Refleksjoner over studiens kvalitet

Etimologicamente, a palavra inteligência vem do latim inter (entre) e legere (escolher), sig- nicando aquilo que nos permite escolher entre uma coisa e outra. Inteligência é a habilidade de realizar de forma eciente uma determinada tarefa [63]. Os sistemas tutores ditos inteligentes diferem dos demais pela intervenção da IA em diversos de seus componentes.

A palavra articial vem do latim articiale, signicando algo não natural, isto é, produzido pelo homem. Portanto, IA é um tipo de inteligência produzida pelo homem para dotar as máquinas de algum tipo de habilidade que simula a inteligência do homem [63]. O termo IA foi criado por John McCarthy durante o famoso Workshop do Dartmouth College, ocorrido durante dois (2) meses no verão de 1956. Aquele foi o primeiro encontro de cientistas ocialmente organizado para discutir aspectos de inteligência e sua implementação em máquinas.

Devido à impossibilidade de uma denição formal precisa para IA, visto que para tanto seria necessário denir, primeiramente, a própria inteligência, foram propostas algumas denições ope- racionais [64]: "uma máquina é inteligente se ela é capaz de solucionar uma classe de problemas

que requerem inteligência para serem solucionados por seres humanos"; "Inteligência Articial é a parte da ciência da computação que compreende o projeto de sistemas computacionais que exibam características associadas, quando presentes no comportamento humano, à inteligência"; ou ainda "Inteligência Articial é o estudo das faculdades mentais através do uso de modelos computacio- nais". Outros se recusam a propor uma denição para o termo e preferem estabelecer os objetivos da IA: "tornar os computadores mais úteis e compreender os princípios que tornam a inteligência possível" [65].

Os STI, uma das linhas de pesquisa da IA, são programas de computador com propósito educacional, podendo simular o processo do pensamento humano para auxiliar na resolução de problemas ou em tomadas de decisões [66]. Em STI, dá-se o adjetivo de "Inteligente" com o objetivo de identicar sistemas com a capacidade de resolver os problemas apresentados pelo aprendiz e explicar como o fez, tornando individualizado o processo de ensino [67]. Por conseguinte, a sistematização do conhecimento pedagógico a ser colocado no tutor consiste na tarefa mais complexa de toda a arquitetura, no que concerne à modelagem e implementação. No entanto, desde o início da pesquisa em IA e Educação (IA-ED), a necessidade de inserir mecanismos de apoio à aprendizagem, tais como estratégias e táticas de ensino, baseadas naquelas utilizadas pelos professores em sala de aula, é um dos grandes desaos na pesquisa desta área [55]. Neste sentido, uma das sugestões encontradas na literatura para esse problema é apresentada na arquitetura clássica de STI da Figura 2.7.

Figura 2.7: Arquitetura Clássica de um STI baseado em [68].

Mais precisamente, um STI é um sistema computacional que faz o "tutoramento" de um apren- diz a respeito de um dado conteúdo (conhecimento do domínio). O STI modela o entendimento do aprendiz sobre um tópico e à medida que ele realiza determinadas tarefas no sistema (ou seja, ele interage com o sistema realizando tarefas colocadas por este) compara o conhecimento do aprendiz com o modelo que ele tem de um especialista do domínio. Se existir uma diferença, o sistema pode usar o seu modelo de domínio para gerar uma explicação que vai auxiliar o aprendiz a compreender o que cou mal entendido ou solicitar a cooperação ou colaboração de outros aprendizes que utili- zam o sistema. Além disso, o sistema pode também ajustar os níveis e estilos de aprendizagem do aprendiz e apresentar a informação, os testes e o feedback que são mais apropriados. Para o desen- volvimento de STI é possível utilizar diferentes técnicas da IA, tais como: Sistemas Especialistas, Redes Bayesianas, Redes Neurais Articiais (RNA), entre outras [69].

A técnica de Sistemas Especialistas emprega informações nem sempre completas manipulando- as através de métodos de raciocínio simbólico sem seguir modelos numéricos, para produzir apro- ximações satisfatórias ou aproximações úteis. Sendo assim, quanto mais completa e corretamente estiver representado o conhecimento, melhor será a saída do sistema. Para tanto, faz-se necessária a aquisição de conhecimento, o uso de heurísticas, de métodos de representação de conhecimento e de máquinas de inferência [70].

Esses sistemas são capazes de deduzir possíveis problemas a partir de observações ou sintomas. A arquitetura de um sistema especialista é dividida por dois componentes básicos: um banco de informações que contenha todo o conhecimento relevante sobre o problema de uma forma organizada (base de conhecimento); um conjunto de métodos inteligentes de manipulação destes conhecimentos, os mecanismos de inferência. Apesar das limitações das máquinas, é possível a construção de sistemas especialistas com alto grau de desempenho, dependendo da complexidade de sua estrutura e do grau de abrangência desejado, sendo a arquitetura mais comum a que envolve regras de produção (production rules) [71]. Esta técnica é exemplicada pelo trabalho de Cardoso (2005), onde são elaboradas regras para o exame ortopédico do quadril, joelho e tornozelo, sendo uma dessa regras representadas na Figura 2.8.

Figura 2.8: Exemplicação Regra de Sistema Especialista [71].

Na utilização do teorema de Bayes, a ocorrência de independência condicional entre variáveis aleatórias que descrevem os dados pode simplicar os cálculos para responder perguntas e também reduzir consideravelmente o número de probabilidades condicionais que precisam ser especicadas. A estrutura de dados chamada Redes Bayesianas representa a dependência entre as variáveis e de uma especicação concisa da distribuição de probabilidade conjunta [72].

Outro mecanismo de agregação de inteligência é baseado em técnicas de RNA que represen- tam modelos matemáticos de reconhecimento de padrões. Essa técnica inicialmente emprega um processo de aprendizagem, onde os parâmetros de entrada, peso das conexões, saídas e erros são processados em ciclo a m de que a rede responda com estabilidade aos parâmetros de entrada [73]. Neste aspecto, uma das RNA utilizadas é a Interaction Activation and Competition (IAC), que permite a adaptação do conteúdo conforme o perl do usuário e de suas interações com o sistema [74].

Clelland [75]. A arquitetura da RNA IAC apresenta uma topologia particular com características de memórias bidirecionais hetero-associativas, o que a torna bastante apropriada para a implemen- tação de mecanismos de adaptação para interfaces adaptativas de STI e Hipermídia Adaptativa. Ou seja, esta RNA, sendo recursiva, apresenta características tais como [76]:

• recuperação das propriedades de um conceito a partir de seu nome;

• recuperação da descrição total de um conceito a partir de uma descrição parcial; • recuperação do nome de um conceito a partir de suas propriedades;

• recuperação de generalizações apropriadas sobre o conjunto de conceitos.

Uma RNA IAC, segundo sua arquitetura original, apresenta características especícas tais como os neurônios organizados em pools competitivos, cada pool representando um conceito ou característica, interligados por um pool escondido através de ligações excitatórias. Os neurônios de cada pool representam propriedades ou "valores" dos conceitos ou características (representados pelos pools). Existem duas classes de unidades: algumas que podem receber entradas diretamente de fora da RNA e outras que não o podem. As primeiras são chamadas de unidades visíveis e as últimas são chamadas de unidades escondidas (aquelas pertencentes ao pool escondido). Nesta RNA o usuário pode especicar um padrão de entradas para as unidades visíveis, mas, por convenção, não é permitido especicar entrada externa para as unidades ocultas [74].

Nesta RNA, não há processo de treinamento e os pesos (que representam o conhecimento) são estabelecidos em uma matriz que representa as ligações entre pools diferentes, representando as relações existentes entre cada propriedade de cada conceito, através do pool interno e o (pool escondido), bem como a relação entre os neurônios de um mesmo pool. Os valores dos pesos podem ser 0, 1 ou −1 representando: nenhuma relação, existência de relação (apenas entre neurônios de pools diferentes) e relação de inibição entre os neurônios (apenas entre neurônios de mesmo pool), respectivamente [74] [76]. O relacionamento entre os neurônios internos de cada grupo pode ser observado no detalhamento disposto na Figura 2.9.

Figura 2.9: Modelo Básico de Processamento da Rede ICA [74].

Uma característica interessante desta RNA é que qualquer neurônio, que não os do pool es- condido, pode ser considerado entrada ou saída (bidirecionalidade) e não há uma quantidade xa

de neurônios a ser excitado (a entrada pode ser o conceito, todas as propriedades ou partes das propriedades). Excitando-se um neurônio (propriedade de um conceito), a RNA tende a procurar um novo estado de equilíbrio. As ativações de todos os outros neurônios, depois de encontrado o estado de equilíbrio, correspondem às saídas desejadas.

Nesse sentido, como o interesse da arquitetura proposta é possibilitar a adaptação da interface de acordo com a interação do aprendiz com o sistema, a RNA do tipo IAC enquadra-se como um ponto de destaque a ser trabalhada na metodologia. Tanto a RNA IAC quanto as informações de conteúdo do domínio presentes em ontologias podem ser representados na arquitetura como módulos independentes, possibilitando o desacoplamento dos módulos, contudo sendo acessível por um modo de comunicação externa.