o aluno aprendeu, nosso maior interesse

foi investigar COMO ele aprende, a partir da observação do seu comportamento. A

aquisição deste conhecimento era essencial para possibilitar o diagnóstico on-line do

aluno remoto.

A análise exploratória (Capítulo 6) nos permitiu inferir um conjunto de hipóteses

sobre as trajetórias de aprendizagem, típicas de cada umas das classes de ECA

consideradas. Através deste conjunto de hipóteses identificamos os principais

Homepage http://www.inf.ufrgs.br/~tapejara/adaptweb.

109

indicadores, que melhor poderiam discriminar as classes de ECA para a população-alvo,

conforme é descrito na Seção 6.3.7. Até o presente momento, obtivemos uma validação

apenas qualitativa, junto ao especialista, deste conjunto de hipóteses, conforme é

descrito na seção 6.5.

Além da análise exploratória, ainda obtivemos pistas importantes sobre estes

indicadores, especialmente quando analisamos as árvores de decisão, para a

classificação das classes de ECA, na Seção 6.5.3. Esta técnica tem a grande vantagem

de permitir a interpretação do modelo obtido. Através dela identificamos os indicadores

que melhor discriminam cada uma das classes de ECA.

Questão de pesquisa 1: como automatizar o diagnóstico on-line do Estilo Cognitivo de

Aprendizagem do aluno remoto a partir da observação e análise da sua trajetória de

aprendizagem em um Ambiente de Ensino e Aprendizagem na Web?

Mesmo partindo de uma avaliação qualitativa sobre o conhecimento adquirido ao

longo deste trabalho, foi possível delinear o modelo de conhecimento necessário à

execução do diagnóstico cognitivo do ECA do aluno, para a população-alvo, de forma

independente de implementação.

Conforme mencionado anteriormente, realizar o diagnóstico cognitivo on-line do

ECA do aluno remoto é uma típica tarefa de classificação. Schreiber et al. (2000)

descreveram a tarefa de classificação como uma atividade de caracterização de um

objeto (neste caso o aluno remoto), em termos da classe que ele pertence (neste caso as

classes de ECA consideradas). O conhecimento adquirido sobre as classes de ECA

provê, para cada uma delas, as restrições sobre os valores das características a elas

associadas (neste caso, as características correspondem as variáveis indicadoras

associadas às TAs-padrão de cada classe).

A automatização do diagnóstico deve incluir procedimentos automatizados, que

realizem:

• O processo de limpeza e transformação dos dados do arquivo de log;

• O processo de pré-processamento dos dados;

• O processo de treinamento e geração do mecanismo de classificação;

• A atualização do modelo do aluno.

A modelagem computacional do ECA do aluno está sendo pensada de forma

integrada ao modelo do aluno, conforme apresentamos a seguir (Figura 7.1).

Questão de pesquisa 3: como automatizar a aquisição do conhecimento necessário

para realizar o diagnóstico on-line (ou classificação) do ECA do aluno remoto?

Em um Sistema de Conhecimento, o conhecimento necessário para implementar

alguma tarefa, i.é, classificação, diagnóstico, avaliação, etc., conforme aquelas

mencionadas em Schreiber et al. (2000), pode ser obtido a partir do especialista, ou a

partir de um agente artificial que aprende através da experiência. No primeiro caso, o

especialista fornece a informação necessária para a execução da tarefa, com base no

conhecimento do domínio já estabelecido e organizado. No segundo caso, Russel &

Norvig (1995) comentam que, “sempre que o projetista do Sistema de Conhecimento

dispuser de conhecimento incompleto sobre o ambiente, a aprendizagem de máquina

(AM) é a única forma de que um agente artificial tem para adquirir aquilo que ele

precisa conhecer” (página 523).

Considerando que não dispúnhamos do conhecimento necessário para realizar a

tarefa de classificação do ECA do aluno a partir da observação de sua TA, nos restava a

segunda alternativa, ou seja, induzir o conhecimento a partir de exemplos. Entretanto,

110

como os exemplos disponíveis eram muito limitados em relação ao tamanho da amostra,

buscamos um mínimo de compreensão sobre o domínio a ser modelado através da

análise exploratória e investigação de algumas técnicas de aprendizagem

supervisionada. O estudo que fizemos nos conduziu ao conhecimento mínimo

necessário para induzir, automaticamente, o modelo de classificação a partir de

exemplos. A automatização deste processo é essencial, uma vez que a investigação

manual consome muito tempo e, mais do que isto se restringe aos dados disponíveis no

momento em que ela é realizada.

Portanto, neste caso, fica plenamente justificável o uso das técnicas de AM que têm

sido utilizadas com sucesso, especialmente aquelas que se baseiam no paradigma de

aprendizagem indutiva através de exemplos. Assim, até o presente momento, podemos

afirmar que, através do trabalho realizado, foi possível vislumbrar uma solução para a

terceira questão. A partir deste ponto, nosso trabalho deve continuar através da coleta de

mais exemplos rotulados, ou seja, submeter ao módulo de ensino experimental um

número substancial de sujeitos que tenham seu ECA já identificado através do Teste

Ross e, a partir de então, tornar possível o sucesso da aplicação de algoritmos de

aprendizagem supervisionada.

7.3 As Limitações do Contexto Estudado

• O estudo desenvolvido neste trabalho enfocou uma população específica, de

técnicos e engenheiros, funcionários de uma empresa de telecomunicações,

parceira no Projeto Tapejara.

• O teste Ross, que acessa o estágio de desenvolvimento das habilidades cognitivas

superiores do pensamento humano, ou seja, habilidades de análise, síntese e

avaliação, apresenta uma série de limitações em relação à sua aplicação: (i) é

muito extenso e exaustivo uma vez que contém 105 questões, que exigem a

leitura e interpretação atenta, com tempo de resposta controlado; (ii) deve ser

aplicado somente por professores certificados, orientadores, psicólogos escolares

ou qualquer pessoa qualificada para tal; (iii) o teste não pode ser aplicado via

computador, o que dificulta bastante o trabalho de leitura e digitação das

respostas, de modo que as mesmas possam ser lidas diretamente por um pacote

estatístico.

• O instrumento usado para estudar as TAs, ou módulo de ensino experimental

TDMA foi construído, sob o ponto de vista pedagógico, de forma um tanto

alheia às habilidades cognitivas sendo avaliadas.

• O conjunto de exemplos disponibilizados pelo experimento não foi significativo

o suficiente para explicar os padrões de comportamento das classes de ECA, de

forma compreensível a partir do uso de técnicas de AM.

7.4 Trabalhos Futuros

Acreditamos que o conhecimento adquirido neste estudo nos permitirá avançar em

direção a construção de um Ambiente Adaptativo de Ensino e Aprendizagem na Web,

que efetivamente possa apoiar o professor, de forma on-line, na difícil tarefa de assistir

o processo de aprendizagem do aluno remoto, estimulando o desenvolvimento de suas

habilidades cognitivas.

111

Os principais requisitos para implementar o modelo de adaptação estão relacionados

a três dimensões do conhecimento que o sistema precisa conhecer, relacionadas a um

processo de aprendizagem: (i) organização de conteúdos (o que ensinar); (ii)

comportamento de aprendizagem do aluno (ou trajetória de aprendizagem que forneçam

pistas sobre como ensinar); e (iii) estratégias pedagógicas (como ensinar um aluno que

pertence a uma específica classe de ECA).

Sobre a dimensão organização de conteúdos, em sua elaboração precisamos levar

em consideração não somente os níveis de conhecimento do aluno sobre os conteúdos,

mas também as habilidades e processos cognitivos conforme a taxonomia de Bloom.

Sobre a dimensão comportamento de aprendizagem do aluno, precisamos refinar e

aprofundar os estudos sobre os indicadores de aprendizagem a serem usados no

reconhecimento automático do ECA do aluno remoto, assim como precisamos analisar

as técnicas de AM e classificação que melhor se ajustam aos requisitos de

implementação do módulo de diagnóstico do ECA do aluno. Finalmente, sobre a

dimensão estratégias pedagógicas, é necessário especificar e modelar

computacionalmente estratégias que possibilitem ao aluno o desenvolvimento de suas

habilidades cognitivas, tanto em profundidade, quanto em extensão.

A modelagem computacional do ECA do aluno está sendo pensada de forma

integrada ao modelo do aluno (Figura 7.1).

Interface Pedagógica

€

Aluno

Características do

Aluno

ECA do Aluno

Modelo do Aluno

Modelo

Pedagógico

Modelo

Domínio

Kernel Pedagógico

Módulo de Monitoração

Interface Pedagógica

€

Aluno

Características do

Aluno

ECA do Aluno

Modelo do Aluno

Modelo

Pedagógico

Modelo

Pedagógico

Modelo

Domínio

Modelo

Domínio

Kernel Pedagógico

Módulo de Monitoração

Figura 7.1: O estilo cognitivo de aprendizagem no modelo do aluno

A interface pedagógica faz a mediação entre todas as interações do aluno com o

Ambiente de Ensino e Aprendizagem. O módulo de monitoração registra no arquivo de

log todas as informações relacionadas às interações do aluno com o ambiente. Além

disso, o módulo de monitoração extrai do arquivo de log o conjunto dos indicadores de

aprendizagem, necessários para compor a TA realizada por um aluno. Uma TA pode

compreender uma ou mais sessões de estudo.

112

A TA de um aluno representa o seu comportamento cognitivo observável durante

uma sessão de estudo. Conforme mencionado anteriormente, este comportamento é

concretamente observável através de um conjunto de indicadores de aprendizagem os

quais, por sua vez, representam as preferências do aluno pelos ‘recursos didáticos’ e

‘formas de apresentação’, a velocidade de processamento e suas ações cognitivas

(Figura 7.2).

Trajetória de Aprendizagem

Preferências

Velocidade de

Processamento

Ações Cognitivas

Trajetória de Aprendizagem

Preferências

Velocidade de

Processamento

Ações Cognitivas

Figura 7.2: O modelo de uma Trajetória de Aprendizagem (TA)

O módulo de monitoração repassa os indicadores de aprendizagem ao kernel

pedagógico, o qual implementa o algoritmo de classificação. No estudo que fizemos

sobre as técnicas de aprendizagem supervisionada, por restrições de contexto,

enfocamos somente a discriminação das classes de ECA considerando as preferências

pelos ‘recursos didáticos’ e pelas ‘formas de apresentação’ (Seção 6.5). Da forma como

foi controlada, a velocidade de processamento não foi considerada. Entretanto, como

trabalhos futuros, é importante que se investigue melhor este conjunto de indicadores de

aprendizagem, uma vez que eles podem refletir possíveis dificuldades do aluno, assim

como podem refletir problemas com os conteúdos pedagógicos.

Até o presente momento, identificamos na análise exploratória as ações cognitivas

típicas de cada uma das classes de ECA consideradas. Elas refletem padrões cognitivos

seqüenciais de como as classes de ECA abordam um processo de aprendizagem. Neste

estudo, induzimos estes padrões, para cada uma das classes de ECA a partir da análise

dos padrões seqüências modal dos sujeitos pertencentes a uma delas. Identificar as

ações cognitivas de um novo aluno é outra importante função do kernel pedagógico a

ser implementado.

Uma vez identificado o ECA do aluno, o kernel pedagógico seleciona a estratégia de

aprendizagem apropriada e a sugere ao aluno através da interface pedagógica.

Considerando que o ECA do aluno corresponde ao nível de suas habilidades cognitivas,

a decisão sobre a estratégia a ser sugerida depende do seu objetivo de aprendizagem.

Por exemplo, o sistema adaptativo pode sugerir ao aluno uma atividade didática visando

uma aprendizagem em profundidade sobre as habilidades cognitivas relativas aos

conteúdos sendo estudado, ou pode sugerir uma atividade didática visando a ampliação

de suas habilidades cognitivas.

A modelagem do ECA do aluno foi concebida para funcionar de modo

complementar à modelagem de outras características do aluno, como por exemplo, o seu

nível de conhecimento sobre os conteúdos sendo estudados.

Após o refinamento dos indicadores que compõem as trajetórias de aprendizagem

padrão dos ECAs considerados, o próximo passo deste estudo corresponde ao projeto e

implementação de um módulo computacional que realize o diagnóstico cognitivo on-

line do aluno, de forma integrada com o módulo pedagógico que irá prover a adaptação

dos conteúdos pedagógicos ao aluno remoto. A implementação deste módulo irá

acontecer no ambiente AdaptWeb, conforme foi anteriormente mencionado.

113

REFERÊNCIAS

ANDERSON, L. W. et al. A taxonomy for learning, teaching and assessing: a

revision of Bloom’s taxonomy of educational objectives. New York: Longman, 2001.

302 p.

AÏMEUR, E. et al. CLARISSE: a machine learning tool to initialize student models. In:

THE INTERNATIONAL CONFERENCE ON INTELLIGENT TUTORING

SYSTEMS, 6., 2002, Biarritz. Proceedings … Heidelberg: Springer-Verlag, 2002. p.

718 – 727.

BAJRAKTAREVIC, N.; HALL, W.; FULLICK, P. Incorporating learning styles in

hypermedia environment: Empirical evaluation In: WORKSHOP ON ADAPTIVE

HYPERMEDIA AND ADAPTIVE WEB-BASED SYSTEMS, 2003, Nottingham.

Proceedings … Hidelberg: Springer-Verlag, 2003.

BATISTA, G.E.A.P. Pre-processamento de dados em aprendizado de máquina

supervisionado. 2003. Tese (Doutorado) - ICMC – USP, São Paulo.

BERCHT, M. Em direção a agentes pedagógicas com dimensões afetivas. 2001. Tese

(Doutorado em Ciência da Computação) – Instituto de Informática, UFRGS, Porto

Alegre.

BICA, F. et al. Metodologia de Construção do material instrucional em um Ambiente de

Ensino Inteligente na Web. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA

EDUCAÇÃO, 12., 2001. Vitória. Anais ... Vitória: SBC-UFES, 2001.

BLOOM, B. Taxonomia dos objetivos educacionais: domínio cognitivo. Porto

Alegre: Globo, 1972.

BORGES, J.; LEVENE, M. Data Mining of user navigation patterns. Disponível em:

<http://citeseer.nj.nec.com/308898.html>. Acesso em: 10 nov. 2003.

BRUSILOVSKY, P. Methods and techniques of adaptative hypermedia. In:

BRUSILOVSKY, P. et al. (Ed.). Adaptative Hypertext and Hypermedia.

Netherlands: Kluwer Academic, 1995. p. 1-43.

BULL, S. et al. User modeling in I-Help: what, why, when and how. In:

INTERNATIONAL CONFERENCE IN USER MODELING, 8., 2001. Proceedings ...

New York: Springer Wien, 2001.

BURNS, H. L.; CAPPS, C. G. Foundations of Intelligent Tutoring Systems: An

Introduction. In: Foundations of Intelligent Tutoring Systems. Hillsdale: Lawrence

Erlbaum Associates, 1988.

114

CARBONELL, J. G. Introduction: Paradigms for machine learning. In: CARBONELL,

J. G. (Ed.). Machine Learning Paradigms and Methods. Cambridge: MIT Press,

1990. p. 1-9.

CARVER, C.A. et al. Enhancing student learning by incorporating learning styles into

adaptive hypermedia. In: WORLD CONFERENCE ON EDUCATIONAL

MULTIMEDIA AND HYPERMEDIA, Boston, 1996. Proceedings … [S.l.], 1996.

p.118-123.

COOLEY, R.; MOBASHER, B.; SRIVASTAVA, J. Web mining: information and

pattern discovery on the World Wide Web. In: INTERNATIONAL CONFERENCE

ON TOOLS WITH ARTIFICIAL INTELLIGENCE, 9., 1997, Newport Beach.

Proceedings … New York: IEEE Computer Society, 1997.

COOLEY, R.; MOBASHER, B.; SRIVASTAVA, J. Data preparation for mining World

Wide Web browsing patterns. Journal of Knowledge and Information Systems, [S.l.],

v. 1, n. 1, p. 1-27, 1999.

D`AMICO, C. B. Aprendizagem estática e dinâmica em ambientes multiagentes de

ensino-aprendizagem. 1999. Tese (Doutorado em Ciência da Computação) – Instituto

de Informática, UFRGS, Porto Alegre.

DUFRESNE, A.; TURCOTTE, S. Cognitive style and its implications for navigations

strategies. In: WORLD CONFERENCE ON ARTIFICIAL INTELLIGENCE IN

EDUCATION, 8., 1997, Kobe. Artificial Intelligence in Education. Amsterdam: IOS,

1997.

FAYYAD, U. M. et al. From Data Mining to Knowledge Discovery: An Overview. In:

FAYYAD, U. M. et al. Advances in Knowledge Discovery and Data Mining. Menlo

Park: AAAI, 1996. p. 1-34.

FELDER, R.M.; SILVERMAN, L.K. Learning and Teaching Styles in Engineering

Education. Journal of Engineering in Education, Washington, v. 78, n. 7, p. 674-681,

1988.

FENG, C; MICHIE, D. Machine Learning of Rules and Trees. In: MICHIE, D.;

SPIEGELHALTER, D. J.; TAYLOR, C.C. (Ed.). Machine Learning, Neural and

Statistical Classification. London: Ellis Horwood, 1994. p. 50-83.

FERREIRA, A. B. de H. Novo Dicionário da Língua Portuguesa. Rio de Janeiro:

Nova Fronteira, 1986.

FORD, N.; CHEN, S.Y. Individual Differences, Hypermedia Navigation, and Learning:

an Empirical Study. Journal of Educational Multimedia and Hypermedia, [S.l.], v.

9, n. 4, p. 281-311, 2000.

FREITAS, V. et al. AdaptWeb: an adaptive web-based courseware. In:

INTERNATIONAL CONFERENCE ON INFORMATION AND COMMUNICATION

TECHNOLOGIES IN EDUCATION, 2002. Badajoz. Proceedings … [S.l.: s. n.], 2002.

p. 131-134.

GAUDIOSO, E.; BOTICARIO, J. G. User data management and usage model

acquisition in an adaptive educational collaborative environment. In:

INTERNATIONAL CONFERENCE IN ADAPTIVE HYPERMEDIA SYSTEMS

AND ADAPTIVE WEB SYSTEMS, 2., 2002, Málaga. Proceedings … Hidelberg:

Springer-Verlag, 2002.

115

GRIGORIADOU, M. et al. INSPIRE: na INtelligent System for Personalised

Instruction in a Remote Environment. In: INTERNATIONAL WORKSHOP ON

ADPTIVE HYPERTEXT AND HYPERMEDIA, 3., 2001, Sonthfen. Proceedings …

[S.l.: s.n.], 2001. p. 13-24.

HAYKIN, S. Redes neurais: princípios e prática. Porto Alegre: Bookman. 2001. 900 p.

HENERY, R. J. Classification. In: MICHIE, D.; SPIEGELHALTER, D. J.; TAYLOR,

C.C. (Ed.). Machine Learning, Neural and Statistical Classification. London: Ellis

Horwood, 1994. p. 6-16.

KELLY, D.; TANGNEY, B. Incorporating Learning Characteristics into an Intelligent

Tutor. In: THE INTERNATIONAL CONFERENCE ON INTELLIGENT TUTORING

SYSTEMS, 6., 2002, Biarritz. Proceedings … Hidelberg: Springer-Verlag, 2002. p.

729 – 738.

KLECKA, W. R. Discriminant analysis. Newbury: Sage Publications, 1980. 70 p.

LEVENE, M. The navigation problem in the World-Wide-Web. Disponível em:

<http://www.dcs.bbk.ac.uk/~mark/download/gfkl_web.pdf>. Acesso em: 10 nov. 2003.

MACGREGOR, S. K Hypermedia navigation profiles: cognitive characteristics and

information processing strategies. Journal of Educational Computing Research,

[S.l.], v. 20, n. 2, p.189-206, 1999.

MADEIRA, M. et al. Modelação cognitiva do aluno-aprendiz em um ambiente

inteligente de ensino baseado em modo não-tutorial. São Leopoldo: Curso de

Psicologia da UNISINOS, 2000. CNPq/ProTem - Relatório de Pesquisa.

MADEIRA, M. et al. Geração de Estilos Cognitivos de Aprendizagem de Negociadores

Empresariais para Adaptação de Ensino Tutorializado na Web. Paidéia, Ribeirão Preto,

v. 12, n. 23, p. 133-147, 2002.

MARTINEZ, M.; BUNDERSON, V. Building interactive World Wide Web (Web)

learning environments to match and support individual learning differences. Journal of

Interactive Learning Research, [S.l.], v.11, n. 3, p. 163-195, 2000.

MAYO, M.; MITROVIC, A. Optimising ITS behaviour with bayesian networks and

decision theory. International Journal of Artificial Intelligence and Education,

[S.l.], 2000.

MCMANUS, T.F. Individualizing instruction in a web-based hypermedia-learning

environment: no linearity, advance organizers, and self-regulated learners. Journal of

Interactive Learning Research, [S.l.], v. 11, n. 3, p. 219-251, 2000.

MICHIE, D.; SPIEGELHALTER, D.J.; TAYLOR, C.C. Machine learning, neural and

statistical classification. In: MICHIE, D.; SPIEGELHALTER, D. J.; TAYLOR, C.C.

(Ed.). Machine Learning, Neural and Statistical Classification. London: Ellis

Horwood, 1994. p. 1-5.

MITCHELL, J.M. Classical Statistical Methods. In: MICHIE, D.; SPIEGELHALTER,

D. J.; TAYLOR, C.C. (Ed.). Machine Learning, Neural and Statistical

Classification. London: Ellis Horwood, 1994. p. 17-28.

MOLINA, R. et al. Modern Statistical Techniques. In: MICHIE, D.;

SPIEGELHALTER, D. J.; TAYLOR, C.C. (Ed.). Machine Learning, Neural and

Statistical Classification. London: Ellis Horwood, 1994. p. 29-49.

116

MORALES, R.; PAIN, H. Modelling of novices’ control skills with machine

learning. Disponível em: <http://citeseer.nj.nec.com/268485.html>. Acesso em: 10 nov.

2003.

REED, W.M.; OUGHTON, J.M. Computer experience and interval based hypermedia

navigation. Journal of Research on Computing in Education, [S.l.], v. 30, p. 38–52,

1997.

RENZULLI, J.; DAI, D.Y. Abilities, Interests and Styles as Aptitudes for Learning. In:

STERNBERG, R.J.; ZHANG, L. (Ed.). Perspectives on Thinking, Learning, and

Cognitive Styles. London: Lawrence Erlbaum Associates, 2001.

RIDING, R.; CHEEMA, I. Cognitive styles - an overview and integration. Educational

Psychology, [S.l.], v. 11, n. 3-4, p.193-215, 1991.

RIDING, R.; RAYNER, S. Cognitive styles and learning Strategies – understanding

style differences in learning and behavior. London: David Fulton Publishers, 2000.

ROSS, J. D.; ROSS, C. M. Teste Ross dos Processos Cognitivos. São Paulo, Brasil:

Instituto Pieron de Psicologia Aplicada, 1997.

RUSSELL, S.; NORVIG, P. Artificial intelligence: a modern approach. New Jersey:

Prentice-Hall, 1995.

SCHMECK, R. R. Learning strategies and learning styles. New York: Plenum Press,

1988.

SCHREIBER, A. et al. Knowledge engineering and management: the common

KADS methodology. Massachusetts: Institute of Technology (MIT), 2000.

SOLDATO, T.; BOULAY, B. Implementation of Motivational Tactics in Tutoring

Systems. Journal of Artificial Intelligence in Education, Charlottesville, v. 6, n. 4,

p.337-378, 1995.

SOUTO, M. A. et al. Modelo de Ensino Adaptativo na Internet Baseado em Estilos

Cognitivos de Aprendizagem. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA

EDUCAÇÃO, 11., 2000, Maceió. Anais ... Maceió:SBC-UFAL, 2000.

SOUTO, M.A. et al. Metodologia de construção do material instrucional em um

Ambiente de Ensino Inteligente na Web. In: SIMPÓSIO BRASILEIRO DE

INFORMÁTICA NA EDUCAÇÃO, 12., 2001, Vitória. Anais ... Vitória: SBC-UFES,

2001.

SOUTO, M.A. et al. Towards an Adaptive Web Traing Environment based on

Cognitive Style of Learning: an Empirical Approach. In: INTERNATIONAL

CONFERENCE IN ADAPTIVE HYPERMEDIA SYSTEMS AND ADAPTIVE WEB

SYSTEMS, 2., 2002, Málaga. Proceedings … Hidelberg: Springer-Verlag, 2002a.

SOUTO, M.A. et al. Um estudo empírico dos comportamentos de navegação por estilo

cognitivo de aprendizagem em um ambiente de treinamento na Web. In: SIMPÓSIO

BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO, 13., 2002, São Leopoldo.

Anais ... São Leopoldo: SBC-UNISINOS, 2002b.

SOUTO, M.A. et al. Web adaptive training system based on cognitive student style. In:

IFIP WORLD COMPUTER CONGRESS, 17., Montreal, 2002. Proceedings … [S.l.],

2002c.

117

SPILIOPOULOU, M. The laborious way from data mining to web log mining.

International Journal of Computer Systems, Science & Engineering, [S.l.], p. 113-

126, 1999. (Special Issue on Semantics of the Web).

STERN, M. K.; BECK, J. E.; WOOLF, B. P. Naïve Bayes classifiers for user modeling.

In: INTERNATIONAL CONFERENCE ON USER MODELING, 7., 1999, Banff.

Proceedings … New York: Springer Wien, 1999.

STERN, M. K., WOOLF, B. P. Adaptive content in an online lecture system. In:

INTERNATIONAL CONFERENCE ON ADAPTIVE HYPERMEDIA AND

ADAPTIVE WEB-BASED SYSTEMS, 2000, Trento. Proceedings … Heidelberg:

Springer-Verlag, 2000. p. 225-238.

STERNBERG, R. J.; ZHANG, L. Perspectives on Thinking, Learning, and

Cognitive Styles. London: Lawrence Erlbaum Associates, 2001.

TRIANTAFILLOU, E. et al. The design and the formative evaluation of an adaptive

educational system based on cognitive styles. Computers & Education, Oxford, v. 41,

p. 87-103, 2003.

VANLEHN, K. Student Modeling. In: POLSON, M.C.; RICHARDSON, J.J. (Ed.).

Foundations of Intelligent Tutoring Systems. New Jersey: Lawrence Erlbaum

Associates, 1988. p.55-78.

WOODS, P.; WARREN, J. Rapid Prototyping of an intelligent tutorial system

(RAPITS). In: THE ANNUAL CONFERENCE OF THE AUSTRALIAN SOCIETY

FOR COMPUTERS IN LEARNING , 12., Melbourne, 1995. Proceedings … [S.l.],

1995. p. 557-563.

ZAÏANE, O. R.; XIN, M.; HAN, J. Discovering Web Access Patterns and Trends by

Applying OLAP and Data Mining Technology on Web Logs. In: THE IEEE FORUM

ON RESEARCH AND TECHNOLOGY ADVANCES IN DIGITAL LIBRARIES,

1998, Santa Barbara. Proceedings… [S.l.: s.n.], 1998. p. 19-29.

ZAÏANE, O. R.; LUO, J. Towards evaluating learners’ behaviour in a web-based

distance learning environment. In: INTERNATIONAL CONFERENCE ON

ADVANCED LEARNING TECHNOLOGIES, 2001, Madison. Proceedings… New

York: IEEE, 2001.

ZAÏANE, O. R. Web Usage Mining for a Better Web-Based Learning

Environment. Disponível em: HTTP://www.cs.ualberta.ca/people/faculty/zaiane.html.

Acesso em: 31 jul 2003.

118

ANEXO A

EXEMPLOS DE PÁGINAS WEB DO CURSO

EXPERIMENTAL TDMA

119

Páginas Web de ‘Conceitos’

120

121

Páginas Web de ‘Exercícios’

122

123

124

125

Páginas Web de ‘Exemplos’

126

127

ANEXO B

EXEMPLOS DE QUESTÕES DO TESTE ROSS

128

129

130

131

APÊNDICE A

QUESTIONÁRIO DE AVALIAÇÃO QUALITATIVA

- CPGC -

PROGRAMA DE PÓS-GRADUAÇÃO EM COMPUTAÇÃO

Modelagem Cognitiva de um aprendiz remoto:

Levantamento do Funcionamento dos Estilos Cognitivos em um

Ambiente de Aprendizagem na Web

- QUESTIONÁRIO PARA PREENCHIMENTO -

POR:

MARIA APARECIDA M. SOUTO

PROF. DR. JOSÉ PALAZZO M. DE OLIVEIRA

PROFA. DRA. ROSA MARIA VICARI

ORIENTADORES

Porto Alegre, Março de 2003

133

1 DADOS DE IDENTIFICAÇÃO DO ESPECIALISTA

1. Sexo: ( ) Masculino; ( ) Feminino

2. Idade: ________ anos.

3. Formação acadêmica:

§ Graduação:

__________________________________________________________

§ Especialização:

__________________________________________________________

§ Mestrado:

__________________________________________________________

§ Doutorado:

__________________________________________________________

4. Área de pesquisa:

_____________________________________________________

5. Profissão:

___________________________________________________________________

6. Tempo de experiência: ________________________________________________

7. Local de Trabalho:

____________________________________________________

8. Qual é o seu grau de familiaridade com o assunto desta pesquisa?

Não

Familiar

Muito

Familiar

2 3 4 5

134

2 APRESENTAÇÃO

Prezado (a) Professor (a)

Gostaríamos de contar com sua colaboração, no sentido de participar da validação

do Modelo Cognitivo do Aprendiz Remoto, a partir da análise do funcionamento do seu

estilo cognitivo na Web, durante a execução de um processo de aprendizagem, realizado

através de um módulo de ensino experimental, especialmente projetado para levar a cabo

este objetivo.

Este estudo faz parte da Tese de Doutorado da solicitante, cujo tema abrange as

áreas de ‘Sistemas de Informação’, ‘Inteligência Artificial’ e ‘Ensino a Distância na

Internet’. A motivação deste trabalho teve início com a participação da solicitante no

Projeto Tapejara - Sistemas de Treinamento Inteligente via Internet – formado pelo

consórcio entre as universidades UFRGS e UNISINOS, e pela companhia de

Telecomunicações – CRT Telecom, e suportado pelo CNPq – ProTem-CC, no período de

novembro de 1999 a novembro de 2001.

Os principais objetivos desta Tese referem-se à modelagem do aprendiz remoto e a

geração de um agente computacional inteligente (protótipo), cuja função é realizar o

diagnóstico cognitivo do aprendiz remoto. A realização do diagnóstico do estilo cognitivo

do aprendiz remoto por um agente computacional inteligente possibilitará, futuramente, a

adaptação, on-line, dos recursos pedagógicos de um curso via Web, às demandas

psicopedagógicas deste aprendiz, de modo a facilitar e tornar mais eficaz o seu processo de

aprendizagem a distância.

Neste momento, nossos esforços estão voltados ao processo de aquisição de

conhecimento, necessário à modelagem cognitiva / computacional do aprendiz remoto.

Para alcançar este objetivo, estamos lhe enviando o “Questionário para Preenchimento”,

por nós desenvolvido, e que é composto por um conjunto de afirmativas a respeito do

comportamento cognitivo do aprendiz remoto, durante o experimento realizado no

135

contexto do Projeto Tapejara. Estas afirmativas foram elaboradas a partir dos resultados da

análise exploratória dos dados do experimento, realizada pela solicitante.

Em anexo, segue o ‘Material de Consulta’, onde está descrito a metodologia

utilizada no experimento. Acreditamos que este material contenha todas as informações

necessárias para a realização de sua contribuição. De qualquer forma, estamos ao seu

inteiro dispor, para sanar possíveis dúvidas durante o seu trabalho.

Até a divulgação da Tese de Doutorado da solicitante, solicita-se sigilo do

‘Material de Consulta’, pois o mesmo será incorporado à mencionada Tese, em futuro

próximo. Se assim o desejar, nos prontificamos a lhe enviar uma cópia do volume final.

Você está sendo convidado a participar deste trabalho por sua formação experiência

e competência reconhecida nesta área. A sua opinião é muito importante para que

possamos ter mais clareza sobre a sua área de conhecimento, para a qual estamos

pretendendo fazer a nossa contribuição. Embora o material a ser preenchido pareça um

tanto extenso, e cientes de sua carga de atribuições e responsabilidades, solicitamos,

encarecidamente, que você nos retorne o material em no máximo quinze (15) dias. Para

entregar-me o questionário preenchido, fico a disposição para pegá-lo consigo; caso

contrário, coloque-o dentro do envelope endereçado e selado, tomando o cuidado de fechar

(colar) o mesmo, e deposite em alguma caixa de correio.

Contando com a gentileza de sua colaboração, agradecemos, desde já, sua atenção

no preenchimento e envio do “Questionário para Preenchimento”.

Atenciosamente,

Profa. Maria Aparecida M. Souto, MSc.

Universidade Federal do Rio Grande do Sul - Instituto de Informatica

Av. Bento Goncalves 9500, bloco IV - Caixa Postal 15064

91501-970 Porto Alegre RS - Brasil

Voice +55 51 3316 6110 - Fax +55 51 3316 7308

[email protected] - www.inf.ufrgs.br/~souto

136

3 O QUESTIONÁRIO

O questionário a ser preenchido é composto por: (i) afirmativas a respeito do

comportamento cognitivo observado dos estilos cognitivos considerados neste estudo; e (ii)

conjunto de três questões, a serem preenchidas pelo especialista, conforme detalhamos a

seguir.

3.1 Afirmativas sobre o comportamento dos estilos cognitivos

As afirmativas sobre o comportamento dos estilos cognitivos foram construídas a

partir dos resultados da Análise Exploratória, descrita na seção 5 do ‘Material de

Consulta’. Estes resultados estão sendo tratados, neste estudo, como tendências

comportamentais dos estilos cognitivos considerados. Estas afirmativas irão representar as

crenças levantadas, até o momento, sobre os indicadores que melhor discriminam o

comportamento dos estilos no Ambiente de Ensino e Aprendizagem na Web utilizado. As

crenças funcionarão como referência para a construção do agente computacional

inteligente, cujo objetivo é realizar o diagnóstico cognitivo do aprendiz remoto.

No questionário, as afirmativas sobre o comportamento cognitivo dos estilos estão

organizadas por classe de estilo cognitivo e pelo tipo de informação que elas contém, quais

sejam:

I. Padrões de Ações Cognitivas

II. Intensidade de uso dos recursos didáticos

III. Intensidade de uso das formas de apresentação

IV. Tempo de permanência nos recursos didáticos

V. Tempo de permanência nas formas de apresentação.

3.2 Instruções de preenchimento do questionário

Solicita-se que você analise, para cada uma das afirmativas, se ela explica um

possível funcionamento da classe de estilo cognitivo considerada, justificando a sua

resposta. Solicita-se também, que você identifique no questionário qual é o grau de crença

que você tem sobre a afirmativa em questão, bem como identifique em que você se baseou

para opinar sobre esta afirmativa.

Atenção, em sua análise, além da sua formação e experiência, é FUNDAMENTAL

que você considere, para o preenchimento do questionário, as definições e informações

contidas no “Material de Consulta”:

137

1) a conceituação dos construtos: estilos cognitivos de aprendizagem e trajetórias de

aprendizagem utilizados neste estudo (Seção 1, pág. 3);

2) a origem e a definição dos estilos cognitivos considerados neste estudo (Seção 2,

pág. 5);

3) dados sobre o experimento realizado (Seções 3 e 4, págs. 13 e 16,

respectivamente);

4) análise exploratória das trajetórias de aprendizagem (Seção 5, pág. 19);

5) Anexo I, com exemplos das páginas Web dos recursos didático e formas de

apresentação dos conteúdos do módulo de ensino experimental (pág. 47);

6) Anexo II, com as Tabelas de Correlações de Pearson entre os indicadores

monitorados no experimento, e geradas através do pacote estatístico SPSS

(pág.54).

Caso seja necessário, colocamos uma folha em branco após as afirmativas de cada

classe de estilo, para observações adicionais.

3.2.1 Funcionamento cognitivo na Web do estilo Analógico-Analítico

Itens para preenchimento à

Afirmativas â

Funcionamento cognitivo na Web

(nesta coluna, indicar se a afirmativa explica um possível

funcionamento do estilo).

Grau de Crença na

afirmativa

Base da sua crença na afirmativa

I. Movimentos do Aprendiz na Web

a) o estilo AA tende a adotar o padrão

conceito-exercício e conceito-

exemplo na busca de novas

informações.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

II. Intensidade de uso dos ‘Recursos Didáticos’

b) a intensidade média de uso do

recurso didático de ‘conceitos’ pelo

estilo AA tende a ser ALTA.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

III. Intensidade de uso das ‘Formas de Apresentação’

c) a intensidade média de uso das

formas de apresentação de

‘conceitos’: textual c/ figura e

somente textual pelo estilo AA tende

a ser ALTA.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

d) a intensidade média de uso da forma

de apresentação de ‘exercício ’

‘escolha simples c/ figura’ pelo

estilo AA tende a ser ALTA.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

IV. Tempo de permanência nos ‘Recursos Didáticos’

e) observamos que este indicador não é

discriminativo para esta classe de

estilo cognitivo.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

V. Tempo de permanência nas ‘Formas de Apresentação’

f) observamos que este indicador não é

discriminativo para esta classe de

estilo cognitivo.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

Observações adicionais (utilize este espaço e a página seguinte, caso seja necessário):

3.2.2 Funcionamento cognitivo na Web do estilo Concreto-Genérico

Itens para preenchimento à

Afirmativas â

Funcionamento cognitivo na Web

(nesta coluna, indicar se a afirmativa explica um possível

funcionamento do estilo).

Grau de Crença na

afirmativa

Base da sua crença na afirmativa

I. Movimentos do Aprendiz na Web

g) o estilo CG tende a adotar o padrão

exercício-conceito-exemplo na

busca de novas informações.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

II. Intensidade de uso dos ‘Recursos Didáticos’

h) a intensidade média de uso do

recurso didático de ‘exemplo’ pelo

estilo CG tende a ser ALTA.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

III. Intensidade de uso das ‘Formas de Apresentação’

i) a intensidade média de uso das

formas de apresentação de

‘exemplos’: textual c/ figura e

esquema c/ figura pelo estilo CG

tende a ser ALTA.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

IV. Tempo de permanência nos ‘Recursos Didáticos’

j) O tempo médio de permanência no

recurso didático de ‘exemplo’ pelo

estilo CG tende a ser ALTO.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

V. Tempo de permanência nas ‘Formas de Apresentação’

k) O tempo médio de permanência na

forma de apresentação de ‘exemplo’:

textual c/ figura pelo estilo CG tende

a ser ALTA.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

Observações adicionais (utilize este espaço e a página seguinte, caso seja necessário):

3.2.3 Funcionamento cognitivo na Web do estilo Dedutivo-Avaliativo

Itens para preenchimento à

Afirmativas â

Funcionamento cognitivo na Web

(nesta coluna, indicar se a afirmativa explica um possível

funcionamento do estilo).

Grau de Crença na

afirmativa

Base da sua crença na afirmativa

I. Movimentos do Aprendiz na Web

l) o estilo DA tende a explorar todos os

recursos que lhe são oferecidos, sem

adotar nenhum padrão específico de

repetição, na busca de novas

informações.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

II. Intensidade de uso dos ‘Recursos Didáticos’

m) observamos que este indicador não é

discriminativo para esta classe de

estilo cognitivo.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

III. Intensidade de uso das ‘Formas de Apresentação’

n) a intensidade média de uso da forma

de apresentação de ‘conceitos’:

esquema c/ figura pelo estilo DA

tende a ser ALTA.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

o) a intensidade média de uso das

formas de apresentação de

‘exercício’: ‘V ou F’ e ‘Preencher

Lacunas’ pelo estilo DA tende a ser

ALTA.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

p) a intensidade média de uso da forma

de apresentação de ‘exercício’:

‘Escolha Simples c/ Figura’ pelo

estilo DA tende a ser BAIXA.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

IV. Tempo de permanência nos ‘Recursos Didáticos’

q) observamos que este indicador não é

discriminativo para esta classe de

estilo cognitivo.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

V. Tempo de permanência nas ‘Formas de Apresentação’

r) o tempo médio de permanência na

forma de apresentação de ‘Conceito’:

esquema c/ figura pelo estilo DA

tende a ser ALTA.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

3.2.4 Funcionamento cognitivo na Web do Estilo-Indefinido

Itens para preenchimento à

Afirmativas â

Funcionamento cognitivo na Web

(nesta coluna, indicar se a afirmativa explica um possível

funcionamento do estilo).

Grau de Crença na

afirmativa

Base da sua crença na afirmativa

I. Movimentos do Aprendiz na Web

s) o estilo EI tende a adotar o padrão

conceito-exercício na busca de

novas informações.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

II. Intensidade de uso dos ‘Recursos Didáticos’

t) a intensidade média de uso do

recurso didático de ‘exercício’ pelo

estilo EI tende a ser ALTA.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

III. Intensidade de uso das ‘Formas de Apresentação’

u) a intensidade média de uso das

formas de apresentação de

‘exercício’: ‘V ou F’, ‘Preencher

Lacunas’ e ‘escolha simples c/

figura’ pelo estilo EI tende a ser

ALTA.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

IV. Tempo de permanência nos ‘Recursos Didáticos’

v) o tempo médio de permanência no

recurso didático de ‘Exercício’ pelo

estilo EI tende a ser ALTO.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

V. Tempo de permanência nas ‘Formas de Apresentação’

w) o tempo médio de permanência nas

formas de apresentação dos

‘Exercícios’: ‘V ou F’ e ‘escolha

simples c/ figura’ pelo estilo EI tende

a ser ALTO.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

Observações adicionais (utilize este espaço e a página seguinte, caso seja necessário):

3.2.5 Funcionamento cognitivo na Web do estilo Relacional-Sintético

Itens para preenchimento à

Afirmativas â

Funcionamento cognitivo na Web

(nesta coluna, indicar se a afirmativa explica um possível

funcionamento do estilo AA).

Grau de Crença na

afirmativa

Base da sua crença na afirmativa

I. Movimentos do Aprendiz na Web

x) o estilo RS tende a adotar o padrão

conceito-exemplo na busca de

novas informações.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

II. Intensidade de uso dos ‘Recursos Didáticos’

y) a intensidade média de uso do

recurso didático de ‘exemplo’ pelo

estilo RS tende a ser ALTA.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

III. Intensidade de uso das ‘Formas de Apresentação’

z) a intensidade média de uso das

formas de apresentação de

‘exercícios’: relacionar colunas e

escolha simples pelo estilo RS tende

a ser ALTA.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

aa) a intensidade média de uso da forma

de apresentação de ‘exemplo’:

textual c/ figura pelo estilo RS tende

a ser ALTA.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

IV. Tempo de permanência nos ‘Recursos Didáticos’

bb) o tempo médio de permanência nos

recursos didáticos de ‘Exercício’ e

‘Exemplo’ pelo estilo RS tende a ser

ALTO.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

V. Tempo de permanência nas ‘Formas de Apresentação’

cc) o tempo médio de permanência nas

formas de apresentação de

‘Exercícios’: escolha simples pelo

estilo RS tende a ser ALTA.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

dd) o tempo médio de permanência nas

formas de apresentação de

‘Exemplos’: textual c/ figura e

esquema c/ figura pelo estilo RS

tende a ser ALTA.

( ) Sim ( ) Não

Por quê?

______________________________________

( ) Nada se pode afirmar

( ) Baixa

( ) Média baixa

( ) Média

( ) Média alta

( ) Alta

( ) Conhecimento

( ) Experiência

( ) Dados fornecidos suficientes

( ) Dados fornecidos insuficientes

( ) Outra: ______________________

_______________________________

Livros Grátis
( http://www.livrosgratis.com.br )
 
Milhares de Livros para Download:
 
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas

Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
 
 