File

Propaganda
Redes Bayesianas: tecnologia para
inferir aspectos afetivos em
sistemas computacionais
Magalí Teresinha Longhi
Profa. Magda Bercht (PGIE, 18/Mai/2012)
Cenário interdisciplinar
Teorias:
Piaget
Vigotski
Interações
em AVA
Educação
C. Afetiva
Teoria das
emoções
Psicologia
Cognitiva
Computação
Modelos
afetivos
Modelo de
Scherer
Modelos
de
appraisal
Redes
Bayesianas
Sumário
PARTE 1 – Modelagem afetiva
• Modelos de emoções usados em computação
• Sensoriamento afetivo
• Modelos de representação cognitiva
PARTE 2 – Raciocínio probabilístico (Teoria de Bayes)
• Vantagens das Redes bayesinas
• Sintaxe e Semântica de Redes Bayesianas
• Densidade de Redes bayesianas
• Softwares para implementar Redes Bayesianas
PARTE 3 – Aplicação de Redes Bayesianas
• Desafios
• ROODAafeto
• Contribuições da pesquisa
PARTE 1
Modelagem afetiva
Modelos de emoção usadas na computação
Modelo de Roseman
Causa
Circunstancial
Outro agente
Própio Agente
Inesperada
Incerta
Certa
Incerta
Certa
Incerta
Certa
Incerta
Certa
Incerta
Certa
Incerta
Certa
Fonte: Roseman et al.(1990)
16 emoções
Emoções Positivas
Emoções Negativas
Consistente c/ motivo
Inconsistentes c/ motivo Intensidade
Desejáveis
Aversivas
Desejáveis Aversivas
Surpresa
Esperança
Medo
Fraco
Alegria
Alívio
Tristeza
Embaraço
Esperança
Frustração Desprezo
Forte
Alegria
Alívio
Desgostar
Fraco
Gostar
Raiva
Desprezo
Remorso
Forte
Fraco
Orgulho
Culpa
Vergonha
Forte
Modelos de emoção usadas na computação
Modelo OCC
18 emoções
(22 emoções)
Fonte: Ortony, Clore e Collins (1988)
Modelos de emoção usadas na computação
Modelo de Scherer
Scherer (1984a; 2000a, 2009)
SNA (SNSim e SNPar)
SNC
SNC
Evento
(Monitor)
Reações
Fisiológicas
Processo de
Sentimento
Subjetivo
Appraisal
SNS
Relevância
Expressão
motora
(Comunicação)
Implicações
Coping
(Suporte)
Significado
(Proces. Informações)
SNC
Tendência
à ação
(Executivo)
Modelos de emoção usadas na computação
Diferença entre os modelos
Principal diferença:
Maneira como a avaliação cognitiva (appraisal) de uma experiência
emocional é realizada.
Modelo de Roseman e OCC
• Focalizam a estrutura cognitiva ou a taxonomia das emoções.
• Estão baseadas nas ações do sujeito.
• Levam em consideração as crenças e os desejos do sujeito
(principalmente o OCC).
Modelo de Scherer
• Avalia o episódio emocional como um conjunto de processos em
vários componentes orgânicos.
• O fenômeno afetivo não é apenas o resultado da avaliação
cognitiva, mas também dos diversos processos envolvidos nos
diferentes subsistemas do organismo.
Sensoriamento afetivo
Detecção dos fenômenos afetivos
Envolve sensores que capturam dados do estado físico do indivíduo
ou de seu comportamento.
Tipos de sensores
• Visuais (vídeo-câmeras)
• De áudio (microfones).
• Fisiológicos (cadeiras sensíveis à pressão do corpo, luvas que
captam a condutividade da pele, mouse sensíveis à pressão, EEG,
ECG, termógrafos, aparelhos para verificar a pusação, respiração,
dilatação da pupila, etc.).
Fatores que podem influenciar a captura
• Controle da expressão facial/corporal.
• Modo de experimentação de um fenômeno afetivo (alguns são
mais fáceis de identificar do que outros).
• História de cada indivíduo.
Sensoriamento afetivo
Reconhecimento de informações afetivas
Pressupõe a extração de determinadas evidências (tipificados em
determinados sinais) a partir dos dados capturados.
Métodos de inferência
• Por prognóstico (top-down)
•
•
•
Baseado em fatores que influenciam ou causam a experiência afetiva.
Baseado em teorias psicológicas fundamentadas no appraisal
cognitivo.
São tratadas as evidências antecedentes à manifestação afetiva.
• Por diagnóstico (bottom-up):
•
•
Baseado em diversas medidas corporais.
São tratadas as evidências consequentes ao fenômeno vivenciado.
• Híbrida (composição do top-down e bottom-up):
•
Confere uma inferência mais efetiva.
Sensoriamento afetivo
Exemplos de detecção e reconhecimento de informações afetivas
Através das expressões facial e corporal
• Facial Action Coding System (FACS) (Ekman, 1993)
•
•
Detecção: expressão facial
Reconhecimento: não divulgado.
• Whitehill, Barltlett e Movellan (2008)
•
•
Detecção: expressão facial
Reconhecimento: baseado no FACS.
• Kapur, Kapur, Virji-Babul, Tzanetakis e Driessen (2005)
•
•
Detecção: expressão corporal através de motion capture.
Reconhecimento: algoritmos de aprendizagem em máquina
(usualmente associa mineração de dados e métodos estatísticos que
servem de informação para a máquina aprender)
Sensoriamento afetivo
Exemplos de detecção de informações afetivas
Através de padrões fisiológicos
• Picard, Vyzas e Healey (2001)
•
•
Detecção: tensão muscular da face, fluxo sanguíneo, condutividade
térmica e fluxo respiratório.
Reconhecimento: não divulgado.
• Mcquiggan, Lee e Lester (2006a)
•
•
Detecção: batimento cardíaco e condutividade da pele.
Reconhecimento: Redes bayesianas.
• Mandryk e Atkins (2008)
•
•
Detecção: expressão facial, condutividade da pele, medida
cardiovascular e tensão muscular.
Reconhecimento: Lógica Fuzzy.
Sensoriamento afetivo
Exemplos de detecção de informações afetivas
Através da fala
• Cahn (1990) - trabalho pioneiro
•
•
Detecção: fala.
Reconhecimento: Affect editor.
• Grandjean, Banziger, Scherer (2006)
•
•
Detecção: fala.
Reconhecimento: modelo próprio.
Sensoriamento afetivo
Exemplos de detecção de informações afetivas
Através da escrita
• Kennedy, Inkpen (2006)
•
•
Detecção: extração de adjetivos, verbos, termos de baixa frequência e
expressões idiomáticas.
Reconhecimento: algoritmo que calcula a orientação positiva/negativa
de um texto
• Pang e Lee (2008)
•
•
Detecção: extração de adjetivos, verbos, termos de baixa frequência e
expressões idiomáticas.
Reconhecimento: Métodos de orientação semântica.
• Ortony, Clore e Foss (1987)
•
•
Detecção: substantivos, advérbios, verbos e derivações.
Reconhecimento: taxonomia léxica
• Pasqualotti (2008)
•
•
Detecção: substantivos, advérbios, verbos e derivações.
Reconhecimento: WordNet Affect BR
Sensoriamento afetivo
Exemplos de detecção de informações afetivas
Através do comportamento observável
• Jaques (2004)
•
•
Detecção: tempo de execução de uma tarefa no STI, sucesso (ou falha
na execução de exercício proposto, e a frequencia de solicitação de
assistência.
Reconhecimento: modelo BDI (beliefs, desires and intentions)
• De Vicent e Pain (2002)
•
•
Detecção: modo de interação do aluno em um STI
Reconhecimento: modelo próprio (Affective Tutor)
Sensoriamento afetivo
Exemplos de detecção de informações afetivas
Através do uso de questionários e inventários
• Delinear os traços de personalidade (Pantarolo, 2008)
• Determinar a motivação (De Vicent; Pain, 2002)
• Avaliar subjetividade na voz (Sangsue et al, 1997)
• Analisar eventos precedentes a um estado afetivo (Scherer, 1993)
• Confrontar emoções x cultura (Wallbott; Scherer, 1989)
Modelos de representação cognitiva
Modelagem afetiva
Russel e Norving (2004)
Principal dificuldade
Uso de modelos criados sob o método científico cartesiano, em que os
mecanismos cognitivos são estudados através da redução
(reducionismo - o mundo complexo deve ser dividido em partes mais
simples), não considerando a afetividade.
IA inspirada na Psicologia Cognitiva
• Modelos de característica distribuída:
•
Baseados nas simulações de processos cerebrais.
• Modelos de característica simbólica:
•
Baseados nas formas procedural e declarativa do pensamento.
Modelos de representação cognitiva
Modelo Distribuído
Russel e Norving (2004)
Outras denominações: modelo conexionista, processamento
distribuído paralelo e computação neural.
Características: emprega estudos sobre as redes neurais (capacidade
de memorização, aprendizado e generalizações).
Na computação: redes neurais artificiais.
Uso: sistemas de aprendizagem, agentes inteligentes, robótica.
Limitações: incapaz de modelar representações mais estruturadas (p.
ex.: linguagem)
Modelos de representação cognitiva
Modelo Simbólico
Russel e Norving (2004)
Símbolo:
Traduz um conceito. Um conceito é unidade fundamental do
conhecimento simbólico.
Abordagens:
• Procedural ou não-declarativa (saber como)
•
O conhecimento é tratado segundo regras do tipo se-então:
• Lógicas clássicas (raciocínio monotônico): trata de certezas
absolutas (Verdadeiro/Falso).
• Lógica de primeira ordem estendida (raciocínio não-monotônico):
admite um certo grau de indeterminação (verdadeiro/falso/nem
verdadeiro/nem falso)
• Declarativa (saber o quê)
•
O conhecimento é representado na forma de uma rede semântica.
• Grafos, mapas conceituais, mapas mentais, etc.
Modelos de representação cognitiva
Abstrações computacionais
• Modelos de representação cognitiva traduzem processos
cognitivos.
• Não existem modelos para representar processos afetivos.
• A captura de dados afetivos pode revelar-se insuficiente ou
incorreto.
• É um mundo incerto, complexo e dinâmico que pode ser
representado:
• Distribuída/conexionista: redes neurais artificiais
• Simbólica
•
•
•
•
Lógica BDI (Beliefs, Desires e Intention)
Lógica fuzzy
Modelo oculto de Markov
Rede bayesiana
Se-então
Teoria das
probabilidades
Russel e Norving (2004)
PARTE 2
Raciocínio probabilístico através da Teoria de Bayes
Vantagens das Redes Bayesianas
1.
Expressa uma visão semântica do problema;
2.
Apropriada para representar e raciocinar com a incerteza,
característica inerente à dimensão afetiva;
3.
Explora a esparsidade do relacionamento entre as variáveis
(isto é, trata de variáveis sem evidência de correlação)
4.
É eficiente do ponto de vista computacional, embora a
distribuição de probabilidade possa crescer
exponencialmente.
Russel e Norving (2004)
Sintaxe e semântica das Redes Bayesianas
Descreve o problema:
• qualitativamente, por meio da representação de uma rede
semântica, e
• quantitativamente, a partir do uso da teoria da probabilidade,
representado por Tabelas de Probabilidade Condicional (TPC) .
Russel e Norving (2004)
Sintaxe e semântica das Redes Bayesianas
Sintaxe de uma RB:
• é representada por um grafo orientado acíclico.
• os nodos tratam as variáveis do domínio.
• as arestas tratam das relações probabilísticas.
• uma aresta que parte de X para Y, então X será pai de Y.
• cada variável (Xi) tem uma distribuição de probabilidade condicional, tal
que P (XiPais (Xi)).
“A probabilidade de Xi , dado que
conhecemos os pais de Xi “
Sintaxe e semântica das Redes Bayesianas
Semântica de uma RB:
?
A semântica da RB exemplo:
P(A, B, C, D, E) = P(EC)  P(DC) P(CA, B) P(B) P(A)
Inferência de probabilidade para o caso:
P(A  B CD E) = P(EC)  P(DC)  P(CA, B)  P(B)  P(A)
= 0,70  0,90  0,05  0,998  0,999
= 0,031405563 ( 3,14%)
Sintaxe e semântica das Redes Bayesianas
Densidade da RB:
• Cada variável aleatória (nodo) é diretamente influenciada por no máximo
k outras.
• A quantidade de informações para especificar cada TPC será no máximo
2k números (considerando variáveis booleanas: verdadeiro e falso).
• Por exemplo, a TPC de
K=14
214 = 4096 entradas na TPC
(sim, não)
(presente, não presente)
(V, F)
K=14
514 = 6.103.515.625 entradas na TPC
(muito forte, forte, equilíbrio, fraco, muito fraco)
Softwares para implementar RB
•
Hugin Lite v.7.3 (Hugin Expert A/S)
•
Netica v. 4.16 (Norsys Software Corp)
• SEAMED v. 0.7 (Instituto de Informática/UFRGS).
•
MSBN (Microsoft Bayesian Network)
PARTE 3
Aplicação de Redes Bayesianas
Desafios
1. Determinar qual fenômeno afetivo é significativo no
processo de ensino e aprendizagem
2. Determinar os estados de ânimo significativos em
AVA e como mapeá-los.
3. Elaborar o modelo afetivo do aluno.
4. Indicar uma abstração computacional que se ajusta à
modelagem dos estados de ânimo.
5. Desenvolver o modelo da RB de forma implementar a
rede semântica que define o modelo afetivo do
aluno.
6. Ajustar a RB conforme as limitações impostas pela
rede semântica ou pelo software escolhido.
Desafio 1 – Fenômeno afetivo significativo
Terminologia da afetividade
Rosenberg (1998)
Traço de personalidade
Scherer (2005)
Pasquali; Azevedo e Ghesti (1997)
Fridja (1994)
Damásio (1996)
Forgas (2000)
Scherer( 2005)
Disposição afetiva
Estado de ânimo
Emoção de segundo
plano
Emoção
Ekman (1999)
Damásio (1996)
Scherer (2005)
Reeve (2006)
Secundária ou
Social
Primária, Básica
ou Utilitária
É um padrão através do qual o sujeito
percebe a realidade e conduz suas
relações (intra e interpessoais)
É um episódio difuso, sem causa
aparente, que pode emergir de
processos de escasso conteúdo
cognitivo. Caracteriza-se por baixa
intensidade e longa duração
(horas/dias). Repercute na cognição
ao dirigir as reflexões e metareflexões.
É um episódio perceptível com um
grau de intensidade variável e
resposta relativamente breve
(seg./min.). Dirige o curso de uma
ação e é desencadeada a partir de
evento com conteúdo cognitivo claro.
Desafios
1. Determinar qual fenômeno afetivo é significativo no
processo de ensino e aprendizagem
2. Determinar os estados de ânimo que podem ser
identificados em AVA e como mapeá-los.
3. Elaborar o modelo afetivo do aluno.
4. Indicar uma abstração computacional que se ajusta à
modelagem dos estados de ânimo.
5. Desenvolver o modelo da RB de forma implementar a
rede semântica que define o modelo afetivo do
aluno.
6. Ajustar a RB conforme as limitações impostas pela
rede semântica ou pelo software escolhido.
Desafio 2 – Estados de ânimo
Longhi, Behar e Bercht (2009c)
Alto controle
SATISFAÇÃO
(É o estado de ânimoInsatisfeito
que denota prazer advindo da Satisfeito
realização do que se espera,
do que se deseja)
Desagradável
Agradável
Desanimado
ANIMAÇÃO
Animado
(É o estado de ânimo que movimenta o sujeito em direção aos objetivos)
Baixo controle
Scherer (2005)
Tran (2007)
Desafios
1. Determinar qual fenômeno afetivo é significativo no
processo de ensino e aprendizagem
2. Determinar os estados de ânimo que podem ser
identificados em AVA e como mapeá-los.
3. Elaborar o modelo afetivo do aluno.
4. Indicar uma abstração computacional que se ajusta à
modelagem dos estados de ânimo.
5. Desenvolver o modelo da RB de forma implementar a
rede semântica que define o modelo afetivo do
aluno.
6. Ajustar a RB conforme as limitações impostas pela
rede semântica ou pelo software escolhido.
(Bercht, 2001)
Desafio 3 – Modelo afetivo do aluno
Pasquali, Azevedo e Ghesti (1997)
Pasqualotti, 2008
Orengo; Buriol e Coelho, 2007
Kantrovitz, 2003
Mineração de
sentimento
em texto
IFP
Análise do
padrão de ação
do aluno nas
funcionalidades
do AVA
Comportamento
observável
Bercht, 2001
Subjetividade
afetiva
Scherer, 2005
“Appraisal cognitivo”
(Processamento de
informações)
(Subsistemas de
regulação, de
comunicação,
de preparação
para a ação e de
monitoramento
interno)
Traços de
personalidade
Fatores
motivacionais
Confiança
Esforço
Independência
Estados
de ânimo
Sistema
Fisiológico
Expressão
motora
Regulagem
ou ajustes do
corpo
Comunicação da
reação e intenção
de ação ou
comportamento
Motivação
Preparação e
direcionamento
da ação
Sentimento
subjetivo
Monitoramento
dos estados
internos
Desafios
1. Determinar qual fenômeno afetivo é significativo no
processo de ensino e aprendizagem
2. Determinar os estados de ânimo que podem ser
identificados em AVA e como mapeá-los.
3. Elaborar o modelo afetivo do aluno.
4. Optar por uma abstração computacional que
implemente a modelagem dos estados de ânimo.
5. Desenvolver o modelo da RB de forma implementar a
rede semântica que define o modelo afetivo do
aluno.
6. Ajustar a RB conforme as limitações impostas pela
rede semântica ou pelo software escolhido.
Desafio 4 – Opção por rede semântica
IFP
14 fatores
FP importante para AVA
Estados de
ânimo
FP removido
Fatores
Motivacionais
(C, E, I)
11 Variáveis
comportamentais
Subjetividade
em texto
Desafios
1. Determinar qual fenômeno afetivo é significativo no
processo de ensino e aprendizagem
2. Determinar os estados de ânimo que podem ser
identificados em AVA e como mapeá-los.
3. Elaborar o modelo afetivo do aluno.
4. Optar por uma abstração computacional que se ajusta
à modelagem dos estados de ânimo.
5. Projetar o modelo da RB de forma implementar a
rede semântica que define o modelo afetivo do
aluno.
6. Ajustar a RB conforme as limitações impostas pela
rede semântica ou pelo software escolhido.
Desafio 5 – Modelo de Rede Bayesiana
NETICA v.4.16
Framework BFC
(Behavioral Factor
Calculation)
15.625 regs.
125 regs.
125 regs.
Framework AWM
(Affective Word
Mining)
Desafio 5 – Modelo de Rede Bayesiana
Desafios
1. Determinar qual fenômeno afetivo é significativo no
processo de ensino e aprendizagem
2. Determinar os estados de ânimo que podem ser
identificados em AVA e como mapeá-los.
3. Elaborar o modelo afetivo do aluno.
4. Optar por uma abstração computacional que se ajusta
à modelagem dos estados de ânimo.
5. Desenvolver o modelo da RB de forma implementar a
rede semântica que define o modelo afetivo do
aluno.
6. Ajustar a RB conforme as limitações impostas pela
rede semântica ou pelo software escolhido.
Desafio 6 – Ajustes na Rede Semântica
RB implementada - Framework MIM (Mood Inference Machine)
NETICA v.4.16
15.625 regs.
125 regs.
Inferência da predominância dos fatores de personalidade
125 regs.
Inferência dos estados de ânimo
ROODAafeto
Esquema geral
ROODA
Framework BFC
(Behavioral Factor
Calculation)
Framework AWM
(Affective Word
Mining)
Framework MIM
(Mood Inference
Machine)
ROODAafeto
Framework AWM (Affective Word Mining)
Valência
Estado de
Ânimo
Família
Afetiva
Surpresa
Emoções
Abismado, admirado, atônito, chocado, estupefato, maravilhado, pasmo, perplexo, surpreso
Absorvido, animado, ansioso, atento, ávido, curioso, dedicado, empenhado, encorajado,
Interesse
Animado
estimulado, incentivado, inspirado, interessado
Esperança Animado, confiante, desejoso, esperançoso, com expectativa, otimista, seguro
Positiva
Serenidade Assistido, ajudado, aliviado, amparado, calmo, sereno, tranquilo, sossegado
(Prazerosa)
Satisfação Expectativas correspondidas / atendidas, gratificado, satisfeito
Alegria
Alegre, contente, enaltecido, encantado, feliz, triunfante
Satisfeito
Entusiasmo Extasiado, em júbilo, em regozijo, eufórico
Orgulho
Altivo, imponente, onipotente, orgulhoso, vaidoso
Aborrecido, agitado, ameaçado, com ódio, enraivecido, encolerizado, exasperado, feroz, furioso,
Irritação
impetuoso, indignado, inflamado, irado, violento, zangado
Altivo, arrogante, depreciado, desacreditado, desconsiderado, desdenhoso, desprezível,
Desprezo
Insatisfeito
desvalorizado, menosprezado, oprimido, rejeitado, ridicularizado, subjugado
Achar abominável, com antipatia, com asco, enojado, com má vontade, enauseado, enjoado,
Aversão
considerar de mau gosto, desgostoso, detestável, com dissabor, enfastiado, [...]
Inveja
Enciumado, desejoso, invejoso, cobiça
Negativa
Arrependido, censurado, com remorso, culpado, em falta, penalizado, repreendido,
Culpa
(Desagradável)
responsabilizado, sentido
Acanhado, confuso, desconcertado, embaraçado, envergonhado, humilhado, tímido, perdido,
Vergonha
atrapalhado, descompensado, confuso
Desanimado
Alarmado, amedrontado, ansioso, apavorado, apreensivo, arrepiado, assustado, atemorizado, em
Medo
pânico, horrorizado, inquieto, intimidado, medroso, preocupado, receoso, sobressaltado, temeroso
Abatido, aflito, carrancudo, choroso, compadecido, consternado, mal humorado, deprimido,
Tristeza
desapontado, com dó, sentir-se em desgraça, em pranto, entristecido, fracassado, sentir-se
incompetente, lamentoso, lúgubre, magoado, melancólico, penoso, pesaroso, [...]
ROODAafeto
Framework AWM (Affective Word Mining)
Pasqualotti (2008)
WordAffectBR
289 palavras
Longhi, Behar, Bercht e Simonato (2009a)
2987 palavras
2194 palavras no léxico afetivo
ROODAafeto
Framework BFC (Behavioral Factor Calculation)
Esforço
Funcionalidade
Geral
Confiança
Funcionalidade
Geral
Fórum
Bate-papo
Diário de bordo
Contatos
Situação
Fator
Inicial
NA: inferior à média
NA: igual ou superior à média
NV: inferior ao número de acessos
0
-1
+1
-1
NV: igual ou superior ao número de acessos
+1
MP: responde ao formador
MP: responde ao colega
MP: não responde ao colega
MP: não responde ao formador
MP: não participa do fórum
TO: cria sua própria mensagem
TO: cria um novo tópico
FP: extremamente ativa (>= 75%)
FP: ativa (>= 50% e < 75%)
+2
+1
-1
-2
-3
+1
+2
+3
+2
FP: pouco ativa (>= 25% e < 50%)
FP: ínfima (> 0% e < 25%)
FP: não participou (= 0%)
FP: extremamente ativa (>= 75%)
FP: ativa (>= 50% e < 75%)
+1
-1
-3
+3
+2
FP: pouco ativa (>= 25% e < 50%)
FP: ínfima (> 0% e < 25%)
FP: não participou (= 0%)
PA: a todos
PA: ao formador
PA: aos colegas
PA: não pede ajuda
+1
-1
-3
-3
-2
-1
+3
Fórum
Situação
Fator
Inicial
0
NA: inferior à média
-1
NA: igual ou superior à média
+1
FP: extremamente ativa (>= 75%)
+2
FP: ativa (>= 50% e < 75%)
+1
FP: pouco ativa (>= 25% e < 50%)
-1
FP: ínfima (> 0% e < 25%)
-2
MP: responde ao formador
-3
MP: responde ao colega
+2
MP: não responde ao colega
+1
MP: não responde ao formador
-1
MP: não participa do fórum
-2
TO: cria sua própria mensagem
+1
FP: extremamente ativa (>= 75%)
+2
FP: ativa (>= 50% e < 75%)
+1
FP: pouco ativa (>= 25% e < 50%)
-1
Funcionalidade
FP:
ínfima (> 0% e < 25%)
-2Situação
Geral
Inicial
FP:
não participou (= 0%)
-3
FP: extremamente ativa
(>=
75%)
+2
NV: inferior ao número de acessos
FP:
ativa (>= 50% e < 75%)
Fórum
NV: igual ou superior+1
ao número de acessos
FP: pouco ativa (>= 25%
e
<
50%)
-1
TO: cria um novo tópico
FP: ínfima (> 0% e < 25%)
-2
AS: cria sala de bate-papo
Bate-papo
FP:
não participou (= 0%)
-3
AS: não cria sala de bate-papo
PA: a todos
+3
PA: a todos
PA: ao formador
+2
PA: ao formador
PA:
aos
colegas
+1
Contatos
aosdacolegas
TP: igual ou inferior à PA:
média
turma
-1
PA:turma
não pede ajuda +1
TP: superior à média da
Independência
Bate-papo
Diário de bordo
Contatos
Tempo
Tempo
TP: igual ou inferior à média da turma
TP: superior à média da turma
Fator
0
-1
+1
+1
+1
-1
-2
-1
+1
+2
+1
-1
ROODAafeto
Dinâmica das interfaces
ROODAafeto
Dinâmica das interfaces
Contribuições
Caminhos trilhados
1. A pesquisa pressupôs uma reflexão sobre a questão da
afetividade implicada na interação no âmbito do AVA
ROODA.
2. Essa reflexão motivou a implementação da ferramenta
computacional, o ROODAafeto.
3. O ROODAafeto mapeia os estados
(animado/desanimado e satisfeito/insatisfeito).
de
ânimo
4. A expectativa é a de que essa ferramenta possa auxiliar o
professor no que se refere ao acompanhamento do
percurso cognitivo-afetivo do aluno.
Contribuições
Outras contribuições
1. Estudo e discussão de qual fenômeno afetivo é representativo nas
questões da Educação e possível de ser reconhecido em AVAs.
2. Adaptação do modelo dos fatores motivacionais proposto por Bercht
(2001) e inspirada em del Soldato e du Boulay (1995).
3. Desenvolvimento do framework AWM (Affective Word Mining).
4. Construção do acervo de símbolos linguísticos com conotação afetiva.
5. Utilização de Rede Bayesiana (RB) para o modelo computacional de
inferência dos estados de ânimo.
6. A divulgação dos resultados à comunidade científica, em congressos
nas áreas de Computação, Informática na Educação e Psicologia, é
considerada também no âmbito das contribuições.
Contribuições
Perspectiva de novas investigações
1. Inclusão de outras funcionalidades do AVA ROODA para o cálculo dos
fatores motivacionais.
2. Incorporação de novas características no modelo afetivo do aluno:
a) Estilo de aprendizagem
b) Atitude social (recurso de sociometria)
3. Utilização de modelo computacional híbrido para implementar o
modelo afetivo do aluno.
4. Discussões nas áreas:
a) Educação: extensão do mapeamento de aspectos afetivos para
os formadores.
b) Educação: reflexões sobre os modos de ser professor quando de
posse de informações afetivas.
c) Psicologia: validação dos autorregistros sobre os aspectos
afetivos.
Mapeamento de aspectos afetivos
em um ambiente virtual de
aprendizagem
Magalí Teresinha Longhi
(http://chasqueweb.ufrgs.br/~mlonghi)
Patricia Alejandra Behar (orientadora)
Magda Bercht (co-orientadora)
Download