Uma Proposta de Aplicação de Lógica Fuzzy para Modelagem do Processo de Raciocínio de um Assistente Virtual

Uma Proposta de Aplicação de Lógica Fuzzy para Modelagem do Processo de Raciocínio de um Assistente Virtual Vandor R. V. Rissoli1, Lúcia M. M. Giraffa2, Dante A. C. Barone3 1

Universidade Católica de Brasília (UCB) QS07 Lote 01 EPCT - fone: 61 33569306 -72002-900 Taguatinga - DF 2

Faculdade de Informática - Pontifícia Universidade Católica do Rio Grande do Sul (PUC-RS)

3

Programa de Pós-Graduação em Informática na Educação (PGIE) – Universidade Federal do Rio Grande do Sul (UFRGS) [email protected], [email protected], [email protected]

Abstract. This paper presents a proposal to build an Intelligent Tutoring System using Fuzzy Logic to model the student in order to handle with qualitative aspects regarding his/her behavior. The domain module is modeled based on Conceptual Maps that allow teacher to better organize the contents in a hierarchical way. In this proposal the teacher works as an external agent which can interfere to modify or adjust the tutor module set of rules. Resumo. Este artigo apresenta uma arquitetura diferente de Sistema Tutor Inteligente, onde se inclui o docente como agente externo, organizador e interventor do processo de atendimento do aluno no contexto do sistema. O arcabouço conceitual usado para apoiar esta proposta se fundamenta na Teoria da Aprendizagem Significativa de Ausubel e no uso de Mapas Conceituais como elementos para se organizar o conteúdo do domínio da aplicação. Na modelagem do aluno é incorporada a Lógica Fuzzy que permite representar informações do aluno associadas aos aspectos mais qualitativos e incertos. Palavras-chave: Aprendizagem Significativa, Lógica Fuzzy, Sistema Tutor Inteligente.

1. Introdução A sociedade contemporânea está fortemente impactada pelo uso de tecnologias digitais promovendo modificações na forma como as pessoas vivem, interagem, aprendem e convivem umas com as outras. Uma nova cibercultura baseada na informação e no conhecimento nos impelem a refletir e buscar alternativas para ampliar e compatibilizar o processo educacional. Segundo [Larson 1999], a Educação consolida-se cada vez mais como uma área crucial ao desenvolvimento desta sociedade e de cada indivíduo que a compõe. Neste contexto, os processos educacionais vêm precisando de uma adaptação cada vez mais sistematizada do ensino às características que identifiquem

XVIII Simpósio de Informática na Educação - SBIE Workshop emBrasileiro Informática na Educação (sbie) 2007- Mackenzie - 2007

350

preferências de aprendizado nos alunos, efetivando a personalização do processo ensino-aprendizagem idiossincrático a cada indivíduo. Dentre as várias alternativas de construção para programas educacionais que possibilitem personalização do atendimento das necessidades do aluno, encontram-se os Sistemas Tutores Inteligentes (STI). Diversos pesquisadores nesta área, têm produzido uma variedade de softwares adaptativos e inteligentes para educação, muitos deles incluindo a utilização de agentes como o trabalho de [Chou 2003], [Viccari 2003] e [Yacef 2002]. A pesquisa relatada neste artigo utiliza uma variante da tradicional arquitetura de STI, onde se inclui o professor como agente externo, organizador e interventor do processo de atendimento do aluno no contexto do sistema. Esta inclusão resulta da limitação dos tradicionais STI em automatizar todo o processo de atendimento das necessidades de cada aluno de forma automática. As pesquisas demonstraram a necessidade da atualização da base de regras em função das características individuais de cada aluno. Ou seja, uma base criada com regras gerais para um aluno hipotético apresentava muita fragilidade no que concerne à qualidade das decisões do tutor artificial. Desta forma, a possibilidade do professor ter acesso aos resultados existentes no módulo do aluno (aprendiz), a fim de poder fazer os refinamentos nas regras que selecionam as atividades a serem sugeridas aos alunos, permitirá agregar mais qualidade na utilização de programas educacionais com esta característica. O arcabouço conceitual utilizado para suportar esta proposta se fundamenta na Teoria da Aprendizagem Significativa (TAS), proposta por [Ausubel 1968] e no uso de Mapas Conceituais propostos por [Novak 1998] como elementos para se modelar e organizar o conteúdo que comporá a base de domínio da aplicação. A estruturação do módulo do aluno, através da incorporação de recursos oriundos da Lógica Fuzzy [Zadeh 1975], permite criar uma alternativa para se representar informações do aluno associadas a aspectos mais qualitativos e possibilitando o tratamento das incertezas. Esta modelagem apresentou resultados mais interessantes e com maior granularidade do que simplesmente utilizar regras de produção como a maioria dos módulos tradicionalmente o faz. Dessa forma, o projeto descrito neste artigo procura demonstrar que é possível utilizar os estructos da TAS (metodologia) e a Lógica Fuzzy às necessidades do acompanhamento cognitivo de cada aprendiz. Tais recursos propiciam mais alternativas de interação e responsabilidades aos diagnósticos efetuados entre os módulos que compõem a arquitetura tradicional do STI (Figura 1a), tendo estes a incumbência de propiciar a interação do docente (novo usuário), com sua unidade de controle, além de auxiliar o aprendiz em seu ritmo de aprendizagem (Figura 1b).

Figura 1. Representação da arquitetura do STI, sendo a) tradicional e b) ITA estendido.

XVIII Simpósio de Informática na Educação - SBIE Workshop emBrasileiro Informática na Educação (sbie) 2007- Mackenzie - 2007

351

Este artigo está organizado em 6 seções. Na seção 2 são apresentados alguns conceitos para situar o leitor no que tange ao aporte educacional utilizado para modelar o ambiente construído como testbed de validação da arquitetura proposta. Na seção 3 são abordados os conteúdos da Lógica Fuzzy associados à teoria escolhida e como estes conteúdos foram programados no protótipo. Na seção 4 o relato do experimento realizado e os indicadores obtidos. Na seção 5 estão as considerações finais e alguns trabalhos futuros a serem realizados na seqüência desta proposta. As referências bibliográficas estão elencadas no final do texto, na seção 6.

2. Teoria da Aprendizagem Significativa -TAS A elaboração de um projeto de software necessita de alguns componentes fundamentais: uma teoria educacional que suporte as concepções pedagógicas e uma equipe interdisciplinar composta por informatas e especialistas da área de domínio. Sem estes elementos não é possível realizar um trabalho que atenda parâmetros de qualidade envolvendo a parte tecnológica e a educacional. Com o intuito de consubstanciar esta proposta, buscou-se uma teoria consolidada por métodos e técnicas objetivas que pudessem “instrumentalizar” as ações necessárias aos objetivos associados à inclusão de uma nova abordagem para a tradicional arquitetura de STI. De acordo com suas características foi adotada a Teoria da Aprendizagem Significativa (TAS), que contempla as exigências requeridas [Ausubel 2000]. No âmbito educacional, esta teoria propõe aprendizagem facilitada por meio da associação de novos conteúdos aos conhecimentos já existentes na estrutura cognitiva do aprendiz (formação do conceito subsunçor), podendo esta aprendizagem ser empregada a qualquer área de conhecimento, respeitando suas duas hipóteses fundamentais: 1ª Maior facilidade dos seres humanos em entender aspectos diferenciados do todo mais inclusivo, do que de suas partes menos inclusivas; 2ª A mente humana consiste em uma estrutura hierárquica de conhecimento bem organizada, tendo as idéias mais inclusivas no topo desta estrutura que progressivamente incorpora novos dados menos inclusivos. A aprendizagem orientada por esta teoria promove a associação dos novos conhecimentos a seus respectivos subsunçores, transformando os significados lógicos, inerentes ao conteúdo potencialmente significativo, em significados psicológicos, construídos e estruturados de maneira peculiar e diferente por cada aprendiz. Esta associação, denominada subsunção, possibilita a agregação do novo conhecimento à estrutura cognitiva do aprendiz, acontecendo de forma não-arbitrária e não-literal [Ausubel 1968]. No entanto, para que ocorra este tipo de aprendizagem é necessário o comprometimento responsável de todos os envolvidos e dois requisitos essenciais para obter-se êxito na sua utilização: 

Elaboração e uso de material potencialmente significativo;



Pró-atividade do aprendiz para relacionar o novo com a sua estrutura cognitiva, de maneira substantiva, não-arbitrária e não-literal.

XVIII Simpósio de Informática na Educação - SBIE Workshop emBrasileiro Informática na Educação (sbie) 2007- Mackenzie - 2007

352

Este primeiro requisito expõe a necessidade do empenho do docente na elaboração de um material bem organizado para o apoio ao ensino dos alunos que o utilizarão durante seu período de aprendizagem, enquanto que o outro requisito esclarece a conduta pró-ativa do aprendiz em efetivar o processo de subsunção. Diante destes requisitos, a TAS emprega um método de representação hierárquica dos conceitos envolvidos em uma aprendizagem, sendo este bem representado através dos Mapas Conceitual (MC) criado por [Novak 1998] com o objetivo de auxiliar na definição de seqüências instrucionais coerentes ao planejamento de currículos disciplinares. Atualmente, este método tem sido empregado em diversas atividades de ensino-aprendizagem, pois permite representação diagramática de fácil manipulação e compreensão das estruturas conceituais envolvidas, além da visão integrada do assunto abordado. A elaboração deste MC é realizada por especialistas responsáveis pelo domínio da aplicação, ou seja, de conteúdo específico. Sendo nele representada, de forma implícita, a expectativa de organização da aprendizagem esperada do docente acerca de seus alunos. A crítica mais comum ao uso dos MC como estruturantes do processo de aprendizagem é que o docente acaba criando uma estrutura a partir da sua construção individual e induz o aluno a convergir para suas perspectivas pessoais acerca daquele conhecimento. Isto é verdade em parte. Tudo vai depender de como esta estrutura de base é utilizada pelo professor no trabalho do aluno. Uma estrutura de base do tipo MC, permite organizar regras e orientações para verificar e auxiliar o aluno a construir conceitos de maneira correta, não havendo necessariamente a obrigação de que o aprendiz siga exatamente toda a navegação prevista. Esta elaboração é relevante neste trabalho, uma vez que ela permite a criação de uma aplicação onde cada aprendiz pode ser assistido e direcionado conforme as necessidades idiossincráticas identificadas pelo sistema. Este tipo de estrutura capacita a programar um sistema que pode se adaptar às particularidades de cada aprendiz, promovendo uma interação mais adequada ao aluno usuário do programa. Estas possibilidades de adaptações conferem a este sistema aspectos de raciocino na base do conhecimento. Entretanto, este tipo de raciocínio envolve quantidade de incertezas e imprecisões, quando realizados também pelo especialista humano, pois estas são características inerentes às informações. Diante disso, constata-se que o processo de inferência sobre estes dados será incompleto, pois existe um componente de incerteza com relação ao conhecimento e, dependo da área de aplicação, uma certa dose de inconsistência, tornando difícil organizar o conjunto de regras que podem selecionar conteúdos e atividades a ser oferecido ao aluno-usuário em função do seu perfil. Lembrando que todo sistema que emprega uma arquitetura de STI se caracteriza pela modelagem do usuário e sua respectiva utilização para seleção do comportamento do sistema. Esta é a grande diferença de um programa educacional que se baseia numa arquitetura de STI: a possibilidade de adaptação do sistema as características inferidas do discente. O projeto aqui descrito propõe a organização da base de conhecimento usando MC associados às estruturas mentais oriundas da TAS e a Lógica Fuzzy como recurso para modelagem das características do aluno, buscando elementos para criação do perfil

XVIII Simpósio de Informática na Educação - SBIE Workshop emBrasileiro Informática na Educação (sbie) 2007- Mackenzie - 2007

353

cognitivo do aluno, em dado momento de uso do sistema, permitindo acompanhamento cognitivo de cada aprendiz.

3. Integração da Lógica Fuzzy com a Teoria da Aprendizagem Significativa A aplicação da Lógica Fuzzy busca identificar comportamentos observáveis do estudante sobre o conteúdo e suas atividades de aprendizagem. Algumas variáveis relacionadas ao comportamento observável de seus alunos são capturadas durante suas interações com o ambiente, sendo estas provenientes dos registros de acesso e dos resultados obtidos nas opções oferecidas e escolhidas pelos estudantes durante suas interações. Estes dados armazenados se constituem na parte significativa do conhecimento do assistente sobre cada aprendiz (construção do modelo do aluno), sendo os principais indicadores referentes ao esforço empregado pelo aluno na realização de atividades oferecidas pelo ambiente e nas solicitações de auxílio cooperativo a colegas, monitores ou ao docente. O raciocínio utilizado por este assistente emprega a Lógica Fuzzy, baseada na Teoria dos Conjuntos Fuzzy, para elaborar seu motor de inferência através de regras de produção, termos lingüísticos e funções de pertinência relacionadas aos mapas conceituais. Assim, cada função de pertinência deve ser elaborada para representar a organização estabelecida no conteúdo envolvido por determinada aprendizagem, onde cada novo conteúdo possui seu próprio mapa conceitual e conseqüentemente suas funções de pertinência. A elaboração de um projeto usando Lógica Fuzzy necessita da definição de argumentos obtidos a partir de experimentos ou vivência de seus especialistas [Gomide 1995]. Sua utilização tem se mostrado muito adequada ao tratamento de alguns tipos de imperfeições inerentes às informações, chegando a ser definida como metodologia capaz de capturar dados "vagos", geralmente expressões em linguagem natural, e convertê-los em um formato matemático mais rígido [Rissoli 2001]. Para o desenvolvimento deste projeto foram definidos alguns argumentos (metadados) baseados na experiência dos especialistas e docentes envolvidos com o mesmo, além das hipóteses e requisitos provenientes da TAS. A partir desta experiência, e das pesquisas efetivadas na construção deste trabalho, foram definidas duas variáveis lingüísticas associadas aos comportamentos observáveis dos alunos e relevantes para averiguação de sua aprendizagem significativa. Estas variáveis são: esforço (quantidade e recurso do ambiente utilizado pelo aprendiz) e desempenho (resultados obtidos na interação com o ambiente). Esta aquisição é inicialmente planejada por seus especialistas através da elaboração do mapa conceitual sobre o conteúdo desejado, organizando sua estrutura de tópicos hierarquicamente. Com isso, são identificados os conteúdos relevantes a serem abordados com cada aprendiz, além de estabelecida suas respectivas funções de pertinência coerentes com os objetivos de seus tópicos e suas adequadas atividades interativas. A definição destas funções permite a identificação mais realista da situação cognitiva da aprendizagem de cada aluno sobre os tópicos que compõem o conteúdo do mapa conceitual. Isso ocorre por meio da identificação do grau de pertinência sobre os

XVIII Simpósio de Informática na Educação - SBIE Workshop emBrasileiro Informática na Educação (sbie) 2007- Mackenzie - 2007

354

resultados obtidos em cada tópico, sendo estes elementos reunidos em um conjunto fuzzy que representa sua aprendizagem por tópico. Cada um dos elementos deste conjunto fuzzy é definido a partir do Mapa Conceitual, criado pelos especialistas. Baseando-se nestes resultados o sistema promove recursos e orientações coerentes ao caminho de aprendizagem mais eficiente para cada aluno no decorrer de seu curso, sendo o docente e o assistente responsáveis pelo direcionamento adequado desta aprendizagem. Diante disso, as funções de pertinência para as variáveis lingüísticas de esforço (V) e desempenho (U) vão sendo aplicadas sobre cada um dos tópicos estudados, almejando efetuar o acompanhamento individual de cada aprendiz pelo ITA. Os respectivos termos lingüísticos destas duas variáveis são: T(V) = {baixo, médio, alto} e T(U) = {fraco, razoável, bom}. Estes termos são encontrados conforme resultado obtido por suas respectivas funções de pertinência, que possibilitam a utilização de regras de produção na inferência fuzzy aplicada sobre seus resultados. Estas regras consistem em proposições condicionais não qualificadas (SE... ENTÃO) e conferem "inteligência" ao assistente virtual de ensino na orientação de quais atividades interativas realizar e sobre qual conteúdo dedicar mais atenção no seu atual momento de aprendizagem. Cabe ressaltar um aspecto importante com relação ao uso de Fuzzy: o número de termos lingüísticos adequados para modelar o comportamento do aluno. Quanto maior o número de variáveis lingüísticas maior é o poder de inferência do assistente. A fim de validar esta proposta construiu-se um experimento com um número menor de variáveis para poder viabilizar a implementação e a pesquisa investigatória realizada.

4. Exemplo da Aplicação desta Metodologia Integrada Procurando facilitar a compreensão desta proposta integrativa criou-se um primeiro experimento cujo domínio trata de conteúdos relacionados à disciplina Algoritmo. Geralmente, esta disciplina possui seu objetivo focado em iniciar o estudante na programação de computadores por meio do desenvolvimento de seu raciocínio lógico e sua capacidade de representação deste raciocínio para resolução de problemas onde um computador possa ser utilizado. Por se tratar de uma das principais subáreas na formação superior em Informática e possuir tradição nas dificuldades de efetivação de um ensinoaprendizagem adequado as suas próprias necessidades educacionais, além das demandas da sociedade atual [McKeown 1999], este exemplo prático está fundamentado na primeira aplicação desta metodologia como experimento de estudo e pesquisa. Vários são os trabalhos que empregam recursos computacionais no apoio deste ensino-aprendizagem ([Almeida 2002]; [Mendes 2000]; [Esmin 1998]; entre outros), onde são encontradas diversas contribuições. No entanto, poucos almejam modelar o aluno computacionalmente, sendo menor ainda a quantidade de ambientes que aplicam mecanismos inteligentes para uma adequação dinâmica das necessidades especificas de cada de seus aprendizes. Inicialmente, nesta proposta exemplificada, os professores especialistas definiram o mapa conceitual desta disciplina, conforme apresentado na Figura 1. Por

XVIII Simpósio de Informática na Educação - SBIE Workshop emBrasileiro Informática na Educação (sbie) 2007- Mackenzie - 2007

355

conseguinte, estes também definiram as funções de pertinência referentes aos componentes deste mapa, além dos elementos que compõem o conjunto fuzzy completo e seus respectivos cortes mínimos satisfatórios para esta aprendizagem.

Figura 2. Mapa conceitual da disciplina de Algoritmo.

No intuito de representar os elementos deste conjunto, assim como seus respectivos cortes mínimos, será usado o conjunto fuzzy A para demonstração destas definições dos especialistas neste exemplo com Algoritmo. Sua notação integrativa, entre o mapa conceitual e o conjunto fuzzy A, consiste em: U- Uso do Computador, R- Representação do Raciocínio, E- Instruções de Entrada e Saída de Dados, S- seleção, Rp- repetição, F- função, P- procedimento, N- estrutura numérica, C- estrutura de caractere. Essa representação instrutiva do conjunto fuzzy A consiste em: 0,6/R + 0,5/E + 0,7/S + 0,7/Rp + 0,6/F + 0,8/P + 0,5/N + 0,7/C}.

A = {0,5/U +

A princípio todos estes cortes são estipulados sobre a nota mínima necessária para aprovação em uma disciplina. A coleção dos resultados obtidos por um determinado aluno, para cada elemento do conjunto A, o transforma em um conjunto fuzzy sig-psico que representa a aquisição de conceitos significativos para um estudante, (seu significado psicológico por estudante). Conforme o acompanhamento de aprendizagem para cada elemento deste conjunto, que corresponde aos tópicos definidos na disciplina, o estudante segue seu caminho de estudo recebendo orientação do assistente virtual sobre qual atividade realizar e que conteúdo estudar na superação do corte mínimo de cada elemento do conjunto fuzzy. Esse aconselhamento acontece por meio da constatação do termo lingüístico mais adequado às variáveis esforço e desempenho. Supondo um esforço baixo e um desempenho razoável, ambos resultantes de suas respectivas funções, uma inferência será realizada sobre a base de conhecimento e a regra mais adequada será aplicada, como em: SE esforço é baixo E desempenho é razoável ENTÃO o elemento do sig-psico é insatisfatório. Por meio deste “raciocínio” o sistema orientará o aprendiz a revisar o conteúdo de estudo e a realizar determinados tipos de atividades interativas mais condizentes com sua situação cognitiva atual. Somente quando o aprendiz obtiver todos os elementos, previamente estabelecidos no sig-psico, atendendo ao mínimo estipulado como satisfatório para esta disciplina, lhe será possível calcular o grau de disparo para a mesma, identificando assim o grau de confiança sobre a aprendizagem significativa efetivada neste conteúdo. Este tipo de análise também pode ser adotado na averiguação da assimilação de componentes mais inclusivos representados no mapa conceitual, não sendo estes elementos pertencentes ao conjunto fuzzy sig-psico. Este tipo de cálculo permite

XVIII Simpósio de Informática na Educação - SBIE Workshop emBrasileiro Informática na Educação (sbie) 2007- Mackenzie - 2007

356

apuração da aprendizagem significativa dos conceitos hierarquicamente superiores no mapa conceitual, assim como de sua estabilidade como conceito subsunçor.

5. Resultados A realização do primeiro experimento em situação real (universidade) envolveu duas disciplinas que são lecionadas de maneira contínua durante o primeiro e o segundo semestres do curso presencial de Bacharelado em Ciência da Computação. O uso do programa, denominado SAE (Sistema de Apoio Educacional), iniciou em abril de 2007 e terminou com o fim deste semestre letivo (junho de 2007). Constatou-se, por meio de entrevistas próximas ao final deste semestre, e dados oriundos das atividades com o sistema, que 100% dos participantes entrevistados, declaram que usar o sistema os auxiliou a entender os conteúdos e organizar seus estudos. Os resultados alcançados na aprovação destas disciplinas indicaram melhora média em torno de 10% entre as 5 diferentes turmas que participaram deste experimento, sendo 3 de Algoritmo e 2 de Laboratório 1. Esta melhora foi obtida por meio da comparação dos resultados alcançados no semestre anterior (2006/2) ao uso do SAE, com as mesmas disciplinas e professores envolvidos no experimento com este ambiente. Na Tabela 1 são apresentados os índices de aprovação alcançados por estas turmas nos dois semestres, sendo comparadas somente as turmas que tiveram o mesmo docente nestes dois semestres. Tabela 1. Síntese dos dados comparados entre os semestres 2006/2 e 2007/1.

Índice de Aprovação Disciplina Algoritmo

Laboratório 1

Turma

2006/2

2007/1

Docente Comparação

T1

52,9%

70,0%

D1

17,1%

T2

52,9%

48,1%

D1

-4,8%

T3

58,3%

66,7%

D2

8,3%

T4

46,4%

65,0%

D1

18,6%

T5

44,8%

54,5%

D2

9,7%

Na comparação em Algoritmo o docente D1 lecionou em duas turmas diferentes no semestre 2007/1, sendo estas comparadas com a única turma em que D1 lecionou no semestre anterior (2006/2). Apesar deste docente possuir o melhor aproveitamento nesta disciplina (17,1% em T1), sua outra comparação (T2) apresentou piora, ao invés de melhora no índice de aprovação. Este resultado divergente, envolvendo o mesmo docente na mesma disciplina, exigiu um estudo detalhado sobre a participação dos alunos nesta disciplina e identificou uma conduta divergente entre os estudantes das turmas comparadas entre T1 e T2 somente de 2007/1. Uma quantidade expressiva de alunos da turma T2 em 2007/1 usou o ambiente de apoio em um índice de acompanhamento menor que a média de utilização de todas as outras turmas do mesmo docente (T1 e T4), não caracterizando um esforço coerente dos aprendizes com a expectativa de sua aprendizagem significativa em Algoritmo. Além disso, foi possível observar o uso mais assíduo dos recursos tecnológicos,

XVIII Simpósio de Informática na Educação - SBIE Workshop emBrasileiro Informática na Educação (sbie) 2007- Mackenzie - 2007

357

disponibilizados no semestre 2007/1, muito próximo ao final do semestre letivo, porém não resultando em uma ação positiva para aprendizagem de grande parte dos estudantes desta turma (T2 em 2007/1). Dessa forma, os resultados obtidos neste primeiro experimento apresentaram uma situação positiva na aplicação desta metodologia integrada (TAS, Fuzzy e sistema), enfatizando ainda o melhor aproveitamento médio alcançado por cada turma entre uma atividade avaliativa anterior a inserção do ambiente em 2007/1 e outra posterior ao seu uso, com melhora em torno de 50% na média das notas alcançadas por todas as turmas participantes deste experimento.

6. Considerações Finais e Trabalhos Futuros A principal contribuição deste trabalho consiste na proposta de construção de um sistema, baseado numa arquitetura de STI, onde o modelo de aluno é construído a partir da representação das variáveis lingüísticas associadas à Lógica Fuzzy. E, a possibilidade do professor manipular a base de regras afim de ajustá-las conforme o perfil do aluno. Ou seja, em termos de arquitetura não existe a inclusão de um novo módulo ou grandes alterações estruturais. O que se realizou foi um STI utilizando uma metodologia de aprendizagem baseada na TAS, modelando a base de domínio através de Mapas Conceituais, os quais permitiram a criação de uma estrutura hierárquica de pré-requisitos e co-requisitos que organiza os conteúdos e permite a criação de uma base de regras associada ao módulo tutor, cuja seleção é feita através do resultado oriundo do módulo do aluno. Sendo este constituído de um conjunto de informações estáticas e dinâmicas (estas provenientes da interação com o sistema) modeladas através de conceitos da Lógica Fuzzy. Apesar dos resultados positivos, foi expressiva a quantidade de sugestões, tanto de alunos, docentes e monitores, para o uso mais freqüente de outros recursos cooperativos no sistema SAE. Isso reforçou a possibilidade de expansão do SAE com um ambiente de educação à distância, tornando-o mais abrangente por meio da inclusão de outras variáveis lingüísticas, possibilitando ainda uma averiguação mais ampla sobre a capacidade da Lógica Fuzzy como recurso para modelar o comportamento cognitivo do aluno em um determinado momento de interação com o sistema. 7. Referências Almeida, E. S. de. et al. (2002) AMBAP: Um Ambiente de Apoio ao Aprendizado de Programação. In: Workshop sobre Educação em Computação. Florianópolis. Anais... Florianópolis: SBC, 2002. p. 691-700. Ausubel, D. P. ; Novak, J. P. ; Hanesian, H. (1968). Educational Psichology: A cognitive view., New York, Holt, Rinehart and Winston. Ausubel, D. P. (2000) The acquisition and retention of knowledge: A cognitive view. Dordrecht: Kluwer Academic. Chou, C. Y. ; Chan, T. W. ; Lin, C. J. (2003) Redefining the learning companion: the past, present, and future of educational agents, Computers and Education, v. 40, n. 3, p. 255-269. Esmin, A. A. A. (1998) Portugol/Plus: Uma ferramenta de apoio ao ensino da Lógica de Programação baseado no Portugol. In: Congresso Iberoamericano de Informática Educativa. Brasília. Actas... Brasília, 1998. Disponível em: . Acesso em: 20 mar. 2005.

XVIII Simpósio de Informática na Educação - SBIE Workshop emBrasileiro Informática na Educação (sbie) 2007- Mackenzie - 2007

358

Gomide, F. ; Gudwin, R. ; Tanscheit, R. (1995) Conceitos fundamentais da teoria de conjuntos fuzzy. Lógica fuzzy e aplicações. In: Proceedings 6th IFSA World Congress, Tutorials, pp.1-38, São Paulo, Brasil. Larson, R. (1999) As novas realidades e os desafios da educação tecnológica superior. Disponível em: . Acesso em: 15 junho 2007. McKeown, J. ; Farrell, T. (1999) Why We Need to Deve1op Succcess in Introductory Programming Courses. In: Central Plains Conference (CCSC), Maryville, MO, 1999. Mendes, A. J. N. ; Gomes, A. J. (2000) Suporte à Aprendizagem da Programação com o Ambiente SICAS. In: Congresso Iberoamericano de Informática Educativa. Viña del Mar. Actas... Viña del Mar: Universidad de Chile, 2000. Disponível em: . Acesso em: 22 abr. 2005. Novak, J. (1998) Learning, Creating, and Using Knowledge: Concept Maps as Facilitative Tools in Schools and Corporations. Lawrence Erlbaum Associates, New Jersey. Rissoli, V. R. V. (2001) Sistema especialista fuzzy para avaliação de instituições educacionais. 143p. Dissertação (Mestrado em Inteligência Artificial) – Faculdade de Ciência da Computação, Universidade Federal de São Carlos, São Carlos. Viccari, R. M. ; Giraffa, L. M. M. (2003) Fundamentos dos Sistemas Tutores Inteligentes. In: Barone, D. (Org.). Sociedades Artificiais: A Nova Fronteira da Inteligência nas Máquinas. Porto Alegre: Bookman, p. 155-208. Yacef, K. (2002) Intelligent Teaching Assistant Systems. In: International Conference on Computers in Education. New Zeland. Proceedings... New Zeland: IEEE, 2002. v. 1, p. 136140. Zadeh, L. A. (1975) Fuzzy Logic and Approximate Reasoning. Synthese, v. 30, n. 3-4, p. 407428.

XVIII Simpósio de Informática na Educação - SBIE Workshop emBrasileiro Informática na Educação (sbie) 2007- Mackenzie - 2007

359