Anais do XXII SBIE - XVII WIE

Aracaju, 21 a 25 de novembro de 2011

MobiLE: Um ambiente Multiagente de Aprendizagem

Mvel para Apoiar a Recomendao Sensvel ao Contexto de
Objetos de Aprendizagem
Luiz Cludio Nogueira da Silva1 2, Francisco Milton Mendes Neto1 2,
Luiz Jcome Jnior2
1

Programa de Ps-Graduao em Cincia da Computao - PPGCC

Departamento de Cincias Exatas e Naturais - DCEN
Universidade Federal Rural do Semi-rido - UFERSA
BR 110 - Km 47 Bairro Pres. Costa e Silva CEP 59.625-900 Mossor - RN
2

Ncleo Tecnolgico de Engenharia de Software NTES

Universidade Federal Rural do Semi-rido - UFERSA
BR 110 - Km 47 Bairro Pres. Costa e Silva CEP 59.625-900 Mossor- RN
{luizclaudio,miltonmendes}@ufersa.edu.br,
{luizjunior05}@gmail.com

Abstract. A mobile learning environment provides students with a teaching

method that would be not possible to be performed in a conventional webbased course. The use of Learning Objects (LOs) in a standard way consists of
an effective way to allow, among other features, content reuse and
interoperability between different Learning Management Systems. However, a
problem that occurs frequently is the unsuitability of the content being learned
to the context in which the student is inserted. A context-aware mobile
learning support environment allows to solve this problem. Thus, this paper
presents an agent-based approach to context-aware recommendation of LOs
in order to enhance the teaching process in mobile learning.
Resumo. Um ambiente de aprendizagem mvel prov aos estudantes uma
forma de ensino no possvel de ser realizada em um curso convencional
baseado na web. O uso de Objetos de Aprendizagem (OAs) em um formato
padro consiste em uma forma efetiva de permitir, entre outras
caractersticas, o reuso e a interoperabilidade de contedo entre diferentes
Sistemas de Gesto de Aprendizagem. No entanto, um problema que ocorre
frequentemente a inadequao do contedo sendo aprendido ao contexto do
usurio. Um ambiente de suporte aprendizagem mvel sensvel ao contexto
pode resolver esse problema. Desta forma, este artigo apresenta uma
abordagem baseada em agentes para recomendao sensvel ao contexto de
OAs a m de aperfeioar o processo de ensino na aprendizagem mvel.

1. Introduo
A Educao a Distncia (EaD) uma modalidade de ensino e aprendizagem que vem
crescendo h alguns anos. De acordo com pesquisa realizada pela Associao Brasileira
de Ensino Distncia (Abed) e pelo Ministrio da Educao (MEC), a demanda em
cursos de especializao a distncia aumentou 60% de 2008 a 2010 [Maia 2011].
Uma das formas de se prover a EaD atravs do uso de dispositivos mveis,
modalidade esta conhecida como Aprendizagem Mvel, do ingls Mobile Learning ou
m-learning. Este meio de oferecer ensino permite que estudantes e professores possam
ISSN: 2176-4301

254

Anais do XXII SBIE - XVII WIE

Aracaju, 21 a 25 de novembro de 2011

tirar vantagens dos recursos oferecidos pelas tecnologias mveis, dentre os quais
destaca-se a possibilidade de acessar, visualizar e prover contedo independentemente
do horrio e a partir de qualquer localidade [Yau & Joy 2010].
Contudo, para melhorar a eficcia da absoro de conhecimento pelos estudantes
na aprendizagem mvel, deve-se levar em considerao as caractersticas particulares de
cada estudante. Isso necessrio no apenas para fornecer um contedo que atenda s
caractersticas cognitivas dos estudantes, mas tambm para prover contedos de forma
adequada s restries dos seus dispositivos mveis, uma vez que os mesmos possuem
recursos distintos e limitados (com restries). Surge ento o conceito de ambientes
sensveis ao contexto (context-aware environments). Esse tipo de ambiente se adqua ao
perfil do usurio, levando em considerao informaes fornecidas pelo prprio
usurio, alm daquelas captadas dinamicamente a partir de sua interao com os
dispositivos computacionais [Moore et al. 2009].
A fim de desenvolver ambientes de aprendizagem que sejam sensveis ao
contexto do estudante, fundamental que os contedos educacionais sejam criados de
maneira padronizada. Desta forma, possvel que um ambiente de suporte
aprendizagem exiba o contedo de forma adequada e reutilize contedos em diferentes
contextos e a partir de diversos repositrios. Alm disso, possvel combinar contedos
distintos, o que, por sua vez, melhora o processo de produo de contedo e, como
conseqncia, reduz os seus custos [Rodolpho 2009]. Um modo eficaz de padronizar
contedos educacionais atravs do uso de Objetos de Aprendizagem (OAs), os quais
consistem em pequenas unidades de contedo que podem ser usadas, reutilizadas e
referenciadas durante um processo de aprendizagem [LTSC 2002].
Este artigo apresenta um ambiente de aprendizagem mvel que, atravs do uso
de objetos de aprendizagem, ontologias e agentes de software, se adqua s
necessidades dos estudantes, de acordo com caractersticas do contexto no qual os
mesmos se encontram.
Este artigo est dividido em oito sees. A Seo 2 mostra uma viso geral de
sistemas multiagente. A Seo 3 descreve os objetos de aprendizagem, assim como os
padres usados na sua criao. A Seo 4 conceitua sistemas de recomendao. A Seo
5 traz conceitos relacionados ambientes sensveis ao contexto. A seo 6 discute os
trabalhos relacionados. A Seo 7 descreve a abordagem baseada em agentes proposta
neste artigo. A ltima seo apresenta nossas consideraes nais e uma discusso
sobre trabalhos futuros.

2. Sistemas Multiagente
De acordo com [Russell & Norvig 2003], agentes so entidades de software autnomas
que percebem seu ambiente por meio de sensores e que atuam sobre esse ambiente
atravs de atuadores, processando informao e conhecimento. Um Sistema Multiagente
(SMA), por sua vez, consiste de um conjunto de agentes autnomos que colaboram para
resolver um problema o qual seria impossvel solucionar com apenas um agente.
Agentes podem ser construdos de vrias formas. Podem ser agentes de software
ou hardware, estticos ou mveis, persistentes ou no-persistentes, reativos ou
cognitivos (inteligentes) [Pontes 2010, Pontes et al. 2010]. De acordo com Pontes
(2010), uma das classificaes mais importantes de agentes em relao a eles serem
reativos ou cognitivos.

255

Anais do XXII SBIE - XVII WIE

Aracaju, 21 a 25 de novembro de 2011

Agentes reativos so agentes que selecionam aes a serem executadas com base
exclusivamente na percepo atual, no levando em considerao o histrico de
percepes. Uma vez que no possuem memria, so incapazes de planejar aes
futuras [Russell & Norvig 2003; Pontes 2010].
Por outro lado, os agentes congitivos so mais complexos, pois possuem uma
representao explcita tanto do ambiente quanto de outros agentes. Este tipo de agente
possui uma memria interna, o que possibilita planejar aes futuras baseando-se em
situaes que ocorrem anteriormente [Russell & Norvig 2003; Pontes 2010].
Agentes de software podem realizar diversas tarefas em ambientes de
aprendizagem, tais como monitorar as atividades do estudante no ambiente de
aprendizagem, capturar de forma automtica as informaes de contexto dinmico do
estudante, recomendar contedos de interesse deste, entre outras. Diante do aumento no
nmero de estudantes que interagem com os sistemas de suporte aprendizagem, o uso
de agentes para realizar estas tarefas torna-se extremamente importante, principalmente
devido ao fato de serem tarefas complexas para os facilitadores gerenciarem a distncia.

3. Objetos de Aprendizagem
Um conceito relevante quanto ao contedo didtico utilizado em EaD o de Objeto de
Aprendizagem (OA). Segundo o Comit de Padronizao de Tecnologias de
Aprendizagem (LTSC - Learning Technology Standard Comitee), do Institute of
Electrical and Electronics Engineers (IEEE), um OA uma entidade material
educacional, digital ou no, que pode ser usada para aprendizagem, educao ou
treinamento [LTSC 2002]. Dessa forma, podem ser elencadas quatro propriedades
principais dos OAs: reusabilidade, acessibilidade, interoperabilidade e durabilidade
[ADL 2011].
Em resumo, a idia central do conceito de OAs permitir que os projetistas
educacionais construam componentes educativos relativamente pequenos que possam
ser usados em diferentes contextos de aprendizagem. Ou seja, so contedos digitais
que, alm de permitir alcanar um objetivo educacional, promovem a reusabilidade dos
contedos utilizados no processo de ensino-aprendizagem.
No entanto, para garantir os benefcios em se utilizar OAs, h de se considerar
certas caractersticas na criao de OAs digitais, como, por exemplo: (i) definio da
estrutura de navegao; (ii) adequao do contedo de uma mdia escrita para uma
mdia eletrnica; (iii) atendimento aos aspectos pedaggicos de ensino; e (iv) integrao
do OA com diferentes tipos de ambientes de EaD [Rodolpho 2009]. Nesse sentido,
utiliza-se padres de desenvolvimento de OAs para que estes possam garantir as quatro
propriedades citadas anteriormente [Dias et al. 2009].
3.1 Padres de Objetos de Aprendizagem
Segundo [Dias et al. 2009], padres de OAs constituem um meio de organizar os dados
de um OA para prover comunicao entre diferentes ambientes computacionais, bem
como garantir seu acesso e usabilidade, alm de prover interoperabilidade. Os autores
relatam que esses padres so divididos, de acordo com suas funcionalidades, em:
padres de metadados, de empacotamento, de interface e comunicao e de integrao.
Para o presente trabalho, importante descrever as caractersticas dos padres
de integrao. Esse tipo de padro, como o prprio nome indica, unifica em um modelo
de referncia diferentes tipos de padres, tais como padres de metadados,

256

Anais do XXII SBIE - XVII WIE

Aracaju, 21 a 25 de novembro de 2011

empacotamento, interface e comunicao, desenvolvidos por outras organizaes [Dias

et al. 2009]. O padro de integrao SCORM (Sharabale Content Object Reference
Model), desenvolvido pela ADL (Advanced Distributed Learning) [ADL 2011], integra
um conjunto de padres tcnicos, especificaes e orientaes designadas a atender os
requisitos de alto nvel do SCORM sistemas e contedo acessveis, interoperveis,
durveis e reutilizveis. O contedo no padro SCORM pode ser distribudo para os
estudantes atravs de qualquer Sistema Gesto de Aprendizagem (LMS Learning
Management System), que seja compatvel com o SCORM e que use a mesma verso
deste [ADL 2011].
Neste trabalho utilizaremos OAs desenvolvidos segundo o padro SCORM,
tanto pelo fato de ser um padro amplamente difundido, como tambm por ser
composto de um conjunto de outros padres. Desta forma, podemos usufruir das
melhores caractersticas de cada padro.

4. Sistemas de Recomendao
Uma soluo para a escolha de um contedo dentre vrias possibilidades o uso de
Sistemas de Recomendao (SRs). SRs auxiliam no processo de indicar ou receber
indicao de materiais que possam, de alguma forma, ser teis para um usurio ou um
grupo de usurios. Desta forma, SRs podem utilizar diferentes tcnicas e estratgias, de
modo a recomendar contedos apropriados para alunos de diferentes cursos e nveis de
conhecimento, desde que tomadas algumas precaues [Primo et al. 2010].
De uma forma geral, os SRs so divididos em trs categorias: Sistemas de
Recomendao Colaborativa (SRC), os quais realizam o processo de recomendao
considerando a similaridade de preferncias entre os usurios; Sistemas de
Recomendao Baseada em Contedo (SRBC), que buscam a adequao dos objetos a
serem recomendados s informaes do perfil do usurio; Sistemas de Recomendao
Hbrida (SRH), que buscam, atravs de tcnicas especficas, mesclar as tcnicas
utilizadas pelos SRCs e SRBCs [Primo et al. 2010].

5. Ambientes Sensveis ao Contexto

Sensibilidade ao contexto descreve um paradigma no qual o contexto de um usurio
levado em considerao para definir o seu perfil. No existe um consenso a respeito da
definio de contexto, sendo este especfico da aplicao e da inteno desejadas,
requerendo a identificao das funes e propriedades dos domnios dos indivduos
[Moore et al. 2009; Moore et al. 2008].
O contexto pode ser definido de acordo com informaes relativas a
propriedades que se combinam para descrever e caracterizar uma entidade e seu papel
de uma forma legvel pelo computador [Moore et al. 2009; Moore et al. 2008]. A
localizao do estudante, por exemplo, uma caracterstica importante para a definio
do seu contexto em um ambiente para aprendizagem mvel. Entretanto, o contexto
inclui mais do que apenas a localizao. De fato, quase todas as informaes
disponveis no momento da interao podem ser vistas como informaes contextuais,
dentre as quais destacam-se [Moore et al. 2009; Schilit et al. 1994]: i) as diversas tarefas
exigidas dos usurios; ii) a variada gama de dispositivos que se combinam para criar
sistemas mveis, com a infraestrutura de servios associada; iii) disponibilidade de
recursos (ex. condio da bateria, tamanho de tela, etc.); iv) situao fsica (ex. nvel de
rudo, temperatura, nvel de luminosidade etc.); vi) informao espacial (ex. localizao,
velocidade, orientao etc.); e vii) informao temporal (ex. hora do dia, data etc.).

257

Anais do XXII SBIE - XVII WIE

Aracaju, 21 a 25 de novembro de 2011

Esta lista, embora no contenha exatamente todas as informaes que podem ser
consideradas, serve para demonstrar a complexidade inerente ao contexto, sua natureza
de domnio especfico e a dificuldade em defini-lo e medi-lo [Moore et al. 2009]. Na
tentativa de facilitar a compreenso sobre o contexto, Moore et al. (2008) definem dois
tipos gerais de contexto: esttico (denominado customizao) e dinmico (denominado
personalizao). O primeiro diz respeito situao na qual um perfil de usurio criado
manualmente, estando o usurio ativamente envolvido no processo e tendo um elemento
de controle. J o contexto dinmico refere-se situao na qual o usurio visto como
sendo passivo, ou pelo menos com um pouco menos de controle no processo de criao
de seu perfil. Nesse caso, o sistema monitora, analisa e reage dinamicamente ao
comportamento do usurio e ao perfil identificado.
Algumas aplicaes de aprendizagem mvel sensveis ao contexto utilizam
contextos de aprendizagem a fim de adaptar ou sugerir apropriadamente atividades e
contedos [Yau & Joy 2010]. Entretanto, os trabalhos encontrados na literatura no
levam em considerao os recursos fsicos dos dispositivos mveis, o que compromete
uma definio mais precisa do contexto dos estudantes e, conseqentemente, o acesso e
navegao adequados nos contedos recomendados, uma vez que isto diretamente
influenciado pelas caractersticas dos dispositivos mveis utilizados pelos estudantes.

6. Trabalhos relacionados
A utilizao de SR em ambientes educacionais no nenhuma novidade. Em [Primo et
al. 2010] apresentado um modelo para a recomendao de contedos educacionais
descritos atravs de metadados. Esse modelo considera perfis de usurios e
interoperabilidade entre aplicaes educacionais, alm de aspectos cognitivos de
aprendizado. Esse trabalho tambm apresenta como contedos educacionais podem ser
descritos atravs de ontologias, o que facilita tambm a inferncia dos contedos
apropriados aos perfis dos usurios.
Em [Gluz & Vicari 2010] apresentada a MILOS (Multiagent Infrastructure for
Learning Object Support), uma infraestrutura, combinando ontologias e agentes, que
implementa as funcionalidades necessrias aos processos de autoria, gerncia, busca e
disponibilizao de OAs compatveis com a proposta de padro de metadados de OAs
OBAA (Objetos de Aprendizagem Baseados em Agentes).
Yau & Joy (2010) propem uma arquitetura de aprendizagem mvel sensvel ao
contexto composta por trs componentes principais: o perfil do estudante, um
mecanismo de personalizao e um repositrio de OAs. O perfil do estudante serve para
armazenar suas preferncias de aprendizagem mvel, capturadas atravs de um
questionrio respondido pelo estudante. O mecanismo de personalizao recebe esse
perfil e combina as informaes dele com aquelas obtidas dinamicamente atravs de sua
interao com o ambiente. Em seguida, o mecanismo de personalizao compara todas
as informaes obtidas com os metadados dos OAs disponveis no repositrio. O
sistema ento recomenda OAs adequados aos estudantes de acordo com as
caractersticas do seu contexto.
O presente trabalho rene as principais caractersticas dos trabalhos citados
anteriormente. Porm, o fator que difere o presente trabalho dos demais o fato dele
considerar os recursos dos dispositivos mveis, os quais podem constituir um fator
limitante na aprendizagem do estudante no momento da recomendao dos OAs. Pelo
fato de ser projetado para dispositivos mveis, o ambiente prov ao estudante
flexibilidade quanto s opes de estudo. Utilizando agentes de software em

258

Anais do XXII SBIE - XVII WIE

Aracaju, 21 a 25 de novembro de 2011

combinao com as ontologias de descrio dos perfis (esttico e dinmico) dos

estudantes, o ambiente recomenda, de maneira autnoma, contedos educacionais
adequados s caractersticas pessoais e cognitivas dos estudantes.

7. Abordagem Baseada em Agentes para Recomendao de Objetos de

Aprendizagem Sensvel ao Contexto
A arquitetura do ambiente proposto apresentada na Figura 1. Como pode ser visto na
figura, os estudantes devem, inicialmente, se autenticar no LMS e acessar algum dos
cursos nos quais esteja matriculado. Para isto, eles precisam realizar um cadastro no
qual iro informar algumas caractersticas de seu perfil, como, por exemplo, local e hora
do dia preferidos para o estudo, sua rea de interesse, entre outros. Essas informaes
serviro para a criao de um componente essencial da arquitetura, que a ontologia de
contexto esttico dos estudantes.
Historico de OAs
Preferncias
dinmicas

Localizao geogrfica

Ontologia de
Contexto
Dinmico

Horrio atual

SAg

Estudante 1

Perfil do Estudante

Autenticao
do estudante
Ontologia de
Contexto
Esttico

INTERNET

OAs
Estudante 2

MLE

IAg
RAg
SRBC

Preferncias similares
(SRC)
Estudante N

Escolhas Similares

Repositrio OAs
SCORM

Figura 1. Arquitetura da soluo proposta.

Os agentes descritos nesta abordagem foram desenvolvidos utilizando o JADE

(Java Agent Development Framework), que consiste em uma plataforma completa para
desenvolvimento e execuo de sistemas multiagente [JADE 2011]. Tambm foi
utilizado o framework de desenvolvimento de aplicaes MLE (Mobile Learning
Engine) [MLE 2011] para a construo do ambiente.
Outro componente de extrema relevncia o repositrio de OAs. Para que o
mecanismo de recomendao funcione, necessrio que estes OAs estejam em
conformidade com o padro SCORM. Atravs dos metadados descritos nesse padro, o
agente ser capaz de comparar as informaes dos OAs com os perfis dos estudantes e
realizar a recomendao de OAs de maneira adequada.
O sistema de recomendao implementado baseado em um SRH, visto que
considera no apenas o contedo dos OAs em relao ao perfil do estudante (SRBC),
como tambm a comparao de estudantes com preferncias semelhantes (SRC).

259

Anais do XXII SBIE - XVII WIE

Aracaju, 21 a 25 de novembro de 2011

7.1 Agentes de Software

Na abordagem proposta foram implementados trs tipos de agentes: Agente Estudante
(SAg - Student Agent), Agente Recomendador (RAg - Recommender Agent) e Agente
de Interface (IAg Interface Agent).
Os SAgs so responsveis por monitorar as atividades dos estudantes e
recuperar, das ontologias de contexto esttico e dinmico, as preferncias de
aprendizagem que compem os pers dos estudantes e os seus respectivos histricos de
escolha de OAs. Com base no histrico de escolha, o SAg encontra outros estudantes
que possuem, em seus histricos, escolhas similares. Os SAgs tambm capturam as
informaes do contexto dinmico do estudante, alm de sua localizao geogrfica e o
horrio atual. O SAg realiza o seu comportamento no momento em que o estudante se
autentica na aplicao. Em seguida, todas essas informaes so enviadas para o RAg.
O RAg tem o intuito de detectar OAs adequados ao contexto do estudante, de
acordo com as informaes providas pelos SAgs e as informaes obtidas dos OAs
disponveis no repositrio. O RAg encontra, inicialmente, o OA que seria mais
adequado de acordo com a Recomendao Baseada em Contedo. Esse mecanismo
apresentado na Subseo 7.1.1. Em seguida, com base nessas informaes, o RAg
considera quais desses OAs foram aceitos tambm pelos estudantes que possuem gostos
similares ao estudante em questo, o que caracteriza a Recomendao Colaborativa.
Dessa forma, a taxa de acerto no momento da recomendao dos objetos de
aprendizagem tende a aumentar. Aps identicar OAs adequados, o RAg informa ao
IAg quais so os possveis OAs a serem sugeridos. A Figura 2 mostra a interface
principal do ambiente e uma mensagem de recomendao de OAs efetuada pelo RAg.

Figura 2. Tela inicial do ambiente e sugesto de OAs

O IAg responsvel principalmente por verificar a adequao do OA a ser

recomendado s caractersticas do dispositivo mvel do estudante e adequar a
apresentao do contedo ao dispositivo mvel, quando apropriado. Caso o OA no seja
possvel de ser adequado, o IAg rejeita a recomendao. Alm disso, o IAg tem a
responsabilidade de informar ao instrutor o contedo que foi sugerido. O diagrama de

260

Anais do XXII SBIE - XVII WIE

Aracaju, 21 a 25 de novembro de 2011

seqncia da Figura 3 mostra o fluxo de troca de mensagens entre esses agentes atravs
do modelo de interao.

Figura 3. Modelo de Interao dos Agentes

7.1.1 Mecanismo de Recomendao Baseada em Contedo

O mecanismo de recomendao baseada em contedo considera as informaes de local
e horrio preferidos de estudo e rea de interesse do estudante, as quais esto contidas
na ontologia de contexto esttico. Essas informaes so ponderadas de acordo com o
nvel de influncia que cada uma exerce no modelo de aprendizagem do estudante. A
estratgia para identificar os OAs adequados ao contexto do estudante realizada de
acordo com a Equao 1.
FR = ((AI * 5) + (LP * 3) + (HP * 2))/10 - FA

(1)

O Fator de Recomendao (FR), o qual determinado pelo RAg, influenciado,

principalmente, pela rea de Interesse (AI) do estudante, tendo, portanto, peso 5. J o
Local Preferido (LP) de estudo, por apresentar uma grande influncia na capacidade de
concentrao do estudante, recebe peso 3. Por fim, o Horrio Preferido (HR) de estudo
tambm de interesse pelo fato de poder exercer influncia no nvel de concentrao e,
consequentemente, influenciar positiva ou negativamente a recomendao de um OA.
J o Fator de Ajuste (FA) diz respeito a um fator que pode ser estabelecido pelo
instrutor a fim de aumentar (quando o FA for menor) ou diminuir (FA maior) o impacto
que o contexto do usurio exerce para a recomendao de OAs. Os valores numricos
de AI, LP e HP so obtidos com base nos valores capturados dinamicamente e naqueles
previamente definidos na ontologia de contexto esttico dos estudantes.
Para definir, de forma dinmica, o valor que representa o quo adequado
determinado OA em relao rea de interesse de um estudante, so consideradas trs
caractersticas do OA: descrio, ttulo e palavras-chave. O RAg, por sua vez, verifica a
incidncia de palavras de interesse do estudante, contidas na ontologia de contexto
esttico, nessas trs caractersticas do OA. Em seguida, esses valores so ponderados
pelo RAg conforme a Equao 2.
AI = ((PC * 3) + (D * 2) + (T * 1))/6

(2)

261

Anais do XXII SBIE - XVII WIE

Aracaju, 21 a 25 de novembro de 2011

A Equao 2 mostra que o maior peso dado s Palavras-Chaves (PC), visto que
representam melhor os assuntos tratados no OA. A Descrio (D) do OA nos fornece
uma viso geral de como os seus diversos assuntos esto integrados. Por fim, o Ttulo
(T) representa uma influncia menor, dentre as trs caractersticas, por no conter uma
gama de palavras relacionadas ao OA to abrangente quanto s PCs.
Para a definio dinmica do fator LP, foi implementada uma extenso ao MLE.
Foi adicionada a esse framework uma classe responsvel por capturar a localizao
geogrfica do estudante a partir de uma API (Aplication Programming Interface)
integrada ao GPS (Global Positioning System) do dispositivo mvel. Dessa forma,
possvel obter a latitude e a longitude do dispositivo mvel. Essa informao , ento,
enviada pela aplicao cliente do dispositivo mvel ao SAg, e este, por sua vez, realiza
a geocodicao reversa1 das informaes antes de envi-las ao RAg.
Por ltimo, a captura dinmica do horrio atual feita pelo SAg no momento de
autenticao do estudante no sistema. Essa informao servir para que o RAg defina o
valor numrico atribudo ao fator HP.

8. Consideraes Finais e Trabalhos Futuros

Neste artigo, foi descrita a implementao de uma abordagem baseada em agentes para
recomendao de OAs em um ambiente de aprendizagem mvel sensvel ao contexto. A
soluo proposta objetiva tornar a aprendizagem mvel adequada s necessidades dos
estudantes. Ela pode ser aplicada a qualquer sistema de gesto de aprendizagem.
Como trabalhos futuros, pretende-se testar o ambiente desenvolvido em um
contexto real, utilizando os principais repositrios de contedos educacionais (OAs).
Alm disso, objetiva-se mensurar o quanto este melhora a preciso de uma
recomendao sob o aspecto de utilidade para o processo de ensino-aprendizagem. Com
esse intuito, objetiva-se realizar um estudo de caso com uma turma de um curso de
ensino a distncia para verificar o impacto da abordagem proposta na adequao do
contedo.
Objetiva-se tambm considerar na recomendao baseada em contedo palavras
que sejam sinnimos daquelas que esto na ontologia de contexto esttico. Desta forma,
ser possvel considerar a relao semntica entre as palavras no momento da
recomendao.
Por fim, porm no menos importante, como trabalho futuro, pretende-se
identificar e classificar os estilos cognitivos dos estudantes de acordo com uma teoria j
consolidada na literatura, provavelmente a Teoria da Carga Cognitiva [Santos et al.
2009], para que seja possvel aperfeioar o processo de ensino-aprendizagem do
estudante. O presente trabalho no se baseou em nenhuma teoria divulgada na literatura.

Referncias
ADL (2011) Advanced distributed learning, Disponvel em: http://www.adlnet.org.
Castilo, S., Ayala, G.: ARMOLEO (2008) An Architecture for Mobile Learning Object, In:
18th International Conference on Electronics, Communications and Computers
(CONIELECOMP), p. 53-58, IEEE Computer Society, Los Alamitos.

1 Converso de latitude e longitude em endereo, ou seja, rua, nmero, bairro, cidade, estado ou pas.

262

Anais do XXII SBIE - XVII WIE

Aracaju, 21 a 25 de novembro de 2011

Dias, C. C. L., Kemczinski, A., and Lucena, S. V. d. S. (2009) Padres abertos: aplicabilidade
em Objetos de Aprendizagem (OAs), In Anais do XX Simpsio Brasileiro de Informtica
na Educao, SBIE, Florianpolis, SC.
Gluz, J.C., Vicari, R. M. (2010) MILOS: Infraestrutura de Agentes para Suporte a Objetos de
Aprendizagem OBAA, In Anais do XXI Simpsio Brasileiro de Informtica na Educao,
SBIE, Joo Pessoa, PB.
JADE (2011) Java development framework: an open-source platform for peer-to-peer agent
based applications. Disponvel em: http://jade.tilab.com/.
LTSC (2002) Draft Standard for Learning Object Metadata. IEEE Standard 1484.12.1. LTSC,
Learning Technology Standards Committee, New York: Institute of Electrical and
Electronics
Engineers.
Disponvel
em:
http://ltsc.ieee.org/wg12/les
/LOM_1484_12_1_v1_Final_Draft.pdf.
Maia, N. (2011) Ensino a distncia cresce no Pas. O POVO online, Fortaleza, 01 out. 2011.
Disponvel em:
<http://www.opovo.com.br/app/opovo/empregos/2011/10/01/noticiaempregosjornal,230749
9/ensino-a-distancia-cresce-no-pais.shtml>. Acesso em: 18 out. 2011.
MLE
(2011)
MLE
Mobile
http://mle.sourceforge.net/mle/index.php.

Learning

Engine.

Disponvel

em:

Moore, P., Hu, B., Jackson, M., Wan, J. (2009) Intelligent context for personalized mlearning, In International Conference on Complex, Intelligent and Software Intensive
Systems, 2009. CISIS 09, p. 247 254.
Moore, P., Hu, B., Wan, J. (2008) A Context Ontology for Pervasive Mobile Computing, The
Computer Journal, Vol. 53, p. 191-207.
Pontes, A. A. A. (2010) Uma Arquitetura de Agentes para Suporte Colaborao na
Aprendizagem Baseada em Problemas em Ambientes Virtuais de Aprendizagem,
Dissertao de Mestrado, Universidade Federal Rural do Semi-rido - UFERSA, Mossor,
RN.
Pontes, A. A. A, Mendes Neto, F. M., Campos, G. A. L. de. (2010) "Multiagent System for
Detecting Passive Students in Problem-Based Learning". Advances in Soft Computing, v.
71, p. 165-172.
Primo, T. T., Vicari, R. M, Silva, J. M. C. da (2010) Rumo ao Uso de Metadados Educacionais
em Sistemas de Recomendao, In Anais do XXI Simpsio Brasileiro de Informtica na
Educao, SBIE, Joo Pessoa, PB.
Rodolpho, E. R. (2009) Convergncia digital de objetos de aprendizagem SCORM,
Dissertao de Mestrado, Universidade Estadual Paulista Jlio de Mesquita Filho -UNESP,
So Jos do Rio Preto, SP.
Russell, R. & Norvig, P. (2003) Articial Intelligence, A Modern Approach 2nd Edition,
Prentice Hall.
Santos, L. M. A., Reategui, E., Tarouco, L. (2009). A Insero de um Agente Conversacional
Animado em um Ambiente Virtual de Aprendizagem a partir da Teoria da Carga Cognitiva,
Artigo Resumido, In Anais do XX Simpsio Brasileiro de Informtica na Educao, SBIE,
Florianpolis, SC.
Schilit, B., Adams, N., Want, R. (1994) Context-Aware Computing Applications, In: IEEE
Workshop on Mobile Computing Systems and Applications (WMCSA), p. 85-90, IEEE
Computer Society, Santa Cruz.
Yau, J.-K. & Joy, M. (2010) A context-aware personalized m-learning application based on mlearning preferences, In 6th IEEE International Conference on Wireless, Mobile and
Ubiquitous Technologies in Education (WMUTE), p. 11 18.

263