conteúdos didáticos personalizados por padrões proximais de

CONTEÚDOS DIDÁTICOS PERSONALIZADOS POR PADRÕES PROXIMAIS
DE APRENDIZAGEM EM SISTEMAS TUTORIAIS INTELIGENTES
Francisco Ramos de Melo1, 2, 3, 4, Sirlon Diniz de Carvalho1, 2, 3, Edna Lucia Flores1, Weber Martins2,
Rubens de Castro Pereira1, 3, Gilberto Arantes Carrijo1 e Antônio Cláudio Paschoarelli Veiga1
1
Universidade Federal de Uberlândia - Faculdade de Engenharia Elétrica - Uberlândia– MG – Brasil
Universidade Federal de Goiás - Escola de Engenharia Elétrica e Computação - Goiânia – GO – Brasil
3
Faculdades Alves Faria - Departamento de Ciência da Computação - Goiânia – GO – Brasil
4
Faculdade Anhanguera de Anápolis - Departamento de Ciência da Computação - Anápolis – GO – Brasil
2
[email protected], [email protected], [email protected], [email protected], [email protected], [email protected] [email protected].
Resumo – Este trabalho apresenta uma modelagem
para um sistema tutor inteligente (STI) baseado em redes
neurais artificiais e regras simbólicas. O sistema
possibilita a classificação do estudante dentro de uma
área multimensional formada por suas características,
habilidades e conhecimento prévio de um conteúdo. Após
a classificação, o sistema associa o perfil a um padrão
probabilístico proximal para apresentação personalizada
do conteúdo. No sistema foram inseridas regras
simbólicas para ajustar o conteúdo de forma reativa. Os
resultados demonstram que a abordagem é eficiente,
propiciando
uma
otimização
personalizada
no
aproveitamento do conteúdo.
Palavras-Chave – Conteúdos didáticos personalizados,
padrões proximais de aprendizagem, Fig., redes neurais
artificiais, personalização didática.
DIDACTICS CONTENTS PERSONALIZED
BY LEARNING PROXIMITY PATTERNS IN
INTELLIGENT TUTORIAL SYSTEMS
Abstract - This paper introduce an Intelligent Tutor
System (ITS) model on neural artificial networks and rules
based. (translate after). The system allows student
classification inside a multidimensional area provided by
your issues, abilities and previously knowledge of a content.
After the classification, the system associates a relation
between student’s profile and a nearest probabilistic pattern
for personalized content presentation. Symbolic rules were
added to provide content’s reactive adjustment. The results
demonstrate that the approach is efficient, promoting a
customized optimization in content’s absorption.
1
Keywords – Didactics personalized contents, learning
proximity patterns, intelligent tutor systems, artificial
neural networks, didactic personalization.
I. INTRODUÇÃO
Desde os primórdios da humanidade, transmitir
conhecimentos tem sido o elemento diferenciador e
impulsionador do desenvolvimento humano.
Em suas diferentes abordagens, a forma predominante de
transmissão de conhecimentos é aquela onde o transmissor
(professor) e o receptor (aluno) compartilham o mesmo
espaço e tempo sincronamente. Essa forma é denominada
modalidade de ensino presencial.
Se, por um lado, o modelo tradicional tem se apresentado
mais efetivo em muitos aspectos, por outro lado tem
apresentado como fator de exclusão nas situações em que
não é possível a sincronia de espaço e tempo de seus
integrantes.
Uma forma encontrada para resolver o problema da
sincronia do espaço e tempo na aprendizagem foi o
desenvolvimento da modalidade de ensino não presencial ou
Ensino a distância (EAD). Esta nova modalidade por sua
característica assíncrona possibilitou a expansão do ensino,
levando o conhecimento de diferentes tecnologias aos pontos
mais distantes. Entretanto, a separação entre professor e
aluno apresentou um novo problema a ser resolvido: a
mediação da construção do conhecimento.
Toda a tecnologia educacional desenvolvida por milhares
de anos foi baseada na interação direta e presencial entre o
professor e o aluno. No desenvolvimento do EAD, essa
interação foi substituída por diferentes formas que, pela sua
característica eminentemente assíncrona, não tem se
mostrado eficiente para compreender as situações
momentâneas do processo no instante em que isto ocorre.
Desta forma, quando a ação docente ocorre, o estudante já
pode estar em outra fase do processo ou, então, prejudicado
pela demora da ação.
A interação entre os diferentes elementos envolvidos em
um processo de EAD tem sido objeto de muitas pesquisas
que produziram laços multidisciplinares entre as Ciências
Exatas e Humanas.
Um dos ramos da tecnologia computacional, a inteligência
artificial, tem apresentado soluções promissoras no
estabelecimento de elementos promotores da comunicação e
interação entre os diversos componentes envolvidos no
processo de ensino-aprendizagem na modalidade não
presencial. Muitos trabalhos foram desenvolvidos buscando
formas de estabelecer ligações entre o objeto de
aprendizagem e o saber do estudante.
O desenvolvimento de sistemas tutores inteligentes (STIs)
normalmente tem sido realizado com o emprego de técnicas
da inteligência artificial (IA) clássica. Na IA clássica, o
conhecimento é abstraído, organizado e representado a partir
da visão dos especialistas. Nesta abordagem, o processo de
aquisição do conhecimento acontece, normalmente, através
de técnicas manuais, como entrevistas. O problema neste
processo é a qualidade da comunicação envolvida entre o
engenheiro do conhecimento e o especialista. A qualidade na
comunicação reflete na qualidade do entendimento e
modelagem do conhecimento. Um importante fator para
minimizar o problema da comunicação é a experiência dos
envolvidos no processo. Por outro lado, dificuldades e ruídos
nos diferentes níveis do processo de comunicação da
modelagem podem contribuir para a degradação da qualidade
do sistema [1].
Uma alternativa para o desenvolvimento de STIs é o
emprego de técnicas da IA conexionista. O conexionismo
pode simplificar o processo de aquisição e representação do
conhecimento por possuir técnicas semi-automáticas ou
automáticas. A atuação do especialista reside na definição
das características definidoras das classes do conhecimento.
A organização e representação do conhecimento podem ser
realizadas de forma automática com o emprego de alguma
técnica de aprendizagem de máquina.
No trabalho “a máquina de ensinar”, de Skinner, pode ser
verificada a possibilidade de organizar uma seqüência
didática com o objetivo de transmitir algum ensinamento [2].
Dos preceitos e organizações para organização didática do
conteúdo a ser apresentado, apresentados por Skinner, é
possível observar a necessidade de estabelecer padrões com a
finalidade de transmitir algum conhecimento e sistematizar o
processo. Apesar das criticas ao trabalho de Skinner, os
conceitos embasam definições de formatação, fracionamento
e apresentação do conteúdo que viabilizam a mediação do
conhecimento com o emprego de máquinas. Vale ressaltar
que a tecnologia da época permitia apenas resultados
modestos em termos educacionais. Entretanto, a tecnologia
atual oferece condições de alcançar resultados bem mais
consideráveis, partindo dos princípios propostos por Skinner.
A proposta inicial de utilizar redes neurais no
desenvolvimento de STIs surgiu da contemplação da
mediação didática de um professor durante a exposição de
um conteúdo para seus alunos. A proposta partiu da
observação da atuação do professor na exposição de um
conteúdo. O professor parte de um conteúdo inicial e,
conforme as reações dos alunos, busca alternativas entre os
diversos caminhos para facilitar o entendimento do assunto
exposto. Surgiu daí, o interesse de criar um sistema
computacional capaz de organizar o conteúdo mais adequado
para cada aluno e, ao mesmo tempo, que pudesse ser
modificado durante sua trajetória de estudo. Com este
objetivo, foi estabelecida uma estratégia didática para
pesquisa onde a apresentação do conteúdo esta organizada
em cinco níveis diferentes [3].
Carvalho [4] inseriu a formatação do conteúdo e
implementou o STI conexionista. O STI implementado
passou a executar a tarefa de selecionar, dentre diversas
possibilidades, o conteúdo mais favorável ao entendimento
do aprendiz. No trabalho foi implementado uma rede para
cada nível de fração de conteúdo. As redes foram treinadas a
partir do levantamento de dados em coletas com estudantes
selecionados pela performance em estudos individuais.
A próxima geração de desenvolvimento do STI objetivou
a redução de várias redes neurais locais especializadas para
uma única rede neural global e generalizadora [5].
Os trabalhos foram desenvolvidos empiricamente em
várias técnicas e com a apuração de bons resultados. Apesar
dos resultados, verificou-se a ausência de um formalismo na
definição dos modelos. A necessidade de estabelecer
parâmetros formais na definição do modelo pode ser
fundamental na concepção e orientação em novos trabalhos.
O objetivo deste trabalho é apresentar o embasamento teórico
formal e referencial no desenvolvimento da personalização
de conteúdos didáticos em STIs conexionistas. Para tal,
procura levantar elementos que justifiquem o esforço no
desenvolvimento de ferramentas para personalização dos
conteúdos. A partir destes conceitos busca a apresentação de
um formalismo para o modelo. Ao final, é apresentada uma
análise dos dados que mostram a viabilidade do modelo por
possibilitar um eficiente mecanismo de automação
computacional para auxiliar a personalização didática.
II. ORGANIZAÇÃO DE CONTÉUDOS DIDÁTICOS
O processo de ensino pode ser representado por uma
combinação de ações do professor e do aluno, tendo em vista
a assimilação de conhecimentos. Nesta representação, é
possível definir a existência de três elementos: o professor, o
aluno e o conteúdo a ser ensinado. O aluno é a parte
interagente para qual é direcionado todo o esforço do
processo, visando o desenvolvimento de suas habilidades. O
professor é o grande agente do processo, responsável pela
direção e organização dos meios que proporcionem ao aluno
assimilar conhecimentos do conteúdo. A organização do
conteúdo não deve ser entendida como algo mecânico,
apenas como seleção e organização lógica dos conteúdos
para transmiti-los. Recomenda-se que os próprios conteúdos
devem incluir elementos da vivência prática dos alunos para
torná-los mais significativos [6].
Na modalidade presencial de ensino, onde professor e
aluno estão presentes no mesmo espaço e tempo, o conteúdo
é apresentado sob uma forma única para todos os estudantes
como um texto, por exemplo. A partir da apresentação do
conteúdo, a ação interativa na mediação do professor busca
identificar as dificuldades do aprendiz. Da identificação das
dificuldades, o professor estabelece uma forma de conduzir o
aprendizado. Esta interação entre professor e aluno ocorre
durante todo o processo de desenvolvimento do conteúdo.
Já em modalidades não presenciais, onde há separação de
professor e aluno no espaço e tempo, a interatividade se torna
um fator complicador. O professor seleciona e disponibiliza
o conteúdo a ser apresentado. Este conteúdo é apresentado no
mesmo formato para todos os alunos. Este conteúdo,
normalmente, estrutura os conceitos a serem desenvolvidos
em um contexto geral que pode não atender situações
individuais de estudo de alguns alunos, pela falta da
mediação docente.
Em se tratando de ambiente não presencial, a pluraridade
de aprendizes é ainda mais desconhecida. Percebe-se a
importância de criar estratégias diferentes para os conteúdos
e de um instrumento capaz de auxiliar a organização do
conteúdo interativamente para cada aluno apresentado.
Assman [7] enfatiza que o aspecto fundamental da educação
reside nas vivências personalizadas de aprendizagem. Assim
posto, o aluno, como elemento essencial do processo, carece
do atendimento de sua individualidade no desenvolvimento
do processo. Neste trabalho, cabe considerar as
possibilidades de formatar e apresentar um conteúdo
didático.
A formatação de conteúdo tradicional é aquela onde o
conteúdo é desenvolvido e apresentado de forma única. Um
conteúdo pode encerrar um ou mais conceitos. Nesta
formatação, cada conceito é apresentado de forma única
conforme o entendimento do autor, podendo ser direcionada
a uma classe de leitor. Esta é a formatação comumente
encontrada na disponibilização de conteúdos (livros,
apostilas, etc.). O conteúdo ( η )pode ser formalizado como a
somatória das unidades de conceitos ( χ ), conforme
representado na equação 1:
n
η = ∑ χx
(1)
x =1
A reflexão sobre estes pressupostos reforça a intenção de
desenvolver um sistema para auxiliar uma organização
didática que respeite a individualidade do aluno, na mediação
de um conhecimento proposto pelo professor.
III. PERFIL DO ESTUDANTE
Para estabelecer o padrão do perfil do estudante, a
Psicologia apresenta formas de classificar a mente humana.
Estudos estabelecem a relação de padrões de comportamento
com as características multidimensionais obtidas a partir do
emprego de testes psicológicos. Observa-se a não existência
de um único perfil de estudante com um único padrão de
comportamento. O que existe é uma grande diversidade,
apresentada
em
diferentes
perfis
de
estudante
(personalidades), por sua vez com variados padrões de
comportamento.
Jung observou que o comportamento humano não é algo
aleatório, onde as ações são resultado do acaso. Ao invés
disto, observou que o comportamento segue padrões
desenvolvidos a partir da estrutura da mente humana. Com
base nestas observações, Jung desenvolveu uma teoria, sobre
os tipos psicológicos baseado em funções dicotômicas
(exemplo: raciocínio e sentimento). Os tipos psicológicos são
desenvolvidos a medida que as pessoas direcionam sua
energia para cada um dos pares opostos [8].
IV. COMPUTADORES NA EDUCAÇÃO
O uso de computadores na educação teve início nos anos
50, com a introdução dos sistemas tutores. As primeiras
aplicações dos sistemas tutores são considerados simples
“viradores de páginas eletrônicos” devido a sua característica
estática na apresentação dos conteúdos. Parcela considerável
das aplicações educacionais que vieram a utilizar a
tecnologia dos sistemas tutores foi classificada como
“Instrução Assistida por Computador” (CAI, expressão
traduzida do Inglês: “Computer-Assisted Instruction”) [9].
Para contextualizar a proposta de tutores, utilizando
sistemas inteligentes baseados em redes neurais artificiais, é
importante observar a existência de diversas estruturas de
tutoriais, variando do tutorial clássico a sofisticadas
estruturas customizadas. De maneira geral, a lição é iniciada
por uma introdução e, no final, é realizada uma atividade
avaliativa para medir a retenção de conhecimento sobre o
que foi apresentado [10]. Estas técnicas são estáticas e não
são personalizáveis e reativas ao perfil do estudante. As
técnicas computacionais convencionais não são suficientes
para uma modelagem tão complexa. O processo de ensinoaprendizagem é altamente dinâmico e a personalização do
processo tem muitos fatores a serem considerados sob
diversas condições.
No desenvolvimento da customização do tutorial, técnicas
de IA foram introduzidas para possibilitar a personalização e
reatividade do sistema ao estudante durante o processo de
desenvolvimento da tutoria. Sistemas tutores utilizando tal
tecnologia são classificados como “Instrução Inteligente
Assistida por Computador” (expressão traduzida do Inglês
“Inteligent Computer-Assisted Instruction” - ICAI) – são os
STIs.
A intenção de realizar um estudo sobre os elementos
envolvidos em um processo de tutoria personalizável
mediado por computadores é justificada pela necessidade de
criar mecanismos que possibilitem a democratização do
conhecimento justamente para promover o processo de
inclusão daqueles que, por razões adversas, não tem
disponibilidade de acesso a um tutor humano na mediação do
processo de internalização de seus conhecimentos,
considerando para tal que cada individuo tem um perfil
particular de inteligência e relações dialéticas com o mundo.
Com isto, pode-se pressupor que o EAD, como escola,
cumpre a missão de atender ao aprendiz de forma que o
aprendizado seja significativo para ele [11].
V. REDES NEURAIS ARTIFICIAIS
Os STIs normalmente são implementados através de
agentes, regras simbólicas e outras técnicas da IA clássica
onde o conhecimento é abstraído e organizado em
conformidade com a visão dos especialistas [12]. Nestas
técnicas a grande dificuldade está no processo de aquisição e
representação do conhecimento.
No desenvolvimento de STIs conexionistas, o problema
de representar o conhecimento pode ser simplificado, visto
que as técnicas de aquisição e representação podem ser
automatizadas. Para reconhecer e classificar determinados
padrões, são estabelecidos os atributos a serem considerados.
A relação entre os atributos e os padrões é estabelecida por
técnicas de treinamento do sistema.
As redes neurais artificiais (RNAs) são estruturas de
processamento que imitam a atividade de processamento do
cérebro humano. A principal característica de uma RNA é a
capacidade de estabelecer uma relação nas diferentes
dimensões dos dados apresentados em suas entradas e efetuar
a classificação em padrões [13] [14].
A rede neural perceptron multi-camadas (MLP, do inglês
Mult Layer Perceptron) é o modelo mais registrado na
literatura. Na rede MLP os neurônios são organizados em
camadas de entrada, saída e intermediárias. A MLP tem
poder computacional derivado da capacidade de tratar dados
não linearmente separáveis e habilidade de aprender pela
experiência, por meio de treinamento supervisionado. Neste
paradigma de aprendizado, normalmente, os padrões de
entrada são associados a padrões de saída e os algoritmos de
treinamento utilizam esta referência para ajustar os pesos da
RNA. A organização de uma rede neural MLP, pode ser
visualizada na Fig. 1.
Fig. 1: Rede Neural Artificial MLP
Ψx =
VI. FORMALIZANDO OS PADRÕES
Na definição dos elementos para estruturar o sistema,
observa-se a necessidade de reestruturar e formalizar um
novo formato para apresentação de conteúdos. Outro ponto a
ser considerado é a identificação do perfil do estudante e
estabelecer um padrão de ligação entre este perfil e a seleção
dos conteúdos que melhor se adaptem a este perfil.
Para solução do problema de personalização dos
conteúdos didáticos, o conceito precisa ser escrito em
diferentes formas com o objetivo de apresentar diferentes
dimensões de entendimento a um mesmo conceito. Esta
formatação é denominada de multinível, sendo mais
complexa que a formatação simples.
Na formatação multinível o conceito deve ser reescrito em
versões com diferentes graus de dificuldade (nível), tendo
como referência o conceito geral em um nível pré-definido
pelo autor. Este nível inicial é o primeiro a ser apresentado e
serve de referência para desenvolvimento dos outros níveis.
Cada nível deve ter um padrão de apresentação em relação ao
conceito no nível inicial pré-definido. Como cada conceito
passa a ser formulado em vários níveis, um conceito
multinivel ( χM ) no conteúdo passa a ser composto pela
somatória dos vários níveis ( κ ), conforme representado na
equação 2.
m
χM = ∑ κ y
(2)
y =1
Substituindo a equação (2) na variável Conceito ( χ ) da
equação (1), é obtida a definição de conteúdo multínivel
(equação 3) mais apropriado para a implementação da
personalização de conteúdos.
n
η =∑
x =1
m
∑κ
y =1
xy
pode ter todos os níveis apresentados ou apenas alguns,
conforme a situação.
Uma forma de estabelecer o padrão de texto a ser
apresentado, é relacionar com o perfil do estudante,
formando a referência base para personalização. Com relação
ao padrão de comportamento, um mesmo objeto pode ter
diferentes aceitações, em diferentes escalas. Desta forma,
esta variável será o elemento de controle na seleção do objeto
com proximidade da preferência de um determinado padrão
comportamental. A seleção indicará se a aproximação
objeto/perfil provê melhores resultados para o estudante.
O problema agora é estabelecer os parâmetros de
classificação dos estudantes. Para tal se propõe uma
composição a partir de três variáveis: o padrão pessoal
(oriundo de testagem psicológica), o padrão de habilidades
(oriundo de um questionário de habilidades) e o préconhecimento do texto a ser apresentado (pré-teste)[15].
A definição de uma dimensão de característica
comportamental (Ψx), é obtido pela soma (eq. 4) de cada item
do teste (I) psicológico ponderado pelo seu peso (W).
(3)
O conteúdo no formato multinível possibilita opções para
o desenvolvimento de conteúdo personalizado a cada perfil
de estudante. Outra função é possibilitar alterações reativas
para cada momento do estudo. Cada conceito do conteúdo
n
∑I
y =1
y
* wy
(4)
O padrão pessoal (Ψ) é uma variável multidimensional
composta das dimensões (Ψx) consideradas na testagem
psicológica. Assim, tendo por base a equação 4, o padrão
pessoal pode ser representado pela equação 5:
Ψ = [Ψ 1, Ψ 2, ... , Ψ n]
(5)
Um padrão de habilidades é uma avaliação especifica do
contexto socio-cultural do estudante (idade, sexo, manuseio
de tecnologias, etc.) e complementa o padrão pessoal, no
sentido de encontrar elementos mais próximos da realidade
do estudante e sua interação com o conteúdo. A avaliação de
cada habilidade considerada (θx) é feita através da soma de
vários itens considerados (I) ponderado pelo valor (w)
atribuído ao mesmo (eq.6 ). O conjunto de habilidades forma
o padrão de habilidades ( θ )é representado pela equação 7.
Θ
x
=
n
∑
y =1
Iy *wy
(7)
(6)
θ = [θ 1, θ2, ... , θn]
O padrão do pré-conhecimento (λ) do conteúdo é um préteste aplicado antes da apresentação do conteúdo. O objetivo
é verificar quanto o aluno conhece sobre o conteúdo a ser
apresentado. Para cada conceito do conteúdo há uma questão.
O padrão λ é obtido pela soma de todas questões (Ix) do prétesté ponderado pelo valor (wx) atribuído para cada
alternativa de resposta da questão (eq. 8).
n
λ = ∑ I x * wx
(8)
x =1
O padrão de aprendizagem proximal (Ω), que representa o
perfil pessoal do estudante, é uma área multidimensional
resultante da intersecção das três áreas (eq. 9)de perfis que o
definem: psicológico (Ψ), habilidade (θ) e pré-conhecimento
do conteúdo (λ ).
Ω = ∫Ψ ∩∫Θ∩∫λ
(9)
O perfil probabilístico de leitura (α) do estudante é um
vetor com a distribuição de probabilidades para a leitura de
cada nível Nx dos conceitos do conteúdo relacionado com um
perfil de estudante (Ω). A representação do vetor α é
representado pela equação 10.
α = Ω [ P(N1) P(N2) ... P(Nn)]
Na navegação no sistema inteligente a decisão é o
resultado do processo descrito ao longo deste trabalho,
conforme a estrutura apresentada na Fig. 2 . Foram realizadas
31 coletas com navegação inteligente.
[ 10 ]
A partir da definição do Ω é possível encontrar um padrão
proximal de α que conduz a um melhor aproveitamento do
conteúdo.
O problema é classificar o estudante em um padrão de
aprendizagem (Ω) e estabelecer a ligação com o padrão de
leitura (α) mais adequado. A solução pode ser feita com o
emprego de uma rede Neural no sistema. A rede é definida a
partir de dados observados de outros estudantes. Ao final, a
RNA estará capacitada a exercer a função de classificar o
estudante em um padrão (Ω) e indicar o padrão proximal de
leitura (α) mais adequado ao estudante [16].
Como o padrão de leitura (α) é geral, ele não é suficiente
para atuar reativamente em cada situação local. Para corrigir
as situações locais no processo mediativo, foram inseridas
regras de especialistas [17]. Estas regras foram estabelecidas
após levantamento junto aos especialistas (professores) sobre
a atuação diante de cada situação local possível. Estas regras
definem o perfil probabilístico de condução da ação do
estudante diante das diferentes situações do mesmo no
transcorrer da apresentação do conteúdo. Sua principal
função é atenuar incoerências momentâneas no padrão α do
estudante. Além disto, proporciona ampliação das melhores
probabilidades, coerentes com a situação e o perfil α.
Com estes dados o sistema é estruturado para personalizar
os conteúdos didáticos. Os resultados dos testes de
características, habilidades e conhecimento é inserido na
RNA. A RNA, por sua vez, classifica o perfil do estudante e
indica o padrão proximal de leitura (α). Após esta definição,
começa a apresentação do conteúdo a partir do primeiro
conceito. Ao final da apresentação de cada conceito, o
estudante é submetido a um teste de retenção do nível.
Conforme a resposta do estudante, o sistema busca a regra
especifica e efetua uma operação com o padrão α, o produto
é um padrão probabilístico para a escolha do próximo
conteúdo a ser apresentado. A seleção do próximo conteúdo
a ser apresentado, é realizada com o emprego da técnica de
Monte Carlo [17]. Nesta técnica ocorre um sorteio para
escolha de um item dentro da sua probabilidade. As maiores
probabilidades tem maior chance de serem escolhidas, porém
as probabilidades menores também podem ser selecionadas.
Após a seleção o sistema recupera o conceito no nível
selecionado e apresenta ao estudante. Desta forma, o sistema
vai apresentando um conteúdo personalizado e reativo.
O treinamento da RNA para classificar e associar os
padrões foi realizada a partir dos dados selecionados de uma
coleta livre. A coleta livre é realizada no mesmo formato do
sistema inteligente, porém a decisão de navegação é feita
pelo estudante. Após esta coleta, são selecionadas as
melhores navegações, dentro de critérios estabelecidos. Nesta
navegação foram realizadas 210 coletas com estudantes do
nível médio e série inicial de cursos superiores. Das coletas
realizadas, apenas 68 satisfizeram os critérios mínimos
estabelecidos para treinamento da RNA.
Fig. 2. Estrutura do Sistema Tutor
Um sistema com navegação aleatória foi inserido na
pesquisa para validar os resultados da navegação inteligente.
Cada passo na navegação aleatória é decidido totalmente ao
acaso. Na navegação aleatória foram realizadas 31 coletas.
VII. ANÁLISE DOS RESULTADOS
O tema do conteúdo apresentado foi Introdução a
Informática. No conteúdo foram desenvolvidos 15 conceitos.
Desta forma, o conteúdo multinivel total foi composto de 75
textos (15 conceitos distribuídos em 5 níveis).
Após a implementação do sistema e coleta dos dados em
suas diferentes versões (livre, aleatória e guiada), foi
realizada a analise dos dados. Inicialmente, foram
observados o comportamento e o desempenho em relação as
notas iniciais e finais. Na Tabela I são apresentados os dados
da análise do desempenho das notas iniciais. A observação
desta tabela mostra que as notas iniciais estão bem próximos.
A média inicial da coleta livre é justificada pela pré-seleção
do grupo para compor o conjunto de treinamento. Nas outras
coletas, não houve seleção.
TABELA I
Análise descritiva da média das notas Iniciais
Navegação
Casos
Média
Mediana
Livre
Aleatória
Inteligente
148
31
31
4,56
3,99
3,92
1,78
2,17
2,21
Desvio
padrão
4,40
3,47
4,00
A Tabela II apresenta a análise das notas finais. Os dados
sugerem maior estabilidade e melhores resultados
propiciados pela navegação inteligente utilizada no sistema.
TABELA II
Análise descritiva da média das notas Finais
Navegação
Casos
Média
Mediana
Livre
Aleatória
Inteligente
148
31
31
6,87
5,93
7,21
1,66
2,16
1,83
Desvio
padrão
6,80
5,73
6,93
A Tabela III resume a descrição da média dos resultados
obtidos na análise comparativa dos dados das navegações
observadas na pesquisa. O ganho normalizado calcula, a
partir das notas inicial e final, o quanto foi possível o
estudante melhorar. Observando os dados da Tabela III é
possível verificar que o sistema inteligente apresenta uma
performance melhor que os outros sistemas. Como há 75
níveis de texto disponíveis, é possível afirmar que o sistema
teve uma boa performance na seleção dos conteúdos. O
estudante consegue ter um melhor aproveitamento do
conteúdo apresentado e com uma menor apresentação de
textos. Em média foram apresentados 26,8 textos para o
estudante finalizar o estudo com uma melhoria média de
58% de aproveitamento. Assim, verifica-se que as médias no
sistema inteligente são melhores e com a utilização de menos
recursos (níveis visitados e tempo).
TABELA III
Análise descritiva do desempenho médio
Navegação
Tempo
Níveis
Ganho
Livre
37,88
35,34
39,59 %
Aleatória
35,97
45
32,60 %
Inteligente
26,80
26,71
58,02 %
VIII. CONCLUSÕES
Ao decorrer do trabalho foram apresentados as bases
formais para definição de um sistema com a possibilidade de
seleção e apresentação personalizada de conteúdos didáticos.
As definições das variáveis envolvidas se mostraram
relevantes para as técnicas empregadas na solução dos
problemas apresentados.
Para possibilitar a personalização do conteúdo, foi
verificada a necessidade de estabelecer uma estrutura
multinivel. Diferentes versões do conceito possibilitam
diferentes opções de apresentar o mesmo conteúdo.
O problema de definir o padrão do estudante e seu
respectivo padrão proximal, pela complexidade e
multidimensionalidade foi implementado com o auxílio de
uma RNA com atuação generalizada. Para complementar o
sistema foram inseridas regras simbólicas possibilitando
reatividade às ações através das correções locais.
Os dados observados mostram a eficiência das técnicas
empregadas, proporcionando personalização do conteúdo
apresentado, sendo que foi alcançado um melhor
aproveitamento com menor quantidade de texto e, também,
menos tempo de exposição.
Diante do exposto, verifica-se que o sistema apresentado
tem um bom potencial como ferramenta auxiliar na tarefa de
organizar a apresentação de conteúdos didáticos, de forma
personalizada e reativa, em ambientes de estudos não
presenciais.
REFERÊNCIAS BIBLIOGRÁFICAS
[1] S. O. Rezende, Sistemas Inteligentes – fundamentos e
aplicações. Barueri, SP : Manole, 2005.
[2] B. F. Skinner, The technology of teaching. New York,
Appleton-Century-Crofts, 1968
[3] W. S. Alencar, Sistemas Tutores Inteligentes Baseados em
Redes Neurais. Dissertação (Mestrado em Engenharia
Elétrica e de Computação) - UFG - Universidade Federal de
Goiás. Goiânia, 2000.
[4] S. D. Carvalho, Mapas Auto-Organizáveis Aplicados a
Sistemas Tutores Inteligentes, Goiânia, 2002. Dissertação
(Mestrado em Engenharia Elétrica e de Computação) - UFG
- Universidade Federal de Goiás.
[5] J. C. Libâneo, Didática. São Paulo. Editora Cortez. 1994.
[6] H. Assman, Reencantar a Educação: rumo à sociedade
aprendente. Rio de Janeiro. Editora Vozes. 2007.
[7] C. G. Jung, Psychological types. Em H. G. Baynes (Ed.),
Bollingen series XX, Vol. 6, Princeton University Press,
1921/1971.
[8] M. J. Rosenberg, E-Learning strategies for delivery
knowledge in the digital age. McGraw-Hill, New York :
NY, USA, 2001.
[9] W. K. Horton, Designing Web-based Training. 2000.
[10] S. F. Tajra, Informática na Educação: novas ferramentas
pedagógicas para professores na atualidade. São Paulo.
Editora Érica. 2001.
[11] R.M. Viccari, Sistemas Tutores Inteligentes: Abordagem
Tradicional vrs. Abordagem de Agentes. XII Simpósio
Brasileiro de Inteligência Artificial. Curitiba. Outubro,
1996.
[12] L. V. Fausett, Fundamentals of neural networks. Prentice
Hall, 1994.
[13] S. S. Haykin, Redes neurais artificiais: princípio e prática.
São Paulo, SP : Bookman, 2000.
[14] F. R. Melo, Sistemas Tutores Inteligentes Híbridos
Baseados em Tipologia Psicológica,. Dissertação (Mestrado
em Engenharia Elétrica e de Computação) - UFG Universidade Federal de Goiás. Goiânia. 2003.
[15] F. R. Melo, W. Martins, L. E. G. Nalini, V. Meireles,
Generalizador Neural de Espaços de Aprendizagem em
Sistemas Tutores Inteligentes, XVII Simpósio Brasileiro de
Informática na Educação - SBIE. Brasília. 2006.
[16] P. Norvig, & S. Russel, “Artifcial Intelligence: a modern
approach”. New Jersey, NJ: Prentice-Hall. 1997.
[17] A. P. Braga, A. P. L. F. Carvalho e T. Ludermir, Redes
Neurais Artificiais – Teoria e Aplicações. Rio de Janeiro:
LTC, 2007.