No trabalho por ora mencionado, agentes utilizam a Lógica Difusa com a finalidade de determinar o perfil de aprendizagem dos estudantes, por meio do seu desempenho, a análise estatística também é utilizada.
A validação do modelo Fuzzy foi certificada por meio de um conjunto de dados, com vários perfis de aprendizagem de diversos estudantes que foram minerados utilizando uma árvore de decisão (AD). Este mesmo modelo pode ser aplicado em qualquer tipo de proposta de sistema Fuzzy, procurando ser condizente com o perfil do estudante. A proposta do trabalho é desenvolver um modelo que possa ser adaptado para Ambientes Virtuais de Aprendizagem (AVA), envolvendo técnicas de Inteligência Artificial (I.A.). Busca-se que tenha características comuns implementadas na maioria dos ambientes de aprendizagem e que facilite a sua utilização em qualquer tipo de AVA.
O artigo apresenta os sistemas multiagentes (SMA), que são utilizados comumente na modelagem de AVAs interativos, tendo como referência Reategui et al. (2006); além disto, também é citado Oliveira (1997), o qual informa que os princípios dos SMAs são bastante adequados ao desenvolvimento de ambientes computacionais.
Um programa de Software é conhecido como um “agente” pela comunidade científica, que auxilia o usuário na realização de alguma tarefa ou atividade, segundo Wooldridge (2002 apud WILGES et al., 2010, p. 2), sem a intervenção do ser humano, possuindo autonomia e inteligência.
Os autores utilizam o modelo de agentes Belief-Desire-Intention (BDI), apresentado inicialmente por Bratman (1987 apud WILGES et al., 2010, p. 2), e sendo adaptado por Rao e Georgeff, segundo Georgeff (1995 apud WILGES et al., 2010, p. 2), transformando-o em uma teoria formal e um modelo de execução para agentes de softwares baseados na noção de crenças, objetivos e planos.
De acordo com os autores, a Lógica Difusa exige poucos cálculos e é mais fácil de inicializar e atualizar o modelo do aluno, conforme apresenta Jameson (1995 apud WILGES et al., 2010, p. 2), mesmo assim todos os resultados são analisados. Ainda é
proposta a utilização da mineração de dados e a classificação baseada em Árvores de Decisão (AD).
Quinlan (1993 apud WILGES et al., 2010, p. 2) explica que alguns algoritmos de classificação mais tradicionais e comuns são os que usam os valores dos atributos de forma combinada para delimitar regiões no espaço de atributos que definem as classes. Ele ainda explica que a vantagem da AD é que ela elucida claramente que decisões são tomadas sobre quais atributos para classificação e sumarização.
O trabalho apresentado por Wilges et al. (2010, p. 1) é apoiado por um AVA desenvolvido no Laboratório de Estatística Aplicada para alunos de graduação e pós- graduação, com a finalidade de desenvolvimento de projetos e ideias que possam agregar conhecimentos de estatística.
Os agentes BDIs (Belief-Desire-Intention) envolvem a definição de crenças, desejos e intenções. As crenças representam o nível de conhecimento que o agente presume que o estudante tenha sobre o conteúdo, os desejos do agente são os estímulos e ajudas durante o processo de aprendizagem, utilizando mensagens e dicas de utilização no ambiente, as intenções são o modo como os agentes deverão conduzir o estudante nos módulos do ambiente.
Nos sistemas Multiagentes, os agentes se comunicam e interagem para alcançarem objetivos individuais e comuns; no AVA analisado, foram identificados os seguintes agentes: estudante; avaliação; tutoria e avançado, sendo que os agentes tutoria e avaliação, somente coletam informações de utilização do ambiente pelo estudante, armazenando as informações em um arquivo de log.
A Lógica Difusa é a responsável por avaliar se o estudante possui um escore suficiente para mudar de nível ou módulo, por meio do processamento das informações obtidas pelos agentes e pelos planos de ações desenvolvidos em Fuzzy, iniciando a troca de mensagens entre os estudantes, tutoria ou avançado. Desta forma, é realizada a condução do aluno ao módulo que seja mais adequado com o seu nível de aprendizagem.
Os autores explicam que diversas pesquisas propõem métodos, ferramentas e ambientes de acompanhamento de desempenho baseados em Conjuntos Fuzzy, como por exemplo:
Satisfatório, Insatisfatório e Regular, em que o professor relaciona o grau de pertinência desses valores dentro de intervalos de notas, assim como a base de regras.
Na pesquisa desenvolvida por Wilges et al. (2010, p. 6), são utilizados os seguintes estados possíveis de nível de aprendizagem: Regular, Bom e Excelente. São consideradas as seguintes regras durante a avaliação: alunos na faixa do 0,8 podem receber um estímulo pedagógico, o agente estudante indica qual módulo é o mais adequado ao estudante.
Estudantes abaixo de 0.6 devem continuar no modo tutoria, fortalecendo a teoria e a prática, estudantes abaixo de 0.6 em somente um tipo de avaliação devem ser conduzidos a desafios pedagógicos ou teóricos dependendo da situação.
Com base nestas variáveis, foi construído o modelo Difuso, tendo como entradas os desempenhos práticos e teóricos no AVA, sendo utilizada uma função de pertinência gaussiana, tratando a mudança de estado entre as variáveis linguísticas.
Os valores dos estados são Regular, Bom e Excelente. Segue abaixo a representação das regras que foram utilizadas:
1. If (desempenhoPraticoAVA is Regular) and (DesempenhoTeoricoAVA is Regular) then (avaliacaoGeral is Regular)(1)
2. If (desempenhoPraticoAVA is Bom) and (DesempenhoTeoricoAVA is Regular) then (avaliacaoGeral is Regular)(1)
3. If (desempenhoPraticoAVA is Regular) and (DesempenhoTeoricoAVA is Excelente) then (avaliacaoGeral is Bom)(1)
4. If (desempenhoPraticoAVA is Bom) and (DesempenhoTeoricoAVA is Regular) then (avaliacaoGeral is Regular)(1)
5. If (desempenhoPraticoAVA is Bom) and (DesempenhoTeoricoAVA is Bom) then (avaliacaoGeral is Excelente)(1)
6. If (desempenhoPraticoAVA is Bom) and (DesempenhoTeoricoAVA is Excelente) then (avaliacaoGeral is Excelente)(1)
7. If (desempenhoPraticoAVA is Excelente) and (DesempenhoTeoricoAVA is Regular) then (avaliacaoGeral is Bom)(1)
8. If (desempenhoPraticoAVA is Excelente) and (DesempenhoTeoricoAVA is Bom) then (avaliacaoGeral is Excelente)(1)
9. If (desempenhoPraticoAVA is Excelente) and (DesempenhoTeoricoAVA is Excelente) then (avaliacaoGeral is Excelente)(1)
O AVA analisado por Wilges et al. (2010, p. 6) utiliza parâmetros de funções de pertinência obtidos por meio de análise estatística. Dessa maneira, as regras de inferência Fuzzy são aplicadas nas variáveis linguísticas para determinar os objetivos dos agentes em conduzir o estudante para o módulo “tutoria” ou para o “avançado”. Este raciocínio é feito no agente “estudante”.
A mineração dos dados considerou variáveis extraídas do Banco de Dados do AVA ponderando os conceitos teóricos e práticos com a respectiva saída desfuzzificada; para essa classificação foi utilizado o algoritmo da Árvore de Decisão do tipo ID3, por apresentar uma resposta mais adequada. A escolha dos atributos neste algoritmo se dá a partir de informações de entropia e ganho de informação, sendo utilizado o conceito de entropia da Teoria da Informação.
O valor da entropia corresponde a impureza do atributo e o ganho de informação é a variação da impureza. Quanto menor o valor da entropia, menor a incerteza e mais utilidade tem o atributo para a classificação. (WILGES et al., 2010, p. 8).
Como conclusão do trabalho, Wilges et al. (2010, p. 10) explicam que a utilização da Lógica Difusa na análise do perfil do estudante flexibiliza a categorização do processo de ensino-aprendizagem. Não sendo um tratamento do tipo “Crisp” (certo ou errado), mas sim um valor lógico difuso podendo ser qualquer valor no intervalo de 0 e 1.
Wilges et al. (2010, p. 10) ainda destacam que uma árvore de decisão pode ser utilizada com duas finalidades: previsão e descrição. O trabalho busca elaborar uma descrição que fornece informações interessantes a respeito das relações entre os atributos preditivos e o atributo classe no banco de dados do AVA.
A preocupação foi observar se as regras do modelo Fuzzy se ajustavam à estrutura da árvore apresentada, o ajuste ao modelo Fuzzy gera como resultado final uma possibilidade para um acompanhamento mais adequado das atividades teóricas e práticas (WILGES et al., 2010, p. 10).