tutores inteligentes 2003/2004 - dei.isep.ipp.ptpaf/proj/set2004/tutores_inteligentes.pdf · i...
TRANSCRIPT
Tutores Inteligentes 2003/2004
Departamento de Engenharia Informática
Ramo: Computadores e Sistemas Projecto 5º Ano
Orientador: Professor Carlos Ramos
Aluno: i980839, Liliana Santos
Setembro 2004
i
Agradecimentos
Quero aproveitar esta oportunidade para expressar os meus sinceros agradecimentos
a todos aqueles que me ajudaram e apoiaram no desenvolvimento deste projecto.
Em primeiro lugar gostaria de agradecer aos meus pais, sem eles não era possível
chegar onde cheguei, à minha irmã e ao meu namorado. Obrigado por me terem ajudado
e apoiado nos momentos mais difíceis, e dado sempre coragem e força para ultrapassar
os obstáculos.
Ao meu orientador, Professor Carlos Ramos por todo o apoio prestado ao longo da
realização deste projecto e pela disponibilidade e orientação demonstrada para ajudar na
resolução das questões e dúvidas que foram surgindo. Sinto-me extremamente
afortunada por tê-lo como meu orientador. Agradeço também ao Professor Luís Faria e ao
Professor António Silva pela sua paciência e disponibilidade.
Agradeço também a todos os professores que ao longo do curso, me ajudaram na
aquisição de conhecimentos e aptidões necessárias para o desenvolvimento deste
projecto.
A todos os meus amigos e restante família que tenho, pois sei que a eles devo um
agradecimento por terem partilhado comigo a sua amizade.
A todos deixo o meu sincero obrigado e a mais profunda e sincera gratidão.
iii
Índice
1 Introdução __________________________________________________________________ 1
1.1 Tutores Inteligentes: Uma alternativa ao treino tradicional ______________________ 1
1.2 Objectivos _______________________________________________________________ 2
1.3 Estrutura do Relatório_____________________________________________________ 3
2 Sistemas de Ensino Baseados em Computador _____________________________________ 5
2.1 Sistemas de Ensino Assistido por Computador_________________________________ 5
2.2 Sistemas Inteligentes de Ensino Assistido por Computador ______________________ 6
2.3 Estrutura de um Tutor Inteligente ___________________________________________ 6
2.4 Classificação dos Tutores Inteligentes ________________________________________ 7 2.4.1 Ambientes Interactivos de Aprendizagem___________________________________________ 8
2.4.1.1 Ambientes Interactivos de Aprendizagem Baseados em Simulação____________________ 9 2.4.1.2 Ambientes Hipermédia Adaptativos ___________________________________________ 10
2.4.2 Sistemas Activos de Ensino_____________________________________________________ 10 2.4.2.1 Tutores de Iniciativa Mista __________________________________________________ 11 2.4.2.2 Sistemas de Orientação (Coaching Systems)_____________________________________ 11
3 Módulo de Representação do Conhecimento do Domínio ___________________________ 15
3.1 Introdução______________________________________________________________ 15
3.2 Representação do Conhecimento do Domínio_________________________________ 15 3.2.1 Regras de Produção ___________________________________________________________ 16
3.2.1.1 Inferência _______________________________________________________________ 18 3.2.2 Redes ______________________________________________________________________ 19
3.2.2.1 Redes Semânticas _________________________________________________________ 20 3.2.2.2 Redes de Frames __________________________________________________________ 22
3.2.3 Guiões (Scripts) ______________________________________________________________ 29
3.3 Aquisição de Conhecimento do Domínio _____________________________________ 30 3.3.1 Aquisição de Conhecimento usando entrevistas _____________________________________ 31 3.3.2 Aquisição de Conhecimento usando acompanhamento do raciocínio _____________________ 31 3.3.3 Aquisição de Conhecimento com observação do Perito _______________________________ 32
Tutores Inteligentes
iv
3.3.4 Aquisição do Conhecimento guiada pelo Perito _____________________________________ 32
3.4 Limitações na Aquisição do Conhecimento com o Perito _______________________ 33
4 Módulo de Modelação do Aluno________________________________________________ 35
4.1 Introdução______________________________________________________________ 35
4.2 Representação do Modelo do Aluno_________________________________________ 35 4.2.1 Modelo Overlay______________________________________________________________ 36 4.2.2 Modelo Diferencial ___________________________________________________________ 37 4.2.3 Modelo de Perturbação ________________________________________________________ 38 4.2.4 Outras Abordagens ___________________________________________________________ 39
4.2.4.1 Modelação do Aluno no Sistema AnimalWatch __________________________________ 40 4.2.4.2 Modelação do Aluno no Sistema ANDES ______________________________________ 41
4.3 Utilização do Modelo do Aluno_____________________________________________ 42
4.4 Manutenção do Modelo do Aluno___________________________________________ 43
4.5 Aspectos Práticos de Implementação do Modelo do Aluno ______________________ 43
5 Módulo Tutor _______________________________________________________________ 47
5.1 Introdução______________________________________________________________ 47
5.2 Conhecimento Pedagógico_________________________________________________ 47 5.2.1 Concepção de Sistemas de Instrução ______________________________________________ 48 5.2.2 Currículo ___________________________________________________________________ 49
5.2.2.1 Abordagens para a representação do Currículo___________________________________ 50 5.2.3 Estratégia de Ensino __________________________________________________________ 58 5.2.4 Planeamento da Instrução ______________________________________________________ 60
5.2.4.1 Planeamento Dinâmico da Instrução___________________________________________ 60 5.2.4.2 Níveis de Planeamento _____________________________________________________ 61 5.2.4.3 Princípios Gerais de Selecção e Sequenciamento _________________________________ 63 5.2.4.4 Abordagens para o Planeamento da Instrução ___________________________________ 64
6 Módulo de Interacção com o Aluno _____________________________________________ 69
6.1 Importância do Interface com o Utilizador ___________________________________ 69
6.2 Interfaces Inteligentes ____________________________________________________ 70 6.2.1 Interfaces Adaptáveis e Interfaces Adaptativas______________________________________ 70
6.2.1.1 Tipo de Adaptação ________________________________________________________ 71 6.2.1.2 Critérios de Adaptação _____________________________________________________ 72
Índice
v
6.3 Sistemas de Iniciativa Mista _______________________________________________ 73
7 Estudo de Alguns Sistemas e Experimentação ____________________________________ 75
7.1 Sistema de Treino de Operadores para Análise de Incidentes na Rede Eléctrica
Nacional 75 7.1.1 Motivação para o treino de Operadores ____________________________________________ 75 7.1.2 Objectivos e Breve Descrição do Trabalho Desenvolvido _____________________________ 76
7.2 Sistema de Treino de Operadores para reposição do serviço na Rede Eléctrica
Nacional 93 7.2.1 Arquitectura do sistema ________________________________________________________ 94
7.3 Tutor Inteligente para Treino e Formação de Socorristas – TITFS_______________ 98 7.3.1 Objectivos do TITFS __________________________________________________________ 98 7.3.2 Utilização do TITFS __________________________________________________________ 99 7.3.3 Interacção com o Perito ________________________________________________________ 99 7.3.4 Processos para aquisição do conhecimento ________________________________________ 100 7.3.5 Diagramas do conhecimento adquirido ___________________________________________ 100 7.3.6 Estrutura do Tutor ___________________________________________________________ 101 7.3.7 Base de Dados Alunos________________________________________________________ 102 7.3.8 Modelo dos Alunos __________________________________________________________ 103 7.3.9 Módulo Tutor_______________________________________________________________ 103
7.3.9.1 Módulo Treino Automático_________________________________________________ 104 7.3.9.2 Módulo Tutor Inteligente __________________________________________________ 105
7.4 Sistema Inteligente de Diagnóstico, Formação e Técnicas de Socorrismo – SIDFTS 108 7.4.1 Base de Desenvolvimento _____________________________________________________ 108 7.4.2 Objectivos do Sistema Pericial _________________________________________________ 108
7.4.2.1 Possibilidades de aplicação_________________________________________________ 108 7.4.3 Os Peritos__________________________________________________________________ 109
7.5 Apresentação da Aplicação _______________________________________________ 110 7.5.1 Módulo de diagnóstico _______________________________________________________ 110 7.5.2 Módulo de Formação_________________________________________________________ 112 7.5.3 Módulo de Informação _______________________________________________________ 113
8 Implementação _____________________________________________________________ 115
8.1 Sistema Inteligente de Mecânica Automóvel – SIMA _________________________ 115 8.1.1 Introdução _________________________________________________________________ 115 8.1.2 Obtenção do Conhecimento____________________________________________________ 115
8.1.2.1 Perito__________________________________________________________________ 116
Tutores Inteligentes
vi
8.1.2.2 Sessões de Aquisição de Conhecimento _______________________________________ 116 8.1.3 Funcionamento _____________________________________________________________ 117
8.1.3.1 Sistema Pericial__________________________________________________________ 118 8.1.3.2 Tutor Inteligente _________________________________________________________ 119 8.1.3.3 Glossário _______________________________________________________________ 123
8.1.4 Desenvolvimento____________________________________________________________ 123 8.1.4.1 Sistema Pericial__________________________________________________________ 123 8.1.4.2 Tutor Inteligente _________________________________________________________ 124
9 Novas Abordagens para os Tutores Inteligentes__________________________________ 127
9.1 Sistemas Multi – Agente _________________________________________________ 127
9.2 Sistemas de Apoio ao Trabalho Cooperativo e em grupo ______________________ 127
9.3 Ferramentas para o Desenvolvimento de Tutores Inteligentes __________________ 128
9.4 Modelo Genérico de Negociação Aplicado a Sistemas Tutores Inteligentes _______ 130 9.4.1 Introdução _________________________________________________________________ 130 9.4.2 Processo de Interacção entre o sistema tutor e o aluno _______________________________ 130 9.4.3 Modelo genérico de negociação ________________________________________________ 130
10 Conclusão ___________________________________________________________ 131
11 Bibliografia _________________________________________________________ 137
Anexo A Base de Conhecimento do Sistema Inteligente de Mecânica Automóvel
vii
Índice Exemplos
Exemplo 3.2.1-1 Instrução IF ____________________________________________________________________ 17 Exemplo 3.2.1-2Forma Geral de Representação das Regras de Produção __________________________________ 18 Exemplo 3.2.2-1 Conhecimento Declarativo ________________________________________________________ 19 Exemplo 3.2.2-2 Definição da estrutura “empregado” utilizando frames___________________________________ 23 Exemplo 3.2.2-3 Launch para o estrutura “empregado” criada anteriormente _______________________________ 25 Exemplo 3.2.2-4 Constraint para o estrutura “empregado” criada anteriormente_____________________________ 26 Exemplo 3.2.2-5 Demon para o estrutura “empregado” criada anteriormente_______________________________ 27 Exemplo 3.2.2-6 Watchdog______________________________________________________________________ 28 Exemplo 3.2.3-1 Utilização de Guiões _____________________________________________________________ 30 Exemplo 7.1.2-1 Regra do Sistema Pericial SPARSE [Vale, 1993a] ______________________________________ 76 Exemplo 7.1.2-2 Evolução do nível de conhecimento sobre os conceitos do domínio em função dos incidentes
apresentados numa sequência de problemas _________________________________________________________ 86 Exemplo 7.1.2-3 Categoria de Padrões de Erro de Premissas do Tipo 1 (Mensagens SCADA e Conclusões Intermédias)
___________________________________________________________________________________________ 90 Exemplo 7.1.2-4 Facto PROLOG com uma mensagem de alarme para um incidente _________________________ 92 Exemplo 7.3.4-1 Engenheiro Conhecimento: “Entre que valores (resp. / minuto) é que considerámos que uma
respiração está acelerada?” _____________________________________________________________________ 100 Exemplo 7.3.4-2 Engenheiro Conhecimento: “Suponhamos que via uma pessoa no chão, vítima de afogamento?”_ 100 Exemplo 7.3.5-1 Regra de Produção utilizada pelo TITFS_____________________________________________ 101 Exemplo 7.3.7-1 O aluno João fez 22 testes dos quais 5 estão certos e 17 errados e está no nível 0._____________ 102 Exemplo 8.1.4-1 Grupo utilizado no Sistema Pericial ________________________________________________ 124 Exemplo 8.1.4-2 Regra utilizada no Sistema Pericial _________________________________________________ 124 Exemplo 8.1.4-3 Action de um dos tópicos apresentados______________________________________________ 125 Exemplo 8.1.4-4 Criação de listas: uma para sintomas, outra para avarias e outra para as soluções _____________ 126
ix
Índice Figuras
Figura 2-1 – Estrutura típica de um Tutor Inteligente___________________________________________________ 7 Figura 3-1 Arquitectura de um Sistema Pericial ______________________________________________________ 19 Figura 3-2 Constituição de uma Frame _____________________________________________________________ 22 Figura 3-3 Programação gerida por dados __________________________________________________________ 24 Figura 4-1 Modelo Overlay [Kass, 1989] ___________________________________________________________ 36 Figura 4-2 Modelo diferencial [Kass, 1989] _________________________________________________________ 38 Figura 4-3 Modelo de perturbação [Kass, 1989]______________________________________________________ 38 Figura 5-1 Parte da rede CIN do sistema BIP-I [Barr, 1976] ____________________________________________ 52 Figura 5-2 Parte da rede semântica usada no sistema BIP-II ____________________________________________ 53 Figura 5-3 Parte do grafo genético usado no sistema WUSOR-III ________________________________________ 55 Figura 5-4 Organização do currículo no sistema SHERLOCK___________________________________________ 57 Figura 7-1 Arquitectura genérica do tutor inteligente __________________________________________________ 80 Figura 7-2 Grafo AND/OR faseado _______________________________________________________________ 80 Figura 7-3 Níveis de representação do conhecimento (DtR) ____________________________________________ 81 Figura 7-4 Guião DtD __________________________________________________________________________ 82 Figura 7-5 Ilustração da fase 1 do mecanismo de selecção de problemas___________________________________ 84 Figura 7-6 Mecanismo de classificação de tipos de incidentes___________________________________________ 85 Figura 7-7 Tabela de Predição ___________________________________________________________________ 88 Figura 7-8 Categorias de padrões de erro ___________________________________________________________ 89 Figura 7-9 Interface com o utilizador do Gerador Cenários Treino _______________________________________ 91 Figura 7-10 Interface com o utilizador do Editor Cenários Treino ________________________________________ 93 Figura 7-11 Arquitectura do sistema para reposição de serviço __________________________________________ 95 Figura 7-12 Interface com o utilizador para reposição de serviço ________________________________________ 96 Figura 7-13 Diagrama do conhecimento adquirido sobre a pele_________________________________________ 101 Figura 7-14 Arquitectura do Tutor Inteligente TITFS ________________________________________________ 102 Figura 7-15 Ecrã Principal do TITFS _____________________________________________________________ 104 Figura 7-16 Módulo de Treino Automático do TITFS ________________________________________________ 105 Figura 7-17 Módulo Tutor Inteligente do TITFS ____________________________________________________ 106 Figura 7-18 Primeiros Socorros _________________________________________________________________ 107 Figura 7-19 Técnicas de Socorrismo no Tutor Inteligente TITFS _______________________________________ 107 Figura 7-20 Primeiro ecrã do diagnóstico do SIDFTS ________________________________________________ 111 Figura 7-21 Segundo ecrã do diagnóstico do SIDFTS ________________________________________________ 111 Figura 7-22 Terceiro ecrã do diagnóstico do SIDFTS ________________________________________________ 112
Tutores Inteligentes
x
Figura 7-23 Funcionamento Interno do Tutor SIDFTS________________________________________________ 113 Figura 8-1 Interface Principal do SIMA ___________________________________________________________ 117 Figura 8-2 Ecrã do Sistema Pericial do SIMA ______________________________________________________ 118 Figura 8-3 Ecrã onde o Sistema Pericial justifica a conclusão tirada _____________________________________ 119 Figura 8-4 Seleccionar ou criar novo aluno para o Tutor Inteligente _____________________________________ 119 Figura 8-5 Seleccionar aluno a utilizar o Tutor Inteligente_____________________________________________ 120 Figura 8-6 Inserir novo aluno a utilizar o Tutor Inteligente ____________________________________________ 120 Figura 8-7 Ecrã com os vários componentes do automóvel ____________________________________________ 121 Figura 8-8 Ecrã Principal do Tutor Inteligente ______________________________________________________ 122 Figura 8-9 Ecrã do Glossário ___________________________________________________________________ 123
1
1 Introdução
1.1 Tutores Inteligentes: Uma alternativa ao treino tradicional
A partir da introdução de novas tecnologias, como o computador, no ambiente de
ensino – aprendizagem, novas perspectivas permitiram uma evolução no modo de
transmitir e de receber o conhecimento.
Actualmente, existe uma enorme procura na área da educação à distância assistida
por computador. O surgimento de novas arquitecturas de sistemas inteligentes de ensino
tem demonstrado que algum progresso tem sido conseguido nesta área.
De facto, alguns destes sistemas melhoraram o treino fornecido, sendo este similar
ao que se obtém quando se comparam métodos de ensino em grupo e de um para um
[Anderson, 1989; Reiser, 1991; Corbett, 2000].
Existem vários casos de sucesso em que alunos utilizando Tutores Inteligentes
conseguem adquirir mais conhecimento em pouco tempo quando comparado com um
grupo de controlo [Woolf, 1992b]. Por exemplo, num destes casos, os técnicos da Força
Aérea dos Estados Unidos da América que utilizaram um tutor para aprendizagem de
diagnósticos em circuitos electrónicos, durante 20 horas, atingiram um nível de
conhecimento equivalente àquele adquirido por técnicos que receberam treino através da
observação de técnicos experientes durante muito mais tempo [Lesgold, 1992].
Os tutores inteligentes pretendem proporcionar um ensino que se possa adaptar
dinamicamente ao aluno, às suas preferências, ao seu ritmo de aprendizagem e
sobretudo ao seu nível de conhecimento. Estas aplicações têm conhecimento sobre aquilo
que o aluno sabe e também sobre o próprio conhecimento do domínio armazenado na
sua base de conhecimento.
Tutores Inteligentes
2
A adaptação dinâmica ao aluno requer conhecimento sobre o modelo do aluno,
objectivos pretendidos, nível de conhecimento sobre o domínio e das concepções erradas
que o aluno tenha sobre o domínio em questão.
A flexibilidade dos tutores inteligentes, possibilita que estes forneçam vários tipos de
aconselhamento. A ajuda pode ser prestada a pedido do utilizador ou de forma
automática, por iniciativa do tutor. Pode ainda ser apresentada com diferentes níveis de
detalhe.
A utilização de um modelo do aluno permite aos Tutores Inteligentes oferecerem
treino individualizado.
A modelação do utilizador permite que o Tutor Inteligente se adapte melhor,
permitindo, inclusive, tirar melhor proveito de uma interface inteligente e adaptativa.
As vantagens do ensino baseado em Tutores Inteligentes incidem na adaptação do
treino ao utilizador através da utilização de modelos do utilizador, na possibilidade de
recriar situações anteriores, na possibilidade de oferecer uma interface inteligente e
adaptativa com o utilizador e na utilização de Sistemas Cooperativos que utilizam
agentes para simular diferentes parcerias envolvidas no processo de ensino (troblemaker,
learning companion, learning by teaching).
1.2 Objectivos O principal objectivo deste projecto foi o estudo do estado da arte sobre o tema dos
Tutores Inteligentes.
Foram ainda experimentados 4 sistemas reais (2 na área dos Sistemas de Energia e
2 na área do Socorrismo).
Adicionalmente foi implementado um Tutor Inteligente que permite efectuar o treino
dos utilizadores na área da Mecânica Automóvel.
Introdução
3
1.3 Estrutura do Relatório Este relatório é composto por 10 Capítulos.
Após o presente Capítulo de introdução, no Capítulo 2 é apresentada a evolução dos
sistemas do ensino baseados em computador. Segue-se a descrição da estrutura típica de
um tutor inteligente e a apresentação de uma classificação deste tipo de sistemas. O
capítulo termina com uma caracterização do tipo de ensino fornecido pelos tutores.
O Capítulo 3 apresenta as várias abordagens de modelação e de representação do
conhecimento. Segue-se uma descrição dos vários tipos de aquisição de conhecimento do
domínio e as limitações na aquisição desse mesmo conhecimento.
O Capítulo 4 apresenta uma visão geral sobre a modelação do conhecimento do
aluno num tutor inteligente. São apresentadas algumas das abordagens mais comuns
para modelação do aluno. Neste capitulo são ainda apresentadas as funções do modelo
do aluno no âmbito de um tutor inteligente. O capitulo termina abordando os aspectos
ligados à manutenção do modelo do aluno e à sua implementação.
O Capítulo 5 apresenta as varias abordagens de modelação e de representação do
conhecimento pedagógico. São apresentadas algumas soluções para a representação do
currículo e os princípios gerais do planeamento da instrução.
O Capítulo 6 apresenta o módulo de interacção com o aluno. Relativamente à
interacção com o aluno é apresentada a importância da interface com o utilizador. No
âmbito deste módulo também são apresentadas as interfaces inteligentes para a
interacção com o aluno bem como os Sistemas de Iniciativa Mista.
No Capitulo 7 são apresentados alguns tutores que foram desenvolvidos na área da
medicina para Treino e Formação de Socorristas e de tutores que foram desenvolvidos
para Treino de Operadores da REN (Rede Eléctrica Nacional).
No Capitulo 8 é apresentado o trabalho desenvolvido no âmbito deste projecto.
Neste Capitulo começo por apresentar o Sistema Inteligente de Mecânica Automóvel. É
apresentada a forma de obtenção de conhecimento, o seu funcionamento e o seu
desenvolvimento.
O Capitulo 9 apresenta novas abordagens para os Tutores Inteligentes. Estas
abordagens incluem os sistemas Multi-Agente, os sistemas de apoio ao trabalho
Tutores Inteligentes
4
Cooperativo e em grupo. Também neste capitulo são apresentadas as ferramentas para o
desenvolvimento de Tutores Inteligentes bem como o modelo genérico de negociação
aplicado a sistemas Tutores Inteligentes.
No Capitulo 10 é apresentada a conclusão que o trabalho desenvolvido permitiu tirar,
as conclusões relativas às componentes experimentais bem como as vantagens dos
tutores inteligentes face ao ensino à distância convencional.
Por fim, o Capitulo 11 contém a bibliografia utilizada para o desenvolvimento deste
relatório.
5
2 Sistemas de Ensino Baseados em
Computador
2.1 Sistemas de Ensino Assistido por Computador Os sistemas de ensino assistido por computador (CAI – Computed Aided Instruction)
foram as primeiras modalidades de software educacional e utilizavam a teoria
comportamental como modelo teórico. Os primeiros sistemas eram constituídos por
unidades de ensino que eram apresentadas ao aluno sob a forma de écrans (por vezes
designados frames). Estes écrans continham textos ou questões de resposta do tipo
verdadeiro/falso ou de escolha múltipla. O modelo de ensino baseia-se em instruções
programadas, não permitindo ao sistema raciocinar acerca do conhecimento do domínio e
segundo [Giraffa, 1995] estes sistemas caracterizam-se por uma programação linear,
onde o aluno deve adquirir um conjunto de habilidades específicas.
A limitação destes sistemas está na restrição do diálogo e na análise das respostas
do aluno.
Este tipo de sistemas evoluiu através da utilização de técnicas de identificação de
padrões (pattern-matching) para analisar as respostas do aluno e, mais tarde, para os
chamados sistemas adaptativos, capazes de gerar o material didáctico, em particular para
problemas de aritmética e de vocabulário. Esta evolução representa um passo na direcção
do ensino individualizado, tornando-se ainda insuficiente, uma vez que as técnicas
utilizadas apresentam vários problemas importantes, tais como:
Dificuldade na análise e compreensão das intenções e das dificuldades do aluno;
Incapacidade de raciocinar sobre o domínio de ensino, o qual era ainda um
domínio muito restrito;
O conhecimento pedagógico (o que ensinar e em que situação) – não é
representado numa forma que permita raciocinar sobre ele;
Tutores Inteligentes
6
O conhecimento do domínio está combinado com o conhecimento pedagógico,
dificultando a sua manutenção.
2.2 Sistemas Inteligentes de Ensino Assistido por Computador
Segundo [Costa, 1996], com a incorporação de recursos de Inteligência Artificial e os
resultados da Psicologia Cognitiva, os CAI dão origem aos sistemas ICAI (Intelligent
Computed Aided Instruction), também designados por Tutores Inteligentes (Intelligent
Tutoring Systems).
Nestes sistemas a inteligência reside na capacidade que têm para efectuar acções
imprevistas explicitamente pelo programador. Estas acções representam a capacidade dos
Tutores Inteligentes em saber o que ensinar, quando ensinar e como ensinar. Por isso,
estes sistemas devem possuir o conhecimento do domínio, o modelo do aluno e as
estratégias pedagógicas.
2.3 Estrutura de um Tutor Inteligente Vários autores, tais como Sleeman e Brown [Sleeman, 1982] e Burns e Capps
[Burns, 1988], argumentam que um Tutor Inteligente deve conter quatro módulos
interligados, como apresentado na Figura seguinte – Módulo de Representação do
Conhecimento do Domínio, Módulo de Modelação do Aluno, Módulo Tutor e Módulo de
Interacção com o Aluno:
Sistemas de Ensino Baseados em Computador
7
Figura 2-1 – Estrutura típica de um Tutor Inteligente
No entanto, um sistema de ensino não será considerado inteligente se estes quatro
módulos não forem bem realizados [Woolf, 1988; Kearsley, 1990] e integrados. Nos
capítulos seguintes são apresentadas as funções de cada um dos módulos.
2.4 Classificação dos Tutores Inteligentes A classificação dos Tutores Inteligentes pode ser realizada através de várias
abordagens. Como exemplo, [Beck, 1996] usa duas dimensões para classificar os Tutores
Inteligentes: abstracção do ambiente de aprendizagem e tipo de conhecimento objecto
de ensino.
Com o intuito de facilitar o seu desenvolvimento, os Tutores Inteligentes tendem a
concentrar-se no ensino de apenas um tipo de conhecimento. O mais comum tem como
objectivo o ensino de conhecimento procedimental. Nestes sistemas, pretende-se que os
Módulo de Representação do
Conhecimento do Domínio
Módulo de Modelação
do Aluno
Módulo de Interacção
com o Aluno
Módulo Tutor
Tutores Inteligentes
8
alunos adquiram conhecimento acerca de como realizar uma tarefa particular. Os Tutores
Inteligentes baseados neste princípio são denominados tutores cognitivos [Anderson,
1995]. O tutor SHERLOCK II [Lajoie, 1992; Lesgold, 1992] é um tutor cognitivo em que
as suas acções estão associadas aos estados do espaço, de estados do problema. O
sistema LISP Tutor [Anderson, 1990] constitui outro exemplo de tutor cognitivo. Este
sistema contém uma representação da perícia necessária para a resolução de problemas
sob a forma de regras de produção. As regras de produção são obtidas a partir da análise
do comportamento dos Peritos do domínio durante a resolução de problemas.
Outro tipo de tutores, denominados tutores baseados em conhecimento (knowledge-
-based tutors), necessitam de uma base de conhecimento do domínio mais extensa. Este
tipo de Tutores Inteligentes destina-se preferencialmente ao ensino de conceitos em
alternativa ao ensino de natureza procedimental. Segundo [Beck, 1996], estes sistemas
requerem o uso de estratégias genéricas de ensino devido à ausência de um modelo
robusto de aquisição de perícia.
De uma forma geral, os tutores que se destinam ao ensino de conhecimento
procedimental assentam numa análise cognitiva do comportamento do Perito, enquanto
que os tutores para ensino de natureza conceptual utilizam uma base de conhecimento
do domínio mais completa e colocam uma maior ênfase na comunicação com o aluno
durante o processo de instrução.
Uma abordagem alternativa para realizar a classificação dos Tutores Inteligentes
baseia-se na forma como estes são utilizados para o ensino ou para a aprendizagem.
Segundo [Goodyear, 1991; Galdes, 1990] a investigação na área dos Tutores Inteligentes
desenvolveu-se em várias direcções, conduzindo ao aparecimento de dois tipos diferentes
de sistemas: Ambientes Interactivos de Aprendizagem e Sistemas Activos de Ensino.
2.4.1 Ambientes Interactivos de Aprendizagem Os ambientes interactivos de aprendizagem (intelligent learning environments)
oferecem ao aluno um conjunto de ferramentas de aprendizagem que permitem a
exploração do domínio. Neste contexto, a aprendizagem constitui uma actividade livre
Sistemas de Ensino Baseados em Computador
9
pela qual o aluno descobre novos conhecimentos por iniciativa própria. Estes sistemas
podem ser classificados quanto à forma como permitem a exploração do domínio:
Forma livre – o aluno aprende por si próprio como desenvolver e depurar as
suas teorias, ou seja, não existe intervenção do sistema;
Forma guiada – o sistema pode intervir no processo de aprendizagem sempre
que seja necessário.
Outro tipo de ambientes interactivos de aprendizagem, denominados ambientes
reactivos de aprendizagem, pretende melhorar a eficácia dos sistemas de aprendizagem
por exploração livre, realçando a estrutura do conhecimento do domínio [Brown, 1983].
Estes ambientes incluem os ambientes de simulação e os ambientes hipermédia
adaptativos que vão ser descritos nas secções seguintes.
2.4.1.1 Ambientes Interactivos de Aprendizagem Baseados em Simulação
Nestes sistemas, o ambiente de aprendizagem permite realizar a simulação de um
sistema físico. A simulação permite ao aluno construir e manipular os modelos mentais
que contêm informação relacionada com o estado do seu conhecimento acerca do
domínio estudado.
Como exemplo, o sistema SOPHIE1 [Brown, 1975], Burton, 1982a], constitui um
ambiente de aprendizagem reactivo que alarga o âmbito dos tipos de conhecimento
1 SOPHIE é um tutor inteligente, cujo desenvolvimento foi iniciado por Richard Burton e John Brown
em 1973, a pedido da Força Aérea americana, com o intuito de melhorar a formação de técnicos de
reparação de equipamento electrónico. O seu conhecimento do domínio baseava-se primariamente no
simulador de circuitos electrónicos SPICE. A sua inteligência residia num conjunto de procedimentos que
seleccionavam, organizavam e corriam experiências no simulador, permitindo avaliar as hipóteses propostas
pelos alunos, criticá-las e responder à maior parte das questões que se poderiam colocar no contexto do
diagnóstico do equipamento electrónico em estudo.
Tutores Inteligentes
10
usados, por exemplo, por NEOMYCIN2, incluindo um modelo de simulação de circuitos
electrónicos
Outro exemplo de ambiente de aprendizagem baseado em simulação, denominado
STEAMER [Hollan, 1984], é um sistema de simulação interactivo que permite aos
engenheiros operar o motor de um navio. O funcionamento do motor é simulado no
ambiente de aprendizagem.
2.4.1.2 Ambientes Hipermédia Adaptativos
Há estudos que demonstram que as técnicas de hipermédia podem fornecer a base
para o desenvolvimento de sistemas de aprendizagem se utilizadas conjuntamente com
técnicas de orientação dos alunos [Brusilovsky, 1994].
Os sistemas hipermédia adaptativos constroem um modelo dos objectivos,
preferências e conhecimento de cada utilizador e usam esse modelo durante a interacção
com o utilizador, para adaptar o conteúdo das páginas às necessidades desse utilizador
[Brusilovsky, 2000].
2.4.2 Sistemas Activos de Ensino Os sistemas activos de ensino constituem a segunda grande categoria de Tutores
Inteligentes. Estes sistemas fornecem instrução e monitorizam as acções do aluno
durante a resolução de exercícios, ou seja, tornam a estrutura do domínio visível e
acessível ao aluno e ainda ajudam a conduzir o aluno através do seu conhecimento do
domínio.
Existem dois tipos de sistemas activos de ensino: sistemas de iniciativa mista e de
orientação (coaching systems).
2 Ao contrário do que se convencionou chamar conhecimento "superficial", muitas vezes associado à
representação por regras, este tipo de tutor baseia-se no chamado conhecimento "profundo", pelo facto de
utilizar um modelo de simulação da realidade.
Sistemas de Ensino Baseados em Computador
11
2.4.2.1 Tutores de Iniciativa Mista
Nos sistemas de iniciativa mista, como o nome indica, a iniciativa é partilhada entre o
tutor e o aluno. Estes sistemas integram o aluno num diálogo com o tutor e conduzem o
ensino através do método socrático de descoberta guiada (mecanismo de pergunta e
resposta) [Kearsley, 1990]. A partir do diálogo o sistema pode inferir os erros e descobrir
possíveis contradições do aluno.
O sistema SCHOLAR [Carbonell, 1970] constitui um exemplo de sistema que conduz
um diálogo de iniciativa mista com o aluno acerca da geografia da América do Sul,
usando uma representação de rede semântica.
Um outro exemplo, o sistema WHY [Stevens, 1977], tem por objectivo a transmissão
de conhecimento acerca de precipitação. Este sistema gera questões e avalia as respostas
do aluno baseando-se no conhecimento que detém sobre o domínio, que se encontra
representado através de hierarquias de guiões (scripts). Este sistema foi o primeiro a
integrar regras pedagógicas que suportam a geração de questões anteriormente
explicitadas, constituindo generalizações de conceitos já adquiridos.
O sistema GUIDON [Clancey, 1982], dedicado ao ensino de diagnósticos médicos,
recorre também ao uso de regras que permitem a geração de questões abstractas. É um
tutor inteligente baseado em casos em que as tarefas de resolução de problemas e de
gestão do diálogo didáctico são tratadas por entidades diferentes.
2.4.2.2 Sistemas de Orientação (Coaching Systems)
Nos sistemas de orientação, embora a iniciativa também possa pertencer aos dois
agentes, a predominância é atribuída ao aluno. Estes sistemas baseiam-se no método
denominado resolução orientada de problemas (coached problem solving) [VanLehn,
1996; Gertner, 2000], cujo objectivo é transmitir ao aluno as aptidões cognitivas
necessárias à resolução de problemas. Durante a resolução de problemas, a iniciativa na
interacção entre aluno e tutor muda de acordo com o progresso apresentado pelo aluno.
Enquanto o aluno se mantém no caminho correcto da solução, a actividade do tutor
limita-se a confirmar as acções do aluno. Quando o aluno se encontra numa situação em
Tutores Inteligentes
12
que não sabe qual o próximo passo a dar ou comete um erro, o tutor ajuda o aluno a
ultrapassar o impasse fornecendo-lhe as dicas que permitam conduzi-lo de volta ao
caminho correcto da solução.
O método de resolução orientada de problemas constitui uma forma efectiva de
instrução, especialmente no que diz respeito ao ensino de conhecimento procedimental.
Isto torna-se evidente devido à preferência demonstrada entre os tutores humanos
[Merrill, 1992] e devido ao sucesso da aplicação do método em tutores inteligentes
[Anderson, 1995; Lesgold, 1992].
O sucesso dos tutores baseados neste método é consistente com os aspectos
relacionados com aquisição de habilitações cognitivas [VanLehn, 1996]. Segundo este
autor, a aquisição de capacidades cognitivas envolve três fases:
Na fase inicial, o aluno adquire conhecimento preliminar necessário à resolução de
tarefas no domínio, inicialmente através da leitura de descrições desse
conhecimento;
o A fase intermédia consiste em aprender como resolver problemas aplicando os
conhecimentos adquiridos na fase anterior; esta é a fase de maior duração, ao
fim da qual o aluno está habilitado a resolver a maior parte dos problemas sem
ajuda; nesta fase, a aprendizagem é composta por dois processos, praticar a
aplicação do conhecimento existente e adquirir novo conhecimento.
A terceira fase ocorre quando o aluno já consegue executar as tarefas,
continuando a praticá-las com o objectivo de reduzir o tempo de execução e de
tornar o processo automático.
No que diz respeito às estratégias de intervenção do tutor, os coaching systems
podem ser classificados do seguinte modo:
o model tracing : segundo [Anderson, 1990; Anderson, 1995], estes tutores
contêm um modelo cognitivo que é capaz de resolver correctamente qualquer
problema proposto ao aluno. O funcionamento do tutor consiste em comparar
todas as acções efectuadas pelo aluno durante a resolução do problema com
os passos contidos no modelo da solução do Perito para o problema em
causa. Esta comparação é realizada com o intuito de detectar os erros do
Sistemas de Ensino Baseados em Computador
13
aluno e fornecer-lhe a ajuda adequada ao longo da resolução do problema
[Corbett, 2000].
Um exemplo de tutor com seguimento do modelo é o ANDES [Gertner, 2000;
VanLehn, 1996], que é destinado ao ensino de conceitos de física, fornecendo ao aluno
um ambiente de resolução de problemas. Outro exemplo, Geometry Tutor [Anderson,
1990], é um tutor usado no ensino de geometria ao nível do ensino secundário. Este
sistema permite que o aluno explore um caminho considerado não pertinente sem
intervir, até que o aluno atinja uma situação de impasse ou cometa um erro durante a
exploração.
issue-based : segundo [Burton, 1982a; Halff, 1988], nestes sistemas o tutor
intervém sempre que detecta que o aluno não explora uma oportunidade
acessível. Este princípio tem por objectivo tornar a intervenção do orientador
(coach) pertinente e recorrente. O princípio consiste em preparar as
oportunidades que o aluno poderá deixar por explorar ou utilizar e que poderiam
permitir-lhe obter maiores progressos. Pretende-se, assim, que o aluno detecte
as suas fraquezas e aprenda como melhorar o seu desempenho.
pedido ou perante acções perigosas : estes sistemas limitam-se a observar o
comportamento do aluno durante a execução da tarefa que lhe foi proposta e
apenas intervêm quando o aluno requer tal intervenção de forma explícita.
Existem ainda sistemas pertencentes a esta categoria que tomam a iniciativa de
intervir no caso do aluno cometer uma acção considerada perigosa. O sistema
SHERLOCK [Lajoie, 1989; Lesgold, 1992], que é um coaching system para treino
de técnicos de diagnóstico de circuitos electrónicos para aviões, constitui um
exemplo de sistema que usa esta estratégia.
15
3 Módulo de Representação do
Conhecimento do Domínio
3.1 Introdução Este módulo contém informação acerca do conhecimento do domínio, constituída
pelos factos e conceitos a serem ensinados. Este módulo deve ser capaz de resolver os
problemas que são colocados ao aluno utilizando o seu respectivo mecanismo de
raciocínio. Além disso, pode ser ainda associado um material de ensino sobre o domínio
em questão. As técnicas de representação mais usadas neste domínio podem ser:
Regras de produção;
Redes (redes semânticas, grafos conceptuais, redes de frames);
Guiões (scripts).
Note-se que num dado domínio, a existência de uma Base de Conhecimento de um
Sistema Pericial pode servir como ponto de partida para a construção do Módulo de
Representação do Conhecimento do Domínio de um Tutor Inteligente.
3.2 Representação do Conhecimento do Domínio A representação do conhecimento nos tutores inteligentes refere-se à forma como o
conhecimento é guardado pelo sistema, com o objectivo de permitir modelar o domínio, o
pensamento humano, os processos de aprendizagem e as estratégias de ensino.
A importância da representação do conhecimento do domínio na área dos Tutores
Inteligentes baseia-se em dois aspectos:
É a partir desta representação que o sistema obtém o conhecimento do domínio
que é ensinado;
Tutores Inteligentes
16
É também a partir desta representação que o sistema identifica o que o aluno
sabe e não sabe a respeito desse mesmo conhecimento.
Segundo [Anderson, 1988], este módulo constitui o principal componente de um
Tutor Inteligente, uma vez que um sistema de instrução eficaz não pode existir sem uma
representação pormenorizada do conhecimento do domínio.
Para além do tipo de conhecimento que deve ser ensinado, as técnicas de
representação do conhecimento a usar num Tutor Inteligente são determinadas na
maioria dos casos pelos objectivos que se pretende alcançar com o ensino.
Existe ainda um outro aspecto que está relacionado com o progresso do aluno ao
longo do processo de aprendizagem.
Por exemplo, um aluno que se encontre num nível avançado tem mais facilidade em
encontrar e usar o conhecimento apropriado para resolver um problema particular.
Através da experiência, o conhecimento de carácter mais geral transforma-se em
conhecimento mais específico, sem no entanto perder a sua utilidade original.
3.2.1 Regras de Produção A maior parte do conhecimento adquirido para a construção de Sistemas Periciais é
representada através de regras. As regras representam o modelo psicológico do
comportamento humano. É uma forma de conhecimento procedimental acerca de como
raciocinar num dado domínio (associa a informação dada com alguma acção).
Segundo [Anderson, 1988], o uso de regras de produção consiste na modelação da
perícia do domínio através de um sistema baseado em regras, permitindo representar o
conhecimento do domínio e raciocinar sobre esse conhecimento. Este tipo de
representação é usado também frequentemente para modelar o conhecimento
pedagógico.
Módulo de Representação do Conhecimento do Domínio
17
IF (existe um problema para resolver e já há um exemplo de solução para um
problema análogo disponível)
THEN (defina-se como objectivo utilizar o método contido nesse exemplo no
caso corrente)
[Anderson, 1993] descreve a arquitectura dum sistema de produção da seguinte
forma:
As regras de produção são constituídas por pares do tipo condição/acção ou "if-
then". A parte da condição (a seguir ao "if") da regra especifica as circunstâncias
em que a regra será aplicável. A parte da acção (a seguir ao "then") da regra
estipula o que se fará nessas circunstâncias;
As regras de produção organizam-se à volta de um conjunto de objectivos,
havendo sempre um objectivo activo a cada momento;
As cláusulas constantes da condição de uma regra de produção reagem a
elementos contidos na chamada memória de trabalho. Esta memória de trabalho
contém o conhecimento com que o sistema está a trabalhar no momento.
A maior parte dos Tutores Inteligentes concentra-se precisamente na transmissão de
experiência ao nível das regras. Tais regras de produção podem ser escritas como:
Exemplo 3.2.1-1 Instrução IF
Por outro lado, as regras de produção são muitas vezes usadas para representar
conhecimento específico sobre um dado domínio.
Tutores Inteligentes
18
Exemplo 3.2.1-2Forma Geral de Representação das Regras de Produção
As regras de produção são usadas por um motor de inferência para produzir o
raciocínio sobre o conhecimento do domínio. A estratégia usada pelo motor de inferência
pode utilizar encadeamento directo, encadeamento inverso ou uma combinação destes.
Em qualquer um destes casos, é seguido um caminho de inferência entre o que é
conhecido e um objectivo.
3.2.1.1 Inferência
A Inferência é o processo usado num Sistema Pericial para derivar nova informação a
partir de informação conhecida, que dá origem ao denominado Motor de Inferência. Este
por sua vez, é responsável pela modelação do Processo de Raciocínio. Combina os factos
da Memória de Trabalho com o conhecimento do domínio contido na Base de
Conhecimento e gera conclusões.
Regra1
Se SensorA tem valor> 50
Então temperatura da água é muito alta
Senão temperatura da água é normal
Alternativa (de mais fácil validação):
Regra 1a:
Se SensorA tem valor> 50
Então temperatura da água é muito alta
Regra 1b:
Se SensorA tem valor <= 50
Senão temperatura da água é normal
Módulo de Representação do Conhecimento do Domínio
19
Base de Conhecimento
Regras Frames
Memória de Trabalho
Factos
Motor de Inferência
Figura 3-1 Arquitectura de um Sistema Pericial
3.2.1.1.1 Métodos de Inferência
Os métodos de Inferência explicitam de que forma o Motor de Inferência usa a base
de conhecimento para raciocinar. Esses métodos são:
Encadeamento Directo (Forward Chaining)
o Parte de um conjunto de factos;
o Usa as regras da Base de Conhecimento para deduzir novos factos.
Encadeamento Indirecto (Backward Chaining)
o Parte de um objectivo;
o Usa as regras para procurar suporte para o objectivo.
3.2.2 Redes Este tipo de representação tem como filosofia o facto de que o significado de um
conceito depende da forma como este se encontra ligado a outros conceitos. A utilização
de redes permite representar a maior parte dos tipos de conhecimento, sendo no entanto
especialmente apropriada para a representação de conhecimento declarativo. Este tipo de
representação descreve o que é conhecido acerca de um determinado problema e
apresenta a vantagem de ser transparente (mais facilmente entendido, mais fácil de
manter).
Exemplo 3.2.2-1 Conhecimento Declarativo
Tutores Inteligentes
20
Fumar pode provocar cancro no pulmão.
Para um Perito torna-se mais fácil exprimir o seu conhecimento desta forma do que
através de regras de produção. No âmbito da Inteligência Artificial foram já propostas
várias variantes deste tipo de representação, tais como as redes semânticas [Quillian,
1968], os grafos conceptuais [Sowa, 1984; Sowa, 1991] e as redes de frames [Minsky,
1975; Minsky, 1977].
Embora existam estes diferentes tipos de representação, os mais usados
frequentemente na área dos Tutores Inteligentes são as redes semânticas.
3.2.2.1 Redes Semânticas
Neste tipo de redes, o conhecimento é representado através de um grafo directo
composto por nós e arcos. Os nós representam objectos (físicos ou abstractos), as suas
propriedades e valores. Os arcos representam relações entre os nós. A inferência acerca
do conhecimento representado é feita seguindo os arcos entre os nós.
3.2.2.1.1 Características das Redes Semânticas
As redes semânticas têm as seguintes características:
Simplicidade de representação – devido às características de herança;
As Redes Semânticas estiveram na origem da Programação Orientada a Objectos;
Permitem uma redução no tempo de pesquisa, visto que os nós estão
directamente ligados aos nós vizinhos com interesse.
3.2.2.1.2 Desvantagens das Redes Semânticas
Podem permitir inferências inválidas;
Não têm uma norma de interpretação – a interpretação depende dos programas
que a manipulam.
Módulo de Representação do Conhecimento do Domínio
21
Uma ave é um animal.
A maneira normal de movimentação das aves é voar.
Uma ave está activa durante o dia.
Um albatroz é uma ave.
Uma albatroz é preto e branco.
O tamanho normal do albatroz é 115 cm.
O Alberto é um albatroz.
O tamanho do Alberto é 120 cm.
Um pinguim é uma ave.
Um pinguim é branco e preto.
A maneira normal de movimentação dos pinguins é andar.
O Tweety é um pinguim.
Questões:
Qual o método de movimentação do Alberto ?
Qual o método de movimentação do Tweety ?
3.2.2.1.3 Exemplo de um Problema utilizando uma Rede
Semântica
IS-A
Albatroz
diurna
AnimalAvePreto eBranco
Pinguimtweety
Vôo
115 cm
Alberto IS-A
IS-A
IS-A
cor deslocação
tamanho
IS-A
actividade
120 cm
tamanho
cor
deslocação
andar
Tutores Inteligentes
22
As redes semânticas constituem um meio para a representação de relações entre
entidades. No entanto, à medida que o conhecimento que necessita de ser representado
se torna mais complexo, torna-se útil usar uma representação mais estruturada, tanto no
que diz respeito aos nós como às respectivas ligações. Apesar de não existir uma
distinção clara entre uma rede semântica e uma representação baseada em frames,
quanto mais estruturado for o sistema de representação, mais este se aproxima de um
sistema de frames [Rich, 1991]. Neste contexto, um sistema de frames constitui um tipo
de rede semântica mais estruturado.
3.2.2.2 Redes de Frames
As frames são estruturas que permitem representar o conhecimento de um conceito
ou objecto em particular. Associada a cada frame pode existir informação sobre como
usar a frame, sobre o que se espera que venha a acontecer e, possivelmente, sobre o
que fazer se estas expectativas não se confirmarem. Num sistema de frames, o conceito
representado em cada nó é definido por um conjunto de atributos, denominados slots,
valores associados aos atributos e, possivelmente, restrições sobre esses valores. Cada
slot pode ter procedimentos associados que são executados quando a informação contida
nas slots é preenchida, alterada ou toma determinado valor. Este conjunto de atributos,
para além de poder descrever conceitos, pode descrever entidades ou classes de
entidades do domínio. Um sistema de frames é formado por colecções de frames que
estão ligadas entre si. Estas ligações são definidas através dos atributos das próprias
frames, uma vez que o valor de um atributo de uma frame pode ser uma outra frame.
Figura 3-2 Constituição de uma Frame
Nome do slot 1 Valor por defeito - slot 1 Valor actual slot 1
Nome do slot 2 Valor por defeito - slot 2 Valor actual slot 2
Módulo de Representação do Conhecimento do Domínio
23
Programadorcategoria prog
Is an Is a
Empregadonome ''
morada ''vencimento 0
Gestor de Projectocategoria gest_proj
Is aRelações Públicas
categoria rel_pub
num_pr 0
Projectoidentificacao ''
lista_prog nothingsistema ''
linguagem ''gestor ''
rel_pub ''estado 'em construção'
Programadorcategoria prog
Programadorcategoria progcategoria prog
Is anIs an Is aIs a
Empregadonome ''
morada ''vencimento 0
Empregadonome ''nome ''
morada ''morada ''vencimento 0vencimento 0
Gestor de Projectocategoria gest_proj
Gestor de Projectocategoria gest_projcategoria gest_proj
Is aIs aRelações Públicas
categoria rel_pub
num_pr 0
Relações Públicascategoria rel_pubcategoria rel_pub
num_pr 0num_pr 0
Projectoidentificacao ''
lista_prog nothingsistema ''
linguagem ''gestor ''
rel_pub ''estado 'em construção'
Projectoidentificacao ''identificacao ''
lista_prog nothinglista_prog nothingsistema ''sistema ''
linguagem ''linguagem ''gestor ''gestor ''
rel_pub ''rel_pub ''estado 'em construção'estado 'em construção'
Exemplo 3.2.2-2 Definição da estrutura “empregado” utilizando frames
frame projecto
default identificacao is '' and
default lista_prog is nothing and
default sistema is '' and
default linguagem is '' and
default gestor is '' and
default rel_pub is '' and
default estado is 'em construcao'.
frame 'relacoes publicas' is an empregado
default categoria is rel_pub and
default num_pr is 0.
frame empregado
default nome is '' and
default morada is '' and
default vencimento is 0.
frame 'gestor de projecto' is an empregado
default categoria is gest_proj.
frame programador is an empregado
default categoria is prog.
Tutores Inteligentes
24
procedimentos geridos por dados
frames slots
launches
acesso actualização
antes depois
demonsconstraintswatchdogs
procedimentos geridos por dados
frames slots
launches
acesso actualização
antes depois
demonsconstraintswatchdogs
3.2.2.2.1 Programação gerida por dados
Associados aos Frames existem procedimentos que são activados sempre que são
realizadas operações de actualização, acesso ou criação de uma instância do Frame.
Tipos de procedimentos geridos por dados:
Launches;
Constraints;
Demons;
Watchdogs.
Figura 3-3 Programação gerida por dados
Módulo de Representação do Conhecimento do Domínio
25
3.2.2.2.1.1 Launches
Procedimento gerido por dados invocado sempre que uma nova instância de um
qualquer frame é criada.
Quando uma nova instância é criada, todas as launches existentes são verificadas e
aquelas cujas condições se verifiquem são executadas.
É composto por três partes distintas:
Contexto: teste para verificação de uma condição (qual o frame de que foi criada
a instância);
Teste: um teste de condições para verificar se o launch deve actuar;
Acção: uma série de comandos a serem executados se todas as condições forem
satisfeitas.
Exemplo 3.2.2-3 Launch para o estrutura “empregado” criada anteriormente
frame empregado
default sexo is masculino.
launch novo_empregado
when Pessoa is a new empregado
and sexo of Pessoa is masculino
then questoes_sexo_masculino( Pessoa ).
instance pedro is an empregado.
Tutores Inteligentes
26
3.2.2.2.1.2 Constraints
Uma restrição é algo que afecta um slot individualmente.
É implementada para que restrinja a alteração ao conteúdo do slot da forma
desejada e é activada sempre que um determinado slot esteja prestes a ser alterado,
sendo invocada imediatamente antes do conteúdo do slot ser realmente alterado, para
validar a alteração.
É composto por três partes distintas:
Contexto: teste para verificação de uma condição (qual o slot a ser restringido);
Teste: um teste de condições para verificar se a restrição deve actuar;
Erro: uma série de comandos a serem executados se as restrições não forem
satisfeitas.
Exemplo 3.2.2-4 Constraint para o estrutura “empregado” criada anteriormente
frame empregado
default sexo is masculino.
constraint tipo_sexo
when the sexo of Pessoa changes to S
and Pessoa is some empregado
then check that S is included in {masculino, feminino}
otherwise nl and write(' Nao e'' possivel' ) and nl.
instance pedro is an empregado.
Módulo de Representação do Conhecimento do Domínio
27
3.2.2.2.1.3 Demons
É invocada sempre que existe alteração a um determinado valor de um qualquer
atributo.
É executada imediatamente depois da alteração ter acontecido.
Não restringe a alteração, existe apenas para invocar uma acção depois da alteração
ocorrer.
É composta por três partes distintas:
Contexto: teste para verificação de uma condição (qual o slot a provocar acções);
Teste: um teste de condições;
Acção: uma série de comandos a serem executados se as restrições não forem
satisfeitas.
Exemplo 3.2.2-5 Demon para o estrutura “empregado” criada anteriormente
frame empregado
default sexo is masculino.
demon qual_sexo
when the sexo of Pessoa changes from S1 to S2
and Pessoa is some empregado
and S1 is different from S2
then write(' A mudanca de sexo e'' pouco habitual!' ) and nl.
Tutores Inteligentes
28
frame conta
default saldo is 0.
frame utilizador
default nome is '' and
default acesso is 0.
watchdog seguranca_de_conta
when the saldo of the Conta is requested
and Conta is some conta
then check that the acesso of utilizador is above 99
otherwise nl and write( 'Acesso negado ao utilizador ' ) and
write( utilizador`s nome ).
3.2.2.2.1.4 Watchdogs
Implementam restrições de acesso aos valores dos atributos.
Sempre que um valor de um determinado atributo é pedido, imediatamente antes
deste ser fornecido, verificam automaticamente as condições de acesso.
Baseiam o seu funcionamento em condições que permitem ou não a disponibilização
de informação.
É composto por três partes distintas:
Contexto: teste para verificação de uma condição (qual o slot a ter restrições de
acesso);
Teste: um teste de condições para verificar se a restrição deve actuar;
Erro: uma série de comandos a serem executados se restrições não forem
satisfeitas.
Exemplo 3.2.2-6 Watchdog
Módulo de Representação do Conhecimento do Domínio
29
3.2.2.2.2 Vantagens das Frames
Facilitam o processamento orientado pelas expectativas, através do uso de
procedimentos geridos por dados, ficam num estado de espera até serem
realmente necessários;
Permitem uma boa organização do conhecimento;
São auto-guiáveis, ou seja, são capazes de determinar sozinhos quando devem ser
aplicados, se não forem aplicáveis podem sugerir outros enquadramentos que o
sejam;
Permitem guardar valores dinâmicos.
3.2.2.2.3 Desvantagens das Frames
São pouco adequados a novas situações;
A explicitação de conhecimento heurístico, comum em regras, é complexa.
3.2.3 Guiões (Scripts) Os guiões (scripts) especificam uma sequência estereotipada de acontecimentos que
normalmente acontecem e que se seguem para representar conhecimento procedimental.
Contêm um conjunto de “slots” dos seguintes tipos:
Condição de entrada – que devem ser atendidas para que os eventos
descritos no guião possam ocorrer.
Resultados – que irão ser verdadeiros após a ocorrência dos eventos
descritos no guião.
Objectos – representando objectos envolvidos nos eventos do guião.
Participantes – representando entidades que estão envolvidas nos eventos
do guião.
Cenas – sequências de eventos que ocorrem.
São adequados:
Tutores Inteligentes
30
Para os casos em que temos sequências tipificadas (por exemplo, as fases da
análise de um incidente);
Para descrever planos que devem ser seguidos (por exemplo, os tratamentos a
seguir para a cura de uma doença).
Exemplo 3.2.3-1 Utilização de Guiões
3.3 Aquisição de Conhecimento do Domínio A aquisição do conhecimento é um processo vital no desenvolvimento de um Sistema
Pericial e envolve, geralmente, entrevistas com o Perito ou a observação do Perito em
actuação. O Engenheiro do Conhecimento poderá até fazer o Perito compreender uma
linguagem de especificação do conhecimento, permitindo que se chegue a um método de
aquisição guiado pelo Perito. Poderá, ainda, ser usada uma ferramenta informática para
tal aquisição do conhecimento.
Participantes: cliente, empregado, dono,...
Objectos: mesa, cadeira, refeição,....
Condições de entrada: cliente com apetite e dinheiro, mesa/vaga disponível,
Condições de saída: cliente satisfeito, cliente com menos dinheiro, dono com
mais dinheiro,...
Cena 1: cliente entra no restaurante, aguarda por lugar, senta-se
Cena 2: cliente chama empregado, pede menu, escolhe,...
....
Cena N: cliente chama empregado, pede conta, paga, sai.
Módulo de Representação do Conhecimento do Domínio
31
3.3.1 Aquisição de Conhecimento usando
entrevistas O método de aquisição de conhecimento mais usado corresponde às entrevistas do
Engenheiro do Conhecimento ao Perito. Envolvem um diálogo explícito entre os
participantes. A informação e o conhecimento podem ser recolhidos através dos mais
diversos meios (questionários, anotações, gravações) de modo a serem posteriormente
transcritos, analisados e codificados.
O Engenheiro do Conhecimento expõe perguntas e situações e o Perito responde
com conceitos, explicações e casos.
A marcação de entrevistas fica sujeita à disponibilidade do Perito. Em norma são
necessárias várias entrevistas ou sessões de trabalho. O espaçamento entre as
entrevistas deverá permitir que o Engenheiro do Conhecimento possa processar todo o
conhecimento adquirido na entrevista anterior e que o conhecimento adquirido seja
representado, codificado e testado por um protótipo do sistema.
3.3.2 Aquisição de Conhecimento usando
acompanhamento do raciocínio É uma técnica popular na Psicologia Cognitiva na qual se tenta efectuar o
seguimento do raciocínio do Perito, ou seja, concluir o modo como o Perito raciocina. Os
métodos podem ser mais ou menos formais.
O método formal mais conhecido é a Análise do Protocolo, onde o Perito é solicitado
a resolver problemas concretos e a verbalizar o raciocínio que utiliza na resolução desse
problema. No protocolo fica registado o processo de tomada de decisão efectuado pelo
Perito passo-a-passo. Pode ser efectuada a gravação daquilo que o Perito diz. Este é um
processo essencialmente unidireccional, ao contrário das entrevistas que são
bidireccionais.
Tutores Inteligentes
32
3.3.3 Aquisição de Conhecimento com observação
do Perito Por vezes é possível observar o Perito a trabalhar. Esse seria o modo mais natural de
efectuar aquisição do conhecimento, mas pode ser complexo. O Perito pode dirigir uma
equipa de várias pessoas e estar a resolver vários problemas simultaneamente . Para
além daquilo que o Perito diz pode ser interessante ver o que o Perito observa.
Um aspecto que deve ser considerado tem a ver com o comportamento do Perito,
pois pode ser diferente pelo facto de saber que está a ser observado. Nessas situações o
conhecimento que se adquire não corresponde exactamente ao que era pretendido.
3.3.4 Aquisição do Conhecimento guiada pelo
Perito Os processos descritos anteriormente são conduzidos pelo Engenheiro do
Conhecimento. Contudo, os Engenheiros do Conhecimento costumam não cobrir bem o
conhecimento do domínio, os seus serviços podem ser onerosos e podem surgir
problemas na comunicação com o perito. Como resultado a aquisição de conhecimento
pode ser um processo demorado, com várias iterações. Em certas situações os Peritos
podem agir também como Engenheiros do Conhecimento, codificando directamente o seu
conhecimento. Essa codificação pode ser feita manualmente ou em modo automático.
No processo manual o perito escreve relatórios e questionários. No processo
automático há uma ferramenta computacional que ajuda o perito a introduzir o
conhecimento e procura detectar falhas nesse mesmo conhecimento (incoerências,
ambiguidades, redundâncias, etc).
Módulo de Representação do Conhecimento do Domínio
33
3.4 Limitações na Aquisição do Conhecimento com o Perito
O Perito é o elemento central no desenvolvimento de um Sistema Pericial. Um Perito
detém competência acerca de um dado domínio. A competência é adquirida pela
experiência que se obtém ao lidar com um domínio.
Contudo apesar do Perito deter competência, nada nos garante que ele seja capaz
de nos fornecer o conhecimento que de facto pretendemos. Existem algumas barreiras
que levam a que tal aconteça, como por exemplo:
O Perito ter dificuldade em explicitar o conhecimento que utiliza;
O Engenheiro do Conhecimento pode não perceber o Perito;
O Perito pode ser alguém muito ocupado;
O Perito pode não acreditar no projecto do Sistema Pericial;
O Perito pode desconfiar do projecto e ter receio dos objectivos reais do projecto;
O Perito pode ter receio em explicitar o seu conhecimento.
Estes são exemplos de factores que poderão causar dificuldades ao Engenheiro de
Conhecimento em obter a informação que necessita para desenvolver o Sistema Pericial.
35
4 Módulo de Modelação do Aluno
4.1 Introdução Este módulo representa o conhecimento e as habilidades cognitivas do aluno num
dado momento [Oliveira, 1996]. É delineado a partir de uma contextualização inicial, que
visa traçar o perfil do aluno, incluindo os seus objectivos e conhecimentos prévios. A
partir de tal perfil é elaborado o modelo de inferência a ser utilizado pelo Tutor
Inteligente.
No entanto, este modelo deve ser dinâmico, contendo o conhecimento e as
capacidades do aluno, o seu comportamento de aprendizagem passado, os métodos de
apresentação aos quais ele responde melhor e sua área de interesse dentro do domínio.
A base de conhecimento do modelo deve ser actualizada a cada interacção do aluno com
o sistema. São armazenadas as características cognitivas, o histórico da interacção, os
trajectos percorridos no conteúdo do curso e o histórico do progresso.
Contendo todas estas informações, o sistema pode atingir um nível desejável e um
método de apresentação adequado, adaptando a instrução à competência e habilidade de
cada aluno.
4.2 Representação do Modelo do Aluno Nos sistemas CAI o aluno é representado por informação não processada e não
estruturada, como por exemplo através de resultados quantitativos de testes ou
avaliações binárias das suas respostas. Esta informação é usada pelo sistema para
seleccionar um percurso pré-programado através do conhecimento do domínio entre os
vários possíveis. A informação não suporta qualquer inferência complexa acerca do
estado presente do aluno.
No caso dos Tutores Inteligentes, a maioria dos modelos do aluno mantêm o
conhecimento que o aluno detém ou as concepções erradas do aluno acerca do domínio
Tutores Inteligentes
36
P1P71
P11
P3
P66
P18
P27P33
P12
P62
P2
P4
P0
Conhecimento do domínioModelo do aluno overlay
através de diferentes formalismos. No entanto, têm sido poucos os modelos do aluno
implementados que incluam conhecimento do aluno que não esteja relacionado com o
conhecimento do Perito acerca do domínio ou com os erros comuns dos alunos. Não é
comum encontrar nestes modelos uma representação das características individuais dos
alunos tais como estilos de aprendizagem preferidos, estado emocional, conhecimento
idiossincrático específico ou vários atributos individuais do aluno [Holt, 1994].
Nas secções seguintes são apresentados alguns dos formalismos usados com maior
frequência na modelação do aluno.
4.2.1 Modelo Overlay Num modelo overlay, o modelo do aluno é gerado através da comparação do
comportamento do aluno com o de um Perito. Esta abordagem assume que todas as
diferenças entre o comportamento do aluno e do Perito podem ser explicadas como a
ausência de conhecimentos do aluno. Este modelo assume que o conhecimento do aluno
é um subconjunto do conhecimento de um Perito como se pode verificar observando a
Figura seguinte.
Figura 4-1 Modelo Overlay [Kass, 1989]
Módulo de Modelação do Aluno
37
P1P71
P11
P3
P66
P18
P27P33
P12
P62
P2
P4
P0
Conhecimento do domínioModelo do aluno overlay
P31P6
P45
P7
P38
P32P12
P71
Conhecimento esperado do aluno
Entre muitos outros Tutores Inteligentes que usam o modelo overlay para a
modelação do aluno pode-se destacar os sistemas SCHOLAR [Carbonell, 1970], BIP [Barr,
1976], GUIDON [Clancey, 1982a] e WUSOR-II [Carr, 1977].
A utilização do modelo overlay apresenta duas limitações importantes. Por um lado,
o modelo assume que o módulo Perito é completo. Contudo, é possível que o aluno utilize
uma estratégia legítima que não esteja contemplada no módulo Perito. Por outro lado, os
modelos overlay não consideram situações em que o aluno utiliza mal ou entende mal o
conhecimento.
4.2.2 Modelo Diferencial As limitações presentes no modelo overlay conduziram ao desenvolvimento do
modelo diferencial, que não é mais do que uma extensão do primeiro. O modelo
diferencial divide o conhecimento do aluno em duas categorias: conhecimento que o
aluno deve adquirir e conhecimento que é esperado que o aluno não venha a adquirir.
Assim, e ao contrário do que acontece no modelo overlay, o modelo diferencial não
assume que todas as ausências de conhecimento no modelo do aluno são igualmente
indesejáveis. O modelo diferencial tenta representar explicitamente tanto o conhecimento
do aluno como as diferenças entre o aluno e o Perito. Esta abordagem pode ser
considerada como uma sobreposição parcial do conhecimento esperado, sendo este
último essencialmente um subconjunto do conhecimento geral do domínio como se pode
verificar observando a Figura seguinte.
Tutores Inteligentes
38
P1P71
P11
P3
P66
P18
P27P33
P12
P62
P2
P4
P0
Conhecimento do domínioModelo do aluno de perturbação
P1'' P2'
P64
P3'P1'P91
P2''
P0'
Figura 4-2 Modelo diferencial [Kass, 1989]
O sistema WEST [Burton, 1982a] constitui um exemplo de utilização do modelo
diferencial. Apesar do modelo diferencial não ser tão restrito acerca do conhecimento do
aluno, ainda assim apresenta a maior parte das dificuldades verificadas no modelo
overlay. Uma vez que o modelo diferencial assume que o modelo do aluno é
essencialmente um subconjunto do Perito, o modelo do aluno mantém-se incompleto.
4.2.3 Modelo de Perturbação Enquanto que o modelo overlay representa o aluno apenas em termos do
conhecimento correcto, um modelo de perturbação combina a representação do
conhecimento contida no modelo overlay com uma representação do conhecimento
errado do aluno. Nos modelos de perturbação o conhecimento do aluno não é
considerado como um mero subconjunto do conhecimento do Perito, uma vez que o
aluno possui conhecimento potencialmente diferente em quantidade e qualidade. O
modelo overlay ignora a possibilidade do aluno possuir conhecimento incorrecto ou uma
interpretação incorrecta do conhecimento. Os modelos de perturbação, para além de
representarem o conhecimento comum ao Perito e ao aluno, possuem ainda uma
representação das concepções erradas mais prováveis de ocorrerem no aluno como
mostra na Figura seguinte. O modelo de perturbação mantém uma relação próxima entre
os modelos do aluno e do Perito, como acontece no modelo overlay, mas representa
também o conhecimento do aluno para além do âmbito do modelo do Perito.
Figura 4-3 Modelo de perturbação [Kass, 1989]
Módulo de Modelação do Aluno
39
Sistemas como BUGGY [Brown, 1978], DEBUGGY [Burton, 1982b] e PROUST
[Johnson, 1985] usam um modelo de perturbação na sua abordagem de modelação do
aluno. O sistema BUGGY, por exemplo, contém um conjunto de potenciais utilizações
incorrectas de cada conceito do domínio. Se um aluno apresenta uma resposta incorrecta,
o sistema tenta substituir a variante incorrecta da utilização do conceito efectuada pelo
aluno pelo conceito correcto, com o objectivo de refazer a resposta do aluno.
A inclusão de erros ou de interpretações erradas no modelo de perturbação permite
uma compreensão mais sofisticada do aluno e permite ainda ao tutor invocar estratégias
que permitam corrigir o aluno.
No entanto, a definição de um conjunto de erros suficientemente completo não é
uma tarefa simples e é possível encontrar novos erros do aluno que nunca tenham sido
observados anteriormente. Por outro lado, a inferência do que o aluno sabe a partir de
uma resposta incorrecta é mais difícil do que a partir de uma resposta correcta.
4.2.4 Outras Abordagens Várias técnicas de Inteligência Artificial têm sido utilizadas na construção de modelos
do aluno. Esta secção descreve algumas das áreas que têm sido alvo de investigação
recente, tais como as áreas de fuzzy-logic, aprendizagem automática e redes
“bayesianas”. Em seguida, são apresentados alguns exemplos de aplicação destas
técnicas no âmbito da modelação do aluno.
A abordagem de modelação do aluno baseada na teoria dos conjuntos imprecisos
(fuzzy sets) [Zadeh, 1965] constitui um conceito importante para a área dos Tutores
Inteligentes, pois permite modelizar os diferentes aspectos de incerteza presentes na
informação do mundo real.
A aprendizagem automática não tem tido um papel muito relevante na investigação
da modelação do aluno, ainda que se apresente como uma técnica com potencial
interesse de aplicação nesta área. Um modelo do aluno que aprenda de forma
relativamente autónoma será muito mais flexível que outro que seja construído e
actualizado manualmente.
Tutores Inteligentes
40
Na área dos Tutores Inteligentes, as redes “bayesianas” têm sido utilizadas no
contexto da modelação do aluno para representar a incerteza acerca dos planos utilizados
pelo aluno durante a resolução de problemas e para representar a incerteza acerca do
estado de conhecimento do aluno.
4.2.4.1 Modelação do Aluno no Sistema AnimalWatch
O sistema AnimalWatch é um Tutor Inteligente para o ensino de aritmética a alunos
do ensino básico [Arroyo, 2003; Beck, 2003; Beal, 2003; Woolf, 2003]. O objectivo do
tutor é aumentar a confiança dos alunos nas suas capacidades na área da matemática.
Este sistema utiliza um agente, com capacidade de aprendizagem automática, para
modelar o comportamento do aluno a um nível de granularidade elevado. O agente não
tem por função adquirir o nível de conhecimento do aluno em cada um dos tópicos do
domínio, mas sim, determinar a probabilidade da próxima resposta do aluno ser correcta
e uma estimativa do tempo que o aluno irá precisar para obter a resposta. O treino do
agente é realizado a partir de informação adquirida em interacções anteriores com o
aluno. A informação usada pelo agente para realizar as suas previsões inclui informação
sobre o aluno, o tópico corrente, o problema e o esforço do aluno para resolver este
problema. As previsões obtidas por este agente podem ser usadas para seleccionar o
problema a apresentar ao aluno ou o tópico que deverá ser alvo de maior atenção por
parte do tutor. Desta forma, é possível prevenir que o aluno seja confrontado com
situações não desejadas, como por exemplo ser-lhe proposto um problema cujo nível de
dificuldade seja demasiado elevado para o seu nível ou que a resolução do problema lhe
ocupe demasiado tempo.
Uma vantagem desta abordagem reside no facto de permitir ultrapassar a dificuldade
existente no processo de tomada de decisão baseada em informação de baixo nível
acerca do aluno, tal como informação sobre o nível de conhecimento em cada um dos
tópicos do domínio. Nem sempre se torna claro como deve ser feito o mapeamento desta
informação de baixo nível com as decisões pedagógicas do tutor. As previsões de alto
Módulo de Modelação do Aluno
41
nível acerca do desempenho do aluno facilitam o processo de tomada de decisão e
podem ser usadas como fonte de simulação para treinar um agente a ensinar.
4.2.4.2 Modelação do Aluno no Sistema ANDES
O sistema ANDES [Gertner, 2000] é um Tutor Inteligente usado num curso de
introdução à física na Academia Naval dos EUA. Este projecto foi desenvolvido na
Universidade de Pittsburgh com a colaboração da Academia Naval. O sistema é utilizado
pelos alunos sem supervisão e em complemento das aulas.
É constituído essencialmente por dois componentes: um componente que é utilizado
para criar problemas e outro que constitui o sistema de ensino. O primeiro dispõe de uma
interface gráfica que permite definir o problema e a respectiva apresentação. Este
componente inclui ainda um sistema baseado em regras que tem por função gerar o
grafo de solução para os problemas definidos. O sistema de ensino inclui três módulos: a
interface gráfica através da qual os alunos resolvem os problemas, o interpretador de
acções que tem por função procurar as entradas do aluno no grafo de solução do
problema e assinalar as entradas incorrectas, o módulo de ajuda e, por último, o módulo
de avaliação.
O componente central do modelo do aluno é uma rede “bayesiana” que é construída
e actualizada pelo módulo de avaliação, sendo usada para fornecer uma estimativa
probabilística do estado mental do aluno. Esta rede é gerada automaticamente sempre
que o aluno selecciona um novo problema. A estrutura da rede “bayesiana” é obtida
directamente a partir do grafo de solução do problema. O modelo do aluno contém ainda
informação acerca dos problemas resolvidos pelo aluno e sobre que ajuda recebeu do
sistema. O módulo de avaliação possui ainda um componente de seguimento do modelo
(model-tracing) usado para determinar qual o caminho que é seguido pelo aluno no grafo
de solução do problema.
Tutores Inteligentes
42
4.3 Utilização do Modelo do Aluno A função principal do modelo do aluno é fornecer informação relevante para a
condução do processo de instrução individualizada a cada aluno. Sem a componente de
modelação do aluno, um Tutor Inteligente não tem capacidade para ajustar a instrução
às alterações do comportamento do aluno. A partir do conhecimento sobre o aluno, o
tutor pode controlar a ordem e a dificuldade do material didáctico apresentado ao aluno,
assim como fornecer ajuda apropriada. O modelo do aluno é, assim pois, utilizado para
assistir na selecção dos conteúdos didácticos, seleccionar a estratégia de ensino e
confirmar o diagnóstico.
Segundo [VanLehn, 1987], as utilizações mais comuns do modelo do aluno são as
seguintes:
Progressão – o modelo do aluno pode representar o nível de desempenho do
aluno; periodicamente o sistema recorre ao modelo do aluno para verificar o
nível de desempenho no conceito ou tópico corrente e decide se deve fazer o
aluno avançar para o conceito ou tópico seguinte;
Oferta de ajuda não solicitada – conhecendo o estado presente de
conhecimento do aluno, o sistema pode decidir oferecer ajuda ao aluno quando
considerar apropriado;
Geração de problemas – o módulo de geração de problemas consulta o
modelo do aluno para determinar as capacidades actuais do aluno de modo a
gerar os problemas ou tarefas apropriados, ou seja, aqueles que exijam
capacidades de nível imediatamente a seguir às demonstradas pelo aluno;
Adaptação das explicações – o sistema consulta o modelo do aluno para
determinar o que o aluno já sabe de modo a poder apresentar ao aluno
explicações pertinentes; assim, o sistema restringe as suas explicações àquelas
que envolvam conceitos que o aluno já domina.
Módulo de Modelação do Aluno
43
4.4 Manutenção do Modelo do Aluno À medida que o conhecimento do aluno evolui durante o processo de aprendizagem,
o modelo do aluno deve assumir as alterações verificadas no conhecimento do aluno.
Esta necessidade conduz a um problema complexo de manutenção do modelo do aluno
que consiste em manter uma visão consistente do conhecimento do aluno à medida que a
interacção entre o aluno e o sistema progride.
A natureza evolutiva do processo de aprendizagem requer que o sistema de
modelação do aluno possua capacidades de raciocínio não-monótono. O raciocínio não-
monótono refere-se ao raciocínio no qual uma conclusão obtida anteriormente pode
deixar de ser válida devido à aquisição de nova informação.
O problema da modelação do aluno pode ser visto como um problema de
manutenção do modelo do aluno à medida que o conhecimento do aluno se altera ao
longo do tempo e o conhecimento do tutor acerca do aluno é apurado. Algumas
abordagens para a resolução deste problema têm recorrido à utilização de TMS (Truth
Maintenance Systems), baseados nos trabalhos de [Doyle, 1979] e [DeKleer, 1986], entre
outros. Estes sistemas são capazes de reconhecer a forma como nova informação entra
em conflito com informação previamente existente num modelo.
4.5 Aspectos Práticos de Implementação do Modelo do Aluno
As decisões tomadas durante o processo de construção de um modelo do aluno
dependem de vários aspectos. Alguns destes aspectos são os seguintes:
Quem se pretende modelizar;
O que se pretende modelizar;
Como será o modelo do aluno adquirido e mantido;
Como vai o modelo do aluno ser utilizado.
Autores como [McCalla, 1992c] afirmam que um processo de modelação do aluno
simplificado é suficiente para alcançar uma instrução eficaz. Normalmente, um professor
Tutores Inteligentes
44
ou tutor humano constrói um modelo cognitivo aproximado e extremamente simples de
cada aluno. Frequentemente isto equivale a classificar o aluno em uma de entre várias
categorias ou estereótipos no que diz respeito à aprendizagem do domínio. Esta
classificação, embora aproximada, serve para conduzir a tomada de decisões pedagógicas
e para mediar a apresentação de ajuda.
No entanto, até esta forma simplificada de modelação pode tornar-se complexa.
Podem ocorrer dificuldades na representação dos modelos estereótipos e no
reconhecimento de evidências no comportamento do aluno que possam ser associados a
um dos estereótipos. Poderão surgir também problemas devido a comportamentos do
aluno não previstos e a deficiências na comunicação entre aluno e tutor. Por fim, em
alguns domínios poderá ser difícil obter um conjunto suficiente de modelos estereótipos
capaz de cobrir todos os alunos nos vários níveis de conhecimento.
Diversos autores têm apresentado sugestões práticas que devem ser consideradas
aquando da construção de modelos do aluno. Por exemplo, [Woolf, 1994] argumenta que
os projectistas de Tutores Inteligentes devem considerar cautelosamente tanto a
utilização pretendida do modelo do aluno como as limitações e restrições inerentes à
tecnologia à sua disposição. O mesmo autor sugere ainda que em alguns Tutores
Inteligentes não é necessário construir um modelo cognitivo preciso do aluno. O modelo
deve apenas ser suficientemente complexo de modo a permitir alcançar as necessidades
previstas.
Com o objectivo de tornar mais fácil a tarefa de construção de modelos do aluno
úteis, [Self, 1992] apresenta algumas recomendações específicas:
Projectar as interacções entre o aluno e o tutor para que a informação
necessária à construção do modelo do aluno seja fornecida pelo aluno em vez
de ser inferida pelo sistema;
Relacionar o conteúdo do modelo do aluno com acções específicas de
instrução;
Tornar o conteúdo do modelo acessível ao aluno com o intuito de encorajar a
reflexão por parte do aluno [Kay, 2000];
O Tutor Inteligente deve assumir um papel de colaboração (a precisão do
modelo do aluno é de menor importância);
Módulo de Modelação do Aluno
45
Considerar o conteúdo do modelo do aluno como uma representação das
crenças do aluno acerca do mundo em que se insere; o papel do Tutor
Inteligente é então assistir o aluno na elaboração dessas crenças.
47
5 Módulo Tutor
5.1 Introdução Segundo [Woolf, 1992a], o módulo de ensino, ou módulo tutor, inclui os métodos
que permitem remediar os erros, os métodos para selecção de exemplos e analogias e as
estratégias de resposta aos comportamentos erróneos do aluno. Representa os métodos
e técnicas didácticas utilizadas no processo da comunicação de conhecimento para o
aluno. Por estar relacionado a decisões subjectivas e cognitivamente complexas, este
módulo é de difícil implementação computacional. Armazena informações que podem ser
utilizadas para tomar decisões sobre quais das estratégias de ensino disponíveis no
sistema devem ser empregues. É capaz de diagnosticar as necessidades de aprendizagem
do aluno com base nas informações do módulo do aluno e no conhecimento contido no
módulo do domínio. Em geral, as decisões estão relacionadas com a Selecção (o que
ensinar), o sequenciamento (quando ensinar) e a apresentação do material de instrução
(como ensinar).
5.2 Conhecimento Pedagógico Segundo [Anderson, 1988; Lesgold, 1989] o conhecimento do domínio, considerado
de forma isolada, não é suficiente para garantir um processo de ensino eficaz. O processo
de ensino necessita em mesma proporção perícia acerca do domínio e perícia pedagógica.
A perícia pedagógica tem necessidade de usar conhecimento do domínio. Normalmente,
os modelos do domínio não contêm o conhecimento necessário para a tomada de
decisões de natureza pedagógica.
Segundo [Wenger, 1987], a ideia de representar conhecimento pedagógico de forma
explícita num Tutor Inteligente é relativamente recente.
Tutores Inteligentes
48
O módulo tutor é o responsável pelas decisões pedagógicas envolvidas no
funcionamento de um Tutor Inteligente. Estas decisões pedagógicas definem a perícia do
tutor. Esta perícia reside no conhecimento que contém as especificações sobre que
material de instrução deve ser apresentado, como e quando deve ser apresentado.
5.2.1 Concepção de Sistemas de Instrução O objectivo principal do processo de concepção da instrução é estruturar o ambiente
de ensino de forma a fornecer ao aluno boas condições para uma melhor aprendizagem.
Quando os objectivos de aprendizagem e os métodos usados são simples, o processo de
concepção da instrução torna-se mais fácil de gerir. No entanto, segundo [Spector, 1993],
à medida que a complexidade dos objectivos de aprendizagem cresce exponencialmente
o processo de concepção da instrução gera novos problemas. O processo de concepção
de sistemas de instrução (ISD – Instructional System Design) pretende responder a estes
problemas.
Segundo [Spector, 1993], a descrição do processo de ISD normalmente inclui:
Identificação das características do aluno;
Análise das tarefas e dos requisitos da instrução;
Desenvolvimento dos objectivos de aprendizagem;
Especificação das estratégias de instrução;
Produção e entrega da instrução;
Orientação formativa e avaliações sumativas;
Manutenção do material didáctico.
O ISD oferece uma abordagem de projecto top-down. Os objectivos da instrução são
decompostos numa hierarquia de objectivos. Estes objectivos são então classificados sob
várias dimensões e os resultados desta classificação são relacionados com métodos de
instrução. Por outro lado, a decomposição do processo de concepção facilita
posteriormente a implementação do sistema de ensino.
A área do ISD pode ser considerada como uma fonte de ideias para o
desenvolvimento do módulo pedagógico de um Tutor Inteligente. Os princípios de
Módulo Tutor
49
instrução presentes no processo do ISD podem ser um ponto de partida para a
elaboração de princípios mais específicos e apropriados à implementação de sistemas de
ensino baseados em computador mais eficazes.
5.2.2 Currículo Na educação, o desenvolvimento de um currículo é uma fase importante no processo
de concepção do ensino. Os professores são motivados a organizar as suas aulas de
acordo com um currículo, o qual é utilizado na orientação do processo de instrução. Em
qualquer sistema de ensino, nomeadamente nos Tutores Inteligentes os conceitos de
currículo e instrução são dois aspectos muito importantes. Estes conceitos são
distinguidos da seguinte forma:
Instrução – é responsável pelas decisões de ensino realizadas localmente,
nomeadamente as decisões relacionadas com a forma como os conceitos
seleccionados são apresentados ao aluno;
Currículo – é responsável pelas decisões globais relacionadas com a forma
como o material didáctico é organizado.
O conceito de currículo diverge consoante a área em que está a ser utilizada, como
na área dos Tutores Inteligentes ou na área do ISD. Por exemplo, na área dos Tutores
Inteligentes, [Wenger, 1987] considera que um currículo não é mais do que um plano,
enquanto que para investigadores da área do ISD, como é o caso de [Romiszowski,
1984], a palavra currículo é usada para denominar a matéria de ensino, organizada em
estruturas com diferentes formatos.
[McCalla, 1992a], sugere que o currículo num Tutor Inteligente representa a
selecção e ordenação do material didáctico com vista a alcançar os objectivos de ensino
apropriados ao contexto presente e ao aluno em particular. Esta definição realça o facto
de que um currículo deve ser flexível, evolutivo e adaptável às necessidades do aluno e à
evolução do processo de aprendizagem.
Os aspectos relacionados com o currículo não têm sido muito investigados
profundamente na área dos Tutores Inteligentes. A maior parte da investigação realizada
Tutores Inteligentes
50
na área dos Tutores Inteligentes tem por objectivo atribuir ao aluno o controlo sobre o
seu processo de aprendizagem.
5.2.2.1 Abordagens para a representação do Currículo
A representação do conhecimento do domínio objecto de ensino é um dos aspectos
mais importantes envolvidos no currículo. A importância dessa representação do
conhecimento do domínio deve-se ao facto da sua estrutura influenciar os aspectos
relacionados com a actividade pedagógica, tais como a selecção, sequenciamento e
apresentação das matérias a ensinar. Na área dos Tutores Inteligentes, o problema da
representação da matéria de ensino está relacionado com o módulo Perito do domínio e a
selecção, sequenciamento e apresentação da matéria de ensino são da responsabilidade
do módulo tutor.
Nesta secção são apresentadas algumas abordagens para a representação do
currículo usadas em vários tutores. Os diferentes tipos de representação não são
contraditórios, constituindo abordagens complementares.
5.2.2.1.1 Currículo no Sistema SCHOLAR
Segundo [Carbonell, 1970], o sistema SCHOLAR introduziu um conjunto de ideias
pioneiras na área dos Tutores Inteligentes. A mais importante está relacionada com a
representação do conhecimento do domínio de forma a permitir a sua manipulação pelo
próprio sistema, dando-lhe a capacidade de raciocinar acerca do seu domínio, ainda que
de uma forma limitada. Em particular, o conhecimento encontra-se representado através
de redes semânticas que permitem ao sistema deslocar-se entre os vários conceitos
através de ligações existentes entre eles. As estratégias de ensino usadas no sistema
SCHOLAR são extremamente simples, envolvendo, essencialmente, a selecção aleatória
entre os conceitos considerados relevantes para os conceitos em que o aluno mostrou
Módulo Tutor
51
interesse durante o diálogo recente com o tutor. A importância entre os conceitos é
determinada pela sua proximidade na rede semântica.
No que diz respeito ao currículo, o sistema SCHOLAR mostra como é que a estrutura
do conhecimento do domínio pode influenciar a escolha do próximo tópico. O caminho
seguido pelo sistema através da base de conhecimento não é predefinido. O sistema pode
percorrer livremente vários conceitos que estejam relacionados entre si e que sejam
considerados importantes a partir da interacção com o aluno. Apesar das estratégias
pedagógicas usadas serem simples, o sistema SCHOLAR representa um passo importante
no que respeita à obtenção de um currículo flexível.
5.2.2.1.2 Currículo no Sistema WEST
Segundo [Burton, 1982a], o sistema WEST inclui um currículo que realça os aspectos
do domínio (capacidades e conceitos) que se pretende ensinar ao aluno. Cada um destes
aspectos está dividido em dois procedimentos:
Procedimento de reconhecimento – permite ao sistema reconhecê-lo no
comportamento do aluno;
Procedimento de avaliação – que permite medir o conhecimento do aluno
sobre esse aspecto.
No caso do sistema WEST, os aspectos dizem respeito à utilização dos operadores
matemáticos +, -, /, *, ( e ) durante um jogo. Esta teoria foi também utilizada no sistema
GUIDON onde os aspectos correspondem às regras do sistema pericial MYCIN e os
procedimentos de reconhecimento são os métodos que permitem determinar se o aluno
conhece uma regra. O currículo do sistema WEST permite suportar as estratégias de
intervenção do sistema durante o jogo.
5.2.2.1.3 Currículo no Sistema BIP
Os sistemas BIP-I [Barr, 1976] e BIP-II [Wescourt, 1977] são Tutores Inteligentes
que se destinam ao ensino de programação em BASIC. Nestes tutores, o conhecimento
Tutores Inteligentes
52
Saída de valores(OUTPUT)
Variáveissimples
Leitura e entradade variáveis
(READ eINPUT)
Imprimir umaconstante de
cadeia decaracteres
Imprimir umavariável decadeia decaracteres
Atribuir umacadeia de
caracteres auma variávelcom INPUT
Atribuir umvalor
numérico auma variável
com LET
Imprimir umavariável
numérica
Escreva um programa queuse INPUT para obter umacadeia de caracteres a partirdo utilizador e atribua-a àvariável W$. Imprima W$.
Escreva um programa queimprima a cadeia "HORSE".
Escreva um programa queatribua o valor 6 à variávelN e depois imprima o valor
de N.
Tarefa "HORSE" Tarefa "LETNUMBER"Tarefa "STRINGIN"
Técnicas
Capacidades
Tarefas
encontra-se representado numa rede, denominada CIN (Curriculum Information
Network). O conhecimento representado nesta rede é usado para relacionar técnicas,
capacidades e tarefas. Uma parte da CIN usada no sistema BIP-I é apresentada na Figura
seguinte.
Figura 5-1 Parte da rede CIN do sistema BIP-I [Barr, 1976]
A Figura anterior mostra como é que uma tarefa particular (por exemplo, escrever
um programa que atribua o valor 6 à variável N e depois imprima o valor de N) pode
exercitar uma capacidade particular (por exemplo, imprimir uma variável numérica) e
uma técnica de programação particular (por exemplo, implementar a saída de valores).
Esta rede está dividida em três níveis conceptuais. O nível superior onde contém os
assuntos principais do curso, denominados de técnicas, que se encontram ordenadas de
acordo com relações de pré-requisito. Estas técnicas são compostas por unidades de
Módulo Tutor
53
Estrutura de controlo
Incondicional Condicional
IF...THEN FOR ... NEXT
BOOLEANIF THEN LINENUM FOR NEXT
RELNEXPR NEXPR
K
C
D
C C
C
NVARNLIT SIMARITH
K
H H
H
GOTOEND STOPH
K K
K
K
K
K
CC C
C
K K
C Relações verticais: K - Kind-of C - ComponentRelações horizontais: H - Harder D - Dependency
conhecimento contidas no nível imediatamente inferior, denominadas de capacidades.
Estas capacidades não se encontram relacionadas entre si. O último nível contém as
tarefas que estão relacionadas com as capacidades. As tarefas permitem exercitar as
capacidades definidas no nível anterior.
O modelo do aluno contém uma medida do desempenho do aluno em cada uma das
capacidades. Após cada exercício, o aluno é confrontado com um teste. A estratégia de
selecção do próximo exercício considera o desempenho do aluno em cada uma das
capacidades, o resultado dos testes e a estrutura do currículo.
No sistema BIP-II, o conhecimento acerca das capacidades é aprofundado através de
uma rede semântica complementar, como se pode observar analisando a Figura seguinte.
As ligações do tipo C (Component) e K (Kind-of) representam as relações part-of e is-a
normalmente presentes nas redes semânticas. A ligação do tipo D (Dependency)
representa a ideia de dependência e, por último, a ligação do tipo H (Harder than)
representa dificuldade crescente entre conceitos. Apesar desta extensão da rede CIN, as
estruturas dos sistemas BIP-I e BIP-II mantêm-se idênticas. A tarefa de selecção torna-
se, no entanto, mais aberta no sistema BIP-II.
Figura 5-2 Parte da rede semântica usada no sistema BIP-II
Tutores Inteligentes
54
Ambos os sistemas BIP são pioneiros no que diz respeito ao seu objectivo de
oferecer um curso completo. Este objectivo explica o papel central desempenhado pelo
currículo nestes sistemas. Por outro lado, a noção de que as tarefas constituem o aspecto
central da aprendizagem dos alunos e que estas podem ser sequenciadas de forma
apropriada a partir do currículo foram também contributos destes sistemas. A sequência
das tarefas não é pré-planeada como acontecia nos sistemas CAI, sendo gerada de forma
dinâmica à medida que se desenrola a interacção entre aluno e tutor.
A falta de capacidade destes sistemas para suportar o diagnóstico e análise do
raciocínio do aluno constitui uma das suas limitações. Esta limitação deve-se à ausência
de modelos capazes de descrever as tarefas, impossibilitando assim a comparação do
raciocínio do aluno com um destes modelos.
5.2.2.1.4 Currículo no Sistema WUSOR-III
Segundo [Goldstein, 1982], o sistema WUSOR-III utiliza uma estrutura, denominada
grafo genético, para representar o conhecimento do domínio. O termo genético advém do
facto de que esta representação permite realçar a natureza evolutiva do conhecimento.
Assim como a rede de conhecimento usada no sistema BIP-II, o grafo genético na
Figura 3-5, representa as capacidades elementares (neste caso, as regras de um jogo)
através de nós ligados essencialmente por relações de generalização, especialização,
analogia e refinamento. O grafo genético divide-se em fases que representam os vários
níveis de evolução do aluno. As ligações entre os vários conceitos representam as
operações cognitivas através das quais é possível aprender um conceito a partir de outro.
O modelo do aluno contém o registo do conjunto de nós e de ligações percorrido
pelo aluno. As ligações contidas no modelo do aluno dotam o sistema com a capacidade
de saber quais são as estratégias de raciocínio (generalização, especialização, analogia e
refinamento) preferidas pelo aluno. A exploração das relações entre os conceitos
representa uma teoria de aprendizagem do domínio, permitindo conduzir à construção de
um modelo plausível a partir do conhecimento já existente.
Módulo Tutor
55
Fase 1 Fase 3Fase 2
R
R
R
RG/S
G/S
G/S
AA
A
Relações genéticas:R - RefinamentoA - AnalogiaG/S - Generalização/Especialização
O planeamento da instrução no sistema WUSOR-III baseia-se na interacção entre o
modelo do aluno e o grafo genético. O planeamento assim obtido é dinâmico e é gerado
de acordo com as necessidades de ajuda do aluno. Trata-se de uma das primeiras
tentativas de adaptar o currículo às necessidades do aluno, no âmbito dos sistemas de
ensino assistido por computador.
Figura 5-3 Parte do grafo genético usado no sistema WUSOR-III
Tutores Inteligentes
56
5.2.2.1.5 Currículo no Sistema SHERLOCK
Segundo, [Lajoie, 1989; Lesgold, 1992], o sistema SHERLOCK é um Tutor Inteligente
que se enquadra na categoria dos sistemas de orientação (coaching systems, secção
2.5.2.2). Este sistema tem por objectivo a formação prática de técnicos na detecção de
avarias em circuitos electrónicos dos aviões da Força Aérea dos Estados Unidos da
América, após a frequência de um curso teórico. O ambiente de aprendizagem inclui um
simulador da bancada de testes e do equipamento a testar. O ensino baseia-se na
apresentação de problemas ao aluno, sendo-lhe requerido que defina as suas hipóteses
acerca da origem do problema e que proponha uma solução para a sua reparação.
Um dos pontos fortes do sistema SHERLOCK assenta no facto de que este baseia-se
numa análise sólida das tarefas (elaborada em cooperação com os Peritos do domínio),
que permite identificar os aspectos da tarefa de detecção de avarias que apresentam
problemas em função da sua dificuldade. A inteligência do sistema reside no facto de ter
capacidade para executar tarefas que exigem uma perícia humana complexa. Esta análise
de tarefas permite identificar as capacidades (curriculum issues) que distinguem os
técnicos experientes dos iniciantes. Estas capacidades encontram-se agrupadas em três
categorias:
Estratégias de detecção e de reparação de avarias;
Estratégias de resolução de problemas;
Tomadas de decisão.
O sistema contém cerca de 60 tópicos do currículo (curriculum issues) que constituem os
objectivos pedagógicos do sistema.
O sistema possui ainda um conjunto de 34 problemas para apresentar ao aluno, dos
quais 10 dizem respeito ao dispositivo a testar e 24 estão relacionados com a bancada de
testes. Cada um dos problemas está associado a uma estrutura denominada EPS
(Effective Problem Space) que representa as possibilidades de solução. A cada nó da
estrutura EPS está associado um conjunto de tópicos do currículo como se pode observar
na Figura seguinte.
Módulo Tutor
57
34 problemas
61 objectivos
Estratégias de resoluçãoEstratégias de detecção Tomadas de decisão
Problema 1 Problema 34
Figura 5-4 Organização do currículo no sistema SHERLOCK
Apesar do sistema basear-se numa análise completa das tarefas de detecção e
reparação de avarias, o currículo não é flexível, na medida em que tudo se encontra
definido à partida. Os problemas estão ordenados previamente por ordem crescente de
dificuldade (baseado no resultado da análise de tarefas), impondo assim uma ordem pré-
programada do ensino.
Este sistema foi melhorado posteriormente, dando origem ao sistema SHERLOCK II
[Lesgold, 1992]. No entanto, este novo sistema não apresenta qualquer alteração no que
diz respeito à representação do currículo. O novo sistema pretende, sobretudo, melhorar
a modelação do sistema físico e a modelação do aluno. Para além destas melhorias, o
sistema SHERLOCK II tornou a planificação mais dinâmica, tendo em consideração o
desempenho do aluno (baseado na melhoria da modelação do aluno). A selecção dos
problemas é ajustada de acordo com o desempenho do aluno no problema corrente
[Katz, 1992]. A selecção dinâmica dos problemas pode ser considerada uma evolução no
currículo do sistema inicial.
Tutores Inteligentes
58
5.2.3 Estratégia de Ensino Segundo [Halff, 1993b], uma estratégia de ensino é um procedimento para ensinar
um objectivo. Normalmente, as estratégias de ensino são procedimentos comuns a uma
classe de objectivos aos quais a estratégia se aplica. Este procedimento recebe, como
entrada, as características do aluno e o material que define o objectivo particular. Como
saída, produz um conjunto de primitivas de instrução destinadas ao aluno. Estas
primitivas de instrução constituem os elementos básicos usados para transmitir
conhecimento ao aluno. A apresentação de tópicos, respostas ou exemplos corresponde a
formas de primitivas de instrução. A maior parte dos tutores combina estratégias
genéricas, que podem ser aplicadas a um vasto conjunto de domínios, com estratégias
que são específicas do domínio e aplicáveis apenas em circunstâncias particulares.
A maior parte dos Tutores Inteligentes desenvolvidos baseiam a sua estratégia de
ensino num método de diagnóstico, no qual o tutor tenta fazer uma estimativa do
conhecimento do aluno, apresentando-lhe questões e avaliando as suas respostas. A
partir do comentário do tutor à resposta do aluno, que pode assumir a forma de
explicação ou de resposta, é esperado que o aluno aprenda e corrija os erros que
eventualmente possam existir no seu conhecimento. Como exemplo da utilização deste
método temos o sistema BUGGY [Burton, 1982a].
O método socrático (referido anteriormente na secção 2.5.2.1) constitui um outro
método em que a estratégia de ensino implementada baseia-se em alguns sistemas,
como é o caso dos sistemas SCHOLAR [Carbonell, 1970] e WHY [Stevens, 1977].
Um outro método, denominado resolução orientada de problemas (coached problem
solving, também apresentado anteriormente na secção 2.5.2.2), tem sido utilizado em
sistemas como SOPHIE [Brown, 1982], WUMPUS [Carr, 1977], WEST [Burton, 1982a],
entre outros. Este método baseia-se no princípio learning by doing [Clancey, 1987; Katz,
1996] e o seu objectivo é motivar o aluno na aquisição de capacidades, nomeadamente
para a resolução de problemas.
Na maior parte dos Tutores Inteligentes (por exemplo, SCHOLAR [Carbonell, 1970],
WEST [Burton, 1982a], GUIDON [Clancey, 1982a] e WUSOR [Goldstein, 1982]), as
estratégias de ensino são representadas através de regras de produção. A tabela seguinte
Módulo Tutor
59
apresenta um exemplo de uma regra usada para a representação de uma estratégia no
sistema GUIDON [Clancey, 1982b].
Tabela 5-1- Regra Usada para a Representação de uma Estratégia no Sistema GUIDON
[Clancey, 1982b]
T-RULE26.03
IF: The recent context of the dialogue mentioned either a “deeper subgoal” or a factor relevant to the current goal
THEN: Define the focus rule to be the d-rule that mentions this focus topic
Segundo [Clancey, 1987], esta abordagem de representação através de regras torna
as estratégias de ensino implícitas, o que dificulta a sua transferência para outros Tutores
Inteligentes.
O sistema TUPITS [Woolf, 1992b] é uma ferramenta criada com o intuito de facilitar
o desenvolvimento de vários tutores. Esta ferramenta permite representar as estratégias
de ensino através de um conjunto de primitivas de ensino, tais como ensinar, motivar,
apresentar sumário, contrastar e apresentar exemplo. O sistema possui uma rede de
frames, em que cada frame representa um objecto que pode ser uma lição, uma unidade
de conhecimento, exemplos ou questões. Cada frame está ligada a outras frames através
de relações que representam pré-requisitos, co-requisitos ou erros relacionados. Estas
ligações associadas a cada objecto permitem ao sistema responder de forma dinâmica a
novas situações de ensino. Por exemplo, cada unidade de conhecimento ou cada sujeito
representado como um objecto tem um método associado que: ensina o objecto, ensina
os pré-requisitos do objecto, avalia o aluno, apresenta um resumo, apresenta exemplos,
motiva o aluno, entre outros. Desta forma é possível associar uma ou mais estratégias ao
ensino de uma unidade de conhecimento particular.
Tutores Inteligentes
60
5.2.4 Planeamento da Instrução O planeamento constitui uma abordagem para a resolução de problemas que
consiste em criar uma sequência de acções, denominado plano, para alcançar um
objectivo. Se a entrada do sistema de planeamento é um problema, especificado através
do seu estado inicial, do estado objectivo e por um conjunto de acções, então a saída do
sistema é um plano que satisfaz o objectivo. Nas primeiras abordagens usadas na
resolução de problemas de planeamento, como o caso do sistema STRIPS [Fikes, 1971],
as fases de planeamento e de execução eram separadas. Os sistemas de planeamento
mais recentes tentam melhorar o desempenho dos sistemas clássicos, integrando as fases
de planeamento e de execução, tornando assim possível a monitorização da execução do
plano e a revisão deste sempre que necessário.
Segundo [Woolf, 1984; Russell, 1988], a aplicação de técnicas de planeamento no
domínio da instrução, nomeadamente o planeamento da instrução, tornou-se um aspecto
importante no desenvolvimento de Tutores Inteligentes. O planeamento da instrução
constitui um mecanismo de controlo que permite ao tutor decidir o que fazer através da
geração de uma sequência de instruções. Estas instruções incluem, por exemplo, a
selecção dos tópicos que devem ser introduzidos, revistos ou explicados. Este mecanismo
de controlo é responsável pela geração de estratégias de controlo alternativas que
constituem a base de diferentes abordagens de ensino. Através das decisões acerca das
acções a executar, o mecanismo de planeamento da instrução controla a interacção entre
o sistema e o aluno.
O planeamento da instrução pode ser considerado como uma perspectiva para a
resolução de problemas no âmbito do ensino [Ohlsson, 1987]. Os componentes principais
desta perspectiva são os objectivos, as estratégias e as tácticas.
5.2.4.1 Planeamento Dinâmico da Instrução
Nos sistemas clássicos de planeamento existem algumas limitações o que levou aos
sistemas de planeamento mais recentes terem adoptado uma abordagem em que as
tarefas de planeamento e execução são integradas. Estas limitações deviam-se ao facto
Módulo Tutor
61
de não se possuir a informação completa no momento de elaboração do plano. Estes
conceitos da área do planeamento podem ser generalizados e aplicados aos sistemas de
planeamento da instrução, uma vez que o planeamento da instrução envolve uma
interacção complexa entre o plano e a sua execução [Woo, 1991a].
O mecanismo de planeamento da instrução deve ser dinâmico uma vez que, durante
o processo de instrução, o estado cognitivo do aluno muda dinamicamente. À medida que
o plano é executado, o modelo do aluno pode sofrer alterações ou podem surgir novas
dificuldades no aluno. Estas alterações podem fazer com que o plano que estava a ser
aplicado deixe de ser adequado, sendo necessário criar um novo plano de instrução que
considere o novo modelo do aluno [McCalla, 1992a].
Uma abordagem de planeamento da instrução dinâmica permite que o ensino seja
feito à medida do aluno e que seja flexível, adaptando-se à medida que as circunstâncias
se alteram.
5.2.4.2 Níveis de Planeamento
Qualquer Tutor Inteligente deve possuir um mecanismo que permita determinar as
acções a executar durante uma sessão de ensino. Este mecanismo, denominado
mecanismo de planeamento da instrução, decide que material será objecto de ensino,
como apresentar o tópico seleccionado e em que momento deve interromper o aluno e
tomar o controlo da interacção entre o sistema e o aluno.
Segundo [Wenger, 1987], estas decisões pedagógicas podem ser divididas em dois
níveis:
Um nível global;
Um nível local.
As decisões de nível global afectam as sequências de matéria a ser ensinada. Com
base na informação obtida a partir do modelo do aluno, o sistema deve ser capaz de
providenciar diferentes conteúdos de instrução para diferentes alunos. Esta capacidade
de diferenciação constitui a base de uma instrução adaptativa.
Tutores Inteligentes
62
O processo de tomada de decisão ao nível local consiste em obter o conhecimento
acerca de quando interromper a actividade do aluno, assim como o que dizer e como
dizer. A tomada deste tipo de decisões não deixa de ser um processo complexo, uma vez
que a ordem em que os tópicos são ensinados e o método de comunicação com o aluno
podem produzir diferentes experiências de ensino [Wenger, 1987].
É comum entre os Peritos em educação dividir o currículo, incluindo os objectivos do
curso em desenvolvimento, numa hierarquia. Alguns estudos revelam que os professores
experientes utilizam vários níveis de planeamento para o desenvolvimento dos seus
cursos [Derry, 1988]. A um nível mais global é feito o planeamento dos objectivos da
instrução, enquanto que a um nível menos global ocorre o planeamento de acções.
Alguns autores, como é o caso de [Murray, 1988a] distinguem três níveis de
planeamento da instrução para Tutores Inteligentes. Estes níveis são:
Planeamento do currículo – a este nível são realizadas decisões para uma
sequência de lições;
Planeamento da lição – a este nível o tutor executa decisões no âmbito de
apenas uma lição, que incluem a escolha da matéria a ensinar e a sua ordem
de apresentação;
Planeamento do discurso – a este nível são planeadas as acções de
comunicação entre o tutor e o aluno no âmbito de uma lição.
Nos níveis de planeamento do currículo e da lição o tutor inteligente tem que decidir
acerca de questões de instrução relacionadas com problemas de selecção e
sequenciamento, enquanto que ao nível de planeamento do discurso, o tutor tem que
lidar com os aspectos relacionados com a apresentação do material de instrução.
Segundo [Murray, 1988a], devem existir pelo menos dois níveis de planeamento, os
níveis de planeamento da lição e do discurso, para que um Tutor Inteligente apresente
uma instrução eficaz e flexível. No entanto, estes níveis não podem estar completamente
separados. Na prática, é frequente que o planeamento do discurso e o planeamento da
lição estejam interligados, sendo o mesmo possível entre o planeamento da lição e o
planeamento do currículo.
Módulo Tutor
63
5.2.4.3 Princípios Gerais de Selecção e Sequenciamento
As decisões de selecção e sequenciamento estão entre as mais importantes que têm
que ser tomadas por um tutor. A eficácia de um Tutor Inteligente depende, na maioria
dos casos, da sua capacidade de seleccionar e ordenar os tópicos de acordo com o estado
cognitivo do aluno. Segundo [Collins, 1991], os princípios que conduzem a selecção e
sequenciamento do material para ensino baseiam-se normalmente em teorias de ensino.
Por exemplo, a teoria de [Collins, 1991] baseia-se no princípio de aprendizagem por
descoberta. Apesar da existência de várias teorias de ensino, existem alguns princípios
gerais que são normalmente aceites pela maioria das tendências no campo da educação.
Como exemplo, [Halff, 1988] apresenta quatro destes princípios que auxiliam a tomada
de decisões de selecção e sequenciamento para Tutores Inteligentes:
Associação – é atribuída prioridade aos conceitos ou tópicos que estão
estritamente relacionados com o conhecimento actual do aluno;
Manuseabilidade – todos os exemplos apresentados devem ser compreensíveis
e qualquer exercício deve poder ser resolvido pelos alunos que tenham
completado as partes anteriores do curso;
Transparência estrutural – a sequência dos exercícios e exemplos deve ser
organizada de forma a tornar explícita a estrutura do conhecimento objecto de
ensino;
Individualização – os exercícios e exemplos devem ser escolhidos de forma a
se adequarem ao padrão de conhecimentos e de debilidades que caracterizam o
aluno no momento em que o exercício ou exemplo é seleccionado.
Vários princípios de sequenciamento têm sido utilizados em diferentes Tutores
Inteligentes [Wenger, 1987]. Por exemplo, o sistema WUSOR II [Goldstein, 1982] e os
tutores desenvolvidos pela equipa liderada por Anderson [Anderson, 1990] utilizam o
princípio do simples para o complexo, em que é dada prioridade aos conceitos ou tópicos
mais simples sobre os mais complexos. No caso dos tutores BIP [Barr, 1976] e WUSOR
III [Goldstein, 1982] é utilizado o princípio de pré-requisito, em que o mecanismo de
Tutores Inteligentes
64
selecção de tópicos usa relações de pré-requisito para atribuir maior prioridade aos
tópicos que constituem pré-requisitos para a lição corrente. O sistema SCHOLAR
[Carbonell, 1970] utiliza o princípio de importância, que atribui maior prioridade aos
tópicos considerados mais importantes. Existem ainda sistemas, como o caso do sistema
WHY [Stevens, 1977], que utilizam a estrutura lógica do domínio para conduzir o
mecanismo de sequenciamento.
5.2.4.4 Abordagens para o Planeamento da Instrução
Um Tutor Inteligente deve ter um mecanismo que determine quais os passos
necessários a realizar durante uma sessão de ensino. Este componente de planeamento
da instrução decide sobre quais os tópicos da matéria a sessão de ensino deve incidir,
como apresentar o tópico seleccionado e quando interromper a actividade do aluno.
Neste contexto, um sistema flexível necessita de ter uma representação explícita deste
conhecimento pedagógico através de estruturas, que permitam expressá-lo
declarativamente e conduzir o processo de tomada de decisão [Woo, 1991a].
5.2.4.4.1 Controlo Baseado em Planos e Controlo
Oportunístico
Qualquer Tutor Inteligente possui um conjunto de objectivos que devem ser
alcançados pelos alunos. Estes objectivos podem ser alcançados através do planeamento
de actividades de instrução (controlo baseado em planos) ou a partir do reconhecimento
de oportunidades que surgem durante a interacção com o aluno (controlo oportunístico).
Em alternativa a estas duas formas de controlo do processo de instrução, é possível usar
um método que combine de forma apropriada ambos os estilos de controlo. Alguns
estudos demonstraram que a combinação destes dois estilos de controlo permite alcançar
os objectivos de ensino com maior eficácia [Wenger, 1987; Woo, 1991b].
Na abordagem de controlo baseada em planos o tutor manipula as sequências de
actividades de instrução através das quais se espera que o aluno adquira a perícia
desejada [Wenger, 1987]. O tutor supervisiona o progresso e a adequação do plano de
Módulo Tutor
65
instrução em execução. Esta forma de planeamento fornece uma estrutura de ensino bem
organizada mas o comportamento do aluno tende a ser pouco importante.
Pelo contrário, na forma de controlo oportunístico, o tutor tenta aproveitar as
oportunidades de ensino que surgem no contexto de alguma actividade ou diálogo em
que o aluno esteja envolvido [Wenger, 1987]. Nos sistemas que usam esta abordagem,
as oportunidades são detectadas a partir de informação de diagnóstico e o planeamento é
conduzido localmente baseando-se nestas oportunidades. O controlo oportunístico é
especialmente adequado à condução de actividades em que a iniciativa pertence
maioritariamente ao aluno, como é o caso das actividades que envolvam a resolução de
problemas. Por outro lado, esta forma de controlo fornece pouco controlo sobre a
organização das sessões de ensino.
5.2.4.4.2 Discourse Management Network
O sistema MENO-TUTOR [Woolf, 1984] utiliza um mecanismo para representar e
organizar os elementos que compõem a interacção com o aluno. As estratégias
representadas neste mecanismo baseiam-se na observação de tutores humanos. Este
mecanismo de planeamento, denominado DMN (Discourse Management Network – Rede
de Gestão de Discurso), é baseado numa rede de estados, em que os nós ou estados
correspondem a acções de ensino. Estes estados da DMN encontram-se organizados em
três níveis:
Pedagógico – estabelece o tipo de acção do tutor, como por exemplo
introduzir um novo tópico ou ultrapassar uma concepção errada do aluno.
Estratégico – neste nível é definida a estratégia de intervenção do tutor, tal
como apresentar uma questão ao aluno ou descrever um conceito.
Táctico – são responsáveis pela implementação da estratégia definida no nível
estratégico. Os estados deste nível determinam a forma e o conteúdo do
discurso.
Os arcos ou transições entre estados são de dois tipos e definem o mecanismo de
controlo utilizado na DMN. Os arcos do primeiro tipo definem as sequências de estados
que normalmente são percorridos pelo tutor. O segundo tipo de arcos representa meta
Tutores Inteligentes
66
regras que permitem a mudança para qualquer estado da rede quando as suas condições
são satisfeitas. O mecanismo DMN suporta tanto a forma de controlo baseado em planos
como a forma de controlo oportunístico. O controlo baseado em planos é alcançado
através das transições por defeito entre nós da DMN, enquanto que a forma de controlo
oportunístico corresponde às transições entre estados baseadas no disparo de meta
regras.
Apesar das capacidades de planeamento do mecanismo DMN serem limitadas, este
oferece um mecanismo de controlo genérico, o qual juntamente com outros mecanismos
auxiliares pode permitir obter um sistema de planeamento da instrução eficaz a qualquer
um dos níveis (currículo, lição e discurso).
5.2.4.4.3 Arquitectura Blackboard
[Erman, 1980] define a arquitectura blackboard como sendo uma técnica usada na
Inteligência Artificial para obter sistemas de controlo flexíveis a partir de módulos
independentes. Esta técnica começou por ser utilizada no reconhecimento de fala, tendo
sido posteriormente aplicada na área dos Tutores Inteligentes para o desenvolvimento de
mecanismos genéricos de planeamento da instrução.
Num sistema baseado na arquitectura blackboard, o conhecimento encontra-se
distribuído por um conjunto de fontes de conhecimento que assumem a forma de
objectos procedimentais. Estes objectos procedimentais representam formas de perícia
em algum aspecto do sistema de ensino. As fontes de conhecimento comunicam entre si,
de forma indirecta, através de uma estrutura denominada blackboard. Quando uma fonte
de conhecimento necessita de informação coloca um pedido na estrutura blackboard.
Qualquer uma das fontes de conhecimento capaz de responder ao pedido, retira o pedido
e coloca a informação requerida no blackboard.
O sistema BB-IP [Murray, 1988b] usa a arquitectura blackboard para implementar o
mecanismo de planeamento da instrução. Neste sistema são usados dois blackboards
principais:
Módulo Tutor
67
Blackboard para o conhecimento do domínio – é usado pelas fontes de
conhecimento relacionadas com a matéria a ser ensinada. Este blackboard
constitui o conhecimento do domínio do sistema.
Blackboard para o conhecimento de controlo – é usado pelas fontes de
conhecimento relacionadas com o mecanismo de planeamento. O plano da
instrução é mantido neste blackboard. São usados ainda um conjunto de outros
blackboards, alguns dedicados ao planeamento da instrução, incluindo o
blackboard de planos padrão usado na criação de planos de instrução, e ainda
outro onde é mantido o modelo do aluno.
O processo de planeamento da instrução é dividido em três partes: plano de
objectivos da lição, selecção de uma estratégia de ensino e execução do plano de
instrução. O plano da lição é criado a partir de planos padrão guardados no blackboard
respectivo. A segunda fase, selecção de uma estratégia de ensino, consiste em encontrar
uma estratégia de apresentação e de avaliação para o tópico corrente. A combinação dos
planos de lição e de apresentação constitui o plano completo de instrução, que é
armazenado no blackboard de controlo. Durante a fase de execução do plano de
instrução, qualquer uma das fontes de conhecimento pode considerar-se relevante. Estas
fontes de conhecimento são colocadas numa agenda onde um mecanismo de
escalonamento, após consultar o plano de instrução, decide qual é a mais relevante. As
alterações do comportamento do aluno podem fazer com que novas fontes de
conhecimento sejam adicionadas à agenda, podendo resultar em alterações das acções
de instrução ou até levar à criação de novos planos de instrução.
Esta arquitectura de planeamento da instrução apresenta um comportamento
dinâmico: o plano de instrução depende de várias fontes de conhecimento e varia à
medida que a interacção com o aluno prossegue. A separação entre o conhecimento de
planeamento, conhecimento do domínio e conhecimento acerca das estratégias de ensino
constitui outra vantagem apresentada por esta arquitectura [Murray, 1988a].
69
6 Módulo de Interacção com o Aluno
O módulo de interacção com o aluno inclui o conjunto de elementos de que o aluno
dispõe para interagir com o sistema. Este módulo é responsável pela forma como a
comunicação será realizada com o meio externo ao sistema. Pode ser considerado um elo
de ligação entre o aluno e os componentes do Tutor Inteligente. A evolução das
tecnologias de interacção homem – máquina tem permitido dotar os Tutores Inteligentes
de canais de comunicação com maior largura de banda. No entanto, o recurso a estas
tecnologias não garante que a interface seja concisa e fácil de utilizar [Faria, 1996a;
Faria, 1996b; Vale, 1997a; Faria 1998]. A interface deve ser consistente para ajudar a
reduzir a carga cognitiva do aluno [Shneidermann, 1992], caso contrário, o aluno poderá
ficar cansado rapidamente, levando a que não se sinta motivado para utilizações futuras
do sistema.
A interface deverá ser capaz de se adaptar ao aluno e em certos casos à situação.
Por exemplo, a interacção deverá ser diferente se o aluno for um iniciado ou um aluno
mais avançado. De igual modo a complexidade do problema em solução deverá
condicionar a interacção.
6.1 Importância do Interface com o Utilizador Para o utilizador, “o interface é o sistema”. A comunicação com o sistema é pelo
menos tão importante como a computação realizada pelo mesmo e num futuro próximo,
o sucesso de uma aplicação dependerá da qualidade do interface com o utilizador.
Do ponto de vista de uma empresa, a sua principal preocupação na aquisição de
sistemas interactivos residia, inicialmente, no custo do hardware. Com o decréscimo dos
custos associados ao hardware, passou a ser o custo do software (sobretudo o
desenvolvimento de novo software). Actualmente, é o custo do personware, isto é, os
custos associados quer ao treino quer à utilização diária dos sistemas por parte dos seus
Tutores Inteligentes
70
funcionários (utilizadores). Enquanto um determinado sistema é pago uma só vez, o
tempo gasto pelos utilizadores na luta contra o referido sistema e na correcção de erros,
implica uma diminuição na produtividade que se paga todos os dias.
6.2 Interfaces Inteligentes Em muitos sistemas complexos, a componente interactiva com a qual um operador
comunica tem vindo a tornar-se num meio para controlar o sistema, independentemente
de se tratar de um sistema de controlo e supervisão ou de qualquer outro tipo.
Com a finalidade de diminuir a complexidade da comunicação Homem-Máquina, as
interfaces inteligentes vão sendo cada vez mais utilizadas com algum grau de sucesso. O
termo interface inteligente é normalmente utilizado para denominar interfaces que
respondam flexivelmente a eventos de forma favorável [Edmonds, 1993]. Todavia, o
termo inteligente na terminologia informática corresponde a um sistema que contém
conhecimento humano explícito representado de alguma forma. Nestes casos, o sistema
pode não ser flexível ou adaptável mas pode utilizar heurísticas fornecidas por um perito
em vez de utilizar algoritmos pouco flexíveis.
6.2.1 Interfaces Adaptáveis e Interfaces Adaptativas Nos últimos anos tem sido feito um esforço para tornar as aplicações computacionais
mais flexíveis. Um sistema flexível aumenta o grau de liberdade de utilização, facilita a
comunicação entre o utilizador e o sistema e aumenta a eficiência do utilizador. Existem
essencialmente dois tipos de sistemas flexíveis [Thomas, 1993]:
Sistemas adaptáveis pelos utilizadores (“adaptable systems”);
Sistemas que se adaptam automaticamente (“adaptive systems”).
O primeiro tipo de sistemas dispõe de ferramentas que permitem ao utilizador
mudar as características do sistema. O segundo tipo compreende os sistemas que têm
aptidão para mudar as suas características automaticamente, possivelmente depois de
consultar o utilizador, adaptando-se às necessidades deste.
Módulo de Interacção com o Aluno
71
A adaptação da interface ao utilizador tem vários objectivos, considerando-se
essenciais os seguintes: minimização dos erros dos utilizadores, redução da necessidade
do utilizador pedir ajuda e antecipação das necessidades do utilizador. Este último ponto
é de primordial importância nos casos de situações de emergência em que a aplicação
deve fornecer ao utilizador a informação que ele necessita, de modo a aliviá-lo de uma
parte das suas funções.
6.2.1.1 Tipo de Adaptação
Um dos passos fundamentais no desenvolvimento de interfaces adaptáveis é a
determinação dos aspectos do sistema que mudarão em resposta a alterações do
ambiente da interface. Apresentam-se a seguir algumas das formas que o sistema pode
utilizar para se adaptar [Meyer, 1993]:
Atribuição ou repartição de tarefas – O sistema é responsável pela
execução das tarefas ou parte delas.
Transformação da interface – O sistema adapta-se de modo a facilitar a
execução de tarefas do utilizador, através da alteração do estilo de
comunicação, do conteúdo e da forma da informação fornecida ao utilizador.
Funcionalidade – O sistema adapta as funções disponíveis a cada
utilizador.
Utilizador – O sistema pode auxiliar o utilizador a adaptar-se, determinando
problemas aparentes e fornecendo-lhe o apoio necessário.
Se for possível aplicar todos os tipos de adaptação, torna-se difícil decidir qual delas
dá origem ao maior benefício em cada caso. Assim, a interface deve ter capacidade para
decidir qual o melhor tipo de adaptação a utilizar, pois a aplicação de vários tipos de
adaptação pode causar demasiadas mudanças, confundindo o utilizador [Meyer, 1993].
Tutores Inteligentes
72
6.2.1.2 Critérios de Adaptação
Outro passo do desenvolvimento de uma interface adaptativa consiste em
determinar quais as condições que devem dar início ao processo de adaptação. Segundo
[Meyer, 1993], o sistema pode adaptar-se a qualquer uma das seguintes características
do utilizador, da tarefa ou do ambiente:
Experiência do utilizador nas tarefas a realizar;
Experiência do utilizador com outras interfaces (por exemplo, familiaridade
com interfaces gráficas ou semi-gráficas);
Aptidões do utilizador, como por exemplo destreza visual ou capacidade de
raciocínio;
Preferências do utilizador;
Informação sobre as habilitações e categoria profissional do utilizador;
Complexidade da tarefa;
Frequência da tarefa;
Intensidade de trabalho ou estado do sistema (por exemplo, estado normal
ou estado de emergência);
Condições ambientais, como por exemplo o nível de ruído no local de
trabalho.
A adequação da interface com o utilizador depende também do operador que a
utiliza. Obviamente que é muito ambicioso e utópico implementar uma interface que se
adapte às características próprias de cada utilizador. No entanto, é de esperar que a
interface se consiga adaptar a diferentes classes de operadores.
Uma interface só se adaptará automaticamente ao utilizador se possuir modelos dos
seus utilizadores que contenham o conhecimento aprendido pelo utilizador, os seus
Módulo de Interacção com o Aluno
73
objectivos e as suas preferências. No entanto, não será prático implementar uma
interface que se adapte ao comportamento de todos os utilizadores. Uma solução prática
será incluir no sistema um conjunto de modelos de comportamento de utilizadores que no
seu conjunto caracterize todos os utilizadores da interface.
6.3 Sistemas de Iniciativa Mista Nos sistemas de iniciativa mista (Mixed Initiative Systems), referido anteriormente na
secção 2.5.2.1, como o nome indica, a iniciativa é partilhada entre o tutor e o aluno.
Estes sistemas integram o aluno num diálogo com o tutor e conduzem o ensino através
do método socrático de descoberta guiada (mecanismo de pergunta e resposta)
[Kearsley, 1990]. A partir do diálogo o sistema pode inferir os erros e descobrir possíveis
contradições do aluno.
75
7 Estudo de Alguns Sistemas e Experimentação
7.1 Sistema de Treino de Operadores para Análise de Incidentes na Rede Eléctrica Nacional
Este trabalho foi desenvolvido com o objectivo de treinar operadores de centros de
controlo e condução de redes eléctricas [Faria, 2000a; Faria, 2000b; Faria, 2001a; Faria,
2001b; Faria, 2002; Faria, 2004].
7.1.1 Motivação para o treino de Operadores Apesar de existirem centros de controlo e condução com uma grande quantidade de
aplicações computacionais elaboradas, a complexidade das tarefas de controlo e
exploração das redes requer que os operadores humanos assumam um papel primordial
na tomada de decisões. Contudo, estes operadores não dispõem de ferramentas de apoio
à decisão que permitam suportar adequadamente as suas tarefas em situações críticas.
Por outro lado, um número considerável de erros de operação e de controlo é devido
a falhas humanas. Estes erros são cometidos tanto por operadores com pouca
experiência como também por operadores experientes e devidamente habilitados, porque
as tarefas envolvidas são bastante exigentes ou então são situações que os operadores
nunca tinham enfrentado.
Estas razões justificam que o treino de operadores dos centros de controlo e
condução de redes eléctricas seja considerado um aspecto importante para contribuir
para uma exploração económica e fiável dos Sistemas Eléctricos de Energia.
A utilização de simuladores de treino não está muito difundida e pode mesmo ser
considerada demasiado onerosa. Um dos principais problemas relacionados com a
utilização de simuladores de treino é a exigência de disponibilidade por parte de
instrutores para a preparação das sessões de treino, pois estas requerem a colaboração
de Peritos na condução da rede. Este aspecto constitui uma razão importante para
explicar a baixa difusão e eficácia dos simuladores de treino.
Tutores Inteligentes
76
7.1.2 Objectivos e Breve Descrição do Trabalho
Desenvolvido Com as limitações existentes dos simuladores de treino de operadores, tornou-se
claro que a inclusão de um maior nível de inteligência, sustentada numa abordagem
orientada para o conhecimento, era vital no processo de treino.
Dada a dificuldade existente na preparação de cenários de treino, considerou-se que
a tecnologia dos sistemas periciais seria adequada e que poderia ser conjugada com os
tutores inteligentes. Contudo, não se deveria apenas usar o sistema pericial como
ferramenta de suporte do tutor inteligente, nomeadamente porque os sistemas periciais
não são concebidos especificamente para a componente de formação.
A tecnologia dos tutores inteligentes é claramente adequada para o treino de
operadores, pois permite englobar no processo de formação dos operadores aspectos
como o conhecimento do domínio, o conhecimento pedagógico, as estratégias de ensino,
o planeamento da instrução, a modelação e representação do conhecimento do aluno e a
utilização e manutenção de tal modelo.
Este trabalho visou a construção de um modelo de treino de operadores de centros
de controlo e condução de redes eléctricas, tendo este modelo de treino considerado
especificamente os operadores dos centros de controlo e condução da REN [Faria,
2000a]. Em particular, o modelo de treino proposto destina-se ao treino para a obtenção
do diagnóstico dos incidentes da rede eléctrica. A tarefa de diagnóstico de incidentes
constitui uma das tarefas mais importantes dos operadores.
A origem do trabalho enquadra-se num projecto que contemplou o desenvolvimento
do sistema pericial SPARSE (Sistema pericial de Processamento inteligente de mensagens
e apoio à análise de Avarias e à Reposição de Serviço) [Vale, 1997b; Vale, 1998a]. A base
de conhecimento do SPARSE esteve na origem do desenvolvimento do modelo do
domínio do sistema de treino. O sistema pericial SPARSE assume um papel activo no
sistema de treino, uma vez que é utilizado por este como Perito do domínio.
Exemplo 7.1.2-1 Regra do Sistema Pericial SPARSE [Vale, 1993a]
Implementação
77
Esta regra permite identificar a ocorrência de um disparo simples. No conjunto de
premissas estão incluídos os factos que correspondem às condições de disparo da regra e
que caracterizam a situação a que se refere a regra. No lado direito da regra estão
definidas as acções para gerar a conclusão da regra e para efectuar a manutenção da
base de conhecimento do sistema.
O sistema de treino aqui apresentado pretende colmatar lacunas existentes no treino
dos operadores, baseado no simulador de treino da REN que não ensina o operador a
construir um processo de obtenção de diagnóstico de incidentes. O sistema de treino
proposto pretende ajudar o operador a integrar o seu conhecimento num modelo
funcional que lhe permita obter os diagnósticos correctos. O processo de aprendizagem é
regra d1 : 'DISPARO SIMPLES - DISJ' :
[
[
mensagem(Data1,Hora1,[Inst1,Painel1,[Inst2,NL]],'>>>> DISPARO',_) em T1
e
mensagem(Data2,Hora2,[Inst1,Painel1,[Inst2,NL,'DISJ']],'DISJUNTOR','ABERTO') em T2
e
painel_em_servico(Inst1,Painel1)
e
condicao(tempo_maior_ou_igual_que(T2,[T1-30]))
e
condicao(mod_dif_tempos_menor_ou_igual(T2,T1,35))
]
]
==>
[
cria_facto(disj_aberto(Data2,Hora2,disparo,Inst1,Painel1,Inst2,NL),T2),
retira_facto(disj_fech(_,_,_,Inst1,Painel1,Inst2,NL),_,T2),
cria_facto(disparo_simples(Data2,Hora2,Inst1,Painel1,Inst2,NL),T2)
].
Tutores Inteligentes
78
conduzido através de um ambiente de resolução de problemas, que pretende ser
amigável, e que oferece apoio ao operador. O apoio fornecido ao operador durante a
resolução dos problemas que lhe são propostos deve adaptar-se às suas necessidades,
devendo diminuir à medida que este aumenta o grau de automatização da tarefa.
A actividade nos centros de controlo varia entre picos de actividade, durante
situações de emergência, e períodos de actividade reduzida. O sistema de treino
pretende, assim, oferecer uma solução aos responsáveis dos centros de controlo para o
problema do treino, disponibilizando ocupações interessantes e produtivas para os
operadores desses centros durante períodos de menor actividade. O operador poderá
utilizar o sistema de treino sem ter necessidade de se ausentar do seu local habitual de
trabalho.
A Figura 7-1 mostra a arquitectura genérica proposta para o tutor inteligente que foi
desenvolvido no âmbito deste trabalho.
Tutores Inteligentes
80
Figura 7-1 Arquitectura genérica do tutor inteligente
De seguida vai ser efectuada uma breve descrição dos contributos e originalidades
deste trabalho.
Tal como foi referido anteriormente, o tutor inteligente não deveria usar a base de
conhecimento do sistema pericial SPARSE tal como ela se encontra, nomeadamente
porque tal base de conhecimento não foi concebida com a intenção de treinar os
operadores. Optou-se então por utilizar guiões (scripts) para representar o conhecimento,
os quais foram implementados através de grafos AND/OR faseados. A Figura 7-2 mostra
um exemplo de um destes grafos.
Figura 7-2 Grafo AND/OR faseado
A utilização de dois níveis de granularidade, um nível mais detalhado para
principiantes e outro nível com maior nível de abstracção para operadores experientes, foi
também visada na representação do conhecimento [Faria, 2001a]. Como exemplo da
utilização de níveis de granularidade podemos observar a Figura 7-3.
Tutores Inteligentes
82
Os guiões constituem uma representação completa e detalhada do conhecimento
necessário à execução da tarefa de diagnóstico de incidentes. Na Figura 7-4 está
representado um guião DtD (Disparo trifásico com religação mal sucedida).
Figura 7-4 Guião DtD
Implementação
83
Uma das características originais deste sistema de treino diz respeito à obtenção do
modelo mental do operador. Este modelo é obtido a partir da sequência de passos do
operador durante a resolução do problema. Este processo não exige, no entanto, que o
operador siga um plano predefinido como acontece em outros sistemas. A comparação
deste modelo mental com o modelo funcional da tarefa, obtido a partir dos Peritos do
domínio, permite obter o diagnóstico cognitivo do estado de conhecimento do operador.
A origem do comportamento inteligente do sistema de treino reside na capacidade em
obter e utilizar este diagnóstico para conduzir o operador.
Relativamente à modelação do operador, é utilizado um mecanismo de
representação da incerteza sobre o nível de conhecimento do operador, através de
vectores de crença tendo como base o uso de raciocínio difuso. Por exemplo, o vector de
crença F=(0.0; 0.2; 0.6; 0.2; 0.0) pode significar que os conhecimentos do operador
sobre um dado conceito têm 20% de possibilidades de serem poucos, 60% de
possibilidades de serem suficientes e 20% de possibilidades de serem bons. O primeiro e
último elementos do vector indicam que a possibilidade do nível de conhecimento do
operador ser muito fraco ou muito bom é nula. Apesar do vector de crença usado para
representar as variáveis do modelo fornecer mais informação acerca do nível de
conhecimento do operador, o tutor transforma o vector num valor escalar para uso nos
seus cálculos. A determinação do valor do vector F (E(F)) é baseada no nível de
conhecimento médio (mi) que caracteriza cada uma das classes representadas no vector
e na possibilidade (fi) do nível de conhecimento do operador ser caracterizado por cada
uma das classes, de acordo com a seguinte fórmula:
Foi ainda implementado um mecanismo de actualização das variáveis do modelo do
operador considerando taxas de actualização e vectores de alcance, variando estes
últimos em função do nível médio de conhecimento do operador, podendo tal variação
ser tomada no sentido positivo ou negativo. Outro contributo deste trabalho reside na
forma utilizada para identificar os níveis de dificuldade dos problemas [Faria, 2002]. A
caracterização do grau de dificuldade dos problemas a apresentar ao operador é baseada
Tutores Inteligentes
84
nas características que os tornem mais complexos ou que requeiram maior perícia:
número de incidentes envolvidos, número de tipos de incidentes e existência de inversão
cronológica nas mensagens SCADA. O diagrama apresentado na Figura 7-5 ilustra a
primeira fase do processo usado pelo módulo de planeamento e instrução para
seleccionar o problema a apresentar ao operador e que consiste na identificação dos
parâmetros que deverão integrar o problema.
Figura 7-5 Ilustração da fase 1 do mecanismo de selecção de problemas
O mecanismo para classificar a adequação dos tipos de incidentes ao modelo do
utilizador com base em redes neuronais, como a que aparece na Figura 7-6, é outro dos
contributos deste trabalho.
Implementação
85
Figura 7-6 Mecanismo de classificação de tipos de incidentes
O método usado para selecção de problemas garante que a sequência de tipos de
problemas não é monótona, permitindo que se passe para um novo tipo de problemas
sem que se tenha atingido o nível de conhecimento máximo relativamente ao tipo de
problema anterior. Este é outro dos contributos originais deste trabalho.
Tutores Inteligentes
86
Exemplo 7.1.2-2 Evolução do nível de conhecimento sobre os conceitos do domínio em
função dos incidentes apresentados numa sequência de problemas
Implementação
87
A abordagem adoptada neste trabalho para implementar o mecanismo de interacção
entre o operador e o sistema de treino baseia-se na utilização de tabelas de predição
[Faria, 2001b]. Esta forma de interacção cria um ambiente que permite ao operador
resolver os problemas que lhe são propostos e permite-lhe, ainda, mostrar a sua análise
Tutores Inteligentes
88
ao tutor para que este possa verificá-la e oferecer ajuda. A situação representada pelo
conteúdo da tabela da Figura 7-7 diz respeito à ocorrência de um disparo de disjuntor na
subestação de Ermesinde (SED). Esta situação é caracterizada por um conjunto de
mensagens SCADA, sendo o subconjunto de mensagens relevantes para a obtenção do
diagnóstico, o seguinte:
06-SEP-2001 08:24:45.200 SED 622 SVM, 1 >> DISPARO 01
06-SEP-2001 08:24:45.240 SED 622 SVM, 1 -DJ DISJUNTOR
00
06-SEP-2001 08:24:45.410 SED 622 SVM, 1 -DJ DISJUNTOR 10
Figura 7-7 Tabela de Predição
Implementação
89
A modelação dos padrões de erro serve para dividir os erros por padrão. A cada
padrão de erro corresponde a um tipo de erro cometido no preenchimento das tabelas de
predição. Os padrões de erro encontram-se agrupados em função do tipo e entrada a que
se referem. Na Figura 7-8 estão representadas as categorias que são consideradas.
Figura 7-8 Categorias de padrões de erro
Cada padrão de erro é constituído por um conjunto de nove atributos. Um exemplo
de um tipo de erro que pode ocorrer pode ser representado da seguinte forma:
Perante esta situação, se o aluno introduzir a
premissa (5) antes de introduzir a premissa (1), será
detectado um erro do tipo 7. Se o aluno introduzir nem
primeiro lugar a premissa (1) e logo de seguida tentar
introduzir a premissa (5) será detectado um erro do tipo
6 (repetição de premissa).
Tutores Inteligentes
90
Exemplo 7.1.2-3 Categoria de Padrões de Erro de Premissas do Tipo 1 (Mensagens SCADA
e Conclusões Intermédias)
Outro contributo original reside no uso de um modelo probabilístico que permite a
inferência das intenções do aluno na especificação das relações temporais.
Finalmente, as ferramentas que permitem a geração e edição de cenários de treino
[Faria, 2000b; Faria, 2000c] são vitais para o sucesso deste tipo de sistemas, visto que a
sua utilização efectiva depende, em grande medida, dos requisitos em termos de esforço
e de tempo necessários para as tarefas de geração e manutenção das sessões de treino.
Implementação
91
Na Figura 7-9, onde se apresenta o aspecto geral da interface com o utilizador do
Gerador Cenários Treino, podem ver-se as opções de configuração da aplicação.
Figura 7-9 Interface com o utilizador do Gerador Cenários Treino
Os cenários de treino gerados pela aplicação Gerador Cenários Treino correspondem
a casos reais de incidentes ocorridos na rede e registados num histórico de incidentes. No
entanto, existe a necessidade de preparar os operadores para outras possíveis situações
de incidente que não tenham ainda ocorrido ou sejam pouco comuns e nunca tenham
sido registadas [Faria, 2000b; Faria, 2000c]. Surgiu, assim, a necessidade de uma
Tutores Inteligentes
92
aplicação capaz de gerar tais casos ou de adaptar casos existentes, permitindo obter
novos casos que não poderiam ser gerados de forma automática pela aplicação Gerador
Cenários Treino.
A aplicação, denominada Editor de Cenários de Treino e desenvolvida em PROLOG,
permite criar novos cenários de treino ou alterar cenários já existentes.
Após a definição do conjunto de incidentes que compõem o cenário de treino, a
aplicação gera as mensagens de alarme que correspondem a cada um dos incidentes.
O conhecimento que permite definir o conjunto de mensagens de alarme para cada
tipo de incidente está representado através de factos PROLOG, como se mostra no
exemplo 7.1.2-4:
Exemplo 7.1.2-4 Facto PROLOG com uma mensagem de alarme para um incidente
O facto apresentado no exemplo contém 3 argumentos: uma lista de nomes pelos
quais um incidente é identificado, uma lista com a definição de cada uma das mensagens
que compõem o incidente e, finalmente, uma lista contendo as restrições temporais entre
os instantes das várias mensagens de alarme. Os elementos da lista de mensagens de
alarme são estruturas cujos elementos definem o tipo de mensagem, o instante da
mensagem, o início e o fim do intervalo que conterá o instante da mensagem e a
probabilidade da mensagem.
Implementação
93
A Figura 7-10 apresenta o aspecto geral da interface com o utilizador do Editor
Cenários Treino.
Figura 7-10 Interface com o utilizador do Editor Cenários Treino
7.2 Sistema de Treino de Operadores para reposição do serviço na Rede Eléctrica Nacional
Este trabalho foi desenvolvido com o objectivo de treinar operadores de centros de
controlo e condução de redes eléctricas para reposição do serviço [Silva, 2004].
Num sistema de energia típico estão presentes várias entidades exercendo e
responsabilizando-se por uma parte do sistema.
Há que assegurar uma cooperação e coordenação entre a geração, a transmissão e
a distribuição, principalmente quando se lida com tarefas relacionadas com sistemas de
restauração de energia.
Tutores Inteligentes
94
Os programas de treino de operadores de sistemas de energia devem ter em conta
essa exigência, proporcionando um ambiente de treino adequado, onde as capacidades
exigidas são desenvolvidas de uma forma realista.
Os sistemas Tutores Inteligentes podem ser uma alternativa fiável e flexível para os
treinos simulados das redes eléctricas. Uma arquitectura Multi-Agente surge como uma
forma natural de organizar o treino tutor.
Na ausência de um simulador totalmente desenvolvido, e com o intuito de
proporcionar um ambiente realista com capacidade de simulação leve, devem estar
presentes no sistema, Tutores Inteligentes, preparados especificamente para a aquisição
de técnicas e procedimentos para a restauração de energia.
7.2.1 Arquitectura do sistema Quando ocorre um incidente na rede, o sistema é reposto pelo operador. Este por
sua vez segue um conjunto de passos que o ajudam a corrigir o incidente ocorrido.
O sistema é baseado na interacção de vários agentes, cada um representa uma das
quatro entidades presentes no processo do sistema de restauração de energia. Por sua
vez, cada entidade é responsável por diferentes partes na rede. As entidades são
caracterizadas da seguinte forma:
Centro de Controlo (C.C.) – responsável pela geração de energia e
propagação de tensão;
Centro de Operação (C.O.) – controla a transmissão na rede;
Centro de Controlo Hídrico (Hidro) – responsável pelo controlo remoto das
estações hídricas;
Centro Distribuição (EDIS) – controla a distribuição da rede eléctrica.
O processo de restauração do incidente é condicionado por estas entidades. Este
processo requer uma frequente negociação entre as entidades e um acordo nas acções a
serem tomadas.
Implementação
95
A arquitectura do sistema é baseada na interacção dos diversos agentes com as
entidades presentes no processo de reposição do sistema.
Figura 7-11 Arquitectura do sistema para reposição de serviço
O conhecimento do domínio que o tutor apresenta é a modelação baseada em
restrições.
Na Figura 7-11 é apresentada a interface do tutor para reposição do serviço. É
composta por uma estrutura com as diferentes estações de energia interligadas entre si.
O operador (aluno) vai interagindo com o sistema, fazendo as alterações necessárias de
forma a corrigir o problema.
Tutores Inteligentes
96
Figura 7-12 Interface com o utilizador para reposição de serviço
Este sistema em conjunto com o apresentado na secção 7.1 constituem a base do
projecto APRICOT (Análise de Incidentes e Reposição de Serviço com Treino Inteligente e
Cooperativo de Operadores), recentemente aprovado pela FCT (Fundação para a Ciência
e a Tecnologia) e que decorre no ISEP.
O objectivo deste projecto é o desenvolvimento de Tutores Inteligentes para Treino
de Operadores de Centros de Controlo de Redes Eléctricas, considerando os seguintes
aspectos:
1. O problema da reposição do serviço constitui um problema de planeamento.
As acções envolvidas neste planeamento, quando consideradas isoladamente, não
apresentam um alto nível de dificuldade. Porém, durante a execução destas acções é
necessário efectuar a sua monitorização com o intuito de verificar se os níveis de
Implementação
97
segurança não são ultrapassados. A tarefa de monitorização pode tornar-se
especialmente difícil quando realizada em situações de emergência. Os programas de
treino actuais baseiam-se na utilização de simuladores de redes eléctricas. Apesar
destes sistemas constituírem ferramentas úteis para ilustrar o comportamento das
redes eléctricas, não dispõem de capacidade para modelar o desempenho do aluno.
Por outro lado, não são flexíveis no que diz respeito ao planeamento dos currículos e
na preparação dos cenários de treino. Em alternativa, os Tutores Inteligentes são
ferramentas flexíveis que, quando dotadas de um modelo do utilizador adequado,
podem adaptar-se às necessidades específicas do aluno. Um dos objectivos deste
projecto inclui o desenvolvimento de um módulo de modelação do utilizador que
permita ao tutor fornecer orientação flexível, adaptar o curriculum e a selecção dos
métodos pedagógicos. Este módulo permitirá ainda efectuar a avaliação do trabalho
do aluno.
2. A base de conhecimento utilizada por outros sistemas desenvolvidos nesta
área encontra-se embutida na base de conhecimento de um Sistema Pericial
(SPARSE), utilizado no apoio à obtenção do diagnóstico de incidentes de redes
eléctricas. O conhecimento incluído nesta base de conhecimento apresenta, porém,
algumas limitações importantes quando utilizado com a finalidade de treino: não
contém conhecimento específico acerca das estratégias pedagógicas e a forma como
é representado não se adequa à sua utilização por um Tutor Inteligente. O projecto
incluirá trabalho na área da modelação do conhecimento.
3. A correcta organização do processo de ensino requer uma análise detalhada
do processo de diagnóstico; no âmbito deste projecto pretende-se identificar e
caracterizar as diferentes fases que constituem este processo.
4. Pretende-se também avaliar o mérito de diferentes abordagens para
modelação do aluno, tais como redes bayesianas e técnicas de lógica difusa, bem
como identificar as melhores formas de representação e actualização do
conhecimento contido nestes modelos.
5. O projecto dará especial atenção aos aspectos didácticos do processo de
ensino, tais como:
Tutores Inteligentes
98
a. Selecção e sequenciamento dos problemas a apresentar ao aluno
recorrendo a técnicas de classificação baseadas em redes neuronais
b. Formas de representação do curriculum (incluindo a relação entre tipos
de incidentes e conceitos do domÌnio)
c. Desenvolvimento de um mecanismo de tomada de decisões
pedagógicas
d. Avaliação do progresso do aluno e fornecimento de ajuda baseados na
classificação de erros
6. Neste projecto pretende-se ainda desenvolver formas eficientes de
interacção com o aluno, através da utilização de tabelas de predição e formas
simples de linguagem natural.
7. Os aspectos relacionados com a cooperação entre operadores assim como o
seu comportamento emotivo durante situações críticas serão considerados. Para tal,
será implementado um sistema Multi-Agente que simule a interacção entre
operadores.
7.3 Tutor Inteligente para Treino e Formação de Socorristas – TITFS
Este tutor foi desenvolvido por um aluno no âmbito da disciplina de Sistemas
Periciais da Licenciatura em Engenharia Informática do ISEP.
7.3.1 Objectivos do TITFS O TITFS pretende ser um ensaio de educação para a saúde da população. Tem por
primordial intenção o preenchimento de uma lacuna no conhecimento do indivíduo não-
médico, fornecendo indicações necessárias para cada acção no contacto ocasional com
determinadas situações patológicas.
Este tutor tem os seguintes objectivos práticos:
Permitir uma maior especialização do domínio por parte dos utilizadores
(alunos) e uma formação eficiente;
Implementação
99
Servir de apoio didáctico para os utilizadores (especialistas).
7.3.2 Utilização do TITFS O TITFS pode ser utilizado para os seguintes fins:
Para treino e formação de novos socorristas (em escolas, institutos, etc.);
Para integração numa clínica médica ou hospital (para apoio didáctico);
Para uso pessoal;
Etc.
7.3.3 Interacção com o Perito Ter um conhecimento total de todos os domínios existentes é algo improvável, ou
mesmo impossível. É então necessária a interacção com um Perito no domínio de forma a
obtermos todo o conhecimento desejado.
Na tabela seguinte está um resumo da interacção obtida com o Perito para obtenção
da base de conhecimento deste tutor.
Quadro resumo da interacção com o Perito:
CCaarraacctteerrííssttiiccaass PPeerriittoo
Nome: António Silva
Habilitações Curso de Socorrismo
Bombeiro Voluntário do Porto
Local de Interacção: Casa do Perito
Método utilizado: Directo (Perguntas)
Indirecto (Situações Fictícias)
Tempo: 8 Horas (3h+5h) – 2 sessões
Tutores Inteligentes
100
7.3.4 Processos para aquisição do conhecimento Foi utilizado o método directo como processo principal para adquirir o conhecimento.
Exemplo 7.3.4-1 Engenheiro Conhecimento: “Entre que valores (resp. / minuto) é que
considerámos que uma respiração está acelerada?”
Perito: “Entre 30 a 50 por minuto”;
Foi também utilizado o método indirecto (situações fictícias), levando a que o Perito
descrevesse, sem pormenorizar, as etapas a realizar para poder socorrer o acidentado
Exemplo 7.3.4-2 Engenheiro Conhecimento: “Suponhamos que via uma pessoa no chão,
vítima de afogamento?”
Perito: “Ajudava naturalmente a normalizar a respiração”;
Através, principalmente, do método directo, foi possível adquirir o conhecimento
necessário, no domínio do socorrismo, para criar uma estrutura sólida para o Tutor.
7.3.5 Diagramas do conhecimento adquirido O nosso corpo é constituído por 4 partes importantes, que são:
Aparelho Respiratório;
Aparelho Circulatório;
Aparelho Locomotor;
A Pele.
Na prática estas partes interagem como um todo. Contudo cada uma delas tem uma
estrutura e funcionalidades independentes. Como exemplo, na Figura 7-13 é apresentado
o diagrama do conhecimento adquirido sobre A Pele.
A Pele é a membrana que cobre totalmente a superfície exterior do corpo humano. É
constituída por duas partes distintas a epiderme (parte mais superficial) e a derme (parte
interior da pele).
Implementação
101
rule r55
if 'Pele queimada com cor negra' is included in lista_sintomas_final then
include 'A cor da pele queimada e negra o que indica que se trata de
Carbonizacao (diagnostico muito grave).' in lista_explicacoes and
include 'A vitima apresentava pele queimada de cor negra, conclui-se
Carbonizacao.' in lista_explicacoes2.
Figura 7-13 Diagrama do conhecimento adquirido sobre a pele
Exemplo 7.3.5-1 Regra de Produção utilizada pelo TITFS
7.3.6 Estrutura do Tutor A arquitectura do TITFS é representada como mostra a figura 7-14.
Tutores Inteligentes
102
Figura 7-14 Arquitectura do Tutor Inteligente TITFS
7.3.7 Base de Dados Alunos Existe uma Base de Dados que irá conter factos Prolog para representação da
entidade aluno. Os factos têm a seguinte estrutura:
al(nome, nº de testes, nº de testes certos, nº de testes errados, nível do aluno)
Exemplo 7.3.7-1 O aluno João fez 22 testes dos quais 5 estão certos e 17 errados e está
no nível 0.
al(‘Joao’, 22, 5, 17, 0).
Implementação
103
O interesse desta Base de Dados é de assegurar a situação actual do aluno, para que
este sempre que utilize o Tutor possa ter acesso à sua ficha e confirmar a sua actual taxa
de aproveitamento.
Este ficheiro de dados é posteriormente lido e interpretado pelo Módulo Tutor.
7.3.8 Modelo dos Alunos O nível do aluno vai ser de extrema importância para o Sistema já que dele vai
depender as explicações fornecidas ao aluno, ou seja, consoante o nível do aluno o
sistema vai gerir explicações diferentes numa tentativa de se moldar e adaptar ao
utilizador. Estamos perante um Sistema Auto-Adaptativo.
O modelo do Aluno vai codificar o conhecimento do sistema sobre o aluno, vai
permitir assim:
Evitar ensinar o conhecido;
Adaptar explicações ao aluno;
Não levar o aluno a achar o sistema monótono;
Auto-valorização do aluno confrontando-se com a existência da taxa de
aproveitamento;
Mensagens de incentivo e de aviso, dando ao aluno mais confiança e atenção.
7.3.9 Módulo Tutor Este módulo é responsável por seleccionar a informação a fornecer ao aluno, a forma
como ela será apresentada e o momento dessa apresentação. Este sistema possui 2
estratégias de ensino, ou seja, 2 maneiras diferentes de ensinar a mesma coisa, de modo
a adaptar-se às dificuldades de um aluno específico. As 2 estratégias de ensino são:
Módulo Treino Automático e Módulo Tutor Inteligente.
Tutores Inteligentes
104
Figura 7-15 Ecrã Principal do TITFS
7.3.9.1 Módulo Treino Automático
Este módulo tem como principal objectivo o treino dos socorristas utilizando uma
estrutura constituída por questões que irão simular situações reais. À medida que o
sistema recebe as respostas vai utilizar o mecanismo de encadeamento directo para fazer
novas questões.
O utilizador, neste módulo, apenas responde às questões, podendo no entanto
reflectir sobre as tomadas de decisão do sistema e adquirir certo conhecimento baseado
na dualidade sintoma/diagnóstico.
O output deste módulo é a apresentação do diagnóstico final que foi inteiramente
“calculado” pelo mesmo. Na figura 7-16 temos um exemplo de como funciona o módulo
de treino automático.
Implementação
105
Figura 7-16 Módulo de Treino Automático do TITFS
7.3.9.2 Módulo Tutor Inteligente
Este módulo tem como principal objectivo o treino e formação dos socorristas
utilizando uma estrutura mais ampla e extremamente mais ambiciosa do que a anterior.
O sistema gere aleatoriamente sintomas, que serão observados pelo aluno que irá
seleccionar o diagnóstico adequado. Após o diagnóstico apresentado são geradas
explicações baseadas nos sintomas gerados aleatoriamente. Essas explicações são
geradas com encadeamento directo e estão dependentes do nível de aluno que
actualmente utiliza o sistema, ou seja, o sistema é auto-adaptativo pois irá verificar o
nível de experiência do aluno para de seguida gerar as explicações mais adequadas.
Tutores Inteligentes
106
NNíívveeiiss ddoo AAlluunnoo
NNíívveell 00 NNíívveell 11
Taxa de aproveitamento <75% Taxa de aproveitamento> 75%
Explicações Detalhadas Explicações Básicas
Figura 7-17 Módulo Tutor Inteligente do TITFS
Existe ainda a possibilidade, fornecida pelo Tutor, de verificar quais os primeiros
socorros adequados para o diagnóstico final. Neste caso foi utilizado o encadeamento
inverso para solucionar este “problema”. Na figura 7-18 estão descritos quais os primeiros
socorros a fazer ao acidentado
Implementação
107
Figura 7-18 Primeiros Socorros
No tutor também existe a possibilidade de o aluno estudar quais as técnicas de
socorrismo apropriadas para cada tipo de incidente ocorrido. Na figura 7-19 está um
exemplo de quais as acções a tomar e como as tomar caso seja preciso dar ventilação
boca a boca.
Figura 7-19 Técnicas de Socorrismo no Tutor Inteligente TITFS
Tutores Inteligentes
108
7.4 Sistema Inteligente de Diagnóstico, Formação e Técnicas de Socorrismo – SIDFTS
Este tutor foi desenvolvido por um grupo de dois alunos no âmbito da disciplina de
Sistemas Periciais da Licenciatura em Engenharia Informática do ISEP.
7.4.1 Base de Desenvolvimento Esta aplicação tem como objectivos integrar as vertentes do socorrismo. Estas
vertentes dividem-se em diagnóstico, formação – do ponto de vista do formando e como
ferramenta auxiliar do formador, e técnicas de socorrismo disponibilizadas sob a forma
de um “manual on-line” – mais direccionadas ao indivíduo comum, vulgo leigo.
É evidente que estes módulos integrados têm vantagens e desvantagens,
dependendo do ponto de vista do utilizador.
7.4.2 Objectivos do Sistema Pericial O sistema desenvolvido visa contribuir para a educação cívica do utilizador, numa
flexibilização da aprendizagem e formação, através de um interface simples, quer ao nível
da concepção, quer ao nível de apresentação de informação. Também o conteúdo da
informação apresentada revela um carácter suficientemente sistematizado e objectivo,
que facilita o contacto com o utilizador.
A aplicação pretende preencher uma lacuna, que se prende com a valorização dos
conhecimentos intermédios do indivíduo, através da especialização, informação e
formação.
7.4.2.1 Possibilidades de aplicação
São inúmeras as aplicações de uma ferramenta deste género. Seguidamente, será
apresentado algumas das áreas onde se revela a utilidade da sua existência:
Ferramenta auxiliar de diagnóstico:
o Integrado num computador de bordo em ambulâncias;
Implementação
109
o Em locais de risco, por exemplo, unidades fabris;
Ferramenta de formação:
o À distância;
o Em salas de formação;
o Em bibliotecas das escolas, ou publicas;
o Em casa.
Ferramenta de informação:
o Touch Screens;
o Teletexto de televisões;
o Cabines fixas de Internet, nos mais diversos locais.
7.4.3 Os Peritos Recorreu-se a duas pessoas da área do socorrismo e uma da área de enfermagem,
com experiência no exercício de práticas de primeiros socorros.
CCaarraacctteerrííssttiiccaass PPeerriittoo
Nome: Alexandre Miguel O. da Costa
Habilitações Curso de Socorrismo Avançado Militar
Local de Interacção: Casa do Perito
CCaarraacctteerrííssttiiccaass PPeerriittoo
Nome: António Augusto C. de Oliveira
Habilitações Curso de Socorrismo Avançado Militar
Local de Interacção: Casa do Perito
CCaarraacctteerrííssttiiccaass PPeerriittoo
Nome: Helena Maria P. de Jesus
Habilitações Enfermeira
Local de Interacção: Casa do Perito
Tutores Inteligentes
110
MMaannuuaall IIddeennttiiffiiccaaççããoo
Titulo: Manual de Socorrismo da Cruz Vermelha Portuguesa
7.5 Apresentação da Aplicação Esta aplicação é constituída por três módulos:
Diagnóstico;
Formação;
Informação.
7.5.1 Módulo de diagnóstico Este módulo tem como objectivos permitir a determinação de diagnóstico de forma
rápida e clara e armazenar esses diagnósticos. Tem as seguintes funcionalidades:
Permite ao utilizador definir os Peritos que vão utilizar o sistema;
Possibilita definir pacientes;
Cada Perito pode apenas aceder aos seus pacientes;
Cada Perito está sujeito a autenticação;
Rápida definição de sintomas gerais com validação mínima;
Detecção de diagnósticos e tratamento mais específicos;
Permite visualizar o passado clínico do paciente;
Armazenamento de Peritos e pacientes no disco.
O primeiro ecrã do diagnóstico permite visualizar ou inserir informação relacionada
com os Peritos e os pacientes.
Na Figura 7-20 podemos ver a interface do primeiro ecrã de diagnóstico.
Implementação
111
Figura 7-20 Primeiro ecrã do diagnóstico do SIDFTS
O segundo ecrã do diagnóstico permite definir os sintomas mais gerais que dão
origem aos respectivos diagnósticos. Como se pode verificar observando a Figura 7-21
existem parâmetros que se activam ou desactivam conforme a selecção do utilizador
permitindo uma validação mínima. A partir deste passo pode-se obter um ou vários
diagnósticos gerais, esta aplicação possibilita a obtenção de diagnósticos simultâneos.
Figura 7-21 Segundo ecrã do diagnóstico do SIDFTS
Tutores Inteligentes
112
No terceiro e último ecrã do diagnóstico obtemos o resultado da especificação dos
sintomas, ou seja, o diagnóstico geral. Se esse diagnóstico permitir detalhar mais o
tratamento então será facultado ao utilizador a escolha através das comboboxes de um
tratamento/diagnóstico mais específico. Também se pode visualizar os dados do paciente
e o seu historial clínico.
Figura 7-22 Terceiro ecrã do diagnóstico do SIDFTS
7.5.2 Módulo de Formação Este módulo tem como objectivos formar os utilizadores na área do socorrismo, e
facilitar-lhes a visualização dos resultados obtidos dos testes e sua correcção. Tem as
seguintes funcionalidades:
Permite ao utilizador definir os formandos;
Possibilita a parametrização dos testes;
Cada formador pode aceder apenas aos seus resultados estatísticos;
Permite a visualização de estatísticas;
Disponibiliza a correcção dos testes;
Indica de forma inteligente em que áreas o utilizador deve fazer mais testes;
Aconselha o utilizador a fazer testes em determinadas áreas conforme o
aproveitamento.
Implementação
113
7.5.3 Módulo de Informação Este módulo tem como objectivos facultar toda a informação necessária para ajudar
o utilizador a formar-se e informar-se, assim como, satisfazer as curiosidades de
utilizadores ocasionais. Tem as seguintes funcionalidades:
Permite ao utilizador navegar na informação de forma prática;
Possibilita aceder à informação através de índices;
Possui um conjunto de informação bastante completa e coerente.
Figura 7-23 Funcionamento Interno do Tutor SIDFTS
115
8 Implementação
8.1 Sistema Inteligente de Mecânica Automóvel – SIMA
8.1.1 Introdução Este capítulo visa descrever o funcionamento e o desenvolvimento de um trabalho
que consiste num Tutor Inteligente na área da Mecânica Automóvel que foi desenvolvido
para uma melhor sedimentação dos conhecimentos sobre Tutores Inteligentes.
Irei começar por apresentar a forma como foi obtido o conhecimento necessário para
a realização do sistema, bem como apresentar a base de conhecimento obtida. Após essa
apresentação é descrito o funcionamento do sistema seguindo-se depois algumas
questões gerais relativas ao seu desenvolvimento.
No final menciono algumas das dificuldades encontradas no desenvolvimento do
trabalho, as conclusões tiradas e ainda a bibliografia consultada.
8.1.2 Obtenção do Conhecimento Para o desenvolvimento deste trabalho utilizei como base de conhecimento, uma que
tinha sido desenvolvida por um grupo de alunos no âmbito da disciplina de Sistemas
Periciais.
Os alunos desenvolveram um Sistema Pericial na área de Mecânica Automóvel. Com
base no conhecimento obtido por eles, desenvolvi um tutor inteligente capaz de ajudar os
alunos a adquirir o conhecimento necessário nessa área.
O conhecimento foi obtido recorrendo a um Perito no âmbito da Mecânica
Automóvel. Nas secções seguintes vou fazer uma breve descrição de como foi obtido o
conhecimento pelo grupo de alunos para o desenvolvimento do Sistema Pericial.
Tutores Inteligentes
116
8.1.2.1 Perito
O Perito chama-se Pedro Miguel Santos Costa e trabalha nas oficinas da
Fiat/Lancia/Alfa Romeo em Santo Tirso onde desempenha a função de Chefe de
Mecânicos.
A escolha deste Perito deveu-se a dois factores:
O Perito era conhecido deles pelo que se tornou mais fácil o contacto com ele e
maior a sua disponibilidade;
O Perito estava já familiarizado com a tecnologia de Sistemas Periciais visto
utilizar no seu trabalho um Sistema Pericial desenvolvido para os centros de
reparação Fiat/Lancia/Alfa Romeo designado de IDEA (Integrated Diagnostic
Expert Assistant System). Este sistema, que já tinha sido abordado nas aulas
de Sistemas Periciais, tem por objectivo a realização de diagnósticos de avarias
em subsistemas electrónicos dos automóveis [Sanseverino, 1997].
8.1.2.2 Sessões de Aquisição de Conhecimento
A aquisição de conhecimento foi feita através do método de entrevista. No total
foram realizadas cinco entrevistas.
Estas entrevistas tiveram como objectivo a aquisição de conhecimento sobre o tema.
Ao longo das entrevistas o Perito identificou e descreveu as principais avarias no que
respeita à Mecânica Automóvel. Para tal indicou quais os sintomas apresentados, as
avarias associadas, e a solução para a avaria.
No Anexo A apresenta-se a base de conhecimento obtida, aparecendo sob a forma
de tabela os componentes automóveis, quais os sintomas de avaria que podem
apresentar, as possíveis avarias para esse sintoma e ainda a solução correspondente para
a avaria detectada.
Implementação
117
8.1.3 Funcionamento De seguida é apresentado o funcionamento do Tutor Inteligente desenvolvido no
âmbito deste projecto e é feita uma abordagem ao Sistema Pericial já desenvolvido.
A aplicação do SIMA é constituída por um Sistema Pericial e um Tutor Inteligente.
Convém no entanto referir que além destes dois componentes existe ainda um
Glossário dos termos utilizados no âmbito da Mecânica Automóvel.
No menu principal o utilizador pode seleccionar uma das seguintes opções:
Tutor Inteligente;
Sistema Pericial;
Glossário.
Na Figura 8-1 é apresentada a interface do primeiro ecrã, do Sistema Inteligente de
Mecânica Automóvel – SIMA
Figura 8-1 Interface Principal do SIMA
Tutores Inteligentes
118
8.1.3.1 Sistema Pericial
Como já tinha referido esta parte tinha sido desenvolvida por um grupo de alunos.
Contudo, fiz algumas alterações, principalmente ao nível da interface para que esta
ficasse homogénea à do Tutor Inteligente desenvolvida por mim agora na fase de
implementação do meu projecto.
Quando se selecciona a opção Sistema Pericial na janela principal da aplicação, é
apresentado ao utilizador um ecrã onde este pode seleccionar o sintoma e a avaria,
sendo-lhe depois apresentada a solução para essa avaria.
Na Figura 8-2 temos o ecrã que é apresentado ao utilizador quando este selecciona a
opção Sistema Pericial existente na janela principal da aplicação.
Figura 8-2 Ecrã do Sistema Pericial do SIMA
No ecrã apresentado anteriormente existe ainda a possibilidade do utilizador
questionar o Sistema Pericial quanto à forma como chegou à conclusão tirada.
Relativamente ao Sintoma da viatura apresentado na Figura 8-2 a conclusão do
Sistema Pericial foi tirada com base nos argumentos da Figura 8-3.
Implementação
119
Figura 8-3 Ecrã onde o Sistema Pericial justifica a conclusão tirada
8.1.3.2 Tutor Inteligente
Quando se selecciona a opção Tutor Inteligente na janela principal da aplicação, o
primeiro passo é criar um novo aluno ou seleccionar um já existente, aparecendo o ecrã
da Figura 8-4.
Figura 8-4 Seleccionar ou criar novo aluno para o Tutor Inteligente
Tutores Inteligentes
120
Se a opção escolhida pelo aluno for Aluno Existente aparecerá o ecrã da Figura 8-5.
Figura 8-5 Seleccionar aluno a utilizar o Tutor Inteligente
Se a opção escolhida pelo aluno for Novo Aluno aparecerá o ecrã da Figura 8-6.
Figura 8-6 Inserir novo aluno a utilizar o Tutor Inteligente
Implementação
121
De seguida é apresentado um menu com os vários componentes (ou tópicos de
estudo) do automóvel.
Figura 8-7 Ecrã com os vários componentes do automóvel
Após a selecção de um desses componentes é mostrado um novo ecrã, que pode ser
considerado como o principal do Tutor Inteligente. Neste ecrã são apresentados, além
dos dados do aluno e suas estatísticas, um sintoma e avaria gerados aleatoriamente,
tendo depois o aluno que seleccionar de entre uma lista de possíveis respostas, qual a
solução correcta para a avaria. Após o aluno dar a resposta o sistema indica se esta está
correcta ou não, e caso não esteja, indica a solução correcta. O aluno pode ainda, caso
assim deseje, gravar as estatísticas da sessão de treino.
Para poder testar o funcionamento do módulo Tutor pedi a algumas pessoas que
utilizassem o SIMA de modo a obter as minhas estatísticas. O Tutor foi utilizado por
Tutores Inteligentes
122
pessoas com experiência no ramo da Mecânica Automóvel, e por pessoas que não tinham
nenhum conhecimento nesta área.
Perante estes dois níveis de alunos, consegui concluir que um aluno que possui um
nível de experiência mais elevado consegue obter uma maior taxa de aproveitamento,
como já era de prever.
No entanto, também consegui concluir que um aluno que possua um nível de
experiência reduzido, também pode obter uma boa taxa de aproveitamento à medida que
vai utilizando a aplicação, pois com a utilização do tutor o aluno vai aumentado o seu
nível de conhecimento e vai aprendendo a lidar com novas situações que surgem.
Na Figura 8-8 está um exemplo do ecrã principal do Tutor Inteligente que surge ao
utilizador.
Figura 8-8 Ecrã Principal do Tutor Inteligente
Implementação
123
8.1.3.3 Glossário
Ainda existe a opção Glossário existente no primeiro ecrã da aplicação. Esta opção
permite ajudar o aluno saber o significado de alguns termos desconhecidos.
Na Figura 8-9 é apresentado o ecrã relativamente ao Glossário. O aluno pode
seleccionar o termo sobre o qual pretende saber o significado, clicando no botão Novo
Termo e seleccionando o termo respectivo.
Figura 8-9 Ecrã do Glossário
8.1.4 Desenvolvimento Tal como fiz com a descrição do funcionamento do meu trabalho, também aqui
apresento de forma geral algumas questões relativas ao desenvolvimento do trabalho
dividindo-as nas suas duas principais componentes: Tutor Inteligente e Sistema Pericial.
8.1.4.1 Sistema Pericial
O mecanismo de inferência utilizado foi o de Encadeamento Directo.
O conhecimento foi representado sob a forma de grupos (groups) e regras (rules).
No Exemplo 8.1.4-1 é apresentado um tipo de grupo e regra utilizados no Sistema
Pericial.
Tutores Inteligentes
124
rule r43
if
escolher_sintomas is 'O motor continua a trabalhar após ter sido desligada a ignição' and
escolhe_avaria_9 is 'Sobreaquecimento do motor'
then
componente becomes 'Comportamento do Motor' and
avarias becomes 'Sobreaquecimento do motor' and
solucao becomes 'Verificar o ponto do motor, o sistema de arrefecimento,
a afinação do carburador, a tensão da correia da
ventoinha e o termostato' and
estado becomes com_solucao.
group g_avaria1_9
'Sobreaquecimento do motor',
'Sobreaquecimento das velas',
'Pontos quentes no interior das câmaras de explosão',
'Folga de válvulas alterada',
'Fuga de ar no colector de admissão'.
Exemplo 8.1.4-1 Grupo utilizado no Sistema Pericial
Exemplo 8.1.4-2 Regra utilizada no Sistema Pericial
8.1.4.2 Tutor Inteligente
Reparti o conhecimento por tópicos uma vez que estes são já por si próprios
bastante extensos. O conhecimento dentro de cada tópico foi representado sob a forma
de listas. Para cada tópico criei uma action, e dentro de cada uma dessas actions criei
três listas: uma para os sintomas, outra para as avarias, e ainda outra para as soluções. É
Implementação
125
action corr_alt
do
tmp becomes 'corr_alt' and
flag_open becomes 1 and
janela_principal2 and
show_dialog(janela_principal2).
de referir que a base de conhecimento em memória em cada instante é apenas referente
ao tópico a ser usado no momento.
Gero aleatoriamente um número entre 1 e o tamanho da lista do tópico, e daí
obtém-se o sintoma, avaria e solução verificando qual a posição correspondente ao
número aleatório em cada uma das três referidas listas.
Quando o aluno seleccionar uma resposta, a sua resposta é comparada com a
solução real.
Para o desenvolvimento deste Tutor Inteligente tive como base para obter ideias de
implementação o Tutor Inteligente para Treino e Formação de Socorristas – TITFS já
apresentado anteriormente no capítulo 7. Nos Exemplos 8.1.4-3 e 8.1.4-4 são
apresentados alguns exemplos da criação de listas para cada action relativos ao
componente Corrente Alterna.
Exemplo 8.1.4-3 Action de um dos tópicos apresentados
Tutores Inteligentes
126
action cria_listas_corr_alt
do
l1 becomes
{{'Correia pouco esticada ou partida'},
{'Correia Partida'},
{'Ligações desapertadas'}}
and
r1 becomes
{'Ajustar a correia',
'Substituir a correia',
'Verificar e apertar todas as ligações. O motor deverá estar parado (ignição
desligada) enquanto se procede a estas operações'}
and
r2 become
{'O alternador não carrega',
'O alternador não carrega',
'O alternador não carrega'}
and
% Gerar Aleatoriamente
Exemplo 8.1.4-4 Criação de listas: uma para sintomas, outra para avarias e outra para as
soluções
127
9 Novas Abordagens para os Tutores
Inteligentes
9.1 Sistemas Multi – Agente Em função do desenvolvimento da Inteligência Artificial distribuída, e a crescente
investigação em Sistemas Multi – Agentes, a tecnologia de agentes passou a ser
adoptada como uma alternativa para projectar os Tutores Inteligentes.
Segundo [Costa, 2002] e [Giraffa, 1999], a razão fundamental para modelar um
Tutor Inteligente com uma arquitectura multi – agente é pela capacidade de comunicação
e interacção. Os agentes podem adaptar-se e aprender durante uma sessão.
[SILVEIRA, 2000] considera que a utilização de sociedades baseadas em agentes
está a ser consolidada como uma alternativa apropriada para o projecto de Tutor
Inteligente. Existem diferentes abordagens da utilização de agentes em Tutores
Inteligentes. Segundo [Giraffa, 1998], os agentes desenvolvidos para ambientes de
ensino recebem o nome de agentes pedagógicos.
9.2 Sistemas de Apoio ao Trabalho Cooperativo e em grupo
A partir da necessidade de se avaliar o comportamento de grupos ao desempenhar
uma actividade, começou a pesquisa por ambientes que suportassem o trabalho
cooperativo, surgindo assim dois conceitos importantes:
CSCW (Computer Supported Cooperative Work): Trabalho cooperativo
auxiliado por computador), refere-se a um grupo de pessoas que trabalham em
conjunto num produto, numa área de pesquisa ou académica com o auxílio de
Tutores Inteligentes
128
computadores, permitindo actividades de interacção entre os seus
componentes.
Groupware: simboliza todo o hardware e software desenvolvido para suportar
o CSCW [Guimarães, 1999; Trevelin, 1999].
Neste tipo de sistemas, estando vários alunos envolvidos no processo de ensino-
aprendizagem, com níveis de conhecimento distintos, o desenvolvimento do Tutor
Inteligente poderá tornar-se mais simples uma vez que, a instrução não necessita de ser
perfeita. No caso de algum aluno necessitar de ajuda numa matéria, outro aluno poderá
intervir ajudando-o sem que haja necessidade do tutor intervir.
Nos sistemas cooperativos de ensino vários tipos de agentes são utilizados para
simular diferentes tipos de parcerias envolvidas no processo de ensino. Os tipos de
agentes mais usados na implementação destas parcerias denominam-se perturbador
(troublemaker) e colega de estudo (learning companion).
Nos sistemas integrados pelo agente perturbador, as questões colocadas pelo tutor
podem ser respondidas pelo aluno e pelo agente perturbador. As respostas geradas pelo
agente perturbador tanto podem estar certas como erradas. A sua reacção pode dar-se
antes ou depois da resposta do aluno, ou pode até decidir não responder. Esta estratégia
pretende aumentar a confiança do aluno [Frasson, 1996b].
O agente denominado colega de estudo é um agente adicional integrado
num Tutor Inteligente que tem como função colaborar, ensinar, competir ou
ser ensinado pelo aluno [Ragnemalm, 1996a].
9.3 Ferramentas para o Desenvolvimento de Tutores Inteligentes
O desenvolvimento de sistemas de ensino é um processo difícil, repetitivo e lento,
torna-se necessário automatizá-lo totalmente ou, pelo menos, parcialmente.
À medida que vão existindo mais alunos a receberem instrução através do
computador, a importância do processo de desenvolvimento ser mais rápido e sistemático
torna-se mais evidente.
Novas Abordagens para os Tutores Inteligentes
129
Segundo [Costa, 1998], as ferramentas para desenvolvimento de Tutores
Inteligentes, denominadas authoring tools, podem acelerar o desenvolvimento de Tutores
Inteligentes e reduzir os respectivos custos, fornecendo um ambiente de desenvolvimento
que permita projectar e implementar sistemas educativos de forma relativamente simples.
Contudo, e apesar de já existirem vários protótipos, não existe consenso quanto aos
mecanismos ou interfaces que estas ferramentas devem disponibilizar.
De uma forma geral, as ferramentas de desenvolvimento de Tutores Inteligentes
devem obedecer aos seguintes requisitos:
Facilitar o desenvolvimento de ambientes de aprendizagem completos do ponto
de vista pedagógico;
Constituir um ambiente de fácil utilização, sem exigir aos autores grande
esforço de treino ou conhecimentos profundos de programação;
Fornecer meios para o rápido desenvolvimento de protótipos de ambientes de
aprendizagem, permitindo aos autores projectar, implementar e testar os seus
sistemas de forma rápida e eficiente;
Permitir a reutilização de componentes de modo a promover o desenvolvimento
de ITS de forma flexível e com custo reduzidos.
O desenvolvimento destas ferramentas deve estar relacionado com a natureza dos
utilizadores que as vão usar. Uma vez que os seus utilizadores podem ter conhecimentos
em diferentes áreas, tais como projecto pedagógico, programação, engenharia do
conhecimento, entre outras, será difícil obter ferramentas que sejam adequadas a todos
os tipos de utilizadores.
Tutores Inteligentes
130
9.4 Modelo Genérico de Negociação Aplicado a Sistemas Tutores Inteligentes
9.4.1 Introdução A Internet e a Web têm sido bastante utilizadas em aplicações de Comércio
Electrónico e Educação à Distância. Prestações de serviços pela Internet estão
directamente relacionadas a negociações entre o sistema provedor de um determinado
produto ou serviço e o utilizador.
9.4.2 Processo de Interacção entre o sistema tutor e
o aluno A interacção entre um Tutor Inteligente e o aluno dá-se em diferentes níveis,
devendo ser conduzida pelos critérios de satisfação do aluno em relação aos resultados
efectivos esperados com a realização do curso. Tal interacção compreende duas etapas
principais: a etapa da constituição da proposta de curso que envolve as fases de
Contextualização e de Negociação e a etapa de cumprimento da proposta definida que é
composta pelas fases de Realização e Avaliação.
9.4.3 Modelo genérico de negociação A base de qualquer negociação é a comunicação, pois é através desta que se dá a
troca de informações entre as entidades envolvidas.
A comunicação entre o tutor e o aluno é a essência de todo processo de
ensino/aprendizagem, estando directamente relacionada à qualidade da aprendizagem,
visto que a eficiência do ensino depende do apoio adequado ao aluno, e este, por sua
vez, está intimamente relacionado com a comunicação.
No processo de negociação é importante que seja estabelecida uma conversação,
entre as partes envolvidas, no sentido de levantar características do perfil do aluno,
principalmente relacionadas com os seus antecedentes, aspirações e planos para o futuro.
131
10 Conclusão
Apesar das vantagens presentes no treino oferecido pelos tutores inteligentes, este
tipo de aplicações não tem sido utilizado em grande escala. Uma das razões para a
profusão limitada destas aplicações prende-se com a dificuldade de desenvolvimento de
aplicações baseadas em conhecimento. A construção de um tutor inteligente é uma tarefa
individualizada, que depende do modelo do domínio e do modelo de alunos. No caso do
modelo do domínio, a sua base de conhecimento é específica e difícil de ser reutilizada
em outros domínios. A implementação do modelo dos alunos apresenta-se como sendo
uma tarefa exigente, pois a representação do conhecimento do aluno a cada momento do
processo de aprendizagem é ainda complexa.
No entanto, existem vantagens dos Tutores Inteligentes face ao Ensino à Distância
Convencional.
Nos sistemas CAI o aluno é representado por informação não processada e não
estruturada, como por exemplo através de resultados quantitativos de testes ou
avaliações binárias das suas respostas. Esta informação é usada pelo sistema para
seleccionar um percurso pré-programado através do conhecimento do domínio entre os
vários possíveis. A informação não suporta qualquer inferência complexa acerca do
estado presente do aluno.
No caso dos Tutores Inteligentes, a maioria dos modelos do aluno mantêm o
conhecimento que o aluno detém ou as concepções erradas do aluno acerca do domínio
através de diferentes formalismos. Neste tipo de ensino existe a modelação do domínio
que faz com que haja consciência automática do tema ensinado, também existe uma
modelação do aluno que condiciona as estratégias pedagógicas.
Com a constante necessidade de se criar sistemas capazes de nos solucionar os
problemas em tempo real e de se poder adaptar a diferentes situações de acordo com o
tipo de problema, existiu a necessidade da evolução de um sistema pericial para um
Tutor Inteligente.
Tutores Inteligentes
132
Um Sistema Pericial tem desvantagens que o impossibilita de se tornar um sistema
eficaz em situações de, por exemplo, emergência. Nestas situações o perito terá de dar
uma resposta firme e em pouco tempo (tempo real) o que às vezes se torna complicado
em certos domínios. Uma pessoa não perita no domínio necessitava de responder a várias
questões do sistema para chegar à conclusão final, além da perda de tempo ainda existe
o incómodo de ser preciso ter equipamento informático instalado com o Sistema Pericial,
o que implica por vezes, o transporte do equipamento para se poder actuar em diversos
locais.
Com as limitações dos Sistemas Periciais foram então desenvolvidos os Tutores
Inteligentes. Uma das vantagens que levou ao desenvolvimento dos Tutores Inteligentes
foi a facilidade na evolução de um Sistema Pericial para um Tutor Inteligente, visto o
conhecimento já estar adquirido e representado.
O propósito dos Tutores Inteligentes é o de criar um sistema que possa não só
dispor de informação sobre aquilo que o aluno sabe, mas também sobre o próprio
conhecimento do sistema, e sobre como transmitir o conhecimento do domínio
armazenado na sua base de conhecimento.
Além disso os Tutores Inteligentes permitem o treino individualizado e proporcionam
um ensino que pode-se adaptar dinamicamente ao aluno, às suas preferências, ao seu
ritmo de aprendizagem e sobretudo ao seu nível de conhecimento.
Em função do desenvolvimento da Inteligência Artificial distribuída, e a crescente
investigação em Sistemas Multi – Agente, a tecnologia de agentes passou a ser adoptada
como uma alternativa para projectar os Tutores Inteligentes. [SILVEIRA, 2000] considera
que a utilização de sociedades baseadas em agentes está a ser consolidada como uma
alternativa apropriada para o projecto de Tutor Inteligente. A razão fundamental para
modelar um Tutor Inteligente segundo uma arquitectura Multi – Agente reside na
capacidade de comunicação e interacção existente. Actualmente as ferramentas
audiovisuais, de comunicação e recursos oferecidas por softwares assistentes, passam a
fazer parte do ambiente de ensino – aprendizagem, contribuindo para o aperfeiçoamento
da aquisição desse mesmo conhecimento.
Conclusão
133
Com a crescente necessidade de os ambientes poderem fornecer a possibilidade de
uma interacção personalizada com os utilizadores, inclui-se um outro requisito importante
referente ao processo de interacção baseado em um modelo de negociação.
Nesse contexto, surgiu a necessidade de se utilizar Sistemas Tutores Inteligentes
baseados em agentes para o desenvolvimento de ambientes de aprendizagem que
adaptem as estratégias de ensino às características específicas de cada aluno, com base
num modelo de negociação, ambientes que estimulem a autonomia do aluno e à sua
participação no processo de aprendizagem. A utilização desses sistemas pode implicar
algumas necessidades próprias da modalidade de ensino a distância, como por exemplo,
o acompanhamento do aluno de acordo com o seu perfil, a possibilidade do aluno actuar
autonomamente e ter a auto-instrução facilitada por um tutor virtual.
Independente do domínio considerado, a negociação consiste no estabelecimento de
um acordo entre um provedor e um cliente, que pode ser iniciado a partir de um pedido
ou de uma oferta, com vistas a atender aos interesses de um e às possibilidades do
outro, ou seja, consiste na condução da negociação, durante a qual as partes envolvidas
se comunicam até chegarem a um acordo. Como exemplo de negociações no ensino
temos as prestações de serviços pela Internet, pois estas estão directamente relacionadas
a negociações entre o sistema provedor de um determinado produto ou serviço e o
utilizador.
A comunicação entre o tutor e o aluno é a essência de todo processo de
ensino/aprendizagem, estando directamente relacionada à qualidade da aprendizagem,
visto que a eficiência do ensino depende do apoio adequado ao aluno, e este, por sua
vez, está intimamente relacionado com a comunicação.
A vida moderna coloca-nos, constantemente, em contacto com situações de maior
gravidade, e, com evidentes prejuízos para o indivíduo e para a sociedade. Com isto, há
necessidade de se criar um Tutor Inteligente com capacidade para ajudar e se adaptar ao
tipo de problema dos indivíduos. Por todos estes motivos foram criados Tutores
Inteligentes mencionados no capítulo 7.
O Tutor Inteligente para o Treino de Operadores de Centros de Controlo e Condução
de Redes de Transporte de Energia Eléctrica, tem por finalidade proporcionar aos
operadores um meio em que eles próprios possam adquirir um modelo mental que lhes
Tutores Inteligentes
134
permita executar as tarefas de diagnóstico de incidentes. Este Tutor foi criado para ser
utilizado por operadores dos Centros de Condução de subestações de Rede Eléctrica
Nacional – REN.
Os Tutores Inteligentes para Treino e Formação de Socorristas pretendem ser um
ensaio de educação para a saúde da população. Tem por primordial intenção o
preenchimento de uma lacuna no conhecimento do indivíduo não médico, fornecendo
indicações necessárias para cada acção no contacto ocasional com determinadas
situações patológicas. Este tipo de Tutores podem ser utilizados para treino e formação
de novos socorristas, para integração numa clínica médica, hospitais ou mesmo até para
uso pessoal.
No Capítulo de Implementação, como âmbito do meu projecto apresentou-se um
Sistema Inteligente de Mecânica Automóvel. Este Sistema Inteligente tem por finalidade
uma ajuda aos utilizadores na área da mecânica automóvel. Pode ser utilizado por
oficinas de automóveis para reparação de veículos e solução dos problemas dos mesmos.
O trabalho de Experimentação e Implementação dos capítulos 7 e 8 permitiram
sedimentar a importância de aspectos nucleares associados aos Tutores Inteligentes, tais
como:
A importância da representação do conhecimento (por exemplo, guiões
implementados por grafos AND/OR faseados no Tutor para análise de
incidentes da REN ou regras no sistema para treino de diagnóstico de avarias
em Automóveis SIMA);
A importância de uma modelação fundamentada do aluno (por exemplo,
modelação com incertezas no Tutor para análise de incidentes da REN, ou o
modelo de aluno do Tutor para ensino de socorrismo TITFS);
A importância da existência de um Sistema Tutorial com Conhecimento
Pedagógico (por exemplo, o módulo do planeamento da instrução do Tutor
para análise de incidentes da REN);
A importância da interacção com o aluno (por exemplo, a interface do Tutor
para apoio à reposição em serviço da REN ou o fornecimento de explicações
dos vários tutores estudados.
Foram ainda observados alguns aspectos interessantes, tais como:
Conclusão
135
O uso da abordagem Multi-Agente (no Tutor para apoio à reposição em serviço
da REN);
A definição do próximo tipo de problema a tratar em função da aprendizagem
dos conceitos por parte do aluno, a definição de padrões de erros; e a geração
dos cenários de treino (no Tutor para análise de incidentes da REN).
137
11 Bibliografia
[Anderson, 1988] Anderson, J. R., “The Expert Module”, em Polson, M. C. e
Richardson, J. J. (Ed.), Foundations of Intelligent Tutoring
Systems, 21-53, Lawrence Erlbaum Associates, Hillsdale, NJ,
1988
[Anderson, 1989] Anderson, J. R., Conrad, F. G. e Corbett, A. T., “Skill Acquisition
and the Lisp Tutor”, Cognitive Science, 13, 467-505, 1989
[Anderson, 1993] Anderson, J. R., “Rules of the Mind”, Lawrence Erlbaum,
Hillsdale, NJ, 1993
[Anderson, 1995] Anderson, J. R., Corbett, A. T., Koedinger, K. R. e Pelletier, R.,
“Cognitive Tutors: Lessons Learned”, The Journal of the
Learning Sciences, vol. 4, n. 2, 167-207, 1995
[Arroyo, 2003] Arroyo, I., Beck, J.E., Beal, C.R., Woolf, B.P., “Learning within
the ZPD with the AnimalWatch Intelligent Tutoring System”,
University of Massachusetts, Amherst, AERA 2003
[Barr, 1976] Barr, A., Beard, M. e Atkinson, R. C., “The Computer as a
Tutorial Laboratory: The Stanford BIP Project”, International
Journal of Man-Machine Studies, 8, 567-596, 1976
[Beal, 2003] Beal, C.R., Woolf, B.P., Arroyo, I., Beck, J.E., “Learning within
the ZPD with the AnimalWatch Iintelligent Tutoring System”,
University of Massachusetts, Amherst, AERA 2003
[Beck, 1996] Beck, J., Stern, M. e Haugsjaa, E., “Applications of AI in
Tutores Inteligentes
138
Education”, Crossroads, The ACM's First Electronic Publication,
http://www.acm.org/crossroads/xrds31/aied.html, 1996
[Beck, 2003] Beck, J.E., Beal, C.R., Woolf, B.P., Arroyo, I., “Learning within
the ZPD with the AnimalWatch Intelligent Tutoring System”,
University of Massachusetts, Amherst, AERA 2003
[Brown, 1975] Brown, J. S., Burton, R. R. e Bell, A. G., “SOPHIE: A Step
Towards a Reactive Learning Environment”, Man-Machine
Studies, vol. 7, 675-696, 1975
[Brown, 1978] Brown, J.S. e Burton, R.R., “Diagnostic Models for Procedural
Bugs in Basic Mathematical Skills”, Cognitive Science, . 2, 155-
191, 1978
[Brown, 1982] Brown, J. S., Burton, R. R. e deKleer, J., “Pedagogical, Natural
Language and Knowledge Engineering Techniques in SOPHIE I,
II and III”, em Sleeman, D. H. e Brown, J. S. (Ed.), Intelligent
Tutoring Systems, 227-282, Academic Press, NY, 1982
[Brown, 1983] Brown, J. S., “Learning By Doing Revisited for Electronic
Learning Environments”, em White, M. A. (Ed.), The Future of
Electronic Learning, Hillsdale, NJ, Lawrence Erlbaum Associates
Publishers, 1983
[Brusilovsky, 1994] Brusilovsky, P. L. e Pesin, L., “ISIS-Tutor: An Intelligent
Learning Environment for CDS/ISIS Users”, em Levonen, J. J. e
Tukianinen, M. T. (Ed.), Proceedings of the Interdisciplinary
Workshop on Complex Learning in Computer Environments,
Joensuu, Finland, 29-33, 1994
[Brusilovsky, 2000] Brusilovsky, P. L., “Adaptive Hypermedia: From Intelligent
Tutoring Systems to Web-Based Education”, em Gauthier, G.,
Bibliografia
139
Frasson, C. e VanLehn, K., Intelligent Tutoring Systems,
Proceedings of the 5th International Conference on Intelligent
Tutoring Systems, Montreal, Canada, Springer-Verlag, 1-7, 19 a
23 de Junho de 2000
[Burns, 1988] Burns, H. L. e Capps, C. G., “Foundations of Intelligent Tutoring
Systems”, em Polson, M. C. e Richardson, J. J. (Ed.),
Foundations of Intelligent Tutoring Systems, 21-53, Lawrence
Erlbaum Associates, Hillsdale, NJ, 1988
[Burton, 1982a] Burton, R. R. e Brown, J. S., “An Investigation of Computer
Coaching for Informal Learning Activities”, em Sleeman, D. e
Brown, J. S. (Ed.), Intelligent Tutoring Systems, 79-98,
Academic Press, NY, 1982
[Burton, 1982b] Burton, R. R., “Diagnosing Bugs in a Simple Procedural Skill”,
em Sleeman, D. e Brown, J. S. (Ed.), Intelligent Tutoring
Systems, 157-184, Academic Press, NY, 1982
[Carbonell, 1970] Carbonell, R., “AI in CAI: An Artificial Intelligence Approach to
Computer Aided Instruction”, IEEE Transactions on Man-
Machine Systems, 11, 4, 190-202, 1970
[Carr, 1977] Carr, B. e Goldstein, I.P., “Overlays: a Theory of Modelling for
Computer Aided Instruction”, AI Memo 406, AI Laboratory,
Massachusetts Institute of Technology, 1977
[Clancey, 1982a] Clancey, W. J., “GUIDON”, em Barr, A. e Feigenbaum, E. A.
(Ed.), The Handbook of Artificial Intelligence, 267-278, William
Kaufmann, Inc., Los Altos, CA, 1982
[Clancey, 1982b] Clancey, W. J., “Tutoring Rules for Guiding a Case Method
Dialog”, em Sleeman, D. H. e Brown, J. S. (Ed.), Intelligent
Tutores Inteligentes
140
Tutoring Systems, 201-225, Academic Press, NY, 1982
[Clancey, 1987] Clancey, W. J., “Intelligent Tutoring Systems: A Tutorial
Survey”, Relatório Técnico n. STAN-CS-87-1174, Stanford
University, Palo Alto, CA, 1987
[Collins, 1991] Collins, A. e Stevens, A. L., “A Cognitive Theory of Inquiry
Teaching”, em Goodyear, P. (Ed.), Teaching Knowledge and
Intelligent Tutoring, 203-230, Norwood, NJ, Ablex Publishing
Corporation, 1991
[Corbett, 2000] Corbett, A. e Trask, H., “Instructional interventions in
computer-based tutoring: Differential impact on learning time
and accuracy”, Proceedings of the 2000 Conference on
Computer Human Interaction, The Hague, Amsterdam, 97-104,
1 a 6 de Abril de 2000
[Costa, 1996] COSTA, E.B.; PERKUSICH, A., Modelling the Cooperative
Interactions in a Teaching/Learning Situation. In Proceedings of
Third International Conference on Intelligent Tutoring Systems
- ITS’96, Montreal, Canadá, 1996
[Costa, 1998] Costa, R., Rocha, A. e Santos, N., ”Questions and Perspectives
on Intelligent Tutoring Systems Development”, 4th World
Congress on Expert Systems – Application of Advanced
Information Technologies, Workshop on Current Trends and
Applications of Artificial Intelligence in Education, 57-64,
México, 16-20 Março, 1998
[Costa, 2002] COSTA, E.B. (Ed.), Proceedings of the ITS'2002 Workshop
Architectures and Methodologies for Building Agent- Based
Learning Environments. San Sebastian, Espanha, Junho 2002
Bibliografia
141
[DeKleer, 1986] DeKleer, J., “An Assumption-Based Truth Maintenance System”,
Artificial Intelligence Journal, 28, 127-162, 1986
[Derry, 1988] Derry, S.J., Hawkes, L.W. e Ziegler, U., “A Plan-Based
Opportunistic Architecture for Intelligent Tutoring”, Proceedings
of Intelligent Tutoring Systems, ITS-88, Montreal, Quebec,
Canada, 116-123, 1988
[Doyle, 1979] Doyle, J., “A Truth Maintenance System”, Artificial Intelligence
Journal, 12, 231-272, 1979
[Edmonds, 1993] Ernest Edmonds, The Future of Intelligent Interfaces: Not Just
“How?”, but “What?” and “Why?” 1993 International Workshop
on Intelligent User Interfaces Orlando, Florida, USA, pág. 13-17
4 a 7 de Janeiro de 1993
[Erman, 1980] Erman, L., Hayes-Roth, F., Lesser, . e Reddy, R., “The Hearsay-
II Speech Understanding System: Integrating Knowledge to
Resolve Uncertainty”, Computing Surveys, 12, 2, pág. 213-253,
1980
[Faria, 1996a] Faria, L., “Desenvolvimento de uma Interface Gráfica Adequada
a Sistemas Periciais Usados em Centros de Controlo e
Condução”, Dissertação de Mestrado, Departamento de
Engenharia Electrotécnica e de Computadores, Faculdade de
Engenharia da Universidade do Porto, 1996
[Faria, 1996b] Faria, L., Vale, Z. e Ramos, C., “Interfaces Adaptativas para
Sistemas Periciais Usados nos Centros de Condução de Redes
Eléctricas”, (Artigo escolhido para publicação na revista
Electricidade de entre os que foram apresentados nas 4as
Jornadas Luso-Espanholas de Engenharia Electrotécnica),
Electricidade, nº 333/334,pág. 142-145, Maio/Junho, 1996
Tutores Inteligentes
142
[Faria 1998] Faria, L., Vale, Z. e Ramos, C., “Aplicações Inteligentes em
Centros de Controlo: Aspectos Relativos à Interface e à
Actualização do Conhecimento”, (Artigo escolhido para
publicação na revista Electricidade de entre os que foram
apresentados nas 5as Jornadas Luso-Espanholas de Engenharia
Electrotécnica), Electricidade, nº 352,pág. 43-47, Fevereiro,
1998
[Faria, 2000a] Faria, L., Vale, Z., Ramos, C. e Marques, A., “Practical Aspects
Concerning the Development of an ITS for Control Centre
Operators Training”, IASTED International Conference Artificial
Intelligence and Soft Computing (ASC’2000), Banff, Alberta,
Canadá, pág. 427 a 433, 24 a 26 de Julho de 2000
[Faria, 2000b] Faria, L., Vale, Z., Ramos, C. e Marques, A., “An ITS for Control
Centre Operators Training: Issues Concerning Knowledge
Representation and Training Scenarios Generation”, 4th
International Conference on Knowledge-Based Intelligent
Engineering Systems & Allied Technologies (KES’2000),
University of Brighton, UK, pág. 129 a 132, 30 e 31 de Agosto e
1 de Setembro de 2000
[Faria, 2000c] Faria, L., Vale, Z., Ramos, C., Silva, A. e Marques, A., “Training
Scenarios Generation Tools for an ITS to Control Center
Operators, 5th International Conference on Intelligent Tutoring
Systems (ITS’2000), Montréal, Canadá, pág. 652, 19 a 23 de
Junho de 2000
[Faria, 2001a] Faria, L., Vale, Z., Ramos, C. e Marques, A., “Knowledge
Representation to Support Learner Interaction in an ITS”,
International NAISO Congress on Information Science
Innovations (ISI’2000), Symposium on Engineering of Natural
Bibliografia
143
and Artificial Intelligent Systems (ENAIS’2001), American
University in Dubai, U.A.E., pág. 675 a 681, 17 a 21 de Março
de 2001
[Faria, 2001b] Faria, L., Vale, Z., Ramos, C. e Marques, A., “An ITS for Power
System Staff Training: Matching Knowledge Representation and
Learner Interaction”, IEEE 2001 International Conference on
Intelligent Systems Applications To Power Systems (ISAP’2001),
Budapest, Hungria, 18 a 21 de Junho de 2001
[Faria, 2002] Faria, L., Vale, Z., Ramos, C. e Marques, A., “Curriculum
Planning to Control Centre Operators Training”, International
Conference on Fuzzy Systems and Soft Computational
Intelligence in Management and Industrial Engineering (FSSCI-
MIE’2002), Istambul, Turquia, 29 a 31 de Maio de 2002 (aceite
para publicação)
[Faria, 2004] Faria L., Vale Z., Ramos C., Marques A.; “An Distributed
Intelligent Tutoring System for Control Centre Operators
Training”; International Conference on Knowledge Engineering
and Decision Support (ICKEDS), Porto, 2004
[Fikes, 1971] Fikes, R. E. e Nilsson, N. J., “STRIPS: A New Approach to the
Application of Theorem Proving to Problem Solving”, Artificial
Intelligence, 189-208, 2, 1971
[Frasson, 1996b] Frasson, C., Mengelle, T., Aïmeur, E. e Gouardères, G., “An
Actor-Based Architecture for Intelligent Tutoring Systems”, em
Frasson, C., Gauthier, G. e Lesgold, A. (Ed.), Intelligent
Tutoring Systems, Proceedings of the 3td International
Conference on Intelligent Tutoring Systems, Montreal, Canada,
Springer-Verlag, 57-65, 12 a 14 de Junho de 1996
[Galdes, 1990] Galdes, D. K., “An Empirical Study of Human Tutors: The
Tutores Inteligentes
144
Implications for Intelligent Tutoring Systems”, Dissertação de
Doutoramento, Department of Industrial and Systems
Engineering, Ohio State University, Ohio, 1990
[Gertner, 2000] Gertner, A. S. e VanLehn, K., “Andes: A Coached Solving
Environment for Physics”, em Gauthier, G., Frasson, C. e
VanLehn, K., Intelligent Tutoring Systems, Proceedings of the
5th International Conference on Intelligent Tutoring Systems,
Montreal, Canada, Springer-Verlag, 133-142, 19 a 23 de Junho
de 2000
[Giraffa, 1995] Giraffa, L.M. Fundamentos de Teorias de ensino-aprendizagem
e sua aplicação em Sistemas Tutores Inteligentes. Porto Alegre:
UFRGS, 1995 (Trabalho Individual, TJ-487)
[Giraffa, 1998] Giraffa, Lucia M. M.; Viccari, Rosa M. Estratégias de ensino em
sistemas tutores inteligentes modelados através de agentes. In:
SBIE 1998 – SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA
EDUCAÇÃO, 1998, Fortaleza, Ceará. Anais..., 1998
[Giraffa, 1999] Giraffa, L. M. M.; Viccari, R. M. Intelligent tutoring systems built
using agents techniques. Revista de Educação, Ciência e
Cultura, Canoas: La Salle, p.23–40, 1999
[Goldstein, 1982] Goldstein, I. P., “The Genetic Graph: A Representation for the
Evolution of Procedural Knowledge”, em Sleeman, D. H. e
Brown, J. S. (Ed.), Intelligent Tutoring Systems, 51-77,
Academic Press, NY, 1982
[Goodyear, 1991] Goodyear, P., “Research on Teaching and the Design of
Intelligent Tutoring Systems”, em Goodyear, P. (Ed.), Teaching
Knowledge and Intelligent Tutoring, 3-23, Norwood, NJ, Ablex
Publishing Corporation, 1991
Bibliografia
145
[Guimarães, 1999] GUIMARÃES, M. P.; TREVELIN, L. C. Um framework na
plataforma JAMP para suporte ao trabalho cooperativo. In: XXV
Conferência Latino-americana de Informática. Assunção,
Paraguai, 30 de Agosto a 3 de Setembro, 1999. Anais:
Assunção, tomo 2, p.947-958, 1999
[Halff, 1988] Halff, H. M., “Curriculum and Instruction in Automated Tutors”,
em Polson, M. (Ed.), Foundations of Intelligent Tutoring
Systems, 79-108, Lawrence Erlbaum Associates, Hillsdale, NJ,
1988
[Halff, 1993b] Halff, H. M., “Prospects for Automating Instructional Design”,
em Spector, J. M., Polson, M. C. e Muraida, D. J. (Ed.),
Automating Instructional Design: Concepts and Issues,
Educational Technology Publications, Englewood Cliffs, NJ, 67-
131, 1993
[Hollan, 1984] Hollan, J. D., Hutshins, E. L. e Weitzman, L., “STEAMER: An
Interactive Inspectable Simulation-Based Training System”, AI
Magazine, vol. 5, n. 2, 15-27, 1984
[Holt, 1994] Holt, P., Dubs, S., Jones, M. e Greer, J., “The State of Student
Modelling”, em Greer, J. e McCalla, G. (Ed.), Student Modeling:
The Key to Individualized Knowledge-Based Instruction”, 3-35,
Springer-Verlag, Berlin, Germany, 1994
[Johnson, 1985] Johnson, W. L. e Soloway, E. M., “PROUST: An Automatic
Debugger for Pascal Programs”, em Revista Byte, 179-190, 10,
4, 1985
[Kass, 1989] Kass, R., “Student Modelling in Intelligent Tutoring Systems –
Implications for User Modelling”, em Kobsa, A. e Wahlster, W.
Tutores Inteligentes
146
(Ed.), User Models in Dialog Systems”, 386-410, Springer-
Verlag, Berlin, 1989
[Katz, 1992] Katz, S. Lesgold A., Eggan G., Gordin, M. e Greenberg, L., “Self-
Adjusting Curriculum Planning in SHERLOCK II”, em Tomek, I.
(Ed.), Computer Assisted Learning, 343-366, Berlin, Springer-
Verlag, 1992
[Katz, 1996] Katz, S., Lesgold, A., Eggan, G. e Greenberg, L., “Towards the
Design of more Effective Advisors for Learning-by-doing
Systems”, em Frasson, C., Gauthier, G. e Lesgold, A. (Ed.),
Intelligent Tutoring Systems, Proceedings of the 3td
International Conference on Intelligent Tutoring Systems,
Montreal, Canada, Springer-Verlag, 641-649, 12 a 14 de Junho
de 1996
[Kay, 2000] Kay, J., “Stereotypes, Student Models and Scrutability”, em
Gauthier, G., Frasson, C. e VanLehn, K., Intelligent Tutoring
Systems, Proceedings of the 5th International Conference on
Intelligent Tutoring Systems, 19-39, Montreal, Canada,
Springer-Verlag, 19 a 23 de Junho de 2000
[Kearsley, 1990] Kearsley, G., Overview, em Kearsley, G. (Ed.), Artificial
Intelligence and Instruction: Applications and Methods,
Reading, MA, Addison-Wesley Publishing Company, 3-10, 1990
[Lajoie, 1989] Lajoie, S. P., Lesgold, A. et al., “A Procedural Guide to the
Avionics Troubleshooting Tutor Development Process”,
Relatório Técnico, Learning Research and Development Center,
University of Pittsburgh, Pittsburgh, 1989
[Lajoie, 1992] Lajoie, S. P. e Lesgold, A., “Apprenticeship Training in the
Workplace: Computer-Coached Practice Environment as a New
Bibliografia
147
Form of Apprenticeship”, em Intelligent Instruction by
Computer, Farr, M. J. e Psotka, J. (Ed.), Taylor & Francis,
Washington, DC, 15-36, 1992
[Lesgold, 1989] Lesgold, A., Ivill-Friel, J. e Bonar, J., “Towards Intelligent
Tutoring Systems for Testing”, em Resnick, L. B. (Ed.),
Knowing, Learning and Instruction: Essays in Honor of Robert
Glaser, 337-360, Lawrence Erlbaum Associates Publishers,
Hillsdale, NJ, 1989
[Lesgold, 1992] Lesgold, A., Lajoie, S., Bunzo, M. e Eggan, G., “Sherlock: A
Coached Practice Environment for an Electronics
Troubleshooting Job”, em Larkin, J. e Chabay, R. (Ed.),
Computer Assisted Instruction and Intelligent Tutoring Systems:
Shared Goals and Complementary Approaches, 201-238,
Lawrence Erlbaum Associates, Hillsdale, NJ, 1992
[Marques, 2004] Marques A., Faria L., Vale Z., Ramos C.; “An Distributed
Intelligent Tutoring System for Control Centre Operators
Training”; International Conference on Knowledge Engineering
and Decision Support (ICKEDS), Porto, 2004
[McCalla, 1992a] McCalla, G. I., “The Search for Adaptability, Flexibility and
Individualization: Approaches to Curriculum in Intelligent
Tutoring Systems”, em Jones, M. e Winne, P. H. (Ed.), Adaptive
Learning Environments: Foundations and Frontiers, Springer-
Verlag, Berlin, Germany, 91-121, 1992
[McCalla, 1992c] McCalla, G. I. e Greer J. E., “Granularity-Based Reasoning and
Belief Revision in Student Models”, em Costa, E. (Ed.), New
Directions for Intelligent Tutoring Systems, Springer-Verlag,
Berlin, Germany, 39-62, 1992
Tutores Inteligentes
148
[Merrill, 1992] Merrill, D. C., Reiser, B. J., Ranney, M. e Trafton, J. G.,
“Effective Tutoring Techniques: A Comparison of Human Tutors
and Intelligent Tutoring Systems”, The Journal of the Learning
Sciences, vol. 2, n. 3, 277-306, 1992
[Meyer, 1993] Beth Meyer, K. C. Burgess Yakemovic, Michael Harris Issues In
Practical Application of an Adaptive Interface 1993 International
Workshop on Intelligent User Interfaces Orlando, Florida, USA,
pág. 251-254 4 a 7 de Janeiro de 1993
[Minsky, 1975] Minsky, M., “Framework for Representing Knowledge”, em
Winston, P. (Ed.), The Psychology of Computer Vision, McGraw-
Hill, New York, 1975
[Minsky, 1977] Minsky, M., “Frame-System Theory”, em Johnson-Laird, P. e
Wason, P. (Ed.), Thinking: Readings in Cognitive Science, MIT
Press, MA, 1977
[Murray, 1988a] Murray, W.R., “Control for Intelligent Tutoring Systems: A
Comparison of Blackboard Architecture and Discourse
Management Networks”, Research Report R-6267, FMC
Corporation, Santa Clara, California, 1988
[Murray, 1988b] Murray, W.R., “Dynamic Instructional Planning in BB1
Blackboard Architecture”, Research Report R-6168, FMC
Corporation, Santa Clara, California, 1988
[Ohlsson, 1987] Ohlsson, S., “Some Principles of Intelligent Tutoring”, em
Lawler, R. e Yazdani, M. (Ed.), AI and Education: Learning
Environments and Intelligent Tutoring Systems, 203-237, Ablex
Publishing, Norwood, NJ, 1987
[Oliveira, 1996] Oliveira, F. M., “Inteligência Artificial Distribuída”, Anais
Sociedade Brasileira de Computação, Canoas (RS), 1996
Bibliografia
149
[Quillian, 1968] Quillian, R., “Semantic Memory”, em Minsky, M. (Ed.), Semantic
Information Processing, Cambridge, MA, MIT Press, 1968
[Ragnemalm, 1996a] Ragnemalm, E., “Collaborative Dialogue with a Learning
Companion as a Source of Information on Student Reasoning”,
em Frasson, C., Gauthier, G. e Lesgold, A. (Ed.), Intelligent
Tutoring Systems, Proceedings of the 3td International
Conference on Intelligent Tutoring Systems, Montreal, Canada,
Springer-Verlag, 650-658, 12 a 14 de Junho de 1996
[Ramos, 2004a] Ramos C., Marques A., Faria L., Vale Z.; “An Distributed
Intelligent Tutoring System for Control Centre Operators
Training”; International Conference on Knowledge Engineering
and Decision Support (ICKEDS), Porto, 2004
[Ramos, 2004b] Ramos C., Silva A., Vale Z.; “Cooperation in Learning Power
Systems Restoration Techniques”; International Conference on
Knowledge Engineering and Decision Support (ICKEDS), Porto,
2004
[Reiser, 1991] Reiser, B. J., Beekelaar, R., Tyle, A. e Merrill, D. C., “GIL:
Scaffolding learning to program with reasoning-congruent
representations”, Proceedings of the International Conference
of the Learning Sciences”, Evanston, Ill: Association for the
Advancement of Computing in Education, 1991
[Rich, 1991] Rich, E. e Knight, K., “Artificial Intelligence”, New York,
McGraw-Hill, 1991
[Romiszowski, 1984] Romiszowski, A. J., “Producing Instructional Systems”, Kogan
Page Ltd, Londres, 1984
[Russell, 1988] Russell, D. M., “IDE: The Interpreter” em Psotka, J., Massey,
Tutores Inteligentes
150
L.D. e Mutter, S.A. (Ed.), Intelligent Tutoring Systems: Lessons
Learned, 323-349, Lawrence Erlbaum Publishers, Hillsdale, New
Jersey, 1988
[Sanseverino, 1997] Sanseverino M., Cascio F.; Model-Based Diagnosis for
Automotive Repair; IEEE Inteligent Systems and their
Applications, vol. 12, n. 6, pp. 33-37, November/December
1997
[Self, 1992] Self, J., “Bypassing the Intractable Problem of Student
Modelling”, em Frasson, C., Gauthier, G. e McCalla, G. (Ed.),
Intelligent Tutoring Systems, Proceedings of the 2nd
International Conference on Intelligent Tutoring Systems, 18-
24, Springer-Verlag, 1992
[Shneidermann, 1992] SHNEIDERMANN, B., Designing the User Interface: Strategies
for Effective Human-Computer Interaction, Addison- Wesley
Publishing Company, 1992
[Silva, 2004] Silva A., Vale Z., Ramos C.; “Cooperation in Learning Power
Systems Restoration Techniques”; International Conference on
Knowledge Engineering and Decision Support (ICKEDS), Porto,
2004
[Silveira, 2000] Silveira, R. A.; Bica, F.; Viccari, R. M. JADE – Java Agents for
Distance Education framework. Em: Iberoamerican Workshop
on Distributed Artificial Intelligence and Multi-Agent Systems,
2000, Atibaia, São Paulo. Anais. p.112–122, 2000
[Sleeman, 1982] Sleeman, D. H. e Brown, J. S., “Intelligent Tutoring Systems”,
Academic Press, New York, 1982
[Sowa, 1984] Sowa, J. F., “Conceptual Structures”, Reading, MA, Addison-
Bibliografia
151
Wesley, 1984
[Sowa, 1991] Sowa, J. F., “Principles of Semantic Networks – Explorations in
the Representation of Knowledge”, San Mateo, CA, Morgan
Kaufman Publishers, 1991
[Spector, 1993] Spector, J. M., Introduction, em Spector, J. M., Polson, M. C. e
Muraida, D. J. (Ed.), Automating Instructional Design: Concepts
and Issues, Educational Technology Publications, Englewood
Cliffs, NJ, 191-212, 1993
[Stevens, 1977] Stevens, A. L. E Collins, A., “The Goal Structure of a Socratic
Tutor”, Proceedings of the National ACM Conference, 250-263,
Seattle, WA, Association for Computer Machinery, 1977
[Thomas, 1993] Thomas Christoph G., Mette Krogsoeter, An Adaptive
Environment for the User Interface of Excel, 1993 International
Workshop on Intelligent User Interfaces Orlando, Florida, USA,
pág. 123-130 4 a 7 de Janeiro de 1993
[Trevelin, 1999] TREVELIN, L. C., GUIMARÃES, M. P., Um framework na
plataforma JAMP para suporte ao trabalho cooperativo. In: XXV
Conferência Latino-americana de Informática. Assunção,
Paraguai, 30 de Agosto a 3 de Setembro, 1999. Anais:
Assunção, tomo 2, p.947-958, 1999
[Vale, 1993a] Vale, Z., “Processamento Inteligente de Alarmes e Apoio à
Análise de Avarias e à Reposição de Serviço em Sistemas
Eléctricos de Energia”, Dissertação de Doutoramento,
Departamento de Engenharia Electrotécnica e de
Computadores, Faculdade de Engenharia, Universidade do
Porto, Porto, 1993
Tutores Inteligentes
152
[Vale, 1997a] Vale, Z., Ramos, C., Faria L., “User Interfaces for Control Center
Applications”, The 1997 International Conference on Intelligent
Systems Applications To Power Systems (ISAP'97), Seoul,
Korea, pág. 14-18, 1997
[Vale, 1997b] Vale, Z., Moura, A., Fernandes, M., Marques, A., Rosado, C. e
Ramos, C., “SPARSE: An Intelligent Alarm Processor and
Operator Assistant”, IEEE Expert, vol.12, no. 3, Special Track
on AI Applications in the Electric Power Industry, pág. 86-93,
1997
[Vale, 1998a] Vale, Z., Fernandes, M., Rosado, C., Marques, A., Ramos, C. e
Faria, L., “Better KBS for Real-time Applications in Power
System Control Centers: the Experience of SPARSE Project
Computers in Industry”, Elsevier, nº 37, pág. 97-111, 1998
[Vale, 2004a] Vale Z., Ramos C., Marques A., Faria L.; “An Distributed
Intelligent Tutoring System for Control Centre Operators
Training”; International Conference on Knowledge Engineering
and Decision Support (ICKEDS), Porto, 2004
[Vale, 2004b] Vale Z., Silva A., Ramos C.; “Cooperation in Learning Power
Systems Restoration Techniques”; International Conference on
Knowledge Engineering and Decision Support (ICKEDS), Porto,
2004
[VanLehn, 1987] VanLehn, K., “Learning One Subprocedure per Lesson”, Artificial
Intelligence, 1, 31, 1-40, 1987
[VanLehn, 1996] VanLehn, K., “Conceptual and Meta Learning During Coached
Problem Solving”, em Frasson, C., Gauthier, G. e Lesgold, A.
(Ed.), Intelligent Tutoring Systems, Proceedings of the 3td
International Conference on Intelligent Tutoring Systems,
Bibliografia
153
Montreal, Canada, Springer-Verlag, 29-47, 12 a 14 de Junho de
1996
[Wenger, 1987] Wenger, E., “Artificial Intelligence and Tutoring Systems:
Computational and Cognitive Approach to the Communication
of Knowledge”, Los Altos, CA, Morgan Kaufmann Publishers,
Inc., 1987
[Wescourt, 1977] Wescourt, K., Beard, M. e Gould, L., “Knowledge-Based
Adaptive Curriculum Sequencing for CAI: Application of a
Network Representation”, Proceedings of the National ACM
Conference, 234-240, Seattle, 1977
[Woo, 1991a] Woo, C. W., “Instructional Planning in an Intelligent Tutoring
System: Combining Global Lesson Plans with Local Discourse
Control”, Dissertação de Doutoramento, Department of
Computer Science and Applied Mathematics, Illinois Institute of
Technology, Chicago, Illinois, 1991
[Woo, 1991b] Woo, C. W., Evens, M., Michael, J. A. e Rovick, A. A., “Dynamic
Instructional Planning for an Intelligent Physiology Tutoring
System”, Proceedings of the 4th IEEE Symposium on Computer-
Based Medical Systems, 226-233, Baltimore, IEEE Computer
Society Press, 1991
[Woolf, 1984] Woolf, B., “Context Dependent Planning in a Machine Tutor”,
Dissertação de Doutoramento, University of Massachusetts,
Amherst, Massachusetts, 1984
[Woolf, 1988] Woolf, B., “Intelligent Tutoring Systems: A Survey”, em Shrobe,
H. E. e American Association for Artificial Intelligence (Ed.),
Exploring Artificial Intelligence, San Mateo, CA, Morgan
Kaufmann Publishers, Inc, 1-43, 1988
Tutores Inteligentes
154
[Woolf, 1992a] Woolf, B. P., “Building Knowledge Based Tutors”, em Tomek, I.
(Ed.), Computer Assisted Learning, 46-60, Berlin, Springer-
Verlag, 1992
[Woolf, 1992b] Woolf, B. P., “Towards a Computational Model of Tutoring”, em
Jones, M. e Winne, P. H. (Ed.), Adaptive Learning
Environments: Foundations and Frontiers, Springer-Verlag,
Berlin, Germany, 209-231, 1992
[Woolf, 1994] Woolf, B. P. e Murray, T., “Using Machine Learning to Advise a
Student Model”, em Greer, J. e McCalla, G. (Ed.), Student
Modeling: The Key to Individualized Knowledge-Based
Instruction”, 127-146, Springer-Verlag, Berlin, Germany, 1994
[Woolf, 2003] Woolf, B.P., Arroyo, I., Beck, J.E., Beal, C.R., “Learning within
the ZPD with the AnimalWatch Intelligent Tutoring System”,
University of Massachusetts, Amherst, AERA 2003
Zadeh, 1965 Zadeh, L., “Fuzzy Sets”, Information and Control, 8, 1965
Base de Conhecimento do Sistema Inteligente de Mecânica Automóvel
A-1
Componentes Sintomas Possíveis avarias Soluções
O batente do arranque a frio (choke) está mal
ajustado Corrigir o Ajuste O motor vai-se abaixo
quando funciona ao ralenti
(motor frio) O arranque a frio (choke) não funciona
devidamente Remover o filtro do ar. Verificar o funcionamento da borboleta de ar
Ralenti (mínimo) demasiado baixo Afinar o ralenti
Mistura do ralenti mal regulada Regular a mistura
Calibrador de ar do ralenti obstruído Desobstruir
Sistema de arranque a frio (choke) encravado Verificar o funcionamento do choke no carburador
Platinados gastos ou mal regulados Limpar e afinar os platinados ou substitui-los
Carburador afogado Regular o nível de gasolina ou da bóia de acordo com as especificações. Limpar e afinar a
válvula de agulha
O motor vai-se abaixo
quando funciona ao ralenti
(motor quente)
Fuga no colector de admissão Verificar o colector e todas as suas ligações, a fixação do carburador e o avanço por vácuo.
Verificar também o veio e os ressaltos da borboleta
Parafusos de regulação da mistura e de
aceleração ao ralenti Regular a mistura e a rotação ao ralenti de acordo com as especificações
Platinados gastos ou mal regulados Limpar e afinar os platinados ou substituí-los
Velas sujas ou com folga inadequada Limpar e regular a folga das velas ou substituí-las
Ponto de ignição mal regulado Regular Ponto de Ignição
O motor tem um
funcionamento irregular ao
ralenti
Fuga no colector de admissão Verificar o colector e todas as suas ligações, a fixação do carburado e o avanço por vácuo
A bomba de aceleração do carburador não
funciona ou funciona em más condições
Verificar a chegada de gasolina à câmara de nível constante antes de mandar reparar a
bomba de aceleração do carburador
O sistema de arranque a frio (choke) não
funciona bem ou esta mal regulado Verificar o funcionamento do choke no carburador
Alimentação insuficiente de gasolina ao
carburador Limpar a válvula de agulha e os pulverizadores. Verificar o nível de bóia
Comportamento
Motor
O motor vai-se abaixo
quando se acelera
Curto-circuito no distribuidor causado Verificar os fios interiores do distribuidor no que se refere a curto-circuitos
Tutores Inteligentes
A-2
pelo funcionamento do avanço automático
Presença de sujidades no filtro de ar Limpar ou substituir o elemento filtrante segundo as instruções do fabricante
Sistema de arranque a frio dos carburadores
SU ou Stromberg com êmbolo gripado
Polir o êmbolo e o cilindro com um pano seco ou molhado em gasolina. Verificar
se está a ser utilizado o óleo adequado no amortecedor e encher até ao nível necessário
Automóveis com motor a 2 tempos: sistema de
escape entupido Limpar ou substituir a panela de escape
Ponto de ignição mal regulado Regular
Fuga no colector de admissão Apertar ou substituir as juntas em mau estado
Articulações de comando do acelerador
desreguladas
Verificar se o depósito tem gasolina. Em caso afirmativo, limpar a válvula de
agulha e os pulverizadores
Folga de válvulas alterada Regular
Compressão insuficiente do motor Rodar as válvulas ou substituir a junta da cabeça do motor
O motor acelera mal
Deficiência no funcionamento do mecanismo de
avanço automático
Substituir as peças gastas ou avariadas. Regular o ponto de ignição conforme as
especificações. Desentupir, reparar ou apertar as ligações no tubo de vácuo
Avaria no sistema de ignição. Falha nas velas
Limpar, verificar ou substituir. Verificar as faíscas, os platinados e os cabos de baixa e alta
tensão. Assegurar-se de que todos os componentes do sistema de ignição estão limpos e
secos. Verificar o ponto de ignição
Avaria nos cabos de alta tensão onde está
montado o supressor antiparasitário Verificar se o cabo está partido. Em caso afirmativo, substituí-lo
Fuga no colector de admissão Apertar todas as peças associadas ao colector de admissão, incluindo o avanço por vácuo
Alimentação insuficiente ou presença de
água na gasolina Limpar conforme necessário
Carburador afogado Limpar a válvula de agulha. Verificar o nível de bóia e o estado desta
O motor falha
Obstrução no sistema de escape Reparar o sistema de escape
Ponto de ignição mal regulado Regular
Avanço automático do distribuidor desregulado Reparar e regular conforme necessário
O motor tem pouca
potência
Fuga no colector de admissão Apertar todas as peças associadas ao colector de admissão
Base de Conhecimento do Sistema Inteligente de Mecânica Automóvel
A-3
Motor com compressão baixa Verificar a compressão
Folga de válvulas alterada Verificar e regular
Alimentação insuficiente de gasolina Verificar a alimentação, os pulverizadores e a válvula de agulha do carburador
Articulações de comando do acelerador
desreguladas Verificar se com o pedal do acelerador a fundo se obtém aceleração máxima do carburador
O parafuso de regulação está desgastado Afinar o ralenti
Calibrador de ar do ralenti obstruído Desobstruir
O motor vai-se abaixo
quando o automóvel pára.
Caso contrário trabalha
normalmente Fuga no colector de admissão Verificar todas as peças associadas ao colector de admissão, incluindo o avanço por vácuo
Sobreaquecimento do motor Verificar o ponto do motor, o sistema de arrefecimento, a afinação do carburador, a tensão da
correia
Sobreaquecimento das velas Verificar se estão a ser utilizadas as velas apropriadas (grau térmico
O motor continua a
trabalhar após ter sido
desligada a ignição Pontos quentes no interior das câmaras de
explosão Descarbonizar
Folga de válvulas alterada Verificar e regular
Fuga de ar no colector de admissão Apertar todas as peças associadas ao colector de admissão
Gasolina não apropriada Encher o depósito com gasolina com o índice de octana apropriada
Ponto de ignição demasiado avançado Regular o ponto de ignição
Avanço centrífugo avariado Verificar as molas dos contrapesos
Sobreaquecimento do motor Verificar o sistema de arrefecimento
Sobreaquecimento das velas Verificar se estão a ser utilizadas as velas apropriadas (grau térmico)
O motor “gripa”
Excesso de depósitos de carvão na
câmara de combustão Descarbonizar
Pinga água do tubo de
escape após um arranque
em frio
Não significa avaria: é normal em tempo frio
Tutores Inteligentes
A-4
Junta da cabeça do motor queimada Substituir Pinga água do tubo de
escape à temperatura
normal Cabeça do motor com fendas ou empenada Rectificar a face da cabeça do motor ou substituir
Ligações sujas ou frouxas no sistema de ignição
Verificar todas as ligações, principalmente as do distribuidor e da bobina. Limpar, apertar
os cabos e verificar o estado destes, principalmente os do núcleo de carvão. Verificar se os
terminais das ligações da bobina estão apertados
Platinados sujos ou queimados ou ainda com
folga inadequada Verificar, limpar e afinar os platinados ou substituí-los
Velas em mau estado Limpar e corrigir a folga ou substituir
Carburador sujo Limpar e afinar o carburador
Folga de válvulas alterada Verificar e regular
O motor falha a uma
velocidade elevada
Filtro do ar sujo Limpar ou substituir, se necessário
Água ou sujidade no sistema de
alimentação de gasolina Limpar o carburador, o filtro e, se possível, todo o sistema de alimentação O motor “soluça” e
falha continuamente Baixo nível de gasolina no carburador Regular o nível da bóia
Alimentação insuficiente de combustível
Bomba mecânica: limpar a bomba e os filtros. Verificar se há entradas de ar na tubagem de
ligação ao depósito. Bomba eléctrica: limpar a bomba, os filtros, os contactos e as
ligações, assegurando uma boa ligação à massa. Assegurar-se de que o ar penetra no
depósito de gasolina (verificar o respiradouro do depósito). Se não der resultado, substituir a
bomba
O motor “soluça” e
falha irregularmente, e por
vezes produz pequenas
explosões (rateres)
Água na gasolina Limpar o carburador e, se possível, todo o sistema de alimentação
O motor falha, pega
novamente e por fim
pára; possibilidade de
produzir rateres
Falta de gasolina Encher o depósito, se necessário, ou verificar o sistema de alimentação de combustível
O motor falha e pára
devido a
sobreaquecimento
Vaporização na tubagem de alimentação de
gasolina Esperar que a bomba e a tubagem arrefeçam antes de tentar um novo arranque
Base de Conhecimento do Sistema Inteligente de Mecânica Automóvel
A-5
Termóstato avariado ou inadequado Substituir o termóstato avariado. Montar o termóstato adequado para a temperatura
pretendida
Unidade de temperatura (válvula) avariada Substituir
O motor parece não
conseguir alcançar a
sua temperatura
normal de funcionamento Indicador de temperatura avariado Verificar e reparar ou substituir o indicador da temperatura
Falta de líquido de arrefecimento Verificar se há fugas e falta de líquido no sistema de arrefecimento; aguardar meia hora,
até que se processe o arrefecimento, antes de encher o sistema (viatura a trabalhar)
Correia da ventoinha folgada Ajustar ou substituir a correia – ou correias – defeituosa conforme o necessário
Tubagens do sistema de arrefecimento em mau
estado Substituir as tubagens em mau estado
Tampão do radiador em mau estado ou
inapropriado
Verificar se o vedante de borracha do tampão do radiador se encontra em boas
condições, e se o tampão corresponde à pressão adequada. Caso contrário, substituí-lo
Circuito de arrefecimento obstruído Lavar com jacto de água o circuito de arrefecimento
Termóstato avariado Substituir o termóstato por outro adequado
Ponto de ignição mal regulado Regular
Bomba de água avariada ou com fugas Reparar ou montar uma bomba nova
Tubo do vaso de expansão em mau estado
(no seu local de montagem) Verificar se o tubo apresenta fendas ou ligações frouxas. Reapertar ou substituir
Passagens de ar através do radiador
entupidas, especialmente no motores transversaisLimpar as passagens usando dissolvente de gorduras e água. Nunca raspar
Comando termóstato da ventoinha de
arrefecimento avariado Verificar o seu funcionamento
Sobreaquecimento do
motor
Avanço automático do distribuidor desregulado Desobstruir, reparar ou apertar as ligações no tubo de vácuo. Substituir as peças gastas ou
em mau estado. Regular o avanço do distribuidor de acordo com as especificações
Sistema
arrefecimento
Sobreaquecimento e
ebulição logo após o
Líquido de arrefecimento gelado Parar o motor . Esperar que o radiador aqueça com o calor de motor. Utilizar uma solução
mais concentrada de anticongelante
Tutores Inteligentes
A-6
termo frio
Correia da ventoinha a patinar por
causa do congelamento da água dentro da bombaParar o motor. Deslocar o automóvel para um local mais quente e esperar que o gelo derreta
Correia da ventoinha folgada Regular
Os rolamentos da bomba de água
necessitam de lubrificação
Se não houver possibilidade de lubrificação pelo exterior, utilizar na água o aditivo
recomendado pelo fabricante
Ruído ao arrancar em
tempo frio
Os rolamentos do gerador necessitam de
lubrificação Adicionar uma ou duas gotas de óleo
Fugas na bomba de água Empanques gastos Reparar ou montar uma bomba nova
Ebulição contínua
e sobreaquecimento Junta queimada ou cabeça do motor defeituosa Verificar se a cabeça do motor está fendida ou porosa ou montar uma junta nova
Fuga para o exterior. (As manchas de
ferrugem geralmente indicam o local da fuga)
Verificar e reparar ou substituir o radiador, tubagens, tampões e a junta da cabeça do
motor, se necessário
O radiador
necessita constantemente
de água Fuga para dentro do motor
Verificar, por meio da vareta, se o nível de óleo aumentou e se este contém água. Nos casos
graves o óleo tornar-se-á branco. Verificar se há excesso de vapor de água nos fumos de
escape
O carburador precisa de ser regulado Regular o carburador
Estrangulamento na admissão de ar Substituir o elemento do filtro do ar O motor consome
demasiado combustível O sistema de arranque a frio (choke) preso em
posição de funcionamento Verificar o funcionamento do choke
Gasolina insuficiente ou presença de água na
gasolina
Limpar os pulverizadores e a válvula de agulha do carburador. Verificar a alimentação de
gasolina e o depósito
Fuga de ar no colector de admissão Apertar todas as peças associadas ao colector de admissão
Sistema
alimentação
de combustível O motor produz
pequenas detonações ao
arrancar Ponto de ignição alterado Verificar e regular o ponto de ignição
Lubrificação
O motor necessita
frequentemente de ser
atestado com óleo- fumos
azulados saem do escape
Desgaste nos cilindros, segmentos ou guias de
válvulas Substituição dos cilindros, segmentos ou guias de válvulas
Base de Conhecimento do Sistema Inteligente de Mecânica Automóvel
A-7
Fugas de óleo Limpar cuidadosamente o motor. Fazer trabalhar o motor até aquecer e mantê-lo em
funcionamento; verificar então se há fugas. Substituir ou apertar as juntas estragadas
O motor necessita
frequentemente de ser
atestado com óleo – o
escape é normal
Obstrução do respiradouro do motor
Pressão excessiva no cárter Limpar
Rodas desapertadas, empenhadas
ou desequilibradas. O desequilíbrio das
rodas é, normalmente identificado por
vibração a determinadas velocidades
Verificar o aperto das porcas das rodas e se há rodas empenadas.
Pneus danificados ou incorrectamente montados Verificar se os pneus apresentam papos, cortes, ou estão mal montados.
Cardans desapertados ou gastos; veio de
transmissão danificado Substituir imediatamente.
Pá da ventoinha partida Substituir.
O automóvel vibra em
marcha
Rolamento da roda da frente gripado Montar um rolamento novo.
Semieixo ou a sua chaveta partidos Substituir todo o conjunto.
Avaria no eixo traseiro Verificar e substituir.
A embraiagem patina ou está avariada Verificar se a folga está correcta. Em caso de dúvida, deixar uma folga de 3mm no
ponto de regulação e fazer nova verificação.
O motor trabalha, mas o
automóvel não se desloca
quando engatado (o
veio de transmissão roda) Avaria na caixa de velocidades automática
Verificar o nível de óleo na caixa de velocidades automática conforme indicado no livro
de instruções do automóvel. Proceder a nova verificação.
Apoios do ou partidos ou mal apertados Reapertar ou substituir os apoios A embraiagem vibra
Tirante desajustado Verificar se o tirante está partido. Ajustar ou substituir
Ruído na embraiagem
estado o motor a
trabalhar e o veículo
desengatado
Comando da embraiagem mal ajustado Regular a folga da embraiagem
Transmissão
Ruído na embraiagem Rolamento da embraiagem gripado Substituir o rolamento
Tutores Inteligentes
A-8
quando se carrega no
pedal
Rolamento ou casquilho de apoio do veio
primário mal lubrificado
Se o ruído for excessivo, lubrificar ou substituir, para que será necessário desmontar a
embraiagem
O pedal da embraiagem
não retorna à sua posição
normal
Defeito nas suas articulações Verificar e ajustar conforme necessário
Alavanca mal regulada Verificar e normalizar
Ligação elástica da alavanca desapertada ou
em mau estado Verificar e apertar ou substituir
Rótula e encaixe da alavanca
excessivamente lubrificados Desmontar, limpar a rótula e o encaixe, lubrificar devidamente e voltar a montar
Alavanca de mudanças
vibra ou faz ruído
Avaria nas articulações do comando à distância Verificar e montar peças novas, se necessário
As velocidades arranham
Ao s
engrenadas(automóvel para
Motor com ralenti demasiado elevado Regular
As mudanças saltam
Apoios do motor ou da caixa de velocidades
em mau estado; em consequência, as
oscilações do motor fazem saltar as velocidades
Substituir os apoios, escoras anti torção ou borrachas
Nível de valvulina baixo Atestar até ao nível apropriado
Transmissão desalinhada Alinhar e reapertar os parafusos conforme as especificações Ruído na transmissão
quando o automóvel se
desloca para a frente Elementos da transmissão gastos,
partidos ou danificados Reparar ou substituir as peças em mau estado
Ruído na transmissão
durante a marcha-atrás
Carreto ou veio de marcha-atrás gastos ou
em mau estado Substituir as peças em mau estado
Nível de valvulina baixo Atestar de valvulina até ao nível indicado no manual de instruções do automóvel Dificuldade em meter as
mudanças Mau funcionamento do selector de velocidades Verificar e regular ou substituir as peças avariadas
Pequeno ou nenhum
aumento na velocidade
quando se carrega no
A embraiagem patina Regular a folga da embraiagem. Se esta estiver correcta, a embraiagem está gasta.
Base de Conhecimento do Sistema Inteligente de Mecânica Automóvel
A-9
acelerador, apesar do
aumento do número de
rotações do motor
Suportes desapertados, tambores ou discos
gastos ou em más condições
Verificar e apertar os pratos dos travões, as braçadeiras das molas, cavilhas e os
casquilhos. Substituir os tambores ou os discos, se necessário Os travões vibram
Calços dos travões em mau estado Substituir os calços dos travões
Um pneu com pouco ar Verificar pressão dos pneus
Travões desequilibrados Afinar os travões
Óleo nos calços do lado oposto àquele para
onde o automóvel guina Montar vedantes novos
O automóvel guina para
um dos lados
Êmbolo da bomba receptora gripado no lado
oposto ao da guinada Soltar o êmbolo ou substituir a bomba
As maxilas necessitam de ajustamento
ou de substituição dos calços Ajustar as maxilas. Se os calços estiverem gastos, substituí-los Excessivo curso do
pedal dos travões
antes da actuação destes Haste de comando da bomba principal com
folga excessiva Regular
Vibrações no pedal
quando este épressionado
Discos ou tambores dos travões
fendidos ou empenados Rectificar ou substituir
Circuito hidráulico mal sangrado contendo ar Sangrar circuito Pedal “macio”
Calços novos e ainda não acamados A utilização normal dos travões resolverá a deficiência
Ar no circuito Sangrar e ajustar os travões
Avaria na bomba principal dos travões Substituir a bomba ou as borrachas O pedal só actua depois
de pressionadovárias vezesLigeira fuga no circuito Detectar a fuga e suprimi-la
Calços gastos Substituir calços
Travões
Para accionar os
travões é necessário Êmbolos das bombas receptoras gripados Reparar ou substituir
Tutores Inteligentes
A-10
O servofreio, caso exista, não funciona Verificar o circuito de vácuo entre o colector e o servofreio. exercer um maior esforço
sobre o pedal Calços inadequados Substituir pelos calços recomendados pelo fabricante
Maxilas demasiado ajustadas aos tambores
(prisão) Reajustar
Entupimento do furo de respiração do depósito
de óleo dos travões Desentupir com um alfinete
Êmbolo da bomba receptora gripado Soltar o êmbolo ou substituir a bomba
Cabos do travão de mão presos Limpar, lubrificar e verificar o funcionamento
Molas de retorno das maxilas partidas ou fracas Substituir
Ausência de folga entre a haste de comando do
pedal e o êmbolo da bomba principal
Reajustar de modo a obter um movimento livre no pedal (folga) antes que a haste de
comando contacte com o êmbolo da bomba principal
Os travões arrastam
ou não
recuperam normalmente
Borrachas das bombas em mau estado Óleo inapropriado ou de má qualidade. Drenar e substituir todas as borrachas. Utilizar o óleo
indicado
Deficiência nas maxilas
Examinar as maxilas e os calços. Se estes não estiverem suficientemente gastos de
modo a justificarem a sua substituição, chanfrar as arestas da frente para evitar que prendam.
Montar novas molas de retorno Os travões agarram
Tambores ou discos empenados ou com fendas Desempenar ou substituir
Os travões
sobreaquecem ou deitam
fumo
Utilização prolongada dos travões em
encostas íngremes, condução rápida ou reboque Parar e deixar arrefecer tão frequentemente quanto possível
Pressão dos pneus incorrecta Corrigir a pressão dos pneus
Mola(s) partida(s) Substituir a(s) mola(s) partida(s)
Mola(s) fraca(s) ou pasmada(s) Substituir as molas da frente se a altura da parte da frente for inferior à apropriada
Automóvel descaído para
a
frente Conjunto(s) mola(s) – amortecedor(es) fraco(s)
ou em mau estado Verificar e substituir
Pressão dos pneus incorrecta Corrigir a pressão dos pneus
Suspensão
Automóvel descaído para
trás Automóvel excessivamente carregado atrás Distribuir uniformemente a carga
Base de Conhecimento do Sistema Inteligente de Mecânica Automóvel
A-11
Mola(s) partida(s) Substituir a(s) mola(s)
Mola(s) fraca(s) ou pasmada(s) Substituir a(s) mola(s) traseira(s) se a altura da parte traseira for inferior à apropriada
Conjunto(s) mola(s) – amortecedor(es) fraco(s)
ou em mau estado Verificar e substituir
Pressão dos pneus incorrecta Corrigir a pressão dos pneus
Má distribuição da carga do automóvel Distribuir uniformemente a carga
Mola partida Substituir mola
Mola fraca ou pasmada Substituir mola
Automóvel descaído sobre
uma das rodas
Peças da suspensão danificadas ou gastas Substituir
Pressão inapropriada na suspensão Hydrolastic Verificar pressão e corrigi-la
Chassis deformado ou partido Verificar o alinhamento e corrigi-lo Automóvel descaído sobre
um dos lados Conjunto(s) mola(s) – amortecedor(es) fraco(s)
ou em mau estado Verificar e substituir
Pressão dos pneus incorrecta Corrigir a pressão dos pneus
Automóvel com carga em excesso ou mal
distribuída Distribuir uniformemente a carga
Pneu deformado Substituir o pneu
Amortecedor(es) desapertado(s) ou em mau
estado Reapertar ou substituir
Mola partida Substituir a mola
Suspensão dura
Peças da suspensão gripadas Reparar ou substituir e lubrificar
Amortecedor(es) desapertado(s) ou em mau
estado Reapertar ou substituir
Mola partida Substituir mola
Mola fraca ou pasmada Substituir mola
O automóvel oscila nas
curvas
Barra estabilizadora desapertada ou partida Substituir a barra estabilizadora, se danificada. Apertar os seus apoios e ligações e
Tutores Inteligentes
A-12
substituir os casquilhos em mau estado
Pressão dos pneus incorrecta Corrigir a pressão dos pneus
Automóvel com carga em excesso ou mal
distribuída Distribuir uniformemente a carga
Barras e articulação da direcção com folgas ou
gastas Reparar e substituir as peças, quando necessário
Mau alinhamento da direcção Corrigir o alinhamento da direcção conforme especificações
Caixa da direcção desapertada Reapertar as fixações da caixa ou substituir o seu cárter, se estiver partido
Mola partida Substituir a mola
Mola fraca ou pasmada Substituir a mola
Rolamentos das rodas da frente desajustados Ajustar os rolamentos das rodas conforme indicado
O automóvel desvia-se de
um lado para o outro
Ajustamento incorrecto da caixa da direcção Ajustar conforme indicado
Pressão dos pneus incorrecta Corrigir a pressão dos pneus
Falta de lubrificação Lubrificar conforme indicado. Atestar a caixa da direcção
Mecanismo da direcção mal ajustado Ajustar
Mau alinhamento da direcção Corrigir o alinhamento da direcção conforme especificações
Direcção pesada
Caixa da direcção avariada Reparar ou substituir
Barras ou articulações da direcção com folga,
gastas ou danificadas Reparar e substituir as peças, se necessário
Caixa da direcção desapertada Reapertar as fixações da caixa ou substituir o cárter, se estiver partido
Caixa da direcção desajustada Ajustar conforme indicado Folgas na direcção
Rótulas da suspensão ou cavilhas da manga
de eixo gastas Substituir, se necessário
Pressão dos pneus incorrecta Corrigir a pressão dos pneus
Desgaste desigual dos pneus das rodas da frente Trocar as rodas da frente de modo que os rastos dos pneus fiquem o mais possível iguais
Travões excessivamente duros Ajustar ou reparar
Direcção
O automóvel guina para
um dos lados
Mola partida Substituir a mola
Base de Conhecimento do Sistema Inteligente de Mecânica Automóvel
A-13
Mola(s) fraca(s) Substituir a(s) mola(s)
Mau alinhamento das rodas da frente Corrigir alinhamento
Eixo traseiro desapertado Verificar os suportes e tirantes da suspensão traseira
Escovas presas Remover as escovas, limpá-las, bem como os porta-escovas, e montá-las novamente.
Substituí-las, se estiverem gastas
Molas fracas Se a cor das molas indicar que estas sofreram um sobreaquecimento ou se as molas se
mostrarem em mau estado, substituí-las
Colector sujo Limpar a superfície do colector com um pano embebido em gasolina
Colector queimado Polir a superfície com lixa muito fina (não de esmeril), fazendo girar o induzido. Se esta
solução não resultar substituir o induzido.
O dínamo não carrega
Fios interiores em mau estado Montar outro dínamo
Carga irregular e
intermitente
Regulador ou ligação à massa deficiente,
indicado pela luz de aviso de ignição acesa
(acima do ralenti) ou por uma oscilação do
ponteiro do amperímetro
Verificar a ligação à massa do regulador. Substituir ou ajustar o regulador
Regime de carga variável Regulador avariado Verificar o regulador
Pernos de montagem mal apertados ou tambor
(polie) solto Verificar e apertar
Dínamo
Ruídos no dínamo
Rolamentos gripados Substituir os rolamentos ou todo o dínamo
Correia pouco esticada ou partida Ajustar a correia
Correia Partida Substituir a correia
Gerador de
corrente
alterna
(alternador)
O alternador não carrega
Ligações desapertadas Verificar e apertar todas as ligações. O motor deverá estar parado (ignição desligada)
enquanto se procede a estas operações
Pancada ligeira Válvulas com folga excessiva Verificar e ajustar Identificação de
ruídos do
motor Pancada leve e persistente
após a regulação das
Excêntricos, tuche ou balanceiros gastos Verificar e substituir as peças gastas
Tutores Inteligentes
A-14
válvulas
Matraqueado ou
arrastamento durante a
utilização da embraiagem
Rolamento da embraiagem em mau estado Remover a caixa de velocidades; verificar e reparar a embraiagem, substituindo as peças
necessárias
Chiadeira ou silvo no
motor
Empanques da bomba de água gastos ou
correia da ventoinha folgada Verificar se há fugas na bomba; verificar a correia da ventoinha
Assobio e explosões
com o acelerador a fundo
Fuga de gases de escape na flange do
colector ou panela de escape danificada. Apertar e substituir, se necessário
Matraqueado audível com o
motor ao ralenti
Corrente de distribuição folgada ou
esticador mal ajustado Ajustar o esticador ou montar uma corrente nova
Silvo variável
conforme a velocidade do
motor
Entrada de ar no colector de admissão Verificar a junta da flange do carburador