ads:
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL
INSTITUTO DE INFORMÁTICA
PROGRAMA DE PÓS-GRADUAÇÃO EM COMPUTAÇÃO
FRANCINE BICA
Capturando aspectos da AUTO-EFICÁCIA do aluno
Através de um AGENTE INTELIGENTE
Tese apresentada como requisito parcial para a
obtenção do grau de Doutor em Ciência da
Computação
Profa. Dra. Rosa Maria Vicari
Orientadora
Porto Alegre, abril de 2006.
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
CIP – CATALOGAÇÃO NA PUBLICAÇÃO
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL
Reitor: Prof. José Carlos Ferraz Hennemann
Vice-reitor: Prof. Pedro Cezar Dutra da Fonseca
Pró-Reitora Adjunta de Pós-Graduação: Profa. Valquiria Link Bassani
Diretor do Instituto de Informática: Prof. Philippe Olivier Alexandre Navaux
Coordenador do PPGC: Prof. Flávio Rech Wagner
Bibliotecária-Chefe do Instituto de Informática: Beatriz Regina Bastos Haro
Bica, Francine
Capturando aspectos da Auto-Eficácia do Aluno através de um
Agente Inteligente/Francine Bica – Porto Alegre: Programa de
Pós-Graduação em Computação, 2006.
123 f.:il.
Tese (doutorado) – Universidade Federal do Rio Grande do Sul.
Programa de Pós-Graduação em Computação. Porto Alegre, BR –
RS, 2006. Orientador: Rosa Maria Vicari.
1.Sistemas Tutores Inteligentes 2. Agentes 3. Auto-Eficácia 4.
Lógica Fuzzy 5. Inteligência Artificial. I. Vicari, Rosa Maria. II.
Título.
ads:
“A verdadeira alegria na vida é ser usado para um propósito que você considere
imensamente significativo.
Ser uma força da natureza em vez de um amontoado febril e egoísta de males e
queixas lamentando que o mundo não se dedicou a fazê-lo feliz.
Acredito que minha vida pertence a toda a comunidade e enquanto viver será meu
privilégio – meu privilégio – fazer por ela tudo que puder.
Desejo estar totalmente desgastado ao morrer, pois quanto mais árduo for meu
trabalho mais amor sentirei. Amo a vida por ela própria. A vida não é, para mim, uma
vela que logo se apaga, é uma espécie de tocha esplêndida que devo empunhar para o
momento em que eu desejar que ela brilhe com mais intensidade antes de passá-la às
futuras gerações.”
Bernard Shaw
4
AGRADECIMENTOS
Gostaria de fazer aqui um agradecimento a todos aqueles que de alguma forma
tiveram uma contribuição nesta tese.
A minha orientadora Rosa, pela sua cooperação de extrema importância.
Ao professor Rinaldo, do Instituto de Biociências da UFRGS, por sua dedicação
como especialista no material didático disponibilizado no protótipo realizado.
Às amigas Daniela e Mariusa, pela colaboração e disponibilidade ao me
emprestarem o computador com o qual realizei este trabalho.
À amiga Renata, pelo apoio em testes do protótipo.
À amizade e ao apoio indiscutíveis da Regina, por todas as discussões calorosas,
troca de idéias, amizade e sugestões.
Ao Heitor, pela eterna motivação, estímulo, amizade, carinho, críticas, sugestões e
paciência.
A todos os amigos e colegas, pelo apoio, compreensão, descontração, carinho e
amizade.
A minha família, que sempre esteve comigo me apoiando em todas as horas, pelo
incentivo e carinho.
Meus agradecimentos ao apoio financeiro dado pelo CNPq e CAPES que viabilizou
esta tese.
5
SUMÁRIO
LISTA DE ABREVIATURAS E SIGLAS............................................................ 7
LISTA DE FIGURAS.......................................................................................... 8
LISTA DE TABELAS ....................................................................................... 10
RESUMO.......................................................................................................... 11
ABSTRACT...................................................................................................... 12
1 INTRODUÇÃO ........................................................................................... 13
1.1 Motivação ............................................................................................................. 14
1.2 Objetivo ................................................................................................................ 15
1.3 Metodologia utilizada.......................................................................................... 16
1.4 Contribuições ....................................................................................................... 17
1.5 Organização da Tese ........................................................................................... 18
2 SISTEMAS TUTORES INTELIGENTES .................................................... 20
2.1 Agentes.................................................................................................................. 24
2.2 Trabalho de Bercht.............................................................................................. 27
2.3 Trabalho de Jaques ............................................................................................. 30
2.4 Considerações do Capítulo ................................................................................. 34
3 AUTO-EFICÁCIA ....................................................................................... 35
3.1 Considerações do Capítulo ................................................................................. 40
4 LÓGICA FUZZY ......................................................................................... 41
4.1 Considerações do Capítulo ................................................................................. 45
5 O PROJETO DO AGENTE MEDIADOR DA AUTO-EFICÁCIA................. 46
5.1 As Atividades do Agente MAE.......................................................................... 49
5.2 O Modelo Computacional da Auto-Eficácia ..................................................... 57
5.2.1 O modelo fuzzy da Auto-Eficácia ....................................................................... 58
5.3 Exemplo da utilização do Modelo Fuzzy da Auto-Eficácia.............................. 61
5.4 Exemplos práticos do funcionamento da máquina de inferência Fuzzy do
agente MAE................................................................................................................... 67
5.4.1 Exemplo 1........................................................................................................... 67
5.4.2 Exemplo 2........................................................................................................... 69
5.5 Considerações ...................................................................................................... 70
6 IMPLEMENTAÇÃO .................................................................................... 72
6.1 InteliWeb.............................................................................................................. 72
6.2 Telas do InteliWeb............................................................................................... 74
6.3 Implementação dos Agentes e integração ao InteliWeb................................... 80
7 INTELIWEB – PROJETO PILOTO............................................................. 85
6
7.1 Delineamento do Material Didático (item A).................................................... 86
7.2 Formatação do Material Didático (item B) ....................................................... 86
7.3 Modos de apresentação do conteúdo (itens C, D e F)....................................... 86
7.4 Construção da Ferramenta (item E).................................................................. 88
7.5 Disponibilizar o Ambiente na Internet (itens G e H) ....................................... 88
8 PROCEDIMENTO DE AVALIAÇÃO DO AMBIENTE INTELIWEB............ 89
8.1 Amostra ................................................................................................................ 89
8.1.1 As Variáveis e suas medidas .............................................................................. 90
8.2 Aplicação do ambiente sobre o Grupo 1............................................................ 90
8.3 Aplicação do ambiente sobre o Grupo 2............................................................ 92
8.4 Teste t-Student ..................................................................................................... 93
8.5 Considerações ...................................................................................................... 95
9 CONCLUSÃO E PERSPECTIVAS DE TRABALHOS FUTUROS ............. 96
9.1 Limitações encontradas....................................................................................... 98
9.2 Trabalhos Futuros............................................................................................... 98
9.3 Publicações ........................................................................................................... 99
REFERÊNCIAS.............................................................................................. 101
ANEXO I - NÍVEL DE COMPETÊNCIA TECNOLÓGICA .............................. 111
ANEXO II - PÓS-QUESTIONÁRIO DE ACOMPANHAMENTO DO
EXPERIMENTO ............................................................................................. 114
ANEXO III – GRUPO 1 .................................................................................. 118
ANEXO IV – GRUPO 2 .................................................................................. 121
ANEXO V – MENSAGEM BANDURA ........................................................... 122
ANEXO VI – ARTIGOS PUBLICADOS ......................................................... 123
LISTA DE ABREVIATURAS E SIGLAS
BC Base de Conhecimento
BDI Believe, Desire and Intention
FIPA Foundation for Intelligent Physical Agents
GIA Grupo de Inteligência Artificial
HTML Hypertext Markup Language
IA Inteligência Artificial
ILE Intelligent Learning Environments
JSP JavaServer Pages
KQML Knowledge Query and Manipulation Language
MAE Mediador da Auto-Eficácia
PAT Pedagogical and Affective Tutor
P2P Peer-toPeer
STI Sistemas Tutores Inteligentes
LISTA DE FIGURAS
Figura 2.1: Conhecimento necessário para um STI....................................................... 20
Figura 2.2: Componentes básicos de uma arquitetura de um STI................................. 21
Figura 2.3: Agente genérico. ......................................................................................... 24
Figura 2.4: Taxonomia de agentes.................................................................................. 26
Figura 2.5: Arquitetura multiagente de Bercht.............................................................. 28
Figura 2.6: Arquitetura multiagente com kernel detalhado............................................ 29
Figura 2.7: Interface do PAT.......................................................................................... 32
Figura 3.1: Elementos que influenciam a Auto-Eficácia................................................ 35
Figura 3.2: Modelo de Auto-Eficácia............................................................................. 37
Figura 3.3: Modelo de fatores que afetam a performance do estudante......................... 40
Figura 4.1: Funções de pertinência fuzzy........................................................................ 43
Figura 4.2: Módulos de um Sistema de Inferência Fuzzy............................................... 44
Figura 5.1: Ambiente abstrato composto por agentes humanos (Aluno) e dois agentes
artificiais (MAE e PAT). ................................................................................................ 46
Figura 5.2: Funcionamento geral da interação entre os agentes MAE e PAT e um aluno.
........................................................................................................................................ 48
Figura 5.4: Modelo da Auto-Eficácia idealizado. .......................................................... 57
Figura 5.5: Função de Pertinência para os termos lingüísticos do conjunto Auto-Eficácia
........................................................................................................................................ 59
Figura 5.7: Função de Pertinência para os termos lingüísticos do conjunto Esforço na
Forma de Apresentação HTML com figuras.................................................................. 61
Figura 5.8: Função de Pertinência para os termos lingüísticos do conjunto Esforço na
Forma de Apresentação FLASH .................................................................................... 62
Figura 5.9: Função de Pertinência para os termos lingüísticos do conjunto Esforço na
Forma de Apresentação VIDEO..................................................................................... 63
Figura 5.10: Função de Pertinência para os termos lingüísticos do conjunto persistência
........................................................................................................................................ 64
Figura 5.11: Função de Pertinência para os termos lingüísticos do conjunto desempenho
........................................................................................................................................ 64
Figura 5.12: Exemplo 1 - Processo Fuzzy da Auto-Eficácia .......................................... 68
Figura 5.13: Exemplo 2 - Processo Fuzzy da Auto-Eficácia .......................................... 69
Figura 6.1: Estrutura desenvolvida................................................................................. 72
Figura 6.5: Tela de apresentação do ambiente ............................................................... 75
Figura 6.6: Tela de identificação do usuário ................................................................. 75
Figura 6.7: Interface do ambiente desenvolvido: composta por Pastas, Barra de
Ferramentas e Espaço Visual. O Espaço Visual está mostrando a apresentação do
ambiente e os objetivos propostos pelo professor. ......................................................... 76
Figura 6.8: Mensagens e opções das pastas: Início, Mail e Conteúdo. .......................... 77
9
Figura 6.9: Tela do Glossário do Ambiente. .................................................................. 78
Figura 6.10: Tela de Para Ler e Responder Mensagens. ................................................ 78
Figura 6.11: Tela de Ajuda do Ambiente. ...................................................................... 79
Figura 6.12: Tela de Escolha da Forma de Apresentação do Material Didático............ 79
Figura 6.13: Nova Estrutura – InteliWeb e Agentes. ..................................................... 80
Figura 6.14: Diagrama de Classes do Agente MAE....................................................... 81
Figura 6.15: Diagrama de Seqüência ilustrando os principais passos da execução do
agente MAE.................................................................................................................... 82
Figura 6.17: Nova Tela de Identificação, com a inclusão de Objetivo Pessoal e Tempo
estimado de estudo. ........................................................................................................ 83
Figura 7.1: Tela gerada pelo ambiente com as questões e justificativas das respostas
corretas............................................................................................................................ 88
Figura 8.1: Medidas da Auto-Eficácia resultantes da interação de um aluno do Grupo 1
no InteliWeb. O eixo X apresenta a atividade e o eixo Y a pertinência de cada termo no
intervalo de [0,1]............................................................................................................. 92
Figura 8.2: Medidas da Auto-Eficácia resultantes da interação de um aluno do Grupo 2
no InteliWeb em 17/11/2005. O eixo X apresenta a atividade e o eixo Y a pertinência de
cada termo no intervalo de [0,1]..................................................................................... 94
Figura 8.3: Medidas da Auto-Eficácia resultantes da interação de um aluno do Grupo 2
no InteliWeb em 12/12/2005. O eixo X apresenta a atividade e o eixo Y a pertinência de
cada termo no intervalo de [0,1]..................................................................................... 95
Figura 9.1: Mudanças na arquitetura do agente MAE com a inclusão de um Processo de
Feedback......................................................................................................................... 99
LISTA DE TABELAS
Tabela 5.1: Táticas para Padrão Pessoal Intrínseco e Auto-Eficácia Baixa................... 51
Tabela 5.2: Táticas para Padrão Pessoal Intrínseco e Auto-Eficácia Média .................. 53
Tabela 5.3: Táticas para Padrão Pessoal Intrínseco e Auto-Eficácia Alta...................... 54
Tabela 5.4: Táticas para objetivo extrínseco e Auto-Eficácia Baixa.............................. 55
Tabela 5.5: Táticas para objetivo extrínseco e Auto-Eficácia Média............................. 56
Tabela 5.6: Táticas para objetivo extrínseco e Auto-Eficácia Alta................................ 56
Tabela 5.7: Termo e definição dos pontos (x,y) do conjunto auto-eficácia ................... 59
Figura 5.6: Modelo Fuzzy da Auto-Eficácia .................................................................. 60
Tabela 5.8: Termo e definição dos pontos (x,y) do conjunto Esforço na forma HTML
com figuras ..................................................................................................................... 62
Tabela 5.9: Termo e definição dos pontos (x,y) do conjunto Esforço na forma FLASH62
Tabela 5.10: Termo e definição dos pontos (x,y) dos conjuntos Esforço na forma
VIDEO............................................................................................................................ 63
Tabela 5.11: Termo e definição dos pontos (x,y) do conjunto persistência................... 63
Tabela 5.12: Termo e definição dos pontos (x,y) do conjunto desempenho.................. 64
Figura 5.14: Modelo fuzzy idealizado para a Auto-Eficácia........................................... 71
Tabela 7.1: Exemplos de Material Didático ................................................................... 87
Tabela 8.1: Categoria do Pós questionário e resumo dos resultados.............................. 91
Tabela 8.2: Auto-Eficácia única, calculada através de Média Ponderada...................... 92
Tabela 8.3: Auto-Eficácia única, calculada através de Média Ponderada...................... 93
Tabela 8.4 Estatísticas para o teste T-Student ................................................................ 93
RESUMO
Esta tese está inserida no trabalho desenvolvido pelo Grupo de Pesquisa de
Inteligência Artificial (GIA) da UFRGS, sob a orientação da Professora. Dra. Rosa
Maria Vicari e situa-se na área da Inteligência Artificial, com aplicações na Educação a
Distância. As principais áreas onde este trabalho de Pesquisa se situa são: Sistemas
Tutores Inteligentes, Sistemas Multiagente e Psicologia Social Cognitiva.
Dentro desse contexto, o objetivo principal desta pesquisa é a modelagem
computacional de aspectos da auto-eficácia de alunos realizando cursos on-line,
tomando-se por base o trabalho de (BANDURA; 1989, 1991, 1997), cuja natureza
engloba a cognição e afetividade. Este autor define como Auto-Eficácia "a crença do
indivíduo sobre as suas capacidades de exercer controle sobre acontecimentos que
afetam a sua vida" (BANDURA, 1989) "e a crença nas suas capacidades para mobilizar
motivação, recursos cognitivos e implementar ações que lhe permitam exercer controle
sobre tarefas exigidas" (BANDURA, 1990).
Esta tese propõe um agente capaz de perceber e monitorar os aspectos da auto-
eficácia do aluno, denominado agente Mediador da Auto-Eficácia (MAE), e prover o
modelo do aluno com esta nova variável. O senso de auto-eficácia consiste em crenças,
que são processos cognitivos do indivíduo sobre suas capacidades. É em função das
crenças de auto-eficácia que ocorrerão as escolhas, a direção e a persistência nos
comportamentos de aprendizagem por parte do aluno. Nesse contexto, acredita-se que o
desenvolvimento do senso de auto-eficácia do aluno poderá lhe conferir a força
motivacional para elaborar sua aprendizagem.
O agente MAE monitora o comportamento do aluno através de uma máquina de
inferência fuzzy das relações entre as variáveis esforço, persistência e desempenho e
aciona um sistema de feedback através do agente pedagógico animado (PAT). O
feedback realizado pelo agente pedagógico animado apresenta ao aluno
comportamentos verbais e físicos afetivos. O agente MAE está inserido no ambiente
InteliWeb, que oferece um material instrucional de Biociências e foi implementado com
Servlets e páginas JSP.
A maior contribuição desta tese está na agregação de aspectos da auto-eficácia no
modelo de aluno envolvido em situações de ensino aprendizagem de alunos, avançando
dentro da perspectiva de pesquisa do GIA, assim como o desenvolvimento do InteliWeb
com a inserção do agente MAE e sua máquina de inferência fuzzy.
Palavras-Chave: Agente, Modelagem Cognitiva, Lógica Fuzzy, Auto-Eficácia.
Capturing aspects of Student’s Self-Efficacy through an intelligent
Agent
ABSTRACT
This thesis is inserted in the Artificial Intelligence Research Group (GIA) of the
UFRGS, under the orientation of Prof. Rosa M. Vicari and is in the area of Artificial
Intelligence with applications in the Distance Education. The main areas where this
research work is: Intelligent Tutorial Systems, Multiagent Systems and Social Cognitive
Psychology.
In this context, the main objective of this research is the computational modeling of
aspects of the Self-Efficacy of students carrying through courses on-line, being
overcome for base the work of (BANDURA; 1989, 1991, 1997), whose nature presents
cognition and affectivity.
This thesis considers an agent capable to perceive and to monitor the aspects of the
Self-Efficacy of the student, called Self-Efficacy Mediator Agent (SEM), and to provide
the model with the student with this new variable. The Self-Efficacy sense consists of
beliefs, which are cognitive processes of the individual on his capacities. It is in
function of the Self-Efficacy beliefs that will occur the choices, the direction and the
persistence in the behaviors of learning by the student. In this context, we believe that
the development of the sense of Student’s Self-Efficacy will be able to confer the
motivational force to elaborate his learning.
The agent SEM monitors the behavior of the student through a fuzzy inference
machine of the relations between effort, persistence and performance and activates a
feedback system through the pedagogical agent (PAT). The PAT presents affective
verbal behavior and affective physical behaviors. SEM agent was inserted in the
InteliWeb environment, which offers an instructional material of Biosciences and was
implemented with Servlets and pages JSP.
The main contribution of this thesis is in the aggregation of aspects of Self-Efficacy
in the student model advanced inside of the perspective of research of the GIA and the
development of InteliWeb Environment with SEM agent and its Fuzzy Inference
Machine.
Keywords: Agent, Cognitive Modeling, Fuzzy Logic, Self-Efficacy.
1 INTRODUÇÃO
Esta Tese está inserida no trabalho desenvolvido pelo Grupo de Pesquisa de
Inteligência Artificial (GIA) da UFRGS, sob a orientação da Profa. Dra. Rosa Maria
Vicari e situa-se na área da Inteligência Artificial, com aplicações na Educação a
Distância. As principais áreas onde este trabalho de Pesquisa se situa são: Sistemas
Tutores Inteligentes, Sistemas Multiagente e Psicologia Social Cognitiva.
Dentro desse contexto, o objetivo principal desta pesquisa é a modelagem
computacional de aspectos da auto-eficácia de alunos realizando cursos on-line,
tomando-se por base o trabalho de (BANDURA; 1989, 1991, 1997), cuja natureza
engloba a cognição e afetividade. Este autor define como Auto-Eficácia "a crença do
indivíduo sobre as suas capacidades de exercer controle sobre acontecimentos que
afetam a sua vida" (BANDURA, 1989) "e a crença nas suas capacidades para mobilizar
motivação, recursos cognitivos e implementar ações que lhe permitam exercer controle
sobre tarefas exigidas" (BANDURA, 1990).
A pesquisa do GIA envolve tanto o estudo cognitivo da modelagem da auto-eficácia
como o desenvolvimento de protótipos que permitam simular e testar a modelagem
proposta. Este trabalho situa-se na modelagem computacional de aspectos da auto-
eficácia, através da idealização, proposta e desenvolvimento de um agente inteligente,
denominado Agente Mediador da Auto-Eficácia (MAE). O conhecimento cognitivo do
agente está modelado através de crenças de auto-eficácia que são utilizadas como parte
do modelo de aluno, no contexto de Tutores Inteligentes. Estas crenças correspondem a
processos cognitivos do indivíduo sobre suas capacidades e influenciam o seu
comportamento, motivação, afetividade e escolha de tarefas.
Apesar das características multidisciplinares, o foco maior do trabalho está nos
aspectos computacionais. A Inteligência Artificial (IA) está contribuindo com
abordagens para a representação de algumas habilidades de raciocínio e conhecimento
especialista (por exemplo: conhecimento do domínio, expectativas de desempenho)
voltadas ao ensino e aprendizado, como em aplicações de Sistemas Tutores Inteligentes
(STI) e de Ambientes de Ensino Inteligentes (ILE – Intelligent Learning Environment),
incentivados pela ciência cognitiva. Essa área tem oferecido a base teórica que permite a
desenvolvedores de STI e ILE implementarem modelos cognitivos mais adequados.
Atualmente, grupos de pesquisadores têm implementado diferentes tipos de sistemas
adaptativos e inteligentes para educação a distância, muitos deles incluindo a utilização
de agentes (CHOU, 2003).
14
O modelo do aluno, no contexto de Tutores Inteligentes, representa o conhecimento
e as habilidades cognitivas do aluno em um dado momento. Sendo assim, a modelagem
computacional desses aspectos requer a interdisciplinaridade entre as Ciências
Cognitivas e Computação. Essa representação (modelo do aluno) é uma das partes mais
complexas e, ao mesmo tempo, frágil de um ambiente de aprendizagem, devido a
fatores como: o pouco conhecimento que se tem sobre os processos de aprendizagem de
um aluno, a imprecisão e a subjetividade dos fatores emotivos e motivacionais
envolvidos em ambientes de ensino e aprendizagem, o problema da representação do
conhecimento pedagógico e a dificuldade de construção de explanações sobre o
comportamento do aluno (estudantes são criativos e constantemente inventam formas
não previstas na solução de questões) (HOLT et al, 1991; LIONGYU, 2002). Esses são
os desafios típicos da IA.
O agente MAE proposto nesta Tese é capaz de perceber aspectos da Auto-Eficácia
do aluno através de comportamentos observáveis (correspondem ao curso das ações do
aluno na interface) e prover o modelo do aluno com esta nova variável utilizando-se de
máquina de inferência fuzzy. A Lógica Fuzzy (ZADEH, 1965), permite um raciocínio
aproximado ao raciocínio humano, sendo interpretado como um processo de
composição de relações fuzzy ou difusas.
1.1 Motivação
Camargo (2003) cita que a liberdade e a abertura oferecidas por cursos on-line
implicam na necessária “autonomia, criatividade, autocrítica e saber articular os
saberes” do aluno, que a partir desse processo amplia a sua capacidade intelectual e tem
uma participação ativa na construção do seu conhecimento. Isso acarreta,
necessariamente, na mudança de postura de um receptor passivo de informações para a
contribuição de significados a partir das interações que promove.
Nesse contexto, o aluno deve se tornar agente da própria aprendizagem,
mobilizando-se na busca de caminhos e não esperando por informações prontas e
acabadas. O aluno constrói o conhecimento por meio da exploração, navegação,
comunicação, troca, representação, ligação/religação, organização/reorganização,
transformação/ elaboração/reelaboração e criação/recriação (ALMEIDA 2003).
O modelo do aluno no contexto de Tutores Inteligentes representa o conhecimento e
as habilidades cognitivas do aluno, em um dado momento. Existem variados modelos
de alunos na literatura. Um dos focos da pesquisa de modelos de aluno está permitindo
que um usuário negocie com o seu modelo (KAY, 2001; DIMIROVA, 2001), outra
linha de pesquisa foca a questão de como dar suporte a grupos de pessoas de forma a
permitir que estas se tornem times de trabalho (JOHNSON & JOHNSON 1997.
Vizcaíno (2000) e Tedesco (2001) propõem criar e manter modelos de grupo em
sistemas colaborativos e existem ainda diversos órgãos internacionais com propostas de
modelos de alunos de caráter gerencial(UCAID, 2002; STEPHENS, 2004; PAPI, 2004).
Outra área de estudo existente é a incorporação de emoções ao modelo do aluno, como
nos trabalhos de Bercht (2001), Jaques(2004), Soldato (1995), Serres (1993) e
Vicente(1998).
No presente trabalho, o modelo de aluno gerenciado pelo agente MAE espera,
através da representação das crenças sobre a auto-eficácia e da utilização de feedback,
15
promover a auto-eficácia do aluno e, conseqüentemente, a sua autonomia e motivação.
Essa orientação almeja que o aluno não se perca durante o curso das tarefas, não se sinta
sozinho ou não se mobilize negativamente para resolver as propostas.
Para isso, esta pesquisa explorou a modelagem do aluno através das crenças de auto-
eficácia. A utilização da característica individual da auto-eficácia é importante para a
modelagem cognitiva, na medida que, conforme Bandura (1997), é ela que permeia o
controle e a regulação pessoal do aluno na sua motivação durante a construção do seu
conhecimento, no processo de aprendizagem. Nesse sentido, quanto mais um sistema
computacional (tutor) tiver a capacidade de capturar a auto-eficácia do aluno, mais este
poderá fomentar no aluno a crença na sua própria capacidade de exercer controle sobre
a sua aprendizagem.
1.2 Objetivo
O pressuposto da pesquisa considera: que medidas podem ser incluídas na
modelagem do aluno, ampliando os modelos de aluno de Bercht (2001) e Jaques(2004),
a fim de desenvolver um modelo computacional para a teoria da Auto-Eficácia definida
por Bandura(1997) em um ambiente de EAD?
A partir do pressuposto formulamos duas hipóteses:
Hipótese 1: no contexto de EAD o modelo computacional da auto-eficácia pode ser
definido pelas variáveis do modelo de Bandura (1997), objetivos intrínseco e extrínseco
de Ames(1990) e pela composição das variáveis esforço, persistência e desempenho.
Hipótese 2: a Lógica Fuzzy é uma técnica apropriada para o mapeamento da auto-
eficácia do aluno.
No intento de verificar as hipóteses formuladas, o objetivo desta pesquisa é modelar
e implementar o agente denominado Mediador da Auto-Eficácia (MAE), que está
inserido em um ambiente de ensino e aprendizagem na WEB. Esse agente é capaz de
perceber a auto-eficácia do aluno através de comportamentos observáveis
(correspondem ao curso das ações do aluno na interface) e prover o modelo do aluno
com esta nova variável. O agente MAE, quando necessário, seleciona feedbacks (táticas
afetivas) que são apresentados ao aluno durante a sua sessão de estudo através do agente
PAT (JAQUES, 2004), na tentativa de aumentar a auto-eficácia do mesmo e contribuir
com a sua aprendizagem.
Os estudos descritos no Capítulo 3 denotam que a auto-eficácia é uma importante
variável no contexto acadêmico, visto que influencia a escolha dos objetivo, o curso das
ações e a recuperação frente às adversidades, entre outros fatores. Um forte senso de
eficácia garante que o indivíduo acredite em suas capacidades, encarando tarefas
difíceis como desafios, e não como algo que deve ser evitado.
Adotou-se a Lógica Fuzzy como abordagem para mapear e inferir as crenças de
auto-eficácia. Tais crenças são mapeadas através de variáveis lingüísticas fuzzy e o
agente possui uma máquina de inferência para processá-las. Como principal vantagem
dessa abordagem tem-se que uma decisão baseada no enfoque fuzzy é semelhante ao
processo intuitivo da decisão, ou seja, uma escolha ou um conjunto de escolhas
extraídas do conjunto das alternativas possíveis. A idéia central da lógica fuzzy é a
possibilidade de realizar operações com palavras, nas quais os conjuntos fuzzy são os
16
valores das palavras (BRAGA et al., 1995). Dessa forma, os conjuntos fuzzy são uma
alternativa para aproximar o raciocínio humano à forma da máquina.
As crenças de auto-eficácia mediadas pelo agente MAE foram implementadas
através da aplicação do ambiente InteliWeb (BICA, 2005), idealizado em uma
disciplina de Projeto de Pesquisa do Curso de Pós-Graduação em Computação. Esse
ambiente foi utilizado na disciplina denominada Anatomia Vegetal do curso de
Biociências da Universidade Federal do Rio Grande do Sul. Participaram do
experimento pesquisadores dos Departamentos de Informática, Informática na Educação
e Biociências da Universidade Federal do Rio Grande do Sul.
1.3 Metodologia utilizada
Este trabalho iniciou com a pesquisa sobre motivação e como utilizá-la para
aperfeiçoar o desenvolvimento computacional do modelo do aluno, visando estender os
trabalhos na área do grupo do GIA. Através dessa pesquisa chegou-se ao construto da
Psicologia Social Cognitiva denominado Auto-Eficácia, que possui influência sobre a
motivação. Nesse momento, obteve-se a participação multidisciplinar da aluna de
doutorado no PGIE/UFRGS, a psicóloga Regina Verdin, que forneceu o aporte de
fundamentação da teoria psicológica para concretizar este trabalho.
Muitas pesquisas têm sido desenvolvidas em modelagem e desenvolvimento de STI,
inclusive através do uso da tecnologia de agentes. Os aspectos relevantes dessas áreas
foram estudados e estão abordados no Capítulo 2.
O próximo passo foi definir, dentro de um contexto de Tutores e agentes, como
recuperar as crenças de auto-eficácia de um aluno, selecionando qual(ais)
comportamento(s) de alunos poderia(m) ser utilizado(s) para compô-la. Baseando-se
nos trabalhos de Bandura(1997) e Ames(1990), foram selecionadas as variáveis:
esforço, persistência e desempenho, para compor as crenças de auto-eficácia. Nesse
período, foi elaborado, em uma disciplina de projeto de pesquisa do PGCC/UFRGS, um
ambiente piloto que foi disponibilizado por duas vezes em uma disciplina do curso de
Biociências da UFRGS.
O projeto piloto, denominado InteliWeb (BICA, 2006), apresenta um material
didático sobre “Flor”, avaliado em três formas de apresentação, que são: HTML com
figuras, Flash e Vídeo. Esse material foi elaborado pelo professor da disciplina com a
ajuda da psicóloga Regina Verdin, que adaptou seu material ministrado em aula
expositiva para as formas de apresentação estipuladas.
A linguagem de programação utilizada para elaborar o InteliWeb foi o Java,
incluindo Servlets Java, JSP (JavaServer Pages) e HTML. A seleção da linguagem Java
deveu-se às vantagens da programação orientada a objeto, a sua portabilidade e
robustez.
Foram elaborados o modelo computacional da Auto-Eficácia e um agente inteligente
que utiliza uma máquina de inferência fuzzy para recuperar as variáveis do Log gerado
pelos alunos, durante as interações com o ambiente piloto. O agente captura as variáveis
esforço, persistência e desempenho de cada aluno e gera, a cada sessão, um modelo de
aluno com informações de auto-eficácia (uma para cada tarefa executada). Essas
17
informações ficam registradas em um banco de dados e podem ser utilizadas
posteriormente.
Adotou-se a Lógica Fuzzy como abordagem para mapear e inferir as crenças de
Auto-Eficácia. Tais crenças são mapeadas através de variáveis lingüísticas fuzzy e o
agente possui uma máquina de inferência para processá-las.
A implementação deste trabalho foi realizada em três partes: a primeira engloba o
ambiente InteliWeb, a segunda o agente MAE e ajustes no agente PAT e, por fim, a
inclusão dos agentes no ambiente. Nas seções 6.1 a 6.3 esses procedimentos são
explicitados.
O ambiente passou por duas etapas de testes. A primeira etapa de testes incluiu o
funcionamento da interface, o funcionamento dos links, a busca no banco de dados dos
links do material didático selecionado e a gravação no Log gerada pelas escolhas na
interface. Após esta verificação, ocorreu a primeira aplicação, no ano de 2004, em uma
turma da disciplina de Anatomia Vegetal do Curso de Biociências da UFRGS. A
segunda etapa de testes incluiu o funcionamento dos agentes, a interação entre eles, a
gravação no banco de dados do modelo de aluno captado pelo agente MAE e o feedback
selecionado pelo agente MAE e apresentado pelo agente PAT. A segunda aplicação foi
realizada em 2005, em uma turma da disciplina de Anatomia Vegetal do Curso de
Biociências da UFRGS. Nas duas aplicações do ambiente, a autora deste trabalho esteve
presente observando os alunos e solucionando as dúvidas que surgiram durante esse
primeiro contato dos alunos com o mesmo.
As aplicações do ambiente basearam-se no protocolo de planejamento e métodos
descritos em [YIN, 2005]. A partir da informação contida no modelo de aluno gerado
pelo agente foram realizados testes estatísticos t-Student [MURTEIRA, 2001] para
analisar as amostras. Os resultados prévios foram descritos no Capítulo 8. Com parte
desses resultados foi realizada uma comparação preliminar entre as abordagens Fuzzy
utilizadas neste trabalho e a DBI utilizada nos trabalhos de Bercht (2001) e
Jaques(2004).
1.4 Contribuições
A maior contribuição deste trabalho é a definição, modelagem e implementação de
um agente que percebe aspectos das crenças da auto-eficácia do aluno através do
monitoramento das variáveis esforço, persistência e desempenho e as considera na
modelagem do aluno. Essas variáveis são utilizadas para a realização do processo de
inferência (tomada de decisão) para oferecer um feedback pedagógico ao aluno.
As pesquisas em STI vêm se desenvolvendo para permitir ao sistema Tutor melhores
condições de adaptar-se a cada aluno e individualizar o ensino de forma mais eficaz.
São muitos os trabalhos que possuem este objetivo, como por exemplo, os trabalhos que
utilizam modelos de alunos com estados mentais (GIRAFFA, 1999; BICA, 2000;
ANDRADE, 2001) e identificação de fatores motivacionais (SOLDATO, 1995;
BERCHT, 2003; POEL, 2004).
A tentativa de inferir o que o aluno conhece ou não compreende, tem sido um dos
principais focos da formalização e avaliação dos modelos cognitivos O modelo do aluno
é comumente descrito como o conhecimento do estudante sobre um determinado
domínio e é utilizado para designar as ações tutoriais necessárias para dar seqüência ao
18
seu aprendizado. Nesta proposta, a modelagem do aluno não se deteve nestas questões e
o desempenho em exercícios e provas é apenas uma das variáveis utilizadas para inferir
informação a respeito do aluno. Aqui, o modelo do aluno enfoca a modelagem da auto-
eficácia e sua natureza engloba cognição e afetividade. Como resultado, espera-se que a
avaliação das crenças de auto-eficácia pelo agente MAE apóie a condução de cursos on-
line, contribuindo assim para a solução de um dos desafios atuais, que é justamente
atingir o equilíbrio adequado para que os esforços de um STI permitam que os alunos
realizem as tarefas a que se propõem dentro de uma sessão de estudo, uma vez que
também no ensino virtual, segundo Peters (2001), se detecta a ausência de habilidades
de independência e iniciativa que proporcionam ao aluno auto-regular a sua motivação.
Almeja-se com esta pesquisa agregar características do aluno de maneira a estimulá-lo a
explorar melhor os conteúdos, instigando-o no processo de aprender. Dentro desse
contexto, as contribuições deste trabalho são:
• Elaboração de um modelo de aluno agregando métricas para considerar a
questão da auto-eficácia (expansão do modelo de aluno do GIA);
• Utilização da Lógica Fuzzy como máquina de inferência de um agente para
inferir a auto-eficácia do aluno;
• Desenvolvimento de um modelo computacional extensível para a teoria da auto-
eficácia, envolvendo aspectos da auto-eficácia;
• Seleção de táticas - feedbacks de trabalhos prévios do grupo GIA para serem
utilizados no modelo computacional visando aumentar a auto-eficácia, conforme
modelo de Bandura (1997);
• Primeiro teste com o agente PAT, integrando-o ao ambiente InteliWeb e
recebendo mensagens ponto-a-ponto do agente MAE;
• Realização de uma comparação preliminar entre as abordagens Fuzzy utilizada
neste trabalho e X-DBI utilizadas no GIA.
1.5 Organização da Tese
O texto é constituído de 9 capítulos, de 5 anexos e da bibliografia. Os capítulos e
anexos apresentam a seguinte organização:
• O Capítulo 1 é a presente introdução;
• No Capítulo 2 são abordadas questões relacionadas a Tutores Inteligente,
abordagens de agentes e descrição de dois trabalhos relacionados;
• No Capítulo 3 são descritas características das crenças de Auto-Eficácia;
• No Capítulo 4 são descritas as principais características da Lógica Fuzzy;
• No Capítulo 5 é apresentado o delineamento do agente MAE, incluindo o modelo
Fuzzy para a Auto-Eficácia;
• O Capítulo 6 apresenta aspectos de implementação;
• O Capítulo 7 apresenta as etapas da construção do InteliWeb, incluindo o
material didático;
• O Capítulo 8 aborda aspectos dos resultados das aplicações do InteliWeb;
• No Capítulo 9 são explanadas as considerações finais;
• Organização dos Anexos:
19
o Anexo I – Questionário de Nível de Competência Tecnológica utilizado
na primeira aplicação do InteliWeb;
o Anexo II – Pós-questionário de Acompanhamento do Experimento
utilizado na primeira aplicação do InteliWeb;
o Anexo III – Apresentação dos Objetivos, Procedimento de Coleta de
Dados, resultados e avaliação do professor referente a primeira
aplicação do InteliWeb;
o Anexo IV – Apresentação dos Objetivos, Procedimento de Coleta de
Dados, resultados e avaliação do professor referente a segunda aplicação
do InteliWeb;
o Anexo V – Mensagem recebida do pesquisador Albert Bandura.
o Anexo VI – Artigos Publicados.
20
2 SISTEMAS TUTORES INTELIGENTES
As pesquisas na construção de Ambientes Inteligentes para a aprendizagem assistida
por computador, também conhecidos como Sistemas Tutores Inteligentes (STI), tiveram
início aproximadamente nos anos 70. São várias as definições de STI, como por
exemplo: “Sistemas STI oferecem considerável flexibilidade na apresentação do
material e uma maior habilidade para responder às necessidades do usuário”
(MCARTHUR, 1993), “Os STI são programas de software que dão suporte às
atividades da aprendizagem” (FREEMAN, 2000) e “Sistema Tutor Inteligente é um
termo amplo, abrangendo qualquer programa de computador que contém alguma
inteligência e pode ser usado em aprendizagem” (GAMBOA, 2001).
Os STI procuram não apenas ensinar mas, como ensinar aprendendo informações
relevantes sobre o estudante, proporcionando um aprendizado individualizado. Esses
sistemas alcançam sua inteligência pela representação de decisões pedagógicas sobre
como transmitir o material (ensinar), além de informações sobre o aluno, o que permite
uma grande interatividade do sistema com o aluno. Pode-se considerar que os STI,
como ilustra a Figura 2.1, são aplicações baseadas em conhecimento, agregando o
conhecimento do domínio que será apresentado, o conhecimento pedagógico e o
conhecimento a respeito do aluno.
Figura 2.1: Conhecimento necessário para um STI
As arquiteturas de STI variam de uma implementação para outra. Numerosos STI
foram implementados entre meados da década de 70, década de 80 e início da década de
90 (Clancey, 1987; WENGER, 1987; ANDERSON, 1988; VICARI, 1990). As
21
arquiteturas desenvolvidas durante essa fase sustentavam que um sistema STI devia
incluir os seguintes elementos funcionais ilustrados na Figura 2.2:
• Interface: é através da interface que o aluno interage com o sistema. Nela podem
ser utilizados recursos como a simulação, menus, ícones, janelas, vídeos, sons,
frases em linguagem natural, entre outros, para torná-la mais interativa;
• Base do domínio (componente especialista do tutor): esse módulo armazena o
conhecimento que o tutor está ensinando e é constituído pelo material
instrucional;
• Estratégias de Ensino: esse módulo oferece uma metodologia para o processo de
aprendizado que será empregado para auxiliar o aluno durante a interação com o
tutor. Os tutores XAIDA (HSIEH et al., 1999) e ID-Expert (MERRILL et al.,
1998) são exemplos de sistemas que permitem diferentes tipos de estratégias
pedagógicas para diferentes tipos de domínio;
• Modelo do Aluno: esse módulo armazena informações específicas para cada
estudante de forma individual. O propósito é fornecer essas informações ao
módulo de estratégia de ensino e ao módulo de controle. Pesquisadores como
Self (1993) e Mitrovic (1996) já colocavam que, mesmo não sendo
completamente preciso e validado, o modelo do aluno é um elemento
fundamental nos STI, pois permite a adequação das ações pedagógicas do tutor
às necessidades de um aluno;
• Controle: o módulo de controle funciona como um articulador e coordenador
dos demais módulos a fim de garantir um sincronismo adequado entre todas as
partes.
Figura 2.2: Componentes básicos de uma arquitetura de um STI (WENGER, 1987)
A adaptabilidade do tutor a cada estudante está no componente modelo do aluno.
Esse modelo deve ser dinâmico e refletir também as mudanças que ocorrem com o
aluno no decorrer das interações (além das interações com o ambiente, as interações
com o tutor também influenciam o estado do aluno) e, idealmente, o modelo do aluno
deve capturar todo o conhecimento esperado para produzir um diagnóstico a respeito de
cada aluno.
Vicari (1992) aponta componentes que devem fazer parte do modelo de aluno, os
quais são: (i) uma especificação dos objetivos do aluno; (ii) um modelo das intenções do
aluno; (iii) os planos do aluno; (iv) as atitudes do aluno; (v) os procedimentos de
22
inferência do aluno relevantes para a aplicação; (vi) as preferências do aluno e (vii) um
histórico de seu comportamento em relação à sua interação com o sistema.
Em STI que mapeia o aluno de acordo com o conhecimento que este possui sobre o
domínio, é necessário, segundo Aïmeur et al. (2002), inicializar o modelo do aluno de
uma dessas formas: (i) o STI deve assumir que o novo estudante não sabe nada sobre o
domínio; (ii) o conhecimento do aluno deve ser avaliado com um pré-teste ou (iii) o
sistema deve possuir padrões de alunos para categorizar novos alunos por similaridade.
Existem variados modelos de alunos na literatura e atualmente diversos órgãos
internacionais estão elaborando suas propostas de modelo de aluno que possuem um
caráter gerencial, como por exemplo:
• EduPerson (UCAID, 2002): define uma classe de objetos e o padrão consiste em
um conjunto de atributos e dados sobre pessoas e recomendações sobre a sintaxe
e semântica desses dados. Entre os atributos estão o nome, sobrenome, tipo de
relação da pessoa com a instituição (aluno, professor, etc.), apelido e
identificação da pessoa;
• Instructional Management Systems (STEPHENS, 2004): tem por objetivo
difundir especificações que modelem o aluno, assim como reunir conteúdo de
diversos autores. O modelo do aluno é formado por onze categorias
(identificação, objetivo, qualificações, atividade, interesse, competência,
acessibilidade, desempenho, afiliação, relacionamento e chave de segurança);
• IEEE Public and Private Information (PAPI, 2004): reflete as principais idéias
de STI. O padrão trata da sintaxe e semântica do modelo de aluno através de seu
conhecimento, estilo de aprendizagem, habilidades, registros e informação
pessoal. As informações do aluno são separadas em seis categorias (pessoais,
relacionamentos, segurança, preferências, desempenho e portfólio).
Atualmente, um dos focos da pesquisa de modelos de aluno está permitindo que um
usuário negocie com o seu modelo (KAY, 2001; DIMIROVA, 2001) e, outra linha de
pesquisa foca a questão de como dar suporte a grupos de pessoas de forma a permitir
que estas se tornem times de trabalho (JOHNSON & JOHNSON 1997).
Vizcaíno (2000) e Tedesco (2001) propõem criar e manter modelos de grupo em
sistemas colaborativos. Nesta linha, há várias abordagens possíveis como, por exemplo,
analisar o desempenho e as necessidades de cada grupo sem perder de vista as
necessidades individuais. Segundo Rosatelli (2003), um modelo de grupo pode ser
utilizado para capturar informação importante para manutenção de interações saudáveis,
como, por exemplo, o modelo de grupo poder descrever os papéis de cada membro do
grupo, suas habilidades e o conhecimento acumulado.
Brusilovsky (1998, 2003) identifica cinco características do usuário que têm sido
consideradas nos sistemas como fontes de adaptação: (i) objetivos do usuário; (ii)
conhecimento; (iii) experiências prévias; (iv) experiência no hiperespaço e (v)
preferências. Em um ambiente de ensino e aprendizagem, Souto (2003) interpreta essas
características como: (i) objetivo da aprendizagem do aluno, que se modifica
freqüentemente de sessão para sessão ou dentro de uma mesma sessão de estudo; (ii)
conhecimento, que na maior parte das vezes é representado através de um modelo de
overlay (baseado no modelo estrutural do domínio sendo ensinado) ou através de um
modelo de estereótipos (como p. ex., muito bom, bom, regular, ruim, muito ruim); (iii)
experiência prévia do aluno fora do assunto, mas que é relevante o suficiente para ser
23
considerada (profissão, experiência no trabalho em áreas relacionadas, etc.); (iv)
experiência com o hiperespaço, no sentido de quão fácil ele navega 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.
Outra área de estudo é a incorporação de emoções ao modelo do aluno como nos
trabalhos de Jaques(2004), Bercht (2001), Soldato (1995), Serres (1993) e
Vicente(1998). Existe uma linha de pesquisa na IA que agrega afetividade em sistemas
não biológicos, sendo que o aporte científico e básico é buscado fortemente nas ciências
Cognitivas, na Psicologia, Filosofia, Neurologia, Biologia.
Um dos tipos de emoção gerada por máquina é a definida como Emoção em
Máquina (PICARD, 1997, 2002), na qual a máquina simula “sentir” e possuir emoções
através de processos que levem à caracterização das emoções humanas. Normalmente,
os fatores que são utilizados para detecção dos estados afetivos e motivacionais do
aluno são o esforço, a confiança e a independência (BERTCHT, 2003).
Autores como Murray (1998), Gerther (1998), Mayo (2000) e Shang (2001)
consideraram o uso das redes bayesianas para modelagem do aluno devido ao fato das
ações e intenções captadas do mesmo poderem ser imprecisas. Neste caso, o modelo do
estudante é constituído por representações do processo da construção do conhecimento.
O AMPLIA (Ambiente Multiagente Probabilístico Inteligente de Aprendizagem) é um
exemplo de ambiente que utiliza redes bayesianas para a representação do
conhecimento e cujo objetivo é apoiar o desenvolvimento do raciocínio diagnóstico e a
modelagem das hipóteses diagnósticas na área médica (FLORES, 2003).
A Lógica Fuzzy também se apresenta como uma forma de modelar o conhecimento
incerto acerca do estudante. Introduzida por Zadeh (1965,1996), essa tecnologia possui
a habilidade de representar conceitos de forma similar ao pensamento humano. Xu et al.
(2002) apresenta um modelo de aluno representado por um modelo Fuzzy. Nesse
trabalho o ambiente educacional é personalizado para o aluno (material didático,
exercícios, sugestões de leituras, entre outros). O tutor FLAME (Fuzzy Logic Adaptive
Model of Emotions), idealizado por Nasr et al. (2000) utiliza a lógica fuzzy para
representar as emoções do aluno por intensidade e mapeia os eventos e expectativas
para os comportamentos e estados emocionais do aluno.
Nos STI tradicionais, normalmente o controle é centralizado, mantendo todo o
gerenciamento sobre o processo instrucional. Atualmente, com o surgimento da Web,
grupos de pesquisadores têm implementado diferentes tipos de sistemas adaptativos e
inteligentes para a educação a distância. Com o uso da tecnologia de sistemas
distribuídos, o controle também passa a ser distribuído, como no caso do
ELETROTUTOR III apresentado por Bica (2000), que é uma arquitetura baseada no
paradigma de Inteligência Artificial Distribuída com agentes autônomos que se
comunicam, atuando de forma cooperativa na realização de um objetivo comum, ou
seja, a condução da tarefa de ensinar.
Esse tipo de arquitetura resulta nos chamados ambientes inteligentes de
aprendizagem (Intelligent Learning Environments – ILE) (OLIVEIRA, 1995) que
podem ser entendidos como o resultado da aproximação entre os sistemas tutores
inteligentes e os insights da Inteligência Artificial Distribuída (SICHMAN,
DEMAZEAU, BOISSIER; 1992). A interação tutor/aluno passa a ser vista como um
caso particular de interação entre agentes inteligentes. O presente trabalho se enquadra
24
nesse tipo de arquitetura e a seção 2.1 aborda aspectos de agentes relevantes a este
trabalho.
2.1 Agentes
Existe uma ampla variedade de definições para o termo agente. Segundo Russel
(2004) um agente computacional deve possuir atributos que o diferenciem de simples
programas de computador. Entre essas características distinguem-se a autonomia,
persistência, percepção e adaptação no ambiente. A Figura 2.3 representa um agente
genérico. Um agente humano possui olhos, ouvidos e outros órgãos para perceber seu
ambiente; já um agente robô utiliza-se de câmeras, vários motores, raios infravermelhos,
etc. Um software de agente possui codificado em bits suas percepções e ações e é capaz
de perceber seu ambiente por meio de sensores e agir sobre esse ambiente através de
atuadores.
Figura 2.3: Agente genérico (RUSSEL, 2004).
Após a escolha de uma definição geral para o termo agente, há que se analisar
características específicas na estrutura do mesmo. Os agentes podem ser divididos em
duas classes: os agentes reativos e os agentes cognitivos.
Os agentes reativos não utilizam raciocínio complexo, estruturas de memória ou
uma representação interna explícita do conhecimento. Somente percebem o ambiente
externo e, baseados nos estímulos do ambiente, reagem de uma forma predeterminada.
Tais reações têm objetivos implícitos, que são codificados pelo programador. Esse tipo
de arquitetura é baseado em estímulo-resposta.
Os agentes cognitivos são capazes de raciocinar a respeito de suas intenções e
conhecimentos, criar planos de ação e executá-los. Possuem modelos explícitos do
mundo externo, estruturas de memória que permita manter um histórico de ações
passadas e fazer previsões de ações futuras, e um desenvolvido sistema de cooperação e
coordenação. Segundo Wooldridge (1994) e Russel (2004), os agentes para serem
considerados entidades inteligentes podem apresentar, entre outras, as seguintes
características:
• Perceber dinamicamente as condições do ambiente e se adaptar a novas
situações;
• Tomar decisões para afetar condições do ambiente, exibindo comportamento
direcionado à solução dos seus objetivos;
• Interpretar percepções, resolver problemas, extrair inferências e determinar
ações;
• Exibir habilidade social;
25
• Cooperar com outros agentes e com o usuário.
Para os pesquisadores Wooldridge e Jennings (WOOLDRIDGE et al., 1995, 1999)
os agentes inteligentes devem possuir autonomia, percepção e pró-atividade (podem
tomar a iniciativa para realizar um determinado comportamento) e devem exibir um
comportamento orientado por objetivo (capaz de realizar tarefas complexas e tomar a
decisão de como tais tarefas serão divididas e qual a ordem de execução para alcançar a
melhor performance).
Nwana argumenta que para um agente ser considerado inteligente, ele deve aprender
com os seus atos e/ou interagir com o seu ambiente (NWANA, 1996). De acordo com
Alonso (2002) as características que definem um agente são a autonomia, a flexibilidade
e a habilidade social.
É através da habilidade social que os agentes interagem com outros agentes e
humanos por algum tipo de linguagem de comunicação própria. Esse processo de
interação propicia a um conjunto de agentes inteligentes combinarem seus esforços na
busca de solução para problemas distribuídos. Interações são inerentemente dependentes
das ações de coordenação de pelo menos dois agentes. A interação entre agentes pode
ocorrer através de ações lingüísticas explícitas (comunicação) ou ações não lingüísticas
(em função da modificação do mundo no qual eles estejam atuando).
A interação pode ser dividida em quatro camadas de complexidade: comunicação,
coordenação, cooperação e colaboração (WORTMANN, 2001). A camada comunicação
é básica de qualquer software que precisa interagir. A comunicação entre agentes está
baseada em mensagens. Em (WOOLDRIDGE, 1994), é feita uma abordagem levando
em conta a troca ou passagem de mensagens entre agentes, sendo apresentadas três
formas:
• Mensagens ponto-a-ponto ou peer-to-peer: este tipo de mensagem é muito
utilizado em sistemas concorrentes baseados em objetos. As mensagens são
enviadas para um endereço específico (o receptor) que é conhecido pelo
transmissor. Isso representa vantagens, uma vez que o transmissor sabe para
quem a mensagem está sendo enviada e os controles de segurança são mais
facilmente implementados. Esta é a forma que o agente MAE envia suas
mensagens para o agente PAT;
• Mensagens broadcast: não se baseia na passagem para um endereço
específico, mas para todos os agentes que participam do sistema. Contudo,
este tipo de passagem de mensagem não é seguro uma vez que todos os
agentes podem verificar o conteúdo de uma mensagem;
• Mensagens multicast: diferente do broadcast este método visa a passagem de
mensagens para um grupo de agentes. Dessa maneira, quando se deseja
informar uma mensagem para um agente esta é enviada para o grupo que ele
faz parte.
A camada coordenação define as regras de interação, considerando as atividades dos
agentes, de forma a se evitar comportamentos indesejados. A camada cooperação é uma
camada encontrada apenas em sistemas onde a cooperação reflete uma estratégia de
ação decidida pelo agente, permitindo a negociação. A camada mais refinada é a
camada colaboração onde um agente tem capacidade de detectar possíveis objetivos
comuns e de planejar sua atividade com os outros de forma a atingir o objetivo da
melhor forma possível, aproveitando ao máximo a partilha de informações.
26
Como exemplos de protocolo de comunicação tem-se o FIPA Agent Communication
Languages FIPA ACL), que é o padrão proposto pela Foundation for Intelligent
Physical Agents (FIPA, 1996) e o Knowledge Query and Manipulation Language
(KQML), proposto por (FININ et al, 1993). Essa padronização da comunicação entre
agentes permite que o conhecimento seja transferido de um agente para outro
(ALONSO, 2002).
A partir das características previamente apontadas, Resende (2005) classifica os
agentes de acordo com os eixos: cognitivo, de foco, de atuação e ambiental, retratados
na Figura 2.4. O eixo cognitivo representa se o agente possui um modelo de
representação do ambiente e/ou de outros agentes. O eixo de foco enfatiza que um
agente pode possuir similaridades físicas com humanos e/ou pode enfatizar
características comportamentais. O eixo de atuação apresenta as formas de atuação dos
agentes, ou seja, um agente pode atuar sozinho ou interagir com outros agentes. E, por
fim, o eixo ambiental representa as formas que um agente pode atuar (no Desktop ou em
uma rede internet ou intranet).
Figura 2.4: Taxonomia de agentes (RESENDE, 2005).
Os agentes inteligentes estão sendo utilizados para implementar diversos sistemas
STI, uma vez que cada componente do ambiente pode ser implementado como um
agente independente, possuindo facilidades de interação com os outros agentes. Existem
diversos exemplos na literatura sobre a utilização de agentes inteligentes em sistemas
educacionais (CHOU, 2003).
Segundo Shoham (1993), uma sociedade de agentes para aprender e ensinar pode ser
a solução para a construção de ambientes de ensino e aprendizagem, se os agentes
trabalharem de maneira concorrente e autônoma para alcançar seus objetivos. Os
agentes em um ambiente de ensino/aprendizagem são considerados autônomos porque
as atividades dos agentes individuais não requerem constante supervisão externa e não
há autoridade central projetada para controlar todas as interações desempenhadas entre
eles.
Este trabalho utiliza agentes na modelagem e projeto de um ILE. O agente MAE,
seguindo a taxonomia de agentes de Resende (2005), apresenta como principais
características: ser um agente cognitivo, de Internet, social e comportamental.
27
Segundo Giraffa (1999) a abordagem multiagente apresenta-se como uma alternativa
bastante interessante para a construção de ambientes de ensino, pois permite a
integração dos diversos componentes do ambiente de aprendizagem, permitindo um
melhor tratamento nos seguintes aspectos: a distância entre estudantes e professores, o
ritmo de aprendizagem de cada estudante e o acompanhamento individualizado dos
estudantes, além de estabelecer uma verdadeira pareceria entre os diversos atores
(agentes) do sistema, sejam eles humanos ou artificiais. Quanto à modelagem do aluno,
a tecnologia relacionada com os agentes cognitivos (deliberativos) permite a construção
de modelos mais robustos.
Para Marietto (1997), a utilização de agentes possibilita o desenvolvimento de
diferentes raciocínios e a integração de várias ações para alcançar um determinado
objetivo. Além disso, a utilização de agentes inteligentes é uma boa opção para reduzir
o custo destes sistemas, pois eles favorecem a modularização e a evolução. O estado da
arte em STI, utilizando agente(s), pode ser avaliado em trabalhos como Silveira (2001),
D’Amico (1999), Yager (2000), Bercht (2001), Vassileva (2001), Flores (2003) e
Jaques(2004).
O grupo de pesquisa (GIA) em que este trabalho está inserido vem desenvolvendo
STI com modelos do aluno e do tutor baseados em arquiteturas intencionais utilizando
BDI (BRATMAN, 1990) para tratar da representação do conhecimento e de afetividade.
O BDI é um paradigma para se descrever agentes e suas relações com o mundo que os
contêm, bem como os estados mentais de crenças, desejos e intenções representam os
principais requisitos na construção dos próprios agentes (BERCHT, 2001).
A nossa meta geral, como grupo, é a de ter sistemas mais adaptativos ao estudante.
A abordagem BDI foi utilizada para modelar as habilidades cognitivas do estudante em
(GIRAFFA, 1999), a motivação e estados afetivos foram tratados no trabalho de Bercht
(2001) e algumas emoções foram mapeadas em (JAQUES, 2004). Esses trabalhos
utilizaram trabalhos prévios do nosso grupo de pesquisa em BDI que resultaram na
ferramenta X-BDI (MÓRA, 1998).
Nas seções 2.2 e 2.3 são abordados os trabalhos de Berth (2001) e Jaques (2004), os
quais propuseram Sistemas Tutores Inteligentes com arquiteturas de agentes. O critério
de seleção desses trabalhos deu-se em função das suas características e das suas
contribuições para esta Tese de Doutorado. Ao final da descrição de cada ambiente,
ressalta-se o tipo de contribuição que aquele trabalho ofereceu para este estudo.
2.2 Trabalho de Bercht
O trabalho de Bercht (BERCHT, 2001) propôs um STI com arquitetura multiagente,
na qual os agentes são modelados através da metáfora de estados mentais – X-BDI
proposto em Mora (MÓRA, 2000).
Nesse trabalho, a pesquisa focou o problema de decisão de um STI em que pese sua
adaptabilidade (estratégias de interação e de ensino) ao processo de ensino e
aprendizagem e que leve em conta os afetos e as emoções inferidas através de
comportamentos observáveis do aluno em interação. Os comportamentos observáveis
considerados incluíram a quantidade de vezes que um aluno desenvolve a mesma tarefa,
a desistência na execução de um problema e o número de vezes que o sistema atua
oferecendo ajuda ao aluno.
28
O modelo de aluno elaborado por (BERCHT, 2001) levou em conta os fatores
motivacionais e afetivos. Assim, além da avaliação pedagógica tradicional de um STI
(baseada em quanto um aluno conhece sobre um determinado tópico ou domina uma
habilidade específica), foi adicionada a intensidade em que o aluno desenvolve o seu
aprendizado. Como decorrência, Bercht salienta que um STI necessita estender o
conhecimento e procedimentos relativos à detecção e análise dos estados afetivos do
aluno.
O modelo de aluno elaborado por (BERCHT, 2001) é constituído de forma interativa
e em tempo real, sendo composto por dois esquemas. São eles:
• Esquemas Afetivos: apresentam a modelagem do aluno quanto às suas
características afetivas, podendo ser comportamentais, estilos de
aprendizagem, condições fisiológicas e outras, à medida que se obtenham
dados para a elaboração de tais modelagens;
• Esquemas Intelectuais: retêm as condições do aluno em relação ao domínio:
seus acertos e erros, sua performance, os tópicos dominados e aqueles a
desenvolver, e que além disso, contêm as regras, fatos, crenças que o tutor
crê que o aluno possua em relação ao seu desempenho e sua competência no
domínio.
A arquitetura formulada, ilustrada na Figura 2.5, engloba um agente pedagógico e
um sistema perceptivo (Percepção) para o reconhecimento de sinais e fatores que
auxiliem na identificação de possíveis estados afetivos de um aluno.
Figura 2.5: Arquitetura multiagente de Bercht (BERCHT, 2001).
A Percepção é composta por agentes especializados que trabalham juntos com a
interface do STI e rastreiam a interação do aluno e do tutor, levantando os dados e ações
realizadas pelo aluno, tais como, o tempo de resposta e quais as atitudes e
comportamentos apresentados por ele frente a um determinado evento. O agente
perceptivo, idealizado por Moissa (MOISSA, 2001), analisa as ações do aluno,
compondo um histórico tanto de seu comportamento relativo ao desempenho e
29
competência no domínio quanto aos aspectos afetivos e motivacionais, capturando
assim os comportamentos observáveis. Também as ações do Tutor estão sendo
observadas, principalmente quanto ao tipo e número de suas intervenções, que tipo de
ajudas foram disponibilizadas e quais as tarefas propostas. As informações obtidas pelo
agente Percepção são enviadas para o agente pedagógico.
Os fatores que são utilizados para detecção dos estados afetivos e motivacionais do
aluno são o esforço ou persistência (grau de dedicação à execução ou à fuga do evento),
a confiança e a independência. Segundo Bercht (2001) esses fatores influenciam
diretamente a motivação de aprender.
O agente pedagógico (tutor) está representado por um “kernel cognitivo” e possui
mecanismos de raciocínio e decisão de planos e ações devido a sua arquitetura BDI e
mantém um histórico de suas atuações.
O tutor, em detalhes na Figura 2.6, foi simulado no contexto do Eletrotutor III
(BICA, 2000)(REIS, 2001)(SILVEIRA, 2002) e possui um módulo de inferência que
identifica os estados mentais do aluno que estão associados a ações e aos fatores
afetivos já reconhecidos pela interface (Percepção) (seta 2). O módulo Decisão, a partir
do módulo estratégias (seta 4) e dos seus próprios estados mentais (seta 5), produz as
ações pedagógicas (seta 6). E finalmente, a cada situação observável e estado mental do
aluno identificável, uma indicação de ação é sugerida por cada subgrupo de táticas. Por
fim as ações pedagógicas do tutor são representadas pela seta (7). As táticas baseadas no
desempenho do aluno são as estipuladas em (SILVEIRA, 2001) e foram sugeridas ações
do agente pedagógico sem, contudo, estipular o teor das mensagens e os detalhes da
apresentação na interface.
Figura 2.6: Arquitetura multiagente com kernel detalhado (BERCHT, 2001).
30
Também foram definidos elementos independentes de domínio, como:
Problema/Tarefa (atividades a serem desenvolvidas englobam o material didático),
Ajuda (dicas de como realizar a tarefa), Contribuição (mensagem específica em relação
a um contexto) e Mensagem (mensagens de apoio, incentivo, sugestões, reflexões e
indicações sobre as tarefas futuras). Para cada um desses elementos foram incluídos
“Estados” e “Tipos” baseados no trabalho de (SOLDATO, 1995) como, por exemplo, o
elemento “Ajuda”, que possui entre outros os estados “Rejeitada” e “Sugerida” e os
tipos “Geral” e “Especifica”. O tutor pode agir como Guia (atua de modo mais diretivo)
ou Assistente (intervém menos que no modo Guia).
O estudo do STI, baseado na arquitetura de Bercht (2001), mostrou a possibilidade
de modelar agentes cognitivos com estados mentais e também a possibilidade de
modelar o aluno com elementos motivacionais e afetivos. O trabalho desenvolvido nesta
Tese usa o conceito de esforço/persistência utilizado em Betcht (2001). Nesse trabalho,
esforço e persistência são considerados como uma variável única.
2.3 Trabalho de Jaques
O trabalho proposto em Jaques (JAQUES, 2004) apresenta um agente pedagógico
animado que possui o objetivo de fornecer suporte emocional ao aluno, para que ele
tenha um melhor aprendizado através de motivação e encorajamento, fazendo-o
acreditar em suas próprias habilidades e promovendo no mesmo um estado de espírito
positivo. O agente chama-se Agente Mediador e é representado por um personagem
animado chamado PAT (Pedagogical and Affective Tutor).
Esse agente utiliza táticas afetivas que são expressas através de comportamentos
emotivos e mensagens de encorajamento do personagem animado. Para escolher as
táticas afetivas adequadas, o agente deve conhecer as emoções do aluno. O agente infere
as emoções do aluno através das ações que este realiza na interface do sistema
educacional. São exemplos de comportamentos observáveis: tempo de execução de uma
atividade, sucesso ou falha na execução de um exercício e pedido de ajuda. As seguintes
emoções do aluno são inferidas: alegria e tristeza, satisfação e frustração, raiva e
gratidão, e vergonha.
A inferência das emoções é fundamentada psicologicamente na teoria cognitiva das
emoções, através do modelo OCC (ORTONY, CLORE, COLLINS, 1988) que é
baseado na abordagem cognitivista das emoções e é possível de ser implementado
computacionalmente.
Segundo Jaques (JAQUES, 2004) o surgimento das emoções alegria e tristeza
ocorrem quando uma pessoa foca na desejabilidade de um evento de acordo com os seus
objetivos. O modelo OCC define que alegria ocorre quando há um evento desejável e
tristeza quando o evento é indesejável. As emoções de satisfação e frustração surgem
quando uma pessoa tem a confirmação da realização (satisfação) ou confirmação de não
realização (frustração) de um evento que esperava que pudesse se realizar. As emoções
de gratidão e raiva são disparadas quando o agente avalia as ações de um outro agente
em relação à interferência na realização de seus objetivos. Uma pessoa possui gratidão
em relação à outra quando avalia que a ação desta foi boa e trouxe conseqüência
positiva para ela. A raiva surge quando a ação de alguém é avaliada como censurável e
que ainda trouxe uma conseqüência negativa. Se a ação avaliada é a própria ação,
31
emoções como vergonha ou orgulho podem ser disparadas. O orgulho surge quando
uma pessoa aprova sua ação e a vergonha ocorre em caso contrário.
Para composição do agente animado PAT, Bocca (2003) e Jaques (2003) realizaram
entrevistas com pedagogas, psicopedagogas, psicólogas e designers, das quais foram
retiradas as seguintes informações como características que um agente tutor deve
possuir:
• O personagem deve ser de corpo inteiro, homem ou mulher e de tamanho
proporcional à tela, dando uma noção do todo, sendo mais próximo da
realidade;
• Deve ter reações (expressões) faciais de alegria, tristeza, incentivo, apoio,
espanto, admiração, calma. Que pudesse, ainda, pular, fazer careta, sentar e
abaixar a cabeça, ficar de costas, tapar o rosto, ficar cabisbaixo, expressar
emoções de acordo com o momento e fazer com que o usuário reflita porque
não está indo bem nos exercícios, sem ter que interromper o usuário com
uma intervenção escrita ou falada;
• O personagem deve aparecer o tempo todo, interagir com o usuário e entrar
em ação com a postura adequada ao momento do acontecimento, saber o
momento certo para responder com humor ou de maneira séria e colaborar
com mensagens de incentivo sem chamar demais a atenção para si. As
mudanças de postura e face devem ser de forma sutil, não de forma brusca
como os desenhos das faces alegres e tristes dos cartazes de empresas;
• Ele deve se mover na tela, gesticular, mexer a boca, os braços. Deve ter
posturas diferentes em momentos diferentes, mas de forma descontraída para
não tornar monótono o personagem. Deve usar roupas normais,
descontraídas não muito formais;
• Deve ser colorido por ser mais estimulante, mas não cores muito apagadas
como cinza e nem muito vivas como vermelho-sangue. Cores como azul,
amarelo, rosa, verde. Ele deve ser um personagem mesclado, isto é, não
muito “certinho” e nem muito “atirado”, não um personagem modelo,
perfeito. Deve falar e escrever, usando o balão para comunicação escrita.
A interface do personagem foi desenvolvida em Java, JavaScript e usa o Microsoft
Agent. A Figura 2.7 ilustra esta interface, relacionando o porquê da utilização de
algumas características do personagem, como o uso do óculos, corte de cabelo, roupa e
cores.
O personagem apresenta comportamentos verbais e não verbais afetivos. O Módulo
responsável por estes comportamentos é formado pelos componentes: seleção,
montagem e apresentação. Para cada tipo de comportamento (por exemplo:
comportamento encorajamento), existem várias animações diferentes que podem ser
exibidas. Isso foi implementado para que o personagem pareça mais credível. Se o
agente apresentasse sempre o mesmo comportamento para algumas situações, o agente
pareceria monótono ao aluno. Como existe mais de uma animação possível para cada
tipo de comportamento, o agente na hora da apresentação, deve escolher aleatoriamente
uma destas animações para ser exibida. O PAT pode demonstrar uma ação enquanto
fala, pode usar a contemplação, afirmação com a cabeça, expressões faciais que podem
ser um feedback nas declarações dos alunos, sem a necessidade da comunicação verbal
e ruptura do raciocínio do aluno durante a realização da tarefa.
32
Figura 2.7: Interface do PAT (BOCCA, 2003)
Segundo BOCCA (2003) muitos pesquisadores em educação à distância têm
apostado no uso de agentes animados como softwares educacionais devido a vantagens
como demonstrar tarefas, empregar gestos e locomoção para focar a atenção dos alunos
e expressa respostas emotivas para a situação de um tutorial, o que permite a estes
agentes a ampliação da comunicação, prendendo a atenção e motivando o aluno num
tutorial. Com esses agentes, o aluno pode aprender e praticar habilidades no mundo
virtual e o computador pode interagir com os alunos através de diálogo tutorial no papel
de professor ou companheiro aprendiz. O agente pedagógico animado apresenta as
vantagens de aumentar a comunicação entre alunos e computadores, e incrementa a
habilidade do computador para engajar e motivar o aluno.
Alguns dos comportamentos implementados no PAT serão utilizados neste trabalho.
A Tabela 2.1 ilustra dois dos comportamentos físicos e verbais do agente, os quais são
Encorajamento e Dar ajuda.
33
Tabela 2.1: Exemplos de Comportamentos Verbais e Físicos de PAT
Físico Descrição
Comportamento
Físico
Verbal
Encorajamento
Pat está lutando
Boxe e acerta um
saco de pancadas, no
qual está escrito
“Minhas
Dificuldades”
“Eu sei que você é
capaz de nocautear
as suas
dificuldades”
Encorajamento
Pat deita de cansaço
em um sofá
“Não desanime!”
Dar Ajuda
PAT está vestida
como um sábio
monge.
“Tenho muita
sabedoria para te
passar.”
Para implementar o modelo afetivo do aluno e o diagnóstico afetivo foi utilizada
uma abordagem BDI. Como um caso de estudo, o agente é implementado como o
Agente Mediador de MACES: um ambiente para ensino colaborativo a distância
modelado com uma arquitetura multiagente e baseado psicologicamente na abordagem
Sociocultural de Vygotsky (ANDRADE et al., 2001).
A arquitetura do agente é dividida em 2 partes: o módulo Corpo (Body) e o módulo
Mente (Mind). O Corpo do agente é responsável por capturar as ações do aluno na
interface do sistema, realizar a comunicação com os outros agentes e mostrar os
comportamentos animados e mensagens escolhidos pelo módulo Mente.
O módulo Mente é responsável por reconhecer os estados afetivos do aluno a partir
de seu comportamento observável e escolher as táticas pedagógicas afetivas de acordo
com o modelo afetivo do aluno.
O agente Mediador troca informações com o Agente Diagnóstico e com o
Semiótico. Ele fica observando os comportamentos do aluno e se verificar que pode ser
inferido um estado afetivo a partir dessa informação seleciona uma tática e mostra a
mesma ao aluno. Se a tática selecionada for de apresentação de conteúdo o agente
Mediador requisita que outro agente realize esta tarefa.
34
O Agente Mediador (PAT) possui características interessantes, especialmente a
possibilidade do agente ser representado por um personagem animado. Esse agente
verifica estados afetivos a partir das ações do aluno e como retorno a esse aluno
seleciona uma estratégia que pode ser um dos comportamentos afetivos verbais ou
físicos do seu repertório.
O PAT é utilizado neste trabalho como um agente reativo que mostra ao aluno um
dos feedbacks afetivos (comportamentos físicos e/ou verbais) que agrega. As táticas
elaboradas no trabalho de Jaques (2004) são focadas em motivação. Neste trabalho,
foram selecionadas táticas compatíveis com a Auto-Eficácia, que são descritas na seção
1.1.1. Neste trabalho, assim como em (JAQUES, 2004) e (AMES, 1990), utilizou-se
dois tipos de objetivos de aprendizagem (intrínseco e extrínseco) e os feedbacks foram
divididos de acordo com o grau de Auto-Eficácia e o tipo de objetivo.
2.4 Considerações do Capítulo
O modelo de aluno idealizado neste trabalho agrega informações a respeito da Auto-
Eficácia de alunos inferidas pelo agente MAE. Seguindo a taxonomia de agentes de
Resende (2005), esse agente apresenta como principais características: ser um agente
cognitivo, de Internet, social (troca mensagens ponto a ponto) e comportamental.
Para a modelagem da Auto-Eficácia foram agregados os tipos de objetivos de
aprendizagem utilizados em Jaques (2004) e o conceito de esforço/persistência utilizado
em Bercht (2001). Sendo que em Bercht (2001) o esforço e a persistência são
considerados como uma variável única, já neste trabalho são variáveis distintas.
35
3 AUTO-EFICÁCIA
O texto deste Capítulo é composto por uma introdução à Teoria da Auto-Eficácia,
construto da Psicologia Social Cognitiva que corresponde à área dos estudos utilizada
na elaboração do modelo do aluno deste trabalho.
A Teoria da Auto-Eficácia foi desenvolvida por Bandura (1977, 1982, 1986) e tem
se mostrado uma variável chave na Psicologia clínica, educacional e social, do
desenvolvimento e da saúde (SCHWARZER, 1996). Essa teoria defende que todos os
processos de mudança psicológica e comportamental se operam a partir de alterações no
sentido de maestria e auto-eficácia.
Bandura (1986) situa o conceito de determinismo recíproco, no qual três principais
fatores influenciam e criam interações, resultando em uma tríade de influências da auto-
eficácia. Os fatores são: (i) fatores pessoais na forma de cognição, afetos e eventos
biológicos, (ii) comportamento e (iii) ambiente, sendo que os elementos influenciam uns
aos outros, conforme mostra na Figura 3.1.
Figura 3.1: Elementos que influenciam a Auto-Eficácia
Este autor define como Auto-Eficácia "a crença do indivíduo sobre as suas
capacidades de exercer controle sobre acontecimentos que afetam a sua vida"
(BANDURA, 1989) "e a crença nas suas capacidades para mobilizar motivação,
recursos cognitivos e implementar ações que lhe permitam exercer controle sobre
tarefas exigidas" (BANDURA, 1990).
Dessa forma, a Auto-Eficácia diz respeito não às capacidades que um indivíduo
possui para realizar determinada tarefa com sucesso, mas sim ao julgamento que ele faz
sobre essas mesmas capacidades (MADDUX, 1995). As crenças acerca dessas
36
capacidades e recursos pessoais se constituem em um produto da interação entre
diversos fatores, como experiências anteriores de sucesso ou fracasso.
Berger & McInman (1993) elaboram uma definição baseada nos mesmos processos
que Bandura, salientando a existência de dois processos cognitivos: a crença que é
capaz de realizar determinada tarefa; e a confiança na sua própria competência
individual. Schunk (1991) especifica que, na área escolar, as crenças de Auto-Eficácia
são convicções pessoais quanto a dar conta de uma determinada tarefa e num grau de
qualidade definida.
Ressalta também (BZUNECK, 2004) que a Auto-Eficácia se trata de uma avaliação
ou percepção pessoal quanto à própria inteligência, habilidades e conhecimentos, entre
outros, representados pelo termo “capacidades”. Não é questão de se possuir ou não tais
capacidades, pois não basta que estejam presentes. Trata-se de a pessoa acreditar que
as possua. Além disso, essas são capacidades direcionadas para organizar e executar
linhas de ação, o que significa uma expectativa de “eu posso fazer” determinada ação.
A Auto-Eficácia é definida como as crenças que os indivíduos possuem sobre as
suas capacidades de produzirem, de realizarem algo. Tais crenças determinam como
sentem e pensam, produzindo efeitos diversos em quatro principais processos os quais
incluem a cognição, a motivação, a afetividade e a seleção. A Auto-Eficácia influencia,
principalmente:
• O curso das ações;
• O esforço;
• A perseverança em face de obstáculos e falhas;
• A recuperação à adversidade;
• O estresse e depressão em situações de reprovação e sobrecarga; e
• O nível de realização.
Uma forte crença de eficácia garante que o indivíduo acredite em suas capacidades,
encarando tarefas difíceis como desafios e não como algo que deve ser evitado
[BANDURA, 1997]. Dessa forma, este indivíduo pode estabelecer metas desafiadoras e
manter o compromisso de realizá-las. Pessoas com um bom nível de eficácia atribuem o
fracasso a esforço insuficiente ou conhecimento deficiente, tendo em mente que podem
adquirir as habilidades necessárias para realizarem novamente a tarefa com sucesso. Tal
postura produz perspectivas de realizações pessoais, reduz a tensão, vulnerabilidade e
depressão.
Em contraste, pessoas que duvidam de suas capacidades recuam de tarefas difíceis
que, muitas vezes, são vistas como ameaças pessoais. Normalmente, esses indivíduos
têm baixas aspirações e compromisso às metas que eles escolhem executar e enfatizam
as deficiências pessoais, quando enfrentam tarefas difíceis, nos obstáculos e em todos os
tipos de resultados adversos, ao invés de se concentrarem em como executar
prosperamente a tarefa. Ainda, possuem baixo nível de esforço e desistem depressa em
face das dificuldades, e recuperam muito lentamente o senso de eficácia quando
ocorrem fracassos ou retrocessos, já que percebem o desempenho insuficiente como
aptidão deficiente, não acreditando nas suas capacidades.
De acordo com a teoria de Bandura (1986; 1989; 1993), a Auto-Eficácia de uma
pessoa determina seu nível de motivação da seguinte forma: é em função dessa crença
37
que essa pessoa tem um incentivo para agir e imprime uma determinada direção a suas
ações pelo fato de antecipar mentalmente o que pode realizar para obter resultados.
Sendo assim, a Auto-Eficácia influencia as escolhas de cursos de ação, o
estabelecimento de metas, a quantidade de esforço e a perseverança em busca dos
objetivos. Esses efeitos foram descobertos nas pesquisas originais de Bandura e de seus
colaboradores com indivíduos de certas fobias e dependências sob tratamento clínico-
psicológico (PAJARES, 1997).
No contexto acadêmico, Bzuneck (2004) declara que um aluno motivar-se-á a se
envolver nas atividades de aprendizagem caso acredite que com os seus conhecimentos,
talentos e habilidades poderá adquirir novos conhecimentos, dominar um conteúdo,
melhorar suas habilidades, entre outros. Assim, esse aluno selecionará atividades e
estratégias de ação que, segundo prevê, poderão ser executadas por ele e abandonará
outros objetivos ou cursos de ação que não lhe representem incentivo porque sabe que
não os poderá implementar.
Com fortes crenças de Auto-Eficácia, o esforço se fará presente desde o início e ao
longo de todo o processo, de maneira persistente, mesmo que sobrevenham dificuldades
e contratempos. Por isso, Bandura (1986) considera que os julgamentos de Auto-
Eficácia atuam como mediadores entre as reais capacidades que são as aptidões,
conhecimentos e habilidades, e a própria performance. Isto é, esses outros fatores, que
também contribuem para predição do desempenho, não produzirão as esperadas
conseqüências, a menos que ocorra a mediação das crenças de Auto-Eficácia.
A Auto-Eficácia pode ser representada como um esquema ou modelo de
funcionamento mental. O modelo de Auto-Eficácia proposto por Bandura possui como
principais elementos: objetivos, padrão pessoal, processo avaliativo e feedback. A
Figura 3.2 apresenta esse modelo e as relações entre seus elementos.
Seguindo os pressupostos de Bandura (1997), as crenças de Auto-Eficácia
influenciam as escolhas dos objetivos por parte do aluno. No modelo computacional
proposto, esses são considerados objetivos de aprendizagem e podem ser extrínsecos ou
intrínsecos. Como objetivo intrínseco tem-se o domínio do conhecimento e como
objetivo extrínseco, o desempenho.
Objetivos
Padrão Pessoal
Processo
Avaliativo
Figura 3.2: Modelo de Auto-Eficácia
38
Cerdeira (1995) e Bandura (1997) sustentam que quando se permite aos indivíduos a
escolha de suas metas, estes assumem para com elas um compromisso, passando desse
modo a considerarem-se responsáveis pelos progressos relativos a sua persecução,
incrementando assim os sub-processos da auto-avaliação e, por isso também, o nível de
desempenho e as expectativas de auto-eficácia.
Quando o aluno seleciona um objetivo, ele cria um padrão pessoal de si mesmo, ou
seja, o que ele espera de si mesmo na realização de uma atividade. Contudo, no decorrer
das suas ações pode acontecer dele se desviar do objetivo selecionado e através de um
processo avaliativo, por exemplo, um processo interno, exercícios, provas ou tempo
despendido na sessão de estudo, ele pode perceber discrepâncias. Estas discrepâncias
afetam diretamente a sua motivação e as crenças de Auto-Eficácia.
Um sistema de feedback deve ser acionado quando ocorrerem tais discrepâncias.
Segundo Lock (1990) e Bandura (1997), inicialmente os objetivos por si só servem de
impulsionadores da ação, aumentando a motivação do aluno, mas se não houver um
sistema de feedback que regule e controle as ações, os objetivos podem acabar perdendo
a sua força.
Nesse contexto, o modelo do aluno proposto neste trabalho engloba as crenças da
Auto-Eficácia, o objetivo de aprendizagem (padrão pessoal), o esforço e a persistência.
O grau de esforço pode ser entendido como a intensidade na realização das atividades
para atingir um alvo e é mapeado como o tempo no qual o aluno permaneceu fazendo
uma tarefa (ARISON, et. al, 1990). Já a persistência pode ser entendida como a
constância em uma atividade (SOLDATO, 1995).
A motivação referenciada no modelo de Bandura, pode ser entendida, segundo
Sprinthall (1993), como uma força capaz de desencadear e manter uma ação,
canalizando o comportamento para um determinado fim. Conseqüentemente, a
motivação conduz a atitudes dinâmicas, ativas e persistentes.
A motivação é comumente dividida em intrínseca e extrínseca. A motivação
intrínseca configura-se como uma tendência natural para buscar novidades e desafios. O
indivíduo realiza determinada atividade pela própria causa, por considerá-la
interessante, atraente ou geradora de satisfação, ou seja, quando um aluno tem vontade
de aprender algo essa por si só é a sua motivação para aprender. Quando ele satisfaz
essa necessidade, aprendendo o que queria, essa ação gera prazer e ao mesmo tempo
serve como recompensa e cria nova motivação para aprender mais. É uma orientação
motivacional que tem por característica a autonomia do aluno e a auto-regulação de sua
aprendizagem. Já a motivação extrínseca tem sido definida como a motivação para
trabalhar em resposta a algo externo à tarefa, como a obtenção de recompensas externas,
materiais ou sociais, em geral, com a finalidade de atender solicitações ou pressões de
outras pessoas, ou de demonstrar competências e habilidades (AMABILE et al., 1994).
Por exemplo, a família cobrar que o aluno tire boas notas nas provas. O aluno se
esforçará e estudará para conseguir isso, mas, passado o exame, pouco ou nada terá
retido de tudo que estudou, pois os conhecimentos envolvidos não eram do seu
interesse.
No contexto escolar, há indicadores de que a motivação intrínseca facilita a
aprendizagem e o desempenho dos estudantes. O aluno intrinsecamente motivado
envolve-se em atividades que oferecem a oportunidade para o aprimoramento de seus
conhecimentos e de suas habilidades. Por sua vez, o indivíduo extrinsecamente
39
motivado realiza uma tarefa escolar para melhorar suas notas ou para conseguir prêmios
e elogios (GUIMARÃES, 2003).
Santos (2002), considera que a aprendizagem será mais duradoura quando é
sustentada pela motivação intrínseca do que quando é impulsionada por um reforço
externo. Todavia, admite que a motivação extrínseca pode ser necessária para obrigar o
aluno a iniciar certas atividades ou para ativar o processo de aprendizagem.
Considerando-se que um grande objetivo da educação é fazer com que todos os
alunos tenham real chance de sucesso e de progresso, para alimentar as crenças de
Auto-Eficácia parecem ser igualmente válidas , as mesmas estratégias que Stipek (1993)
coletou de pesquisas para a promoção da motivação intrínseca. Dessas estratégias
destacam-se as seguintes, ligadas às maneiras de se dar tarefas ou atividades aos alunos:
(i) dar tarefas que contenham partes relativamente fáceis para todos e partes mais
difíceis que possam ser atendidas somente pelos melhores; com isso, todos têm desafios
e todos têm reais chances de acertos; (ii) para aqueles que tiverem concluído primeiro,
dar atividades suplementares de enriquecimento e interessantes; (iii) permitir que às
vezes os alunos possam escolher o tipo de tarefa; (iv) permitir que cada um siga seu
próprio ritmo, sem qualquer pressão para que todos concluam juntos; e (v) alternar
trabalhos individuais com trabalhos em pequenos grupos, desde que todos recebam a
devida assistência.
A Auto-Eficácia vem sendo investigada na aprendizagem a distância e no uso de
computadores. Eachus (1996) desenvolveu uma escala da Auto-Eficácia no uso do
computador que avalia as crenças do estudante em relação as suas habilidades em usar o
computador. Uma relação positiva foi encontrada entre a auto-eficácia e a experiência
em utilizar o computador (HEAPERMAN, 2001). Os resultados das pesquisas de
(LEVINE&DONITAS-SCHIMIDT, 1998) mostram que os alunos que têm alta taxa de
Auto-Eficácia demonstram atitudes positivas em relação ao uso de computadores para
sua aprendizagem. Joo et al (2000) investigou a influência da Auto-Eficácia na auto-
regulação dos alunos em sua aprendizagem, no desempenho acadêmico, na Internet e no
desempenho na instrução via Web, concluindo que a Auto-Eficácia é uma variável
importante que determina o sucesso na aprendizagem.
Heaperman et al. (2001) desenvolveu um modelo de influências da auto-eficácia
para estudantes de terceira idade em ambientes de ensino virtual. Esse modelo agrega
fatores de influência que englobam a atitude, a ansiedade e as mudanças físicas e
cognitivas devido à idade dos estudantes. Além disso, os autores apontam outros
elementos que influenciam a auto-eficácia desses alunos: experiências passadas com
tecnologia, estratégias de ensino, decisões pedagógicas, suporte e treinamento.
Em (RAMALINGAM et al., 2004) foi idealizado um modelo da performance de
alunos iniciantes na linguagem de programação C++ baseado nos modelos mental e de
auto-eficácia, como ilustra a Figura 3.3. As setas ilustradas no modelo representam as
influências entre as variáveis.
40
Figura 3.3: Modelo de fatores que afetam a performance do estudante (RAMALIGNAM
et al., 2004)
Na pesquisa, foi utilizado um questionário para medir a auto-eficácia do aluno em
relação ao uso do computador, e para verificar o modelo mental foram utilizados dois
tipos de medidas, a compreensão de programas e a identificação de erros. Como
resultado foi obtido que a auto-eficácia dos alunos foi aumentando durante o semestre
de aplicação dos testes e que esses resultados sugerem que as mudanças na auto-eficácia
do aluno são em função da sua pré-auto-eficácia.
3.1 Considerações do Capítulo
O estudo da Auto-Eficácia nos forneceu subsídios para a formulação da modelagem
do aluno utilizada neste trabalho. Relacionamos o modelo funcional da Auto-Eficácia
fornecido por Bandura (1997) com elementos que poderiam ser utilizados em um
contexto de EAD.
Dessa forma, consideramos a importância do objetivo e da possibilidade do aluno
escolhê-lo, a quantidade de esforço despendida pelo aluno enquanto executa as suas
tarefas e de possíveis feedbacks extrínsecos positivos. Assim, a adaptabilidade do STI
proposto porta aspectos cognitivos e afetivos inferidos através do aluno em interação.
Este trabalho utiliza um agente inteligente para inferir um modelo de aspectos da
Auto-Eficácia baseado em Bandura (1997) e Ames(1990). Este trabalho não utiliza
escalas ou questionários como em (RAMALINGAM et al., 2004) e (HEAPERMAN,
2001), trazendo o benefício de uma interação com os alunos de forma menos pré-
determinada.
41
4 LÓGICA FUZZY
As teorias mais conhecidas para tratar da imprecisão e da incerteza são
respectivamente a teoria dos conjuntos e a teoria de probabilidades. Essas teorias,
embora muito úteis, nem sempre conseguem captar a riqueza da informação fornecida
por seres humanos. A teoria dos conjuntos não é capaz de tratar o aspecto vago da
informação e a teoria de probabilidades, na qual a probabilidade de um evento
determina completamente a probabilidade do evento contrário, é mais adaptada para
tratar de informações freqüentes do que aquelas fornecidas por seres humanos
(SANDRI, 1999).
A teoria dos conjuntos nebulosos foi formalizada por Lotfi Zadeh em 1965
(ZADEH, 1965) com o intuito de processar informações subjetivas, de natureza vaga e
incerta da linguagem natural, possibilitando o processo de situações nas quais o
conhecimento é incompleto ou incerto. Na análise e na tomada de decisão, esta lógica
vem sendo aplicada em diversas áreas, entre elas: análise de dados, construção de
sistemas especialistas, controle e otimização, e reconhecimento de padrões.
A partir de 1978, Lotfi Zadeh desenvolveu a teoria de possibilidades (ZADEH,
1978), a qual trata a incerteza da informação, podendo ser comparada com a teoria de
probabilidades.
Essa teoria, por ser menos restritiva, pode ser considerada mais adequada para o
tratamento de informações fornecidas por seres humanos que a de probabilidades.
Efetivamente, mesmo no discurso usual, percebemos que a noção de possibilidade é
menos restritiva que aquela de probabilidade: é mais fácil dizer que algum evento é
possível do que provável.
A teoria dos conjuntos nebulosos e a teoria de possibilidades são intimamente
ligadas. O fato de essas teorias serem ligadas é importante no sentido de que é possível
se tratar tanto à imprecisão quanto a incerteza de um conjunto de informações em um
único ambiente formal. De fato, a maior parte do tempo não é necessário fazer a
distinção entre um conjunto nebuloso e uma distribuição de possibilidades.
A teoria dos conjuntos nebulosos, quando utilizada em um contexto lógico, como o
de sistemas baseados em conhecimento, é conhecida como lógica nebulosa, lógica
difusa ou lógica fuzzy.
Ao contrário da lógica booleana, a lógica fuzzy é multi-valorada - ao invés de um
elemento ser 100% pertencente a um conjunto ou outro, ou uma proposição ser
inteiramente verdadeira ou falsa, a lógica fuzzy trata com graus de pertinência e graus de
42
veracidade, isto é, as mesmas coisas podem ser parcialmente verdadeiras e parcialmente
falsas ao mesmo tempo. Nesse contexto, a lógica booleana passa a ser um caso
particular da lógica difusa (ZADEH, 1965).
Ao definir um conjunto fuzzy como uma classe de objetos sem fronteira bem
definida entre eles, Zadeh (1973) lançou bases para a modelagem matemática do
raciocínio aproximado que trabalha com possibilidade e incerteza. Uma decisão
baseada no enfoque fuzzy é semelhante ao processo intuitivo da decisão: uma escolha ou
um conjunto de escolhas extraídas do conjunto das alternativas possíveis. A idéia
central da lógica fuzzy é a possibilidade de realizar operações com palavras, nas quais os
conjuntos fuzzy são os valores das palavras (BRAGA et al., 1995). Dessa forma, os
conjuntos fuzzy são uma alternativa para aproximar o raciocínio humano à forma da
máquina.
Nos conjuntos convencionais têm-se limites bruscos entre os elementos pertencentes
ao conjunto e os elementos não pertencentes. Em um conjunto fuzzy a transição entre o
membro e o não membro está numa faixa gradual, sendo associado um grau entre
"0"(totalmente não membro) e "1" (totalmente membro).
Zadeh (1965) apresenta a noção de conjunto fuzzy como uma generalização da noção
de conjunto ordinário. Assim como os conjuntos ordinários, os conjuntos difusos
também são definidos sobre um domínio (Universo de Discurso), mas nestes os
elementos podem ter uma pertinência parcial.
Formalmente, um conjunto fuzzy B é definido como um conjunto de pares ordenados
contendo o elemento e seu grau de pertinência no conjunto:
B = {(x, µ
B
(x)) | x ∈X}
onde, X é o domínio de objetos, também chamado universo de discurso, e µ
B
(.) é a
função de pertinência associada ao conjunto B, representada matematicamente por:
µ
B
(x): X → [0,1]
Portanto, um conjunto fuzzy B, definido no universo de discurso X é caracterizado
por uma função de pertinência µ
B
que mapeia os elementos de X para o intervalo [0,1].
Dessa forma, a função de pertinência associa a cada elemento x pertencente a X um
número real µ
B
(x) no intervalo [0,1], que representa o grau de possibilidade de que o
elemento x venha a pertencer ao conjunto B, isto é, o quanto é possível para o elemento
x pertencer ao conjunto B.
As funções de pertinência assumem diversas formas, sendo as mais utilizadas a
triangular e a trapezoidal (OLIVEIRA, 1999). A Figura 4.1 apresenta as principais
funções de pertinência geralmente utilizadas em projetos de controladores fuzzy.
43
Figura 4.1: Funções de pertinência fuzzy (NASCIMENTO, 2000).
As operações fuzzy básicas executadas entre um conjunto ou conjuntos fuzzy são as
seguintes (REZENDE et al., 2005):
• Complemento: o complemento de um conjunto fuzzy B do universo de
discurso X pode ser denotado por ¬B, com a função de pertinência definida
por µ
B
(x) = 1- µ
B
(x). O complemento corresponde ao conectivo “NÃO”;
• União: a união entre dois conjuntos fuzzy A e B do universo de discurso X é
definida de diversas formas na literatura, como por exemplo, A∪B ou A+B,
e é definido pela função de pertinência µ
A
∪
B
= max[µ
A
(x), µ
B
(x)]. A união
corresponde ao conetivo “OU”;
• Interseção: a interseção entre dois conjuntos fuzzy A e B do universo de
discurso X é definida de diversas formas na literatura, como por exemplo,
A∩B ou A - B, e ainda pela função de pertinência µ
A
∩
B
= min[µ
A
(x),
µ
B
(x)]. A interseção corresponde ao conetivo “E”.
Um outro conceito subjacente à lógica fuzzy é o de variável lingüística. As variáveis
lingüísticas cumprem na lógica fuzzy o mesmo papel que as variáveis numéricas nos
modelos matemáticos convencionais, com a diferença de que os valores que podem
assumir são conceitos expressos em linguagem natural, tais como "alto", "quente",
"forte". Na lógica fuzzy, tais conceitos são representados por conjuntos difusos e com
funções de pertinência representando suas fronteiras. Uma variável lingüística, portanto,
é definida com um certo número de funções de pertinência, cada uma representando um
valor ou conceito que a variável pode assumir, às quais são atribuídos termos
lingüísticos apropriados.
Para expressar as relações entre as variáveis lingüísticas e os conjuntos fuzzy são
formuladas as proposições ou regras fuzzy. Essas regras podem ser condicionais
(exemplo: if W is Z then X is Y) ou não condicionais (exemplo: X is Y).
Para construir um controlador fuzzy é necessário definir os seguintes itens
(SANDRI, 1999)(BRAGA, 1995):
• Definição do modelo e das características operacionais para estabelecer as
particularidades da arquitetura do sistema e definição das propriedades
operacionais do controlador fuzzy do projeto, como o tipo de controlador,
operadores a serem utilizados, defuzzificador, entre outros;
• Definição dos termos lingüísticos de cada variável. Para garantir suavidade e
estabilidade deve-se permitir que haja uma sobreposição parcial entre
conjuntos nebulosos vizinhos;
44
• Definição do comportamento do controle, que envolve a descrição das regras
que atrelam as variáveis de entrada às propriedades de saída do modelo.
Portanto, no projeto de um sistema fuzzy é necessário a definição de alguns
parâmetros obtidos a partir da experiência do projetista ou através de experimentos.
Tendo em vista um determinado processo, alguns desses parâmetros são fixos e
denominados parâmetros estruturais (como, por exemplo: variáveis lingüísticas, funções
de pertinência, conjunto de regras), e outros, os parâmetros de sintonização, são aqueles
que variam com o tempo (universo de discurso das variáveis).
Após as definições prévias, um processo fuzzy (GOMIDE, 1995; OLIVEIRA, 1999)
é dividido em três módulos: Fuzzificação, Inferência e Defuzzificação, conforme ilustra
a Figura 4.2. O agente modelado neste trabalho possui na sua base de conhecimento o
sistema fuzzy idealizado para a modelagem da Auto-Eficácia.
Acompanhando a Figura 4.2 observa-se que o processo é iniciado pela entrada de
variáveis precisas ou “crisp” (não fuzzy) resultantes de medições ou observações. Em
virtude disto, é necessário efetuar um mapeamento desses dados precisos para os
conjuntos fuzzy (de entrada) relevantes, o que é realizado no estágio de fuzzificação.
Assim, na fuzzificação as variáveis de entrada são normalizadas em um universo de
discurso padronizado. Esses valores são então fuzzificados com a transformação da
entrada “crisp” em conjuntos fuzzy para que eles se tornem instâncias de variáveis
lingüísticas.
Após, ocorre a ativação das regras relevantes para uma dada situação de entrada. As
regras podem ser fornecidas por especialistas, em forma de sentenças lingüísticas, e se
constituem em um aspecto fundamental no desempenho de um sistema de inferência
fuzzy. As regras são formadas por estruturas do tipo IF <premissa> THEN
<conclusão>.
Estas regras, juntamente com os dados de entrada, são processadas pelo
procedimento de inferência que infere as ações de controle de acordo com o estado do
sistema, aplicando o operador de implicação conforme o procedimento de inferência.
Figura 4.2: Módulos de um Sistema de Inferência Fuzzy (REZENDE, 2005).
45
Em um dado controlador fuzzy, é importante que existam tantas regras quantas forem
necessárias para mapear totalmente as combinações dos termos das variáveis, isto é, que
a base seja completa, garantindo que sempre exista ao menos uma regra a ser disparada
para qualquer entrada. Também é essencial a consistência, onde se procura evitar a
possibilidade de contradições e a interação entre as regras (SANDRI, 1999).
No estágio de inferência ocorrem as operações com conjuntos fuzzy propriamente
ditos: combinação dos antecedentes das regras e implicação. Os operadores
composicionais de inferência mais utilizados são o Max-min (µ
B
(y) =
max{min[µ
A
(x),µ
R
(x,y)]}) e o Max produto (µ
B
(y) = max{µ
A
(x).µ
R
(x,y)}). O Max-min
é utilizado no modelo Mandani (MANDANI, 1974).
Uma vez obtido o conjunto fuzzy de saída através do processo de inferência, no
estágio de defuzzificação é efetuada uma interpretação dessa informação. Isto se faz
necessário pois em aplicações práticas são geralmente requeridas saídas precisas, ou
seja, o valor das variáveis lingüísticas de saída será traduzido para um valor discreto
numérico, com o objetivo de se obter o que melhor represente o valor desejado. Existem
diversos métodos de defuzzificação, entre eles:
• PrimeiroMáximo (SOM): Encontra o valor de saída através do ponto em que
o grau de pertinência da distribuição da ação de controle atinge o primeiro
valor máximo;
• Método da Media dos Máximos (MOM): Encontra o ponto médio entre os
valores que têm o maior grau de pertinência inferido pelas regras;
• Método do Centro da Área (COA): O valor de saída é o centro de gravidade
da função de distribuição de possibilidade da ação de controle.
Jang e Gulley (1997) apresentam algumas vantagens do uso da Lógica Fuzzy em
relação à abordagem clássica (Crisp): a naturalidade de sua abordagem a torna
conceitualmente fácil de entender; sua flexibilidade; sua tolerância a dados imprecisos;
poder ser construída com base na experiência de um especialista; simplificar a solução
do problema e a aquisição da base de conhecimento, proporcionar um rápido protótipo
dos sistemas e ser baseada em linguagem natural, base da comunicação humana.
Como exemplos da utilização da Lógica Fuzzy neste contexto tem-se o trabalho de
Yager (2000), que apresenta a utilização da modelagem Fuzzy para construir agentes
inteligentes no âmbito do comércio eletrônico, e o tutor FLAME (Fuzzy Logic Adaptive
Model of Emotions), idealizado por Nasr et al. (2000), que utiliza a lógica fuzzy para
representar as emoções do aluno por intensidade e mapeia os eventos e expectativas
para os comportamentos e estados emocionais do aluno.
4.1 Considerações do Capítulo
O estudo da Lógica Fuzzy mostrou as possibilidades existentes de utilizá-la na
modelagem da máquina de inferência de agentes cognitivos e evidenciou o seu potencial
para tratar as questões de imprecisão e subjetividade que implicam em um modelo de
aluno.
Nesta tese a Lógica Fuzzy é utilizada como máquina de inferência do agente
idealizado. Esta máquina de inferência engloba o modelo para aspectos da Auto-
Eficácia e o conhecimento e inferência que o agente possui sobre a mesma.
46
5 O PROJETO DO AGENTE MEDIADOR DA AUTO-
EFICÁCIA
O agente proposto neste trabalho, denominado agente Mediador da Auto-Eficácia
(MAE) está inserido em um ambiente de ensino e aprendizagem na WEB. Esse agente é
capaz de perceber a Auto-Eficácia do aluno através de comportamentos observáveis
(correspondem ao curso das ações do aluno na interface) e prover o modelo do aluno
com esta nova variável (BICA, 2006). O agente MAE, quando necessário, seleciona
feedbacks (táticas afetivas) que são apresentados ao aluno durante a sua sessão de
estudo, através do agente PAT (descrito na seção 2.3), na tentativa de aumentar a Auto-
Eficácia do mesmo e contribuir com a sua aprendizagem.
Seguindo os pressupostos de Russel (RUSSEL, 1994), o agente MAE possui
sensores e atuadores. Os sensores captam informações vindas do ambiente no qual ele
coabita e da sua base de conhecimento. Os atuadores afetam diretamente a condição
desse ambiente, através do feedback mostrado pelo PAT. A Figura 5.1 ilustra o
ambiente abstrato e os agentes participantes: agentes humanos representados pelo Aluno
e dois agentes artificiais, o MAE e o PAT.
Ambiente
Atuadores
Sensores
Atuadores
Sensores
Base de Conhecimento
Máquina de Inferência
Agente
MAE
Atuadores
Sensores
Agente
Aluno
Agente
PAT
Comportamentos
observáveis
Figura 5.1: Ambiente abstrato composto por agentes humanos (Aluno) e dois agentes
artificiais (MAE e PAT).
47
O agente MAE é um agente que possui as seguintes características:
• Conhece o seu mundo, ou seja, percebe dinamicamente as condições do
ambiente, interpretando percepções, resolvendo problemas e extraindo
inferências. O conhecimento a respeito do seu mundo está representado na
sua Base de Conhecimento;
• Toma decisões que afetam condições do ambiente, com o auxílio de uma
máquina de inferência fuzzy, determinando suas possíveis ações. Ou seja, é
um agente baseado em conhecimento e raciocínio.
A comunicação entre os agentes MAE e PAT é peer-to-peer (ponto-a-ponto), sendo
que apenas o agente MAE envia mensagens. O agente PAT, nesse trabalho, é utilizado
como um agente reativo, ou seja, comporta-se num modo estímulo-resposta, sempre
executando as ações de acordo com as mensagens recebidas do agente MAE. A
mensagem é composta por um texto ou por uma referência de comportamento físico.
Esses textos e referências são explanados na seção 1.1.1.
Para que o agente MAE realize as suas atividades, é necessário que o aluno no início
da sua sessão de estudo se identifique, selecione o tempo que almeja permanecer na
sessão e escolha o objetivo da aprendizagem. Na interface com o aluno, o objetivo de
aprendizagem é denominado “Objetivo Pessoal” e os períodos de tempo existentes são:
“Até 30 minutos”, “30 a 60 minutos” e “60 a 120 minutos”. Na primeira modelagem de
Auto–Eficácia optou-se por não utilizar essa variável de tempo, visto que a mesma pode
não representar o tempo real que o aluno permaneceu na sessão, uma vez que, por
exemplo, o tipo de conexão a Internet utilizada pelo aluno é um fator que dificulta essa
medida. Portanto, nesse momento, o tempo na sessão é uma variável do modelo do
aluno, contudo não está relacionada a Auto-Eficácia capturada do mesmo.
Neste trabalho, assim como em (JAQUES, 2004) e (AMES, 1990), utilizou-se dois
tipos de objetivos de ensino. Esses objetivos estão relacionados com a motivação
intrínseca e extrínseca, exposta no Capítulo 3. Dessa forma, o objetivo intrínseco
selecionado é o domínio do assunto (aprendizagem) e o objetivo extrínseco é o
desempenho.
Segundo Locke (1991) a auto-definição dos objetivos aumenta a satisfação, mas não
garante avanços no desempenho. Contudo, a auto-definição dos objetivos pode ter mais
influência no desenvolvimento de habilidades de alunos que possuem dúvidas sobre
suas próprias capacidades, ou seja, a definição do objetivo pelo aluno pode ajudar no
aumento da Auto-Eficácia do mesmo em relação as suas capacidades.
Cerdeira (1995) e Bandura (1986) sustentam que quando se permite aos indivíduos
as escolhas de suas metas, esses assumem para com elas um compromisso, passando
desse modo a considerarem-se responsáveis pelos progressos relativos a sua persecução,
incrementando assim os sub-processos da auto-avaliação e, por isso, também, o nível de
desempenho e as expectativas de Auto-Eficácia.
De acordo com Ames (1990), os alunos podem ter objetivos orientados à
aprendizagem ou ao desempenho. Alunos que têm objetivo de aprendizagem são
orientados a desenvolver novas habilidades, tentar entender seu trabalho, aperfeiçoar o
seu nível e competência, e aprender novos conteúdos. Já os alunos que possuem
objetivo de desempenho acreditam que o desempenho é importante e eles querem
mostrar que têm capacidade. Eles sentem que obtiveram sucesso quando agradam o
48
professor ou pais, ou quando se saem melhor que seus colegas, ao invés de quando
aprenderam algo novo.
Ames (1990) afirma que os alunos que selecionam o objetivo de aprendizagem
intrínseco tentam fazer mais esforços para aprender algo novo ou quando se defrontam
com tarefas desafiantes. Quando esses alunos enfrentam dificuldades, eles aumentam os
seus esforços porque acreditam que o esforço é necessário para o sucesso.
Ames (1990) alega que os alunos que são motivados extrinsecamente, e por
conseqüência selecionaram o objetivo de aprendizagem desempenho, quando enfrentam
dificuldades não aumentam os seus esforços porque isso significa falta de capacidade
para eles. Esse comportamento indica que esses alunos podem ter menos controle sobre
a auto-regulação da sua aprendizagem que os alunos que selecionam domínio do
assunto.
Após a seleção do tempo, na seção e do objetivo de aprendizagem, o aluno tem
acesso ao material didático disponível no ambiente piloto que está descrito no Capítulo
7. A navegação do aluno no material didático é livre. As suas escolhas e o tempo em
que ele permanece nas páginas percorridas, assim como o desempenho nos exercícios
são armazenados em uma base de dados, mais precisamente no Log do ambiente. É
através desse Log que o agente MAE captura as variáveis para começar o seu objetivo
que é o de inferir a Auto-Eficácia do aluno, conforme ilustrado na Figura 5.2.
Agente
MAE
Agente
PAT
Base de
conhecimento
Base de
Dados
Interface
Aluno
Mostra
Feedback
Inferência da
Auto-Eficácia
Informa Objetivo Pessoal e
Tempo na sessão
Gera Log
Ativa PAT
com feedback
comunicação
peer-to-peer
Figura 5.2: Funcionamento geral da interação entre os agentes MAE e PAT e um aluno.
Durante o processo de interação do aluno com o ambiente, a base do conhecimento
do agente MAE é constantemente atualizada. É na base de conhecimento que o modelo
do aluno, táticas (feedbacks) e demais variáveis utilizadas na inferência da Auto-
Eficácia estão armazenadas.
As variáveis identificadas no modelo são inicialmente capturadas a partir dos
comportamentos observáveis dos alunos através dos Logs gerados por suas respectivas
49
escolhas dentro das opções oferecidas no ambiente. Essas variáveis precisam ser pré-
processadas. Para isso, o agente separa os Logs do aluno para calculá-las e armazená-las
na sua base de conhecimento.
Essa base inclui as percepções (conhecimento) e o raciocínio (regras de inferência)
do agente. As percepções incluem por aluno (modelo do aluno) os seguintes dados:
Auto-Eficácia, esforço, persistência, padrão pessoal, número de vezes que realizou os
exercícios, desempenho médio nos exercícios, tempo estimado (informado no início da
sessão), tempo de fato (calculado pelo agente no início da sessão subseqüente),
feedback selecionado e histórico desses dados por sessão. O raciocínio inclui o modelo
fuzzy, que possui conjuntos e variáveis lingüísticas, regras de inferência e funções de
pertinência. O agente também possui armazenadas na sua base as táticas afetivas
selecionadas de (JAQUES, 2004), agrupadas por Padrão Pessoal e Auto-Eficácia.
Assim como em (BERCHT, 2001) utiliza-se o esforço e medidas de desempenho no
modelo do aluno e que também foram utilizados em (JAQUES, 2004). Em (JAQUES,
2004) é utilizado um questionário para averiguar o tipo de motivação (intrínseca,
extrínseca) que o aluno possui. Já no trabalho aqui proposto é realizada uma pergunta
direta sobre qual é o objetivo pessoal do aluno na sessão de estudo e é através do seu
comportamento que o agente MAE verifica se este objetivo está sendo cumprido.
5.1 As Atividades do Agente MAE
As atividades realizadas pelos sensores e atuadores do Agente MAE, para realizar o
processo de inferência da Auto-Eficácia do aluno estão ilustradas na FiFigura 5.3 e são
as seguintes: Percepção, Fuzzificação, Inferência, Seleção do Feedback e Comunicação
com PAT.
Na percepção o agente recupera o Log do aluno e pré-processa as informações para
transformá-las em variáveis da sua base de conhecimento, ou seja, o agente MAE,
calcula as variáveis (esforço em minutos, persistência em porcentagem e desempenho
em média) e as armazena na sua BC (Modelo do Aluno).
Na fuzzificação o agente, através do modelo fuzzy armazenado na sua BC,
transforma as entradas crisp de esforço, persistência e desempenho em valores fuzzy e
recupera os respectivos graus de pertinência para cada um dos termos lingüísticos. Essas
pertinências advêm de funções matemáticas (crescente, decrescente, trapezoidal e
triangular) armazenadas na sua BC (modelo fuzzy).
No procedimento de inferência fuzzy o agente recupera as regras de inferência da sua
BC e substitui os termos lingüísticos por suas respectivas pertinências, verificando
qual(is) regra(s) são mais pertinentes. O agente utiliza o operador composicional de
inferência MIN para descobrir qual é a pertinência resultante de cada regra de inferência
(a escolha desse operador se deve ao fato das regras de inferência utilizam o conetivo
E). Após, o agente agrupa as regras por termo lingüístico do conjunto de saída,
selecionando apenas a regra que resulte na maior pertinência. Sendo assim, no máximo
uma regra é recuperada por termo lingüístico. A partir do(s) resultado(s) da(s) regra(s)
têm-se o(s) termo(s) do conjunto de saída que devem ser cortados de acordo com a
pertinência resultante do operador MIN.
50
0
0,2
0,4
0,6
0,8
1
0 1 2 3 4 5 6 7 8 9 10 11 12
Minutos
0
0,2
0,4
0,6
0,8
1
Média
0
0,2
0,4
0,6
0,8
1
Porcentage m
0
0,2
0,4
0,6
0,8
1
0
1
0
,
0
0
2
0
,
0
0
30,00
40,00
50,00
6
0
,
0
0
7
0,00
80,00
90,00
1
0
0
,
00
Fi
Figura 5.3: Arquitetura do MAE.
O procedimento de inferência fuzzy finaliza com a inferência do valor de saída
(medida de Auto-Eficácia), que corresponde ao termo lingüístico mais pertinente
(operador composicional de inferência MAX). Não é necessário realizar a
defuzzificação já que as táticas foram dividas pelos termos lingüísticos (baixa, média,
alta) do conjunto de saída (Auto-Eficácia) e não por um valor numérico discreto.
Tendo descoberto a medida de Auto-Eficácia, o agente seleciona um feedback
coerente com essa medida e com o padrão pessoal selecionado pelo aluno no início da
sessão de estudo. As táticas do agente PAT estão divididas por tipo de padrão pessoal e
medida de Auto-Eficácia, assim, o agente sorteia uma das táticas possíveis.
No modelo da Auto-Eficácia, Bandura (1997) aponta a importância do feedback. O
feedback pode ser intrínseco, ou seja, é realizado internamente pelo aluno (por seus
órgãos sensoriais) e extrínseco que é dependente de fonte externa. Dessa forma, o
feedback extrínseco selecionado para este trabalho consiste em táticas afetivas verbais
(textuais) e físicas (animação) apresentadas pelo agente pedagógico PAT, idealizado por
Bocca (2003) e Jaques (2004), descrito na seção 2.3.
Os Agentes pedagógicos segundo(GIRAFFA, 1999; ARAFA, 2000; JOHNSON,
2004) são aqueles utilizados em sistemas que usam o paradigma de agentes
desenvolvidos para fins educacionais, podendo atuar como tutores virtuais, estudantes
virtuais, ou ainda companheiros virtuais de aprendizagem, e que têm como objetivo
auxiliar os estudantes no processo de ensino-aprendizagem. O agente pedagógico
animado apresenta a vantagem de aumentar a comunicação entre alunos e
computadores, e de incrementar a habilidade do computador para engajar e motivar o
aluno, além de também poder aumentar a motivação do estudante, assim como a sua
atenção.
Cabe salientar, que neste trabalho o PAT é utilizado como um agente com função de
parceria e não de intervenção. Quando o agente MAE achar necessário, o PAT é
acionado com uma mensagem que corresponde a um feedback e após mostrar a tática se
oculta aguardando a próxima mensagem do agente MAE.
51
No trabalho de Jaques (2004) foram elaboradas táticas verbais e físicas de acordo
com uma série de eventos como: “Resposta do exercício correta”, “aluno pede ajuda”,
“aluno desabilita agente”, entre outros. As táticas eram utilizadas de acordo com as
emoções alegria e tristeza, satisfação e frustração, raiva e gratidão e vergonha captadas
do aluno. Dessas táticas foram selecionadas as que se adaptavam ao contexto deste
trabalho, sendo que alguns comportamentos verbais tiveram o texto modificado.
A Tabela 5.1 a Tabela 5.6 ilustram as táticas para padrão pessoal Intrínseco e a para
o padrão pessoal Extrínseco, ambas divididas por medida de Auto-Eficácia. As tabelas
descrevem os seguintes dados: na primeira coluna o nome da tática e se essa é verbal ou
física, a segunda coluna contém uma breve descrição da animação se for uma tática
física e por fim, na terceira coluna está o texto ou uma imagem correspondente a
animação que a PAT mostra ao aluno. Os números entre parênteses representam as
referências dessas táticas no trabalho de Jaques (2004).
O sistema de controle de feedback proposto por Bandura (1997) funciona como um
motivador, interferindo assim na auto-eficácia e motivação do aluno. Dessa forma, neste
trabalho, foram selecionadas as seguintes táticas afetivas verbais e físicas do trabalho de
Jaques (2004): Empatia (física), Encorajar (física, verbal), Mostrar Curiosidade (física),
Aumentar Esforço do Estudante (verbal), Reconhecer o Esforço do Estudante (verbal),
Nova Habilidade (física, verbal), Congratular (física, verbal), Aumentar Persistência
(verbal). Cabe ressaltar que algumas táticas são mistas, ou seja, após um
comportamento físico (animação) o PAT apresenta um comportamento verbal.
Tabela 5.1: Táticas para Padrão Pessoal Intrínseco e Auto-Eficácia Baixa
Auto-Eficácia Baixa
Tática Descrição
Animação
Imagem/Texto
Empatia (física)
(6). Pat dá 2
piscadinhas
rápidas para o
aluno
(Ref. idle2)
Encorajar (verbal)
(30). Juntos vamos superar! O
importante é continuar tentando!
(31). Vamos em frente! Você
conseguirá!
52
Auto-Eficácia Baixa
Encorajar
(física/mista)
(7). Pat dá uma
piscadinha e sorri.
(Ref. estímulo4)
(8). Pat está
lutando boxe e ela
acerta um saco de
pancadas onde
está escrito
“minhas
dificuldades”
(Ref. tutoria1)
(9). Pat deita de
cansaço em um
sofá. Não
desanime!
(Ref. estímulo7)
Texto: “Não
desanime!”
Texto: “Eu sei
que você é capaz de nocautear as suas
dificuldades.”
Mostrar Curiosidade
(físico)
(21). Pat lê
pergaminho.
(Ref. tutoria5)
Aumentar Esforço
Estudante (verbal)
(46). É apenas necessário fazer um
pouco mais de esforço! Vamos tentar
mais uma vez?
53
Tabela 5.2: Táticas para Padrão Pessoal Intrínseco e Auto-Eficácia Média
Auto-Eficácia Média
Tática Descrição
Animação
Imagem/Texto
Nova Habilidade
(verbal)
(54). O sucesso nessa atividade mostra
que você adquiriu novas habilidades.
(alterada)
Nova Habilidade
(física/mista)
(18). Pat se torna
uma super heroína
e voa na tela.
(Ref. tutoria7)
(19). Pat faz
malabarismos com
bolas.
(Ref. tutoria8)
Texto: “Você
adquiriu novos super-poderes.”
Aumentar Esforço do
Estudante (verbal)
(48). Continue com os seus esforços
que o sucesso está a caminho.
(46). É apenas necessário fazer um
pouco mais de esforço! Vamos tentar
mais uma vez?
(50). Você é um vencedor! Lembre de
tudo que você já conseguiu fazer!
(alterada)
54
Tabela 5.3: Táticas para Padrão Pessoal Intrínseco e Auto-Eficácia Alta
Auto-Eficácia Alta
Tática Descrição
Animação
Imagem/Texto
Nova Habilidade
(física/verbal)
Idem Nova Habilidade (físico/verbal) Auto-Eficácia Média –
Padrão Pessoal Intrínseco
Congratular(física)
(1). Pat joga
dardos e acerta.
(Ref. estímulo8)
(2). Pat chuta bola
de futebol e faz
gol.
(Ref. estímulo2)
(3). Pat aplaude
aluno.
(Ref. estímulo1)
(4). Pat participa
do campeonato de
corrida dos jogos
olímpicos e vence.
Tem varias
pessoas a
esperando e a
aplaudindo.
(Ref. estímulo3)
55
Auto-Eficácia Alta
Congratular(física)
(continuação)
(5). Pat joga
brinquedo de circo
e acerta
(Ref. estímulo9)
Congratular(verbal)
(25). Uauuuuu! Você arrasou! Parabéns
pelos esforços que você fez!
(27). Parabéns! Você conseguiu! A sua
performance foi estupenda!
(28). Parabéns pelos seus esforços!
Você se saiu muito bem!
(31). Vamos em frente! Você
conseguirá!
Reconhecer Esforço do
Estudante (verbal)
(59). Continue assim! O esforço é a
chave do sucesso!
(60). Parabéns pelos esforços que tem
feito. Continue assim!
Tabela 5.4: Táticas para objetivo extrínseco e Auto-Eficácia Baixa
Auto-Eficácia Baixa
Tática Descrição Animação Imagem/Texto
Aumentar
Persistência(verbal)
(nova)
(47). Não desista! Vamos em frente!
Para ter bons resultados é necessário
ser persistente.(alterada)
(49). Eu sei que você é capaz de
acertar!
Encorajar(física)
Idem Encorajamento - Auto-Eficácia Baixa – Padrão Pessoal
Intrínseco
56
Tabela 5.5: Táticas para objetivo extrínseco e Auto-Eficácia Média
Auto-Eficácia Média
Tática Descrição Animação Imagem/Texto
Nova Habilidade
(verbal/físico)
Idem Nova Habilidade (físico/verbal) Auto-Eficácia Média –
Padrão Pessoal Intrínseco
Aumentar Persistência
(verbal)
(47). Não desista! Vamos em frente!
Para ter bons resultados é necessário
ser persistente. (alterada)
(50). Você é um vencedor! Lembre
de tudo que você já conseguiu fazer!
(alterada)
Tabela 5.6: Táticas para objetivo extrínseco e Auto-Eficácia Alta
Auto-Eficácia Alta
Tática Descrição Animação Imagem/Texto
Nova Habilidade
(verbal/física)
Idem Nova Habilidade (físico/verbal) Auto-Eficácia Média –
Padrão Pessoal Intrínseco
Congratular(verbal)
(26). Parabéns! Você conseguiu um
ótimo resultado! Continue assim!
(27). Parabéns! Você conseguiu! A
sua performance foi estupenda!
(29). Parabéns! Você atingiu um
bom resultado!
(31). Vamos em frente! Você
conseguirá!
Congratular(física)
Idem Congratulações(físico) Auto-Eficácia Alta – Padrão
Pessoal Intrínseco
Algumas das táticas verbais advindas de (JAQUES, 2004) foram alteradas, já que o
contexto em que elas estavam sendo utilizadas era diferente. Se a tática verbal tiver sido
alterada a palavra “alterada” entre parênteses foi incluída no final do texto, ou ainda, se
a tática for nova foi inserido a palavra “nova” entre parênteses após o nome da tática nas
Tabela 5.1 a Tabela 5.6.
As mensagens que o agente PAT recebe do agente MAE possuem como conteúdo os
Textos da terceira coluna se forem táticas verbais ou, se forem táticas físicas, contêm as
57
referências (nome) dispostas na segunda coluna descritas em (Ref. nome_tática). O
PAT reconhece através das referências qual comportamento deve animar.
O MAE seleciona uma das táticas previamente divididas na Tabela 5.1 a Tabela 5.6.
de acordo com o grau da Auto-Eficácia inferida e o objetivo selecionado pelo aluno no
início de cada sessão de estudo. Pode ocorrer de um estudante em uma sessão de estudo
visualize mais de uma vez mesmo feedback.
Finalmente, após a seleção do feedback, o agente envia uma mensagem para o PAT
(envio de mensagem peer-to-peer) com o feedback selecionado.
5.2 O Modelo Computacional da Auto-Eficácia
Para que o agente MAE pudesse mediar a Auto-Eficácia do aluno, foi necessário
identificar o conhecimento do domínio (modelo da Auto-Eficácia). Esse modelo foi
baseado em Bandura (1997) e Ames (1990) e agregou-se a ele a hipótese da utilização
da persistência e do desempenho como variáveis para a inferência da Auto-Eficácia,
além do esforço e padrão pessoal sugerido no modelo de Bandura (BICA, 2006).
Sendo assim, como ponto de partida para a modelagem computacional, formulamos
o pressuposto P:“A Auto-Eficácia está relacionada ao objetivo (padrão pessoal),
esforço, persistência e desempenho”.
A Figura 5.4 ilustra o modelo construído, no qual diferentes variáveis são utilizadas
para capturar a Auto-Eficácia do aluno e, baseando-se no Padrão Pessoal, diferentes
táticas são selecionadas para aumentar a Auto-Eficácia do mesmo. Cabe ressaltar que o
objetivo de aprendizagem/objetivo pessoal antes mencionado é denominado Padrão
Pessoal no modelo idealizado, para seguir a nomenclatura proposta por Bandura(1997).
Figura 5.4: Modelo da Auto-Eficácia idealizado.
Seguindo a Figura 5.4 tem-se que a variável mapeada, relacionada mais fortemente
com o Padrão Pessoal Intrínseco é o Esforço. O grau de Esforço pode ser entendido
como a intensidade na realização das atividades para atingir um alvo (Arison, et. al,
1990) e é pré-processado como o tempo no qual o aluno permaneceu fazendo uma
tarefa. Em Bercht (2001) o esforço é calculado em função da persistência.
58
Para o Padrão Pessoal Extrínseco, as variáveis relacionadas mais fortemente são a
Persistência e o Desempenho. A persistência pode ser entendida como a constância em
uma atividade (Soldato, 1995). Neste trabalho essa variável é pré-processada pela
porcentagem de completude nas tarefas selecionadas. O Desempenho diz respeito à
média dos acertos nos exercícios. As táticas foram divididas em dois grupos: táticas
para os alunos que selecionam padrão pessoal intrínseco e táticas para os alunos que
selecionam padrão pessoal extrínseco.
Portanto, as variáveis utilizadas no modelo proposto são o padrão pessoal, esforço,
persistência e desempenho. Após a modelagem computacional da auto-eficácia, foi
possível utilizá-lo para realizar inferências. O construto da auto-eficácia apresenta uma
grande quantidade de incertezas e ruídos e o processo de inferência é incompleto e pode
ser baseado em conhecimento inconsistente. Esses fatores levaram à seleção da Lógica
Fuzzy para representar o modelo computacional. A Lógica Fuzzy (ZADEH,1978)
permite um raciocínio aproximado, sendo interpretado como um processo de
composição de relações fuzzy, e, além disso, permite a redução de complexidade de
projeto e implementação.
Os trabalhos do grupo (GIRAFFA, 1999; BICA, 2000; BERCHT, 2001, JAQUES,
2004) utilizaram BDI para modelagem do aluno, contudo essa abordagem foi revista
neste trabalho devido à performance deficitária que esse método apresenta e à
dificuldade para modelar a auto-eficácia devido a sua natureza incompleta. A Auto-
Eficácia de um indivíduo é formada pela influência de vários fatores pessoais
(presentes e passados) na forma de cognição, afetos e eventos biológicos,
comportamento e ambiente, resultando na impossibilidade da captura de todos esses
fatores, justificando assim a sua natureza.
5.2.1 O modelo fuzzy da Auto-Eficácia
A máquina de inferência fuzzy do agente MAE engloba a definição do modelo fuzzy
da Auto-Eficácia (BICA, 2006), que compreende em B conjuntos de entrada e um
conjunto C de saída. Para cada um dos conjuntos são definidos V termos lingüísticos e
suas respectivas funções de pertinência F(V), e por fim, regras de comportamento que
definem as relações entre os V termos dos conjuntos B e C.
Os conjuntos B = {B
1
, B
2
, ..., B
k
}, onde B
i
(i = 1, 2, ..., k) é a palavra ou sentença que
descreve os k comportamentos observáveis do aluno que servem como entrada do
sistema fuzzy. Os k comportamentos são medidos e correspondem a um valor numérico
positivo do conjunto Ui. As entradas numéricas X={x
1
, ...x
i
,... x
k
}, onde x
i
∈ U
i
e U
i
é o
universo de discurso das entradas, cada U
i
⊂ ℜ
+
(i = 1, 2, ..., k) representam a medida
dos valores de B
i
e formula as entradas do processo.
Partindo-se do pressuposto P foram definidas três variáveis lingüísticas B
1,
B
2
e B
3
associadas aos comportamentos observáveis do aluno, que são: B
1
= “esforço”, B
2
=
“persistência” e B
3
= “desempenho”.
Cada conjunto B
i
(i = 1, 2, ..., k) é uma variável lingüística, a qual pode conter um
número diferente de termos lingüísticos. O número de termos lingüísticos f
i
e seus
nomes V
1
, V
2
, ...,V
f
são definidos como um conjunto T(B
i
) = {V
1
, V
2
, ..., V
f
}.
Para cada um dos conjuntos de entrada devem ser especificadas as funções de
pertinência. Essas funções delimitam cada um dos V
i
termos lingüísticos existentes nos
conjuntos de entrada B
i
e retornam a pertinência µ de um valor x para cada um desses
59
termos, sendo que x ∈ ℜ e µ
Vi
(x) ∈ [0,1]. Cabe ressaltar que, para cada material
didático inserido no ambiente, devem ser igualmente inseridas na BC do agente os V
i
termos lingüísticos de entrada e suas respectivas funções de pertinência.
A saída do sistema fuzzy representa o valor da Auto-Eficácia inferida e é
representada pelo variável lingüística C=“auto-eficacia”, a qual também possui termos
lingüísticos. O número de termos lingüísticos g
i
e seus nomes V
1
, V
2
, ...,V
g
são
definidos como um conjunto T(C) = {V
1
, V
2
, ..., V
g
}.
Para estipular os termos lingüísticos do conjunto de saída C a teoria de Bandura
(1997) foi interpretada. Normalmente, Bandura (1997) divide a Auto-Eficácia em
“Alta” e “Baixa” ou ainda utiliza o termo “forte senso” de Auto-Eficácia. Dessa forma,
foram selecionados os termos “baixa” e “alta” e inclui-se o termo “média” na tentativa
de aumentar a capacidade de inferência do modelo. Assim sendo, a variável C possui os
termos T(C)={baixa, media, alta}.
A Tabela 5.6 apresenta os termos e definições dos pontos (x,y) do conjunto de saída
(auto-eficácia) e sua delimitação de 0 a 100. Os pontos (x,y) apresentados geram o
gráfico ilustrado na Figura 5.5, que representa a função de pertinência do conjunto auto-
eficácia, delimitando os termos lingüísticos. Essas funções foram selecionadas
empiricamente, uma vez que não há uma especificação formal na teoria de Bandura
(1997) do quanto representa a medida de auto-eficácia baixa ou alta.
Tabela 5.7: Termo e definição dos pontos (x,y) do conjunto auto-eficácia
Nome do Termo Definição dos Pontos (x, y)
baixa
(0, 1) (40, 0) (100, 0)
média
(0, 0) (10, 0) (40, 1)
(80, 0)
alta
(0, 0) (50, 0) (80, 1)
Figura 5.5: Função de Pertinência para os termos lingüísticos do conjunto Auto-
Eficácia
O próximo passo é a definição das regras de inferência. No modelo apresentado, as
características dos alunos são representadas pelos conjuntos e termos lingüísticas
associados. Sendo assim, as regras de inferência envolvem variáveis fuzzy e possuem o
seguinte formato:
60
“
SE
1
B
é
1
1I
V E
2
B
é
2
2I
V E
3
B é
3
3
I
V ENTÃO C é
g
I
V
”
onde I
g
= 1, 2,...., f.
Todas as combinações possíveis das pré-condições são denotadas como PCP e são
representadas por um conjunto cartesiano dos conjuntos T = { T(B
1
),..., T(B
k
)}: PCP =
T(B
1
) × ... T(B
k
). A definição destas regras deve levar em consideração a relação entre
os conjuntos (e seus termos lingüísticos) e qual a possível saída de Auto-Eficácia. Só é
possível definir as regras após o especialista do conteúdo especificar os V
i
termos dos
conjuntos de entrada.
A Figura 5.6 apresenta o modelo fuzzy da Auto-Eficácia idealizado na máquina de
inferência do agente MAE. Foram pré-definidos 3 conjuntos de entrada e o conjunto de
saída. Para o conjunto de saída foram previamente definidos os termos lingüísticos e
suas respectivas funções de pertinência.
Figura 5.6: Modelo Fuzzy da Auto-Eficácia
Os termos lingüísticos dos conjuntos de entrada e suas funções de pertinência advêm
das definições do especialista (professor responsável pela criação do material didático) e
inferências da teoria de Bandura (1997) e Ames (1990). Outras teorias poderão ser
utilizadas, dependendo dos k conjuntos de entrada que poderão ser inseridos no modelo.
As regras de inferência devem refletir a interação entre os k conjuntos de entrada e o
conjunto C de saída, essas regras devem ser idealizadas através do conhecimento do
especialista e teorias utilizadas para compor os k conjuntos de entrada.
61
5.3 Exemplo da utilização do Modelo Fuzzy da Auto-Eficácia
O agente MAE está inserido em um ambiente de ensino e aprendizagem na WEB
denominado InteliWeb, descrito no Capítulo 7, no qual foi disponibilizado um material
didático sobre o conteúdo FLOR, em três formas de apresentação. O professor
(especialista) responsável por esse conteúdo nos auxiliou a elaborar parte do modelo
fuzzy da Auto-Eficácia.
Através da experiência do professor em sala de aula e da interpretação da teoria, se
chegou aos termos lingüísticos para as variáveis lingüísticas B
1
= “esforço”, B
2
=
“persistência” e B
3
= “desempenho”. Sendo assim, os termos lingüísticos de cada uma
das variáveis são: T(B
1
)={baixo, médio, alto}, T(B
2
)= {curta, média, longa} e T(B
3
)=
{insuficiente, bom, ótimo}.
Para cada um dos conjuntos de entrada foram especificadas, juntamente com o
especialista, as funções de pertinência, que incluem as funções: trapezoidal, triangular,
crescente e decrescente. Essas funções delimitam cada um dos V
i
termos lingüísticos
existentes nos conjuntos de entrada B
i
e retornam a pertinência µ de um valor x para
cada um desses termos, sendo que x ∈ ℜ e µ
Vi
(x) ∈ [0,1].
Como o ambiente piloto idealizado permite que o aluno percorra o material em todas
as formas de apresentação, foi necessário elaborar funções de pertinência diferenciadas
por tipo de apresentação para o conjunto esforço, uma vez que cada um possui extensão
diferente apesar de pertencer ao mesmo tópico. A Figura 5.7 a Figura 5.9 ilustram a
função de pertinência característica do conjunto esforço para cada um dos tipos de
apresentação. O eixo y representa o grau de pertinência [0,1] e o eixo x o esforço em
minutos.
Figura 5.7: Função de Pertinência para os termos lingüísticos do conjunto Esforço na
Forma de Apresentação HTML com figuras.
A Tabela 5.1 apresenta os termos e definição dos pontos (x,y) dos conjuntos
Esforço na forma de apresentação HTML com figuras. Esse conjunto, nessa forma, é
delimitado de 0 a 12 minutos. Os pontos (x,y) apresentados geram o gráfico ilustrado na
Figura 5.7.
62
Tabela 5.8: Termo e definição dos pontos (x,y) do conjunto Esforço na forma HTML
com figuras
Nome do Termo Definição dos Pontos (x, y)
baixo
(0, 1) (3, 1) (5, 0)
medio
(0, 0) (3, 0) (6, 1)
(9, 1)
alto
(0, 0) (9, 0) (10, 1)
A Tabela 5.2 apresenta os termos e definição dos pontos (x,y) do conjunto Esforço
na forma de apresentação FLASH. Esse conjunto, nessa forma, é delimitado de 0 a 5
minutos. Os pontos (x,y) apresentados geram o gráfico ilustrado na Figura 5.8.
Tabela 5.9: Termo e definição dos pontos (x,y) do conjunto Esforço na forma FLASH
Nome do Termo Definição dos Pontos (x, y)
baixo
(0, 1) (1, 1) (2, 0)
medio
(0, 0) (1, 0) (3, 1)
(4, 0)
alto
(0, 0) (2.5, 0) (3.75, 1)
Figura 5.8: Função de Pertinência para os termos lingüísticos do conjunto Esforço na
Forma de Apresentação FLASH
A Tabela 5.3 apresenta os termos e definição dos pontos (x,y) do conjunto Esforço
na forma de apresentação VIDEO. Esse conjunto, nessa forma, é delimitado de 0 a 3
minutos. Os pontos (x,y) apresentados geram o gráfico ilustrado na Figura 5.9.
63
Tabela 5.10: Termo e definição dos pontos (x,y) dos conjuntos Esforço na forma
VIDEO
Nome do Termo Definição dos Pontos (x, y)
baixo
(0, 1) (0.8, 1) (2, 0)
medio
(0, 0) (1, 0) (2, 1)
(2.4, 0)
alto
(0, 0) (2.2, 0) (3, 1)
A Figura 5.9 apresenta o conjunto esforço na forma VIDEO, cujos termos
lingüísticos são delimitados pelos seguintes valores: baixo de 0 to 2 minutos, médio de
1 a 2.4 minutes e alto de 2.2 a 3 minutos.
Figura 5.9: Função de Pertinência para os termos lingüísticos do conjunto Esforço na
Forma de Apresentação VIDEO
A Tabela 5.11 apresenta os termos e definição dos pontos (x,y) do conjunto
Persistência, o qual é delimitado por uma porcentagem de 0 a 100. Os pontos (x,y)
apresentados geram o gráfico ilustrado na Figura 5.10, o qual representa a função de
pertinência do conjunto persistência, delimitando os termos lingüísticos.
Tabela 5.11: Termo e definição dos pontos (x,y) do conjunto persistência
Nome do Termo Definição dos Pontos (x, y)
Curta
(0, 1) (50, 1) (60, 0)
Media
(0, 0) (40, 0) (65, 1)
(80, 0)
Longa
(0, 0) (70, 0) (100, 1)
64
Figura 5.10: Função de Pertinência para os termos lingüísticos do conjunto persistência
A Tabela 5.5 apresenta os termos e definição dos pontos (x,y) do conjunto
desempenho, o qual é delimitado por uma média de 0 a 100. Os pontos (x,y)
apresentados geram o gráfico ilustrado na Figura 5.11 e que representa a função de
pertinência do conjunto desempenho, delimitando os termos lingüísticos.
Tabela 5.12: Termo e definição dos pontos (x,y) do conjunto desempenho
Nome do Termo Definição dos Pontos (x, y)
insuficiente
(0, 1) (20, 1) (60, 0)
bom
(0, 0) (30, 0) (70, 1)
(80, 1) (100, 0)
ótimo
(0, 0) (70, 0) (100, 1)
Figura 5.11: Função de Pertinência para os termos lingüísticos do conjunto desempenho
Optou-se por três termos lingüístico para cada conjunto de entrada visto que, quanto
maior o número de termos, maior o número de regras de inferência e tempo de
processamento do agente. Portanto, nesse primeiro modelo, simplificou-se o número de
termos e regras para testar a operacionalidade do mesmo. Contudo, pretende-se
aumentar o número de termos e conseqüentemente o número de regras na tentativa de
aumentar o poder de inferência do agente.
65
Após a definição dos V
i
termos e respectivas funções de pertinência, é necessário a
definição das regras de inferência Esse estágio representa o conhecimento do
especialista e das teorias utilizadas na forma de regras IF-THEN. Sendo assim, foram
elaboradas 27 regras, as quais especificam a Auto-Eficácia em relação aos
comportamentos observáveis (esforço, persistência e desempenho) e padrões pessoais
utilizados. As regras estipuladas são as seguintes:
“Se esforço é baixo E persistência é curta E desempenho é insuficiente
ENTÃO auto-eficácia é baixa”
“Se esforço é baixo E persistência é curta E desempenho é bom
ENTÃO auto-eficácia é média”
“Se esforço é baixo E persistência é curta E desempenho é ótimo
ENTÃO auto-eficácia é alta”
“Se esforço é baixo E persistência é média E desempenho é insuficiente
ENTÃO auto-eficácia é baixa”
“Se esforço é baixo E persistência é média E desempenho é bom
ENTÃO auto-eficácia é média”
“Se esforço é baixo E persistência é média E desempenho é ótimo
ENTÃO auto-eficácia é alta”
“Se esforço é baixo E persistência é longa E desempenho é insuficiente
ENTÃO auto-eficácia é baixa”
“Se esforço é baixo E persistência é longa E desempenho é bom
ENTÃO auto-eficácia é média”
“Se esforço é baixo E persistência é longa E desempenho é ótimo
ENTÃO auto-eficácia é alta”
“Se esforço é médio E persistência é curta E desempenho é insuficiente
ENTÃO auto-eficácia é baixa”
“Se esforço é médio E persistência é curta E desempenho é bom
ENTÃO auto-eficácia é média”
“Se esforço é médio E persistência é curta E desempenho é ótimo
ENTÃO auto-eficácia é média”
“Se esforço é médio E persistência é média E desempenho é insuficiente
ENTÃO auto-eficácia é média”
“Se esforço é médio E persistência é média E desempenho é bom
ENTÃO auto-eficácia é media”
“Se esforço é médio E persistência é média E desempenho é ótimo
ENTÃO auto-eficácia é média”
66
“Se esforço é médio E persistência é longa E desempenho é insuficiente
ENTÃO auto-eficácia é média”
“Se esforço é médio E persistência é longa E desempenho é bom
ENTÃO auto-eficácia é alta”
“Se esforço é médio E persistência é longa E desempenho é ótimo
ENTÃO auto-eficácia é alta”
“Se esforço é alto E persistência é curta E desempenho é insuficiente
ENTÃO auto-eficácia é baixa”
“Se esforço é alto E persistência é curta E desempenho é bom
ENTÃO auto-eficácia é baixa”
“Se esforço é alto E persistência é curta E desempenho é ótimo
ENTÃO auto-eficácia é baixa”
“Se esforço é alto E persistência é média E desempenho é insuficiente
ENTÃO auto-eficácia é média”
“Se esforço é alto E persistência é média E desempenho é bom
ENTÃO auto-eficácia é alta”
“Se esforço é alto E persistência é média E desempenho é ótimo
ENTÃO auto-eficácia é média”
“Se esforço é alto E persistência é longa E desempenho é insuficiente
ENTÃO auto-eficácia é alta”
“Se esforço é alto E persistência é longa E desempenho é bom
ENTÃO auto-eficácia é alta”
“Se esforço é alto E persistência é longa E desempenho é ótimo
ENTÃO auto-eficácia é alta”
A princípio, segundo as características mais expressivas dos alunos que selecionam
um ou outro tipo de padrão pessoal (AMES, 1990), algumas regras serão verdadeiras
apenas para um dos padrões pessoais. Exemplificando:
Regra: “Se esforço é baixo E persistência é curta E desempenho é ótimo ENTÃO
auto-eficácia é alta”,
observa-se que mesmo com o esforço e a persistência inferiores, a auto-eficácia foi
considerada alta porque o desempenho foi máximo. Essa regra, a princípio, será
verdadeira para os alunos que escolherem o padrão pessoal desempenho. Já no caso da
Regra: “Se esforço é alto E persistência é longa E desempenho é insuficiente
ENTÃO auto-eficácia é alta”,
está sendo priorizado o aluno com o padrão pessoal domínio do assunto.
67
5.4 Exemplos práticos do funcionamento da máquina de inferência
Fuzzy do agente MAE
Um aluno, após identificar-se no ambiente, seleciona o padrão pessoal extrínseco
(desempenho) e inicia suas escolhas na interface do InteliWeb. A partir desse
momento, o agente MAE monitora o Log do ambiente. Quando o agente percebe que o
aluno finalizou uma tarefa, ele busca informações do Log sobre os comportamentos
observáveis do aluno na realização da mesma.
5.4.1 Exemplo 1
Suponhamos que os comportamentos sejam: esforço (HTML): 4.5 minutos;
persistência: 80%; desempenho: 60.9 de média. Acompanhando a Figura 5.12, os
valores de entrada crisp são fuzzificados, transformando-se em termos lingüísticos com
suas respectivas pertinências. Com isso, tem-se:
esforço((µ
baixo(4.5)
)=0.25, µ
médio(4.5)
=0.5, µ
alto(4.5)
=0)
persistência(µ
curta(80)
=0, µ
média(80)
=0, µ
longa(80)
=0.4)
desempenho(µ
insuficiente(60.9)
=0.021, µ
bom(60.9)
=0.9, µ
ótimo(60.9)
=0.22)
Nessa situação o agente recupera 6 regras com resultado diferente de zero:
Regra 7 “Se esforço é 0.25 E persistência é 0.4 E desempenho é 0.021 ENTÃO
auto-eficácia é baixa” µAuto-Eficácia Baixa (min(0.25, 0.4, 0.021) = 0.021
Regra 8 “Se esforço é 0.25 E persistência é 0.4 E desempenho é 0.9 ENTÃO auto-
eficácia é média” µAuto-Eficácia Média (min(0.25, 0.4, 0.9) = 0.25
Regra 9 “Se esforço é 0.25 E persistência é 0.4 E desempenho é 0.22 ENTÃO auto-
eficácia é alta” µAuto-Eficácia Alta (min(0.25, 0.4, 0.22) = 0.22
Regra 16 “Se esforço é 0.5 E persistência é 0.4 E desempenho é 0.021 ENTÃO
auto-eficácia é média” µAuto-Eficácia Média (min(0.5, 0.4, 0.021) = 0.021
Regra 17 “Se esforço é 0.5 E persistência é 0.4 E desempenho é 0.9 ENTÃO auto-
eficácia é alta” µAuto-Eficácia Alta (min(0.5, 0.4, 0.9) = 0.4
Regra 18 “Se esforço é 0.5 E persistência é 0.4 E desempenho é 0.22 ENTÃO auto-
eficácia é alta” µAuto-Eficácia Alta (min(0.5, 0.4, 0.22) = 0.22
Agrupando as regras por termo de saída, tem-se:
Regra 7: µAuto-Eficácia Baixa (min(0.25, 0.4, 0.021) = 0.021
Regra 8: µAuto-Eficácia Média (min(0.25, 0.4, 0.9) = 0.25
Regra 9: µAuto-Eficácia Média (min(0.5, 0.4, 0.021) = 0.021
Regra 16: µAuto-Eficácia Alta (min(0.25, 0.4, 0.22) = 0.22
Regra 17: µAuto-Eficácia Alta (min(0.5, 0.4, 0.9) = 0.4
Regra 18: µAuto-Eficácia Alta (min(0.5, 0.4, 0.22) = 0.22
68
Dadas essas regras e pertinências, o termo lingüístico “baixa” do conjunto de saída é
cortado em 0.021, o termo “média” em 0.25 e o termo “alta” em 0.4. Entre termos
iguais o agente considera a pertinência mais alta, uma vez que, a união em conjuntos
fuzzy é o somatório dos valor, retornando o maior valor.
Com as pertinência dos termos de saída calculadas o agente aplica o operador MAX,
µ
auto-eficácia
(Max(0.021, 0.25, 0.4)), resultando no grau de pertinência 0.4, o que neste
caso equivale a dizer que a saída fuzzy é auto-eficácia alta.
0
0,2
0,4
0,6
0,8
1
Média
0,00
0,20
0,40
0,60
0,80
1,00
Porcentagem
0
0,2
0,4
0,6
0,8
1
0 1 2 3 4 5 6 7 8 9 10 11 12
Minutos
0
0,2
0,4
0,6
0,8
1
1,2
0
10
,00
20,00
30,00
40,00
50,00
60,00
7
0,00
8
0,00
90,00
100,00
Figura 5.12: Exemplo 1 - Processo Fuzzy da Auto-Eficácia
Para que o agente MAE acione o feedback é necessário que ocorra o processo
exemplificado e a saída escolhida seja a que obtiver o maior µ. Dessa forma, o agente
PAT será acionado ao término de cada atividade. Cabe salientar que uma atividade
consiste na seleção de um tópico em uma das formas de apresentação ou nessa seleção,
seguida da realização de exercícios ou, ainda, da realização de exercícios seguida da
seleção de um tópico. A realização de um exercício retorna ao agente MAE a variável
desempenho. A cada conjunto de exercícios respondido, como descrito anteriormente,
vai sendo computado como a média entre acertos e o número de vezes que aluno os
69
realizou. Já as variáveis de esforço e persistência são zeradas e computadas a cada nova
escolha de tópico.
Com isso, o agente PAT seria acionado para mostrar uma tática de auto-eficácia
inferida para padrão pessoal intrínseco.
5.4.2 Exemplo 2
Suponhamos que os comportamentos sejam: esforço (HTML): 10 minutos;
persistência: 55%; desempenho: 60.0 de média. Acompanhando a Figura 5.13, os
valores de entrada crisp são fuzzificados, transformando-se em termos lingüísticos com
suas respectivas pertinências. Com isso, tem-se:
esforço((µ
baixo(10)
)=0.0, µ
médio(10)
=0.66, µ
alto(10)
=0.33)
persistência(µ
curta(55)
=0.5, µ
média(55)
=0.5, µ
longa(55)
=0)
desempenho(µ
insuficiente(60.0)
=0.19, µ
bom(60.0)
=0.75, µ
ótimo(60.0)
=0
0
0,2
0,4
0,6
0,8
1
Média
0
0,2
0,4
0,6
0,8
1
0 1 2 3 4 5 6 7 8 9 10 11 12
Minutos
0
0,2
0,4
0,6
0,8
1
0
10
,00
20
,00
30,00
40,00
50,00
60,00
70,00
80,00
90,00
100,00
0
0,2
0,4
0,6
0,8
1
Porcentagem
Figura 5.13: Exemplo 2 - Processo Fuzzy da Auto-Eficácia
70
Nessa situação as regras acionadas, com as maiores pertinências, são as seguintes:
“SE esforco=medio E persistencia=curta E desempenho=bom ENTÃO
autoeficacia=media”
µ
media
(min(µ
medio(10)
=0.66, µ
curta(55)
=0.5, µ
bom(60,0)
=0.75)) = 0.5
“SE esforco=alto E persistencia=curta E desempenho=bom ENTÃO
autoeficacia=baixa”
µ
baixa
(min(µ
alto(10)
=0.33, µ
curta(55)
=0.5, µ
bom(60,0)
=0.75)) = 0.33
“SE esforco=alto E persistencia=media E desempenho=bom ENTÃO
autoeficacia=alta”
µ
alta
(min(µ
alto(10)
=0.33, µ
media(55)
=0.5, µ
bom(60,0)
=0.75)) = 0.33
Assim, o termo lingüístico “baixa” do conjunto de saída é cortado em 0.33, o termo
“média” em 0.5 e o termo “alta” em 0.33, sendo assim o µ
auto-eficácia
(Max(0.5, 0.33,
0.33)) resulta no grau de pertinência 0.5 o que neste caso, equivale a dizer que a saída
fuzzy é auto-eficácia média.
Com isso, o agente PAT seria acionado para mostrar uma tática de auto-eficácia
inferida para padrão pessoal extrínseco.
5.5 Considerações
Este trabalho utiliza agentes na modelagem e projeto de um STI, seguindo uma
arquitetura envolvendo cognição e emoção como em Bercht (2001) e Jaques (2004).
Desses trabalhos foram utilizados os conceitos de persistência e motivação e o
personagem animado PAT juntamente com suas táticas afetivas. Em Berch (2001) as
variáveis persistência e esforço são consideradas como uma única variável.
Estes trabalhos utilizaram BDI na modelagem do agente. A fundamentação
filosófica para a concepção de agentes deliberativos BDI vem do trabalho de Dennett
(1987) sobre sistemas intencionais e de Bratman (1987) sobre raciocínio prático.
Lógicas BDI são lógicas multimodais com um operador modal para cada uma das
atitudes mentais do modelo BDI, além dos operadores usuais da lógica temporal de
tempo ramificado e da lógica de ação. As arquiteturas BDI são um segmento da IA que
tem explorado modelos de agentes baseados em crenças, desejos e intenções. A idéia
básica da abordagem BDI é descrever o processamento interno do estado de um agente
utilizando um conjunto de categorias mentais (crença, desejo e intenções) e definir uma
arquitetura de controle através da qual o agente seleciona racionalmente o curso de suas
ações. Essas categorias mentais seriam correspondentes aos estados mentais humanos,
que apresentam um vínculo com o mundo em termos da sua existência e significância.
Os trabalhos citados, descritos no Capítulo 2, utilizam o formalismo BDI proposto
por Móra (1998), a qual é uma teoria computacional de uso imediato e de baixa
complexidade para descrição de agentes denominada X-BDI.
Essa abordagem foi revista neste trabalho, devido à dificuldade para modelar a
Auto-Eficácia, pela sua natureza incompleta dentro do contexto que este trabalho está
inserido e, também, pelo fato do X-BDI apresentar uma performance deficitária. Dessa
forma, a abordagem selecionada foi a Lógica
Fuzzy, apresentada no Capítulo 4. A força
da Lógica Fuzzy deriva da sua habilidade em inferir conclusões e gerar respostas
71
baseadas em informações vagas, ambíguas e qualitativamente incompletas e imprecisas.
Neste aspecto, os sistemas de base Fuzzy têm habilidade de raciocinar de forma
semelhante à dos humanos, o que acarreta na construção de sistemas compreensíveis e
de fácil manutenção.
O Modelo Fuzzy da Auto-Eficácia elaborado é dividido em definições advindas da
teoria de Bandura (1997) e Ames (1990). A Figura 5.14 apresenta as partes que
compõem o modelo e explicita a origem das definições de cada uma dessas partes.
O modelo fuzzy da Auto-Eficácia é representado por k conjuntos de entrada e um
conjunto de Saída. Os conjuntos de entrada já especificados são o Esforço, Persistência
e Desempenho. Os V
f
termos lingüísticos e funções de pertinência dos conjuntos de
entrada devem ser definidos pelo especialista.
Figura 5.14: Modelo fuzzy idealizado para a Auto-Eficácia
Já o conjunto de saída é representado pelo conjunto denominado Auto-Eficácia. Os
V
g
termos lingüísticos e funções de pertinência do conjunto de saída foram elaborados
através da interpretação da teoria de Bandura (1997) e Ames (1990).
As regras de inferência refletem as influências entre a combinação de V
f
e V
g
termos
lingüísticos e devem seguir a interpretação da teoria e o conhecimento do especialista. O
número de regras depende do número de termos lingüísticos determinado.
O modelo proposto foi validado, uma vez que, o professor responsável pelo primeiro
material disponibilizado no ambiente definiu os termos e funções de pertinência a ele
requerido. Outros fatores são abordados no Capítulo 8.
72
6 IMPLEMENTAÇÃO
A implementação deste trabalho foi realizada em três partes: a primeira engloba o
ambiente InteliWeb, a segunda o agente MAE e ajustes no agente PAT e por fim a
inclusão dos agentes no ambiente. Nas seções 6.1 a 6.3 esses procedimentos são
explicitados.
6.1 InteliWeb
O ambiente InteliWeb foi inicialmente elaborado em uma disciplina de Projeto de
Pesquisa do Programa de Pós-Graduação em Computação, abordado no Capítulo 7. Este
ambiente foi desenvolvido na linguagem Java, utilizando Servlet e JSP - JavaServer
Pages (Murach, 2003). A Figura 6.1 apresenta a estrutura desenvolvida na qual o aluno
faz a sua requisição através de um navegador Web. A interface é gerada a partir de
páginas JSP, as quais enviam comandos ao Servlet denominado “Curso”, armazenado
no servidor. A página, por sua vez, acessa o Banco de Dados quando necessário
(autenticação do aluno, recuperação de material didático, criação do Log) e redireciona,
conforme a opção desejada, para a página JSP,para a página gerada pelo Servlet ou para
o material didático selecionado. Como servidor HTTP está sendo utilizado o Tomcat
(Apache Software Foundation) (TOMCAT, 2004).
Figura 6.1: Estrutura desenvolvida.
73
Dentro da estrutura desenvolvida, tem-se que conteúdo “FLOR” é dividido nos
tópicos do Capítulo 7 e que estes podem ser visualizados nas três formas de
apresentação. Além da estrutura do material existe uma apresentação do ambiente, da
Ementa e dos objetivos propostos pelo professor e dos exercícios.
Na implementação foram elaboradas quatro principais classes: sendo um Servlet
(Curso.java) responsável pelo gerenciamento do ambiente, uma classe de definição de
objetos de usuário (User.java), objetos de e-mail (Mail.java), os quais são utilizados
pela classe do usuário e uma classe de acesso ao Banco de dados utilizada pelo Servlet
(SqlBean.java). O diagrama das classes está ilustrado na imagem Figura 6.2.
Figura 6.2: Diagrama de Classes
As reticências presentes no diagrama de classes representam outros atributos e
propriedades menos importantes que não foram especificados na imagem.
A interface é composta por cinco páginas JSP e o banco de dados foi estruturado de
acordo com o ER ilustrado na Figura 6.3. O banco de dados contém informações do
curso estruturadas em 10 tabelas, dentre elas: Curso, Autor, Conteúdo, Tópico,
Subtópico, Modelo (formas de apresentação) e URL (link para a página HTML, flash ou
vídeo a ser apresentado). Os dados relacionados a alunos estão armazenados nas
Tabelas: Aluno, Log (escolhas do aluno no ambiente, seja de conteúdo ou opções da
interface) e Mail (mensagens recebidas pelo aluno).
74
Figura 6.3: Modelo E-R do ambiente InteliWeb
6.2 Telas do InteliWeb
As telas do InteliWeb são divididas em dois principais grupos, os quais são: Telas de
Inicialização, que incluem a tela de apresentação e autenticação do aluno e Telas de
Interface que são a interface do ambiente, na qual o aluno realiza as suas escolhas no
material didático e demais opções disponíveis.
Após a tela de apresentação (ilustrada na Figura 6.4) e de identificação e
autenticação do aluno, como mostra a Figura 6.5, o mesmo pode interagir com a
interface do Ambiente, como mostra a Figura 6.6. Essa interface é composta por três
partes: Pastas (Início, Mail, Conteúdo); Barra de Ferramentas com várias
funcionalidades disponibilizadas e um Espaço Visual (visualização do material
didático ou demais opções da Ferramenta).
75
Figura 6.4: Tela de apresentação do ambiente
Figura 6.5: Tela de identificação do usuário
76
Figura 6.6: Interface do ambiente desenvolvido: composta por Pastas, Barra de
Ferramentas e Espaço Visual. O Espaço Visual está mostrando a apresentação do
ambiente e os objetivos propostos pelo professor.
As pastas existentes são: Início, Mail e Conteúdo e estão ilustradas na Figura 6.7. A
pasta Início apresenta uma mensagem de boas Vindas, dicas e eventuais mensagens da
Ferramenta ao aluno, como por exemplo: “Mensagem enviada com sucesso.” e
“Destinatário não cadastrado”. Já Na pasta Mail é possível enviar mensagens para
usuários cadastrados (aluno, professor ou administrador). Por fim, a pasta Conteúdo
apresenta o sumário do curso a ser acessado pelo aluno na sessão de estudo.
77
Figura 6.7: Mensagens e opções das pastas: Início, Mail e Conteúdo.
A Barra de Ferramentas apresenta sete opções. São elas (da esquerda para a direita):
Download (material didático disponível para download); Glossário (apresenta um
vocabulário das palavras citadas no material didático) o material didático na forma
HMTL possui referências (links) para o glossário, parte do glossário está ilustrado na
Figura 6.8; Ler Mensagem (opção de leitura/exclusão/resposta a mensagens
recebidas), tela ilustrada na Figura 6.9; Help (ajuda do Sistema – informações de como
utilizar as opções disponíveis na ferramenta) um trecho do Help é ilustrado na Figura
6.10; Formas de Apresentação (cada vez que é escolhido um material didático o
ambiente requer a escolha de uma das três formas de apresentação desse material – o
material pode ser visualizado várias vezes e em qualquer forma que o aluno selecionar)
– ilustrado na Figura 6.11; Pessoal (troca de senha e dados pessoais do aluno, como por
exemplo, rendimento no material) e, finalmente, Sair (finaliza a sessão e fecha a janela
do navegador).
78
Figura 6.8: Tela do Glossário do Ambiente.
Figura 6.9: Tela de Para Ler e Responder Mensagens.
79
Figura 6.10: Tela de Ajuda do Ambiente.
Figura 6.11: Tela de Escolha da Forma de Apresentação do Material Didático.
80
6.3 Implementação dos Agentes e integração ao InteliWeb
O agente MAE foi implementado como um Servlet Java. A seleção de sua
implementação por um Servlet se deve à estrutura prévia do InteliWeb (cliente-servidor)
e ao fato de um Servlet, por sua natureza, possuir continuidade temporal. Dessa forma,
grande parte das atividades do Servlet Curso foi atribuída às páginas JSP que compõem
a interface do InteliWeb e esse Servlet foi transformado no agente MAE e implementa
as atividades do agente MAE descritas no Capítulo 5. A nova estrutura cliente-servidor
é ilustrada na Figura 6.12, sendo que os programas utilizados no lado servidor são os
mesmos anteriormente citados.
.
Figura 6.12: Nova Estrutura – InteliWeb e Agentes.
Assim como na estrutura anterior, o aluno faz a sua requisição através de um
navegador Web. Acompanhando a Figura 6.12, as setas pretas indicam a requisição
realizada e o retorno desta ao aluno, ou ainda, os acessos ao banco de dados. As setas
largas indicam os caminhos pelos quais as requisições podem passar, ou seja,
diretamente pelas páginas JSP ou pelo agente MAE. A interface do InteliWeb formada
por páginas JSP informa ao agente MAE, a partir de chamadas get ou post, as opções
selecionadas pelo aluno.
Para implementação do agente MAE foi necessária a formalização das classes de
composição do processamento Fuzzy denominadas: FuzzySet.java, FuzzyRule.java,
TermSet.java, Pertinence.java, FunctionType.java e Inference.java. O diagrama de
classes ilustrado na Figura 6.13 apresenta as classes constituintes do agente MAE. A
classe SqlBean foi representada nesse diagrama pois é através dela que o agente faz
alterações e consultas à base de dados. As reticências presentes no diagrama de classes
representam outros atributos e propriedades menos importantes que não foram
especificados na imagem. Os métodos getattribute() e setattribute() representam todos
métodos get (recupera valor do atributo) e set (atribui valor ao atributo) presentes nas
classes. Um diagrama de seqüência de utilização das classes pelo Agente MAE é
ilustrado na Figura 6.14. Nesse diagrama são apresentados os principais passos do
agente.
A classe User.java (dados do aluno durante a sessão de estudo) foi alterada para
englobar os dados de referência ao processamento Fuzzy. Os feedbacks do agente PAT
são tratados na classe
Feedback.java. A BC do agente MAE engloba as classes citadas
uma vez que estas compõem os dados e a máquina de inferência.
81
Conforme a Figura 6.12, para que o agente PAT execute é necessário que ele tenha
sido previamente instalado no computador cliente, no diretório “MSAGENT\CHARS”,
dentro da pasta na qual o sistema operacional Windows tenha sido instalado. A
instalação do PAT corresponde a um arquivo com extensão “ACS” (MS Agent).
+INC_Function()
+DEC_Function()
+TRI_Function()
+TRA_Function()
+pertinence() : double
+...()
-function_name
-alfa
-beta
-gama
-lambda
FunctionType
+TermSet()
+setattribute()
+getattribute()
+pertinence() : double
-name_TS : String
-FT : FunctionType
TermSet
+FuzzySet()
+setattribute()
+getattribute()
+getpertinence() : Inference
+setTS()
-name_Fuzzyset : String
-name_for_rule : String
-init_limit : int
-final_limit : int
-TS : TermSet
FuzzySet
+rule_value()
-B1
-V1
-B2
-V2
-B3
-V3
-Cl
-CL
-FlagOR
-FlagAND
FuzzyRule
+initFuzzy() : void
+initBanco() : void
+doGet() : void
+doPost() : void
+Inference() : void
+RandomizeBehaviour() : String
+...()
-aluno : User
-FuzzySet : FuzzySet
-Feedback : Feedback
-...
MAE
+setattribute()
+getattribute()
+...()
-cdaluno : int
-apelido : String
-nome : String
-objetivo : String
-tempo : String
-sessao : int
-esforco : double
-persistencia : double
-autoeficacia : double
-desempenho : double
-atividade : String
-num_exercicio : int
-dataini : String
-horaini : String
-tipo_forma : int
User
+setattribute()
+getattribute()
-idfeedback : int
-fala : String
-acao : String
-opcional : String
Feedback
+setattribute()
+getattribute()
-name_termSet : String
-Pertinence : double
Pertinence
+openDB()
+doQuery()
+getUpdateCount()
+getNext()
+getColumnName()
+getString()
+getInt()
+closeSTM()
+closeDB()
-drive_str
-uid
-pwd
-sql
-resultset
-statement
-connection
-resultsetmetadata
SqlBean
+setattribute()
+getattribute()
+...()
-origem : int
-assunto : String
-msn : String
-data : String
Mail
+getname() : String
+getpertinence() : double
-name_termset : String
-pertinence : double
Inference
Figura 6.13: Diagrama de Classes do Agente MAE.
O agente PAT foi integrado às páginas JSP referentes à interface do ambiente. O
retorno de chamadas get recebidas pelo agente MAE, quando necessário, resulta em
mensagens para o agente PAT, como por exemplo: “Animar ('tutoria1')”, “Animar
('estímulo7')” e “Falar ('Juntos vamos superar! O importante é continuar tentando!')”. É
através dessas mensagens que o agente PAT concebe qual comportamento deve seguir,
como ilustrado na Figura 6.15, na qual o agente realiza quatro dos seus
comportamentos afetivos. Para este trabalho, a comunicação ponto a ponto utilizada foi
considerada adequada.
82
MAE
FuzzySet
TermSet FuzzyType FuzzyRule
Feedback
DEC_Function
initFuzzy()
new Termset("baixo","DEC",3,5):
new Termset("medio",1,2,2.4):
new Termset("alto","INC",2.2,3):
setTS(esforço):
setTS(persistência):
TRI_Function
INC_Function
new FuzzySet("desempenho", 0,100):
O mesmo ocorre para
os conjuntos Esforço HTML,
Esforço FLASH e Auto-Eficácia
setTS(desempenho):
get/post:
Inference()
new Termset("curta","DEC",50,60):
new Termset("media",40,70,80):
new Termset("longa","INC",70,95):
TRI_Function
INC_Function
DEC_Function
new Termset("insuficiente","DEC",20,70):
new Termset("media",30,70,80, 100):
new Termset("ótimo","INC",60,100):
DEC_Function
TRA_Function
INC_Function
new FuzzySet("esforçoVideo", 0,3):
new FuzzySet("persistência", 0,100):
new FuzzyRule(...):
esse método é
chamado 27 vezes
(número de regras
fuzzy existentes)
getpertinence(FuzzySet)
getPertinence(TermSet)
pertinence
A pertinência é calculada
para cada FuzzySet,
incluindo cada TermSet e
seu respectivo FuzzyType
A inferência desencadeia
os métodos de pertinência
que resultam nas regras
associadas e o valor da
Auto-Eficácia
SeleçaoFeedback(Auto-Eficácia, objetivo)
o agente aguarda informações da
Interface (páginas JSP - get/post) para iniciar uma
nova inferência
Feedback PAT
BestRules
Figura 6.14: Diagrama de Seqüência ilustrando os principais passos da execução do
agente MAE.
83
Figura 6.15: Exemplos do agente PAT integrado a Interface do InteliWeb.
O agente MAE necessita de informações de Objetivo Pessoal e Tempo Estimado de
estudo. Então, essas questões foram incluídas na tela de identificação. A Figura 6.16
ilustra as alterações na tela de identificação.
Figura 6.16: Nova Tela de Identificação, com a inclusão de Objetivo Pessoal e Tempo
estimado de estudo.
84
Foram acrescentadas 6 tabelas no banco de dados idealizado anteriormente: Sessão,
Objetivo, Tempo, Feedback, Tática e ModeloAluno. O novo E-R estabelecido está
ilustrado na Figura 6.17. As novas tabelas estão marcadas com um retângulo ao redor
dos respectivos nomes.
Figura 6.17: Novo E-R.
As tabelas Objetivo e Tempo possuem, respectivamente, os objetivos e tempos
cadastrados já explicitados no Capítulo 5. A tabela Feedback corresponde aos
comportamentos afetivos físicos e verbais do agente PAT, sendo que sua estrutura
manteve-se de acordo com Jaques (2004). Na tabela Tática, os feedback foram
agrupados de acordo com o objetivo pessoal e o grau da auto-eficácia inferida.
As demais tabelas (Sessão e ModeloAluno) possuem informações sobre o aluno. Na
tabela Sessão é gravada por sessão: data/hora de início da seção e escolhas de objetivo e
tempo do aluno. Quando o aluno inicia uma nova sessão, o agente MAE calcula o
tempo total da sessão anterior. Já na tabela ModeloAluno, o agente MAE grava e
recupera os dados de aluno. A cada obtenção do grau de auto-eficácia é gerada uma
linha nesta tabela, formando assim, um histórico do aluno sobre a sua auto-eficácia e
demais variáveis envolvidas no processo de captura da mesma.
85
7 INTELIWEB – PROJETO PILOTO
A idealização do InteliWeb teve inicio no âmbito do projeto “Aplicação de Técnicas
Psicopedagógicas para promover a interatividade do aluno mediado por computador”,
foi desenvolvida na disciplina CMP30(x) Projeto de Pesquisa, sob a orientação da profa.
Rosa Vicari. A equipe formada incluiu os professores do curso de Biociências, Jorge E.
A. Mariath (diretor do Instituto de Biociências) e Rinaldo P. Santos (autor do material
didático); a aluna de doutorado do PGCC, Francine Bica e a aluna de doutorado do
PGIE, Regina Verdin.
Foi criado um ambiente para Web, denominado InteliWeb, que contém um material
didático sobre tópicos do conteúdo ‘FLOR’, sendo que este é parte do material da
disciplina Anatomia Vegetal do curso de Biociências (UFRGS). Esse material envolve a
análise do ciclo biológico em diferentes grupos taxonômicos, bem como o
estabelecimento da geração esporofítica e gametofítica, e o detalhamento da
esporogênese e gametogênese em angiospermas.
As etapas desse projeto incluem 8 principais atividades denominadas tarefas (A) a
(H) e que incluem planejamento (tarefas (A) a (D)), implementação (tarefas (E) e (F)),
testes (tarefa (G)) e avaliação do protótipo (tarefa (H)). As tarefas elaboradas foram as
seguintes:
A)Delineamento instrucional com o especialista em Biociências;
B)Discutir com o especialista sobre a formatação do material adquirido, o qual
contenha a seleção dos pontos de avaliação, a determinação do inter-relacionamento dos
conteúdos e a determinação das atividades e dos objetivos a serem realizados e
alcançados no curso;
C) Estabelecer com o especialista os diferentes modelos de apresentação dos
conteúdo e tipos de tecnologias adequadas a esses modelos (animação, simulações,
textos, figuras, etc.);
D) Adaptar o conteúdo desses modelos de apresentação à cognição do aluno;
E) Construir uma ferramenta na linguagem Java e uma base de dados para
disponibilizar o material didático;
F) Desenvolver e implementar um material didático a ser disponibilizado na rede
Internet;
G) Disponibilizar material na Internet através da ferramenta criada com recursos da
linguagem Java e banco de dados para testes do ambiente como um todo;
86
H) Selecionar método de avaliação do ambiente junto aos alunos que participarem
da pesquisa.
Os itens (A) a (H) são explanados nas seções 7.1 a 7.5
7.1 Delineamento do Material Didático (item A)
O conteúdo selecionado pelo professor especialista foi o “FLOR”. Dentro desse
assunto mais amplo é abordada a citologia da célula vegetal, os tecidos e a anatomia dos
órgãos vegetativos e reprodutivos das Angiospermas.
7.2 Formatação do Material Didático (item B)
Dentro do conteúdo FLOR, o professor selecionou os tópicos “O Ciclo de vida das
angiospermas e a alternância de gerações”(ciclo), “A Flor”(flor), “O Microsporângio e a
formação do gametófito masculino”(micro) e “O Megasporângio e a formação do
gametófito feminino” (mega).
Nessa proposta de material didático leva-se em consideração o nível cognitivo
compreensão (BLOOM, 1972) e espera-se detectar alguns subsídios de modelagem que
possam ser aplicados em outros níveis cognitivos como, por exemplo, os de síntese,
análise, etc. O conteúdo do ambiente foi elaborado pelo professor da disciplina
(denominado professor conteudista/especialista), que juntamente com a assessoria da
psicóloga instrucional do projeto procurou desenvolver um material interativo para
intensificar a compreensão, absorção e domínio do assunto pelo aluno.
O objetivo, segundo o professor especialista, da aula virtual denominada “Anatomia
da Flor - esporogênese e gametogênese”, é: o aluno poderá visualizar como se dá o
processo de reprodução das plantas com flores; como é o seu ciclo de vida e sua
alternância de gerações; os detalhes de formação das células envolvidas nas etapas da
reprodução assexuada e sexuada; e como se dá a dupla fecundação, o evento que leva à
formação do embrião e do endosperma no interior da semente das Angiospermas. Sendo
assim, os objetivos do professor em relação aos alunos, interagindo com o material
disponibilizad,o podem ser sintetizados por: aprender, entender e examinar.
7.3 Modos de apresentação do conteúdo (itens C, D e F)
A interatividade entre o material e o aluno é possibilitada mediante o uso de suportes
audiovisuais e hipermídia interativa e entre o aluno e o professor, mediante os meios de
comunicação disponíveis (e-mail e encontros presenciais, visto que a disciplina é
presencial).
O material construído possui três formas de apresentação e dois tipos de exercícios,
exemplificados na Tabela 7.1, os quais são:
• Formas de Apresentação: HTML (Hypertext Markup Language) com
figuras, animações FLASH e Vídeos explicativos;
• Exercícios: palavra-cruzada e perguntas com respostas de escolha simples.
87
Os tópicos do conteúdo “FLOR” desenvolvidos possuem quantidades diferentes de
páginas HTML: Ciclo possui 5 páginas, Flor 7 páginas, Micro 9 páginas e Mega 5
páginas.
Tabela 7.1: Exemplos de Material Didático
Ciclo biológico em HTML
Microsporângio em HTML
Microgametogênese em
animação FLASH
Partes da Flor em animação FLASH.
Exercício em JSP.
Megametogênese em animação
FLASH
88
Os exercícios de escolha simples compreendem dezessete questões que abordam
todo o conteúdo descrito. Cada vez que o aluno seleciona esse tipo de exercício o
ambiente monta a tela dos exercícios com cinco questões aleatórias. Quando o aluno
pressiona no botão de resultado, o ambiente elabora uma página com o total de acertos,
repetindo as questões selecionadas com as justificativas das respostas corretas ou
informando que a resposta dada pelo aluno está incorreta, como ilustra a Figura 7.1. As
justificativas foram igualmente elaboradas pelo professor conteudista.
Figura 7.1: Tela gerada pelo ambiente com as questões e justificativas das respostas
corretas.
7.4 Construção da Ferramenta (item E)
A implementação do Ambiente e tabelas do banco de dados estão descritos na seção
6.1.
7.5 Disponibilizar o Ambiente na Internet (itens G e H)
As aplicações do ambiente são descritas no Capítulo 8.
89
8 PROCEDIMENTO DE AVALIAÇÃO DO AMBIENTE
INTELIWEB
O ambiente InteliWeb foi utilizado na disciplina de Anatomia Vegetal como uma
ferramenta de complementação da aula presencial, sendo considerado um modelo semi-
presencial de EAD (Peters (2001)), característica de ambientes de EAD na UFRGS,
como por exemplo o Portal Claroline (CLARO, 2005).
O ambiente passou por duas etapas de testes antes de ser disponibilizado para as
turmas. A primeira etapa de testes incluiu o funcionamento da interface, o
funcionamento dos links, a busca no banco de dados dos links do material didático
selecionado e a gravação no Log gerada pelas escolhas na interface. Após esta
verificação ocorreu a primeira aplicação, no ano de 2004, em uma turma da disciplina
de Anatomia Vegetal do Curso de Biociências da UFRGS. A segunda etapa de testes
incluiu o funcionamento dos agentes, a interação entre eles e a gravação no banco de
dados do modelo de aluno captado pelo agente MAE e o feedback selecionado pelo
agente MAE e apresentado pelo agente PAT. A segunda aplicação foi realizada em
2005 em uma turma da disciplina de Anatomia Vegetal do Curso de Biociências da
UFRGS. As aplicações se sucederam conforme a disciplina Anatomia Vegetal, com a
utilização do ambiente no laboratório, com a explicação do professor e por acessos
extra-classe.
O experimento é composto por uma primeira aplicação do ambiente sem os agentes
(Grupo 1) e uma segunda aplicação com os agentes (Grupo 2). A variável analisada é a
Auto-Eficácia para os dois grupos. A variável independente - ação de feedback do
Agente pedagógico PAT também é captada. Segundo o modelo de Bandura(1997), o
feedback, que neste trabalho é fornecido pelo agente PAT, atua sobre as crenças de
auto-eficácia, que por sua vez irá atuar sobre o esforço, persistência e desempenho. No
Grupo 2 as táticas são divididas por tipo de padrão pessoal e medida de Auto-Eficácia.
8.1 Amostra
A amostra deste trabalho constitui-se de 24 alunos de graduação do curso de
Biociências, sem conhecimento prévio sobre o conteúdo ‘FLOR’.
90
8.1.1 As Variáveis e suas medidas
Para este trabalho a análise das variáveis é avaliada estatisticamente a partir do
Modelo do Aluno registrado pelo agente MAE dentro da base de dados do ambiente de
aprendizagem. A escolha do teste estatístico seguiu os seguintes parâmetros avaliando o
número de amostras e tipo de dados:
• Tamanho e disponibilidade da amostra
• Relação entre as amostras
• A forma pela qual os dados são registrados
• a distribuição dos dados
• a dependência ou não entre as variáveis.
Sob a perspectiva destes parâmetros, a especialista em estatística Professora Jandira
Fachel, da faculdade de Matemática e Estatística da UFRGS apontou a aplicação do
teste estatístico t-Student (MURTEIRA, 2001).
8.2 Aplicação do ambiente sobre o Grupo 1
O objetivo da aplicação do ambiente sobre o Grupo 1 foi de avaliar a interface e
material instrucional, assim como obter dados de Log sobre a navegação dos alunos.
A aplicação do ambiente para o Grupo 1 foi realizada no semestre 2004/1. Esta
aplicação se baseou no protocolo de planejamento e métodos descritos em [YIN, 2005].
Nesse estágio o agente MAE não estava ainda finalizado. A turma foi divida em duas,
sendo que 25 alunos tiveram aula presencial (expositiva com o professor) e dos demais
25 alunos que se propuseram a participar do experimento, 12 alunos efetivamente o
fizeram. Então essa amostra corresponde a 12 alunos (6 homens e 6 mulheres na faixa
etária entre 17 e 19 anos).
Todos os alunos responderam ao questionário “Nível de Competência Tecnológica”,
impresso no ANEXO I. Este questionário foi elaborado por (COSTA, 2002) e detecta o
nível em que se encontra o aluno no que diz respeito à utilização do computador. A
pontuação nos fornece o valor que permite compreender melhor o nível de competência
na utilização do computador. Os resultados obtidos foram que 42% dos alunos que se
submeteram à aula virtual são principiantes no uso do computador, enquanto que 58%
têm experiência assinalável. Este questionário foi utilizado para saber o nível de
competência tecnológica da turma e se o resultado desse influenciaria na utilização do
ambiente. Conforme observado, mesmos os alunos principiantes no uso do computador
não tiveram dificuldades em utilizar a interface do ambiente.
Os alunos que participaram do experimento responderam a um pós-questionário
denominado “Acompanhamento do Experimento”. Esse questionário é um
procedimento para captar as percepções dos alunos quanto ao material didático,
incluindo os recursos didáticos (teoria e exercícios), as formas de apresentação para a
teoria (HTML, FLASH e VÍDEO), exercícios (múltipla escolha e cruzadas) e facilidade
ao usar a interface. Este questionário está impresso no ANEXO II.
Como resultado, obteve-se um parecer favorável quanto ao material teórico e
exercícios. Os alunos também acharam a interface agradável e fácil de utilizar. As
categorias do pós questionário respondido pelos estudantes do experimento e um
91
resumo dos resultados de validação do domínio do ambiente piloto está ilustrado na
Tabela 8.1.
Tabela 8.1: Categoria do Pós questionário e resumo dos resultados
Categorias
Navegação Experiência com o
material
Outras Sugestões
-Dificuldades de
conexão com o
ambiente
-Pouco tempo para
navegar no site
- Diferentes formas de
apresentação estimulam o
interesse
- Animações Flash
ajudam nos processos de
aprendizagem e
compreensão
- Os vídeos são mais
estimulantes que as aulas
expositivas
- interface fácil de utilizar
-Mais links no texto em
HTML
O número médio de acessos na interface do ambiente, por aluno, foi de 77 passos e
o tempo médio de acesso de 3 horas e 24 minutos.
No final do semestre 2004/1, duas semanas após a realização do experimento, os
alunos fizeram uma prova descritiva ministrada pelo professor da disciplina. O
professor nos forneceu as notas relativas às questões pertinentes à teoria exposta no
ambiente. As médias sobre dez foram as seguintes: alunos que participaram do
experimento obtiveram nota 6,6 e alunos que não participaram nota 5,1. Para o
professor a aplicação no Grupo 1 foi uma experiência satisfatória. O resumo dessa
aplicação foi esboçado no Anexo III.
Com a finalização do Agente MAE foi possível recuperar do Log os valores da auto-
eficácia dos alunos no Grupo 1. Com esses resultados foi verificada, em porcentagem, a
quantidade de vezes que cada um dos termos lingüísticos da auto-eficácia foi
averiguado pelo agente MAE. As medidas encontradas nas 214 atividades realizadas
pelos 12 alunos são as seguintes: 18% das atividades foram consideradas com auto-
eficácia média, 36% com auto-eficácia alta e 46% com auto-eficácia baixa.
Através dos Logs gerados pelos 12 alunos participantes foi possível identificar a
curvatura da auto-eficácia desses alunos sem a presença do feedback. O gráfico
ilustrado na Figura 8.1 exemplificam a auto-eficácia calculada por atividade para um
dos aluno participantes. O eixo X ilustra a atividade e o eixo Y apresenta a pertinência
da auto-eficácia no intervalo de [0,1].
92
baixa baixa
baixa
baixa baixa
média
alta alta
média
alta
0,00
0,20
0,40
0,60
0,80
1,00
1 2 3 4 5 6 7 8 9 10
Figura 8.1: Medidas da Auto-Eficácia resultantes da interação de um aluno do Grupo 1
no InteliWeb. O eixo X apresenta a atividade e o eixo Y a pertinência de cada termo no
intervalo de [0,1].
Foi calculada a média ponderada das auto-eficácias (baixa, média, alta) encontradas
na amostra dos 12 alunos, gerando uma auto-eficácia única para cada aluno. Para a auto-
eficácia alta foi multiplicado o fator 3, auto-eficácia média o fator 2 e auto-eficácia
baixa o fator 1, resultando nos dados da Tabela 8.2.
Tabela 8.2: Auto-Eficácia única, calculada através de Média Ponderada
Grupo 1
Aluno Auto-Eficácia
1
1,5795
2
1,800625
3
1,669048
4
2,086863
5
1,126094
6
1,761607
7
2,268571
8
1,684211
9
1,235714
10
1,91
11
1,481
12
2,7275
Esses dados são usados posteriormente no teste t-Student descrito na seção 8.4.
8.3 Aplicação do ambiente sobre o Grupo 2
O objetivo da aplicação do ambiente sobre o Grupo 2 foi avaliar o desempenho do
agente MAE e qual o impacto do feedback mostrado pelo agente PAT sobre os alunos.
93
A aplicação do ambiente para o Grupo 2 foi realizada no semestre 2005/2. Esta
aplicação se baseou no protocolo de planejamento e métodos descritos em [YIN, 2005].
A turma que participou da aplicação era composta de 12 alunos (4 homens e 8 mulheres
na faixa etária entre 17 e 20 anos).
O número médio de acessos na interface do ambiente por aluno foi de 63 passos e o
tempo médio de acesso de 28 minutos. As medidas de auto-eficácia capturadas pelo
agente MAE nas 174 atividades realizadas pelos 12 alunos são as seguintes: 10% das
atividades foram consideradas com auto-eficácia média, 12% com auto-eficácia alta e
78% com auto-eficácia baixa.
Novamente foi calculada a média ponderada das auto-eficácias (baixa, média, alta)
encontradas na amostra de 12 alunos, gerando uma auto-eficácia única para cada aluno.
Para a auto-eficácia alta foi multiplicado o fator 3, auto-eficácia média o fator 2 e auto-
eficácia baixa o fator 1, resultando nos dados da Tabela 8.3.
Tabela 8.3: Auto-Eficácia única, calculada através de Média Ponderada
Grupo 2
Alunos Auto-Eficácia
1
1,435833
2
1,211818
3
1,666667
4
1,06
5
0,905556
6
1
7
1,484545
8
1,378
9
1
10
0,895556
11
1,080606
12
2
Esses dados são usados posteriormente no teste t-Student descrito na seção 8.4. O
resumo dessa aplicação foi esboçado no Anexo IV.
8.4 Teste t-Student
Os resultados obtidos para os dois Grupos estão ilustrados na Tabela 8.4.
Tabela 8.4 Estatísticas para o teste T-Student
Grupo Amostra Média Desvio Padrão
1 12 1.7775 .4404
2 12 1.2592 .3407
94
Para um nível de confiança de 95%, com 22 graus de liberdade o valor do teste t-
Student é de 3,224 (SPIEGEL, 1981).
Entre os dois grupos aplicados houve uma diferença significativa, a nível de
significância de 5%, entre as médias de auto-eficácia. (t=3,22; gl=22; p=0,004).
Contudo, não podemos concluir quais os fatores que causaram essa diferença. É
importante que seja realizada uma nova aplicação com os agentes para refinar os
resultados.
Os dados retirados do banco de dados já denotavam diferenças entre o
comportamento geral das amostras, sendo que a segunda obteve medidas inferiores,
incluindo, por exemplo, tempo despedido no ambiente. Um fator que pode ter sido
decisivo neste comportamento diferenciado é que um grande motivador externo, a prova
aplicada do professor, foi realizada um mês depois da aplicação do ambiente. No
primeiro experimento a prova foi realizada duas semanas após a aplicação. As imagens
ilustradas na Figura 8.2 e Figura 8.3 ilustram respectivamente o grau de Auto-Eficácia
inferido nas atividades realizadas por um mesmo aluno, na data de aplicação do
ambiente (17/11/2005) e em data posterior (12/12/2005), mais próxima à data da prova.
medi
a
b
ai
xa
alta
alta
ba
i
xa
ba
i
xa
ba
i
xa
ba
ix
a
baixa
ba
i
xa
b
a
ixa
bai
x
a
0
0,2
0,4
0,6
0,8
1
1 2 3 4 5 6 7 8 9 10 11 12
Figura 8.2: Medidas da Auto-Eficácia resultantes da interação de um aluno do Grupo 2
no InteliWeb em 17/11/2005. O eixo X apresenta a atividade e o eixo Y a pertinência de
cada termo no intervalo de [0,1].
95
alta
alta
alta
al
t
a
0
0,2
0,4
0,6
0,8
1
1 2 3 4
Figura 8.3: Medidas da Auto-Eficácia resultantes da interação de um aluno do Grupo 2
no InteliWeb em 12/12/2005. O eixo X apresenta a atividade e o eixo Y a pertinência de
cada termo no intervalo de [0,1].
Na primeira interação desse aluno com o ambiente o mesmo selecionou objetivo
intrínseco e obteve desempenho geral de 39.83, na segunda interação ele selecionou o
objetivo extrínseco e o desempenho geral foi de 89.64.
8.5 Considerações
Com base nos resultados foram corroboradas as hipóteses 1 e 2, uma vez que a
Auto-Eficácia foi inferida em todas as atividades realizadas pelos alunos e a máquina de
inferência Fuzzy alcançou uma boa performance (velocidade de cálculo).
A diferença significativa entre as amostras indica que o feedback selecionado neste
trabalho parece não ter afetado positivamente os alunos da amostra. As táticas
elaboradas no trabalho de Jaques (2004) são focadas em motivação. Para utilizá-las
neste trabalho foram selecionadas as táticas compatíveis com a Auto-Eficácia. Sendo
assim, existe a possibilidade das táticas não terem afetado os alunos porque são
orientadas à motivação e não à Auto-Eficácia.
Nas duas aplicações do ambiente a autora deste trabalho esteve presente observando
os alunos e solucionando as dúvidas que surgiram durante esse primeiro contato deles
com o ambiente. Verificou-se que os alunos que formaram a segunda amostra não
estavam muito comprometidos, na sua maioria ficaram navegando nas páginas sem se
deterem nos tópicos. Sendo assim, para refinar os resultados sobre o feedback é
necessário que ocorra outra aplicação semelhante ao segundo grupo.
96
9 CONCLUSÃO E PERSPECTIVAS DE TRABALHOS
FUTUROS
Esta tese iniciou com a pesquisa sobre motivação e como utilizá-la para aperfeiçoar
o desenvolvimento computacional do modelo do aluno, visando estender os trabalhos na
área do grupo do GIA. Através dessa pesquisa chegou-se ao construto da Psicologia
Cognitiva denominado Auto-Eficácia, o qual possui influência sobre a motivação.
Este trabalho situa-se na modelagem computacional de aspectos da auto-eficácia,
através da idealização, proposta e desenvolvimento de um agente inteligente,
denominado Agente Mediador da Auto-Eficácia (MAE). O conhecimento cognitivo do
agente está modelado através de crenças de auto-eficácia, as quais são utilizadas como
parte do modelo de aluno, no contexto de Tutores Inteligentes.
O modelo do aluno representa o conhecimento e as habilidades cognitivas do aluno
em um dado momento. Sendo assim, a modelagem computacional desses aspectos
requer a interdisciplinaridade entre as Ciências Cognitivas e a Computação. Existem
variados modelos de alunos na literatura, incluindo, por exemplo, propostas de gerência
de modelos de aluno como em (UCAID, 2002), modelos para agrupar pessoas
(JOHNSON & JOHNSON 1997) e a incorporação de emoções ao modelo do aluno e
utilização de agentes, como nos trabalhos de Jaques (2004) e Bercht (2001).
Segundo Giraffa (1999) e Marietto (1997) a abordagem multiagente apresenta-se
como uma alternativa bastante interessante para construção de ambientes de ensino.
Quanto à modelagem do aluno, a tecnologia relacionada com os agentes cognitivos
(deliberativos), permite a construção de modelos mais robustos e a utilização de agentes
possibilita o desenvolvimento de diferentes raciocínios e a integração de várias ações
para alcançar um determinado objetivo. Além disso, a utilização de agentes inteligentes
é uma boa opção para reduzir o custo desses sistemas, pois eles favorecem a
modularização e a evolução.
Nesse contexto, a maior contribuição deste trabalho é a definição, modelagem e
implementação de um agente que considera aspectos das crenças da auto-eficácia do
aluno, realizando cursos on-line e, que utiliza essa inferência na modelagem do aluno.
Essas crenças correspondem a processos cognitivos do indivíduo sobre suas
capacidades, as quais, influenciam o seu comportamento, motivação, afetividade e
escolha de tarefas do mesmo. Para realizar a modelagem computacional de aspectos da
97
auto-eficácia, cuja natureza engloba a cognição e afetividade, tomou-se por base os
trabalhos de Bandura (1989, 1991, 1997) e Ames (1990).
O agente MAE proposto neste trabalho está inserido em um ambiente de ensino e
aprendizagem na WEB, denominado InteliWeb. O agente MAE, seguindo a taxonomia
de agentes de Resende (2005), apresenta como características ser um agente cognitivo,
de Internet, social e comportamental.
Esse agente é capaz de perceber a Auto-Eficácia do aluno através de
comportamentos observáveis (correspondem ao curso das ações do aluno na interface) e
prover o modelo do aluno com esta nova variável. O agente captura as variáveis
esforço, persistência e desempenho de cada aluno e gera, a cada sessão, um modelo de
aluno com informações de Auto-Eficácia, uma para cada tarefa executada.
Diferentemente de Bercht (2001), o esforço e a persistência são variáveis distintas.
O agente MAE, quando necessário, seleciona feedback (táticas afetivas) que são
apresentados ao aluno durante a sua sessão de estudo através do agente PAT (JAQUES,
2004). Tal feedback faz parte do repertório de táticas do agente PAT. Algumas táticas
verbais foram alteradas ou incluídas.
Adotou-se a Lógica Fuzzy como abordagem para mapear e inferir as crenças de
Auto-Eficácia. Tais crenças são mapeadas através de variáveis lingüísticas fuzzy e o
agente possui uma máquina de inferência para processá-las. Como principais vantagens
dessa abordagem tem-se que uma decisão baseada no enfoque fuzzy é semelhante ao
processo intuitivo da decisão, ou seja, uma escolha ou um conjunto de escolhas
extraídas do conjunto das alternativas possíveis. Dessa forma, o agente projetado e
desenvolvido com uma máquina de inferência fuzzy se torna mais flexível.
A implementação deste trabalho foi realizada em três partes: a primeira engloba o
ambiente InteliWeb (ambiente piloto), a segunda o agente MAE e ajustes no agente
PAT e, por fim, a inclusão dos agentes no ambiente.
O ambiente passou por duas etapas de testes. A primeira etapa de testes incluiu o
funcionamento da interface, o funcionamento dos links, busca no banco de dados dos
links do material didático selecionado e gravação no Log gerado pelas escolhas na
interface. Após esta verificação, ocorreu a primeira aplicação, no ano de 2004, em uma
turma da disciplina de Anatomia Vegetal do Curso de Biociências da UFRGS. A
segunda etapa de testes inclui o funcionamento dos agentes, a interação entre eles e a
gravação no banco de dados do modelo de aluno captado pelo agente MAE e feedback
selecionado pelo agente MAE e apresentado pelo agente PAT. A segunda aplicação foi
realizada em 2005 em uma turma da disciplina de Anatomia Vegetal do Curso de
Biociências da UFRGS.
As aplicações do ambiente nas turmas da disciplina da Anatomia Vegetal basearam-
se no protocolo de planejamento e métodos descritos em [YIN, 2005]. A partir da
informação contida no modelo de aluno gerado pelo agente foram realizados testes
estatísticos t-Student [MURTEIRA, 2001] para analisar as amostras.
Comparando a experiência do uso da Lógica Fuzzy neste trabalho com o X-BDI
utilizado no GIA conclui-se, preliminarmente, que a implementação da Lógica Fuzzy
apresenta uma performance mais rápida e permite que novas variáveis sejam facilmente
agregadas ao modelo realizado. O X-BDI, por possuir uma representação declarativa
apresenta um poder de representação maior que o
Fuzzy. Maiores análises serão
realizadas em trabalhos futuros.
98
Dentro desse contexto, as contribuições deste trabalho são:
• Um modelo de aluno agregando métricas para considerar a questão da auto-
eficácia (expansão do modelo de aluno do GIA);
• Utilização da Lógica Fuzzy como máquina de inferência de um agente para
inferir a auto-eficácia do aluno;
• Desenvolvimento de um modelo computacional extensível para a teoria da auto-
eficácia, o qual inclui aspectos das crenças da auto-eficácia;
• Seleção de táticas - feedbacks de trabalhos prévios do grupo GIA para serem
utilizados no modelo computacional visando aumentar a auto-eficácia, conforme
modelo de Bandura (1997);
• Primeiro teste com o agente PAT integrando-o ao ambiente InteliWeb e
recebendo mensagens ponto-a-ponto do agente MAE;
• Realização de uma comparação preliminar entre as abordagens Fuzzy utilizada
neste trabalho e X-DBI utilizadas no GIA.
Foi enviada uma mensagem a Albert Bandura, autor da teoria da Auto-Eficácia, com
um dos nossos artigos aceitos e obtivemos uma resposta de incentivo e apoio, ilustrada
no Anexo V.
9.1 Limitações encontradas
No desenvolvimento deste trabalho confrontamos com uma questão que não foi
possível tratar que está na abrangência dos aspectos que influenciam a Auto-Eficácia.
Bandura (1997) cita uma série de fatores que influenciam a Auto-Eficácia, como por
exemplo, influências de experiências passadas, interações com o meio, etc. Por esse
motivo, o modelo idealizado apresenta três variáveis possíveis de serem captadas no
ambiente InteliWeb.
Outra limitação encontrada foi a ocorrência de fatores externos na aplicação do
ambiente, como a data da aplicação da prova pelo professor da disciplina, isso pode ter
afetado a diferença entre o comportamento geral das amostras. Além disso, o fato das
turmas serem ministradas por um professor externo à pesquisa limita a condução da
pesquisa, por mais que tentemos empregar a metodologia selecionada.
9.2 Trabalhos Futuros
O modelo de auto-eficácia definido neste trabalho é facilmente extensível. Em
trabalhos futuros do grupo é possível acrescentar outras variáveis (conjuntos de entrada
e termos lingüísticos) para estender o modelo realizado. O histórico gerado pelo agente
MAE, contendo as Auto-Eficácias, esforços, persistências e desempenhos do aluno por
tarefa, pode ser utilizado como métrica para inferência de Auto-Eficácias futuras.
Os resultados obtidos desta pesquisa estão permitindo o desenvolvimento de outro
projeto de doutorado, relacionado a
Feedback, na área de IE e coordenado pelo PGIE –
Programa de Pós-Graduação em Informática na Educação dessa Universidade. Esse
99
trabalho irá investigar feedbacks relacionados à Auto-Eficácia que poderão ser aplicados
pelo agente MAE aos alunos do ambiente InteliWeb. Assim, o MAE teria sua
arquitetura representada pela Figura 9.1, na qual ele envia a Auto-Eficácia inferida para
um Processo de Feedback externo, e esse processo determinará as ações de feedback
para o estudante.
Agente MAE
Interface
Ações do
aluno
Percepção
Fuzificação
Inferência
Padrão
Pessoal
Desempenho
Esforço
Persistência
Processo de
Feedback
0
0,2
0,4
0,6
0,8
1
0 1 2 3 4 5 6 7 8 9 10 11 12
Minutos
0
0,2
0,4
0,6
0,8
1
Média
0
0,2
0,4
0,6
0,8
1
Porcentage m
0
0,2
0,4
0,6
0,8
1
0
1
0,
00
2
0,
00
3
0,
00
4
0,00
50,00
6
0,
00
7
0,
00
8
0,
00
9
0,00
100,00
Modelo
Aluno
Regras
Inferência
Modelo
Fuzzy
outros
Auto-Eficácia
pertinências
Figura 9.1: Mudanças na arquitetura do agente MAE com a inclusão de um Processo de
Feedback.
Para refinar os resultados obtidos é importante que seja realizada uma nova
aplicação do ambiente com os agentes. Essa aplicação seguirá a metodologia empregada
no Grupo 2 e será realizada dentro do âmbito do projeto de doutorado relacionado a
Feedback previamente citado.
O agente MAE também será utilizado em uma tese de doutorado em fase de defesa
de Proposta de Tese, do grupo GIA/PGCC, para agregar a modelagem de aspectos da
Auto-Eficácia na modelagem de grupos de alunos dentro do ambiente AMPLIA
idealizado por Flores (2003). Nesse trabalho não será empregado o feedback que o
agente atualmente utiliza, apenas a parte de inferência da Auto-Eficácia como ilustrado
na Figura 9.1.
Outro fator que enriqueceria a pesquisa é a aplicação do ambiente e dos agentes (ou
só do agente MAE) em uma outra disciplina, com a formulação de outro material
didático e fazer uma comparação dos resultados. Para isso o professor da disciplina,
após formular o material com ao menos duas formas de apresentação, deve fornecer os
alguns parâmetros para compor a máquina de inferência fuzzy.
9.3 Publicações
BICA, F., VERDIN, R., VICARI, R. InteliWeb: Adaptation of the Self-Efficacy in
an Intelligent e-Learning System. The 5th IEEE International Conference on Advanced
Learning Technologies (ICALT). July 5-8, 2005. Kaohsiung, Taiwan.
100
BICA, F., VERDIN, R., VICARI, R. Delineamento de um Agente para detectar a
Auto-Eficácia do Aluno no Ensino-Aprendizagem via Web. V Ciclo de Palestras Novas
Tecnologias na Educação, 2005. Revista Novas Tecnologias na Educação. CINTED
(Centro Interdisciplinar de Novas Tecnologias na Educação).
Prêmio PAPED (Programa de Apoio à Pesquisa em Educação a Distância) programa
de incentivo à produção de conhecimento nos campos da educação a distância e da
utilização de novas tecnologias no ensino público concedido pela CAPES pela proposta
intitulada Capturando a AUTO-EFICÁCIA do aluno Através de um AGENTE
INTELIGENTE. setembro, 2005.
BICA, F., VERDIN, R., VICARI, R. Projeto de um Agente Fuzzy para inferir a
Auto-Eficácia do Aluno no contexto de Sistemas Tutores Inteligentes. Revista IEEE
Latina, 2006.
BICA, F., VERDIN, R., VICARI, R. Cognitive Modeling of Students’ Self-Efficacy
in an E-Learning System. The 6th IEEE International Conference on Advanced
Learning Technologies (ICALT). July 5-8, 2006. Kerkrade, Holanda.
101
REFERÊNCIAS
AÏMEUR, E., BRASSARD, G., DUFORT, H. and GAMPS, S.: 2002, CLARISSE: a
machine learning tool to initialize student models. In: S. A. Cerri, G. Gouardéres and F.
Paraguaçu(eds.): Proceedings of the Sixth International Conference on Intelligent
Tutoring Systems, Lecture Notes in Computer Science, Vol. 2363. Springer-Verlag,
Berlin, Heidelberg, pp. 718-728.
ALONSO, E. AI and agents: state of the art. September 2002 AI Magazine, Volume
23 Issue 3.
ARONSON, E. et al. Methods of Research in Social Psychology. 2nd Ed. McGraw-
Hill. 1990.
AMES, C. Motivation: What Teachers Need to Know. Teachers College Record,
[S.l.], v. 91, n. 3, p. 409-421, 1990.
ANDERSON, J. R. The expert Model. In M. C. Polson & J. J. Richardson. (Eds.)
Intelligent tutoring systems: lessons learned. Hillsdale. NJ: Lawrence Erlbaum
Associates. 1988.
ALMEIDA, M. E.; PRADO, M. E. B. Redesenhando estratégias na própria ação:
formação do professor a distância em ambiente digital. São Paulo: Programa de Pós-
Graduação em Educação Currículo/PUCSP, 2003.
ANDRADE, A. F. et al. A Computational Model of Distance Learning Based on
Vygotsky’s Socio-Cultural Approach. Journal of Personality and social Psychology,
6(5), 950-967. (1994). International Conference on AI and Education, San Antonio,
Texas, May 19-23, 2001.
AMABILE, T.M. The Work Preference Inventory Assessing Intrinsic and Extrinsic
Motivation Orientation. Journal of Personality and social Psychology, 6(5), 950-967.
(1994).
ARAFA, Y., MAMDANI, A. Virtual personal service assistants: towards real-time
characters with artificial hearts Proceedings of the 5th international conference on
Intelligent user interfaces. 2000.
ARONSON, E. ET AL. METHODS OF RESEARCH IN SOCIAL PSYCHOLOGY.
2ND ED. MCGRAW-HILL. 1990.
BANDURA, A. Social Foundantions of Thought & Action – A Social Cognitive
Theory. Englewood Cliffs: Prentice Hall, 1986.
102
BANDURA, A. (1989). Human agency in social cognitive theory. American
psychologist, 44, 1175-1184
BANDURA, A .; JOUDERN, F.J. Self regulatory mechanisms governing the impact
of social comparison on complex decision making. Journal of Personality and Social
Psychology, 60, 941-951. 1991.
BANDURA, A . (1997) Self- Efficacy - the exercise of control. NEW YORK:
FREEMAN.
BECK, J., STERN, M.; HAUGSJAA, E. Applications of AI in Education. The ACM’s
First Electronic Publication, Disponível em: <www.acm.org/crossroads/xrds3-
1/aied.html>. Acesso em: set. 2004.
BERGER, B. G. & MCINMAN, A. (1993). Exercise and the quality of life. In R.
SINGER; M. MURPHEY & L.
BERCHT, M. Em direção a agentes pedagógicos com dimensões afetivas. 2001.
152 p. : il. Tese (Doutorado em Ciência da Computação) – Instituto de Informática,
UFRGS, Porto Alegre.
BICA, F. Eletrotutor III: Uma abordagem multiagente para o ensino a distância.
2000. Dissertação (Mestrado em Ciência da Computação) – Instituto de Informática,
UFRGS, Porto Alegre.
BICA, F., VERDIN, R., VICARI, R. InteliWeb: Adaptation of the Self-Efficacy in an
Intelligent e-Learning System. The 5th IEEE International Conference on Advanced
Learning Technologies (ICALT). July 5-8, 2005. Kaohsiung, Taiwan.
BICA, F., VERDIN, R., VICARI, R. Delineamento de um Agente para detectar a Auto-
Eficácia do Aluno no Ensino-Aprendizagem via Web. V Ciclo de Palestras Novas
Tecnologias na Educação, 2005. Revista Novas Tecnologias na Educação. CINTED
(Centro Interdisciplinar de Novas Tecnologias na Educação).
BICA, F., VERDIN, R., VICARI, R. Projeto de um Agente Fuzzy para inferir a Auto-
Eficácia do Aluno no contexto de Sistemas Tutores Inteligentes. Revista IEEE Latina,
2006.
BICA, F., VERDIN, R., VICARI, R. Cognitive Modeling of Students’ Self-Efficacy in
an E-Learning System. The 6th IEEE International Conference on Advanced Learning
Technologies (ICALT). July 5-8, 2006. Kerkrade, Holanda.
BOCCA, E. W. Modelagem e implementação da interface para apresentação de
comportamentos animados e emotivos de um agente pedagógico animado. 2003.
Dissertação (Mestrado em Ciência da Computação) – Instituto de Informática, UFRGS,
Porto Alegre.
BLOOM, B. (1972) Taxionomia dos Objetivos Educacionais. – Domínio Cognitivo.
Porto Alegre: Ed. Globo. 1972.
BOCCA, Everton Weber. Modelagem e implementação da interface para apresentação
de comportamentos animados e emotivos de um agente pedagógico animado. 2003. 105
f. : il.
103
BRAGA, M. J. F. Conceitos da Matemática Nebulosa na Análise de Risco. Rio de
Janeiro: Artes e Rabiskus, 1995.
BRATMAN, M. E. What is intention? In: Cohen, P., Morgan, J., and Pollack, M. (Eds.)
Intentions in Communication. pp. 15-31. MIT Press, Cambridge, MA, 1990.
BRATMAN, M. E. Intentions, Plans and Practical Reason. Harvard University Press,
Cambridge, MA, 1987.
BROW, J.S.; BURTON, R.B. Pedagogical natural language and knowledge engineering
techniques in SOPHIE I, II, and III. In: SLEEMAN, D.; BROWN, J.S (Eds.). Intelligent
Tutoring Systems. New York: Academic Press, 1982.
BRUSILOVSKY, P. Methods and techniques of adaptive hypermedia. In:
BRUSILOVSKY, P.; KOBSA, A.; VASSILEVA, J. (Eds.). Adaptive hypertext and
hypermedia. The Netherlands: Kluwer Academic, 1998. p. 1-43.
BRUSILOVSKY, P.; PEYLO, C. (2003) Adaptive and intelligent Web-based
educational systems. In P. Brusilovsky and C. Peylo (eds.), International Journal of
Artificial Intelligence in Education 13 (2-4), Special Issue on Adaptive and Intelligent
Web-based Educational Systems, 159-172.
BZUNECK; B. A Motivação do Aluno: Contribuições da Psicologia Contemporânea.
Petrópolis: Editora Vozes; 116-133. 2004.
CAMARGO, C. C. H. Hipertexto: um novo ressignificado da prática pedagógica.
Dissertação de mestrado. Programa de Pós-Graduação em Educação: Currículo – PUC-
SP. 2003.
CERDEIRA, J. P. A percepção da eficácia pessoal e os mecanismos de auto-regulação
das aprendizagens. In Revista Portuguesa de Pedagogia, Ano XXIX, n. 2, 1995, p.137-
159.
CHOU , C., CHAN, T., LIN , C. Redefining the learning companion: the past, present,
and future of educational agents. April 2003. Computers & Education, Volume 40
Issue 3.
CLANCEY, W.J. Knowledge-based Tutoring: the GUIDON Program. Cambridge,
Massachusets: MIT Press,1987.
CLARO, Portal Claroline, Disponível na Internet < http://www.claroline.net/ > acesso
em novembro de 2005.
COSTA, F. A. "Elementos para reflexão sobre a integração das TIC na Educação", in
Lourdes Marcelino MACHADO, Naura Syria Carapeto Ferreira (orgs.) Política e gestão
da educação - dois olhares, S.Paulo, DP&A Editora. 2002.
COSTA, R.,WERNECK, V. Tutores Inteligentes. Rio de Janeiro: COPPE /UFRJ, 1996.
D’AMICO,C. Aprendizagem estática e dinâmica em sistemas multiagente de ensino-
aprendizagem. 1999. Tese (Doutorado em Ciência da Computação) – Instituto de
Informática, Universidade Federal do Rio Grande do Sul, Porto Alegre.
DENNETT , D. C. The Intentional Stance. The MIT Press, Cambridge, MA, 1987.
DEMAZEAU, Y. Distributed Artificial Intelligence and multiagents systems. In:
SIMPÓSIO BRASILEIRO DE INTELIGÊNCIA ARTIFICIAL, 10.,1993, Porto Alegre.
Anais… Porto Alegre: SBC, 1993.
104
DIMIROVA, V. (2001). Interactive Open Learner Modelling. Tese de Doutorado,
Computer Based Learning Unit, University of Leeds.
EKLUND, J. Cognitive models for structuring hypermedia and implications for learning
from the world-wide Web. Proceedings of the AusWeb95. The First Australian
WorldWideWeb Conference. 1995.
FININ, T. FRITZSON, R. MCKAY, D. MCENTIRE, R WEBER, J. WIEDERHOLD,
G. Shapiro, S , BECK, C. “Specification of the KQML agent-comunication language
(plus example agent policies and architectures)”. Draft, The DARPA Knowledge
Sharing Initiative–External Interfaces Working Group. Disponível na Internet <
http://www.cs.umbc.edu/kqml/papers/> ,1993. acesso em setembro de 2005.
FIPA, 1996 Foundation for Intelligent physical Agents. Disponível na Internet:
<http://www.fipa.org>, 1996 .acesso em setembro de 2005.
FLORES, C.; VICARI, R. Agente mediador para seleção de estratégias pedagógicas em
um ambiente multiagente de aprendizagem. In XIV Simpósio Brasileiro de Informática
na Educação – SBIE – NCE/UFRJ 2003.
FREEMAN, R. What is an Intelligent Tutoring System?. Published in Intelligenge,
11(3): 15-16, 2000.
GAMBOA, H., Ana Fred. Designing Intelligent Tutoring Systems: a Bayesian
Approach. 3rd International Conference on Enterprise Information Systems,
ICEIS'2001.
GERTNER, A., CONATI, C., and VANLEHN, K. (1998). Procedural Help in Andes:
Generating Hints using a Bayesian Network Student Model. Proceedings of the 15th
National Conference on Artificial Intelligence, Madison, WI, 1998, pp. 106–111.
GIRAFFA, L. M. M. Uma arquitetura de tutor utilizando estados mentais. Tese
(Doutorado em Ciências da Computação) – Instituto de Informática, UFRGS, Porto
Alegre. 1999.
GOMIDE, F; R. Gudwin, R. Tanscheit, "Conceitos fundamentais da teoria de conjuntos
fuzzy, lógica fuzzy e ap licações", Proceedings 6 th IFSA World Congress, Tutorials, pp.
1-38, São Paulo, Brasil, 1995.
GONDAL, Iqbal e Odgers, Paul DEVELOPED TEACHING THEORIES FOR
EFFECTIVE ON-LINE EDUCATION ENVIRONMENT, in Proceeding IASTED
International Conference, 2003.
GUIMARÃES, S.E.R. (2003). Avaliação do estilo motivacional do professor: adaptação
e validação de um instrumento. Tese de Doutorado, Universidade Estadual de
Campinas, Campinas.
HOLT P., DUBS, S., JONES, M. and GREER, J. (1991) “The State of Student
Modelling, In: Student Modelling: The Key to Individualized Knowledge-Based
Instruction”, Edited by Jimm E. Greer and Gordon I. McCalla, Springer-Verlag , pp 3 –
35.
HEAPERMAN, S.; SUDWEEKS F. Achieving Self-efficacy in the Virtual Learning
Environment. In Proceedings: International Education Research Conference Fremantle
December 2-6, 2001.
105
HSIEH, P.; HALFF, H.; REDFIELD, C. (1999). Four Easy Pieces: Developing Systems
for Knowledge-Based Generative Instruction. Int. J. of Artificial Intelligence in
Education.
JAQUES, Patricia Augustin. Emotions and effective computing: trabalho individual
I. 2003. 36 f. : il.
JAQUES, Patricia Augustin. Using an Animated Pedagogical Agent to Interact
Affectively with the Student. Tese (Doutorado em Ciências da Computação) –
Instituto de Informática, UFRGS, Porto Alegre. 2004.
JANG, J.S.R.; GULLEY, N. (1997) MATLAB – Fuzzy Logic Toolbox User’s Guide.
The Math Works Inc., Natick. MA, U.S.A. Accordingly, application of the
hydroacoustic technique and fuzzy.
JOHNSON, D. W. & Johnson, F. P. (1997). Joining Together: Group Theory and Group
Skills. Boston, MA: Allyn and Bacon.
JOHNSON, L.; SHAW, E.; GANESHAN, R. Pedagogical Agents on the Web. In:
ITS’98 WORKSHOP ON PEDAGOGICAL AGENTS, 4, 1998, San Antonio.
Proceedings... San Antonio: 1998. p.2-7.
JOHNSON, Lewis; RICKEL, Jeff; LESTER, James. Animated Pedagocial Agents:
Face-to-Face Interaction in Interactive Learning Environments. International Journal of
Artificial Intelligence in Education, 11, pp. 47-78. Disponível em
<http://www4.ncsu.edu/~lester/Public/apa-ijaied-2000.ps.gz> acesso em outubro de
2004.
JOO, Y., BONG, M., CHOI, H. Self-efficacy for self-regulated learning, academic self-
efficacy, and Internet self-efficacy in Web-based instruction. Educational Technology
Research and Development, 48(2), 5-17. 2000.
KAY, J. (2001). Learner control. User Modelling and User Adapted Interaction 11(1-4),
111-127.
KEEGAN, D. Foundations of distance education. 2.ed. Londres: Routledge, 1991.
LEVINE, T., & DONISA-SCHIMIDT, S.. Computer use, confidence, attitudes, and
knowledge: A causal analysis. Computers in Human Behavior, 14(1), 125-46. Journal of
Personality and Social Psychology, 815-822. (1998)
LIONGYU TU, WEN-LIAN HSU, SHIH-HUNG WU. A Cognitive Student Model —
An Ontological Approach International Conference on Computers in Education
(ICCE'02).
LOCKE, E.A. A Theory of goal setting and task performance. Englewood Cliffs. NJ:
Prentice Hall. (1990)
LOCKE, E. A . Goal theory vs. Control Theory: constricting approaches to
understanding work motivation. Motivation and Emotion, 15, 9-28. Ano??
MADDUX, J. (1995). Self-efficacy theory: An introduction. In J. MADDUX (Ed.).
Self-efficacy, adaptation and adjustment. New York: Plenum Press.
MAMDANI, E. H. Application of fuzzy algorithm for control of symple dynamic plant.
Proceedings of IEEE Control and Science. 121(12), 1585-1588. 1974.
106
MARIETTO, M et al.. Tendências nas Áreas de Sistemas de Tutoria Inteligente e
Modelagem do Aprendiz. VIII Simpósio Brasileiro de Informática na Educação, São
José dos Campos, 1997.
MAYO, Michael; MITROVIC, Antonija. Using a probabilistic student model to control
problem difficulty. In: INTERNATIONAL CONFERENCE ON INTELLIGENT
TUTORING SYSTEMS, ITS, 5., 2000. Proceedings... Berlin: Springer-Verlag, 2000. p.
524-533.
MCARTHUR, D., LEWIS, M. e BISHAY, M. (1993) The roles of artificial
intelligence in education: current progress and future prospects. Santa Monica, CA,
USA, November.
MERRIL, M. D.; ID2 Research Group (1998). ID Expert: A Second Generation
Instructional Development System. Instructional Science 2: 243–262.
MITROVIC, Antonija. SINT – a symbolic integration tutor. In: INTERNATIONAL
CONFERENCE ON INTELLIGENT TUTORING SYSTEMS, ITS, 3., 1996.
Proceedings… Berlin: Springer-Verlag, 1996. p. 587-595. (Lecture Notes in Computer
Science, v. 1086).
MOISSA,H. Arquitetura de um Agente Identificador de fatores motivacionais e afetivos
em um Ambiente de Ensino e Aprendizagem. 2001. Dissertação (Mestrado em Ciência
da Computação ) – Instituto de Informática, UFRGS, Porto Alegre.
MÓRA,M. Um Modelo Formal e Executável de Agentes BDI. 2000. Tese (Doutorado
em Ciência da Computação) – Instituto de Informática, UFRGS, Porto Alegre.
MÓRA, M. BDI models and systems: reducing the gap. In: Proceedings do Agents
Theory, Architecture and Languages Workshop, Canarias. London: Springer-Verlag,
1998.
MURACH,J. M., STEELAMN, A. Murach's Java Servlets and JSP. Mike Murach &
Associates.
MURRAY, W. A practical approach to bayesian student modeling. In Proceedings of
the Fourth International Conference on Intelligence Tutoring Systems (ITS ’98), B.
Goettl, H. Halff, C. Redfield, and V. Shute, Eds. Springer-Verlag, New York, NY, 424–
433. 1998.
MURTEIRA, B.; RIBEIRO, C. S.; Andrade e Silva, J.; Pimenta, C., Introdução à
Estatística, McGraw-Hill, 2001.
NASR, M.; YEN, J; IOERGER, T. FLAME—Fuzzy Logic Adaptive Model of
Emotions. Autonomous Agents and Multi-Agent Systems, Volume 3 Issue 3., 2000.
NASCIMENTO, C.L., TAKASHI, Y.. Inteligência Artificial em Controle e Automação.
São Paulo: Edgard Blücher: FAPESP, 2004.
NICOLAU, Mariano. Adaptação em um Curso na Web usando Workflow. Porto
Alegre, 2004. Tese (Doutorado em Ciencia da Computação) - Instituto de Informática,
UFRGS, Porto Alegre.
107
OLIVEIRA, Flávio Moreira de. Critérios de equilibração para sistemas tutores . Porto
Alegre, 1994. Tese (Doutorado em Ciencia da Computação. Instituto de Informática) -
Instituto de Informática, UFRGS, Porto Alegre.
OLIVEIRA, F. M.; VICCARI, R. M. Are learning systems distributed or social systems.
In: EUROPEAN CONFERENCE ON A.I. IN EDUCATION. Proceedings... Lisbon:
[s.n], 1996.
OLIVEIRA JUNIOR, HIME Aguiar, Lógica Difusa: aspectos práticos e aplicações. Rio
de Janeiro. Ed. Interciência. 1999.
O’MALLEY, J. & McCRAW, H. (1999). Student’s perception of distance learning,
online learning and the traditional classroom. Online journal of distance learning
administration, 2(4).
ORTONY, A.; CLORE, G.; COLLINS, A. The cognitive structure of emotions.
Cambridge, UK: Cambridge University Press, 1988.
PAJARES, F. Current directions in self-efficacy research. In: MAEHR, Martin L. &
PINTRICH, Paul R. (eds.) Advances in Motivation and Achievement. Greewwich, CT:
JAI Press, Inc., v. 10, p. 1-49, 1997.
PAPI, Disponível em: < http://edutool.com/papi>. Acesso em: ago. 2004.
PETERS, Otto. Didática do Ensino a Distância. Experiências e estágio da discussão
numa visão internacional. S. Leopoldo, Editora Unisinos. 2001.
PICARD,R. Affective Computing. Cambridge, Massachusetts: MIT Press, 1997. 292p.
PICARD, R; WEXELBLAT, A.; NASS, C. Panel: Future interfaces: social and
emotional CHI '02 extended abstracts on Human factors in computing systems, April
2002, 2002.
POEL, M., R.et al. Emotion based Agent Architectures for Tutoring Systems: The INES
Architecture. In: Cybernetics and Systems 2004. Workshop on Affective Computational
Entities (ACE 2004), Vienna: Austrian Society for Cybernetic Studies, R. Trappl (ed.),
ISBN 3 85206 169, Austria, April 2004, 663-668.
RAMALINGAM, V.; LABELLE, D.; WIEDENBECK , S. Self-efficacy and mental
models in learning to program. ACM SIGCSE Bulletin , Proceedings of the 9th annual
SIGCSE conference on Innovation and technology in computer science education,
Volume 36 Issue 3. 2004.
REIS, Alessandro Boeira dos. Um modelo do aluno adaptativo para sistemas na
Web. 2001. Dissertação (Mestrado em Ciência da Computação) – Instituto de
Informática, UFRGS, Porto Alegre.
REZENDE, S. O. RECOPE-IA – Rede Cooperativa de Pesquisa em Inteligência
Artificial. Sistemas Inteligentes: fundamentos e aplicações. Barueri, SP: Manole, 2005.
ROSATELLI, Marta C.; TEDESCO, Patrícia A. Diagnosticando o Usuário para
Criação de Sistemas Personalizáveis. Mini Curso ENIA. XXIII Congresso da Sociedade
Brasileira de Computação, 2003.
108
RUMBLE, Greville. A tecnologia da educação a distância em cenários de terceiro
mundo. In: PRETI, Orestes. Educação a distância: construindo significados.
Cuiabá/MT: NEAD/IE-UFMT; Brasília: Plano, 2000.
RUSSEL, Stuart J.; NORVING, Peter. Artificial Inteligence, 2nd ed. Editora Campos.
2004.
SANDRI, S. et al. Lógica Difusa. V Escola de Redes Neurais, Promoção: Conselho
Nacional de Redes Neurais pp. c073-c090, 19 de julho, 1999 - ITA, São José dos
Campos – SP.
SANTOS, Antonio Mello. Educação à Distância. Tecnologia Educacional, [S.l.], v.24,
n.128, jan./fev. 1996.
SANTOS, M. L. Impacto da motivação no processo ensino-aprendizagem. Universidade
Portucalense. 2002. Disponível em:
<http://aulasvirtuais.org/publicados/motivacao.html>. Acesso em: out, 2004.
SCHUNK, D.H. Self-Efficacy and Academic Motivation. Educational Psychologist, v.
26, n. 3 & 4, p. 207-31, 1991.
SCHWARZER, R.; FUCHS, R. Self-efficacy and health behaviours. In: CONNER, M.
E.; NORMAN, P. Predicting health behaviour. Buckinghand : Open University Press,
1996. p. 163-196.
SELF, J. Model-based cognitive diagnosis. User modeling and user-adapted
interaction, Netherlands, v. 3, p. 89-106, 1993.
SERRES, M. Filosofia mestiça. Rio de Janeiro: Nova Fronteira,1993.
SHANG, Y., SHI, H., CHEN, S. An intelligent distributed environment for active
learning. Proceedings of the 10th international conference on World Wide Web. 2001.
SHOHAM,Y. Agent-oriented programminmg. Artificial Intelligence. Berlin, v.60,
p.51-92, 1993.
SICHMAN, J. S., DEMAZEAU, Y.; BOISSIER, O.
"When can knowledge-based systems be called agents ?"
In: Proc. 9th Brazilian Symposium on Artificial Intelligence (SBIA'92) Rio de
Janeiro, Brasil, Setembro 1992.
SILVEIRA, R. et al.. JADE: java agents for distance education framework: an agent
oriented modeling approach for distributed intelligent learning environment projects.
Em: International Conference of Information and Communication Technologies in
Education (2002). Proceedings.
SILVEIRA, R.A. Modelagem orientada a Agentes aplicada a Ambientes
Inteligentes Distribuídos de Ensino: JADE - Java Agent Framework for Distance
Learning Environment. 2002. Tese (Doutorado em Ciência da Computação) –
Instituto de Informática,UFRGS, PortoAlegre.
SPIEGEL, M. R. Estatística. Ed. Mcgraw-Hill, São Paulo, 1981.
SPRINTHALL, N. A.; SPRINTHALL, Richard - Psicologia Educacional – Uma
Abordagem Desenvolvimentalista. Lisboa: Edit McGraw – Hill, 1993.
109
SOLDATO, T.; BOULAY, B. Implementation of Motivational Tactics in Tutoring
Systems. Journal of Artificial Intelligence in Education, Charlottesville, v.6, p.337-378,
1995.
SOUTO, M. A. M.. 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. 2003. 137 f. : il.
SOUZA, T. R. P. A centralidade do planejamento na elaboração de material didático
PARA EAD. Disponível em
http://www.abed.org.br/antiga/htdocs/paper_visem/thelma_rosane_de_souza.htm
(visitado em 21/09/2004).
STEPHENS, C. and LEE, S., 1999. Instructional Management Systems (IMS).
Disponível em: <http://imsglobal.org/>. Acesso em: ago. 2004.
STIPEK, D.J. Motivation to Learn: From Theory to Practice. Englewood Cliffs, NJ:
Prentice Hall, 1993.
TEDESCO, P. (2001). Using group models to support group planning interactions in
MarCo. In Anais do XII Simpósio Brasileiro de Informática na Educação, pp. 202-210.
Vitória: Sociedade Brasileira de Computação.
URBAN-LURAIN, M. Intelligent Tutoring Systems: An Historic Review in the Context
of the Development of Artificial Intelligence and Educational Psychology, Disponível
em: <http://www.cse.msu.edu/rgroups/cse101/ITS/its.htm>. Acesso em: set. 2004.
TOMCAT. The Apache Jakarta Project. Disponível em:<
http://jakarta.apache.org/tomcat/> . Acesso em: ago. 2004.
WENGER, Etienne. Artificial Intelligence and Tutoring Systems. Morgan
Kaufmann, Los Altos, CA, 1987.
WOOLDRIDGE, M. J.; JENNIGS, N. R. Agent theories, architectures, and languages: a
survey. In: PROCEEDINGS OF ECAI 94 WORKSHOP ON AGENT THEORIES,
ARCHITECTURES & LANGUAGES. Amesterdam The Netherlands, 1994. p. 1-32.
WOOLDRIDGE, M. J.; NICHOLAS R., "Intelligent agents: theory and practice,"
Knowledge Eng. Rev., vol. 10(2), pp. 115-152, 1995.
WOOLDRIDGE, M. J.; NICHOLAS R., KINNY, D. A methodology for agent-oriented
analysis and design, Proceedings of the third annual conference on Autonomous
Agents, p.69-76, April 1999, Seattle, Washington, United States
WORTMANN, H. e SZIRBIK, N. “ICT Issues among Collaborative Enterprises: from
Rigid to Adaptive Agent-Based Technologies” International Journal of Production
Planning and control 12 (5) 452-465, 2001.
VANTAGGIATO , A. Some considerations on intelligent tutoring systems. Proceedings
of the first international conference on Industrial and engineering applications of
artificial intelligence and expert systems - Volume 2 . June 1988.
VASSILEVA, J.; DETERS, R.; GEER, J. MCCALLA, G.; BULL, S.; KETTEL, L..
Lessons from Deploying I-Help. Workshop – Multi-Agent Architectures for
Distribuited Learning Environments. Procedings International Conference on AI and
Education, San Antonio, Texas, May, 2001. P.3-11.
110
VICCARI, R.M. Um Tutor inteligente para a programação em Lógica: idealização,
projeto e desenvolvimento. 1990. Tese (Doutorado – Faculdade de Ciências e
Engenharia) – Universidade de Coimbra, Coimbra.
VICCARI, R.M.; OLIVEIRA, F. Sistemas Tutores Inteligentes. Porto Alegre: Pós–
graduação em Ciência da Computação, Universidade Federal do Rio Grande do Sul.
1992. 63p.
VICENTE,A; PAIN,H. Motivation Diagnosis in Intelligent Tutoring Systems. In:
INTERNATIONAL CONFERENCE ON ITS, 4.,1998, San Antonio, Texas.
Proceedings... [San Antonio]: Springer-Verlag,1998. p.86-95. (Lectures Notes in
Computer Science).
VIZCAÍNO, A., CONTRERAS, J., FAVELA, J., ;PRIETO, M. (2000). An adaptive,
collaborative environment to develop good habits in programming. In G. Gauthier, C.
Frasson, & K. VanLehn (Eds.), Proceedings of the 5th International Conference
Intelligent Tutoring Systems (LNCS 2363), pp. 262-271. Berlin: Springer Verlag.
XU, Dongming et al. Intelligent Student Profiling with Fuzzy Models. Proceedings of
the 35
th
Havaii Internactional Conference on System Sciences. 2002.
YAGER, R. R., “Target on E-commerce marketing using Fuzzy intelligent agents”.
IEEE Intelligent System, 2000.
YIN, Robert K. Estudo de Caso. Planejamento e Métodos. Bookman, 2005.
ZADEH, L. A. Fuzzy sets. Fuzzy Sets, Information and Control, 8:338 – 353., 1965.
ZADEH, L., Fuzzy Logic = Computing with words. IEEE Transactions on Fuzzy
System, 4(2): 103-111,1996.
ZADEH, L. A. Fuzzy sets as a basis for a theory of possibility. Fuzzy Sets and
Systems, 1:3–28, 1978.
111
ANEXO I - NÍVEL DE COMPETÊNCIA TECNOLÓGICA
Nome:
Matrícula:
Escolha as respostas que melhor reflitam a sua situação neste momento.
1. Operações básicas com o computador
Por favor avalie o seu nível de realização:
[ ]Eu não uso computador
[ ]Uso computador para trabalhar em programas previamente instalados
[ ]Consigo resolver problemas simples que normalmente ocorrem com o
computador e com a impressora
[ ]Aprendo a utilizar novo programa sozinho
2. Gestão de Documentos
Por favor avalie o seu nível de realização:
[ ]Não sou capaz de gravar os documentos que crio usando o computador
[ ]Sou capaz de encontrar, abrir e gravar documentos em diferentes "drives"
[ ]Sou capaz de criar as minhas próprias pastas para guardar de forma organizada
os documentos que faço e compreendo a importância de um sistema de arquivo
[ ]Sou capaz de mover arquivos entre pastas e "drives" e de manter o espaço de
armazenamento dentro de limites aceitáveis
3. Processador de texto
Por favor avalie o seu nível de realização na utilização do processador de texto:
[ ]Eu não uso qualquer Processador de Texto
[ ]Eu uso ocasionalmente o processador de texto para documentos simples
[ ]Uso o processador de texto para quase todo o meu trabalho escrito
[ ]Sou capaz de editar, verificar a ortografia e mudar o formato de documentos
previamente elaborados
4.Folha de cálculo
Por favor avalie o seu nível de realização na utilização da folha de cálculo:
[ ]Eu não uso Folha de Cálculo
[ ]Sou capaz de criar folhas de cálculo e gráficos simples
112
[ ]Sou capaz de usar etiquetas, fórmulas, referências de células e ferramentas de
formatação nas minhas folhas de cálculo
[ ]Costumo utilizar a folha de cálculo incluindo gráficos adequados à apresentação
dos meus dados
5.Base de dados
Por favor avalie o seu nível de realização na utilização de um programa de base de
dados:
[ ]Eu não uso programas de criação de Bases de Dados.
[ ]Compreendo o funcionamento de uma base de dados e sou capaz de localizar
informação através da ferramenta de pesquisa.
[ ]Sou capaz de criar a minha própria base de dados definindo os campos
respectivos com base num formato que organiza os dados que recolhi.
[ ]Eu uso as minhas próprias bases de dados para fins específicos.
6.Grafismo e tratamento de imagem
Por favor avalie o seu nível de realização na utilização de um programa de edição de
imagem:
[ ]Eu não uso qualquer programa de Edição de Imagem
[ ]Sei como funciona a edição de imagem mas não costumo usar imagens nos
meus trabalhos
[ ]Eu sou capaz de abrir, criar, e colocar imagens dentro de documentos usando
programas de tratamento de imagem ou bancos de imagens
[ ]Eu crio imagens e altero-as dentro de documentos com o objetivo de ajudar a
clarificar ou ilustrar as mensagens
7.Internet
Por favor avalie o seu nível de utilização da internet:
[ ]Eu não uso a Internet.
[ ]Sou capaz de seguir "links" de sites para diferentes tipos de recursos da internet
[ ]Uso listas de recursos da internet e faço pesquisas para explorar recursos
educacionais
[ ]Contribuo para a elaboração e manutenção dos Web Sites na minha faculdade.
8.Correio eletrônico
Por favor avalie o seu nível de utilização do correio eletrônico:
[ ]Não uso correio eletrônico
[ ]Tenho um endereço de correio eletrônico mas raramente o uso
113
[ ]Envio mensagens usando o e-mail para colegas, amigos e família
[ ]Uso o e-mail para grande parte das minhas necessidades de contacto e verifico
o meu correio regularmente
9.Questões éticas
Questões éticas relacionadas com a utilização dos computadores:
[ ]Não estou a par das questões éticas relacionadas com a utilização dos
computadores
[ ]Tenho conhecimento que há algumas restrições relacionadas com questões de
direitos de autor
[ ]Compreendo as regras relativas ao uso eticamente correcto do correio eletrônico
e da internet
[ ]Sei quais são os programas que utilizo que estão devidamente licenciados
10.Pesquisa de informação
Por favor avalie o seu nível de utilização de programas para pesquisa de informação:
[ ]Não costumo pesquisar informação em formato eletrônico
[ ]Faço pesquisas simples com recurso a enciclopédias eletrônicas
[ ]Aprendi a usar um conjunto diversificado de estratégias de pesquisa em
diferentes programas, incluindo o uso da pesquisa Booleana ("e", "ou", "não") para
maximizar os resultados
[ ]Utilizo com freqüência fontes eletrônica de informação para os meus trabalhos
11.Programas de apresentação
Por favor avalie o seu nível de utilização de programas de apresentação da
informação:
[ ]Não uso programas de computador para fazer apresentações
[ ]Sei que existem programas específicos para fazer apresentações, mas nunca tive
oportunidade de os usar
[ ]Faço apresentações utilizando programas como o processador de texto, folha de
cálculo, publicação eletrônica, etc.
[ ]Faço apresentações com programas específicos tal como o PowerPoint,
integrando diferentes componentes multimídia (imagens, som, vídeo, etc.)
114
ANEXO II - PÓS-QUESTIONÁRIO DE
ACOMPANHAMENTO DO EXPERIMENTO
Atenção: o objetivo deste questionário é fornecer subsídios para a avaliar o uso da
Internet como meio de disponibilizar cursos a distância. Ao responder este questionário,
seja franco e autêntico. Desta forma, você estará colaborando para a pesquisa na área de
ensino a distância mediado por computador. Muito Obrigado!
Identificação do aluno
Nome:
Matrícula (nnnn/aa-d):
Método de ensino
1. Entre os
recursos didáticos
disponíveis no conteúdo, qual (is) facilitou o teu
aprendizado ?
( )Teoria
( ) Exercícios
2. Entre as
formas de apresentação
da “Teoria” qual (is) facilitou o teu
aprendizado?
( )HTML com Imagens
( ) Animações em FLASH
( ) VÍDEOS Explicativos
3. Entre as
formas de apresentação
dos “Exercícios”, qual (is) facilitou o teu
aprendizado
( ) Múltipla Escolha
( ) Cruzadas
115
Navegação
4. Você teve alguma dificuldade para navegar nas páginas do conteúdo?
( )Sim
( )Não
Se a resposta for SIM diga o porquê:
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
5. Você acha que o seu ritmo de leitura e compreensão no conteúdo foi influenciado
em algum tópico ou Recursos Didáticos ou Formas de Apresentação?
( )Sim
( )Não
Se a resposta for SIM diga como você foi influenciado e em que:
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
6. Em algum momento você achou que o material tenha afetado a sua motivação
para aprendê-lo?
( )Sim
( )Não
Se a resposta for SIM diga porquê:
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
116
Experiência no Conteúdo
7. Como foi o seu aproveitamento no conteúdo:
( )Péssimo
( )Ruim
( )Médio
( )Bom
( )Ótimo
8. Se o seu aproveitamento foi
Péssimo
ou
Ruim
, o que influenciou este resultado.
Assinale uma ou mais opções.
( )A interface
( )A ausência de pré-requisitos
( )A organização dos conteúdos
( ) Navegação
( )A linguagem utilizada
( )A falta de motivação
( )Outro(qual: _______________________________)
9. Se a sua experiência foi
Média
,
Boa
ou
Ótima
, o que influenciou este resultado.
Assinale uma ou mais opções.
( )A interface
( )A ausência de pré-requisitos
( )A organização dos conteúdos
( ) Navegação
( )A linguagem utilizada
( )A falta de motivação
( )Outro(qual: ___________________________________________________)
117
10. A forma que você adotou para estudar o conteúdo corresponde a sua forma
habitual de aprender?
( )Sim
( )Não
Você tem alguma sugestão sobre o módulo proposto? (Resposta descritiva).
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
Obrigada pela sua colaboração!
118
ANEXO III – GRUPO 1
1) Objetivo: Testar o funcionamento do ambiente InteliWeb, incluindo facilidade no
uso da sua interface e utilidade das três formas de apresentação do material instrucional.
Obter um primeiro Log com as escolhas dos alunos.
2) Procedimento da Coleta de Dados:
• Amostra: 12 alunos com idade entre 17 e 19 anos (6 homens e 6 mulheres),
sem conhecimento prévio do material didático disponibilizado no ambiente.
• Apresentação do Ambiente: 30/06/2004.
• Período de aplicação: 30/06/2004 a 19/07/2004.
• Dias nos quais ocorreram acessos não supervisionados: 01/07/2004,
03/07/2004, 08/07/2004, 09/07/2004, 10/07/2004, 11/07/2004,
13/07/2004, 15/07/2004 e 19/07/2004.
• Aplicação de um pré-questionário para avaliar o nível de competência
tecnológica em relação ao uso do computador. Como resultados obtivemos
que 42% dos alunos que se submeteram à aula virtual são principiantes no
uso do computador, enquanto que 58% têm experiência assinalável na
utilização do computador.
• Aplicação do pré-questionário de acompanhamento do experimento, no qual
os alunos relataram que as diferentes formas de apresentação estimulam o
interesse e como principal sugestão requisitaram mais links no texto em
HTML.
• Banco de dados coletando escolhas dos alunos na interface.
3) Resultados recuperados do Banco de Dados:
• Número médio de acessos na interface do ambiente por aluno: 77 passos.
• Tempo médio de acesso no ambiente: 3 horas e 24 minutos.
• Total de atividades realizadas: 214 (computadas apenas na seleção de
material didático e exercícios).
•
Porcentagens relacionadas ao material didático:
Visitação do conteúdo: 23% dos acessos foram para o material Mega, 22% Ciclo,
34% Micro e 21% Flor.
119
Visitação por Tipo de Apresentação: dos acessos nas formas de apresentação 18%
foram para vídeos, 38% para Flash e 44% para o conteúdo em HTML
Visitação por tipo de Exercício: o exercício de respostas simples teve 57% dos
acessos e os de Cruzadas 43%
Conteúdo por Tipo de apresentação: as figuras ilustram para cada conteúdo qual a
preferência da forma de forma de apresentação.
120
4) Resultados Recuperados do Banco de Dados com o Agente MAE: das 214
atividades realizadas pelos 12 alunos 18% das atividades foram consideradas com auto-
eficácia média, 36% com auto-eficácia alta e 46% com auto-eficácia baixa.
5) Avaliação do professor: alunos que participaram do experimento obtiveram nota
6,6 e alunos que não participaram alcançaram nota 5,1. Para o professor a aplicação no
Grupo Controle foi uma experiência satisfatória.
121
ANEXO IV – GRUPO 2
1) Objetivo: avaliar o desempenho do agente MAE e qual o impacto do feedback
mostrado pelo agente PAT sobre os alunos.
2) Procedimento da Coleta de Dados:
• Amostra: 12 alunos com idade entre 17 e 19 anos (4 homens e 8 mulheres),
sem conhecimento prévio do material didático disponibilizado no ambiente.
• Apresentação do Ambiente: 17/11/2005.
• Período de aplicação: 17/11/2005 a 15/12/2005.
• Dias nos quais ocorreram acessos não supervisionados: 12/12/2005,
13/12/2005 e 15/12/2005.
• Banco de dados coletando escolhas dos alunos na interface.
3) Resultados recuperados do Banco de Dados:
• Número médio de acessos na interface do ambiente por aluno: 63 passos.
• Tempo médio de acesso no ambiente: 28 minutos.
• Total de atividades realizadas: 174 (computadas apenas na seleção de
material didático e exercícios).
4) Resultados Recuperados do Banco de Dados com o Agente MAE: das 174
atividades realizadas pelos 12 alunos 10% das atividades foram consideradas com auto-
eficácia média, 12% com auto-eficácia alta e 78% com auto-eficácia baixa.
5) Avaliação do professor: o professor nos forneceu as notas gerais dos alunos nas
provas e não relacionadas apenas ao conteúdo constante no InteliWeb. Dessa forma
essas notas não foram computadas como parte dos resultados.
122
ANEXO V – MENSAGEM BANDURA
Received: from 171.64.40.176 (SquirrelMail authenticated user bandura);
by ego with HTTP; Wed, 17 Aug 2005 10:38:58 -0700 (PDT)
Message-ID: <2575.171.64.40.176.1124300338.squirrel@ego>
In-Reply-To: <43033119.000004.01083@RE>
References: <[email protected]>
<43033119.000004.01083@RE>
Date: Wed, 17 Aug 2005 10:38:58 -0700 (PDT)
Subject: Re: Res: Re: SELF EFFICACY and COMPUTERS
From: "Albert Bandura" <[email protected]>
To: "Regina Verdin" <[email protected]>
Regina,
Both the idea and experimentation are excellent. Given the multiple
predictors you need to use regression analysis to test the independent
contribution of the different factors, or path analysis to test a
specified causal structure.
I am sending as an attachment a paper that may be of interest.
Albert Bandura
On Wed, August 17, 2005 5:44 am, Regina Verdin said:
Dear Albert Bandura,
Did you receive our article? I am going to present our work on 15th
September, and I would like to have your comments about it...
I am looking forward to hear from you.
Regina
123
ANEXO VI – ARTIGOS PUBLICADOS
BICA, F., VERDIN, R., VICARI, R. InteliWeb: Adaptation of the Self-Efficacy in
an Intelligent e-Learning System. The 5th IEEE International Conference on Advanced
Learning Technologies (ICALT). July 5-8, 2005. Kaohsiung, Taiwan.
BICA, F., VERDIN, R., VICARI, R. Delineamento de um Agente para detectar a
Auto-Eficácia do Aluno no Ensino-Aprendizagem via Web. V Ciclo de Palestras Novas
Tecnologias na Educação, 2005. Revista Novas Tecnologias na Educação. CINTED
(Centro Interdisciplinar de Novas Tecnologias na Educação).
Prêmio PAPED (Programa de Apoio à Pesquisa em Educação a Distância) programa
de incentivo à produção de conhecimento nos campos da educação a distância e da
utilização de novas tecnologias no ensino público concedido pela CAPES pela proposta
intitulada Capturando a AUTO-EFICÁCIA do aluno Através de um AGENTE
INTELIGENTE. setembro, 2005.
BICA, F., VERDIN, R., VICARI, R. Projeto de um Agente Fuzzy para inferir a
Auto-Eficácia do Aluno no contexto de Sistemas Tutores Inteligentes. Revista IEEE
Latina, 2006.
BICA, F., VERDIN, R., VICARI, R. Cognitive Modeling of Students’ Self-Efficacy
in an E-Learning System. The 6th IEEE International Conference on Advanced
Learning Technologies (ICALT). July 5-8, 2006. Kerkrade, Holanda.
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
