UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL INSTITUTO DE INFORMTICA PROGRAMA DE PS-GRADUAO EM COMPUTAO

FRANCINE BICA

Capturando aspectos da AUTO-EFICCIA do aluno Atravs de um AGENTE INTELIGENTE

Tese apresentada como requisito parcial para a obteno do grau de Doutor em Cincia da Computao

Profa. Dra. Rosa Maria Vicari Orientadora

Porto Alegre, abril de 2006.

CIP CATALOGAO NA PUBLICAO

Bica, Francine Capturando aspectos da Auto-Eficcia do Aluno atravs de um Agente Inteligente/Francine Bica Porto Alegre: Programa de Ps-Graduao em Computao, 2006. 123 f.:il. Tese (doutorado) Universidade Federal do Rio Grande do Sul. Programa de Ps-Graduao em Computao. Porto Alegre, BR RS, 2006. Orientador: Rosa Maria Vicari. 1.Sistemas Tutores Inteligentes 2. Agentes 3. Auto-Eficcia 4. Lgica Fuzzy 5. Inteligncia Artificial. I. Vicari, Rosa Maria. II. Ttulo.

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL Reitor: Prof. Jos Carlos Ferraz Hennemann Vice-reitor: Prof. Pedro Cezar Dutra da Fonseca Pr-Reitora Adjunta de Ps-Graduao: Profa. Valquiria Link Bassani Diretor do Instituto de Informtica: Prof. Philippe Olivier Alexandre Navaux Coordenador do PPGC: Prof. Flvio Rech Wagner Bibliotecria-Chefe do Instituto de Informtica: Beatriz Regina Bastos Haro

A verdadeira alegria na vida ser usado para um propsito que voc considere imensamente significativo. Ser uma fora da natureza em vez de um amontoado febril e egosta de males e queixas lamentando que o mundo no se dedicou a faz-lo feliz. Acredito que minha vida pertence a toda a comunidade e enquanto viver ser meu privilgio meu privilgio fazer por ela tudo que puder. Desejo estar totalmente desgastado ao morrer, pois quanto mais rduo for meu trabalho mais amor sentirei. Amo a vida por ela prpria. A vida no , para mim, uma vela que logo se apaga, uma espcie de tocha esplndida que devo empunhar para o momento em que eu desejar que ela brilhe com mais intensidade antes de pass-la s futuras geraes. Bernard Shaw

AGRADECIMENTOS

Gostaria de fazer aqui um agradecimento a todos aqueles que de alguma forma tiveram uma contribuio nesta tese. A minha orientadora Rosa, pela sua cooperao de extrema importncia. Ao professor Rinaldo, do Instituto de Biocincias da UFRGS, por sua dedicao como especialista no material didtico disponibilizado no prottipo realizado. s amigas Daniela e Mariusa, pela colaborao e disponibilidade ao me emprestarem o computador com o qual realizei este trabalho. amiga Renata, pelo apoio em testes do prottipo. amizade e ao apoio indiscutveis da Regina, por todas as discusses calorosas, troca de idias, amizade e sugestes. Ao Heitor, pela eterna motivao, estmulo, amizade, carinho, crticas, sugestes e pacincia. A todos os amigos e colegas, pelo apoio, compreenso, descontrao, carinho e amizade. A minha famlia, 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.

SUMRIO

LISTA DE ABREVIATURAS E SIGLAS ............................................................ 7 LISTA DE FIGURAS .......................................................................................... 8 LISTA DE TABELAS ....................................................................................... 10 RESUMO.......................................................................................................... 11 ABSTRACT...................................................................................................... 12 1 INTRODUO ........................................................................................... 13 1.1 1.2 1.3 1.4 1.5 2.1 2.2 2.3 2.4 3.1 4.1 Motivao ............................................................................................................. 14 Objetivo ................................................................................................................ 15 Metodologia utilizada .......................................................................................... 16 Contribuies ....................................................................................................... 17 Organizao da Tese ........................................................................................... 18 Agentes.................................................................................................................. 24 Trabalho de Bercht.............................................................................................. 27 Trabalho de Jaques ............................................................................................. 30 Consideraes do Captulo ................................................................................. 34 Consideraes do Captulo ................................................................................. 40 Consideraes do Captulo ................................................................................. 45

2 SISTEMAS TUTORES INTELIGENTES .................................................... 20

3 AUTO-EFICCIA ....................................................................................... 35 4 LGICA FUZZY ......................................................................................... 41 5 O PROJETO DO AGENTE MEDIADOR DA AUTO-EFICCIA................. 46 5.1 As Atividades do Agente MAE .......................................................................... 49 5.2 O Modelo Computacional da Auto-Eficcia ..................................................... 57 5.2.1 O modelo fuzzy da Auto-Eficcia ....................................................................... 58 5.3 Exemplo da utilizao do Modelo Fuzzy da Auto-Eficcia.............................. 61 5.4 Exemplos prticos do funcionamento da mquina de inferncia Fuzzy do agente MAE................................................................................................................... 67 5.4.1 Exemplo 1........................................................................................................... 67 5.4.2 Exemplo 2........................................................................................................... 69 5.5 Consideraes ...................................................................................................... 70 6 IMPLEMENTAO .................................................................................... 72 6.1 6.2 6.3 InteliWeb .............................................................................................................. 72 Telas do InteliWeb............................................................................................... 74 Implementao dos Agentes e integrao ao InteliWeb................................... 80

7 INTELIWEB PROJETO PILOTO............................................................. 85

7.1 7.2 7.3 7.4 7.5

Delineamento do Material Didtico (item A) .................................................... 86 Formatao do Material Didtico (item B) ....................................................... 86 Modos de apresentao do contedo (itens C, D e F)....................................... 86 Construo da Ferramenta (item E).................................................................. 88 Disponibilizar o Ambiente na Internet (itens G e H) ....................................... 88

8 PROCEDIMENTO DE AVALIAO DO AMBIENTE INTELIWEB............ 89 8.1 Amostra ................................................................................................................ 89 8.1.1 As Variveis e suas medidas .............................................................................. 90 8.2 Aplicao do ambiente sobre o Grupo 1............................................................ 90 8.3 Aplicao do ambiente sobre o Grupo 2............................................................ 92 8.4 Teste t-Student ..................................................................................................... 93 8.5 Consideraes ...................................................................................................... 95 9 CONCLUSO E PERSPECTIVAS DE TRABALHOS FUTUROS ............. 96 9.1 9.2 9.3 Limitaes encontradas....................................................................................... 98 Trabalhos Futuros ............................................................................................... 98 Publicaes ........................................................................................................... 99

REFERNCIAS.............................................................................................. 101 ANEXO I - NVEL DE COMPETNCIA TECNOLGICA .............................. 111 ANEXO II - PS-QUESTIONRIO 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 BDI FIPA GIA HTML IA ILE JSP KQML MAE PAT P2P STI

Base de Conhecimento Believe, Desire and Intention Foundation for Intelligent Physical Agents Grupo de Inteligncia Artificial Hypertext Markup Language Inteligncia Artificial Intelligent Learning Environments JavaServer Pages Knowledge Query and Manipulation Language Mediador da Auto-Eficcia Pedagogical and Affective Tutor Peer-toPeer Sistemas Tutores Inteligentes

LISTA DE FIGURAS

Figura 2.1: Conhecimento necessrio para um STI....................................................... 20 Figura 2.2: Componentes bsicos de uma arquitetura de um STI ................................. 21 Figura 2.3: Agente genrico. ......................................................................................... 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-Eficcia................................................ 35 Figura 3.2: Modelo de Auto-Eficcia ............................................................................. 37 Figura 3.3: Modelo de fatores que afetam a performance do estudante......................... 40 Figura 4.1: Funes de pertinncia fuzzy........................................................................ 43 Figura 4.2: Mdulos de um Sistema de Inferncia 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 interao entre os agentes MAE e PAT e um aluno. ........................................................................................................................................ 48 Figura 5.4: Modelo da Auto-Eficcia idealizado. .......................................................... 57 Figura 5.5: Funo de Pertinncia para os termos lingsticos do conjunto Auto-Eficcia ........................................................................................................................................ 59 Figura 5.7: Funo de Pertinncia para os termos lingsticos do conjunto Esforo na Forma de Apresentao HTML com figuras.................................................................. 61 Figura 5.8: Funo de Pertinncia para os termos lingsticos do conjunto Esforo na Forma de Apresentao FLASH .................................................................................... 62 Figura 5.9: Funo de Pertinncia para os termos lingsticos do conjunto Esforo na Forma de Apresentao VIDEO..................................................................................... 63 Figura 5.10: Funo de Pertinncia para os termos lingsticos do conjunto persistncia ........................................................................................................................................ 64 Figura 5.11: Funo de Pertinncia para os termos lingsticos do conjunto desempenho ........................................................................................................................................ 64 Figura 5.12: Exemplo 1 - Processo Fuzzy da Auto-Eficcia .......................................... 68 Figura 5.13: Exemplo 2 - Processo Fuzzy da Auto-Eficcia .......................................... 69 Figura 6.1: Estrutura desenvolvida................................................................................. 72 Figura 6.5: Tela de apresentao do ambiente ............................................................... 75 Figura 6.6: Tela de identificao do usurio ................................................................. 75 Figura 6.7: Interface do ambiente desenvolvido: composta por Pastas, Barra de Ferramentas e Espao Visual. O Espao Visual est mostrando a apresentao do ambiente e os objetivos propostos pelo professor. ......................................................... 76 Figura 6.8: Mensagens e opes das pastas: Incio, Mail e Contedo. .......................... 77

Figura 6.9: Tela do Glossrio 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 Apresentao do Material Didtico. ........... 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 Seqncia ilustrando os principais passos da execuo do agente MAE.................................................................................................................... 82 Figura 6.17: Nova Tela de Identificao, com a incluso de Objetivo Pessoal e Tempo estimado de estudo. ........................................................................................................ 83 Figura 7.1: Tela gerada pelo ambiente com as questes e justificativas das respostas corretas............................................................................................................................ 88 Figura 8.1: Medidas da Auto-Eficcia resultantes da interao de um aluno do Grupo 1 no InteliWeb. O eixo X apresenta a atividade e o eixo Y a pertinncia de cada termo no intervalo de [0,1]............................................................................................................. 92 Figura 8.2: Medidas da Auto-Eficcia resultantes da interao de um aluno do Grupo 2 no InteliWeb em 17/11/2005. O eixo X apresenta a atividade e o eixo Y a pertinncia de cada termo no intervalo de [0,1]..................................................................................... 94 Figura 8.3: Medidas da Auto-Eficcia resultantes da interao de um aluno do Grupo 2 no InteliWeb em 12/12/2005. O eixo X apresenta a atividade e o eixo Y a pertinncia de cada termo no intervalo de [0,1]..................................................................................... 95 Figura 9.1: Mudanas na arquitetura do agente MAE com a incluso de um Processo de Feedback......................................................................................................................... 99

LISTA DE TABELAS

Tabela 5.1: Tticas para Padro Pessoal Intrnseco e Auto-Eficcia Baixa ................... 51 Tabela 5.2: Tticas para Padro Pessoal Intrnseco e Auto-Eficcia Mdia .................. 53 Tabela 5.3: Tticas para Padro Pessoal Intrnseco e Auto-Eficcia Alta...................... 54 Tabela 5.4: Tticas para objetivo extrnseco e Auto-Eficcia Baixa.............................. 55 Tabela 5.5: Tticas para objetivo extrnseco e Auto-Eficcia Mdia............................. 56 Tabela 5.6: Tticas para objetivo extrnseco e Auto-Eficcia Alta ................................ 56 Tabela 5.7: Termo e definio dos pontos (x,y) do conjunto auto-eficcia ................... 59 Figura 5.6: Modelo Fuzzy da Auto-Eficcia .................................................................. 60 Tabela 5.8: Termo e definio dos pontos (x,y) do conjunto Esforo na forma HTML com figuras ..................................................................................................................... 62 Tabela 5.9: Termo e definio dos pontos (x,y) do conjunto Esforo na forma FLASH62 Tabela 5.10: Termo e definio dos pontos (x,y) dos conjuntos Esforo na forma VIDEO............................................................................................................................ 63 Tabela 5.11: Termo e definio dos pontos (x,y) do conjunto persistncia ................... 63 Tabela 5.12: Termo e definio dos pontos (x,y) do conjunto desempenho .................. 64 Figura 5.14: Modelo fuzzy idealizado para a Auto-Eficcia........................................... 71 Tabela 7.1: Exemplos de Material Didtico ................................................................... 87 Tabela 8.1: Categoria do Ps questionrio e resumo dos resultados.............................. 91 Tabela 8.2: Auto-Eficcia nica, calculada atravs de Mdia Ponderada...................... 92 Tabela 8.3: Auto-Eficcia nica, calculada atravs de Mdia Ponderada...................... 93 Tabela 8.4 Estatsticas para o teste T-Student ................................................................ 93

RESUMO

Esta tese est inserida no trabalho desenvolvido pelo Grupo de Pesquisa de Inteligncia Artificial (GIA) da UFRGS, sob a orientao da Professora. Dra. Rosa Maria Vicari e situa-se na rea da Inteligncia Artificial, com aplicaes na Educao a Distncia. As principais reas onde este trabalho de Pesquisa se situa so: Sistemas Tutores Inteligentes, Sistemas Multiagente e Psicologia Social Cognitiva. Dentro desse contexto, o objetivo principal desta pesquisa a modelagem computacional de aspectos da auto-eficcia de alunos realizando cursos on-line, tomando-se por base o trabalho de (BANDURA; 1989, 1991, 1997), cuja natureza engloba a cognio e afetividade. Este autor define como Auto-Eficcia "a crena do indivduo sobre as suas capacidades de exercer controle sobre acontecimentos que afetam a sua vida" (BANDURA, 1989) "e a crena nas suas capacidades para mobilizar motivao, recursos cognitivos e implementar aes que lhe permitam exercer controle sobre tarefas exigidas" (BANDURA, 1990). Esta tese prope um agente capaz de perceber e monitorar os aspectos da autoeficcia do aluno, denominado agente Mediador da Auto-Eficcia (MAE), e prover o modelo do aluno com esta nova varivel. O senso de auto-eficcia consiste em crenas, que so processos cognitivos do indivduo sobre suas capacidades. em funo das crenas de auto-eficcia que ocorrero as escolhas, a direo e a persistncia nos comportamentos de aprendizagem por parte do aluno. Nesse contexto, acredita-se que o desenvolvimento do senso de auto-eficcia do aluno poder lhe conferir a fora motivacional para elaborar sua aprendizagem. O agente MAE monitora o comportamento do aluno atravs de uma mquina de inferncia fuzzy das relaes entre as variveis esforo, persistncia e desempenho e aciona um sistema de feedback atravs do agente pedaggico animado (PAT). O feedback realizado pelo agente pedaggico animado apresenta ao aluno comportamentos verbais e fsicos afetivos. O agente MAE est inserido no ambiente InteliWeb, que oferece um material instrucional de Biocincias e foi implementado com Servlets e pginas JSP. A maior contribuio desta tese est na agregao de aspectos da auto-eficcia no modelo de aluno envolvido em situaes de ensino aprendizagem de alunos, avanando dentro da perspectiva de pesquisa do GIA, assim como o desenvolvimento do InteliWeb com a insero do agente MAE e sua mquina de inferncia fuzzy.

Palavras-Chave: Agente, Modelagem Cognitiva, Lgica Fuzzy, Auto-Eficcia.

Capturing aspects of Students 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 Students 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 INTRODUO

Esta Tese est inserida no trabalho desenvolvido pelo Grupo de Pesquisa de Inteligncia Artificial (GIA) da UFRGS, sob a orientao da Profa. Dra. Rosa Maria Vicari e situa-se na rea da Inteligncia Artificial, com aplicaes na Educao a Distncia. As principais reas onde este trabalho de Pesquisa se situa so: Sistemas Tutores Inteligentes, Sistemas Multiagente e Psicologia Social Cognitiva. Dentro desse contexto, o objetivo principal desta pesquisa a modelagem computacional de aspectos da auto-eficcia de alunos realizando cursos on-line, tomando-se por base o trabalho de (BANDURA; 1989, 1991, 1997), cuja natureza engloba a cognio e afetividade. Este autor define como Auto-Eficcia "a crena do indivduo sobre as suas capacidades de exercer controle sobre acontecimentos que afetam a sua vida" (BANDURA, 1989) "e a crena nas suas capacidades para mobilizar motivao, recursos cognitivos e implementar aes que lhe permitam exercer controle sobre tarefas exigidas" (BANDURA, 1990). A pesquisa do GIA envolve tanto o estudo cognitivo da modelagem da auto-eficcia como o desenvolvimento de prottipos que permitam simular e testar a modelagem proposta. Este trabalho situa-se na modelagem computacional de aspectos da autoeficcia, atravs da idealizao, proposta e desenvolvimento de um agente inteligente, denominado Agente Mediador da Auto-Eficcia (MAE). O conhecimento cognitivo do agente est modelado atravs de crenas de auto-eficcia que so utilizadas como parte do modelo de aluno, no contexto de Tutores Inteligentes. Estas crenas correspondem a processos cognitivos do indivduo sobre suas capacidades e influenciam o seu comportamento, motivao, afetividade e escolha de tarefas. Apesar das caractersticas multidisciplinares, o foco maior do trabalho est nos aspectos computacionais. A Inteligncia Artificial (IA) est contribuindo com abordagens para a representao de algumas habilidades de raciocnio e conhecimento especialista (por exemplo: conhecimento do domnio, expectativas de desempenho) voltadas ao ensino e aprendizado, como em aplicaes de Sistemas Tutores Inteligentes (STI) e de Ambientes de Ensino Inteligentes (ILE Intelligent Learning Environment), incentivados pela cincia cognitiva. Essa rea tem oferecido a base terica que permite a desenvolvedores de STI e ILE implementarem modelos cognitivos mais adequados. Atualmente, grupos de pesquisadores tm implementado diferentes tipos de sistemas adaptativos e inteligentes para educao a distncia, muitos deles incluindo a utilizao 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 Cincias Cognitivas e Computao. Essa representao (modelo do aluno) uma das partes mais complexas e, ao mesmo tempo, frgil de um ambiente de aprendizagem, devido a fatores como: o pouco conhecimento que se tem sobre os processos de aprendizagem de um aluno, a impreciso e a subjetividade dos fatores emotivos e motivacionais envolvidos em ambientes de ensino e aprendizagem, o problema da representao do conhecimento pedaggico e a dificuldade de construo de explanaes sobre o comportamento do aluno (estudantes so criativos e constantemente inventam formas no previstas na soluo de questes) (HOLT et al, 1991; LIONGYU, 2002). Esses so os desafios tpicos da IA. O agente MAE proposto nesta Tese capaz de perceber aspectos da Auto-Eficcia do aluno atravs de comportamentos observveis (correspondem ao curso das aes do aluno na interface) e prover o modelo do aluno com esta nova varivel utilizando-se de mquina de inferncia fuzzy. A Lgica Fuzzy (ZADEH, 1965), permite um raciocnio aproximado ao raciocnio humano, sendo interpretado como um processo de composio de relaes fuzzy ou difusas.

1.1 Motivao
Camargo (2003) cita que a liberdade e a abertura oferecidas por cursos on-line implicam na necessria autonomia, criatividade, autocrtica e saber articular os saberes do aluno, que a partir desse processo amplia a sua capacidade intelectual e tem uma participao ativa na construo do seu conhecimento. Isso acarreta, necessariamente, na mudana de postura de um receptor passivo de informaes para a contribuio de significados a partir das interaes que promove. Nesse contexto, o aluno deve se tornar agente da prpria aprendizagem, mobilizando-se na busca de caminhos e no esperando por informaes prontas e acabadas. O aluno constri o conhecimento por meio da explorao, navegao, comunicao, troca, representao, ligao/religao, organizao/reorganizao, transformao/ elaborao/reelaborao e criao/recriao (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 est permitindo que um usurio negocie com o seu modelo (KAY, 2001; DIMIROVA, 2001), outra linha de pesquisa foca a questo de como dar suporte a grupos de pessoas de forma a permitir que estas se tornem times de trabalho (JOHNSON & JOHNSON 1997. Vizcano (2000) e Tedesco (2001) propem criar e manter modelos de grupo em sistemas colaborativos e existem ainda diversos rgos internacionais com propostas de modelos de alunos de carter gerencial(UCAID, 2002; STEPHENS, 2004; PAPI, 2004). Outra rea de estudo existente a incorporao de emoes 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, atravs da representao das crenas sobre a auto-eficcia e da utilizao de feedback,

15

promover a auto-eficcia do aluno e, conseqentemente, a sua autonomia e motivao. Essa orientao almeja que o aluno no se perca durante o curso das tarefas, no se sinta sozinho ou no se mobilize negativamente para resolver as propostas. Para isso, esta pesquisa explorou a modelagem do aluno atravs das crenas de autoeficcia. A utilizao da caracterstica individual da auto-eficcia importante para a modelagem cognitiva, na medida que, conforme Bandura (1997), ela que permeia o controle e a regulao pessoal do aluno na sua motivao durante a construo do seu conhecimento, no processo de aprendizagem. Nesse sentido, quanto mais um sistema computacional (tutor) tiver a capacidade de capturar a auto-eficcia do aluno, mais este poder fomentar no aluno a crena na sua prpria capacidade de exercer controle sobre a sua aprendizagem.

1.2 Objetivo
O pressuposto da pesquisa considera: que medidas podem ser includas 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-Eficcia definida por Bandura(1997) em um ambiente de EAD? A partir do pressuposto formulamos duas hipteses: Hiptese 1: no contexto de EAD o modelo computacional da auto-eficcia pode ser definido pelas variveis do modelo de Bandura (1997), objetivos intrnseco e extrnseco de Ames(1990) e pela composio das variveis esforo, persistncia e desempenho. Hiptese 2: a Lgica Fuzzy uma tcnica apropriada para o mapeamento da autoeficcia do aluno. No intento de verificar as hipteses formuladas, o objetivo desta pesquisa modelar e implementar o agente denominado Mediador da Auto-Eficcia (MAE), que est inserido em um ambiente de ensino e aprendizagem na WEB. Esse agente capaz de perceber a auto-eficcia do aluno atravs de comportamentos observveis (correspondem ao curso das aes do aluno na interface) e prover o modelo do aluno com esta nova varivel. O agente MAE, quando necessrio, seleciona feedbacks (tticas afetivas) que so apresentados ao aluno durante a sua sesso de estudo atravs do agente PAT (JAQUES, 2004), na tentativa de aumentar a auto-eficcia do mesmo e contribuir com a sua aprendizagem. Os estudos descritos no Captulo 3 denotam que a auto-eficcia uma importante varivel no contexto acadmico, visto que influencia a escolha dos objetivo, o curso das aes e a recuperao frente s adversidades, entre outros fatores. Um forte senso de eficcia garante que o indivduo acredite em suas capacidades, encarando tarefas difceis como desafios, e no como algo que deve ser evitado. Adotou-se a Lgica Fuzzy como abordagem para mapear e inferir as crenas de auto-eficcia. Tais crenas so mapeadas atravs de variveis lingsticas fuzzy e o agente possui uma mquina de inferncia para process-las. Como principal vantagem dessa abordagem tem-se que uma deciso baseada no enfoque fuzzy semelhante ao processo intuitivo da deciso, ou seja, uma escolha ou um conjunto de escolhas extradas do conjunto das alternativas possveis. A idia central da lgica fuzzy a possibilidade de realizar operaes com palavras, nas quais os conjuntos fuzzy so os

16

valores das palavras (BRAGA et al., 1995). Dessa forma, os conjuntos fuzzy so uma alternativa para aproximar o raciocnio humano forma da mquina. As crenas de auto-eficcia mediadas pelo agente MAE foram implementadas atravs da aplicao do ambiente InteliWeb (BICA, 2005), idealizado em uma disciplina de Projeto de Pesquisa do Curso de Ps-Graduao em Computao. Esse ambiente foi utilizado na disciplina denominada Anatomia Vegetal do curso de Biocincias da Universidade Federal do Rio Grande do Sul. Participaram do experimento pesquisadores dos Departamentos de Informtica, Informtica na Educao e Biocincias da Universidade Federal do Rio Grande do Sul.

1.3 Metodologia utilizada

Este trabalho iniciou com a pesquisa sobre motivao e como utiliz-la para aperfeioar o desenvolvimento computacional do modelo do aluno, visando estender os trabalhos na rea do grupo do GIA. Atravs dessa pesquisa chegou-se ao construto da Psicologia Social Cognitiva denominado Auto-Eficcia, que possui influncia sobre a motivao. Nesse momento, obteve-se a participao multidisciplinar da aluna de doutorado no PGIE/UFRGS, a psicloga Regina Verdin, que forneceu o aporte de fundamentao da teoria psicolgica para concretizar este trabalho. Muitas pesquisas tm sido desenvolvidas em modelagem e desenvolvimento de STI, inclusive atravs do uso da tecnologia de agentes. Os aspectos relevantes dessas reas foram estudados e esto abordados no Captulo 2. O prximo passo foi definir, dentro de um contexto de Tutores e agentes, como recuperar as crenas de auto-eficcia de um aluno, selecionando qual(ais) comportamento(s) de alunos poderia(m) ser utilizado(s) para comp-la. Baseando-se nos trabalhos de Bandura(1997) e Ames(1990), foram selecionadas as variveis: esforo, persistncia e desempenho, para compor as crenas de auto-eficcia. Nesse perodo, 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 Biocincias da UFRGS. O projeto piloto, denominado InteliWeb (BICA, 2006), apresenta um material didtico sobre Flor, avaliado em trs formas de apresentao, que so: HTML com figuras, Flash e Vdeo. Esse material foi elaborado pelo professor da disciplina com a ajuda da psicloga Regina Verdin, que adaptou seu material ministrado em aula expositiva para as formas de apresentao estipuladas. A linguagem de programao utilizada para elaborar o InteliWeb foi o Java, incluindo Servlets Java, JSP (JavaServer Pages) e HTML. A seleo da linguagem Java deveu-se s vantagens da programao orientada a objeto, a sua portabilidade e robustez. Foram elaborados o modelo computacional da Auto-Eficcia e um agente inteligente que utiliza uma mquina de inferncia fuzzy para recuperar as variveis do Log gerado pelos alunos, durante as interaes com o ambiente piloto. O agente captura as variveis esforo, persistncia e desempenho de cada aluno e gera, a cada sesso, um modelo de aluno com informaes de auto-eficcia (uma para cada tarefa executada). Essas

17

informaes ficam registradas em um banco de dados e podem ser utilizadas posteriormente. Adotou-se a Lgica Fuzzy como abordagem para mapear e inferir as crenas de Auto-Eficcia. Tais crenas so mapeadas atravs de variveis lingsticas fuzzy e o agente possui uma mquina de inferncia para process-las. A implementao deste trabalho foi realizada em trs partes: a primeira engloba o ambiente InteliWeb, a segunda o agente MAE e ajustes no agente PAT e, por fim, a incluso dos agentes no ambiente. Nas sees 6.1 a 6.3 esses procedimentos so 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 didtico selecionado e a gravao no Log gerada pelas escolhas na interface. Aps esta verificao, ocorreu a primeira aplicao, no ano de 2004, em uma turma da disciplina de Anatomia Vegetal do Curso de Biocincias da UFRGS. A segunda etapa de testes incluiu o funcionamento dos agentes, a interao entre eles, a gravao 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 aplicao foi realizada em 2005, em uma turma da disciplina de Anatomia Vegetal do Curso de Biocincias da UFRGS. Nas duas aplicaes do ambiente, a autora deste trabalho esteve presente observando os alunos e solucionando as dvidas que surgiram durante esse primeiro contato dos alunos com o mesmo. As aplicaes do ambiente basearam-se no protocolo de planejamento e mtodos descritos em [YIN, 2005]. A partir da informao contida no modelo de aluno gerado pelo agente foram realizados testes estatsticos t-Student [MURTEIRA, 2001] para analisar as amostras. Os resultados prvios foram descritos no Captulo 8. Com parte desses resultados foi realizada uma comparao preliminar entre as abordagens Fuzzy utilizadas neste trabalho e a DBI utilizada nos trabalhos de Bercht (2001) e Jaques(2004).

1.4 Contribuies
A maior contribuio deste trabalho a definio, modelagem e implementao de um agente que percebe aspectos das crenas da auto-eficcia do aluno atravs do monitoramento das variveis esforo, persistncia e desempenho e as considera na modelagem do aluno. Essas variveis so utilizadas para a realizao do processo de inferncia (tomada de deciso) para oferecer um feedback pedaggico ao aluno. As pesquisas em STI vm se desenvolvendo para permitir ao sistema Tutor melhores condies de adaptar-se a cada aluno e individualizar o ensino de forma mais eficaz. So 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 identificao de fatores motivacionais (SOLDATO, 1995; BERCHT, 2003; POEL, 2004). A tentativa de inferir o que o aluno conhece ou no compreende, tem sido um dos principais focos da formalizao e avaliao dos modelos cognitivos O modelo do aluno comumente descrito como o conhecimento do estudante sobre um determinado domnio e utilizado para designar as aes tutoriais necessrias para dar seqncia ao

18

seu aprendizado. Nesta proposta, a modelagem do aluno no se deteve nestas questes e o desempenho em exerccios e provas apenas uma das variveis utilizadas para inferir informao a respeito do aluno. Aqui, o modelo do aluno enfoca a modelagem da autoeficcia e sua natureza engloba cognio e afetividade. Como resultado, espera-se que a avaliao das crenas de auto-eficcia pelo agente MAE apie a conduo de cursos online, contribuindo assim para a soluo de um dos desafios atuais, que justamente atingir o equilbrio adequado para que os esforos de um STI permitam que os alunos realizem as tarefas a que se propem dentro de uma sesso de estudo, uma vez que tambm no ensino virtual, segundo Peters (2001), se detecta a ausncia de habilidades de independncia e iniciativa que proporcionam ao aluno auto-regular a sua motivao. Almeja-se com esta pesquisa agregar caractersticas do aluno de maneira a estimul-lo a explorar melhor os contedos, instigando-o no processo de aprender. Dentro desse contexto, as contribuies deste trabalho so: Elaborao de um modelo de aluno agregando mtricas para considerar a questo da auto-eficcia (expanso do modelo de aluno do GIA); Utilizao da Lgica Fuzzy como mquina de inferncia de um agente para inferir a auto-eficcia do aluno; Desenvolvimento de um modelo computacional extensvel para a teoria da autoeficcia, envolvendo aspectos da auto-eficcia; Seleo de tticas - feedbacks de trabalhos prvios do grupo GIA para serem utilizados no modelo computacional visando aumentar a auto-eficcia, 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; Realizao de uma comparao preliminar entre as abordagens Fuzzy utilizada neste trabalho e X-DBI utilizadas no GIA.

1.5 Organizao da Tese

O texto constitudo de 9 captulos, de 5 anexos e da bibliografia. Os captulos e anexos apresentam a seguinte organizao: O Captulo 1 a presente introduo; No Captulo 2 so abordadas questes relacionadas a Tutores Inteligente, abordagens de agentes e descrio de dois trabalhos relacionados; No Captulo 3 so descritas caractersticas das crenas de Auto-Eficcia; No Captulo 4 so descritas as principais caractersticas da Lgica Fuzzy; No Captulo 5 apresentado o delineamento do agente MAE, incluindo o modelo Fuzzy para a Auto-Eficcia; O Captulo 6 apresenta aspectos de implementao; O Captulo 7 apresenta as etapas da construo do InteliWeb, incluindo o material didtico; O Captulo 8 aborda aspectos dos resultados das aplicaes do InteliWeb; No Captulo 9 so explanadas as consideraes finais; Organizao dos Anexos:

19

o Anexo I Questionrio de Nvel de Competncia Tecnolgica utilizado na primeira aplicao do InteliWeb; o Anexo II Ps-questionrio de Acompanhamento do Experimento utilizado na primeira aplicao do InteliWeb; o Anexo III Apresentao dos Objetivos, Procedimento de Coleta de Dados, resultados e avaliao do professor referente a primeira aplicao do InteliWeb; o Anexo IV Apresentao dos Objetivos, Procedimento de Coleta de Dados, resultados e avaliao do professor referente a segunda aplicao do InteliWeb; o Anexo V Mensagem recebida do pesquisador Albert Bandura. o Anexo VI Artigos Publicados.

20

2 SISTEMAS TUTORES INTELIGENTES

As pesquisas na construo de Ambientes Inteligentes para a aprendizagem assistida por computador, tambm conhecidos como Sistemas Tutores Inteligentes (STI), tiveram incio aproximadamente nos anos 70. So vrias as definies de STI, como por exemplo: Sistemas STI oferecem considervel flexibilidade na apresentao do material e uma maior habilidade para responder s necessidades do usurio (MCARTHUR, 1993), Os STI so programas de software que do suporte s atividades da aprendizagem (FREEMAN, 2000) e Sistema Tutor Inteligente um termo amplo, abrangendo qualquer programa de computador que contm alguma inteligncia e pode ser usado em aprendizagem (GAMBOA, 2001). Os STI procuram no apenas ensinar mas, como ensinar aprendendo informaes relevantes sobre o estudante, proporcionando um aprendizado individualizado. Esses sistemas alcanam sua inteligncia pela representao de decises pedaggicas sobre como transmitir o material (ensinar), alm de informaes 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, so aplicaes baseadas em conhecimento, agregando o conhecimento do domnio que ser apresentado, o conhecimento pedaggico e o conhecimento a respeito do aluno.

Figura 2.1: Conhecimento necessrio para um STI As arquiteturas de STI variam de uma implementao para outra. Numerosos STI foram implementados entre meados da dcada de 70, dcada de 80 e incio da dcada 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: atravs da interface que o aluno interage com o sistema. Nela podem ser utilizados recursos como a simulao, menus, cones, janelas, vdeos, sons, frases em linguagem natural, entre outros, para torn-la mais interativa; Base do domnio (componente especialista do tutor): esse mdulo armazena o conhecimento que o tutor est ensinando e constitudo pelo material instrucional; Estratgias de Ensino: esse mdulo oferece uma metodologia para o processo de aprendizado que ser empregado para auxiliar o aluno durante a interao com o tutor. Os tutores XAIDA (HSIEH et al., 1999) e ID-Expert (MERRILL et al., 1998) so exemplos de sistemas que permitem diferentes tipos de estratgias pedaggicas para diferentes tipos de domnio; Modelo do Aluno: esse mdulo armazena informaes especficas para cada estudante de forma individual. O propsito fornecer essas informaes ao mdulo de estratgia de ensino e ao mdulo de controle. Pesquisadores como Self (1993) e Mitrovic (1996) j colocavam que, mesmo no sendo completamente preciso e validado, o modelo do aluno um elemento fundamental nos STI, pois permite a adequao das aes pedaggicas do tutor s necessidades de um aluno; Controle: o mdulo de controle funciona como um articulador e coordenador dos demais mdulos a fim de garantir um sincronismo adequado entre todas as partes.

Figura 2.2: Componentes bsicos de uma arquitetura de um STI (WENGER, 1987) A adaptabilidade do tutor a cada estudante est no componente modelo do aluno. Esse modelo deve ser dinmico e refletir tambm as mudanas que ocorrem com o aluno no decorrer das interaes (alm das interaes com o ambiente, as interaes com o tutor tambm influenciam o estado do aluno) e, idealmente, o modelo do aluno deve capturar todo o conhecimento esperado para produzir um diagnstico a respeito de cada aluno. Vicari (1992) aponta componentes que devem fazer parte do modelo de aluno, os quais so: (i) uma especificao dos objetivos do aluno; (ii) um modelo das intenes do aluno; (iii) os planos do aluno; (iv) as atitudes do aluno; (v) os procedimentos de

22

inferncia do aluno relevantes para a aplicao; (vi) as preferncias do aluno e (vii) um histrico de seu comportamento em relao sua interao com o sistema. Em STI que mapeia o aluno de acordo com o conhecimento que este possui sobre o domnio, necessrio, segundo Ameur et al. (2002), inicializar o modelo do aluno de uma dessas formas: (i) o STI deve assumir que o novo estudante no sabe nada sobre o domnio; (ii) o conhecimento do aluno deve ser avaliado com um pr-teste ou (iii) o sistema deve possuir padres de alunos para categorizar novos alunos por similaridade. Existem variados modelos de alunos na literatura e atualmente diversos rgos internacionais esto elaborando suas propostas de modelo de aluno que possuem um carter gerencial, como por exemplo: EduPerson (UCAID, 2002): define uma classe de objetos e o padro consiste em um conjunto de atributos e dados sobre pessoas e recomendaes sobre a sintaxe e semntica desses dados. Entre os atributos esto o nome, sobrenome, tipo de relao da pessoa com a instituio (aluno, professor, etc.), apelido e identificao da pessoa; Instructional Management Systems (STEPHENS, 2004): tem por objetivo difundir especificaes que modelem o aluno, assim como reunir contedo de diversos autores. O modelo do aluno formado por onze categorias (identificao, objetivo, qualificaes, atividade, interesse, competncia, acessibilidade, desempenho, afiliao, relacionamento e chave de segurana); IEEE Public and Private Information (PAPI, 2004): reflete as principais idias de STI. O padro trata da sintaxe e semntica do modelo de aluno atravs de seu conhecimento, estilo de aprendizagem, habilidades, registros e informao pessoal. As informaes do aluno so separadas em seis categorias (pessoais, relacionamentos, segurana, preferncias, desempenho e portflio).

Atualmente, um dos focos da pesquisa de modelos de aluno est permitindo que um usurio negocie com o seu modelo (KAY, 2001; DIMIROVA, 2001) e, outra linha de pesquisa foca a questo de como dar suporte a grupos de pessoas de forma a permitir que estas se tornem times de trabalho (JOHNSON & JOHNSON 1997). Vizcano (2000) e Tedesco (2001) propem criar e manter modelos de grupo em sistemas colaborativos. Nesta linha, h vrias abordagens possveis 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 informao importante para manuteno de interaes saudveis, como, por exemplo, o modelo de grupo poder descrever os papis de cada membro do grupo, suas habilidades e o conhecimento acumulado. Brusilovsky (1998, 2003) identifica cinco caractersticas do usurio que tm sido consideradas nos sistemas como fontes de adaptao: (i) objetivos do usurio; (ii) conhecimento; (iii) experincias prvias; (iv) experincia no hiperespao e (v) preferncias. Em um ambiente de ensino e aprendizagem, Souto (2003) interpreta essas caractersticas como: (i) objetivo da aprendizagem do aluno, que se modifica freqentemente de sesso para sesso ou dentro de uma mesma sesso de estudo; (ii) conhecimento, que na maior parte das vezes representado atravs de um modelo de overlay (baseado no modelo estrutural do domnio sendo ensinado) ou atravs de um modelo de esteretipos (como p. ex., muito bom, bom, regular, ruim, muito ruim); (iii) experincia prvia do aluno fora do assunto, mas que relevante o suficiente para ser

23

considerada (profisso, experincia no trabalho em reas relacionadas, etc.); (iv) experincia com o hiperespao, no sentido de quo fcil ele navega e tem familiaridade com a interface, etc.; e, por ltimo, (v) preferncias, no sentido de que o aluno pode preferir alguns ns e links entre tantos e pode preferir partes de uma pgina, entre outras. Outra rea de estudo a incorporao de emoes 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 no biolgicos, sendo que o aporte cientfico e bsico buscado fortemente nas cincias Cognitivas, na Psicologia, Filosofia, Neurologia, Biologia. Um dos tipos de emoo gerada por mquina a definida como Emoo em Mquina (PICARD, 1997, 2002), na qual a mquina simula sentir e possuir emoes atravs de processos que levem caracterizao das emoes humanas. Normalmente, os fatores que so utilizados para deteco dos estados afetivos e motivacionais do aluno so o esforo, a confiana e a independncia (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 aes e intenes captadas do mesmo poderem ser imprecisas. Neste caso, o modelo do estudante constitudo por representaes do processo da construo do conhecimento. O AMPLIA (Ambiente Multiagente Probabilstico Inteligente de Aprendizagem) um exemplo de ambiente que utiliza redes bayesianas para a representao do conhecimento e cujo objetivo apoiar o desenvolvimento do raciocnio diagnstico e a modelagem das hipteses diagnsticas na rea mdica (FLORES, 2003). A Lgica Fuzzy tambm 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 personalizado para o aluno (material didtico, exerccios, sugestes de leituras, entre outros). O tutor FLAME (Fuzzy Logic Adaptive Model of Emotions), idealizado por Nasr et al. (2000) utiliza a lgica fuzzy para representar as emoes do aluno por intensidade e mapeia os eventos e expectativas para os comportamentos e estados emocionais do aluno. Nos STI tradicionais, normalmente o controle centralizado, mantendo todo o gerenciamento sobre o processo instrucional. Atualmente, com o surgimento da Web, grupos de pesquisadores tm implementado diferentes tipos de sistemas adaptativos e inteligentes para a educao a distncia. Com o uso da tecnologia de sistemas distribudos, o controle tambm passa a ser distribudo, como no caso do ELETROTUTOR III apresentado por Bica (2000), que uma arquitetura baseada no paradigma de Inteligncia Artificial Distribuda com agentes autnomos que se comunicam, atuando de forma cooperativa na realizao de um objetivo comum, ou seja, a conduo 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 aproximao entre os sistemas tutores inteligentes e os insights da Inteligncia Artificial Distribuda (SICHMAN, DEMAZEAU, BOISSIER; 1992). A interao tutor/aluno passa a ser vista como um caso particular de interao entre agentes inteligentes. O presente trabalho se enquadra

24

nesse tipo de arquitetura e a seo 2.1 aborda aspectos de agentes relevantes a este trabalho.

2.1 Agentes
Existe uma ampla variedade de definies para o termo agente. Segundo Russel (2004) um agente computacional deve possuir atributos que o diferenciem de simples programas de computador. Entre essas caractersticas distinguem-se a autonomia, persistncia, percepo e adaptao no ambiente. A Figura 2.3 representa um agente genrico. Um agente humano possui olhos, ouvidos e outros rgos para perceber seu ambiente; j um agente rob utiliza-se de cmeras, vrios motores, raios infravermelhos, etc. Um software de agente possui codificado em bits suas percepes e aes e capaz de perceber seu ambiente por meio de sensores e agir sobre esse ambiente atravs de atuadores.

Figura 2.3: Agente genrico (RUSSEL, 2004). Aps a escolha de uma definio geral para o termo agente, h que se analisar caractersticas especficas na estrutura do mesmo. Os agentes podem ser divididos em duas classes: os agentes reativos e os agentes cognitivos. Os agentes reativos no utilizam raciocnio complexo, estruturas de memria ou uma representao interna explcita do conhecimento. Somente percebem o ambiente externo e, baseados nos estmulos do ambiente, reagem de uma forma predeterminada. Tais reaes tm objetivos implcitos, que so codificados pelo programador. Esse tipo de arquitetura baseado em estmulo-resposta. Os agentes cognitivos so capazes de raciocinar a respeito de suas intenes e conhecimentos, criar planos de ao e execut-los. Possuem modelos explcitos do mundo externo, estruturas de memria que permita manter um histrico de aes passadas e fazer previses de aes futuras, e um desenvolvido sistema de cooperao e coordenao. Segundo Wooldridge (1994) e Russel (2004), os agentes para serem considerados entidades inteligentes podem apresentar, entre outras, as seguintes caractersticas: Perceber dinamicamente as condies do ambiente e se adaptar a novas situaes; Tomar decises para afetar condies do ambiente, exibindo comportamento direcionado soluo dos seus objetivos; Interpretar percepes, resolver problemas, extrair inferncias e determinar aes; Exibir habilidade social;

25

Cooperar com outros agentes e com o usurio. Para os pesquisadores Wooldridge e Jennings (WOOLDRIDGE et al., 1995, 1999) os agentes inteligentes devem possuir autonomia, percepo e pr-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 deciso de como tais tarefas sero divididas e qual a ordem de execuo para alcanar 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 caractersticas que definem um agente so a autonomia, a flexibilidade e a habilidade social. atravs da habilidade social que os agentes interagem com outros agentes e humanos por algum tipo de linguagem de comunicao prpria. Esse processo de interao propicia a um conjunto de agentes inteligentes combinarem seus esforos na busca de soluo para problemas distribudos. Interaes so inerentemente dependentes das aes de coordenao de pelo menos dois agentes. A interao entre agentes pode ocorrer atravs de aes lingsticas explcitas (comunicao) ou aes no lingsticas (em funo da modificao do mundo no qual eles estejam atuando). A interao pode ser dividida em quatro camadas de complexidade: comunicao, coordenao, cooperao e colaborao (WORTMANN, 2001). A camada comunicao bsica de qualquer software que precisa interagir. A comunicao entre agentes est baseada em mensagens. Em (WOOLDRIDGE, 1994), feita uma abordagem levando em conta a troca ou passagem de mensagens entre agentes, sendo apresentadas trs formas: Mensagens ponto-a-ponto ou peer-to-peer: este tipo de mensagem muito utilizado em sistemas concorrentes baseados em objetos. As mensagens so enviadas para um endereo especfico (o receptor) que conhecido pelo transmissor. Isso representa vantagens, uma vez que o transmissor sabe para quem a mensagem est sendo enviada e os controles de segurana so mais facilmente implementados. Esta a forma que o agente MAE envia suas mensagens para o agente PAT; Mensagens broadcast: no se baseia na passagem para um endereo especfico, mas para todos os agentes que participam do sistema. Contudo, este tipo de passagem de mensagem no seguro uma vez que todos os agentes podem verificar o contedo de uma mensagem; Mensagens multicast: diferente do broadcast este mtodo visa a passagem de mensagens para um grupo de agentes. Dessa maneira, quando se deseja informar uma mensagem para um agente esta enviada para o grupo que ele faz parte.

A camada coordenao define as regras de interao, considerando as atividades dos agentes, de forma a se evitar comportamentos indesejados. A camada cooperao uma camada encontrada apenas em sistemas onde a cooperao reflete uma estratgia de ao decidida pelo agente, permitindo a negociao. A camada mais refinada a camada colaborao onde um agente tem capacidade de detectar possveis objetivos comuns e de planejar sua atividade com os outros de forma a atingir o objetivo da melhor forma possvel, aproveitando ao mximo a partilha de informaes.

26

Como exemplos de protocolo de comunicao tem-se o FIPA Agent Communication Languages FIPA ACL), que o padro proposto pela Foundation for Intelligent Physical Agents (FIPA, 1996) e o Knowledge Query and Manipulation Language (KQML), proposto por (FININ et al, 1993). Essa padronizao da comunicao entre agentes permite que o conhecimento seja transferido de um agente para outro (ALONSO, 2002). A partir das caractersticas previamente apontadas, Resende (2005) classifica os agentes de acordo com os eixos: cognitivo, de foco, de atuao e ambiental, retratados na Figura 2.4. O eixo cognitivo representa se o agente possui um modelo de representao do ambiente e/ou de outros agentes. O eixo de foco enfatiza que um agente pode possuir similaridades fsicas com humanos e/ou pode enfatizar caractersticas comportamentais. O eixo de atuao apresenta as formas de atuao 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 esto sendo utilizados para implementar diversos sistemas STI, uma vez que cada componente do ambiente pode ser implementado como um agente independente, possuindo facilidades de interao com os outros agentes. Existem diversos exemplos na literatura sobre a utilizao de agentes inteligentes em sistemas educacionais (CHOU, 2003). Segundo Shoham (1993), uma sociedade de agentes para aprender e ensinar pode ser a soluo para a construo de ambientes de ensino e aprendizagem, se os agentes trabalharem de maneira concorrente e autnoma para alcanar seus objetivos. Os agentes em um ambiente de ensino/aprendizagem so considerados autnomos porque as atividades dos agentes individuais no requerem constante superviso externa e no h autoridade central projetada para controlar todas as interaes 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 caractersticas: 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 construo de ambientes de ensino, pois permite a integrao dos diversos componentes do ambiente de aprendizagem, permitindo um melhor tratamento nos seguintes aspectos: a distncia entre estudantes e professores, o ritmo de aprendizagem de cada estudante e o acompanhamento individualizado dos estudantes, alm de estabelecer uma verdadeira pareceria entre os diversos atores (agentes) do sistema, sejam eles humanos ou artificiais. Quanto modelagem do aluno, a tecnologia relacionada com os agentes cognitivos (deliberativos) permite a construo de modelos mais robustos. Para Marietto (1997), a utilizao de agentes possibilita o desenvolvimento de diferentes raciocnios e a integrao de vrias aes para alcanar um determinado objetivo. Alm disso, a utilizao de agentes inteligentes uma boa opo para reduzir o custo destes sistemas, pois eles favorecem a modularizao e a evoluo. O estado da arte em STI, utilizando agente(s), pode ser avaliado em trabalhos como Silveira (2001), DAmico (1999), Yager (2000), Bercht (2001), Vassileva (2001), Flores (2003) e Jaques(2004). O grupo de pesquisa (GIA) em que este trabalho est inserido vem desenvolvendo STI com modelos do aluno e do tutor baseados em arquiteturas intencionais utilizando BDI (BRATMAN, 1990) para tratar da representao do conhecimento e de afetividade. O BDI um paradigma para se descrever agentes e suas relaes com o mundo que os contm, bem como os estados mentais de crenas, desejos e intenes representam os principais requisitos na construo dos prprios agentes (BERCHT, 2001). A nossa meta geral, como grupo, a de ter sistemas mais adaptativos ao estudante. A abordagem BDI foi utilizada para modelar as habilidades cognitivas do estudante em (GIRAFFA, 1999), a motivao e estados afetivos foram tratados no trabalho de Bercht (2001) e algumas emoes foram mapeadas em (JAQUES, 2004). Esses trabalhos utilizaram trabalhos prvios do nosso grupo de pesquisa em BDI que resultaram na ferramenta X-BDI (MRA, 1998). Nas sees 2.2 e 2.3 so abordados os trabalhos de Berth (2001) e Jaques (2004), os quais propuseram Sistemas Tutores Inteligentes com arquiteturas de agentes. O critrio de seleo desses trabalhos deu-se em funo das suas caractersticas e das suas contribuies para esta Tese de Doutorado. Ao final da descrio de cada ambiente, ressalta-se o tipo de contribuio que aquele trabalho ofereceu para este estudo.

2.2 Trabalho de Bercht

O trabalho de Bercht (BERCHT, 2001) props um STI com arquitetura multiagente, na qual os agentes so modelados atravs da metfora de estados mentais X-BDI proposto em Mora (MRA, 2000). Nesse trabalho, a pesquisa focou o problema de deciso de um STI em que pese sua adaptabilidade (estratgias de interao e de ensino) ao processo de ensino e aprendizagem e que leve em conta os afetos e as emoes inferidas atravs de comportamentos observveis do aluno em interao. Os comportamentos observveis considerados incluram a quantidade de vezes que um aluno desenvolve a mesma tarefa, a desistncia na execuo de um problema e o nmero 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, alm da avaliao pedaggica tradicional de um STI (baseada em quanto um aluno conhece sobre um determinado tpico ou domina uma habilidade especfica), foi adicionada a intensidade em que o aluno desenvolve o seu aprendizado. Como decorrncia, Bercht salienta que um STI necessita estender o conhecimento e procedimentos relativos deteco e anlise dos estados afetivos do aluno. O modelo de aluno elaborado por (BERCHT, 2001) constitudo de forma interativa e em tempo real, sendo composto por dois esquemas. So eles: Esquemas Afetivos: apresentam a modelagem do aluno quanto s suas caractersticas afetivas, podendo ser comportamentais, estilos de aprendizagem, condies fisiolgicas e outras, medida que se obtenham dados para a elaborao de tais modelagens; Esquemas Intelectuais: retm as condies do aluno em relao ao domnio: seus acertos e erros, sua performance, os tpicos dominados e aqueles a desenvolver, e que alm disso, contm as regras, fatos, crenas que o tutor cr que o aluno possua em relao ao seu desempenho e sua competncia no domnio.

A arquitetura formulada, ilustrada na Figura 2.5, engloba um agente pedaggico e um sistema perceptivo (Percepo) para o reconhecimento de sinais e fatores que auxiliem na identificao de possveis estados afetivos de um aluno.

Figura 2.5: Arquitetura multiagente de Bercht (BERCHT, 2001). A Percepo composta por agentes especializados que trabalham juntos com a interface do STI e rastreiam a interao do aluno e do tutor, levantando os dados e aes 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 aes do aluno, compondo um histrico tanto de seu comportamento relativo ao desempenho e

29

competncia no domnio quanto aos aspectos afetivos e motivacionais, capturando assim os comportamentos observveis. Tambm as aes do Tutor esto sendo observadas, principalmente quanto ao tipo e nmero de suas intervenes, que tipo de ajudas foram disponibilizadas e quais as tarefas propostas. As informaes obtidas pelo agente Percepo so enviadas para o agente pedaggico. Os fatores que so utilizados para deteco dos estados afetivos e motivacionais do aluno so o esforo ou persistncia (grau de dedicao execuo ou fuga do evento), a confiana e a independncia. Segundo Bercht (2001) esses fatores influenciam diretamente a motivao de aprender. O agente pedaggico (tutor) est representado por um kernel cognitivo e possui mecanismos de raciocnio e deciso de planos e aes devido a sua arquitetura BDI e mantm um histrico de suas atuaes. O tutor, em detalhes na Figura 2.6, foi simulado no contexto do Eletrotutor III (BICA, 2000)(REIS, 2001)(SILVEIRA, 2002) e possui um mdulo de inferncia que identifica os estados mentais do aluno que esto associados a aes e aos fatores afetivos j reconhecidos pela interface (Percepo) (seta 2). O mdulo Deciso, a partir do mdulo estratgias (seta 4) e dos seus prprios estados mentais (seta 5), produz as aes pedaggicas (seta 6). E finalmente, a cada situao observvel e estado mental do aluno identificvel, uma indicao de ao sugerida por cada subgrupo de tticas. Por fim as aes pedaggicas do tutor so representadas pela seta (7). As tticas baseadas no desempenho do aluno so as estipuladas em (SILVEIRA, 2001) e foram sugeridas aes do agente pedaggico sem, contudo, estipular o teor das mensagens e os detalhes da apresentao na interface.

Figura 2.6: Arquitetura multiagente com kernel detalhado (BERCHT, 2001).

30

Tambm foram definidos elementos independentes de domnio, como: Problema/Tarefa (atividades a serem desenvolvidas englobam o material didtico), Ajuda (dicas de como realizar a tarefa), Contribuio (mensagem especfica em relao a um contexto) e Mensagem (mensagens de apoio, incentivo, sugestes, reflexes e indicaes sobre as tarefas futuras). Para cada um desses elementos foram includos 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 (intervm 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 tambm a possibilidade de modelar o aluno com elementos motivacionais e afetivos. O trabalho desenvolvido nesta Tese usa o conceito de esforo/persistncia utilizado em Betcht (2001). Nesse trabalho, esforo e persistncia so considerados como uma varivel nica.

2.3 Trabalho de Jaques

O trabalho proposto em Jaques (JAQUES, 2004) apresenta um agente pedaggico animado que possui o objetivo de fornecer suporte emocional ao aluno, para que ele tenha um melhor aprendizado atravs de motivao e encorajamento, fazendo-o acreditar em suas prprias habilidades e promovendo no mesmo um estado de esprito positivo. O agente chama-se Agente Mediador e representado por um personagem animado chamado PAT (Pedagogical and Affective Tutor). Esse agente utiliza tticas afetivas que so expressas atravs de comportamentos emotivos e mensagens de encorajamento do personagem animado. Para escolher as tticas afetivas adequadas, o agente deve conhecer as emoes do aluno. O agente infere as emoes do aluno atravs das aes que este realiza na interface do sistema educacional. So exemplos de comportamentos observveis: tempo de execuo de uma atividade, sucesso ou falha na execuo de um exerccio e pedido de ajuda. As seguintes emoes do aluno so inferidas: alegria e tristeza, satisfao e frustrao, raiva e gratido, e vergonha. A inferncia das emoes fundamentada psicologicamente na teoria cognitiva das emoes, atravs do modelo OCC (ORTONY, CLORE, COLLINS, 1988) que baseado na abordagem cognitivista das emoes e possvel de ser implementado computacionalmente. Segundo Jaques (JAQUES, 2004) o surgimento das emoes 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 h um evento desejvel e tristeza quando o evento indesejvel. As emoes de satisfao e frustrao surgem quando uma pessoa tem a confirmao da realizao (satisfao) ou confirmao de no realizao (frustrao) de um evento que esperava que pudesse se realizar. As emoes de gratido e raiva so disparadas quando o agente avalia as aes de um outro agente em relao interferncia na realizao de seus objetivos. Uma pessoa possui gratido em relao outra quando avalia que a ao desta foi boa e trouxe conseqncia positiva para ela. A raiva surge quando a ao de algum avaliada como censurvel e que ainda trouxe uma conseqncia negativa. Se a ao avaliada a prpria ao,

31

emoes como vergonha ou orgulho podem ser disparadas. O orgulho surge quando uma pessoa aprova sua ao e a vergonha ocorre em caso contrrio. Para composio do agente animado PAT, Bocca (2003) e Jaques (2003) realizaram entrevistas com pedagogas, psicopedagogas, psiclogas e designers, das quais foram retiradas as seguintes informaes como caractersticas que um agente tutor deve possuir: O personagem deve ser de corpo inteiro, homem ou mulher e de tamanho proporcional tela, dando uma noo do todo, sendo mais prximo da realidade; Deve ter reaes (expresses) faciais de alegria, tristeza, incentivo, apoio, espanto, admirao, calma. Que pudesse, ainda, pular, fazer careta, sentar e abaixar a cabea, ficar de costas, tapar o rosto, ficar cabisbaixo, expressar emoes de acordo com o momento e fazer com que o usurio reflita porque no est indo bem nos exerccios, sem ter que interromper o usurio com uma interveno escrita ou falada; O personagem deve aparecer o tempo todo, interagir com o usurio e entrar em ao com a postura adequada ao momento do acontecimento, saber o momento certo para responder com humor ou de maneira sria e colaborar com mensagens de incentivo sem chamar demais a ateno para si. As mudanas de postura e face devem ser de forma sutil, no 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 braos. Deve ter posturas diferentes em momentos diferentes, mas de forma descontrada para no tornar montono o personagem. Deve usar roupas normais, descontradas no muito formais; Deve ser colorido por ser mais estimulante, mas no 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 , no muito certinho e nem muito atirado, no um personagem modelo, perfeito. Deve falar e escrever, usando o balo para comunicao escrita.

A interface do personagem foi desenvolvida em Java, JavaScript e usa o Microsoft Agent. A Figura 2.7 ilustra esta interface, relacionando o porqu da utilizao de algumas caractersticas do personagem, como o uso do culos, corte de cabelo, roupa e cores. O personagem apresenta comportamentos verbais e no verbais afetivos. O Mdulo responsvel por estes comportamentos formado pelos componentes: seleo, montagem e apresentao. Para cada tipo de comportamento (por exemplo: comportamento encorajamento), existem vrias animaes diferentes que podem ser exibidas. Isso foi implementado para que o personagem parea mais credvel. Se o agente apresentasse sempre o mesmo comportamento para algumas situaes, o agente pareceria montono ao aluno. Como existe mais de uma animao possvel para cada tipo de comportamento, o agente na hora da apresentao, deve escolher aleatoriamente uma destas animaes para ser exibida. O PAT pode demonstrar uma ao enquanto fala, pode usar a contemplao, afirmao com a cabea, expresses faciais que podem ser um feedback nas declaraes dos alunos, sem a necessidade da comunicao verbal e ruptura do raciocnio do aluno durante a realizao da tarefa.

32

Figura 2.7: Interface do PAT (BOCCA, 2003) Segundo BOCCA (2003) muitos pesquisadores em educao distncia tm apostado no uso de agentes animados como softwares educacionais devido a vantagens como demonstrar tarefas, empregar gestos e locomoo para focar a ateno dos alunos e expressa respostas emotivas para a situao de um tutorial, o que permite a estes agentes a ampliao da comunicao, prendendo a ateno 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 atravs de dilogo tutorial no papel de professor ou companheiro aprendiz. O agente pedaggico animado apresenta as vantagens de aumentar a comunicao entre alunos e computadores, e incrementa a habilidade do computador para engajar e motivar o aluno. Alguns dos comportamentos implementados no PAT sero utilizados neste trabalho. A Tabela 2.1 ilustra dois dos comportamentos fsicos e verbais do agente, os quais so Encorajamento e Dar ajuda.

33

Tabela 2.1: Exemplos de Comportamentos Verbais e Fsicos de PAT Fsico Descrio Comportamento Fsico Pat est lutando Boxe e acerta um saco de pancadas, no qual est escrito Minhas Dificuldades Verbal

Encorajamento

Eu sei que voc capaz de nocautear as suas dificuldades

Encorajamento

Pat deita de cansao No desanime! em um sof

Dar Ajuda

PAT est vestida Tenho muita como um sbio sabedoria para te passar. monge.

Para implementar o modelo afetivo do aluno e o diagnstico afetivo foi utilizada uma abordagem BDI. Como um caso de estudo, o agente implementado como o Agente Mediador de MACES: um ambiente para ensino colaborativo a distncia modelado com uma arquitetura multiagente e baseado psicologicamente na abordagem Sociocultural de Vygotsky (ANDRADE et al., 2001). A arquitetura do agente dividida em 2 partes: o mdulo Corpo (Body) e o mdulo Mente (Mind). O Corpo do agente responsvel por capturar as aes do aluno na interface do sistema, realizar a comunicao com os outros agentes e mostrar os comportamentos animados e mensagens escolhidos pelo mdulo Mente. O mdulo Mente responsvel por reconhecer os estados afetivos do aluno a partir de seu comportamento observvel e escolher as tticas pedaggicas afetivas de acordo com o modelo afetivo do aluno. O agente Mediador troca informaes com o Agente Diagnstico e com o Semitico. Ele fica observando os comportamentos do aluno e se verificar que pode ser inferido um estado afetivo a partir dessa informao seleciona uma ttica e mostra a mesma ao aluno. Se a ttica selecionada for de apresentao de contedo o agente Mediador requisita que outro agente realize esta tarefa.

34

O Agente Mediador (PAT) possui caractersticas interessantes, especialmente a possibilidade do agente ser representado por um personagem animado. Esse agente verifica estados afetivos a partir das aes do aluno e como retorno a esse aluno seleciona uma estratgia que pode ser um dos comportamentos afetivos verbais ou fsicos do seu repertrio. O PAT utilizado neste trabalho como um agente reativo que mostra ao aluno um dos feedbacks afetivos (comportamentos fsicos e/ou verbais) que agrega. As tticas elaboradas no trabalho de Jaques (2004) so focadas em motivao. Neste trabalho, foram selecionadas tticas compatveis com a Auto-Eficcia, que so descritas na seo 1.1.1. Neste trabalho, assim como em (JAQUES, 2004) e (AMES, 1990), utilizou-se dois tipos de objetivos de aprendizagem (intrnseco e extrnseco) e os feedbacks foram divididos de acordo com o grau de Auto-Eficcia e o tipo de objetivo.

2.4 Consideraes do Captulo

O modelo de aluno idealizado neste trabalho agrega informaes a respeito da AutoEficcia de alunos inferidas pelo agente MAE. Seguindo a taxonomia de agentes de Resende (2005), esse agente apresenta como principais caractersticas: ser um agente cognitivo, de Internet, social (troca mensagens ponto a ponto) e comportamental. Para a modelagem da Auto-Eficcia foram agregados os tipos de objetivos de aprendizagem utilizados em Jaques (2004) e o conceito de esforo/persistncia utilizado em Bercht (2001). Sendo que em Bercht (2001) o esforo e a persistncia so considerados como uma varivel nica, j neste trabalho so variveis distintas.

35

AUTO-EFICCIA

O texto deste Captulo composto por uma introduo Teoria da Auto-Eficcia, construto da Psicologia Social Cognitiva que corresponde rea dos estudos utilizada na elaborao do modelo do aluno deste trabalho. A Teoria da Auto-Eficcia foi desenvolvida por Bandura (1977, 1982, 1986) e tem se mostrado uma varivel chave na Psicologia clnica, educacional e social, do desenvolvimento e da sade (SCHWARZER, 1996). Essa teoria defende que todos os processos de mudana psicolgica e comportamental se operam a partir de alteraes no sentido de maestria e auto-eficcia. Bandura (1986) situa o conceito de determinismo recproco, no qual trs principais fatores influenciam e criam interaes, resultando em uma trade de influncias da autoeficcia. Os fatores so: (i) fatores pessoais na forma de cognio, afetos e eventos biolgicos, (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-Eficcia Este autor define como Auto-Eficcia "a crena do indivduo sobre as suas capacidades de exercer controle sobre acontecimentos que afetam a sua vida" (BANDURA, 1989) "e a crena nas suas capacidades para mobilizar motivao, recursos cognitivos e implementar aes que lhe permitam exercer controle sobre tarefas exigidas" (BANDURA, 1990). Dessa forma, a Auto-Eficcia diz respeito no s capacidades que um indivduo possui para realizar determinada tarefa com sucesso, mas sim ao julgamento que ele faz sobre essas mesmas capacidades (MADDUX, 1995). As crenas acerca dessas

36

capacidades e recursos pessoais se constituem em um produto da interao entre diversos fatores, como experincias anteriores de sucesso ou fracasso. Berger & McInman (1993) elaboram uma definio baseada nos mesmos processos que Bandura, salientando a existncia de dois processos cognitivos: a crena que capaz de realizar determinada tarefa; e a confiana na sua prpria competncia individual. Schunk (1991) especifica que, na rea escolar, as crenas de Auto-Eficcia so convices pessoais quanto a dar conta de uma determinada tarefa e num grau de qualidade definida. Ressalta tambm (BZUNECK, 2004) que a Auto-Eficcia se trata de uma avaliao ou percepo pessoal quanto prpria inteligncia, habilidades e conhecimentos, entre outros, representados pelo termo capacidades. No questo de se possuir ou no tais capacidades, pois no basta que estejam presentes. Trata-se de a pessoa acreditar que as possua. Alm disso, essas so capacidades direcionadas para organizar e executar linhas de ao, o que significa uma expectativa de eu posso fazer determinada ao. A Auto-Eficcia definida como as crenas que os indivduos possuem sobre as suas capacidades de produzirem, de realizarem algo. Tais crenas determinam como sentem e pensam, produzindo efeitos diversos em quatro principais processos os quais incluem a cognio, a motivao, a afetividade e a seleo. A Auto-Eficcia influencia, principalmente: O curso das aes; O esforo; A perseverana em face de obstculos e falhas; A recuperao adversidade; O estresse e depresso em situaes de reprovao e sobrecarga; e O nvel de realizao.

Uma forte crena de eficcia garante que o indivduo acredite em suas capacidades, encarando tarefas difceis como desafios e no como algo que deve ser evitado [BANDURA, 1997]. Dessa forma, este indivduo pode estabelecer metas desafiadoras e manter o compromisso de realiz-las. Pessoas com um bom nvel de eficcia atribuem o fracasso a esforo insuficiente ou conhecimento deficiente, tendo em mente que podem adquirir as habilidades necessrias para realizarem novamente a tarefa com sucesso. Tal postura produz perspectivas de realizaes pessoais, reduz a tenso, vulnerabilidade e depresso. Em contraste, pessoas que duvidam de suas capacidades recuam de tarefas difceis que, muitas vezes, so vistas como ameaas pessoais. Normalmente, esses indivduos tm baixas aspiraes e compromisso s metas que eles escolhem executar e enfatizam as deficincias pessoais, quando enfrentam tarefas difceis, nos obstculos e em todos os tipos de resultados adversos, ao invs de se concentrarem em como executar prosperamente a tarefa. Ainda, possuem baixo nvel de esforo e desistem depressa em face das dificuldades, e recuperam muito lentamente o senso de eficcia quando ocorrem fracassos ou retrocessos, j que percebem o desempenho insuficiente como aptido deficiente, no acreditando nas suas capacidades. De acordo com a teoria de Bandura (1986; 1989; 1993), a Auto-Eficcia de uma pessoa determina seu nvel de motivao da seguinte forma: em funo dessa crena

37

que essa pessoa tem um incentivo para agir e imprime uma determinada direo a suas aes pelo fato de antecipar mentalmente o que pode realizar para obter resultados. Sendo assim, a Auto-Eficcia influencia as escolhas de cursos de ao, o estabelecimento de metas, a quantidade de esforo e a perseverana em busca dos objetivos. Esses efeitos foram descobertos nas pesquisas originais de Bandura e de seus colaboradores com indivduos de certas fobias e dependncias sob tratamento clnicopsicolgico (PAJARES, 1997). No contexto acadmico, Bzuneck (2004) declara que um aluno motivar-se- a se envolver nas atividades de aprendizagem caso acredite que com os seus conhecimentos, talentos e habilidades poder adquirir novos conhecimentos, dominar um contedo, melhorar suas habilidades, entre outros. Assim, esse aluno selecionar atividades e estratgias de ao que, segundo prev, podero ser executadas por ele e abandonar outros objetivos ou cursos de ao que no lhe representem incentivo porque sabe que no os poder implementar. Com fortes crenas de Auto-Eficcia, o esforo se far presente desde o incio 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 AutoEficcia atuam como mediadores entre as reais capacidades que so as aptides, conhecimentos e habilidades, e a prpria performance. Isto , esses outros fatores, que tambm contribuem para predio do desempenho, no produziro as esperadas conseqncias, a menos que ocorra a mediao das crenas de Auto-Eficcia. A Auto-Eficcia pode ser representada como um esquema ou modelo de funcionamento mental. O modelo de Auto-Eficcia proposto por Bandura possui como principais elementos: objetivos, padro pessoal, processo avaliativo e feedback. A Figura 3.2 apresenta esse modelo e as relaes entre seus elementos. Seguindo os pressupostos de Bandura (1997), as crenas de Auto-Eficcia influenciam as escolhas dos objetivos por parte do aluno. No modelo computacional proposto, esses so considerados objetivos de aprendizagem e podem ser extrnsecos ou intrnsecos. Como objetivo intrnseco tem-se o domnio do conhecimento e como objetivo extrnseco, o desempenho.

Padro Pessoal

Figura 3.2: Modelo de Auto-Eficcia

Processo Avaliativo

Objetivos

38

Cerdeira (1995) e Bandura (1997) sustentam que quando se permite aos indivduos a escolha de suas metas, estes assumem para com elas um compromisso, passando desse modo a considerarem-se responsveis pelos progressos relativos a sua persecuo, incrementando assim os sub-processos da auto-avaliao e, por isso tambm, o nvel de desempenho e as expectativas de auto-eficcia. Quando o aluno seleciona um objetivo, ele cria um padro pessoal de si mesmo, ou seja, o que ele espera de si mesmo na realizao de uma atividade. Contudo, no decorrer das suas aes pode acontecer dele se desviar do objetivo selecionado e atravs de um processo avaliativo, por exemplo, um processo interno, exerccios, provas ou tempo despendido na sesso de estudo, ele pode perceber discrepncias. Estas discrepncias afetam diretamente a sua motivao e as crenas de Auto-Eficcia. Um sistema de feedback deve ser acionado quando ocorrerem tais discrepncias. Segundo Lock (1990) e Bandura (1997), inicialmente os objetivos por si s servem de impulsionadores da ao, aumentando a motivao do aluno, mas se no houver um sistema de feedback que regule e controle as aes, os objetivos podem acabar perdendo a sua fora. Nesse contexto, o modelo do aluno proposto neste trabalho engloba as crenas da Auto-Eficcia, o objetivo de aprendizagem (padro pessoal), o esforo e a persistncia. O grau de esforo pode ser entendido como a intensidade na realizao das atividades para atingir um alvo e mapeado como o tempo no qual o aluno permaneceu fazendo uma tarefa (ARISON, et. al, 1990). J a persistncia pode ser entendida como a constncia em uma atividade (SOLDATO, 1995). A motivao referenciada no modelo de Bandura, pode ser entendida, segundo Sprinthall (1993), como uma fora capaz de desencadear e manter uma ao, canalizando o comportamento para um determinado fim. Conseqentemente, a motivao conduz a atitudes dinmicas, ativas e persistentes. A motivao comumente dividida em intrnseca e extrnseca. A motivao intrnseca configura-se como uma tendncia natural para buscar novidades e desafios. O indivduo realiza determinada atividade pela prpria causa, por consider-la interessante, atraente ou geradora de satisfao, ou seja, quando um aluno tem vontade de aprender algo essa por si s a sua motivao para aprender. Quando ele satisfaz essa necessidade, aprendendo o que queria, essa ao gera prazer e ao mesmo tempo serve como recompensa e cria nova motivao para aprender mais. uma orientao motivacional que tem por caracterstica a autonomia do aluno e a auto-regulao de sua aprendizagem. J a motivao extrnseca tem sido definida como a motivao para trabalhar em resposta a algo externo tarefa, como a obteno de recompensas externas, materiais ou sociais, em geral, com a finalidade de atender solicitaes ou presses de outras pessoas, ou de demonstrar competncias e habilidades (AMABILE et al., 1994). Por exemplo, a famlia cobrar que o aluno tire boas notas nas provas. O aluno se esforar e estudar para conseguir isso, mas, passado o exame, pouco ou nada ter retido de tudo que estudou, pois os conhecimentos envolvidos no eram do seu interesse. No contexto escolar, h indicadores de que a motivao intrnseca 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 indivduo extrinsecamente

39

motivado realiza uma tarefa escolar para melhorar suas notas ou para conseguir prmios e elogios (GUIMARES, 2003). Santos (2002), considera que a aprendizagem ser mais duradoura quando sustentada pela motivao intrnseca do que quando impulsionada por um reforo externo. Todavia, admite que a motivao extrnseca pode ser necessria para obrigar o aluno a iniciar certas atividades ou para ativar o processo de aprendizagem. Considerando-se que um grande objetivo da educao fazer com que todos os alunos tenham real chance de sucesso e de progresso, para alimentar as crenas de Auto-Eficcia parecem ser igualmente vlidas , as mesmas estratgias que Stipek (1993) coletou de pesquisas para a promoo da motivao intrnseca. Dessas estratgias destacam-se as seguintes, ligadas s maneiras de se dar tarefas ou atividades aos alunos: (i) dar tarefas que contenham partes relativamente fceis para todos e partes mais difceis que possam ser atendidas somente pelos melhores; com isso, todos tm desafios e todos tm reais chances de acertos; (ii) para aqueles que tiverem concludo primeiro, dar atividades suplementares de enriquecimento e interessantes; (iii) permitir que s vezes os alunos possam escolher o tipo de tarefa; (iv) permitir que cada um siga seu prprio ritmo, sem qualquer presso para que todos concluam juntos; e (v) alternar trabalhos individuais com trabalhos em pequenos grupos, desde que todos recebam a devida assistncia. A Auto-Eficcia vem sendo investigada na aprendizagem a distncia e no uso de computadores. Eachus (1996) desenvolveu uma escala da Auto-Eficcia no uso do computador que avalia as crenas do estudante em relao as suas habilidades em usar o computador. Uma relao positiva foi encontrada entre a auto-eficcia e a experincia em utilizar o computador (HEAPERMAN, 2001). Os resultados das pesquisas de (LEVINE&DONITAS-SCHIMIDT, 1998) mostram que os alunos que tm alta taxa de Auto-Eficcia demonstram atitudes positivas em relao ao uso de computadores para sua aprendizagem. Joo et al (2000) investigou a influncia da Auto-Eficcia na autoregulao dos alunos em sua aprendizagem, no desempenho acadmico, na Internet e no desempenho na instruo via Web, concluindo que a Auto-Eficcia uma varivel importante que determina o sucesso na aprendizagem. Heaperman et al. (2001) desenvolveu um modelo de influncias da auto-eficcia para estudantes de terceira idade em ambientes de ensino virtual. Esse modelo agrega fatores de influncia que englobam a atitude, a ansiedade e as mudanas fsicas e cognitivas devido idade dos estudantes. Alm disso, os autores apontam outros elementos que influenciam a auto-eficcia desses alunos: experincias passadas com tecnologia, estratgias de ensino, decises pedaggicas, suporte e treinamento. Em (RAMALINGAM et al., 2004) foi idealizado um modelo da performance de alunos iniciantes na linguagem de programao C++ baseado nos modelos mental e de auto-eficcia, como ilustra a Figura 3.3. As setas ilustradas no modelo representam as influncias entre as variveis.

40

Figura 3.3: Modelo de fatores que afetam a performance do estudante (RAMALIGNAM et al., 2004) Na pesquisa, foi utilizado um questionrio para medir a auto-eficcia do aluno em relao ao uso do computador, e para verificar o modelo mental foram utilizados dois tipos de medidas, a compreenso de programas e a identificao de erros. Como resultado foi obtido que a auto-eficcia dos alunos foi aumentando durante o semestre de aplicao dos testes e que esses resultados sugerem que as mudanas na auto-eficcia do aluno so em funo da sua pr-auto-eficcia.

3.1 Consideraes do Captulo

O estudo da Auto-Eficcia nos forneceu subsdios para a formulao da modelagem do aluno utilizada neste trabalho. Relacionamos o modelo funcional da Auto-Eficcia fornecido por Bandura (1997) com elementos que poderiam ser utilizados em um contexto de EAD. Dessa forma, consideramos a importncia do objetivo e da possibilidade do aluno escolh-lo, a quantidade de esforo despendida pelo aluno enquanto executa as suas tarefas e de possveis feedbacks extrnsecos positivos. Assim, a adaptabilidade do STI proposto porta aspectos cognitivos e afetivos inferidos atravs do aluno em interao. Este trabalho utiliza um agente inteligente para inferir um modelo de aspectos da Auto-Eficcia baseado em Bandura (1997) e Ames(1990). Este trabalho no utiliza escalas ou questionrios como em (RAMALINGAM et al., 2004) e (HEAPERMAN, 2001), trazendo o benefcio de uma interao com os alunos de forma menos prdeterminada.

41

4 LGICA FUZZY

As teorias mais conhecidas para tratar da impreciso e da incerteza so respectivamente a teoria dos conjuntos e a teoria de probabilidades. Essas teorias, embora muito teis, nem sempre conseguem captar a riqueza da informao fornecida por seres humanos. A teoria dos conjuntos no capaz de tratar o aspecto vago da informao e a teoria de probabilidades, na qual a probabilidade de um evento determina completamente a probabilidade do evento contrrio, mais adaptada para tratar de informaes freqentes 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 informaes subjetivas, de natureza vaga e incerta da linguagem natural, possibilitando o processo de situaes nas quais o conhecimento incompleto ou incerto. Na anlise e na tomada de deciso, esta lgica vem sendo aplicada em diversas reas, entre elas: anlise de dados, construo de sistemas especialistas, controle e otimizao, e reconhecimento de padres. A partir de 1978, Lotfi Zadeh desenvolveu a teoria de possibilidades (ZADEH, 1978), a qual trata a incerteza da informao, podendo ser comparada com a teoria de probabilidades. Essa teoria, por ser menos restritiva, pode ser considerada mais adequada para o tratamento de informaes fornecidas por seres humanos que a de probabilidades. Efetivamente, mesmo no discurso usual, percebemos que a noo de possibilidade menos restritiva que aquela de probabilidade: mais fcil dizer que algum evento possvel do que provvel. A teoria dos conjuntos nebulosos e a teoria de possibilidades so intimamente ligadas. O fato de essas teorias serem ligadas importante no sentido de que possvel se tratar tanto impreciso quanto a incerteza de um conjunto de informaes em um nico ambiente formal. De fato, a maior parte do tempo no necessrio fazer a distino entre um conjunto nebuloso e uma distribuio de possibilidades. A teoria dos conjuntos nebulosos, quando utilizada em um contexto lgico, como o de sistemas baseados em conhecimento, conhecida como lgica nebulosa, lgica difusa ou lgica fuzzy. Ao contrrio da lgica booleana, a lgica fuzzy multi-valorada - ao invs de um elemento ser 100% pertencente a um conjunto ou outro, ou uma proposio ser inteiramente verdadeira ou falsa, a lgica fuzzy trata com graus de pertinncia e graus de

42

veracidade, isto , as mesmas coisas podem ser parcialmente verdadeiras e parcialmente falsas ao mesmo tempo. Nesse contexto, a lgica booleana passa a ser um caso particular da lgica difusa (ZADEH, 1965). Ao definir um conjunto fuzzy como uma classe de objetos sem fronteira bem definida entre eles, Zadeh (1973) lanou bases para a modelagem matemtica do raciocnio aproximado que trabalha com possibilidade e incerteza. Uma deciso baseada no enfoque fuzzy semelhante ao processo intuitivo da deciso: uma escolha ou um conjunto de escolhas extradas do conjunto das alternativas possveis. A idia central da lgica fuzzy a possibilidade de realizar operaes com palavras, nas quais os conjuntos fuzzy so os valores das palavras (BRAGA et al., 1995). Dessa forma, os conjuntos fuzzy so uma alternativa para aproximar o raciocnio humano forma da mquina. Nos conjuntos convencionais tm-se limites bruscos entre os elementos pertencentes ao conjunto e os elementos no pertencentes. Em um conjunto fuzzy a transio entre o membro e o no membro est numa faixa gradual, sendo associado um grau entre "0"(totalmente no membro) e "1" (totalmente membro). Zadeh (1965) apresenta a noo de conjunto fuzzy como uma generalizao da noo de conjunto ordinrio. Assim como os conjuntos ordinrios, os conjuntos difusos tambm so definidos sobre um domnio (Universo de Discurso), mas nestes os elementos podem ter uma pertinncia parcial. Formalmente, um conjunto fuzzy B definido como um conjunto de pares ordenados contendo o elemento e seu grau de pertinncia no conjunto: B = {(x, B(x)) | x X} onde, X o domnio de objetos, tambm chamado universo de discurso, e B(.) a funo de pertinncia associada ao conjunto B, representada matematicamente por: B(x): X [0,1] Portanto, um conjunto fuzzy B, definido no universo de discurso X caracterizado por uma funo de pertinncia B que mapeia os elementos de X para o intervalo [0,1]. Dessa forma, a funo de pertinncia associa a cada elemento x pertencente a X um nmero real B(x) no intervalo [0,1], que representa o grau de possibilidade de que o elemento x venha a pertencer ao conjunto B, isto , o quanto possvel para o elemento x pertencer ao conjunto B. As funes de pertinncia assumem diversas formas, sendo as mais utilizadas a triangular e a trapezoidal (OLIVEIRA, 1999). A Figura 4.1 apresenta as principais funes de pertinncia geralmente utilizadas em projetos de controladores fuzzy.

43

Figura 4.1: Funes de pertinncia fuzzy (NASCIMENTO, 2000). As operaes fuzzy bsicas executadas entre um conjunto ou conjuntos fuzzy so 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 funo de pertinncia definida por B(x) = 1- B(x). O complemento corresponde ao conectivo NO; Unio: a unio entre dois conjuntos fuzzy A e B do universo de discurso X definida de diversas formas na literatura, como por exemplo, AB ou A+B, e definido pela funo de pertinncia AB = max[ A(x), B(x)]. A unio corresponde ao conetivo OU; Interseo: a interseo entre dois conjuntos fuzzy A e B do universo de discurso X definida de diversas formas na literatura, como por exemplo, AB ou A - B, e ainda pela funo de pertinncia AB = min[ A(x), B(x)]. A interseo corresponde ao conetivo E.

Um outro conceito subjacente lgica fuzzy o de varivel lingstica. As variveis lingsticas cumprem na lgica fuzzy o mesmo papel que as variveis numricas nos modelos matemticos convencionais, com a diferena de que os valores que podem assumir so conceitos expressos em linguagem natural, tais como "alto", "quente", "forte". Na lgica fuzzy, tais conceitos so representados por conjuntos difusos e com funes de pertinncia representando suas fronteiras. Uma varivel lingstica, portanto, definida com um certo nmero de funes de pertinncia, cada uma representando um valor ou conceito que a varivel pode assumir, s quais so atribudos termos lingsticos apropriados. Para expressar as relaes entre as variveis lingsticas e os conjuntos fuzzy so formuladas as proposies ou regras fuzzy. Essas regras podem ser condicionais (exemplo: if W is Z then X is Y) ou no condicionais (exemplo: X is Y). Para construir um controlador fuzzy necessrio definir os seguintes itens (SANDRI, 1999)(BRAGA, 1995): Definio do modelo e das caractersticas operacionais para estabelecer as particularidades da arquitetura do sistema e definio das propriedades operacionais do controlador fuzzy do projeto, como o tipo de controlador, operadores a serem utilizados, defuzzificador, entre outros; Definio dos termos lingsticos de cada varivel. Para garantir suavidade e estabilidade deve-se permitir que haja uma sobreposio parcial entre conjuntos nebulosos vizinhos;

44

Definio do comportamento do controle, que envolve a descrio das regras que atrelam as variveis de entrada s propriedades de sada do modelo.

Portanto, no projeto de um sistema fuzzy necessrio a definio de alguns parmetros obtidos a partir da experincia do projetista ou atravs de experimentos. Tendo em vista um determinado processo, alguns desses parmetros so fixos e denominados parmetros estruturais (como, por exemplo: variveis lingsticas, funes de pertinncia, conjunto de regras), e outros, os parmetros de sintonizao, so aqueles que variam com o tempo (universo de discurso das variveis). Aps as definies prvias, um processo fuzzy (GOMIDE, 1995; OLIVEIRA, 1999) dividido em trs mdulos: Fuzzificao, Inferncia e Defuzzificao, 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-Eficcia. Acompanhando a Figura 4.2 observa-se que o processo iniciado pela entrada de variveis precisas ou crisp (no fuzzy) resultantes de medies ou observaes. Em virtude disto, necessrio efetuar um mapeamento desses dados precisos para os conjuntos fuzzy (de entrada) relevantes, o que realizado no estgio de fuzzificao. Assim, na fuzzificao as variveis de entrada so normalizadas em um universo de discurso padronizado. Esses valores so ento fuzzificados com a transformao da entrada crisp em conjuntos fuzzy para que eles se tornem instncias de variveis lingsticas. Aps, ocorre a ativao das regras relevantes para uma dada situao de entrada. As regras podem ser fornecidas por especialistas, em forma de sentenas lingsticas, e se constituem em um aspecto fundamental no desempenho de um sistema de inferncia fuzzy. As regras so formadas por estruturas do tipo IF <premissa> THEN <concluso>. Estas regras, juntamente com os dados de entrada, so processadas pelo procedimento de inferncia que infere as aes de controle de acordo com o estado do sistema, aplicando o operador de implicao conforme o procedimento de inferncia.

Figura 4.2: Mdulos de um Sistema de Inferncia Fuzzy (REZENDE, 2005).

45

Em um dado controlador fuzzy, importante que existam tantas regras quantas forem necessrias para mapear totalmente as combinaes dos termos das variveis, isto , que a base seja completa, garantindo que sempre exista ao menos uma regra a ser disparada para qualquer entrada. Tambm essencial a consistncia, onde se procura evitar a possibilidade de contradies e a interao entre as regras (SANDRI, 1999). No estgio de inferncia ocorrem as operaes com conjuntos fuzzy propriamente ditos: combinao dos antecedentes das regras e implicao. Os operadores composicionais de inferncia mais utilizados so o Max-min (B(y) = max{min[A(x),R(x,y)]}) e o Max produto (B(y) = max{A(x).R(x,y)}). O Max-min utilizado no modelo Mandani (MANDANI, 1974). Uma vez obtido o conjunto fuzzy de sada atravs do processo de inferncia, no estgio de defuzzificao efetuada uma interpretao dessa informao. Isto se faz necessrio pois em aplicaes prticas so geralmente requeridas sadas precisas, ou seja, o valor das variveis lingsticas de sada ser traduzido para um valor discreto numrico, com o objetivo de se obter o que melhor represente o valor desejado. Existem diversos mtodos de defuzzificao, entre eles: PrimeiroMximo (SOM): Encontra o valor de sada atravs do ponto em que o grau de pertinncia da distribuio da ao de controle atinge o primeiro valor mximo; Mtodo da Media dos Mximos (MOM): Encontra o ponto mdio entre os valores que tm o maior grau de pertinncia inferido pelas regras; Mtodo do Centro da rea (COA): O valor de sada o centro de gravidade da funo de distribuio de possibilidade da ao de controle.

Jang e Gulley (1997) apresentam algumas vantagens do uso da Lgica Fuzzy em relao abordagem clssica (Crisp): a naturalidade de sua abordagem a torna conceitualmente fcil de entender; sua flexibilidade; sua tolerncia a dados imprecisos; poder ser construda com base na experincia de um especialista; simplificar a soluo do problema e a aquisio da base de conhecimento, proporcionar um rpido prottipo dos sistemas e ser baseada em linguagem natural, base da comunicao humana. Como exemplos da utilizao da Lgica Fuzzy neste contexto tem-se o trabalho de Yager (2000), que apresenta a utilizao da modelagem Fuzzy para construir agentes inteligentes no mbito do comrcio eletrnico, e o tutor FLAME (Fuzzy Logic Adaptive Model of Emotions), idealizado por Nasr et al. (2000), que utiliza a lgica fuzzy para representar as emoes do aluno por intensidade e mapeia os eventos e expectativas para os comportamentos e estados emocionais do aluno.

4.1 Consideraes do Captulo

O estudo da Lgica Fuzzy mostrou as possibilidades existentes de utiliz-la na modelagem da mquina de inferncia de agentes cognitivos e evidenciou o seu potencial para tratar as questes de impreciso e subjetividade que implicam em um modelo de aluno. Nesta tese a Lgica Fuzzy utilizada como mquina de inferncia do agente idealizado. Esta mquina de inferncia engloba o modelo para aspectos da AutoEficcia e o conhecimento e inferncia que o agente possui sobre a mesma.

46

5 O PROJETO DO AGENTE MEDIADOR DA AUTOEFICCIA

O agente proposto neste trabalho, denominado agente Mediador da Auto-Eficcia (MAE) est inserido em um ambiente de ensino e aprendizagem na WEB. Esse agente capaz de perceber a Auto-Eficcia do aluno atravs de comportamentos observveis (correspondem ao curso das aes do aluno na interface) e prover o modelo do aluno com esta nova varivel (BICA, 2006). O agente MAE, quando necessrio, seleciona feedbacks (tticas afetivas) que so apresentados ao aluno durante a sua sesso de estudo, atravs do agente PAT (descrito na seo 2.3), na tentativa de aumentar a AutoEficcia 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 informaes vindas do ambiente no qual ele coabita e da sua base de conhecimento. Os atuadores afetam diretamente a condio desse ambiente, atravs 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
Comportamentos observveis

Atuadores Agente Aluno Sensores Base de Conhecimento Mquina de Inferncia Atuadores Agente PAT Sensores Atuadores Sensores Agente MAE

Figura 5.1: Ambiente abstrato composto por agentes humanos (Aluno) e dois agentes artificiais (MAE e PAT).

47

O agente MAE um agente que possui as seguintes caractersticas: Conhece o seu mundo, ou seja, percebe dinamicamente as condies do ambiente, interpretando percepes, resolvendo problemas e extraindo inferncias. O conhecimento a respeito do seu mundo est representado na sua Base de Conhecimento; Toma decises que afetam condies do ambiente, com o auxlio de uma mquina de inferncia fuzzy, determinando suas possveis aes. Ou seja, um agente baseado em conhecimento e raciocnio.

A comunicao entre os agentes MAE e PAT peer-to-peer (ponto-a-ponto), sendo que apenas o agente MAE envia mensagens. O agente PAT, nesse trabalho, utilizado como um agente reativo, ou seja, comporta-se num modo estmulo-resposta, sempre executando as aes de acordo com as mensagens recebidas do agente MAE. A mensagem composta por um texto ou por uma referncia de comportamento fsico. Esses textos e referncias so explanados na seo 1.1.1. Para que o agente MAE realize as suas atividades, necessrio que o aluno no incio da sua sesso de estudo se identifique, selecione o tempo que almeja permanecer na sesso e escolha o objetivo da aprendizagem. Na interface com o aluno, o objetivo de aprendizagem denominado Objetivo Pessoal e os perodos de tempo existentes so: At 30 minutos, 30 a 60 minutos e 60 a 120 minutos. Na primeira modelagem de AutoEficcia optou-se por no utilizar essa varivel de tempo, visto que a mesma pode no representar o tempo real que o aluno permaneceu na sesso, uma vez que, por exemplo, o tipo de conexo a Internet utilizada pelo aluno um fator que dificulta essa medida. Portanto, nesse momento, o tempo na sesso uma varivel do modelo do aluno, contudo no est relacionada a Auto-Eficcia capturada do mesmo. Neste trabalho, assim como em (JAQUES, 2004) e (AMES, 1990), utilizou-se dois tipos de objetivos de ensino. Esses objetivos esto relacionados com a motivao intrnseca e extrnseca, exposta no Captulo 3. Dessa forma, o objetivo intrnseco selecionado o domnio do assunto (aprendizagem) e o objetivo extrnseco o desempenho. Segundo Locke (1991) a auto-definio dos objetivos aumenta a satisfao, mas no garante avanos no desempenho. Contudo, a auto-definio dos objetivos pode ter mais influncia no desenvolvimento de habilidades de alunos que possuem dvidas sobre suas prprias capacidades, ou seja, a definio do objetivo pelo aluno pode ajudar no aumento da Auto-Eficcia do mesmo em relao as suas capacidades. Cerdeira (1995) e Bandura (1986) sustentam que quando se permite aos indivduos as escolhas de suas metas, esses assumem para com elas um compromisso, passando desse modo a considerarem-se responsveis pelos progressos relativos a sua persecuo, incrementando assim os sub-processos da auto-avaliao e, por isso, tambm, o nvel de desempenho e as expectativas de Auto-Eficcia. De acordo com Ames (1990), os alunos podem ter objetivos orientados aprendizagem ou ao desempenho. Alunos que tm objetivo de aprendizagem so orientados a desenvolver novas habilidades, tentar entender seu trabalho, aperfeioar o seu nvel e competncia, e aprender novos contedos. J os alunos que possuem objetivo de desempenho acreditam que o desempenho importante e eles querem mostrar que tm capacidade. Eles sentem que obtiveram sucesso quando agradam o

48

professor ou pais, ou quando se saem melhor que seus colegas, ao invs de quando aprenderam algo novo. Ames (1990) afirma que os alunos que selecionam o objetivo de aprendizagem intrnseco tentam fazer mais esforos para aprender algo novo ou quando se defrontam com tarefas desafiantes. Quando esses alunos enfrentam dificuldades, eles aumentam os seus esforos porque acreditam que o esforo necessrio para o sucesso. Ames (1990) alega que os alunos que so motivados extrinsecamente, e por conseqncia selecionaram o objetivo de aprendizagem desempenho, quando enfrentam dificuldades no aumentam os seus esforos porque isso significa falta de capacidade para eles. Esse comportamento indica que esses alunos podem ter menos controle sobre a auto-regulao da sua aprendizagem que os alunos que selecionam domnio do assunto. Aps a seleo do tempo, na seo e do objetivo de aprendizagem, o aluno tem acesso ao material didtico disponvel no ambiente piloto que est descrito no Captulo 7. A navegao do aluno no material didtico livre. As suas escolhas e o tempo em que ele permanece nas pginas percorridas, assim como o desempenho nos exerccios so armazenados em uma base de dados, mais precisamente no Log do ambiente. atravs desse Log que o agente MAE captura as variveis para comear o seu objetivo que o de inferir a Auto-Eficcia do aluno, conforme ilustrado na Figura 5.2.

Base de conhecimento

Base de Dados

Inferncia da Auto-Eficcia

Informa Objetivo Pessoal e Tempo na sesso Gera Log

Agente MAE
Ativa PAT com feedback

Interface

Aluno
Mostra Feedback

comunicao peer-to-peer

Agente PAT

Figura 5.2: Funcionamento geral da interao entre os agentes MAE e PAT e um aluno. Durante o processo de interao do aluno com o ambiente, a base do conhecimento do agente MAE constantemente atualizada. na base de conhecimento que o modelo do aluno, tticas (feedbacks) e demais variveis utilizadas na inferncia da AutoEficcia esto armazenadas. As variveis identificadas no modelo so inicialmente capturadas a partir dos comportamentos observveis dos alunos atravs dos Logs gerados por suas respectivas

49

escolhas dentro das opes oferecidas no ambiente. Essas variveis precisam ser prprocessadas. Para isso, o agente separa os Logs do aluno para calcul-las e armazen-las na sua base de conhecimento. Essa base inclui as percepes (conhecimento) e o raciocnio (regras de inferncia) do agente. As percepes incluem por aluno (modelo do aluno) os seguintes dados: Auto-Eficcia, esforo, persistncia, padro pessoal, nmero de vezes que realizou os exerccios, desempenho mdio nos exerccios, tempo estimado (informado no incio da sesso), tempo de fato (calculado pelo agente no incio da sesso subseqente), feedback selecionado e histrico desses dados por sesso. O raciocnio inclui o modelo fuzzy, que possui conjuntos e variveis lingsticas, regras de inferncia e funes de pertinncia. O agente tambm possui armazenadas na sua base as tticas afetivas selecionadas de (JAQUES, 2004), agrupadas por Padro Pessoal e Auto-Eficcia. Assim como em (BERCHT, 2001) utiliza-se o esforo e medidas de desempenho no modelo do aluno e que tambm foram utilizados em (JAQUES, 2004). Em (JAQUES, 2004) utilizado um questionrio para averiguar o tipo de motivao (intrnseca, extrnseca) que o aluno possui. J no trabalho aqui proposto realizada uma pergunta direta sobre qual o objetivo pessoal do aluno na sesso de estudo e atravs do seu comportamento que o agente MAE verifica se este objetivo est sendo cumprido.

5.1 As Atividades do Agente MAE

As atividades realizadas pelos sensores e atuadores do Agente MAE, para realizar o processo de inferncia da Auto-Eficcia do aluno esto ilustradas na FiFigura 5.3 e so as seguintes: Percepo, Fuzzificao, Inferncia, Seleo do Feedback e Comunicao com PAT. Na percepo o agente recupera o Log do aluno e pr-processa as informaes para transform-las em variveis da sua base de conhecimento, ou seja, o agente MAE, calcula as variveis (esforo em minutos, persistncia em porcentagem e desempenho em mdia) e as armazena na sua BC (Modelo do Aluno). Na fuzzificao o agente, atravs do modelo fuzzy armazenado na sua BC, transforma as entradas crisp de esforo, persistncia e desempenho em valores fuzzy e recupera os respectivos graus de pertinncia para cada um dos termos lingsticos. Essas pertinncias advm de funes matemticas (crescente, decrescente, trapezoidal e triangular) armazenadas na sua BC (modelo fuzzy). No procedimento de inferncia fuzzy o agente recupera as regras de inferncia da sua BC e substitui os termos lingsticos por suas respectivas pertinncias, verificando qual(is) regra(s) so mais pertinentes. O agente utiliza o operador composicional de inferncia MIN para descobrir qual a pertinncia resultante de cada regra de inferncia (a escolha desse operador se deve ao fato das regras de inferncia utilizam o conetivo E). Aps, o agente agrupa as regras por termo lingstico do conjunto de sada, selecionando apenas a regra que resulte na maior pertinncia. Sendo assim, no mximo uma regra recuperada por termo lingstico. A partir do(s) resultado(s) da(s) regra(s) tm-se o(s) termo(s) do conjunto de sada que devem ser cortados de acordo com a pertinncia resultante do operador MIN.

50

0 ,8 0 ,6

0 ,4 0 ,2 0 0 1 2 3 4 5 6 7 8 9 10 11 12

Minutos
0,8 0,6 0,4 0,2 0

1 0,8 0,6 0,4 0,2 0

M dia

Por ce ntagem

1 0,8 0,6 0,4 0,2 0

,00 ,00 ,00 ,00 ,00 80 90 ,00 10 0,0 0 0 ,00 ,00 10 20 60 ,00 70 30 40 50

Fi Figura 5.3: Arquitetura do MAE. O procedimento de inferncia fuzzy finaliza com a inferncia do valor de sada (medida de Auto-Eficcia), que corresponde ao termo lingstico mais pertinente (operador composicional de inferncia MAX). No necessrio realizar a defuzzificao j que as tticas foram dividas pelos termos lingsticos (baixa, mdia, alta) do conjunto de sada (Auto-Eficcia) e no por um valor numrico discreto. Tendo descoberto a medida de Auto-Eficcia, o agente seleciona um feedback coerente com essa medida e com o padro pessoal selecionado pelo aluno no incio da sesso de estudo. As tticas do agente PAT esto divididas por tipo de padro pessoal e medida de Auto-Eficcia, assim, o agente sorteia uma das tticas possveis. No modelo da Auto-Eficcia, Bandura (1997) aponta a importncia do feedback. O feedback pode ser intrnseco, ou seja, realizado internamente pelo aluno (por seus rgos sensoriais) e extrnseco que dependente de fonte externa. Dessa forma, o feedback extrnseco selecionado para este trabalho consiste em tticas afetivas verbais (textuais) e fsicas (animao) apresentadas pelo agente pedaggico PAT, idealizado por Bocca (2003) e Jaques (2004), descrito na seo 2.3. Os Agentes pedaggicos segundo(GIRAFFA, 1999; ARAFA, 2000; JOHNSON, 2004) so 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 tm como objetivo auxiliar os estudantes no processo de ensino-aprendizagem. O agente pedaggico animado apresenta a vantagem de aumentar a comunicao entre alunos e computadores, e de incrementar a habilidade do computador para engajar e motivar o aluno, alm de tambm poder aumentar a motivao do estudante, assim como a sua ateno. Cabe salientar, que neste trabalho o PAT utilizado como um agente com funo de parceria e no de interveno. Quando o agente MAE achar necessrio, o PAT acionado com uma mensagem que corresponde a um feedback e aps mostrar a ttica se oculta aguardando a prxima mensagem do agente MAE.

51

No trabalho de Jaques (2004) foram elaboradas tticas verbais e fsicas de acordo com uma srie de eventos como: Resposta do exerccio correta, aluno pede ajuda, aluno desabilita agente, entre outros. As tticas eram utilizadas de acordo com as emoes alegria e tristeza, satisfao e frustrao, raiva e gratido e vergonha captadas do aluno. Dessas tticas 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 tticas para padro pessoal Intrnseco e a para o padro pessoal Extrnseco, ambas divididas por medida de Auto-Eficcia. As tabelas descrevem os seguintes dados: na primeira coluna o nome da ttica e se essa verbal ou fsica, a segunda coluna contm uma breve descrio da animao se for uma ttica fsica e por fim, na terceira coluna est o texto ou uma imagem correspondente a animao que a PAT mostra ao aluno. Os nmeros entre parnteses representam as referncias dessas tticas no trabalho de Jaques (2004). O sistema de controle de feedback proposto por Bandura (1997) funciona como um motivador, interferindo assim na auto-eficcia e motivao do aluno. Dessa forma, neste trabalho, foram selecionadas as seguintes tticas afetivas verbais e fsicas do trabalho de Jaques (2004): Empatia (fsica), Encorajar (fsica, verbal), Mostrar Curiosidade (fsica), Aumentar Esforo do Estudante (verbal), Reconhecer o Esforo do Estudante (verbal), Nova Habilidade (fsica, verbal), Congratular (fsica, verbal), Aumentar Persistncia (verbal). Cabe ressaltar que algumas tticas so mistas, ou seja, aps um comportamento fsico (animao) o PAT apresenta um comportamento verbal.

Tabela 5.1: Tticas para Padro Pessoal Intrnseco e Auto-Eficcia Baixa Auto-Eficcia Baixa Ttica Descrio Animao (6). Pat d 2 piscadinhas rpidas para o aluno (Ref. idle2) Imagem/Texto

Empatia (fsica)

(30). Juntos vamos superar! O importante continuar tentando! Encorajar (verbal) (31). Vamos em frente! Voc conseguir!

52

Auto-Eficcia Baixa (7). Pat d uma piscadinha e sorri. (Ref. estmulo4)

Encorajar (fsica/mista)

(8). Pat est lutando boxe e ela acerta um saco de pancadas onde est escrito minhas dificuldades (Ref. tutoria1) (9). Pat deita de cansao em um sof. No desanime! (Ref. estmulo7) desanime!

Texto: No

Texto: Eu sei que voc capaz de nocautear as suas dificuldades. (21). Pat l pergaminho. Mostrar Curiosidade (fsico) (Ref. tutoria5)

Aumentar Esforo Estudante (verbal)

(46). apenas necessrio fazer um pouco mais de esforo! Vamos tentar mais uma vez?

53

Tabela 5.2: Tticas para Padro Pessoal Intrnseco e Auto-Eficcia Mdia Auto-Eficcia Mdia Ttica Nova Habilidade (verbal) Descrio Animao Imagem/Texto (54). O sucesso nessa atividade mostra que voc adquiriu novas habilidades. (alterada) (18). Pat se torna uma super herona e voa na tela. (Ref. tutoria7)

Nova Habilidade (fsica/mista) (19). Pat faz malabarismos com bolas. (Ref. tutoria8)

Texto: adquiriu novos super-poderes.

Voc

Aumentar Esforo do Estudante (verbal)

(48). Continue com os seus esforos que o sucesso est a caminho. (46). apenas necessrio fazer um pouco mais de esforo! Vamos tentar mais uma vez? (50). Voc um vencedor! Lembre de tudo que voc j conseguiu fazer! (alterada)

54

Tabela 5.3: Tticas para Padro Pessoal Intrnseco e Auto-Eficcia Alta Auto-Eficcia Alta Ttica Nova Habilidade (fsica/verbal) Descrio Animao Imagem/Texto

Idem Nova Habilidade (fsico/verbal) Auto-Eficcia Mdia Padro Pessoal Intrnseco (1). Pat joga dardos e acerta. (Ref. estmulo8)

(2). Pat chuta bola de futebol e faz gol. (Ref. estmulo2)

Congratular(fsica)

(3). Pat aplaude aluno. (Ref. estmulo1)

(4). Pat participa do campeonato de corrida dos jogos olmpicos e vence. Tem varias pessoas a esperando e a aplaudindo. (Ref. estmulo3)

55

Auto-Eficcia Alta

Congratular(fsica) (continuao)

(5). Pat joga brinquedo de circo e acerta (Ref. estmulo9)

(25). Uauuuuu! Voc arrasou! Parabns pelos esforos que voc fez! (27). Parabns! Voc conseguiu! A sua performance foi estupenda! Congratular(verbal) (28). Parabns pelos seus esforos! Voc se saiu muito bem! (31). Vamos conseguir! Reconhecer Esforo do Estudante (verbal) em frente! Voc

(59). Continue assim! O esforo a chave do sucesso! (60). Parabns pelos esforos que tem feito. Continue assim!

Tabela 5.4: Tticas para objetivo extrnseco e Auto-Eficcia Baixa Auto-Eficcia Baixa Ttica Aumentar Persistncia(verbal) (nova) Descrio Animao Imagem/Texto (47). No desista! Vamos em frente! Para ter bons resultados necessrio ser persistente.(alterada) (49). Eu sei que voc capaz de acertar! Idem Encorajamento - Auto-Eficcia Baixa Padro Pessoal Intrnseco

Encorajar(fsica)

56

Tabela 5.5: Tticas para objetivo extrnseco e Auto-Eficcia Mdia Auto-Eficcia Mdia Ttica Nova Habilidade (verbal/fsico) Aumentar Persistncia (verbal) Descrio Animao Imagem/Texto Idem Nova Habilidade (fsico/verbal) Auto-Eficcia Mdia Padro Pessoal Intrnseco

(47). No desista! Vamos em frente! Para ter bons resultados necessrio ser persistente. (alterada) (50). Voc um vencedor! Lembre de tudo que voc j conseguiu fazer! (alterada)

Tabela 5.6: Tticas para objetivo extrnseco e Auto-Eficcia Alta Auto-Eficcia Alta Ttica Nova Habilidade (verbal/fsica) Descrio Animao Imagem/Texto Idem Nova Habilidade (fsico/verbal) Auto-Eficcia Mdia Padro Pessoal Intrnseco (26). Parabns! Voc conseguiu um timo resultado! Continue assim! Congratular(verbal) (27). Parabns! Voc conseguiu! A sua performance foi estupenda! (29). Parabns! Voc atingiu um bom resultado! (31). Vamos conseguir! em frente! Voc

Congratular(fsica)

Idem Congratulaes(fsico) Auto-Eficcia Alta Padro Pessoal Intrnseco

Algumas das tticas verbais advindas de (JAQUES, 2004) foram alteradas, j que o contexto em que elas estavam sendo utilizadas era diferente. Se a ttica verbal tiver sido alterada a palavra alterada entre parnteses foi includa no final do texto, ou ainda, se a ttica for nova foi inserido a palavra nova entre parnteses aps o nome da ttica nas Tabela 5.1 a Tabela 5.6. As mensagens que o agente PAT recebe do agente MAE possuem como contedo os Textos da terceira coluna se forem tticas verbais ou, se forem tticas fsicas, contm as

57

referncias (nome) dispostas na segunda coluna descritas em (Ref. nome_ttica). O PAT reconhece atravs das referncias qual comportamento deve animar. O MAE seleciona uma das tticas previamente divididas na Tabela 5.1 a Tabela 5.6. de acordo com o grau da Auto-Eficcia inferida e o objetivo selecionado pelo aluno no incio de cada sesso de estudo. Pode ocorrer de um estudante em uma sesso de estudo visualize mais de uma vez mesmo feedback. Finalmente, aps a seleo 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-Eficcia

Para que o agente MAE pudesse mediar a Auto-Eficcia do aluno, foi necessrio identificar o conhecimento do domnio (modelo da Auto-Eficcia). Esse modelo foi baseado em Bandura (1997) e Ames (1990) e agregou-se a ele a hiptese da utilizao da persistncia e do desempenho como variveis para a inferncia da Auto-Eficcia, alm do esforo e padro pessoal sugerido no modelo de Bandura (BICA, 2006). Sendo assim, como ponto de partida para a modelagem computacional, formulamos o pressuposto P:A Auto-Eficcia est relacionada ao objetivo (padro pessoal), esforo, persistncia e desempenho. A Figura 5.4 ilustra o modelo construdo, no qual diferentes variveis so utilizadas para capturar a Auto-Eficcia do aluno e, baseando-se no Padro Pessoal, diferentes tticas so selecionadas para aumentar a Auto-Eficcia do mesmo. Cabe ressaltar que o objetivo de aprendizagem/objetivo pessoal antes mencionado denominado Padro Pessoal no modelo idealizado, para seguir a nomenclatura proposta por Bandura(1997).

Figura 5.4: Modelo da Auto-Eficcia idealizado. Seguindo a Figura 5.4 tem-se que a varivel mapeada, relacionada mais fortemente com o Padro Pessoal Intrnseco o Esforo. O grau de Esforo pode ser entendido como a intensidade na realizao das atividades para atingir um alvo (Arison, et. al, 1990) e pr-processado como o tempo no qual o aluno permaneceu fazendo uma tarefa. Em Bercht (2001) o esforo calculado em funo da persistncia.

58

Para o Padro Pessoal Extrnseco, as variveis relacionadas mais fortemente so a Persistncia e o Desempenho. A persistncia pode ser entendida como a constncia em uma atividade (Soldato, 1995). Neste trabalho essa varivel pr-processada pela porcentagem de completude nas tarefas selecionadas. O Desempenho diz respeito mdia dos acertos nos exerccios. As tticas foram divididas em dois grupos: tticas para os alunos que selecionam padro pessoal intrnseco e tticas para os alunos que selecionam padro pessoal extrnseco. Portanto, as variveis utilizadas no modelo proposto so o padro pessoal, esforo, persistncia e desempenho. Aps a modelagem computacional da auto-eficcia, foi possvel utiliz-lo para realizar inferncias. O construto da auto-eficcia apresenta uma grande quantidade de incertezas e rudos e o processo de inferncia incompleto e pode ser baseado em conhecimento inconsistente. Esses fatores levaram seleo da Lgica Fuzzy para representar o modelo computacional. A Lgica Fuzzy (ZADEH,1978) permite um raciocnio aproximado, sendo interpretado como um processo de composio de relaes fuzzy, e, alm disso, permite a reduo de complexidade de projeto e implementao. 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 performance deficitria que esse mtodo apresenta e dificuldade para modelar a auto-eficcia devido a sua natureza incompleta. A AutoEficcia de um indivduo formada pela influncia de vrios fatores pessoais (presentes e passados) na forma de cognio, afetos e eventos biolgicos, 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-Eficcia A mquina de inferncia fuzzy do agente MAE engloba a definio do modelo fuzzy da Auto-Eficcia (BICA, 2006), que compreende em B conjuntos de entrada e um conjunto C de sada. Para cada um dos conjuntos so definidos V termos lingsticos e suas respectivas funes de pertinncia F(V), e por fim, regras de comportamento que definem as relaes entre os V termos dos conjuntos B e C. Os conjuntos B = {B1, B2, ..., Bk}, onde Bi (i = 1, 2, ..., k) a palavra ou sentena que descreve os k comportamentos observveis do aluno que servem como entrada do sistema fuzzy. Os k comportamentos so medidos e correspondem a um valor numrico positivo do conjunto Ui. As entradas numricas X={x1, ...xi,... xk}, onde xi Ui e Ui o universo de discurso das entradas, cada Ui + (i = 1, 2, ..., k) representam a medida dos valores de Bi e formula as entradas do processo. Partindo-se do pressuposto P foram definidas trs variveis lingsticas B1, B2 e B3 associadas aos comportamentos observveis do aluno, que so: B1= esforo, B2 = persistncia e B3 = desempenho. Cada conjunto Bi (i = 1, 2, ..., k) uma varivel lingstica, a qual pode conter um nmero diferente de termos lingsticos. O nmero de termos lingsticos fi e seus nomes V1, V2, ...,Vf so definidos como um conjunto T(Bi) = {V1, V2, ..., Vf}. Para cada um dos conjuntos de entrada devem ser especificadas as funes de pertinncia. Essas funes delimitam cada um dos Vi termos lingsticos existentes nos conjuntos de entrada Bi e retornam a pertinncia de um valor x para cada um desses

59

termos, sendo que x e Vi (x) [0,1]. Cabe ressaltar que, para cada material didtico inserido no ambiente, devem ser igualmente inseridas na BC do agente os Vi termos lingsticos de entrada e suas respectivas funes de pertinncia. A sada do sistema fuzzy representa o valor da Auto-Eficcia inferida e representada pelo varivel lingstica C=auto-eficacia, a qual tambm possui termos lingsticos. O nmero de termos lingsticos gi e seus nomes V1, V2, ...,Vg so definidos como um conjunto T(C) = {V1, V2, ..., Vg}. Para estipular os termos lingsticos do conjunto de sada C a teoria de Bandura (1997) foi interpretada. Normalmente, Bandura (1997) divide a Auto-Eficcia em Alta e Baixa ou ainda utiliza o termo forte senso de Auto-Eficcia. Dessa forma, foram selecionados os termos baixa e alta e inclui-se o termo mdia na tentativa de aumentar a capacidade de inferncia do modelo. Assim sendo, a varivel C possui os termos T(C)={baixa, media, alta}. A Tabela 5.6 apresenta os termos e definies dos pontos (x,y) do conjunto de sada (auto-eficcia) e sua delimitao de 0 a 100. Os pontos (x,y) apresentados geram o grfico ilustrado na Figura 5.5, que representa a funo de pertinncia do conjunto autoeficcia, delimitando os termos lingsticos. Essas funes foram selecionadas empiricamente, uma vez que no h uma especificao formal na teoria de Bandura (1997) do quanto representa a medida de auto-eficcia baixa ou alta. Tabela 5.7: Termo e definio dos pontos (x,y) do conjunto auto-eficcia
Nome do Termo baixa mdia alta Definio dos Pontos (x, y) (0, 1) (40, 0) (0, 0) (80, 0) (0, 0) (10, 0) (50, 0) (100, 0) (40, 1) (80, 1)

Figura 5.5: Funo de Pertinncia para os termos lingsticos do conjunto AutoEficcia O prximo passo a definio das regras de inferncia. No modelo apresentado, as caractersticas dos alunos so representadas pelos conjuntos e termos lingsticas associados. Sendo assim, as regras de inferncia envolvem variveis fuzzy e possuem o seguinte formato:

60

SE

B1 V1I1 E B2 V2 I 2 E B3 V3 I 3 ENTO C VI g
onde Ig = 1, 2,...., f.

Todas as combinaes possveis das pr-condies so denotadas como PCP e so representadas por um conjunto cartesiano dos conjuntos T = { T(B1),..., T(Bk)}: PCP = T(B1) ... T(Bk). A definio destas regras deve levar em considerao a relao entre os conjuntos (e seus termos lingsticos) e qual a possvel sada de Auto-Eficcia. S possvel definir as regras aps o especialista do contedo especificar os Vi termos dos conjuntos de entrada. A Figura 5.6 apresenta o modelo fuzzy da Auto-Eficcia idealizado na mquina de inferncia do agente MAE. Foram pr-definidos 3 conjuntos de entrada e o conjunto de sada. Para o conjunto de sada foram previamente definidos os termos lingsticos e suas respectivas funes de pertinncia.

Figura 5.6: Modelo Fuzzy da Auto-Eficcia Os termos lingsticos dos conjuntos de entrada e suas funes de pertinncia advm das definies do especialista (professor responsvel pela criao do material didtico) e inferncias da teoria de Bandura (1997) e Ames (1990). Outras teorias podero ser utilizadas, dependendo dos k conjuntos de entrada que podero ser inseridos no modelo. As regras de inferncia devem refletir a interao entre os k conjuntos de entrada e o conjunto C de sada, essas regras devem ser idealizadas atravs do conhecimento do especialista e teorias utilizadas para compor os k conjuntos de entrada.

61

5.3 Exemplo da utilizao do Modelo Fuzzy da Auto-Eficcia

O agente MAE est inserido em um ambiente de ensino e aprendizagem na WEB denominado InteliWeb, descrito no Captulo 7, no qual foi disponibilizado um material didtico sobre o contedo FLOR, em trs formas de apresentao. O professor (especialista) responsvel por esse contedo nos auxiliou a elaborar parte do modelo fuzzy da Auto-Eficcia. Atravs da experincia do professor em sala de aula e da interpretao da teoria, se chegou aos termos lingsticos para as variveis lingsticas B1= esforo, B2 = persistncia e B3 = desempenho. Sendo assim, os termos lingsticos de cada uma das variveis so: T(B1)={baixo, mdio, alto}, T(B2)= {curta, mdia, longa} e T(B3)= {insuficiente, bom, timo}. Para cada um dos conjuntos de entrada foram especificadas, juntamente com o especialista, as funes de pertinncia, que incluem as funes: trapezoidal, triangular, crescente e decrescente. Essas funes delimitam cada um dos Vi termos lingsticos existentes nos conjuntos de entrada Bi e retornam a pertinncia de um valor x para cada um desses termos, sendo que x e Vi (x) [0,1]. Como o ambiente piloto idealizado permite que o aluno percorra o material em todas as formas de apresentao, foi necessrio elaborar funes de pertinncia diferenciadas por tipo de apresentao para o conjunto esforo, uma vez que cada um possui extenso diferente apesar de pertencer ao mesmo tpico. A Figura 5.7 a Figura 5.9 ilustram a funo de pertinncia caracterstica do conjunto esforo para cada um dos tipos de apresentao. O eixo y representa o grau de pertinncia [0,1] e o eixo x o esforo em minutos.

Figura 5.7: Funo de Pertinncia para os termos lingsticos do conjunto Esforo na Forma de Apresentao HTML com figuras. A Tabela 5.1 apresenta os termos e definio dos pontos (x,y) dos conjuntos Esforo na forma de apresentao HTML com figuras. Esse conjunto, nessa forma, delimitado de 0 a 12 minutos. Os pontos (x,y) apresentados geram o grfico ilustrado na Figura 5.7.

62

Tabela 5.8: Termo e definio dos pontos (x,y) do conjunto Esforo na forma HTML com figuras
Nome do Termo baixo medio alto Definio dos Pontos (x, y) (0, 1) (3, 1) (0, 0) (9, 1) (0, 0) (3, 0) (9, 0) (5, 0) (6, 1) (10, 1)

A Tabela 5.2 apresenta os termos e definio dos pontos (x,y) do conjunto Esforo na forma de apresentao FLASH. Esse conjunto, nessa forma, delimitado de 0 a 5 minutos. Os pontos (x,y) apresentados geram o grfico ilustrado na Figura 5.8.

Tabela 5.9: Termo e definio dos pontos (x,y) do conjunto Esforo na forma FLASH
Nome do Termo baixo medio alto Definio dos Pontos (x, y) (0, 1) (1, 1) (0, 0) (4, 0) (0, 0) (1, 0) (2.5, 0) (2, 0) (3, 1) (3.75, 1)

Figura 5.8: Funo de Pertinncia para os termos lingsticos do conjunto Esforo na Forma de Apresentao FLASH A Tabela 5.3 apresenta os termos e definio dos pontos (x,y) do conjunto Esforo na forma de apresentao VIDEO. Esse conjunto, nessa forma, delimitado de 0 a 3 minutos. Os pontos (x,y) apresentados geram o grfico ilustrado na Figura 5.9.

63

Tabela 5.10: Termo e definio dos pontos (x,y) dos conjuntos Esforo na forma VIDEO
Nome do Termo baixo medio alto Definio dos Pontos (x, y) (0, 1) (0.8, 1) (0, 0) (2.4, 0) (0, 0) (1, 0) (2.2, 0) (2, 0) (2, 1) (3, 1)

A Figura 5.9 apresenta o conjunto esforo na forma VIDEO, cujos termos lingsticos so delimitados pelos seguintes valores: baixo de 0 to 2 minutos, mdio de 1 a 2.4 minutes e alto de 2.2 a 3 minutos.

Figura 5.9: Funo de Pertinncia para os termos lingsticos do conjunto Esforo na Forma de Apresentao VIDEO A Tabela 5.11 apresenta os termos e definio dos pontos (x,y) do conjunto Persistncia, o qual delimitado por uma porcentagem de 0 a 100. Os pontos (x,y) apresentados geram o grfico ilustrado na Figura 5.10, o qual representa a funo de pertinncia do conjunto persistncia, delimitando os termos lingsticos.

Tabela 5.11: Termo e definio dos pontos (x,y) do conjunto persistncia

Nome do Termo Curta Media Longa Definio dos Pontos (x, y) (0, 1) (50, 1) (0, 0) (80, 0) (0, 0) (40, 0) (70, 0) (60, 0) (65, 1) (100, 1)

64

Figura 5.10: Funo de Pertinncia para os termos lingsticos do conjunto persistncia A Tabela 5.5 apresenta os termos e definio dos pontos (x,y) do conjunto desempenho, o qual delimitado por uma mdia de 0 a 100. Os pontos (x,y) apresentados geram o grfico ilustrado na Figura 5.11 e que representa a funo de pertinncia do conjunto desempenho, delimitando os termos lingsticos.

Tabela 5.12: Termo e definio dos pontos (x,y) do conjunto desempenho

Nome do Termo insuficiente bom timo Definio dos Pontos (x, y) (0, 1) (20, 1) (0, 0) (80, 1) (0, 0) (30, 0) (100, 0) (70, 0) (60, 0) (70, 1) (100, 1)

Figura 5.11: Funo de Pertinncia para os termos lingsticos do conjunto desempenho Optou-se por trs termos lingstico para cada conjunto de entrada visto que, quanto maior o nmero de termos, maior o nmero de regras de inferncia e tempo de processamento do agente. Portanto, nesse primeiro modelo, simplificou-se o nmero de termos e regras para testar a operacionalidade do mesmo. Contudo, pretende-se aumentar o nmero de termos e conseqentemente o nmero de regras na tentativa de aumentar o poder de inferncia do agente.

65

Aps a definio dos Vi termos e respectivas funes de pertinncia, necessrio a definio das regras de inferncia Esse estgio 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-Eficcia em relao aos comportamentos observveis (esforo, persistncia e desempenho) e padres pessoais utilizados. As regras estipuladas so as seguintes: Se esforo baixo E persistncia curta E desempenho insuficiente ENTO auto-eficcia baixa Se esforo baixo E persistncia curta E desempenho bom ENTO auto-eficcia mdia Se esforo baixo E persistncia curta E desempenho timo ENTO auto-eficcia alta Se esforo baixo E persistncia mdia E desempenho insuficiente ENTO auto-eficcia baixa Se esforo baixo E persistncia mdia E desempenho bom ENTO auto-eficcia mdia Se esforo baixo E persistncia mdia E desempenho timo ENTO auto-eficcia alta Se esforo baixo E persistncia longa E desempenho insuficiente ENTO auto-eficcia baixa Se esforo baixo E persistncia longa E desempenho bom ENTO auto-eficcia mdia Se esforo baixo E persistncia longa E desempenho timo ENTO auto-eficcia alta Se esforo mdio E persistncia curta E desempenho insuficiente ENTO auto-eficcia baixa Se esforo mdio E persistncia curta E desempenho bom ENTO auto-eficcia mdia Se esforo mdio E persistncia curta E desempenho timo ENTO auto-eficcia mdia Se esforo mdio E persistncia mdia E desempenho insuficiente ENTO auto-eficcia mdia Se esforo mdio E persistncia mdia E desempenho bom ENTO auto-eficcia media Se esforo mdio E persistncia mdia E desempenho timo ENTO auto-eficcia mdia

66

Se esforo mdio E persistncia longa E desempenho insuficiente ENTO auto-eficcia mdia Se esforo mdio E persistncia longa E desempenho bom ENTO auto-eficcia alta Se esforo mdio E persistncia longa E desempenho timo ENTO auto-eficcia alta Se esforo alto E persistncia curta E desempenho insuficiente ENTO auto-eficcia baixa Se esforo alto E persistncia curta E desempenho bom ENTO auto-eficcia baixa Se esforo alto E persistncia curta E desempenho timo ENTO auto-eficcia baixa Se esforo alto E persistncia mdia E desempenho insuficiente ENTO auto-eficcia mdia Se esforo alto E persistncia mdia E desempenho bom ENTO auto-eficcia alta Se esforo alto E persistncia mdia E desempenho timo ENTO auto-eficcia mdia Se esforo alto E persistncia longa E desempenho insuficiente ENTO auto-eficcia alta Se esforo alto E persistncia longa E desempenho bom ENTO auto-eficcia alta Se esforo alto E persistncia longa E desempenho timo ENTO auto-eficcia alta A princpio, segundo as caractersticas mais expressivas dos alunos que selecionam um ou outro tipo de padro pessoal (AMES, 1990), algumas regras sero verdadeiras apenas para um dos padres pessoais. Exemplificando: Regra: Se esforo baixo E persistncia curta E desempenho timo ENTO auto-eficcia alta, observa-se que mesmo com o esforo e a persistncia inferiores, a auto-eficcia foi considerada alta porque o desempenho foi mximo. Essa regra, a princpio, ser verdadeira para os alunos que escolherem o padro pessoal desempenho. J no caso da Regra: Se esforo alto E persistncia longa E desempenho insuficiente ENTO auto-eficcia alta, est sendo priorizado o aluno com o padro pessoal domnio do assunto.

67

5.4 Exemplos prticos do funcionamento da mquina de inferncia Fuzzy do agente MAE

Um aluno, aps identificar-se no ambiente, seleciona o padro pessoal extrnseco (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 informaes do Log sobre os comportamentos observveis do aluno na realizao da mesma.

5.4.1 Exemplo 1 Suponhamos que os comportamentos sejam: esforo (HTML): 4.5 minutos; persistncia: 80%; desempenho: 60.9 de mdia. Acompanhando a Figura 5.12, os valores de entrada crisp so fuzzificados, transformando-se em termos lingsticos com suas respectivas pertinncias. Com isso, tem-se: esforo(( baixo(4.5))=0.25, mdio(4.5)=0.5, alto(4.5)=0) persistncia( curta(80)=0, mdia(80)=0, longa(80)=0.4) desempenho( insuficiente(60.9)=0.021, bom(60.9)=0.9, timo(60.9)=0.22) Nessa situao o agente recupera 6 regras com resultado diferente de zero: Regra 7 Se esforo 0.25 E persistncia 0.4 E desempenho 0.021 ENTO auto-eficcia baixa Auto-Eficcia Baixa (min(0.25, 0.4, 0.021) = 0.021 Regra 8 Se esforo 0.25 E persistncia 0.4 E desempenho 0.9 ENTO autoeficcia mdia Auto-Eficcia Mdia (min(0.25, 0.4, 0.9) = 0.25 Regra 9 Se esforo 0.25 E persistncia 0.4 E desempenho 0.22 ENTO autoAuto-Eficcia Alta (min(0.25, 0.4, 0.22) = 0.22 eficcia alta Regra 16 Se esforo 0.5 E persistncia 0.4 E desempenho 0.021 ENTO auto-eficcia mdia Auto-Eficcia Mdia (min(0.5, 0.4, 0.021) = 0.021 Regra 17 Se esforo 0.5 E persistncia 0.4 E desempenho 0.9 ENTO autoeficcia alta Auto-Eficcia Alta (min(0.5, 0.4, 0.9) = 0.4 Regra 18 Se esforo 0.5 E persistncia 0.4 E desempenho 0.22 ENTO autoeficcia alta Auto-Eficcia Alta (min(0.5, 0.4, 0.22) = 0.22 Agrupando as regras por termo de sada, tem-se: Regra 7: Auto-Eficcia Baixa (min(0.25, 0.4, 0.021) = 0.021 Regra 8: Auto-Eficcia Mdia (min(0.25, 0.4, 0.9) = 0.25 Regra 9: Auto-Eficcia Mdia (min(0.5, 0.4, 0.021) = 0.021 Regra 16: Auto-Eficcia Alta (min(0.25, 0.4, 0.22) = 0.22 Regra 17: Auto-Eficcia Alta (min(0.5, 0.4, 0.9) = 0.4 Regra 18: Auto-Eficcia Alta (min(0.5, 0.4, 0.22) = 0.22

68

Dadas essas regras e pertinncias, o termo lingstico baixa do conjunto de sada cortado em 0.021, o termo mdia em 0.25 e o termo alta em 0.4. Entre termos iguais o agente considera a pertinncia mais alta, uma vez que, a unio em conjuntos fuzzy o somatrio dos valor, retornando o maior valor. Com as pertinncia dos termos de sada calculadas o agente aplica o operador MAX, auto-eficcia(Max(0.021, 0.25, 0.4)), resultando no grau de pertinncia 0.4, o que neste caso equivale a dizer que a sada fuzzy auto-eficcia alta.

1,00
0,8

0,8

0,80
0,6

0,6

0,60
0,4

0,4

0,40
0,2 0 0 1 2 3 4 5 6 7 8 9 10 11 12

0,2

0,20
0

0,00

Minutos

Porcentagem

Mdia

1,2 1 0,8 0,6 0,4 0,2 0

0 10 ,0 0 20 ,0 0 30 ,0 0 40 ,0 0 50 ,0 0 60 ,0 0 70 ,0 0 80 ,0 0 90 ,0 0 10 0, 00

Figura 5.12: Exemplo 1 - Processo Fuzzy da Auto-Eficcia Para que o agente MAE acione o feedback necessrio que ocorra o processo exemplificado e a sada escolhida seja a que obtiver o maior . Dessa forma, o agente PAT ser acionado ao trmino de cada atividade. Cabe salientar que uma atividade consiste na seleo de um tpico em uma das formas de apresentao ou nessa seleo, seguida da realizao de exerccios ou, ainda, da realizao de exerccios seguida da seleo de um tpico. A realizao de um exerccio retorna ao agente MAE a varivel desempenho. A cada conjunto de exerccios respondido, como descrito anteriormente, vai sendo computado como a mdia entre acertos e o nmero de vezes que aluno os

69

realizou. J as variveis de esforo e persistncia so zeradas e computadas a cada nova escolha de tpico. Com isso, o agente PAT seria acionado para mostrar uma ttica de auto-eficcia inferida para padro pessoal intrnseco. 5.4.2 Exemplo 2 Suponhamos que os comportamentos sejam: esforo (HTML): 10 minutos; persistncia: 55%; desempenho: 60.0 de mdia. Acompanhando a Figura 5.13, os valores de entrada crisp so fuzzificados, transformando-se em termos lingsticos com suas respectivas pertinncias. Com isso, tem-se: esforo(( baixo(10))=0.0, mdio(10)=0.66, alto(10)=0.33) persistncia( curta(55)=0.5, mdia(55)=0.5, longa(55)=0) desempenho( insuficiente(60.0)=0.19, bom(60.0)=0.75, timo(60.0)=0

1
1

1 0,8 0,6 0,4 0,2 0

0,8
0,8

0,6
0,6

0,4
0,4 0,2 0 0 1 2 3 4 5 6 7 8 9 10 11 12

0,2 0

Minutos

Porcentagem

Mdia

1 0,8 0,6 0,4 0,2 0

0 10 ,0 0 20 ,0 0 30 ,0 0 40 ,0 0 50 ,0 0 60 ,0 0 70 ,0 0 80 ,0 0 90 ,0 0 10 0, 00

Figura 5.13: Exemplo 2 - Processo Fuzzy da Auto-Eficcia

70

Nessa situao as regras acionadas, com as maiores pertinncias, so as seguintes:

SE esforco=medio autoeficacia=media E persistencia=curta E desempenho=bom ENTO media(min( medio(10)=0.66, curta(55)=0.5, bom(60,0)=0.75)) = 0.5

SE esforco=alto E persistencia=curta E desempenho=bom ENTO autoeficacia=baixa baixa(min( alto(10)=0.33, curta(55)=0.5, bom(60,0)=0.75)) = 0.33 SE esforco=alto E persistencia=media E desempenho=bom ENTO autoeficacia=alta alta(min( alto(10)=0.33, media(55)=0.5, bom(60,0)=0.75)) = 0.33

Assim, o termo lingstico baixa do conjunto de sada cortado em 0.33, o termo mdia em 0.5 e o termo alta em 0.33, sendo assim o auto-eficcia(Max(0.5, 0.33, 0.33)) resulta no grau de pertinncia 0.5 o que neste caso, equivale a dizer que a sada fuzzy auto-eficcia mdia. Com isso, o agente PAT seria acionado para mostrar uma ttica de auto-eficcia inferida para padro pessoal extrnseco.

5.5 Consideraes
Este trabalho utiliza agentes na modelagem e projeto de um STI, seguindo uma arquitetura envolvendo cognio e emoo como em Bercht (2001) e Jaques (2004). Desses trabalhos foram utilizados os conceitos de persistncia e motivao e o personagem animado PAT juntamente com suas tticas afetivas. Em Berch (2001) as variveis persistncia e esforo so consideradas como uma nica varivel. Estes trabalhos utilizaram BDI na modelagem do agente. A fundamentao filosfica para a concepo de agentes deliberativos BDI vem do trabalho de Dennett (1987) sobre sistemas intencionais e de Bratman (1987) sobre raciocnio prtico. Lgicas BDI so lgicas multimodais com um operador modal para cada uma das atitudes mentais do modelo BDI, alm dos operadores usuais da lgica temporal de tempo ramificado e da lgica de ao. As arquiteturas BDI so um segmento da IA que tem explorado modelos de agentes baseados em crenas, desejos e intenes. A idia bsica da abordagem BDI descrever o processamento interno do estado de um agente utilizando um conjunto de categorias mentais (crena, desejo e intenes) e definir uma arquitetura de controle atravs da qual o agente seleciona racionalmente o curso de suas aes. Essas categorias mentais seriam correspondentes aos estados mentais humanos, que apresentam um vnculo com o mundo em termos da sua existncia e significncia. Os trabalhos citados, descritos no Captulo 2, utilizam o formalismo BDI proposto por Mra (1998), a qual uma teoria computacional de uso imediato e de baixa complexidade para descrio de agentes denominada X-BDI. Essa abordagem foi revista neste trabalho, devido dificuldade para modelar a Auto-Eficcia, pela sua natureza incompleta dentro do contexto que este trabalho est inserido e, tambm, pelo fato do X-BDI apresentar uma performance deficitria. Dessa forma, a abordagem selecionada foi a Lgica Fuzzy, apresentada no Captulo 4. A fora da Lgica Fuzzy deriva da sua habilidade em inferir concluses e gerar respostas

71

baseadas em informaes vagas, ambguas e qualitativamente incompletas e imprecisas. Neste aspecto, os sistemas de base Fuzzy tm habilidade de raciocinar de forma semelhante dos humanos, o que acarreta na construo de sistemas compreensveis e de fcil manuteno. O Modelo Fuzzy da Auto-Eficcia elaborado dividido em definies advindas da teoria de Bandura (1997) e Ames (1990). A Figura 5.14 apresenta as partes que compem o modelo e explicita a origem das definies de cada uma dessas partes. O modelo fuzzy da Auto-Eficcia representado por k conjuntos de entrada e um conjunto de Sada. Os conjuntos de entrada j especificados so o Esforo, Persistncia e Desempenho. Os Vf termos lingsticos e funes de pertinncia dos conjuntos de entrada devem ser definidos pelo especialista.

Figura 5.14: Modelo fuzzy idealizado para a Auto-Eficcia J o conjunto de sada representado pelo conjunto denominado Auto-Eficcia. Os Vg termos lingsticos e funes de pertinncia do conjunto de sada foram elaborados atravs da interpretao da teoria de Bandura (1997) e Ames (1990). As regras de inferncia refletem as influncias entre a combinao de Vf e Vg termos lingsticos e devem seguir a interpretao da teoria e o conhecimento do especialista. O nmero de regras depende do nmero de termos lingsticos determinado. O modelo proposto foi validado, uma vez que, o professor responsvel pelo primeiro material disponibilizado no ambiente definiu os termos e funes de pertinncia a ele requerido. Outros fatores so abordados no Captulo 8.

72

6 IMPLEMENTAO

A implementao deste trabalho foi realizada em trs partes: a primeira engloba o ambiente InteliWeb, a segunda o agente MAE e ajustes no agente PAT e por fim a incluso dos agentes no ambiente. Nas sees 6.1 a 6.3 esses procedimentos so explicitados.

6.1 InteliWeb
O ambiente InteliWeb foi inicialmente elaborado em uma disciplina de Projeto de Pesquisa do Programa de Ps-Graduao em Computao, abordado no Captulo 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 requisio atravs de um navegador Web. A interface gerada a partir de pginas JSP, as quais enviam comandos ao Servlet denominado Curso, armazenado no servidor. A pgina, por sua vez, acessa o Banco de Dados quando necessrio (autenticao do aluno, recuperao de material didtico, criao do Log) e redireciona, conforme a opo desejada, para a pgina JSP,para a pgina gerada pelo Servlet ou para o material didtico selecionado. Como servidor HTTP est sendo utilizado o Tomcat (Apache Software Foundation) (TOMCAT, 2004).

Figura 6.1: Estrutura desenvolvida.

73

Dentro da estrutura desenvolvida, tem-se que contedo FLOR dividido nos tpicos do Captulo 7 e que estes podem ser visualizados nas trs formas de apresentao. Alm da estrutura do material existe uma apresentao do ambiente, da Ementa e dos objetivos propostos pelo professor e dos exerccios. Na implementao foram elaboradas quatro principais classes: sendo um Servlet (Curso.java) responsvel pelo gerenciamento do ambiente, uma classe de definio de objetos de usurio (User.java), objetos de e-mail (Mail.java), os quais so utilizados pela classe do usurio e uma classe de acesso ao Banco de dados utilizada pelo Servlet (SqlBean.java). O diagrama das classes est ilustrado na imagem Figura 6.2.

Figura 6.2: Diagrama de Classes As reticncias presentes no diagrama de classes representam outros atributos e propriedades menos importantes que no foram especificados na imagem. A interface composta por cinco pginas JSP e o banco de dados foi estruturado de acordo com o ER ilustrado na Figura 6.3. O banco de dados contm informaes do curso estruturadas em 10 tabelas, dentre elas: Curso, Autor, Contedo, Tpico, Subtpico, Modelo (formas de apresentao) e URL (link para a pgina HTML, flash ou vdeo a ser apresentado). Os dados relacionados a alunos esto armazenados nas Tabelas: Aluno, Log (escolhas do aluno no ambiente, seja de contedo ou opes 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 so divididas em dois principais grupos, os quais so: Telas de Inicializao, que incluem a tela de apresentao e autenticao do aluno e Telas de Interface que so a interface do ambiente, na qual o aluno realiza as suas escolhas no material didtico e demais opes disponveis. Aps a tela de apresentao (ilustrada na Figura 6.4) e de identificao e autenticao 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 composta por trs partes: Pastas (Incio, Mail, Contedo); Barra de Ferramentas com vrias funcionalidades disponibilizadas e um Espao Visual (visualizao do material didtico ou demais opes da Ferramenta).

75

Figura 6.4: Tela de apresentao do ambiente

Figura 6.5: Tela de identificao do usurio

76

Figura 6.6: Interface do ambiente desenvolvido: composta por Pastas, Barra de Ferramentas e Espao Visual. O Espao Visual est mostrando a apresentao do ambiente e os objetivos propostos pelo professor. As pastas existentes so: Incio, Mail e Contedo e esto ilustradas na Figura 6.7. A pasta Incio apresenta uma mensagem de boas Vindas, dicas e eventuais mensagens da Ferramenta ao aluno, como por exemplo: Mensagem enviada com sucesso. e Destinatrio no cadastrado. J Na pasta Mail possvel enviar mensagens para usurios cadastrados (aluno, professor ou administrador). Por fim, a pasta Contedo apresenta o sumrio do curso a ser acessado pelo aluno na sesso de estudo.

77

Figura 6.7: Mensagens e opes das pastas: Incio, Mail e Contedo. A Barra de Ferramentas apresenta sete opes. So elas (da esquerda para a direita): Download (material didtico disponvel para download); Glossrio (apresenta um vocabulrio das palavras citadas no material didtico) o material didtico na forma HMTL possui referncias (links) para o glossrio, parte do glossrio est ilustrado na Figura 6.8; Ler Mensagem (opo de leitura/excluso/resposta a mensagens recebidas), tela ilustrada na Figura 6.9; Help (ajuda do Sistema informaes de como utilizar as opes disponveis na ferramenta) um trecho do Help ilustrado na Figura 6.10; Formas de Apresentao (cada vez que escolhido um material didtico o ambiente requer a escolha de uma das trs formas de apresentao desse material o material pode ser visualizado vrias 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 sesso e fecha a janela do navegador).

78

Figura 6.8: Tela do Glossrio 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 Apresentao do Material Didtico.

80

6.3 Implementao dos Agentes e integrao ao InteliWeb

O agente MAE foi implementado como um Servlet Java. A seleo de sua implementao por um Servlet se deve estrutura prvia 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 atribuda s pginas JSP que compem a interface do InteliWeb e esse Servlet foi transformado no agente MAE e implementa as atividades do agente MAE descritas no Captulo 5. A nova estrutura cliente-servidor ilustrada na Figura 6.12, sendo que os programas utilizados no lado servidor so os mesmos anteriormente citados. .

Figura 6.12: Nova Estrutura InteliWeb e Agentes. Assim como na estrutura anterior, o aluno faz a sua requisio atravs de um navegador Web. Acompanhando a Figura 6.12, as setas pretas indicam a requisio realizada e o retorno desta ao aluno, ou ainda, os acessos ao banco de dados. As setas largas indicam os caminhos pelos quais as requisies podem passar, ou seja, diretamente pelas pginas JSP ou pelo agente MAE. A interface do InteliWeb formada por pginas JSP informa ao agente MAE, a partir de chamadas get ou post, as opes selecionadas pelo aluno. Para implementao do agente MAE foi necessria a formalizao das classes de composio 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 atravs dela que o agente faz alteraes e consultas base de dados. As reticncias presentes no diagrama de classes representam outros atributos e propriedades menos importantes que no foram especificados na imagem. Os mtodos getattribute() e setattribute() representam todos mtodos get (recupera valor do atributo) e set (atribui valor ao atributo) presentes nas classes. Um diagrama de seqncia de utilizao das classes pelo Agente MAE ilustrado na Figura 6.14. Nesse diagrama so apresentados os principais passos do agente. A classe User.java (dados do aluno durante a sesso de estudo) foi alterada para englobar os dados de referncia ao processamento Fuzzy. Os feedbacks do agente PAT so tratados na classe Feedback.java. A BC do agente MAE engloba as classes citadas uma vez que estas compem os dados e a mquina de inferncia.

81

Conforme a Figura 6.12, para que o agente PAT execute necessrio que ele tenha sido previamente instalado no computador cliente, no diretrio MSAGENT\CHARS, dentro da pasta na qual o sistema operacional Windows tenha sido instalado. A instalao do PAT corresponde a um arquivo com extenso ACS (MS Agent).
MAE -aluno : User -FuzzySet : FuzzySet -Feedback : Feedback -... +initFuzzy() : void +initBanco() : void +doGet() : void +doPost() : void +Inference() : void +RandomizeBehaviour() : String +...() User -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 +setattribute() +getattribute() +...() Feedback -idfeedback : int -fala : String -acao : String -opcional : String +setattribute() +getattribute() FuzzySet -name_Fuzzyset : String -name_for_rule : String -init_limit : int -final_limit : int -TS : TermSet +FuzzySet() +setattribute() +getattribute() +getpertinence() : Inference +setTS() FuzzyRule -B1 -V1 -B2 -V2 -B3 -V3 -Cl -CL -FlagOR -FlagAND +rule_value() SqlBean -drive_str -uid -pwd -sql -resultset -statement -connection -resultsetmetadata +openDB() +doQuery() +getUpdateCount() +getNext() +getColumnName() +getString() +getInt() +closeSTM() +closeDB()

Pertinence -name_termSet : String -Pertinence : double +setattribute() +getattribute()

TermSet -name_TS : String -FT : FunctionType +TermSet() +setattribute() +getattribute() +pertinence() : double

Mail -origem : int -assunto : String -msn : String -data : String +setattribute() +getattribute() +...()

FunctionType -function_name -alfa -beta -gama -lambda +INC_Function() +DEC_Function() +TRI_Function() +TRA_Function() +pertinence() : double +...()

Inference -name_termset : String -pertinence : double +getname() : String +getpertinence() : double

Figura 6.13: Diagrama de Classes do Agente MAE. O agente PAT foi integrado s pginas JSP referentes interface do ambiente. O retorno de chamadas get recebidas pelo agente MAE, quando necessrio, resulta em mensagens para o agente PAT, como por exemplo: Animar ('tutoria1'), Animar ('estmulo7') e Falar ('Juntos vamos superar! O importante continuar tentando!'). atravs 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 comunicao ponto a ponto utilizada foi considerada adequada.

82

MAE

FuzzySet O mesmo ocorre para os conjuntos Esforo HTML, Esforo FLASH e Auto-Eficcia

TermSet

FuzzyType

FuzzyRule

Feedback

initFuzzy() new FuzzySet("esforoVideo", 0,3):

new Termset("baixo","DEC",3,5): new Termset("medio",1,2,2.4): new Termset("alto","INC",2.2,3):

DEC_Function TRI_Function INC_Function

new FuzzySet("persistncia", 0,100):

setTS(esforo):

new Termset("curta","DEC",50,60): new Termset("media",40,70,80): new Termset("longa","INC",70,95):

DEC_Function TRI_Function INC_Function

new FuzzySet("desempenho", 0,100):

setTS(persistncia):

new Termset("insuficiente","DEC",20,70): new Termset("media",30,70,80, 100): new Termset("timo","INC",60,100):

DEC_Function TRA_Function INC_Function esse mtodo chamado 27 vezes (nmero de regras fuzzy existentes)

setTS(desempenho): new FuzzyRule(...):

get/post:

A inferncia desencadeia os mtodos de pertinncia que resultam nas regras associadas e o valor da Auto-Eficcia Inference() getpertinence(FuzzySet)

A pertinncia calculada para cada FuzzySet, incluindo cada TermSet e seu respectivo FuzzyType

getPertinence(TermSet) BestRules

pertinence

SeleaoFeedback(Auto-Eficcia, objetivo) Feedback PAT

o agente aguarda informaes da Interface (pginas JSP - get/post) para iniciar uma nova inferncia

Figura 6.14: Diagrama de Seqncia ilustrando os principais passos da execuo do agente MAE.

83

Figura 6.15: Exemplos do agente PAT integrado a Interface do InteliWeb. O agente MAE necessita de informaes de Objetivo Pessoal e Tempo Estimado de estudo. Ento, essas questes foram includas na tela de identificao. A Figura 6.16 ilustra as alteraes na tela de identificao.

Figura 6.16: Nova Tela de Identificao, com a incluso de Objetivo Pessoal e Tempo estimado de estudo.

84

Foram acrescentadas 6 tabelas no banco de dados idealizado anteriormente: Sesso, Objetivo, Tempo, Feedback, Ttica e ModeloAluno. O novo E-R estabelecido est ilustrado na Figura 6.17. As novas tabelas esto marcadas com um retngulo ao redor dos respectivos nomes.

Figura 6.17: Novo E-R. As tabelas Objetivo e Tempo possuem, respectivamente, os objetivos e tempos cadastrados j explicitados no Captulo 5. A tabela Feedback corresponde aos comportamentos afetivos fsicos e verbais do agente PAT, sendo que sua estrutura manteve-se de acordo com Jaques (2004). Na tabela Ttica, os feedback foram agrupados de acordo com o objetivo pessoal e o grau da auto-eficcia inferida. As demais tabelas (Sesso e ModeloAluno) possuem informaes sobre o aluno. Na tabela Sesso gravada por sesso: data/hora de incio da seo e escolhas de objetivo e tempo do aluno. Quando o aluno inicia uma nova sesso, o agente MAE calcula o tempo total da sesso anterior. J na tabela ModeloAluno, o agente MAE grava e recupera os dados de aluno. A cada obteno do grau de auto-eficcia gerada uma linha nesta tabela, formando assim, um histrico do aluno sobre a sua auto-eficcia e demais variveis envolvidas no processo de captura da mesma.

85

7 INTELIWEB PROJETO PILOTO

A idealizao do InteliWeb teve inicio no mbito do projeto Aplicao de Tcnicas Psicopedaggicas para promover a interatividade do aluno mediado por computador, foi desenvolvida na disciplina CMP30(x) Projeto de Pesquisa, sob a orientao da profa. Rosa Vicari. A equipe formada incluiu os professores do curso de Biocincias, Jorge E. A. Mariath (diretor do Instituto de Biocincias) e Rinaldo P. Santos (autor do material didtico); 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 contm um material didtico sobre tpicos do contedo FLOR, sendo que este parte do material da disciplina Anatomia Vegetal do curso de Biocincias (UFRGS). Esse material envolve a anlise do ciclo biolgico em diferentes grupos taxonmicos, bem como o estabelecimento da gerao esporoftica e gametoftica, e o detalhamento da esporognese e gametognese em angiospermas. As etapas desse projeto incluem 8 principais atividades denominadas tarefas (A) a (H) e que incluem planejamento (tarefas (A) a (D)), implementao (tarefas (E) e (F)), testes (tarefa (G)) e avaliao do prottipo (tarefa (H)). As tarefas elaboradas foram as seguintes: A)Delineamento instrucional com o especialista em Biocincias; B)Discutir com o especialista sobre a formatao do material adquirido, o qual contenha a seleo dos pontos de avaliao, a determinao do inter-relacionamento dos contedos e a determinao das atividades e dos objetivos a serem realizados e alcanados no curso; C) Estabelecer com o especialista os diferentes modelos de apresentao dos contedo e tipos de tecnologias adequadas a esses modelos (animao, simulaes, textos, figuras, etc.); D) Adaptar o contedo desses modelos de apresentao cognio do aluno; E) Construir uma ferramenta na linguagem Java e uma base de dados para disponibilizar o material didtico; F) Desenvolver e implementar um material didtico a ser disponibilizado na rede Internet; G) Disponibilizar material na Internet atravs da ferramenta criada com recursos da linguagem Java e banco de dados para testes do ambiente como um todo;

86

H) Selecionar mtodo de avaliao do ambiente junto aos alunos que participarem da pesquisa. Os itens (A) a (H) so explanados nas sees 7.1 a 7.5

7.1 Delineamento do Material Didtico (item A)

O contedo selecionado pelo professor especialista foi o FLOR. Dentro desse assunto mais amplo abordada a citologia da clula vegetal, os tecidos e a anatomia dos rgos vegetativos e reprodutivos das Angiospermas.

7.2 Formatao do Material Didtico (item B)

Dentro do contedo FLOR, o professor selecionou os tpicos O Ciclo de vida das angiospermas e a alternncia de geraes(ciclo), A Flor(flor), O Microsporngio e a formao do gametfito masculino(micro) e O Megasporngio e a formao do gametfito feminino (mega). Nessa proposta de material didtico leva-se em considerao o nvel cognitivo compreenso (BLOOM, 1972) e espera-se detectar alguns subsdios de modelagem que possam ser aplicados em outros nveis cognitivos como, por exemplo, os de sntese, anlise, etc. O contedo do ambiente foi elaborado pelo professor da disciplina (denominado professor conteudista/especialista), que juntamente com a assessoria da psicloga instrucional do projeto procurou desenvolver um material interativo para intensificar a compreenso, absoro e domnio do assunto pelo aluno. O objetivo, segundo o professor especialista, da aula virtual denominada Anatomia da Flor - esporognese e gametognese, : o aluno poder visualizar como se d o processo de reproduo das plantas com flores; como o seu ciclo de vida e sua alternncia de geraes; os detalhes de formao das clulas envolvidas nas etapas da reproduo assexuada e sexuada; e como se d a dupla fecundao, o evento que leva formao do embrio e do endosperma no interior da semente das Angiospermas. Sendo assim, os objetivos do professor em relao aos alunos, interagindo com o material disponibilizad,o podem ser sintetizados por: aprender, entender e examinar.

7.3 Modos de apresentao do contedo (itens C, D e F)

A interatividade entre o material e o aluno possibilitada mediante o uso de suportes audiovisuais e hipermdia interativa e entre o aluno e o professor, mediante os meios de comunicao disponveis (e-mail e encontros presenciais, visto que a disciplina presencial). O material construdo possui trs formas de apresentao e dois tipos de exerccios, exemplificados na Tabela 7.1, os quais so: Formas de Apresentao: HTML (Hypertext Markup Language) com figuras, animaes FLASH e Vdeos explicativos; Exerccios: palavra-cruzada e perguntas com respostas de escolha simples.

87

Os tpicos do contedo FLOR desenvolvidos possuem quantidades diferentes de pginas HTML: Ciclo possui 5 pginas, Flor 7 pginas, Micro 9 pginas e Mega 5 pginas. Tabela 7.1: Exemplos de Material Didtico

Ciclo biolgico em HTML

Microsporngio em HTML

Microgametognese em animao FLASH

Partes da Flor em animao FLASH.

Exerccio em JSP.

Megametognese em animao FLASH

88

Os exerccios de escolha simples compreendem dezessete questes que abordam todo o contedo descrito. Cada vez que o aluno seleciona esse tipo de exerccio o ambiente monta a tela dos exerccios com cinco questes aleatrias. Quando o aluno pressiona no boto de resultado, o ambiente elabora uma pgina com o total de acertos, repetindo as questes selecionadas com as justificativas das respostas corretas ou informando que a resposta dada pelo aluno est incorreta, como ilustra a Figura 7.1. As justificativas foram igualmente elaboradas pelo professor conteudista.

Figura 7.1: Tela gerada pelo ambiente com as questes e justificativas das respostas corretas.

7.4 Construo da Ferramenta (item E)

A implementao do Ambiente e tabelas do banco de dados esto descritos na seo 6.1.

7.5 Disponibilizar o Ambiente na Internet (itens G e H)

As aplicaes do ambiente so descritas no Captulo 8.

89

8 PROCEDIMENTO DE AVALIAO DO AMBIENTE INTELIWEB

O ambiente InteliWeb foi utilizado na disciplina de Anatomia Vegetal como uma ferramenta de complementao da aula presencial, sendo considerado um modelo semipresencial de EAD (Peters (2001)), caracterstica 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 didtico selecionado e a gravao no Log gerada pelas escolhas na interface. Aps esta verificao ocorreu a primeira aplicao, no ano de 2004, em uma turma da disciplina de Anatomia Vegetal do Curso de Biocincias da UFRGS. A segunda etapa de testes incluiu o funcionamento dos agentes, a interao entre eles e a gravao 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 aplicao foi realizada em 2005 em uma turma da disciplina de Anatomia Vegetal do Curso de Biocincias da UFRGS. As aplicaes se sucederam conforme a disciplina Anatomia Vegetal, com a utilizao do ambiente no laboratrio, com a explicao do professor e por acessos extra-classe. O experimento composto por uma primeira aplicao do ambiente sem os agentes (Grupo 1) e uma segunda aplicao com os agentes (Grupo 2). A varivel analisada a Auto-Eficcia para os dois grupos. A varivel independente - ao de feedback do Agente pedaggico PAT tambm captada. Segundo o modelo de Bandura(1997), o feedback, que neste trabalho fornecido pelo agente PAT, atua sobre as crenas de auto-eficcia, que por sua vez ir atuar sobre o esforo, persistncia e desempenho. No Grupo 2 as tticas so divididas por tipo de padro pessoal e medida de Auto-Eficcia.

8.1 Amostra
A amostra deste trabalho constitui-se de 24 alunos de graduao do curso de Biocincias, sem conhecimento prvio sobre o contedo FLOR.

90

8.1.1 As Variveis e suas medidas Para este trabalho a anlise das variveis 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 estatstico seguiu os seguintes parmetros avaliando o nmero de amostras e tipo de dados: Tamanho e disponibilidade da amostra Relao entre as amostras A forma pela qual os dados so registrados a distribuio dos dados a dependncia ou no entre as variveis. Sob a perspectiva destes parmetros, a especialista em estatstica Professora Jandira Fachel, da faculdade de Matemtica e Estatstica da UFRGS apontou a aplicao do teste estatstico t-Student (MURTEIRA, 2001).

8.2 Aplicao do ambiente sobre o Grupo 1

O objetivo da aplicao do ambiente sobre o Grupo 1 foi de avaliar a interface e material instrucional, assim como obter dados de Log sobre a navegao dos alunos. A aplicao do ambiente para o Grupo 1 foi realizada no semestre 2004/1. Esta aplicao se baseou no protocolo de planejamento e mtodos descritos em [YIN, 2005]. Nesse estgio o agente MAE no 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. Ento essa amostra corresponde a 12 alunos (6 homens e 6 mulheres na faixa etria entre 17 e 19 anos). Todos os alunos responderam ao questionrio Nvel de Competncia Tecnolgica, impresso no ANEXO I. Este questionrio foi elaborado por (COSTA, 2002) e detecta o nvel em que se encontra o aluno no que diz respeito utilizao do computador. A pontuao nos fornece o valor que permite compreender melhor o nvel de competncia na utilizao do computador. Os resultados obtidos foram que 42% dos alunos que se submeteram aula virtual so principiantes no uso do computador, enquanto que 58% tm experincia assinalvel. Este questionrio foi utilizado para saber o nvel de competncia tecnolgica da turma e se o resultado desse influenciaria na utilizao do ambiente. Conforme observado, mesmos os alunos principiantes no uso do computador no tiveram dificuldades em utilizar a interface do ambiente. Os alunos que participaram do experimento responderam a um ps-questionrio denominado Acompanhamento do Experimento. Esse questionrio um procedimento para captar as percepes dos alunos quanto ao material didtico, incluindo os recursos didticos (teoria e exerccios), as formas de apresentao para a teoria (HTML, FLASH e VDEO), exerccios (mltipla escolha e cruzadas) e facilidade ao usar a interface. Este questionrio est impresso no ANEXO II. Como resultado, obteve-se um parecer favorvel quanto ao material terico e exerccios. Os alunos tambm acharam a interface agradvel e fcil de utilizar. As categorias do ps questionrio respondido pelos estudantes do experimento e um

91

resumo dos resultados de validao do domnio do ambiente piloto est ilustrado na Tabela 8.1.

Tabela 8.1: Categoria do Ps questionrio e resumo dos resultados Categorias Navegao Experincia com o material Outras Sugestes

-Dificuldades de - Diferentes formas de - interface fcil de utilizar conexo com o apresentao estimulam o -Mais links no texto em ambiente interesse HTML -Pouco tempo para Animaes Flash navegar no site ajudam nos processos de aprendizagem e compreenso - Os vdeos so mais estimulantes que as aulas expositivas O nmero mdio de acessos na interface do ambiente, por aluno, foi de 77 passos e o tempo mdio de acesso de 3 horas e 24 minutos. No final do semestre 2004/1, duas semanas aps a realizao do experimento, os alunos fizeram uma prova descritiva ministrada pelo professor da disciplina. O professor nos forneceu as notas relativas s questes pertinentes teoria exposta no ambiente. As mdias sobre dez foram as seguintes: alunos que participaram do experimento obtiveram nota 6,6 e alunos que no participaram nota 5,1. Para o professor a aplicao no Grupo 1 foi uma experincia satisfatria. O resumo dessa aplicao foi esboado no Anexo III. Com a finalizao do Agente MAE foi possvel recuperar do Log os valores da autoeficcia dos alunos no Grupo 1. Com esses resultados foi verificada, em porcentagem, a quantidade de vezes que cada um dos termos lingsticos da auto-eficcia foi averiguado pelo agente MAE. As medidas encontradas nas 214 atividades realizadas pelos 12 alunos so as seguintes: 18% das atividades foram consideradas com autoeficcia mdia, 36% com auto-eficcia alta e 46% com auto-eficcia baixa. Atravs dos Logs gerados pelos 12 alunos participantes foi possvel identificar a curvatura da auto-eficcia desses alunos sem a presena do feedback. O grfico ilustrado na Figura 8.1 exemplificam a auto-eficcia calculada por atividade para um dos aluno participantes. O eixo X ilustra a atividade e o eixo Y apresenta a pertinncia da auto-eficcia no intervalo de [0,1].

92

1,00

baixa baixa

baixa baixa

alta

alta mdia

0,80 baixa mdia

alta

0,60

0,40

0,20

0,00

10

Figura 8.1: Medidas da Auto-Eficcia resultantes da interao de um aluno do Grupo 1 no InteliWeb. O eixo X apresenta a atividade e o eixo Y a pertinncia de cada termo no intervalo de [0,1]. Foi calculada a mdia ponderada das auto-eficcias (baixa, mdia, alta) encontradas na amostra dos 12 alunos, gerando uma auto-eficcia nica para cada aluno. Para a autoeficcia alta foi multiplicado o fator 3, auto-eficcia mdia o fator 2 e auto-eficcia baixa o fator 1, resultando nos dados da Tabela 8.2. Tabela 8.2: Auto-Eficcia nica, calculada atravs de Mdia Ponderada
Grupo 1 Aluno 1 2 3 4 5 6 7 8 9 10 11 12 Auto-Eficcia 1,5795 1,800625 1,669048 2,086863 1,126094 1,761607 2,268571 1,684211 1,235714 1,91 1,481 2,7275

Esses dados so usados posteriormente no teste t-Student descrito na seo 8.4.

8.3 Aplicao do ambiente sobre o Grupo 2

O objetivo da aplicao 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 aplicao do ambiente para o Grupo 2 foi realizada no semestre 2005/2. Esta aplicao se baseou no protocolo de planejamento e mtodos descritos em [YIN, 2005]. A turma que participou da aplicao era composta de 12 alunos (4 homens e 8 mulheres na faixa etria entre 17 e 20 anos). O nmero mdio de acessos na interface do ambiente por aluno foi de 63 passos e o tempo mdio de acesso de 28 minutos. As medidas de auto-eficcia capturadas pelo agente MAE nas 174 atividades realizadas pelos 12 alunos so as seguintes: 10% das atividades foram consideradas com auto-eficcia mdia, 12% com auto-eficcia alta e 78% com auto-eficcia baixa. Novamente foi calculada a mdia ponderada das auto-eficcias (baixa, mdia, alta) encontradas na amostra de 12 alunos, gerando uma auto-eficcia nica para cada aluno. Para a auto-eficcia alta foi multiplicado o fator 3, auto-eficcia mdia o fator 2 e autoeficcia baixa o fator 1, resultando nos dados da Tabela 8.3. Tabela 8.3: Auto-Eficcia nica, calculada atravs de Mdia Ponderada
Grupo 2 Alunos 1 2 3 4 5 6 7 8 9 10 11 12 Auto-Eficcia 1,435833 1,211818 1,666667 1,06 0,905556 1 1,484545 1,378 1 0,895556 1,080606 2

Esses dados so usados posteriormente no teste t-Student descrito na seo 8.4. O resumo dessa aplicao foi esboado no Anexo IV.

8.4 Teste t-Student

Os resultados obtidos para os dois Grupos esto ilustrados na Tabela 8.4. Tabela 8.4 Estatsticas para o teste T-Student Grupo 1 2 Amostra 12 12 Mdia 1.7775 1.2592 Desvio Padro .4404 .3407

94

Para um nvel de confiana de 95%, com 22 graus de liberdade o valor do teste tStudent de 3,224 (SPIEGEL, 1981). Entre os dois grupos aplicados houve uma diferena significativa, a nvel de significncia de 5%, entre as mdias de auto-eficcia. (t=3,22; gl=22; p=0,004). Contudo, no podemos concluir quais os fatores que causaram essa diferena. importante que seja realizada uma nova aplicao com os agentes para refinar os resultados. Os dados retirados do banco de dados j denotavam diferenas 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 que um grande motivador externo, a prova aplicada do professor, foi realizada um ms depois da aplicao do ambiente. No primeiro experimento a prova foi realizada duas semanas aps a aplicao. As imagens ilustradas na Figura 8.2 e Figura 8.3 ilustram respectivamente o grau de Auto-Eficcia inferido nas atividades realizadas por um mesmo aluno, na data de aplicao do ambiente (17/11/2005) e em data posterior (12/12/2005), mais prxima data da prova.

ba ixa

ba ixa

0,8

al ta

ed ia

ba ixa

ba ixa

al ta

0,6 0,4

ba ixa

ba ixa

0,2 0 1 2 3 4 5 6 7 8 9 10 11 12

Figura 8.2: Medidas da Auto-Eficcia resultantes da interao de um aluno do Grupo 2 no InteliWeb em 17/11/2005. O eixo X apresenta a atividade e o eixo Y a pertinncia de cada termo no intervalo de [0,1].

ba ixa

ba ixa

ba ixa

95

0,8

al ta

al ta

al ta

0,6

0,4 0,2

0 1 2 3 4

Figura 8.3: Medidas da Auto-Eficcia resultantes da interao de um aluno do Grupo 2 no InteliWeb em 12/12/2005. O eixo X apresenta a atividade e o eixo Y a pertinncia de cada termo no intervalo de [0,1]. Na primeira interao desse aluno com o ambiente o mesmo selecionou objetivo intrnseco e obteve desempenho geral de 39.83, na segunda interao ele selecionou o objetivo extrnseco e o desempenho geral foi de 89.64.

8.5 Consideraes
Com base nos resultados foram corroboradas as hipteses 1 e 2, uma vez que a Auto-Eficcia foi inferida em todas as atividades realizadas pelos alunos e a mquina de inferncia Fuzzy alcanou uma boa performance (velocidade de clculo). A diferena significativa entre as amostras indica que o feedback selecionado neste trabalho parece no ter afetado positivamente os alunos da amostra. As tticas elaboradas no trabalho de Jaques (2004) so focadas em motivao. Para utiliz-las neste trabalho foram selecionadas as tticas compatveis com a Auto-Eficcia. Sendo assim, existe a possibilidade das tticas no terem afetado os alunos porque so orientadas motivao e no Auto-Eficcia. Nas duas aplicaes do ambiente a autora deste trabalho esteve presente observando os alunos e solucionando as dvidas que surgiram durante esse primeiro contato deles com o ambiente. Verificou-se que os alunos que formaram a segunda amostra no estavam muito comprometidos, na sua maioria ficaram navegando nas pginas sem se deterem nos tpicos. Sendo assim, para refinar os resultados sobre o feedback necessrio que ocorra outra aplicao semelhante ao segundo grupo.

al ta

96

9 CONCLUSO E PERSPECTIVAS DE TRABALHOS FUTUROS

Esta tese iniciou com a pesquisa sobre motivao e como utiliz-la para aperfeioar o desenvolvimento computacional do modelo do aluno, visando estender os trabalhos na rea do grupo do GIA. Atravs dessa pesquisa chegou-se ao construto da Psicologia Cognitiva denominado Auto-Eficcia, o qual possui influncia sobre a motivao. Este trabalho situa-se na modelagem computacional de aspectos da auto-eficcia, atravs da idealizao, proposta e desenvolvimento de um agente inteligente, denominado Agente Mediador da Auto-Eficcia (MAE). O conhecimento cognitivo do agente est modelado atravs de crenas de auto-eficcia, as quais so 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 Cincias Cognitivas e a Computao. Existem variados modelos de alunos na literatura, incluindo, por exemplo, propostas de gerncia de modelos de aluno como em (UCAID, 2002), modelos para agrupar pessoas (JOHNSON & JOHNSON 1997) e a incorporao de emoes ao modelo do aluno e utilizao 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 construo de ambientes de ensino. Quanto modelagem do aluno, a tecnologia relacionada com os agentes cognitivos (deliberativos), permite a construo de modelos mais robustos e a utilizao de agentes possibilita o desenvolvimento de diferentes raciocnios e a integrao de vrias aes para alcanar um determinado objetivo. Alm disso, a utilizao de agentes inteligentes uma boa opo para reduzir o custo desses sistemas, pois eles favorecem a modularizao e a evoluo. Nesse contexto, a maior contribuio deste trabalho a definio, modelagem e implementao de um agente que considera aspectos das crenas da auto-eficcia do aluno, realizando cursos on-line e, que utiliza essa inferncia na modelagem do aluno. Essas crenas correspondem a processos cognitivos do indivduo sobre suas capacidades, as quais, influenciam o seu comportamento, motivao, afetividade e escolha de tarefas do mesmo. Para realizar a modelagem computacional de aspectos da

97

auto-eficcia, cuja natureza engloba a cognio e afetividade, tomou-se por base os trabalhos de Bandura (1989, 1991, 1997) e Ames (1990). O agente MAE proposto neste trabalho est 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 caractersticas ser um agente cognitivo, de Internet, social e comportamental. Esse agente capaz de perceber a Auto-Eficcia do aluno atravs de comportamentos observveis (correspondem ao curso das aes do aluno na interface) e prover o modelo do aluno com esta nova varivel. O agente captura as variveis esforo, persistncia e desempenho de cada aluno e gera, a cada sesso, um modelo de aluno com informaes de Auto-Eficcia, uma para cada tarefa executada. Diferentemente de Bercht (2001), o esforo e a persistncia so variveis distintas. O agente MAE, quando necessrio, seleciona feedback (tticas afetivas) que so apresentados ao aluno durante a sua sesso de estudo atravs do agente PAT (JAQUES, 2004). Tal feedback faz parte do repertrio de tticas do agente PAT. Algumas tticas verbais foram alteradas ou includas. Adotou-se a Lgica Fuzzy como abordagem para mapear e inferir as crenas de Auto-Eficcia. Tais crenas so mapeadas atravs de variveis lingsticas fuzzy e o agente possui uma mquina de inferncia para process-las. Como principais vantagens dessa abordagem tem-se que uma deciso baseada no enfoque fuzzy semelhante ao processo intuitivo da deciso, ou seja, uma escolha ou um conjunto de escolhas extradas do conjunto das alternativas possveis. Dessa forma, o agente projetado e desenvolvido com uma mquina de inferncia fuzzy se torna mais flexvel. A implementao deste trabalho foi realizada em trs partes: a primeira engloba o ambiente InteliWeb (ambiente piloto), a segunda o agente MAE e ajustes no agente PAT e, por fim, a incluso 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 didtico selecionado e gravao no Log gerado pelas escolhas na interface. Aps esta verificao, ocorreu a primeira aplicao, no ano de 2004, em uma turma da disciplina de Anatomia Vegetal do Curso de Biocincias da UFRGS. A segunda etapa de testes inclui o funcionamento dos agentes, a interao entre eles e a gravao 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 aplicao foi realizada em 2005 em uma turma da disciplina de Anatomia Vegetal do Curso de Biocincias da UFRGS. As aplicaes do ambiente nas turmas da disciplina da Anatomia Vegetal basearamse no protocolo de planejamento e mtodos descritos em [YIN, 2005]. A partir da informao contida no modelo de aluno gerado pelo agente foram realizados testes estatsticos t-Student [MURTEIRA, 2001] para analisar as amostras. Comparando a experincia do uso da Lgica Fuzzy neste trabalho com o X-BDI utilizado no GIA conclui-se, preliminarmente, que a implementao da Lgica Fuzzy apresenta uma performance mais rpida e permite que novas variveis sejam facilmente agregadas ao modelo realizado. O X-BDI, por possuir uma representao declarativa apresenta um poder de representao maior que o Fuzzy. Maiores anlises sero realizadas em trabalhos futuros.

98

Dentro desse contexto, as contribuies deste trabalho so: Um modelo de aluno agregando mtricas para considerar a questo da autoeficcia (expanso do modelo de aluno do GIA); Utilizao da Lgica Fuzzy como mquina de inferncia de um agente para inferir a auto-eficcia do aluno; Desenvolvimento de um modelo computacional extensvel para a teoria da autoeficcia, o qual inclui aspectos das crenas da auto-eficcia; Seleo de tticas - feedbacks de trabalhos prvios do grupo GIA para serem utilizados no modelo computacional visando aumentar a auto-eficcia, 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; Realizao de uma comparao 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-Eficcia, com um dos nossos artigos aceitos e obtivemos uma resposta de incentivo e apoio, ilustrada no Anexo V.

9.1 Limitaes encontradas

No desenvolvimento deste trabalho confrontamos com uma questo que no foi possvel tratar que est na abrangncia dos aspectos que influenciam a Auto-Eficcia. Bandura (1997) cita uma srie de fatores que influenciam a Auto-Eficcia, como por exemplo, influncias de experincias passadas, interaes com o meio, etc. Por esse motivo, o modelo idealizado apresenta trs variveis possveis de serem captadas no ambiente InteliWeb. Outra limitao encontrada foi a ocorrncia de fatores externos na aplicao do ambiente, como a data da aplicao da prova pelo professor da disciplina, isso pode ter afetado a diferena entre o comportamento geral das amostras. Alm disso, o fato das turmas serem ministradas por um professor externo pesquisa limita a conduo da pesquisa, por mais que tentemos empregar a metodologia selecionada.

9.2 Trabalhos Futuros

O modelo de auto-eficcia definido neste trabalho facilmente extensvel. Em trabalhos futuros do grupo possvel acrescentar outras variveis (conjuntos de entrada e termos lingsticos) para estender o modelo realizado. O histrico gerado pelo agente MAE, contendo as Auto-Eficcias, esforos, persistncias e desempenhos do aluno por tarefa, pode ser utilizado como mtrica para inferncia de Auto-Eficcias futuras. Os resultados obtidos desta pesquisa esto permitindo o desenvolvimento de outro projeto de doutorado, relacionado a Feedback, na rea de IE e coordenado pelo PGIE Programa de Ps-Graduao em Informtica na Educao dessa Universidade. Esse

99

trabalho ir investigar feedbacks relacionados Auto-Eficcia que podero 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-Eficcia inferida para um Processo de Feedback externo, e esse processo determinar as aes de feedback para o estudante.

1 0,8 0,6

Percepo Aes do aluno

Desempenho Padro Pessoal Persistncia Esforo outros

Agente MAE

1
0,4 0,2 0 0 1 2 3 4 5 6

0,8 0,6 0,4

7 0,2 8 9 10 1 1 12

Minutos 0

M dia
1 0 ,8 0 ,6

Fuzificao

0 ,4 0 ,2 0

Porcentagem

Interface

Modelo Aluno

Modelo Fuzzy

Regras Inferncia
Processo de Feedback

pertinncias

Inferncia
1 0,8 0,6 0,4 0,2 0
0 1 0, 00 2 0, 00 3 0, 00 4 0,0 0 5 0,0 0 6 0, 00 7 0, 00 8 0, 00 9 0,0 0 10 0,0 0

Auto-Eficcia

Figura 9.1: Mudanas na arquitetura do agente MAE com a incluso de um Processo de Feedback. Para refinar os resultados obtidos importante que seja realizada uma nova aplicao do ambiente com os agentes. Essa aplicao seguir a metodologia empregada no Grupo 2 e ser realizada dentro do mbito do projeto de doutorado relacionado a Feedback previamente citado. O agente MAE tambm ser 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-Eficcia na modelagem de grupos de alunos dentro do ambiente AMPLIA idealizado por Flores (2003). Nesse trabalho no ser empregado o feedback que o agente atualmente utiliza, apenas a parte de inferncia da Auto-Eficcia como ilustrado na Figura 9.1. Outro fator que enriqueceria a pesquisa a aplicao do ambiente e dos agentes (ou s do agente MAE) em uma outra disciplina, com a formulao de outro material didtico e fazer uma comparao dos resultados. Para isso o professor da disciplina, aps formular o material com ao menos duas formas de apresentao, deve fornecer os alguns parmetros para compor a mquina de inferncia fuzzy.

9.3 Publicaes
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-Eficcia do Aluno no Ensino-Aprendizagem via Web. V Ciclo de Palestras Novas Tecnologias na Educao, 2005. Revista Novas Tecnologias na Educao. CINTED (Centro Interdisciplinar de Novas Tecnologias na Educao). Prmio PAPED (Programa de Apoio Pesquisa em Educao a Distncia) programa de incentivo produo de conhecimento nos campos da educao a distncia e da utilizao de novas tecnologias no ensino pblico concedido pela CAPES pela proposta intitulada Capturando a AUTO-EFICCIA do aluno Atravs de um AGENTE INTELIGENTE. setembro, 2005. BICA, F., VERDIN, R., VICARI, R. Projeto de um Agente Fuzzy para inferir a Auto-Eficcia 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

REFERNCIAS

AMEUR, E., BRASSARD, G., DUFORT, H. and GAMPS, S.: 2002, CLARISSE: a machine learning tool to initialize student models. In: S. A. Cerri, G. Gouardres and F. Paraguau(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 23 Issue 3. AI Magazine, Volume

ARONSON, E. et al. Methods of Research in Social Psychology. 2nd Ed. McGrawHill. 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 estratgias na prpria ao: formao do professor a distncia em ambiente digital. So Paulo: Programa de PsGraduao em Educao Currculo/PUCSP, 2003. ANDRADE, A. F. et al. A Computational Model of Distance Learning Based on Vygotskys 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) FREEMAN. Self- Efficacy - the exercise of control. NEW YORK:

BECK, J., STERN, M.; HAUGSJAA, E. Applications of AI in Education. The ACMs First Electronic Publication, Disponvel em: <www.acm.org/crossroads/xrds31/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 direo a agentes pedaggicos com dimenses afetivas. 2001. 152 p. : il. Tese (Doutorado em Cincia da Computao) Instituto de Informtica, UFRGS, Porto Alegre. BICA, F. Eletrotutor III: Uma abordagem multiagente para o ensino a distncia. 2000. Dissertao (Mestrado em Cincia da Computao) Instituto de Informtica, 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 AutoEficcia do Aluno no Ensino-Aprendizagem via Web. V Ciclo de Palestras Novas Tecnologias na Educao, 2005. Revista Novas Tecnologias na Educao. CINTED (Centro Interdisciplinar de Novas Tecnologias na Educao). BICA, F., VERDIN, R., VICARI, R. Projeto de um Agente Fuzzy para inferir a AutoEficcia 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 implementao da interface para apresentao de comportamentos animados e emotivos de um agente pedaggico animado. 2003. Dissertao (Mestrado em Cincia da Computao) Instituto de Informtica, UFRGS, Porto Alegre. BLOOM, B. (1972) Taxionomia dos Objetivos Educacionais. Domnio Cognitivo. Porto Alegre: Ed. Globo. 1972. BOCCA, Everton Weber. Modelagem e implementao da interface para apresentao de comportamentos animados e emotivos de um agente pedaggico animado. 2003. 105 f. : il.

103

BRAGA, M. J. F. Conceitos da Matemtica Nebulosa na Anlise 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 Motivao do Aluno: Contribuies da Psicologia Contempornea. Petrpolis: Editora Vozes; 116-133. 2004. CAMARGO, C. C. H. Hipertexto: um novo ressignificado da prtica pedaggica. Dissertao de mestrado. Programa de Ps-Graduao em Educao: Currculo PUCSP. 2003. CERDEIRA, J. P. A percepo da eficcia pessoal e os mecanismos de auto-regulao das aprendizagens. In Revista Portuguesa de Pedagogia, Ano XXIX, n. 2, 1995, p.137159. 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, Disponvel na Internet < http://www.claroline.net/ > acesso em novembro de 2005. COSTA, F. A. "Elementos para reflexo sobre a integrao das TIC na Educao", in Lourdes Marcelino MACHADO, Naura Syria Carapeto Ferreira (orgs.) Poltica e gesto da educao - dois olhares, S.Paulo, DP&A Editora. 2002. COSTA, R.,WERNECK, V. Tutores Inteligentes. Rio de Janeiro: COPPE /UFRJ, 1996. DAMICO,C. Aprendizagem esttica e dinmica em sistemas multiagente de ensinoaprendizagem. 1999. Tese (Doutorado em Cincia da Computao) Instituto de Informtica, 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: SIMPSIO BRASILEIRO DE INTELIGNCIA 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 InitiativeExternal Interfaces Working Group. Disponvel na Internet < http://www.cs.umbc.edu/kqml/papers/> ,1993. acesso em setembro de 2005. FIPA, 1996 Foundation for Intelligent physical Agents. Disponvel na Internet: <http://www.fipa.org>, 1996 .acesso em setembro de 2005. FLORES, C.; VICARI, R. Agente mediador para seleo de estratgias pedaggicas em um ambiente multiagente de aprendizagem. In XIV Simpsio Brasileiro de Informtica na Educao 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. 106111. GIRAFFA, L. M. M. Uma arquitetura de tutor utilizando estados mentais. Tese (Doutorado em Cincias da Computao) Instituto de Informtica, UFRGS, Porto Alegre. 1999. GOMIDE, F; R. Gudwin, R. Tanscheit, "Conceitos fundamentais da teoria de conjuntos fuzzy, lgica fuzzy e ap licaes", Proceedings 6 th IFSA World Congress, Tutorials, pp. 1-38, So Paulo, Brasil, 1995. GONDAL, Iqbal e Odgers, Paul DEVELOPED TEACHING THEORIES FOR EFFECTIVE ON-LINE EDUCATION ENVIRONMENT, in Proceeding IASTED International Conference, 2003. GUIMARES, S.E.R. (2003). Avaliao do estilo motivacional do professor: adaptao e validao 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 Cincias da Computao) Instituto de Informtica, UFRGS, Porto Alegre. 2004. JANG, J.S.R.; GULLEY, N. (1997) MATLAB Fuzzy Logic Toolbox Users 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: ITS98 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. Disponvel 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 selfefficacy, 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.. Tendncias nas reas de Sistemas de Tutoria Inteligente e Modelagem do Aprendiz. VIII Simpsio Brasileiro de Informtica na Educao, So Jos 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: 243262. 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. Dissertao (Mestrado em Cincia da Computao ) Instituto de Informtica, UFRGS, Porto Alegre. MRA,M. Um Modelo Formal e Executvel de Agentes BDI. 2000. Tese (Doutorado em Cincia da Computao) Instituto de Informtica, UFRGS, Porto Alegre. MRA, 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., Introduo Estatstica, McGraw-Hill, 2001. NASR, M.; YEN, J; IOERGER, T. FLAMEFuzzy Logic Adaptive Model of Emotions. Autonomous Agents and Multi-Agent Systems, Volume 3 Issue 3., 2000. NASCIMENTO, C.L., TAKASHI, Y.. Inteligncia Artificial em Controle e Automao. So Paulo: Edgard Blcher: FAPESP, 2004. NICOLAU, Mariano. Adaptao em um Curso na Web usando Workflow. Porto Alegre, 2004. Tese (Doutorado em Ciencia da Computao) - Instituto de Informtica, UFRGS, Porto Alegre.

107

OLIVEIRA, Flvio Moreira de. Critrios de equilibrao para sistemas tutores . Porto Alegre, 1994. Tese (Doutorado em Ciencia da Computao. Instituto de Informtica) Instituto de Informtica, 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, Lgica Difusa: aspectos prticos e aplicaes. Rio de Janeiro. Ed. Intercincia. 1999. OMALLEY, J. & McCRAW, H. (1999). Students 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, Disponvel em: < http://edutool.com/papi>. Acesso em: ago. 2004. PETERS, Otto. Didtica do Ensino a Distncia. Experincias e estgio da discusso numa viso 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. Dissertao (Mestrado em Cincia da Computao) Instituto de Informtica, UFRGS, Porto Alegre. REZENDE, S. O. RECOPE-IA Rede Cooperativa de Pesquisa em Inteligncia Artificial. Sistemas Inteligentes: fundamentos e aplicaes. Barueri, SP: Manole, 2005. ROSATELLI, Marta C.; TEDESCO, Patrcia A. Diagnosticando o Usurio para Criao de Sistemas Personalizveis. Mini Curso ENIA. XXIII Congresso da Sociedade Brasileira de Computao, 2003.

108

RUMBLE, Greville. A tecnologia da educao a distncia em cenrios de terceiro mundo. In: PRETI, Orestes. Educao a distncia: construindo significados. Cuiab/MT: NEAD/IE-UFMT; Braslia: Plano, 2000. RUSSEL, Stuart J.; NORVING, Peter. Artificial Inteligence, 2nd ed. Editora Campos. 2004. SANDRI, S. et al. Lgica Difusa. V Escola de Redes Neurais, Promoo: Conselho Nacional de Redes Neurais pp. c073-c090, 19 de julho, 1999 - ITA, So Jos dos Campos SP. SANTOS, Antonio Mello. Educao Distncia. Tecnologia Educacional, [S.l.], v.24, n.128, jan./fev. 1996. SANTOS, M. L. Impacto da motivao no processo ensino-aprendizagem. Universidade Portucalense. 2002. Disponvel 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 mestia. 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 Distribudos de Ensino: JADE - Java Agent Framework for Distance Learning Environment. 2002. Tese (Doutorado em Cincia da Computao) Instituto de Informtica,UFRGS, PortoAlegre. SPIEGEL, M. R. Estatstica. Ed. Mcgraw-Hill, So 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.. Diagnstico on-line do estilo cognitivo de aprendizagem do aluno em um ambiente adaptativo de ensino e aprendizagem na Web: uma abordagem emprica baseada na sua trajetria de aprendizagem. 2003. 137 f. : il. SOUZA, T. R. P. A centralidade do planejamento na elaborao de material didtico PARA EAD. Disponvel 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). Disponvel 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 Simpsio Brasileiro de Informtica na Educao, pp. 202-210. Vitria: Sociedade Brasileira de Computao. URBAN-LURAIN, M. Intelligent Tutoring Systems: An Historic Review in the Context of the Development of Artificial Intelligence and Educational Psychology, Disponvel em: <http://www.cse.msu.edu/rgroups/cse101/ITS/its.htm>. Acesso em: set. 2004. TOMCAT. The Apache Jakarta Project. http://jakarta.apache.org/tomcat/> . Acesso em: ago. 2004. Disponvel em:<

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 programao em Lgica: idealizao, projeto e desenvolvimento. 1990. Tese (Doutorado Faculdade de Cincias e Engenharia) Universidade de Coimbra, Coimbra. VICCARI, R.M.; OLIVEIRA, F. Sistemas Tutores Inteligentes. Porto Alegre: Ps graduao em Cincia da Computao, 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). VIZCANO, 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 35th 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 Mtodos. 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, 1:328, 1978.

111

ANEXO I - NVEL DE COMPETNCIA TECNOLGICA

Nome: Matrcula: Escolha as respostas que melhor reflitam a sua situao neste momento. 1. Operaes bsicas com o computador Por favor avalie o seu nvel de realizao: [ [ ]Eu no 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. Gesto de Documentos Por favor avalie o seu nvel de realizao: [ [ ]No 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 prprias pastas para guardar de forma organizada os documentos que fao e compreendo a importncia de um sistema de arquivo [ ]Sou capaz de mover arquivos entre pastas e "drives" e de manter o espao de armazenamento dentro de limites aceitveis 3. Processador de texto Por favor avalie o seu nvel de realizao na utilizao do processador de texto: [ [ [ ]Eu no 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 clculo Por favor avalie o seu nvel de realizao na utilizao da folha de clculo: [ [ ]Eu no uso Folha de Clculo ]Sou capaz de criar folhas de clculo e grficos simples

112

[ ]Sou capaz de usar etiquetas, frmulas, referncias de clulas e ferramentas de formatao nas minhas folhas de clculo [ ]Costumo utilizar a folha de clculo incluindo grficos adequados apresentao dos meus dados 5.Base de dados Por favor avalie o seu nvel de realizao na utilizao de um programa de base de dados: [ ]Eu no uso programas de criao de Bases de Dados. [ ]Compreendo o funcionamento de uma base de dados e sou capaz de localizar informao atravs da ferramenta de pesquisa. [ ]Sou capaz de criar a minha prpria base de dados definindo os campos respectivos com base num formato que organiza os dados que recolhi. [ ]Eu uso as minhas prprias bases de dados para fins especficos.

6.Grafismo e tratamento de imagem Por favor avalie o seu nvel de realizao na utilizao de um programa de edio de imagem: [ ]Eu no uso qualquer programa de Edio de Imagem [ ]Sei como funciona a edio de imagem mas no 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 nvel de utilizao da internet: [ [ ]Eu no uso a Internet. ]Sou capaz de seguir "links" de sites para diferentes tipos de recursos da internet

[ ]Uso listas de recursos da internet e fao pesquisas para explorar recursos educacionais [ ]Contribuo para a elaborao e manuteno dos Web Sites na minha faculdade.

8.Correio eletrnico Por favor avalie o seu nvel de utilizao do correio eletrnico: [ [ ]No uso correio eletrnico ]Tenho um endereo de correio eletrnico mas raramente o uso

113

]Envio mensagens usando o e-mail para colegas, amigos e famlia

[ ]Uso o e-mail para grande parte das minhas necessidades de contacto e verifico o meu correio regularmente 9.Questes ticas Questes ticas relacionadas com a utilizao dos computadores: [ ]No estou a par das questes ticas relacionadas com a utilizao dos computadores [ ]Tenho conhecimento que h algumas restries relacionadas com questes de direitos de autor [ ]Compreendo as regras relativas ao uso eticamente correcto do correio eletrnico e da internet [ ]Sei quais so os programas que utilizo que esto devidamente licenciados

10.Pesquisa de informao Por favor avalie o seu nvel de utilizao de programas para pesquisa de informao: [ [ ]No costumo pesquisar informao em formato eletrnico ]Fao pesquisas simples com recurso a enciclopdias eletrnicas

[ ]Aprendi a usar um conjunto diversificado de estratgias de pesquisa em diferentes programas, incluindo o uso da pesquisa Booleana ("e", "ou", "no") para maximizar os resultados [ ]Utilizo com freqncia fontes eletrnica de informao para os meus trabalhos

11.Programas de apresentao Por favor avalie o seu nvel de utilizao de programas de apresentao da informao: [ ]No uso programas de computador para fazer apresentaes [ ]Sei que existem programas especficos para fazer apresentaes, mas nunca tive oportunidade de os usar [ ]Fao apresentaes utilizando programas como o processador de texto, folha de clculo, publicao eletrnica, etc. [ ]Fao apresentaes com programas especficos tal como o PowerPoint, integrando diferentes componentes multimdia (imagens, som, vdeo, etc.)

114

ANEXO II - PS-QUESTIONRIO DE ACOMPANHAMENTO DO EXPERIMENTO

Ateno: o objetivo deste questionrio fornecer subsdios para a avaliar o uso da Internet como meio de disponibilizar cursos a distncia. Ao responder este questionrio, seja franco e autntico. Desta forma, voc estar colaborando para a pesquisa na rea de ensino a distncia mediado por computador. Muito Obrigado!

Identificao do aluno
Nome: Matrcula (nnnn/aa-d):

Mtodo de ensino
1. Entre os recursos didticos disponveis no contedo, qual (is) facilitou o teu aprendizado ? ( )Teoria ( ) Exerccios 2. Entre as formas de apresentao da Teoria qual (is) facilitou o teu aprendizado? ( )HTML com Imagens ( ) Animaes em FLASH ( ) VDEOS Explicativos 3. Entre as formas de apresentao dos Exerccios, qual (is) facilitou o teu aprendizado ( ) ( ) Mltipla Escolha Cruzadas

115

Navegao
4. Voc teve alguma dificuldade para navegar nas pginas do contedo? ( )Sim ( )No Se a resposta for SIM diga o porqu: ______________________________________________________________________ ______________________________________________________________________ ______________________________________________________________________ ______________________________________________________________________ ______________________________________________________________________ ______________________________________________________________________ ______________________________________________________________________ 5. Voc acha que o seu ritmo de leitura e compreenso no contedo foi influenciado em algum tpico ou Recursos Didticos ou Formas de Apresentao? ( )Sim ( )No Se a resposta for SIM diga como voc foi influenciado e em que: ______________________________________________________________________ ______________________________________________________________________ ______________________________________________________________________ ______________________________________________________________________ ______________________________________________________________________ ______________________________________________________________________ ______________________________________________________________________ 6. Em algum momento voc achou que o material tenha afetado a sua motivao para aprend-lo? ( )Sim ( )No Se a resposta for SIM diga porqu: ______________________________________________________________________ ______________________________________________________________________ ______________________________________________________________________ ______________________________________________________________________ ______________________________________________________________________ ______________________________________________________________________ ______________________________________________________________________

116

Experincia no Contedo
7. Como foi o seu aproveitamento no contedo: ( )Pssimo ( )Ruim ( )Mdio ( )Bom ( )timo 8. Se o seu aproveitamento foi Pssimo ou Ruim, o que influenciou este resultado. Assinale uma ou mais opes. ( )A interface ( )A ausncia de pr-requisitos ( )A organizao dos contedos ( ) Navegao ( )A linguagem utilizada ( )A falta de motivao ( )Outro(qual: _______________________________)

9. Se a sua experincia foi Mdia, Boa ou tima, o que influenciou este resultado. Assinale uma ou mais opes. ( )A interface ( )A ausncia de pr-requisitos ( )A organizao dos contedos ( ) Navegao ( )A linguagem utilizada ( )A falta de motivao ( )Outro(qual: ___________________________________________________)

117

10. A forma que voc adotou para estudar o contedo corresponde a sua forma habitual de aprender? ( )Sim ( )No Voc tem alguma sugesto sobre o mdulo proposto? (Resposta descritiva). ______________________________________________________________________ ______________________________________________________________________ ______________________________________________________________________ ______________________________________________________________________ ______________________________________________________________________ ______________________________________________________________________ ______________________________________________________________________

Obrigada pela sua colaborao!

118

ANEXO III GRUPO 1

1) Objetivo: Testar o funcionamento do ambiente InteliWeb, incluindo facilidade no uso da sua interface e utilidade das trs formas de apresentao 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 prvio do material didtico disponibilizado no ambiente. Apresentao do Ambiente: 30/06/2004. Perodo de aplicao: 30/06/2004 a 19/07/2004. Dias nos quais ocorreram acessos no 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. Aplicao de um pr-questionrio para avaliar o nvel de competncia tecnolgica em relao ao uso do computador. Como resultados obtivemos que 42% dos alunos que se submeteram aula virtual so principiantes no uso do computador, enquanto que 58% tm experincia assinalvel na utilizao do computador. Aplicao do pr-questionrio de acompanhamento do experimento, no qual os alunos relataram que as diferentes formas de apresentao estimulam o interesse e como principal sugesto requisitaram mais links no texto em HTML. Banco de dados coletando escolhas dos alunos na interface. Nmero mdio de acessos na interface do ambiente por aluno: 77 passos. Tempo mdio de acesso no ambiente: 3 horas e 24 minutos. Total de atividades realizadas: 214 (computadas apenas na seleo de material didtico e exerccios). Porcentagens relacionadas ao material didtico:

3) Resultados recuperados do Banco de Dados:

Visitao do contedo: 23% dos acessos foram para o material Mega, 22% Ciclo, 34% Micro e 21% Flor.

119

Visitao por Tipo de Apresentao: dos acessos nas formas de apresentao 18% foram para vdeos, 38% para Flash e 44% para o contedo em HTML

Visitao por tipo de Exerccio: o exerccio de respostas simples teve 57% dos acessos e os de Cruzadas 43%

Contedo por Tipo de apresentao: as figuras ilustram para cada contedo qual a preferncia da forma de forma de apresentao.

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 autoeficcia mdia, 36% com auto-eficcia alta e 46% com auto-eficcia baixa. 5) Avaliao do professor: alunos que participaram do experimento obtiveram nota 6,6 e alunos que no participaram alcanaram nota 5,1. Para o professor a aplicao no Grupo Controle foi uma experincia satisfatria.

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 prvio do material didtico disponibilizado no ambiente. Apresentao do Ambiente: 17/11/2005. Perodo de aplicao: 17/11/2005 a 15/12/2005. Dias nos quais ocorreram acessos no supervisionados: 12/12/2005, 13/12/2005 e 15/12/2005. Banco de dados coletando escolhas dos alunos na interface. Nmero mdio de acessos na interface do ambiente por aluno: 63 passos. Tempo mdio de acesso no ambiente: 28 minutos. Total de atividades realizadas: 174 (computadas apenas na seleo de material didtico e exerccios).

3) Resultados recuperados do Banco de Dados:

4) Resultados Recuperados do Banco de Dados com o Agente MAE: das 174 atividades realizadas pelos 12 alunos 10% das atividades foram consideradas com autoeficcia mdia, 12% com auto-eficcia alta e 78% com auto-eficcia baixa. 5) Avaliao do professor: o professor nos forneceu as notas gerais dos alunos nas provas e no relacionadas apenas ao contedo constante no InteliWeb. Dessa forma essas notas no 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: <6.2.1.2.2.20050721100438.01f83b90@psych.stanford.edu> <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" <bandura@psych.stanford.edu> To: "Regina Verdin" <rverdin@terra.com.br> 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-Eficcia do Aluno no Ensino-Aprendizagem via Web. V Ciclo de Palestras Novas Tecnologias na Educao, 2005. Revista Novas Tecnologias na Educao. CINTED (Centro Interdisciplinar de Novas Tecnologias na Educao). Prmio PAPED (Programa de Apoio Pesquisa em Educao a Distncia) programa de incentivo produo de conhecimento nos campos da educao a distncia e da utilizao de novas tecnologias no ensino pblico concedido pela CAPES pela proposta intitulada Capturando a AUTO-EFICCIA do aluno Atravs de um AGENTE INTELIGENTE. setembro, 2005. BICA, F., VERDIN, R., VICARI, R. Projeto de um Agente Fuzzy para inferir a Auto-Eficcia 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.