tutores inteligentes 2003/2004 - dei.isep.ipp.ptpaf/proj/set2004/tutores_inteligentes.pdf · i...

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


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


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.


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


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;


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


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


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.


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.


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


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


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;


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.


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


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


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.


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


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


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.


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


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.


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.


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


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.


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


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.


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.


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


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:


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.


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.


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).


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


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.


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]


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.


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


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.


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.


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


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);


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.


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


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


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


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


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.


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.


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.


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


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


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


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].


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.


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)

].


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.

Implementação

79


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.

Implementação

81

Figura 7-3 Níveis de representação do conhecimento (DtR)


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


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.


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


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).


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


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.


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.


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:


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


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.


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.


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.


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


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.


Nome: Alexandre Miguel O. da Costa

Habilitações Curso de Socorrismo Avançado Militar



Nome: António Augusto C. de Oliveira

Habilitações Curso de Socorrismo Avançado Militar



Nome: Helena Maria P. de Jesus

Habilitações Enfermeira



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


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.


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


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


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


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.


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


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


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.


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.


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


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”,


[Beck, 1996] Beck, J., Stern, M. e Haugsjaa, E., “Applications of AI in


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



[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


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


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


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.


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




[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


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




[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,


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



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


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




[Vale, 2004b] Vale Z., Silva A., Ramos C.; “Cooperation in Learning Power



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


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



Zadeh, 1965 Zadeh, L., “Fuzzy Sets”, Information and Control, 8, 1965

Anexo A – Base de Conhecimento do

Sistema Inteligente de Mecânica

Automóvel

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


quando se acelera

Curto-circuito no distribuidor causado Verificar os fios interiores do distribuidor no que se refere a curto-circuitos


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


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


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


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


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


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


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


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


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


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


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


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.


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


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


Suspensão

Automóvel descaído para

trás Automóvel excessivamente carregado atrás Distribuir uniformemente a carga


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)



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)



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


A-12

substituir os casquilhos em mau estado


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 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


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


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



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


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

tutores inteligentes 2003/2004 - dei.isep.ipp.ptpaf/proj/set2004/tutores_inteligentes.pdf · i...

Documents