O módulo de controle gerencia o funcionamento do sistema tutor. A grosso modo, seu ciclo de execução pode ser caracterizado da seguinte forma (Oliveira, 1994):
A comunicação entre os módulos do tutor consiste em guardar ou ler arquivos, manter um arquivo histórico da sessão de aprendizagem, ativação e desativação dos bancos de dados, que podem ser pensados como "mundos" criados a partir da interação entre o tutor e o aluno.
Os ICAIs possuem uma capacidade de aprendizagem no que se refere às alterações feitas na regra do tutor, resultantes do processo de interação com o aluno.
Em alguns tutores o núcleo inicial não fica alterado no final da sessão, reiniciando da mesma forma para qualquer novo usuário, enquanto que em outros modelos mais aperfeiçoados, a cada interação o banco de dados inicial fica alterado, de modo que o sistema evolui, aprendendo com cada usuário, aplicando estes novos conhecimentos a cada aluno.
É o especialista interpretador da linguagem natural (Corredor ,1989, p. 44). Sabe-se que uma boa interface é vital para o sucesso de qualquer sistema interativo, e sistemas tutores inteligentes não constituem exceção. Pelo contrário, pode-se dizer que a questão da interação cresce de importância nesta classe de sistemas, pois é na interação que o sistema tutor exerce duas de suas principais funções (Oliveira, 1994):
A monitoração do progresso do estudante ocorre em dois níveis:
O conceito de nível de sessão está explicitado na noção de modelo do discurso, utilizada em Lingüística Computacional, onde é objeto de amplo estudo. O modelo do discurso é uma estrutura que está representando o contexto da interação a cada instante, ou seja, os tópicos que estão sendo discutidos. O modelo do discurso também deverá incluir uma representação dos objetivos imediatos de cada um dos participantes da interação (em contraposição às intenções gerais do aluno, armazenadas no modelo do aluno). Assim, geralmente haverá uma interseção entre o modelo do estudante e o modelo do discurso.
Geralmente a comunicação é estabelecida através de menus, símbolos e frases em língua natural, utilizando janelas e cores. Durante a sessão, tanto o tutor como o aluno podem mudar a forma de diálogo (apresentação). Sempre que possível procura-se comunicação através de menus, gráficos ou ícones.
A interface em linguagem natural utiliza um subsistema composto por um dicionário de palavras e um conjunto de regras gramaticais, podendo possuir a capacidade de aprender novas regras, novas construções sintáticas e categorias gramaticais, corrigir erros ortográficos através da geração e comprovação de hipóteses. A forma do aluno se comunicar com o tutor é feita através de restrições na linguagem a fim de viabilizar a comunicação.
A correção ortográfica é feita da forma usual, utilizando um dicionário de palavras, através do qual o tutor formula hipóteses sobre sua categoria sintática quando não encontra a palavra exatamente igual à digitada pelo aluno.
5.3. Outras arquiteturas clássicas
Uma retrospectiva dos STIs nas duas últimas décadas, pode ser encontrada em Giraffa (op. cit. p. 26). A seguir, serão analisadas algumas arquiteturas de STIs, que podem ter utilidade para a formulação do modelo.
A proposta de Wu (1995, 1995a) aborda um novo Framework para STI, que em comparação com os tradicionais pontos de vista sobre os STIs propostos por Clancey (apud Giraffa, 1997) - três classes de modelos são integrados em um programa de instrução: Material do Assunto, Modelo de Estudante e Procedimentos Instrucionais de Técnicas de Ensino - , consiste em um Framework para STI, que inclui os seguintes três modelos: apresentações, perguntas e modelos de testes, como se mostra na figura 43.
Fig. 43: Framework conceitual para
STI
Fonte : Wu (1996, p. 4).
Wu justifica sua proposta, argumentando que os fatores chave do sucesso para o ensino e a aprendizagem são: como o domínio de conhecimento é organizado, como este é apresentado (parecido ao de Clancey, assuntos materiais e procedimentos do ensino) e como as questões e testes são fornecidos para garantir de que os estudantes tenham uma boa interpretação do significado (Flores, Winograd, 1989, p. 91) do conhecimento apresentado - modelos de perguntas e testes não estão de modo algum refletidos pelos modelos do estudante de Clancey - . Wu argumenta que a razão para usar nomes diferentes em vez de "modelo de estudante", está em que precisa-se enfatizar a intenção de se obter uma aproximação da intratabilidade do problema do modelo de estudante observada por Self (1990 apud Wu, 1995), através de uma cuidadosa forma de organização de perguntas e testes - granulação fina de conceitos e conhecimentos apresentados - para representar os estágios da aprendizagem dos estudantes, e para detectar as possíveis concepções erradas na compreensão, e assim, ajudá-los mais efetivamente a aprender os conhecimentos apresentados (Wu, 1995a, p. 1).
Nesta proposta de estrutura para STI, a granulação grossa para apresentação de domínios de conhecimento está baseada em redes semânticas, enquanto a granulação fina de representação de conhecimento e conceitos de apresentação de conhecimento está baseada em conjuntos: base de conhecimento - um two-tuple, um discurso universal é uma classe de relações impostas sobre o conjunto universal - , e conceitos - subconjuntos do conjunto universal - , como proposto por Pawlak (1991). O formalismo Rough Set (Pawlak, 1991) - a emergente nova tecnologia, concernente à análise classificatória do impreciso9, incerto, ou da informação incompleta - é usado na avaliação da performance da aprendizagem dos estudantes. Correspondentes à descrição sucinta de Pawlak (1994, p. 73) a respeito do conceito de imprecisão10, temos: a imprecisão da avaliação da aprendizagem dos estudantes e a imprecisão da compreensão das relações entre conceitos dependentes das preferências do instrutor (Wu, 1995b, p.7). Um processo automatizado da interpretação, da aprendizagem e compreensão do estudante (através das suas repostas às perguntas e provas) podem ser sistematicamente representados com estas bases.
Quando o ensino é realizado por professores humanos ou STIs, os fatores psicológicos executam papéis dominantes no desempenho do processo de ensino (Wu, 1995a, p.1 ). Com o objetivo de implementar suas propostas, Wu propõe a construção de um sistema tutorial "mais adaptativo aos diferentes estudantes e professores", cuja arquitetura é mostrada na figura 44. A ATA consiste em três modelos inte-rrelacionados - apresentação, questões, e testes-. A estrutura mostra como o conhecimento científico é representado, como as estratégias instrucionais são incorporadas no sistema e como a avaliação do aprendizado dos estudantes em estágios pode ser implementada.
O propósito dos projetos desta classe de tutoriais tem sido o de prestar apoio ao ensino do conhecimento científico. A meta principal deste tipo de sistemas é facilitar a aprendizagem do conhecimento requerido e auxiliar uma parte das responsabilidades nas obrigações dos professores e na abordagem do ensino construtivista. A avaliação da aprendizagem do estudante é feita de acordo com os conhecimentos do sistema a respeito do aprendiz; adicionalmente, é provida uma avaliação técnica e flexível, baseada na aproximação Rough Set (Wu, 1995):
Figura 44: Arquitetura de ATA
Fonte : Wu (1996, p. 4).
A proposta de arquitetura de Djamen (1996), baseada no modelo teórico (chamado Physical, Intentional and Functional Knowledge - PIF) que incorpora conhecimento físico, intencional e funcional de um domínio dado, será descrita brevemente, antes da apresentação da arquitetura.
Segundo Dajamen (1993, 1995), de acordo com o modelo PIF, um sistema físico dado11 pode ser visto de uma perspectiva física, intencional, e funcional.
Contudo, tarefas exaustivas e detalhadas de decomposição de grafos são difíceis de serem obtidas e exploradas, em função do arquivamento de níveis de ensino adequados a todas as circunstâncias. O único exemplo realizado com sucesso foi Sherlock (Lesgold, 1992), com o custo de trabalho intensivo em análise de tarefas cognitivas e codificação como gráfico de tarefas.
A abordagem proposta pelo autor limita a análise de tarefas cognitivas para as atividades principais e mais comuns, que são requeridas enquanto um estudante aprende com um STI. A necessidade de complementar o conhecimento obtido na arquitetura proposta por facilidades de dedução e inferência é chamada "Análise 2" na Figura 46. Este nível de análise envolve a utilização de um modelo qualitativo do sistema físico e regras gerais para exploração de ações do estudante pelo uso de analogias e metas parciais de satisfação.
A figura 45 mostra a arquitetura geral para construção de uma grande escala de STIs que podem suportar a análise de raciocínio do treinamento do aprendiz. Esta arquitetura inclui, principalmente, tratamento de duas classes de autoria e tutoria, respectivamente.
Durante a fase de autoria, o resultado da tarefa de análise cognitiva (CoTAna) é armazenada na base de conhecimento intencional (IK), principalmente para o modelo qualitativo (QualMod) e esse resultado é também necessário na obtenção de bases de conhecimento físico e funcional (PK e FK). A última base incorpora respectivamente conhecimento a respeito da composição do sistema físico e seu funcionamento seguinte (Djamen, Frasson, Kaltenbach, 1996, p. 6), cujas bases são descritas da seguinte forma:
Figura 45 : Arquitetura de um STI proposta
por DJAMEN
Fonte : Dajamen, Frasson, Kaltenbach (1996, p. 4).
De fato, o modelo mental também é visto aqui como uma lista de tarefas, algumas delas concretas (ação), outras não (tarefas). Uma ação é feita de um mínimo de PU e de uma ferramenta. Uma PU pode ser recursivamente decomposta em várias outras PUs (terminais ou não). Uma PU terminal pode tornar-se em FU, como se executasse um papel no mecanismo do sistema físico funcional. Neste caso, este papel pode ser definido (Djamen, 1995), como por ex., este comportamento (essa troca de estado) e/ou esta função (efeitos deste estado de trocas). Uma tarefa pode também conduzir a uma decomposição recursiva de modelos mentais, com algumas relações precedentes entre eles.
Durante o ensino, um simulador e um editor coletam representações do raciocínio ou atividades do estudante. Uma representação pode ser um traço linear ou um grafo. Pela coleta do raciocínio, através do uso de algum formalismo, o sistema pode fazer suposições no nível de treinamento de conhecimento.
Com base nessas duas fases, o sistema está pronto para analisar todas as atividades do aprendiz, de acordo com dois eixos essenciais. O primeiro eixo é limitado pelo resultado de análise cognitiva de tarefas (ou de espaço de problema como usualmente é chamado), cujas representações, não suportam todas as soluções alternativas. O segundo eixo puxa a análise para a validação das trocas ocorridas dentro do sistema físico.
O conhecimento é analisado de maneira que possa servir ao ciclo do ensino, para uma melhor apresentação ou seleção de material.
5.4. Sistemas de Treinamento Inteligente assistido por Computador
Ao longo do extenso trabalho com STIs para academia, tem havido um desenvolvimento de sistemas dirigidos ao treinamento. Entre eles, se resgata o tutor Boiler (Woolf, Bleguen, Jansen, Verloop, 1986), SOPHIE (Brown, Burton, Kleer, 1982) e STEAMER (Hollan, Hutchins, Weitzman, 1981). Esses tutores diferem dos convencionais, por que fornecem um modelo de simulação, com o qual o estudante ou treinando interage. Embora cada um desses sistemas treinadores inteligentes usem a abordagem de simulação interativa, eles possuem diferentes arquiteturas internas. Além disso, parece que não existe concordância, atualmente, em uma arquitetura geral para tais sistemas treinadores de simulação. O trabalho proposto por Loftin e Savely (1991, p. 4), está baseado nas experiências prévias (Loftin, Wang, Baffes, Rua, apud ibid.) para o desenvolvimento de sistemas inteligentes de treinamento específico, em uma variedade de tarefas e ambientes com um esforço menos significativo que o requerido para "a arte" da realização de tais sistemas para cada tipo de aplicação.
Este projeto serviu para auxiliar o projeto e o refinamento de uma arquitetura para sistemas de treinamentos inteligentes, que possuam um significativo domínio-independente de elementos, geralmente aplicável no treinamento de tarefas procedurais comuns no ambiente da NASA. Como aparece na figura 47, a arquitetura do Sistema ICAT é modular e consiste de 5 componentes básicos, a saber:
Note-se que a manutenção é feita pelo usuário, para interagir com o sistema de duas formas distintas, cujo sistema o supervisor deve consultar para os dados de avaliação em cada treinamento. O quadro negro serve como um repositório comum de fatos para todos os 5 componentes citados mais acima. Com a excepção do modelo de treinamento, cada componente faz asserções para o quadro negro e os componentes de sistemas especialistas procuram no quadro negropor fatos que emparelhem com suas regras - padrão . Um esforço abrangente foi realizado para separar claramente os componentes de domínio-dependente dos de domínio-independente.
Esta arquitetura foi originalmente implementada em um ambiente Symboliccs 3600 Lisp, usando Inference Corporation’s ARTã para os componentes baseados em regras. As interfaces de usuários foram implementadas em X-Windows, os componentes baseados em regras em CLIPS [ CLIPS é um acronym para a NASA - shell para desenvolvimento de sistemas especialistas escritos em C] - e suportado em código C.
A arquitetura ICAT foi originalmente aplicada para sistemas de treinamento controladores de vôo da NASA e para dispor satélites do Space Shuttle (lançadores ao espaço). A mesma arquitetura foi usada na construção de um sistema ICAT para treinamento de astronautas em missões de Spacelab e engenheiros que testam os principais sistemas de propulsão dos Space Shuttle. Embora essas tarefas sejam diferentes e executadas em ambientes distintos, a arquitetura do sistema para prover adaptação tem sido a mesma.
5.5. Abordagens baseadas na IA Construtivista
O termo Inteligência Artificial Construtivista foi utilizado primeiramente por Dresher (1991) para referir-se ao trabalho em IA que vale-se da Psicologia Genética de Piaget como fonte de modelos para o estudo da cognição. Diversos modelos de ambientes inteligentes foram desenvolvidos dentro deste paradigma. Na opinião de Costa (1994, s/n), aí se daria o ponto particular da possível cooperação da IA Construtivista com a informática na educação, como uma extensão das técnicas, linguagens e sistemas de IA, conforme a proposta bastante conhecida de Papert (1980).
A seguir, serão analisadas algumas propostas desenvolvidas com a fundamentação teórica deste paradigma.
5.5.1. Mecanismo de Esquemas de Dresher
O Mecanismo de Esquemas proposto por Dresher (1991) em seu trabalho de tese para o MIT, mostrado na figura 48, mostra dois objetivos, a saber:
Acima de tudo, o projeto de Mecanismo de Esquemas reflete a necessidade de aprender, construir suas próprias estruturas para seu próprio uso, representar o mundo de um modo ao mesmo tempo prático e informativo. Esse mecanismo de esquemas constitui-se uma variação interessante de sistemas de regras, utilizados comumente em IA na construção dos chamados sistemas baseados em conhecimento. O mecanismo de esquemas introduz dois novos procedimentos aos sistemas de regras. Por um lado, realiza um processo ativo de indução a regras (chamado por Dresher, indução não ingênua), a partir da experimentação com as regras existentes e da observação dos resultados que produzem. Por outro lado, o mecanismo de esquemas está dotado de meios para apresentar não somente ações próprias do sistema, mas também ações externas autônomas, de modo que ele é capaz de representar um mundo externo constituído de objetos (os objetos permanentes) (Costa,1995).
O trabalho de Dresher consiste, essencialmente, em simular a gênese da inteligência sensório-motora, tal como foi descrita por Piaget e elaborar um mecanismo computacional capaz de mostrar alguns dos aspectos apresentados pela descrição. Esse também parece ser, por outro lado, o sentido do trabalho desenvolvido por Wremus (apud ibid.), no qual a Psicologia Genética serve de inspiração para a proposta de um modelo lógico-formal para atividades cognitivas, modelo dotado de forte conteúdo computacional, baseado na noção de frame, desenvolvida em IA.
5.5.2. Modelo de construção de estruturas cognitivas de Wazlawick
Wazlawick (1993) elabora um mecanismo de esquemas baseado em uma combinação de princípios construtivistas e de técnicas de processamento não simbólico por Redes Neurais e Algoritmos Genéticos. O autor estabelece o mecanismo básico de construção e avaliação de esquemas sensório-motores e mostra como este mecanismo pode dar origem às estruturas cognitivas operatório-concretas. O objetivo do trabalho, segundo Wazlawick, (1993, p. 91) é: apresentar um modelo de construção de estruturas cognitivas compatível com as noções de esquemas de assimilação e acomodação. O que diferencia este modelo de outros existentes é a compatibilização obtida entre a idéia piagetiana de equilíbração de esquemas e o motor de pesquisa fornecido pelos algoritmos genéticos.
Agente inteligente é um sistema dotado de uma população de esquemas de atividades, que orientam a ação do agente em um ambiente determinado. Cada esquema de atividades é uma estrutura composta de uma rede neural com funções sensoriais, e de vetores indicadores de realização de ações e alcance de objetivos. Essa população de esquemas evolui para uma combinação de procedimentos de aprendizagem não supervisionados dos neurônios que compõem os esquemas, e de procedimentos de evolução seletiva de esquemas, conforme o padrão usual dos algoritmos genéticos.
O mecanismo de esquemas de atividades dá, aos agentes que o utilizam, um princípio interno de atividades, adaptado ao ambiente em que funcionam. Essa adaptação (ou equilíbração) de um esquema em um meio caracteriza-se por um duplo fato, a saber, que o conjunto de informações sensoriais recebidas pelo esquema torna-se o ponto fixo do conjunto de ações que esse esquema determina e do esquema que toma esse mesmo conjunto de informações sensoriais resultantes, como o objetivo que deve alcançar. O fato de os objetivos dos esquemas serem definidos em termos de valores sensoriais e não de valores relativos, a funcionalidade que as ações exercem para o agente como um todo, fazem com que o processo de adaptação, determinado pelo mecanismo de esquemas, apresente uma forte predominância de acomodação sobre a assimilação.
5.5.3. Arquitetura aberta para simulação de entidades autopoiéticas.
Fialho (1994) pretende realizar a modelagem computacional do equilibração das estruturas cognitivas, como proposto por Piaget, fundamentando-se, teoricamente, nos trabalhos de Maturana e Varela (1972), Piaget e Lacan. Uma representação gráfica do modelo é mostrada na fig. 49. Para esses autores, o pensamento, a aprendizagem e a percepção são processos que dependem da história cognitiva ou, em outras palavras, da ontogênese autopoiética que individualiza os seres humanos.
A contribuição de Fialho consiste na proposta de um modelo geral de bases construtivistas para o ser humano, que não só una as conquistas nas diferentes áreas correlacionadas do saber, mas que esteja aberta às novas assimilações e acomodações dos avanços que se registrarem nesses conhecimentos. Em outras palavras, uma arquitetura que seja um sistema aberto, tanto em termos de hardware como de software, um sistema capaz de lidar com a dinâmica natural de execuções não determinísticas. A realização desse modelo é executável, mas ainda impraticável, dada a quantidade de recursos de hardware e software que precisariam ser utilizados e os custos correspondentes (Fialho, 1994, p. 338).
Fig. 49: Arquitetura aberta para simulação
de entidades autopoiéticas
Fonte : Fialho (1994, p. 367).
Um organismo atua dentro de seu meio ambiente executando tarefas que possam ser decompostas em atividades. A regulação de atividades é uma função que tem por objetivo a seleção de tarefas e seu reordenamento no tempo, e consiste em (ibid. 339):
Freud define um subsistema de processamento primário que, no modelo, cumpre o papel de regulador de todas as tarefas da entidade autopoiética humana, a qual está relacionada à procura do prazer, a partir das estruturas que apresentam a forma (desejos, objetivos que satisfazem esses desejos) e que regulam todo o processo de aquisição de conhecimento. Essas estruturas são construídas pelo mecanismo de equilibração de Piaget a partir de estruturas inatas.
O subsistema de processamento secundário regula outros tipos de tarefas submetendo-se, assim, de certa forma, às imposições do regulador primário. O subsistema de processamento secundário é responsável, ainda, pelo controle e execução das tarefas.
O subsistema de processamento secundário domina a capacidade de síntese da motricidade e organiza a simbolização. É ele que processa as informações vindas do universo à sua volta e tenta conciliar os dados do real com os desejos e as restrições do espaço de restrições. De certa forma, funciona como um computador que captura as perturbações originadas pelo mundo exterior e negocia essas necessidades com os desejos expressados pelo Id; processador primário, tentando, ainda, atender aos princípios éticos que ficam registrados no espaço de restrições. A angústia é o estado emocional normal associado ao Ego. É a angústia que o move para a ação.
O espaço de restrições acumula a experiência da entidade em sua ação no mundo, construindo crenças que vão inibir determinados comportamentos. O superego é responsável pela estrutura interna dos valores morais, ou seja, pela interiorização das normas referentes ao que é moralmente proibido e ao que é valorizado e deve ser ativamente buscado. O espaço de restrições é definido como o conjunto de proibições oriundas do superego e da realidade. Essas proibições não são dadas a priori, mas devem ser construídas, ou seja, vão depender da história psicológica da entidade autopoiética que se pretenda modelar.
Para isso, o superego é modelado como um processador associado a uma memória episódica. A cada evento traumático registrado no espaço de restrições se associa uma "resistência" que mede a força que mantém esse evento no subconsciente, impedindo-o de se tornar consciente, e uma "repressão" que mede a força exercida para contrabalançar aquela exercida pelo trauma para se tornar consciente, ou seja, a força que nega à consciência o acesso à informação traumática.
Em relação à descrição de alguns domínios da arquitetura, o autor diz:
5.5.4. Equilibração de teorias em agentes autônomos simbólicos
Oliveira (1993) define um conjunto de critérios para a equilibração de estruturas conceituais em Sistemas Tutoriais Inteligentes (STI), que operam sobre conjuntos de redes semânticas (com as quais os sistemas representam seus conhecimentos) e permitem ao sistema tutor orientar o procedimento de equilibração das redes semânticas de que se disponha.
Por exemplo, no caso considerado originalmente em Oliveira (op. cit.), um sistema dado pode proceder à equilibração entre a rede semântica que representa a teoria do domínio de conhecimento e a rede semântica que representa o modelo de conhecimento do aluno; o efeito dessa equilibração é que o sistema se torna capaz de aprender com o aluno.
A elaboração desses critérios de equilibração foram obtidos a partir de uma modelagem métrica e de topologia de ordem de informação para as redes semânticas. A equilibração de redes semânticas pode ser compreendida então em função de dois critérios:
A modelagem métrica e de topologia de informação elaborada, originalmente neste trabalho, é aplicável às teorias representadas em redes semânticas. O princípio que respalda a utilização desses modelos na organização de processos de assimilação mútua de teorias, no entanto, não está restrito ao caso de conhecimentos representados através daquela forma, e pode ser aplicado sempre que forem obtidas modelagens métricas e de topologia de informações para uma determinada forma de representação de conhecimento. Em particular, ela é aplicável ao caso das teorias clausais.
Esse mecanismo de organização da equilibração de teorias simbólicas pode ter um papel central na definição arquitetônica de sistemas de IA Construtivista, em que se coordenem funcionamentos em níveis sensório-motores e em níveis representativos.
Segundo Costa (1993) o principal problema em aberto a nível epistemológico é explicar uma adequada noção de desenvolvimento e máquina, isto é, de produzir um conceito de máquina que permita articular de modo sistemático, através da noção de desenvolvimento, os diversos processos e estruturas que hoje em dia se vislumbram - e mesmo se realizam - nos sistemas computacionais.
Segundo o autor (1989), se o que se deseja é uma máquina capaz de lidar com o imprevisto, deve-se conceber uma máquina capaz de adaptar-se. Máquinas programadas não são capazes de realizar adaptação. Elas, de certa forma, são intolerantes a falhas. Para alcançar a adaptação, a máquina deve ser capaz de extrair informações em tempo de execução e modificar seu comportamento para acomodar estas informações, se for necessário. Uma tal noção permitirá distingüir, suficientemente, nas estruturas e processos realizados por uma máquina, as construções devidas ao projetista e as construções devidas ao próprio funcionamento da máquina, e assim determinar com maior precisão o lugar da noção de inteligência de máquina (ibid.).
