conteÚdo didÁtico multinÍvel para personalizaÇÃo

15
CONTEÚDO DIDÁTICO MULTINÍVEL PARA PERSONALIZAÇÃO REATIVA EM SISTEMAS TUTORES INTELIGENTES Francisco Ramos de Melo ‡* [email protected] Edna Lúcia Flôres * [email protected] Sirlon Diniz de Carvalho * [email protected] Weber Martins [email protected] Gilberto Arantes Carrijo * [email protected] Antônio Cláudio Paschoarelli Veiga * [email protected] * Universidade Federal de Uberlândia Faculdade de Engenharia Elétrica Uberlândia– MG – Brasil Universidade Federal de Goiás Faculdade de Engenharia Elétrica e Computação Goiânia - GO – Brasil Universidade Estadual de Goiás UNUCET/UNUEAD– Anápolis– GO – Brasil ABSTRACT Multi Level Didatic Content for Reactive Personalization On Intelligent Tutor Systems This paper presents a model for organization of educational content in connectionists intelligent tutoring systems. The availability of educational content in a single format has emerged as a problem for many students. The inadequacy of a single format of content that ignores differences in individ- ual profiles may have inefficient outcomes in the teaching- learning process. The proposed multilevel structure allows for different combinations of concepts for presentation to the same content. Assuming that the pattern of successful orga- nization of the study by a student can be applied to other stu- dents with similar profiles, a system was structured to assist in the task of customization reactive content. The customiza- Artigo submetido em 06/12/2010 (Id.: 1227) Revisado em 09/03/2011, 23/06/2011, 06/11/2011, 24/02/2012 Aceito sob recomendação do Editor Associado Prof. Jés de Jesus Fiais Cer- queira tion is provided by a neural network that links the student’s profile to a proximal learning pattern. This pattern is com- bined with expert rules to enable a probabilistic selection so that the system presents the reactivity in the different learning stages. The results of experiments indicate that the approach is effective in providing better use of the content in the per- sonal study and its potential use in Distance Education. KEYWORDS: Didactics personalized contents, learning proximity patterns, intelligent tutor systems, artificial neural networks, didactic personalization. RESUMO Este trabalho apresenta um modelo para organização de con- teúdos didáticos em sistemas tutores inteligentes conexionis- tas. A disponibilidade de conteúdos didáticos em formato único tem se apresentado como um problema para muitos es- tudantes. A inadequação de um formato único de conteúdo Revista Controle & Automação/Vol.23 no.6/Novembro e Dezembro 2012 679

Upload: truongdan

Post on 09-Jan-2017

226 views

Category:

Documents


2 download

TRANSCRIPT

Page 1: CONTEÚDO DIDÁTICO MULTINÍVEL PARA PERSONALIZAÇÃO

CONTEÚDO DIDÁTICO MULTINÍVEL PARA PERSONALIZAÇÃO REATIVAEM SISTEMAS TUTORES INTELIGENTES

Francisco Ramos de Melo‡∗[email protected]

Edna Lúcia Flôres∗[email protected]

Sirlon Diniz de Carvalho∗

[email protected] Martins †

[email protected]

Gilberto Arantes Carrijo ∗

[email protected]ônio Cláudio Paschoarelli Veiga∗

[email protected]

∗Universidade Federal de UberlândiaFaculdade de Engenharia Elétrica

Uberlândia– MG – Brasil

†Universidade Federal de GoiásFaculdade de Engenharia Elétrica e Computação

Goiânia - GO – Brasil

‡Universidade Estadual de GoiásUNUCET/UNUEAD–

Anápolis– GO – Brasil

ABSTRACT

Multi Level Didatic Content for Reactive PersonalizationOn Intelligent Tutor SystemsThis paper presents a model for organization of educationalcontent in connectionists intelligent tutoring systems. Theavailability of educational content in a single format hasemerged as a problem for many students. The inadequacy ofa single format of content that ignores differences in individ-ual profiles may have inefficient outcomes in the teaching-learning process. The proposed multilevel structure allowsfor different combinations of concepts for presentation tothesame content. Assuming that the pattern of successful orga-nization of the study by a student can be applied to other stu-dents with similar profiles, a system was structured to assistin the task of customization reactive content. The customiza-

Artigo submetido em 06/12/2010 (Id.: 1227)Revisado em 09/03/2011, 23/06/2011, 06/11/2011, 24/02/2012Aceito sob recomendação do Editor Associado Prof. Jés de Jesus Fiais Cer-

queira

tion is provided by a neural network that links the student’sprofile to a proximal learning pattern. This pattern is com-bined with expert rules to enable a probabilistic selectionsothat the system presents the reactivity in the different learningstages. The results of experiments indicate that the approachis effective in providing better use of the content in the per-sonal study and its potential use in Distance Education.

KEYWORDS: Didactics personalized contents, learningproximity patterns, intelligent tutor systems, artificialneuralnetworks, didactic personalization.

RESUMO

Este trabalho apresenta um modelo para organização de con-teúdos didáticos em sistemas tutores inteligentes conexionis-tas. A disponibilidade de conteúdos didáticos em formatoúnico tem se apresentado como um problema para muitos es-tudantes. A inadequação de um formato único de conteúdo

Revista Controle & Automação/Vol.23 no.6/Novembro e Dezem bro 2012 679

Page 2: CONTEÚDO DIDÁTICO MULTINÍVEL PARA PERSONALIZAÇÃO

que desconsidera diferenças de perfil individual pode apre-sentar resultados ineficientes no processo de ensino aprendi-zagem. A proposta de estruturação multinível de conceitospossibilita diferentes combinações de apresentação para ummesmo conteúdo. Pressupondo que o padrão bem sucedidode organização do estudo por um estudante pode ser aplicadoa outros estudantes com perfis semelhantes, um sistema foiestruturado para auxiliar na tarefa de personalização reativado conteúdo. A personalização é propiciada por uma redeneural que associa o perfil do estudante a um padrão proxi-mal de aprendizagem. Este padrão é combinado com regrasde especialistas para possibilitar uma seleção probabilisticapara que o sistema apresente a reatividade nos diferentes mo-mentos do processo. Os resultados do experimento indicamque a abordagem é eficiente ao proporcionar melhor aprovei-tamento do conteúdo no processo individual de estudo e oseu potencial emprego no Ensino a Distância.

PALAVRAS-CHAVE : Conteúdos didáticos personalizados,padrões proximais de aprendizagem, Sistemas tutores inte-ligentes, redes neurais artificiais, personalização didática.

1 INTRODUÇÃO

Desde os primórdios da humanidade adquirir e transmitir oconhecimento têm sido os elementos que diferenciam e im-pulsionam o desenvolvimento humano. O conhecimento temsido os elementos que diferenciam e impulsionam o desen-volvimento humano. O conhecimento tem sido o instru-mento utilizado para promover e assegurar a sobrevivênciada humanidade, a evolução pessoal e social e a soberaniadas nações. Como decorrência, os processos de aquisição(aprendizagem) e de transmissão (ensino, instrução) do co-nhecimento têm sido alvo de muitos questionamentos e in-vestigações (Dewey, 1900; Thorndike, 1931).

O modo mais antigo e mais utilizado para transmitir conhe-cimento ainda é o presencial. Uma das principais caracterís-ticas desse modelo é a presença simultânea do agente trans-missor (professor) e do agente receptor (estudante). Na mo-dalidade presencial, o processo de transmitir é a interaçãoen-tre o professor e o estudante, onde o professor conduz o pro-cesso conforme sua percepção da reatividade do estudante.(Horton, 2000).

Com a expansão tecnológica e baseados na idéia de que partedo processo ensino-aprendizagem pode dispensar a presençafísica do professor junto aos estudantes, educadores e psicó-logos desenvolveram o campo de investigação e de tecnolo-gia educacional, denominado “Ensino à Distância” (EAD).Uma vantagem oferecida pelo EAD é sua característica as-síncrona, onde professor e aluno não precisam compartilharsimultaneamente o mesmo espaço e tempo. Sem as limita-ções impostas pelo modelo presencial, o EAD tem permitido

maior disseminação de conhecimentos, favorecendo a popu-larização do ensino (Jonassen, 2001; Phelan, 2002).

O sucesso de um processo de transmissão de conhecimentodeve considerar a organização e apresentação do conteúdo(Libâneo, 1994). Geralmente, para a elaboração, escolhae aplicação de programas e procedimentos de ensino paraclasses numerosas, os professores desenvolvem um formatoúnico. Neste formato é pressuposto um determinado perfil deestudante. No modelo presencial o formato único apresentaresultados efetivos devido a interação imediata do professorcom o aluno no momento em que ocorrem dificuldades. Pelacaracterística assíncrona do EAD, a ação do professor nãoacontece no instante em que ocorrem problemas, tais comodúvidas ou erro de interpretação. Desta forma, o estudanteem um ambiente de aprendizagem individual pode ser preju-dicado pela demora ou falta da ação docente (Horton, 2000;Rosenberg, 2001).

Para transmitir conhecimentos, Skinner (1968) aponta a im-portância e conceitos da organização da sequência didática.Nestes conceitos observa-se a necessidade de estabelecer pa-drões para sistematizar o processo. Os conceitos do traba-lho de Skinner embasam definições de formatação, fraciona-mento e apresentação do conteúdo que viabilizam a media-ção do conhecimento com o emprego de máquinas.

A necessidade de proporcionar instrução a contingentes po-pulacionais cada vez maiores e mais diversos com custo re-duzido levou ao desenvolvimento de novas alternativas ins-trucionais. A introdução de computadores eletrônicos pro-porcionou o desenvolvimento de muitas tecnologias para au-xiliar nos processos educacionais. A inteligência artificial(IA) é uma das tecnologias computacionais que tem propor-cionado soluções de interação na modalidade não presencial.Várias aplicações com IA, como os sistemas tutores inteli-gentes (STI), foram desenvolvidas buscando formas de esta-belecer ligações entre o objeto de aprendizagem e o saber doestudante (Dastbaz, 2006; Duque, 2006).

Normalmente, os STIs são desenvolvidos com técnicas de IAclássica, onde os processos de conhecimento são abstraídoseorganizados em regras ou estruturas equivalentes. Nas dife-rentes técnicas empregadas observa-se um esforço no sentidode desenvolver disponibilidades de estratégias diferenciadase um mecanismo que possibilite a adaptação necessária (per-sonalização) ao estudante. (Rissoli, 2007, González, 2009;Fontenla, 2010). Um grande esforço no desenvolvimento deum STI é a busca de um mecanismo que possa compensara falta do professor para interagir (reatividade) com o estu-dante durante a apresentação do conteúdo. Existe um grandeesforço no desenvolvimento de técnicas para personalizar re-ativamente o conteúdo apresentado (Vicari, 2005; Dastbaz,2006; Duque, 2006, Jimenez, 2006; Méndez, 2008). A per-

680 Revista Controle & Automação/Vol.23 no.6/Novembro e De zembro 2012

Page 3: CONTEÚDO DIDÁTICO MULTINÍVEL PARA PERSONALIZAÇÃO

sonalização reativa do conteúdo proporciona uma apresen-tação adaptada ao perfil do estudante e reajustes durante aapresentação para proporcionar interação com o estudante.

Uma alternativa no desenvolvimento de STIs emprega téc-nicas de IA conexionista. Carvalho (2002) desenvolveu umsistema utilizando rede neural artificial (RNA) para validara personalização e a reatividade do STI conexionista. Nessesistema, foi inserida uma RNA após cada questionário avalia-tivo do nível de conceito do conteúdo apresentado. O sistemaapresentou bons resultados, mas com um grande número deRNAs especializadas.

Melo (2003) simplificou o sistema de Carvalho (2004) con-cebendo e implementando um STI híbrido utilizando umaúnica RNA global e regras de especialistas para decisões dosistema na navegação. Posteriormente, foi demonstrada acapacidade do STI híbrido para apresentar outros conteúdosutilizando a mesma RNA (Quinderé, 2008).

Nos trabalhos de Carvalho (2002), Melo (2003) e Quinderé(2008) não foi observada a apresentação de um formalismomatemático. A formalização matemática de um modelo faci-lita seu entendimento e possibilita a concepção e o desenvol-vimento de novos trabalhos. Trabalhos apresentados em dife-rentes áreas do conhecimento mostram a capacidade de des-crição da formalização matemática (Vargas, 2008; Cereda,2008; Barajas, 2010).

Este trabalho apresenta um modelo para personalização re-ativa de conteúdos didáticos. No trabalho é proposta umamaneira de reestruturar e formalizar um conteúdo em dife-rentes níveis de apresentação do mesmo conceito. A combi-nação de diferentes níveis conceituais possibilita estabelecerum conteúdo personalizado para cada estudante. Adicional-mente é inserido um formalismo para definição de uma traje-tória reativa de apresentação do conteúdo. Este formalismo,empregando o método de diferenças finitas, procura funda-mentar o desenvolvimento de trabalhos com sistemas tutoresinteligentes conexionistas. Um sistema, com o método pro-posto, identifica o perfil do estudante e estabelece a relaçãocom um padrão proximal de aprendizagem. A partir dessepadrão, regras de especialistas complementam a personaliza-ção proporcionando reatividade para os diferentes momentosda apresentação do conteúdo. Os resultados demonstram aaplicabilidade das técnicas.

Este artigo está estruturado da seguinte maneira: as seções2 a 5 apresentam a fundamentação para o processo de per-sonalização dos conteúdos. O método proposto, a descriçãodo experimento e os resultados obtidos são mostrados nasseções 6 e 7. Na seção 8 são realizadas as conclusões.

2 COMPUTADORES NA EDUCAÇÃO

O uso de computadores eletrônicos na educação teve iní-cio nos anos 50, com a introdução dos sistemas tutores. Asprimeiras aplicações desses sistemas são consideradas comosimples “viradores de páginas eletrônicos” devido a sua ca-racterística estática na apresentação dos conteúdos. Parcelaconsiderável das aplicações educacionais que vieram a uti-lizar a tecnologia dos sistemas tutores foi classificada como“Instrução Assistida por Computador” (CAI, expressão tra-duzida do Inglês: “Computer-Assisted Instruction”). No de-senvolvimento da customização do tutorial, técnicas de IAforam introduzidas para criar um STI reativo e adaptativo aoestudante durante o processo de desenvolvimento da tutoria.Sistemas tutores utilizando IA são classificados como STIsou “Instrução Inteligente Assistida por Computador” (ex-pressão traduzida do Inglês “Intelligent Computer-AssistedInstruction” - ICAI) (Rosenberg, 2001).

Para contextualizar a proposta de Sistemas Tutores Inteligen-tes (STI) baseados em redes neurais artificiais é importanteobservar a existência de diversas estruturas de tutoriais.Demaneira geral, o tutorial é iniciado por uma introdução e nofinal é realizada uma atividade avaliativa para medir a reten-ção de conhecimento sobre o que foi apresentado. Em ge-ral as estruturas apresentadas nos tutorias são estáticas,nãoreativas e com pouca ou nenhuma possibilidade de perso-nalização. O processo de ensino-aprendizagem é altamentedinâmico e a personalização do processo tem muitos fatoresa serem considerados (Horton 2000).

O desenvolvimento de um sistema computacional para au-xiliar na organização didática de apresentação do conteúdoproposto pelo professor, respeitando a individualidade does-tudante, é justificado pela necessidade de criar mecanismosque possibilitem a democratização do conhecimento. Estademocratização é justamente para promover o processo deinclusão daqueles que, por razões adversas, não têm dis-ponibilidade de acesso a um tutor humano na mediação doprocesso de internalização de seus conhecimentos. Para tal,deve-se considerar que cada estudante tem um perfil particu-lar de inteligência. O ensino a distância (EAD) tem a missãode atender ao estudante de forma que o aprendizado seja sig-nificativo para ele (Tajra 2001).

3 REDES NEURAIS ARTIFICIAIS

As redes neurais artificiais (RNA) são estruturas de processa-mento que imitam a atividade de processamento do cérebrohumano. A principal característica de uma RNA é a capa-cidade de estabelecer uma relação dos dados apresentadosem suas entradas e efetuar a classificação em padrões na suasaída (Fausett, 1994; Haykin, 2000; Braga, 2007).

Revista Controle & Automação/Vol.23 no.6/Novembro e Dezem bro 2012 681

Page 4: CONTEÚDO DIDÁTICO MULTINÍVEL PARA PERSONALIZAÇÃO

O cérebro humano é composto de neurônios iterligados, for-mando uma rede neural. Os neurônios biológicos são célulasnervosas que podem ser funcionalmente divididas em três se-ções inter-relacionadas: o corpo da célula, os dendritos e oaxônio. Os estimulos são recebidos pelos dentritos e são pro-cessados pelo corpo da célula que emite uma saída pelo axô-nio. A saída de um neurônio é repassada para outro neurô-nio por meio de uma ligação denominada sinapse. As sinap-ses funcionam como válvulas, sendo capazes de controlar atransmissão de impulsos entre os neurônios na rede neural.O efeito das sinapses é variável e esta variação implementaa capacidade de adaptação ao neurônio. Para implementa-ção das RNAs foi proposto um modelo de neurônio artificial(nodo) similar, em estrutura e funcionamento, ao neurôniobiológico. O nodo possui um ou mais sinais de entrada asso-ciada a um peso, um sinal de saída e o corpo do neurônio re-presentado por duas funções (soma e ativação). O peso é umvalor que indica o grau de importância da entrada na forma-ção do sinal de saída do neurônio. A entrada de dados ocorrecom a apresentação das caracteristicas consideradas na clas-sificação em cada uma das entradas da. Cada entrada é pon-derada pelo respectivo peso antes de ser inserido na unidadede processamento. Para realizar o processamento o neurô-nio efetua uma soma de todas as entradas ponderadas pelosrespectivos pesos e submete esta soma a uma função préde-finida, denominada função de ativação. Conforme o tipo dafunção de ativação, é produzido um sinal na saída que é aclassificação do padrão apresentado. Para efetuar a classifi-cação, a rede deve passar por um treinamento (Fausett, 1994;Haykin, 2000; Braga, 2007).

A rede neural perceptron multi-camadas (MLP, do inglêsMult Layer Perceptron) é um modelo que possibilita a iden-tificação e classificação de padrões. A classificação de pa-drões pela RNA do tipo MLP é possivel após o treinamentosupervisionado. Neste paradigma é utilizado um conjuntode exemplos dos padrões a serem classificados. Cada ele-mento do conjunto é composto de um grupo de caracteris-ticas (utilizadas como entradas) e o padrão correspondente,que representa a saída esperada. Após a apresentação das ca-racterísticas na entrada da RNA, a saída claculada pela redeé comparada com a saída esperada. Caso haja diferença, serárelizado um reajuste nos valores dos pesos das conexões. Oreajuste dos pesos é realizado iterativamente até que a redeseja considerada treinada. O algoritmo backpropagation é omais difundido para o treinamento de redes tipo MLP. Con-forme apresentado na Figura 1, nesta arquitetura os neurô-nios são organizados em camadas de entrada, intermediária esaída (Fausett, 1994; Haykin, 2000; Braga, 2007).

Após o treinamento a RNA tem a capacidade de identificarnovos padrões, diferentes dos padrões utilizados no treina-mento, estabelecendo uma nova classificação intermediária

Figura 1: RNA modelo MLP

entre os padrões aprendidos durante o treinamento (Fausett,1994; Haykin, 2000, Braga, 2007).

Existe uma diversidade de técnicas para reconhecimento eclassificação de padrões que se aplicam aos mais variadostipos de problemas (Duda, 2000). A técnica de RNA-MLPaplicada ao problema analisado apresentou boa eficácia, de-monstrando ser uma técnica bastante adequada a este tipo deproblema (personalização reativa de conteúdos didáticos).

4 PERFIL DO ESTUDANTE

Na análise dos perfis de estudantes pode-se constatar que nãoexiste um modelo único de perfil. Na verdade existe umagrande diversidade de perfis de personalidades com variadospadrões de comportamento.

Pesquisas na area da Psicologia possibilitaram o desenvolvi-mento de ferramentas para classificar padrões da mente hu-mana. Os trabalhos estabelecem a relação de padrões decomportamento com as características obtidas empregandotestes psicológicos (Hogan, 2006; Gregory, 2007; Schultz2008).

Segundo Jung (2008), o tipo psicológico é uma explanaçãoda personalidade humana. Ele observou que o comporta-mento humano não é algo aleatório, onde as ações são re-sultados do acaso. Ao invés disso, Jung observou que o com-portamento segue padrões desenvolvidos a partir da estruturada mente humana. Desta forma, Jung desenvolveu uma te-oria, representada na Figura 2, sobre os tipos psicológicostendo por base quatro funções e duas atitudes. Essas fun-ções são sentimento, raciocínio, intuição e sensibilidade. Eas atitudes são a extroversão e a introversão. Quando a mentehumana está em atividade, ela está realizando uma das duastarefas: obtendo informações (percebendo) ou organizandoe priorizando informações para decidir (julgando) (Daniels1992, Jung 2008).

682 Revista Controle & Automação/Vol.23 no.6/Novembro e De zembro 2012

Page 5: CONTEÚDO DIDÁTICO MULTINÍVEL PARA PERSONALIZAÇÃO

Figura 2: Organização da Mente Humana

A observação da Figura 2 indica que é possivel verificar apossibilidade de estabelecer padrões para classificar as açõesmentais.

Figura 3: Exemplo de uma dimensão de dicotomia

Os tipos psicológicos são desenvolvidos à medida que as pes-soas direcionam sua energia para cada um dos pares opostos(dicotomias). Os testes psicológicos fazem parte do campode investigação da psicologia que associam itens cotidia-nos do ser humano a padrões de dimensões que expressamuma característica comportamental (Hogan, 2006; Gregory,2007). Normalmente, essas dimensões são representadas pordicotomias. Dicotomias são duas características de uma de-terminada dimensão posicionadas em extremidades contrá-rias. O conjunto de resposta aos itens do teste psicológicoidentifica a tendência de cada característica na dimensão con-siderada. A Figura 3 mostra um exemplo da dimensão “Jul-gamento”. Neste exemplo, a dicotomia é formada pelas ca-racterísticas “Sensibilidade” representada pelo valor 1 e“Ra-zão” representada pelo valor -1. Pode-se verificar nessa fi-gura que a dimensão “Julgamento” tende para o valor 1, ouseja, a característica “Sensibilidade”.

Para identificar o perfil do estudante, o método proposto uti-liza a combinação de três padrões de classificação, cada umcom uma região de abrangência (Duda, 2000). Esses pa-drões são: pessoal, habilidades e pré-conhecimento do con-teúdo. O padrão pessoal é um conjunto de característicasobtidas a partir de um teste psicológico. O padrão de pré-conhecimento está relacionado com o conteúdo a ser apre-

sentado e é definido a partir de um teste inicial contendoquestões sobre o conteúdo. O padrão de habilidades é de-finido a partir de um questionário sobre a situação sócio-cultural e a familiarização com tecnologias. Cada teste (psi-cológico, habilidades e pré-teste) é utilizado para definiropadrão na respectiva região de abrangência (Melo, 2006).

A região de abrangência de uma dimensãoΨd é definida porum conjunto de itens do teste psicológico. O conjunto dasn

dimensõesd consideradas no teste psicológico forma o pa-drão pessoalΨ como mostrado na Equação (1).

Ψ =

n∑

d=1

Ψd (1)

O padrão de habilidadesH é uma avaliação do contexto so-ciocultural do estudante. A avaliação pode conter itens comoidade, sexo, manuseio de tecnologias, etc. Esse padrão com-plementa o padrão pessoalΨ com o objetivo de estabelecerelementos mais próximos da realidade do estudante e sua in-teração com o conteúdo.

O padrão do pré-conhecimentoK do conteúdo é um pré-teste aplicado antes da apresentação do conteúdo. O objetivodesse pré-teste é verificar o grau de conhecimento do estu-dante sobre o conteúdo a ser apresentado. Para cada conceitodo conteúdo é formulada uma questão no pré-teste.

Cada padrão pode ser visualizado como uma região em umplano multidimensional. Neste plano a região de um padrãoespecífico é definida pela combinação dos valores dos ele-mentos considerados na definição do padrão.

Considerando o padrão psicológico (Ψ), cada estudante temum perfil único. Porém, se for considerado apenas esse pa-râmetro, a grande variedade de padrões psicológicos resultaem uma grande quantidade de perfis de estudante. Entre-tanto, conforme a finalidade de utilização, um padrão psi-cológico pode ser aproximado a outro padrão semelhante.Utilizar outros padrões como complemento do padrão psi-cológico pode melhorar a abrangência da região do perfildo estudante. Com o crescimento dessa região, aumenta aprobabilidade de regiões comuns. Neste sentido, os padrõesde habilidades (H) e de pré-conhecimento do conteúdo (K)possibilitam maior abrangência da região de classificação doperfil do estudante. Aumentando a abrangência da região declassificação (Duda, 2000), é possível classificar por aproxi-mação um maior número de perfis de estudante na mesmaregião.

O perfil do estudante é uma complexa estrutura resultanteda interação de diversos padrões, resultando em um padrãodiferenciado para cada estudante (Keirsey1998). Neste tra-balho, o perfil do estudante (Ω) é uma região definida pela

Revista Controle & Automação/Vol.23 no.6/Novembro e Dezem bro 2012 683

Page 6: CONTEÚDO DIDÁTICO MULTINÍVEL PARA PERSONALIZAÇÃO

intersecção dos três padrões (pessoalΨ, habilidadeH e pré-conhecimento do conteúdoK). Neste trabalho, as caracte-risticas destes padrões (características psicológicas, situaçãosócio cultural e familiarização com tecnologias e pré-teste)são as entradas da rede neural artificial, para definir o perfildo estudante A configuração da RNA (estabelecida no trei-namento com exemplos) possibilita que ela classifique, esta-beleça a intersecção entre os padrões e apresente na saída osvalores do padrão de aprendizagem do estudante. Este pa-drão é o conjunto de valores com o percentual de preferênciapor cada tipo de nível do conteúdo.

5 CONTÉUDOS DIDÁTICOS

O processo de ensino-aprendizagem pode ser representadopela combinação de ações do professor e do estudante, como objetivo de assimilar conhecimentos. Nessa representação,podem ser visualizados três elementos: o professor, o estu-dante e o conteúdo a ser ensinado. O estudante é a parteinteragente para qual é direcionado todo o esforço do pro-cesso, para desenvolver suas habilidades. O professor é ogrande agente do processo, responsável pela direção e orga-nização dos meios que proporcionem ao estudante assimilarconhecimentos do conteúdo (Libâneo, 1994).

Idéias são unidades de conhecimento denominadas concei-tos. Um conteúdo didático pode ser entendido como um ele-mento estruturado de tal forma que o conjunto de conceitosformam um todo (Dahlberg, 1978).

A organização do conteúdo não deve ser entendida comoalgo mecânico, apenas como uma seleção e organização ló-gica dos conceitos. Libâneo (1994) recomenda que os con-teúdos devem incluir elementos da vivência dos estudantespara torná-los mais significativos. O conteúdo selecionadoeorganizado pelo professor é apresentado no mesmo formatopara todos os estudantes.

Na modalidade presencial de ensino, o professor interagecom o estudante durante a apresentação do conteúdo, identi-fica suas dificuldades e estabelece alternativas para conduziro aprendizado. Essa interação entre professor e estudanteocorre durante todo o processo de desenvolvimento do con-teúdo.

Em modalidades não presenciais a interatividade é um fatorcomplicador. Pela falta da mediação docente, um formatoúnico de conteúdo pode não atender situações individuais deaprendizagem. Durante a apresentação do conteúdo, podeocorrer um maior espaço de tempo na ação docente para so-lucionar a dificuldade do estudante. Ações docentes geraissão inviabilizadas pela pluralidade dos estudantes e das vari-adas situações do ambiente não presencial.

Assman (2007) enfatiza que o aspecto fundamental da edu-cação reside nas vivências personalizadas de aprendizagem.Assim, como elemento essencial no desenvolvimento do pro-cesso, o estudante carece do atendimento de sua individua-lidade. Com isto, justifica-se a concepção de estratégias einstrumentos para a apresentação personalizada do conteúdopara cada estudante.

5.1 Conteúdo Multinível

Um conteúdoC convencional qualquer pode ser definidomatematicamente pelo conjunto composto de uma sequên-cia de vários (n) conceitos (cx), como mostrado na Equação(2).

C =

n∑

x=1

cx (2)

Os conceitos são organizados em uma sequência lógica paraconduzir ao conhecimento (Patten, 1986; Libâneo, 1994). Aorganização dessa sequência pode ser realizada de diferentesmodos, desde a organização clássica até organizações cus-tomizadas. A apresentação dessa sequência normalmente éprecedida por uma introdução seguida de um teste inicial eao final é apresentado um resumo sobre os conceitos aborda-dos e realizado o teste final (Horton, 2000).

A organização mais comum é a clássica, onde a sequência doconteúdo é desenvolvida e apresentada da mesma forma paraqualquer estudante. De acordo com a Equação (2), o tutorialclássico apresentado na Figura 4 pode ser representado pelaEquação (3).

Figura 4: Organização do tutorial clássico

C= c1+ c2 + c3+...+ (3)

A organização customizada é uma forma de personalizaçãodo conteúdo porque possibilita a apresentação de partes doconteúdo conforme a necessidade do estudante. De acordocom a Equação (2), o tutorial clássico apresentado na Figura5 pode ser representado pela Equação (4).

C = c2 + c5 + c7 + ... + cn (4)

684 Revista Controle & Automação/Vol.23 no.6/Novembro e De zembro 2012

Page 7: CONTEÚDO DIDÁTICO MULTINÍVEL PARA PERSONALIZAÇÃO

Um conteúdo personalizado pode ser considerado umasequência diferenciada de conceitos. Esta diferença está nofato da sequência ser organizada de tal forma que se ajuste omais próximo possível ao perfil do estudante. A personaliza-ção do conteúdo pode oferecer entre outras coisas o melhoraproveitamento do assunto apresentado.

O processo de personalização deve considerar a identifica-ção do perfil do estudante. Para propiciar o melhor aprovei-tamento do assunto apresentado pode ser estabelecida umaassociação desse perfil a um padrão de organização do con-teúdo.

Como a concepção do conteúdo convencional é direcionada aum determinado perfil de estudante, normalmente ele é apre-sentado da mesma forma para qualquer estudante, sem con-siderar eventuais diferenças. Desta forma, a possibilidade deajuste do conteúdo para outros perfis de estudantes é quasenula. Assim, é necessário criar uma maneira que possibilitetratar o mesmo conteúdo de formas diferentes.

A sequência do conteúdo didático convencional é inadequadapara o processo de personalização. Entretanto, se cada con-ceito for reescrito com diferentes níveis de apresentação épossível compor o mesmo conteúdo utilizando diferentescombinações desses níveis.

A reestruturação do conceito em diferentes formas de apre-sentação é denominada neste trabalho de conceito multinível.A estrutura desse conceito é semelhante a mediação docente.Após a apresentação do conceito, o professor procura umamaneira de estabelecer a condução do conhecimento con-forme a reação do estudante.

A diferença dos conceitos convencional e multinível é queesse último é mais complexo e requer um esforço adicionalpara seu desenvolvimento. No conceito multinível, inicial-mente deve ser definida a quantidade de níveis de apresenta-ção do conceito e é estabelecido um nível para iniciar a apre-sentação. A referência para desenvolver os outros níveis é onível inicial. Em todos os conceitos, níveis idênticos devemter o mesmo padrão de apresentação.

O conceito multinívelcM pode ser definido pela somatóriados váriosm níveisNy que compõem esse conceito, con-forme mostrado na Equação (5).

cM =

m∑

y=1

Ny (5)

A definição do conteúdo multinívelCM pode ser obtida subs-tituindo a expressão da Equação (5) na variável conceitoc daEquação (2) como mostrado na Equação (6).

CM =

n∑

x=1

(

m∑

y=1

Ny

)

x

(6)

A definição do conteúdo multinível da Equação (6) de acordocom a Equação (5) pode ser simplificada pela Equação (7).

CM =

n∑

x=1

cMx (7)

As diferentes combinações dos níveis de conceitos do con-teúdo multinível possibilita a apresentação personalizada doconteúdo para cada perfil de estudante. Além disto, possibi-lita criar mecanismos para intervenções mediativas nos dife-rentes momentos da aprendizagem. Desta forma, é possívelque no mesmo conteúdo, cada conceito multinível seja apre-sentado de forma distinta.

6 ORGANIZAÇÃO DO SISTEMA

O objetivo da personalização é proporcionar ao estudante omelhor aproveitamento do assunto apresentado. Após a defi-nição do conteúdo multinível, para prosseguir no processo depersonalização, é necessário definir como identificar o per-fil do estudante e como organizar o conteúdo de forma maisadequada para esse perfil.

Para personalizar conteúdos didáticos é possível estruturarum sistema considerando o conteúdo multinível (CM), a per-sonalização do conteúdo multinível, o perfil do estudante (Ω)e o padrão proximal de aprendizagem (LΩ). A Figura 6 apre-senta a estrutura do sistema proposto.

O sistema proposto é composto de introdução, testes inici-ais, sequência de apresentação do assunto e teste final. Naintrodução são apresentadas informações gerais sobre o sis-tema e o assunto a ser apresentado. Após a introdução sãorealizados os testes de características, habilidades e préco-nhecimento. O resultado dos testes são inseridos na entradada RNA que classifica o perfil do estudante e apresenta nasaída o padrão proximal de aprendizagem (LΩ). Este padrãofica armazenado na memória do sistema como padrão de re-ferência global para apresentação do conteúdo.

O sistema inicia a sequência de apresentação do conteúdo apartir do primeiro conceito até o ultimo conceito, conformea definição do conteúdo pelo professor. A apresentação decada conceito sempre inicia no nível médio. Após a apresen-tação de todo o conteúdo é realizado um teste final. Este testeefetua a medida de retenção do conteúdo apresentado.

A apresentação do conteúdo é organizada em uma combina-ção de duas sequencias: geral e localizada.

Revista Controle & Automação/Vol.23 no.6/Novembro e Dezem bro 2012 685

Page 8: CONTEÚDO DIDÁTICO MULTINÍVEL PARA PERSONALIZAÇÃO

A sequencia geral é organizada pelo professor que define aordem de apresentação dos conceitos. Essa sequência apre-senta os conceitos em uma ordem lógica, estruturando o con-teúdo desde o primeiro ao último conceito. A sequência geraltem uma estrutura semelhante a organização do tutorial clás-sico apresentado na Equação (3).

Figura 6: Estrutura do sistema proposto

A sequência localizada é organizada pelo sistema propostoque define quais os níveis serão apresentados e a ordem deapresentação deles de acordo com a sequência geral. Após aapresentação do conceito em um nível qualquer, o estudantepode reagir de diferentes maneiras. Conforme a reatividade,é selecionado um nível para ser apresentado. A sequêncialocalizada corresponde as ações didáticas do professor dianteda reatividade do estudante.

No sistema proposto, a organização da sequência localizadainicia sempre no nível médio. Ao final da apresentação decada nível do conceito, o estudante é submetido a um teste deretenção desse nível. Após avaliar a resposta do estudante,osistema seleciona a regra local adequada para a situação, noconjunto de regras dos especialistas. Combinando a regra lo-cal e o padrão global (LΩ), o sistema define o próximo passona apresentação do conteúdo efetuando um sorteio probabi-lístico. Este sorteio utiliza a técnica de Monte Carlo (Russel,2004). O processo de definição do próximo passo é repe-tido até a conclusão do conteúdo. Desta maneira, o sistemaorganiza um conteúdo personalizado e reativo ao estudante.

6.1 Padrão Proximal de Aprendizagem

No conteúdo multinível (CM) um caminho para a persona-lização é a definição do quanto o estudante prefere cada umdos níveis desse conteúdo. Para cada um desses níveis doCM, a preferência pelo nível (PLi) é uma função densidade

de probabilidade (Agresti, 2009) como mostrado na Equação(8). A probabilidade de cada nível (PLi) é obtida a partir daprobabilidade dos outros níveis.

PLi = 1 −

n−1∑

j=1

PLj (8)

A Equação (9) define o padrão de aprendizagem (L) comoum vetor de preferência para cada um dosn níveis (PLi) doconteúdo multinível.

L = [PL1, PL2, PL3..., PLn] (9)

Com o perfil do estudante (Ω), e o padrão de aprendizagem(L) definidos é necessário estabelecer uma associação entreeles. Neste trabalho, a proposta de organização personali-zada do conteúdo didático consiste em classificar o perfil doestudante (Ω), e associá-lo com o padrão de aprendizagem(L) da Equação (9).

A partir do perfil do estudante (Ω) é possível encontrar poraproximação um padrão de aprendizagem (L) que passa a sero padrão proximal de aprendizagem (LΩ).

O padrão de aprendizagem (L) da Equação (9) é estabelecidoa partir da observação de um estudante . O padrão proximalde aprendizagem (LΩ) é obtido da mesma forma que oL,porémLΩ é estimado por aproximação considerando o perfildo estudante (Ω).

Considerando que o padrão de aprendizagem (L) resultouem um melhor aproveitamento para o estudante com perfilΩ, consequentemente poderá auxiliar o aproveitamento poroutro estudante, com perfilΩ semelhante.

Estabelecer a relevância de cada caracteristica e suas relaçõesna definição dos padrõesL eLΩ é uma tarefa complexa paraa maioria dos métodos de classificação devido a amplitudedo universo de conhecimento envolvido. A solução pode sero emprego de redes neurais artificiais (Duda, 2000).

Neste trabalho, a RNA deve apresentar um valor que indi-que a preferência por cada nível do conteúdo multinível con-forme a Equação (9). O valor para cada nível varia conformeo perfil do estudante. Desta forma a saída da rede não deveindicar uma classe, mas a contribuição da classe na composi-ção do padrão. Isto é possível de ser obtido por meio do para-digma de aprendizado supervisionado. A RNA do tipo MultLayer Percerptron (MLP) é utiliza esse paradigma e tem umacaracteristica interessante que é a capacidade de classificarnovos padrões, diferentes daqueles utilizados no treinamento(Fausett, 1994; Haykin, 2000; Braga, 2007). Esta classifica-ção é realizada por interpolação (valores intermediários)aos

686 Revista Controle & Automação/Vol.23 no.6/Novembro e De zembro 2012

Page 9: CONTEÚDO DIDÁTICO MULTINÍVEL PARA PERSONALIZAÇÃO

padrões aprendidos pela RNA. Esta característica é relevantepara o problema deste trabalho.

O método proposto utiliza uma rede neural (MLP) para defi-nir o perfil do estudante (Ω) e estimar o padrão proximal deaprendizagem (LΩ) da Equação (9). A estrutura ilustrada naFigura 6 apresenta a quantidade de camadas, neurõnios e aorganização das entradas.

O método proposto utiliza uma rede neural (MLP) para de-finir o perfil do estudante (Ω) e estimar o padrão proximalde aprendizagem (LΩ) da Equação (9). A estrutura ilustradana Figura 7 apresenta a quantidade de camadas, neurõnios ea organização das entradas. Conforme pode ser observadonessa figura, foram estabelecidas 17 entradas, subdivididasem tres grupos (conhecimento, habilidades e perfil), para ob-ter as caracteristicas dos padrões que compõem o perfil doestudante.

Figura 7: Definição do padrão proximal de aprendizagem

Como um dos objetivos do trabalho é um sistema com o mí-nimo possível de RNAs, foi definida uma RNA com cincosaídas. O valor de cada saída é a probabilidade de cada ní-vel considerada no sistema. A opção por uma única rede comcinco saídas simplificou a seleção da estrutura, pois a propor-ção entre as probabilidades foi ajustada de forma automaticapela caracteristica do treinamento supervisionado.

Definidas entradas e saídas da RNA, a próxima etapa é a de-finição das camadas intermediárias. A seleção da estruturadessas camadas foi realizada a partir da análise do compor-tamento de diferentes alternativas na estrutura de organiza-ção da rede. Em cada estrutura foi variada a combinaçãode camadas e a quantidade de neurônios.. A estrutura derede selecionada, apresentou o menor erro quadrático (Duda,2000; Agresti, 2007) observado nas curvas de generaliza-ção/especialização do treinamento da rede. Desta forma, aestrutura escolhida tem 17 neurônios para a camada de en-trada, uma camada intermediária com 4 neurônios e uma ca-mada de saída com 5 neurônios.

O treinamento da RNA foi realizado com dados observadosde estudantes com capacidade de organizar a aprendizagemindividual. Ao final do treinamento, a RNA ficou capacitadapara exercer a função de classificar o estudante em um padrãoΩ e indicar o padrão proximal de aprendizagemLΩ.

6.2 Definição da Trajetória Didática

O padrão proximal de aprendizagem (LΩ) não é suficientepara definir toda sequência dos níveis para uma apresenta-ção personalizada do conteúdo. Esse padrão é geral e nãopossibilita a reatividade à apresentação do conteúdo. Alémdisso, não é possível representar com uma única função todaa sequência do conteúdo personalizado devido a reatividadedo estudante nos diferentes momentos de apresentação decada nível da sequência.

Um dos motivos que o padrão proximal de aprendizagem(LΩ) isolado não possibilita a personalização pode ser aforma do seu emprego no sistema. Por exemplo, quando naorganização da apresentação for decidido mostrar apenas onível com maior probabilidade de preferência do estudante,o conteúdo será o mesmo para todos os estudantes comLΩ

maximizado nesse nível. Isso ocorre para o estudante inde-pendente do percentual probabilístico do nível maximizado.Esta situação é semelhante a apresentação do conteúdo clás-sico mostrado na Equação (2), porém no nível maximizado.Esse formato não pode ser considerado uma personalizaçãona apresentação dos conteúdos.

Uma alternativa para tornar o conteúdo multinível (CM) per-sonalizado pode ser o sorteio entre as probabilidades de cadanível. Esta situação pode resultar em um conteúdo diferentepara cada estudante, mas pode apresentar incoerências naapresentação. Um exemplo de incoerência é quando o sis-tema indica leitura do conceito no nível de maior dificuldadequando o estudante errou o teste no nível de menor dificul-dade.

A reação do estudante diante da apresentação de um con-teúdo pode variar conforme o perfil individual. Diante dessareação o professor pode modificar a forma de apresentar oassunto. A apresentação personalizada do conteúdo deve serreativa, além de estar relacionada a um padrão proximal deaprendizagem (LΩ). No desenvolvimento de um sistema per-sonalizado, a reatividade deve acontecer nos diferentes mo-mentos da apresentação com o objetivo de corrigir possíveisproblemas.

A reatividade não permite representar a sequência da apre-sentação personalizada em uma única função, como ocorrecom a apresentação do conteúdo clássico mostrado na Equa-ção (3). Desta forma, a função que representa a organizaçãodo conteúdo, considerando a reatividade pode ser obtida uti-

Revista Controle & Automação/Vol.23 no.6/Novembro e Dezem bro 2012 687

Page 10: CONTEÚDO DIDÁTICO MULTINÍVEL PARA PERSONALIZAÇÃO

lizando derivadas parciais pelo método das diferenças finitas(Griffthis, 2006). Com este método, a correção da trajetóriadidática pode ser obtida pela derivada do padrão proximal deaprendizagem (LΩ) em relação a um padrão que possa ajus-tar a trajetória didática da apresentação. O resultado dessaderivada possibilita a apresentação de um conteúdo coerentee reativo com o perfil do estudante (Ω) em cada ponto daapresentação. Este tipo de apresentação do conteúdo podeser caracterizado como personalizado tanto nos planos glo-bal como local.

Alguns pontos devem ser estabelecidos para representar oprocesso de decisão para a correção da trajetória didática naapresentação personalizada utilizando o conteúdo multinível.

Na navegação em um conteúdo convencional (C), a tendên-cia é que o estudante siga a trajetória didática definida pelasequência estabelecida pelo professor. Essa sequência apre-senta apenas um nível de cada conceito. Isto ocorre porqueesse conceito é o único nível disponível. A sequência no con-teúdo convencional é ilustrada na Figura 8, onde é possívelobservar que em todos os conceitos a trajetória passa por umúnico ponto que é o nível N0.

Figura 8: Sequência do conteúdo convencional

Figura 9: Sequência do conteúdo multinível

No conteúdo multinível (CM) a trajetória didática tende aser semelhante a trajetória do conteúdo convencional. Po-rém, conforme a reação do estudante após a apresentação deum nível qualquer, o professor pode efetuar uma variaçãonessa trajetória. Essa variação considera o padrão proximalde aprendizagem (LΩ) e pode conduzir o estudante a outronível do conceito, conforme pode ser observado na Figura 9.

No sistema proposto o conceito multinível foi estruturado emcinco níveis: três níveis principais e dois auxiliares. Os ní-veis principais são médio, facilitado e avançado. Os níveisauxiliares são Exemplos e Perguntas e Respostas Frequentes

(FAQs). O nível médio é o nível de referência para os ou-tros níveis e em cada conceito é o primeiro nível a ser apre-sentado ao estudante. O sistema proposto considera que osníveis principais e auxiliares estão posicionados no planoxycomo mostrado na Figura 10.

Figura 10: Distribuição do conceito multinível

Considerando na distribuição do conceito multinível (cM) onível LPi,j como referência, a formalização matemática paraa correção da trajetória didática pode ser estabelecida comomostrado na Figura 11. Caso seja necessário inserir um novonível no plano de distribuição do conceito multinível (cM),ele será posicionado entre os níveis existentes.

Figura 11: Formalização do conceito multinível

A trajetória didática do estudante tende a seguir a posiçãoLPi,j . Entretanto, conforme a reação do estudante após aapresentação de um determinado nível, o professor pode va-riar a trajetória na direção de outro nível. O próximo nívela ser apresentado ao estudante é uma região localizada entreo padrão (LΩ) desse estudante e a região definida pelo pro-fessor para a situação. A correção da variação da trajetóriadidática pode ser definida como sendo uma correção entre atrajetória do nível de referência e a trajetória do nível paraonde o estudante pode ser conduzido conforme sua reativi-dade.

Para ilustrar a ação de correção da trajetória no plano de dis-tribuição do conceito multinível (cM), pode ser considerada

688 Revista Controle & Automação/Vol.23 no.6/Novembro e De zembro 2012

Page 11: CONTEÚDO DIDÁTICO MULTINÍVEL PARA PERSONALIZAÇÃO

a variação no eixo dos níveis principais diante da reação doestudante após a apresentação do nível na posição LPi,j . Se oestudante tiver dificuldade de entendimento, o professor podeapresentar níveis mais fáceis na direção deLPi−1,j . Casocontrário, o professor pode apresentar níveis mais avançadosna direção deLPi+1,j . As variações também podem ocorrerno eixo dos níveis auxiliares.

Para corrigir as situações locais, foi realizado um estudo comespecialistas (professores) sobre a atuação deles diante decada situação possível ao final da apresentação de um con-teúdo. Desse estudo foram elaboradas as regras de ação lo-cal, denominadas regras de especialistas (Russel, 2004).

A seleção da regra apropriada é realizada apresentando umexercício de múltipla escolha ao final da apresentação decada nível. Esse exercício é o teste de retenção do nível eé o sensor do sistema para identificar a reação do estudante.

A inserção das regras de especialistas em conjunto com aRNA caracteriza um sistema híbrido. As regras de especia-listas no sistema proposto têm a mesma estrutura do padrãoproximal (probabilidades para cada nível). Porém, cada regraé especifica para cada situação no teste de retenção realizadoapós a apresentação do conteúdo.

Para personalizar o conteúdo é necessário o padrão globale o padrão local. O padrão global (LΩ) é estabelecido umaúnica vez antes do inicio da apresentação. O padrão localvaria nos diferentes instantes da apresentação. Ao final daapresentação de cada nível conceitual, é possivel verificarasituação local do estudante por meio de um teste, que indicaa reatividade. Conforme a reatividade apresentada, o sistemaativa um padrão local (regras de especialistas). A próximaetapa na organização do conteúdo é definir o próximo nívelde conceito a ser apresentado.

O ajuste da organização da sequência do conteúdo multiní-vel, pode ser realizado combinando o padrão global (estu-dante) com o padrão local (professor). No sistema proposto,essa combinação é obtida pelo produto entre as probabilida-des dos padrões local e global, como ilustrado na Figura 12.O resultado desse produto é um novo padrão, denominado depadrão de decisão probabilístico. Neste padrão as probabili-dades podem ser ampliadas ou atenuadas proporcionalmentea sua representatividade em cada um dos padrões. Neste mé-todo é interessante ressaltar que uma atenuação pode até eli-minar totalmente a probabilidade de um nível. Esta atenu-ação pode suprimir incoerências em situações locais. Umexemplo de incoerência ocorre quando após o estudante terdificuldades no nível facilitado ele vai para um nível maisavançado. Para este exemplo, o estudante pode ter um perfilcom preferência pelo nível avançado, mas a regra do especi-alista (professor) não recomenda este nível, isto é uma pos-sibilidade com valor zero de indicação. A multiplicação de

qualquer valor de probabilidade do perfil do estudante pelovalor zero indicado pelo especialista, resulta em zero. Assim,o estudante não será encaminhado para o nível avançado, evi-tando a incoerência.

Figura 12: Mecanismo do padrão de decisão probabilística

Cada nível no padrão de decisão probabilístico é represen-tado por probabilidades conforme o perfil do estudante ajus-tado pelas regras de especialistas de acordo com o desem-penho local do estudante no teste de retenção. Com esse pa-drão, o próximo nível do conteúdo a ser apresentado pode serobtido utilizando a técnica de Monte Carlo (Russel, 2004).Nesta técnica é realizado um sorteio probabilístico para a es-colha de um nível. As maiores probabilidades apresentammaior chance de serem escolhidas, porém as probabilidadesmenores também podem ser selecionadas.

7 EXPERIMENTO E RESULTADOS

Para a realização do experimento foram desenvolvidos trêssistemas com interfaces de software semelhantes: sistema denavegação livre, sistema de navegação aleatória e sistema denavegação inteligente. A diferença entre esses sistemas é omecanismo de decisão para a escolha do nível a ser apresen-tado na organização do conteúdo. O sistema de navegação in-teligente emprega as técnicas de modelagem propostas nestetrabalho.

Na navegação livre é o estudante que decide o próximo ní-vel na sequência de apresentação do conteúdo. O objetivode utilizar essa navegação no experimento é coletar, analisare selecionar os dados para o treinamento da rede neural dosistema inteligente e também utilizar os dados para a com-paração com os dados dos sistemas de navegação aleatória einteligente. Após essa coleta é realizada a análise do desem-penho da navegação de cada estudante. As melhores nave-gações são selecionadas conforme os critérios estabelecidospor professores participantes do experimento. Alguns doscritérios considerados são: nota, ganho (melhoria), coerên-cia, etc.

Revista Controle & Automação/Vol.23 no.6/Novembro e Dezem bro 2012 689

Page 12: CONTEÚDO DIDÁTICO MULTINÍVEL PARA PERSONALIZAÇÃO

O ganho mede o percentual de melhoria do estudante no in-tervalo possível entre sua nota inicial e a nota máxima possí-vel no teste. O calculo considera a relação entre a nota inicial,a nota final e a nota maxima. Assim um estudante com notainicial 9 terá como intervalo possivel de melhoria apenas 1ponto. Caso sua nota final for 9,5 terá uma melhoria de 50por cento sobre o intervalo possível. A Equação (10) mostrao cálculo desse ganho.

Ganho =

(

Nota_Final − Nota_Inicial

Nota_Maxima − Nota_Inicial

)

∗ 100

(10)

Neste experimento, os dados utilizados para análise e com-paração foram apenas as amostras válidas de cada coleta. Foiconsiderada amostra válida a coleta onde o estudante conse-guiu realizar todos os estágios da navegação em cada sistema.

A coleta de dados do sistema de navegação livre foi a pri-meira coleta a ser realizada. Nessa coleta participaram es-tudantes do nível médio e das séries iniciais de cursos supe-riores. O motivo da seleção desses níveis de estudante foiaumentar a probabilidade de uma amostra com melhor perfilde organização da aprendizagem individual. O número to-tal de amostras válidas nessa coleta foi de 148 estudantes.Dessas 148 amostras, apenas 60 satisfizeram os critérios mí-nimos estabelecidos. Neste experimento foram estabelecidosos seguintes critérios: nota final maior ou igual a 6, mínimode 10% de melhoria e sem incoerências.

No sistema de navegação aleatória a decisão do próximo ní-vel do conceito a ser apresentado é realizada por uma funçãode sorteio randômico do software. A sequência geral dosconceitos tem a ordem de apresentação conforme definidapelo professor. Entretanto, devido a aleatoriedade do sistemade sorteio do próximo nível, qualquer nível do conceito podeser apresentado em qualquer ordem. Além da própria aleato-riedade, a sequência de apresentação dos níveis do conteúdoé organizada ao acaso, sem qualquer regra ou lógica. O ob-jetivo da coleta com esse tipo de navegação é comparar como sistema de navegação inteligente. Com essa comparação,é possível demonstrar que as ações efetivas do sistema in-teligente (hipótese alternativa - H0) não se devem ao acaso(hipótese nula - Hn). No sistema de navegação aleatória fo-ram realizadas 31 coletas válidas.

Na navegação inteligente, a decisão do próximo conteúdo aser apresentado é realizada pelo conjunto de técnicas descri-tas no sistema proposto neste trabalho. O objetivo é validaraaplicabilidade dessas técnicas na organização personalizadae reativa desses conteúdos. Nessa navegação foram realiza-das 31 coletas válidas.

O mecanismo de regras de especialistas foi obtido a partir dacoleta de dados com especialistas em docência. Esta coletafoi realizada com 27 professores com experiência no ensinosuperior em diversas áreas de atuação. Os dados da coletaforam obtidos a partir de um formulário de situações locais.Neste formulário, uma situação local é considerada comosendo cada uma das possibilidades de resposta após o testede retenção do conteúdo para o nível apresentado. Para cadasituação local, o docente apresenta sua ação para apresentaroutro nível do conteúdo. Esta ação é um conjunto de proba-bilidades de indicação para outro nível diante da reatividadedo estudante.

Ao final da coleta de dados com especialistas em docência,as regras do sistema proposto foram definidas pela média dasindicações dos professores para cada situação local. Destaforma, para cada uma dessas situações foi definida uma re-gra especifica. Após identificar o padrão da situação local,a regra especifica é disparada por esse sistema indicando asprobabilidades de apresentação do conteúdo para cada nível,ou seja, as possibilidades de ação docente.

Os dados selecionados na coleta com navegação livre foramutilizados no treinamento da rede neural. O modelo MLP foiescolhido pela sua capacidade de classificar novos padrões,diferentes dos padrões utilizados no treinamento. Esta classi-ficação é feita por interpolação dos padrões aprendidos pelaRNA. A camada de saída foi definida com cinco neurônios,sendo uma saída para cada nível de conceito. A estruturaçãodas camadas de entrada e intermediárias foi definida após acomparação do desempenho final de várias redes, estrutura-das de forma distinta tanto em quantidade de neurônios comono número de camadas. A estrutura escolhida foi a que apre-sentou o menor valor de erro entre o conjunto de treinamentoe o conjunto de validação. Após o treinamento, a RNA pas-sou a ser o componente que estabelece o padrão proximal deaprendizagem (LΩ) no sistema com navegação inteligente.

Para realizar as coletas no experimento descrito neste tra-balho foi desenvolvido um conteúdo multinível com o tema“Introdução a Informática” a ser apresentado de forma tex-tual. A sequência geral deste conteúdo foi organizada em 15conceitos. Como nesse experimento foi utilizada uma estru-tura de 5 níveis, foram desenvolvidos 75 textos, ou seja, 15conceitos em 5 níveis.

Para analisar o experimento foram realizadas três coletas dedados distintas nos sistemas de navegação livre, aleatóriaeguiada. Os dados coletados foram analisados em um estudocomparativo das amostras de cada navegação. Este estudopossibilitou comparar características para validar o empregodas técnicas propostas neste trabalho.

Para comparar o desempenho dos três sistemas deste expe-rimento foram observados os resultados de algumas caracte-

690 Revista Controle & Automação/Vol.23 no.6/Novembro e De zembro 2012

Page 13: CONTEÚDO DIDÁTICO MULTINÍVEL PARA PERSONALIZAÇÃO

rísticas das navegações. Estas características são: o tempototal para concluir o estudo do conteúdo, a quantidade de ní-veis utilizados na organização da sequência, a nota final eo ganho. A Tabela 1 mostra o comparativo do desempenhomédio das três navegações.

Tabela 1: Comparativo do desempenho médio

Navegação MédiasTempo

(minutos)

Níveis

visitadosNota final Ganho

Livre 37,88 35,34 6,87 39,59

Aleatória 35,97 45 5,93 32,60

Inteligente 26,80 26,71 7,21 58,02

Pode-se observar na Tabela 1 que a navegação inteligenteapresentou melhores resultados em termos de tempo, quan-tidade de níveis visitados, nota final e ganho em relação asoutras duas navegações.Convém ressaltar que a média dasnotas finais da amostra com navegação inteligente foi maiordo que a média da amostra com navegação aleatória. Estefato indica que a sistematização das técnicas empregadas nosistema proposto é responsável pela organização do conteúdode forma personalizada para proporcionar o melhor aprovei-tamento do assunto pelo estudante. Tal organização difereda navegação aleatória, onde a sequência de apresentação decada nível tem sua ordem definida totalmente por acaso.

O padrão global (LΩ) definido pela RNA e o padrão localdefinido pelas regras dos especialistas são os principais ele-mentos na personalização dos conteúdos. O padrão globalé definido uma única vez e permanece inalterado até o finalda apresentação do conteúdo. O padrão local é variável e éredefinido após cada ponto de controle.

Intuitivamente o padrão local pode ser considerado comoprincipal componente na personalização do conteúdo devidoa sua constante interação com a reatividade do estudante.Porém, a finalidade desse padrão é ajustar a apresentaçãodo conteúdo conforme a situação local apresentada. Destaforma, é importante verificar qual é a relevância do padrãoglobalLΩ no sistema proposto.

Para verificar o comportamento da RNA na definição do pa-drão globalLΩ e a relevância deste padrão no sistema comnavegação inteligente, foi realizado o teste estatístico de cor-relação de Pearson (Agresti, 2009). O coeficiente de correla-ção de Pearson mede o grau da correlação entre duas variá-veis. As variáveis são similares se o resultado da correlaçãofor positivo e divergentes se for negativo.

No experimento com a navegação inteligente, o cálculo dacorrelação geral foi feito entre o perfil globalLΩ indicadopela RNA e o perfil observado efetivamente na navegaçãorealizada pelos estudantes. Adicionalmente foi efetuado o

cálculo da correlação para cada nível do conteúdo multiní-vel. A Tabela 2 mostra os resultados obtidos das correlaçõesgeral e de cada nível. Na Tabela 2 pode ser observado que ovalor de 0,875 para a correlação geral indica que a RNA nosistema é muito relevante na definição da sequência didáticaa ser apresentada ao estudante. Ainda pode ser observadonessa tabela que as correlações mais elevadas ocorreram nosníveis facilitado, avançado e FAQs. As correlações nos ní-veis Médio e Exemplos foram menores devido as correçõesimpostas pelas regras de especialistas e pela característica domecanismo do padrão de decisão probabilístico.

Tabela 2: Correlação perfil RNA x Observado

Geral do sistemaCorrelação nos níveis

Médio Facilitado Avançado Exemplo FAQs

0,875 0,694 0,952 1 0,529 1

8 CONCLUSÕES

Este trabalho apresentou uma proposta de formalização deconteúdo multinível, para possibilitar o desenvolvimentodeSTIs conexionistas. A automação da apresentação personali-zada de conteúdos pode ser ajustada por meio de treinamentocom exemplos.

Foram apresentadas as bases formais para representar o pro-cesso de interação estudante/conteúdo, ou seja, a trajetó-ria didática de apresentação do conteúdo. A formalizaçãodos elementos que constituem a organização do conteúdo,mostrou-se relevante para representação das técnicas empre-gadas para identificação do perfil do estudante, associaçãodeste perfil com um padrão proximal de aprendizagem e aestruturação de um conteúdo personalizado e reativo,.

Como o processo de personalização reativa envolve uma inte-ratividade com o estudante, a apresentação do conteúdo va-ria. Assim, a formalização do conteúdo personalizado nãopode ser definida por uma função matemática única. O em-prego de derivadas parciais pelo método das diferenças fini-tas pode ser empregado para formalizar a reatividade em umconteúdo personalizado.

O trabalho mostrou que a reestruturação do conteúdo em umaestrutura multinivel é um fator favorável ao processo de per-sonalização dos conteúdos. Essa reestruturação favorece adiversificação da apresentação do conteúdo devido as possi-bilidades de variação na apresentação do mesmo conceito aoestudante.

Para assegurar o processo de personalização do conteúdo,foi verificada a necessidade de estabelecer mecanismos paraidentificar as características do estudante e associá-las comum padrão de aprendizagem. Essa identificação foi realizada

Revista Controle & Automação/Vol.23 no.6/Novembro e Dezem bro 2012 691

Page 14: CONTEÚDO DIDÁTICO MULTINÍVEL PARA PERSONALIZAÇÃO

utilizando um conjunto de testes de características do estu-dante. Estas características foram usadas como entrada emuma rede neural que possibilitou a identificação do perfil doestudante e a associação com um padrão proximal de apren-dizagem.Os resultados do teste de correlação de Pearson de-monstraram que a utilização de redes neurais para estabelecero padrão proximal foi adequada e um fator bastante relevantena personalização do conteúdo.

A personalização foi complementada com regras de especi-alistas e a combinação de técnicas probabilisticas, assegu-rando a reatividade e a intervenção docente nas dificuldadesem diferentes momentos da aprendizagem.

Quanto a capacidade de organização da sequência personali-zada e reativa do conteúdo didático, os resultados demonstra-ram que o sistema proposto com navegação inteligente con-seguiu realizar essa organização com uma quantidade menorde textos e menor tempo para conclusão do estudo resultandoem melhor aproveitamento para o estudante.

A aplicação de padrões proximais de aprendizagem a partirdos padrões de estudantes com boa capacidade de organizara aprendizagem mostrou ser uma estratégia promissora paraauxiliar estudantes que apresentam dificuldades na organiza-ção do aprendizagem individual. Desta forma, o emprego dopadrão proximal se mostrou eficiente na organização perso-nalizada do conteúdo no sentido de favorecer o estudante emambientes de aprendizagem não presencial e individual.

Diante do exposto, pode ser entendido que a estruturação doconteúdo multinível, favorece o processo de automatizaçãode uma apresentação reativa e personalizada. Este tipo deapresentação, associado a um padrão proximal de aprendiza-gem pode ser uma ferramenta favorável para auxíliar estu-dantes na aprendizagem individual. Desta forma o conjuntodas técnicas propostas neste trabalho pode se como elementofacilitador e favorável à inclusão de estudantes em ambientesnão presenciais.

REFERÊNCIAS BIBLIOGRÁFICAS

Agresti, A. e Franklin, C., (2009). Statistics Art and Scienceof Learning from data. 2a Edition, Pearson.

Alencar, W. S., (2000). Sistemas tutores inteligentes ba-seados em redes neurais. Dissertação de mestrado emEngenharia Elétrica e de Computação, Escola de Enge-nharia Elétrica, Universidade Federal de Goiás, Goiânia: GO

Assman, H., (2007). Reencantar a Educação: rumo à socie-dade aprendente. Rio de Janeiro, Editora Vozes.

Barajas, F. V., (2010). A formal model for the requirementsdiagrams of SysML. IEEE Latin-America Transactions,Vol. 8, no 3.

Braga, A. P.; Carvalho, A. P. L. e Ludermir, T. B., (2007).Redes Neurais Artificiais – Teorias e Aplicações. 2a Ed.Rio de Janeiro, LTC.

Carvalho, S. D. , (2002). Mapas Auto-Organizáveis Apli-cados a Sistemas Tutores Inteligentes. Dissertação deMestrado. Universidade Federal de Goiás. Goiânia,Brasil.

Cereda, P. R. M. e Zorzo, S. D., (2008). Access control mo-del formalism using adaptive automaton. IEEE Latin-America Transactions, Vol. 6, no 5.

Cruz, C. L.; Patino, H. D. e Carelli, R., (2005). Nuevo al-goritmo evolutivo baseado em El modelado matemáticode La evolución de una espécie. IEEE Latin-AmericaTransactions, Vol. 3, no 4.

Dahlberg, I., (1978). A referent-oriented, analytical concepttheory of Interconcept. International Classification v. 5,n. 3, p. 122-151.

Daniels, M., (1992). Self-Discovery the Jungian Way: TheWatchword Technique. London & New York: Rou-tledge

Dastbaz, M.; Mustafa, A. e Stoneham, R., (2006). Issuesin Design and Development of Personalised E-LearningSystems. Proceedings of the ED-MEDIA 2006. WorldConference on Educational Multimedia, Hypermedia &Telecomunications. Orlando. USA.

Dewey, J., (1900). Psychology and social practice. Psycho-logical Review.

Duda, R. O.; Hart, P. E. e Stork, D. G., (2000). PatternClassification. 2nd Edition. Wiley.

Duque, N. J. e Guzman, J. C., (2005). AI Planning for Auto-matic Generation of Customized Virtual Courses, Fron-tiers in Artificial Intelligence and Applications. IOSPress, Vol 117. Ámsterdam.

Duque, N. O. e Jiménez, D. J., (2006). Artificial intel-ligence for automatic generation of Customized cour-ses. Proceedings of the ED-MEDIA 2006-World Con-ference on Educational Multimedia, Hypermedia & Te-lecommunications, USA.

Fausett, L. V., (1994). Fundamentals of neural networks.Prentice Hall.

692 Revista Controle & Automação/Vol.23 no.6/Novembro e De zembro 2012

Page 15: CONTEÚDO DIDÁTICO MULTINÍVEL PARA PERSONALIZAÇÃO

Fontenla, J.; Caeiro, M. e Llamas, M., (2010). A SOA Ar-chitecture to improve the tailorability and extensibilityof e-learning Systems. IEEE Latin-America Transacti-ons, Vol. 8, no 2.

González, L. A. G. e Ruggiero, W. V., (2009). Collaborativee-learning and learning objects. IEEE Latin-AmericaTransactions, Vol. 7, no 5.

Gregory, R. J., (2007). Psychological Testing: History,Principles, and Applications. 5a Edition, Pearson.

Griffiths, D. V. e Smith, I. M., (2006). Numerical Methodsfor Engineers. 2nd edition, London, Chapman and Hall.

Haykin, S. S., (2000). Redes neurais artificiais: princípioeprática. São Paulo, SP : Bookman.

Hogan, T. P., (2006). Introdução a pratica de testes psicoló-gicos Rio de Janeiro, LTC.

Horton, W. K., (2000). Designing Web-based Training.USA.

Jiménez, J., (2006). Un Modelo de Planificación Instruc-cional usando Razonamiento Basado en Casos en Sis-temas MultiAgente para entornos integrados de Siste-mas Tutoriales Inteligentes y Ambientes Colaborativosde Aprendizaje Apoyados em Computador. Tesis doc-toral. Colombia.

Jung, C. G., (2008). O homem e seus símbolos. Traduçãode Pinho, M. L. 2a Ed. Rio de Janeiro, Nova Fronteira.

Keirsey, D., (1998). Please Understand Me II – Tempe-rament, Character, Intelligence, Prometheus NemesisBook Company, USA.

Libâneo, J. C., (1994). Didática. São Paulo. Editora Cortez.

Lugger, G. F., (2004). Inteligência Artifical: estruturas eestratégias para a solução de problemas complexos. 4a

Ed – Porto Alegre, Bookman.

Melo, F.R (2003). Sistemas Tutores Inteligentes HíbridosBaseados em Características Psicológicas. Dissertaçãode Mestrado. Universidade Federal de Goiás. Goiânia,Brasil.

Melo, F.R. Martins, W. Nalini, L. E. G. Meireles, V (2006).Generalizador Neural de Espaços de Aprendizagem emSistemas Tutores Inteligentes, XVII Simpósio Brasi-leiro de Informática na Educação - SBIE. Brasília.

Méndez, N. D. D.; Carranza, D. O., Vicari, R. e Silveira, R.A (2008). Modelo Inteligente Generico para Adaptati-vidad de Cursos Virtuales. Novas Tecnologias na Edu-cação. V. 6 No 1, CINTED-UFRGS

Patten, J.V.; Chao, C.I. e Reigeluth, C.M., (1986). A re-view of strategies for sequencing and synthesizing ins-truction. Review of Educational Research, 56(4), pp.437-471,

Phelan, K. C.; Mendoza-DIAZ, N. V. & Mathews, S (2002).An example of converting a traditional course into dis-tance learning: an open discussion. Trabalho apresen-tado na 9th Annual International Distance EducationConference, Austin, Texas, USA.

Quindere, P. S. G.; (2008). Adaptabilidade Temática emSistemas Tutores Inteligentes Híbridos Dissertação deMestrado. Universidade Federal de Goiás. Goiânia,Brasil.

Rezende, S. O., (2005). Sistemas Inteligentes – fundamen-tos e aplicações. Barueri, SP: Manole.

Rissoli, V. R. V., (2007). Uma proposta metodológicade acompanhamento personalizado para aprendizagemsignificativa apoiada por um assistente virtual de ensinointeligente. Tese de doutorado, Universidade Federal doRio Grande do Sul, Porto Alegre, Brasil.

Rosenberg, M. J., (2001). E-Learning strategies for deliveryknowledge in the digital age. McGraw-Hill, New York,USA.

Russel, S. & Norvig, P., (2004). Inteligencia Artifcial: tra-dução da segunda edição. Rio de Janeiro, Elsevier.

Schultz, D. P. e Schultz, S. E., (2008). Teorias da Persona-lidade, São Paulo, Cengage-Learning.

Skinner, B. F., (1968). The technology of teaching. NewYork, Appleton-Century-Crofts

Tajra, S. F., (2001). Informática na Educação: novas ferra-mentas pedagógicas para professores na atualidade. SãoPaulo. Editora Érica.

Thorndike, E. L., (1931). Human learning. New York, NY: Appleton-Century-Crofts.

Vargas, J. A. R. e Hemerly, E. M., (2008). Observaçãoadaptativa neural com convergência assintótica na pre-sença de parâmetros variantes no tempo e distúrbios.SBA Controle & Automação, Vol 19, no 1, São Paulo.

Vicari, R., (2005). Agentes Inteligentes en Educación Vir-tual. Proceedings of Seminario Internacional. Inteligen-cia Artificial y Seguridad. Pereira, Colombia.

Revista Controle & Automação/Vol.23 no.6/Novembro e Dezem bro 2012 693