Wang e Chan (1997) afirmam que os sistemas de aprendizagem social são ambientes de aprendizagem emergentes que permitem a estudantes e agentes trabalharem em um ou em vários computadores conectados em ambiente de rede.

Desenvolvimentos recentes em STI consideram uma abordagem cooperativa entre o aprendiz e o sistema. Muitos grupos de pesquisa criaram a simulação environment-using, onde o processo de ensino-aprendizagem é simulado por um conjunto de agentes, visando uma interação entre eles para permitir a observação de mudanças dinâmicas ocorridas durante o processo de interação. Moussale, Viccari e Corrêa (apud Giraffa, 1998, p. 20) apresentam um exemplo, onde todos os agentes podem ser abertos⁶ para mudar estratégias e crenças/conhecimentos sobre resolução de problemas. Outro exemplo é a simulação criada por Frasson, Mengelle e Aimeur (1997), onde dois agentes são simulados no computador: um tutor e um troublemaker (Aimeur, Frasson, 1996, p. 115).

De acordo com Oliveira e Viccari (1996), se o ensino é considerado uma atividade de resolução de problemas, então a principal contribuição da Inteligência Artificial Distribuída – IAD - é a possibilidade aperfeiçoar a performance de resolução de problemas do sistema. Tal otimização é possível se a tarefa pode ser dividida em sub-tarefas com algum grau de localização e paralelismo. De fato, existem muitos trabalhos apresentados na literatura mostrando que tal divisão é possível. Essa é a chamada perspectiva distribuída para implementar ambientes de aprendizagem baseados em IAD. Usualmente, as arquiteturas desenvolvidas com esta abordagem são variações da arquitetura funcional tradicional dos STI⁷, onde cada função é implementada por um ou mais agentes especializados. Desde que cada agente tenha uma funçao bem definida, seu papel dentro do sistema não muda, ou seja, a organização do sistema é fixa. Essas características são baseadas em sistemas de Resolução de Problemas Distribuídos (Distributed Problem Solving – DPS)⁸. A totalidade de planos de ensino é gerada pela combinação de contribuições de diferentes agentes. O controle é distribuído em função da geração do plano, não da sua execução.

Cada agente pode estar ou não subdividido em agentes internos (subagentes, agentes locais): se este for o caso, pode-se falar de sociedade externa e de sociedade interna (Giraffa, 1998, p. 21).

Tal visão acrescenta o número de questões teóricas e práticas e muda a discussão em relação a tópicos, tais como aprendizagem cooperativa, aplicação das teorias de Vigotsky, Piaget e outros. O comportamento de cada agente também pode afetar o comportamento da sociedade como um todo e vice-versa, como por ex., a capacidade de aprendizagem veloz e/ou limitada de um membro pode exercer algum efeito no ritmo do aprendizez envolvidos . Tais diferenças cognitivas estabelecem a necessidade de prever a demanda apropriada de informações e/ou operações. Esta necessidade pode ter impacto na arquitetura e/ou no comportamento dos agentes e da sociedade externa.

Para Oliveira e Viccari (1996) é importante indicar que as duas perspectivas discutidas aqui não são mutuamente exclusivas. Na perspectiva social considera-se que o sistema computacional esteja embutido na sociedade externa, composta de múltiplos agentes humanos/artificiais. A perspectiva distribuída preocupa-se com a organização interna do sistema.

Os ambientes sociais significam trabalho colaborativo. Mitsuru (1997) diz: uma das principais significações educacionais do aprendizado colaborativo é melhorar a motivação dos participantes, despertando reflexões maduras na sua própria compreensão e externalização deste resultado. Cook (1997) diz: que a aprendizagem colaborativa não é sempre efetiva. Assim, a análise dos dados do diálogo tem o propósito de revelar a correlação entre as metas e as intenções dos professores, as intervenções e tentativas dos estudantes para a reflexão criativa.

De qualquer forma, faz-se distinção entre aprendizagem colaborativa e cooperativa. Para Giraffa (1998, p. 22), na aprendizagem cooperativa dois ou mais estudantes possuem as mesmas tarefas, que podem estar divididas em sub-tarefas, e cada um realiza parte delas, não podendo, entretanto interferir nos trabalhos dos outros. A solução final é o conjunto de trabalhos individuais. Na aprendizagem colaborativa, por outro lado, cada estudante possui uma tarefa semelhante e uma solução final realizada por todos. Cada estudante pode sugerir seu/sua própria solução e o grupo discutir a seu respeito. A solução final emerge, assim, do grupo de trabalho interativo. Ambas as situações adotam a perspectiva social.

Um exemplo de uma arquitetura funcional de agentes com perspectiva distribuída proposta por Oliveira (1996, p. 3), é apresentada a seguir: esta sociedade é formada por vários agentes estudante/tutor e também por agentes com funções sumarizadas nos quadros 13 e 14. Este é um exemplo de uma sociedade funcional organizada (Oliveira, Brachman, apud Oliveira, 1996) em um ambiente de ensino aprendizagem, conforme a fig. 53.

Os agentes desta sociedade estão envolvidos em dois processos básicos de ensino- aprendizagem - quadros 13e 14. Esta arquitetura é um exemplo típico da perspectiva distribuída, onde os subprocessos funcionais da atividade de ensino-aprendizagem são atribuídos a agentes específicos, denominados de agentes world-state, adaptados à perspectiva social, cuja função é monitorar os vários estudantes/tutores na sociedade e comunicar o resultado aos outros agentes da sociedade interna.

O agente de comunicação permite cooperação efetiva e trabalha com a troca de mensagens entre agentes na sociedade e, portanto, está envolvido nos processos de ensino-aprendizagem.

Cada agente é identificado da seguinte forma: W_{A -} conjunto de possíveis estados do mundo para A; Ac_{A -} conjunto de possíveis ações para A; G_A, W_A G_{A -} conjunto de possíveis planos para metas específicas de agentes g. Essas funções operam sobre o conjunto de agentes e são usadas para controlar o ciclo de suas execuções básicas, composto por: ativação da meta, planejamento, sincronização temporal e execução-avaliação.

A seguir serão exploradas algumas arquiteturas sob uma perspectiva social.

Quadro 13: Processo de ensino

Processo de ensino

Agente tutor: armazena o domínio de conhecimento, por ex., o material instrucional, que pode cumprir o papel de um estudante ao encarar a especialista de nível. Tópicos de seleção de agentes: explora o material instrucional para definir o tópico seguinte. A velocidade e a ordem de aplicação do material dependem da performance e do interesse do agente estudante.

Provedor de prática: seleciona exercícios e exemplos adaptáveis às necessidades do agente estudante e se comunica com os agentes: tópicos de seleção, estudante, performance, estratégia e agente de diagnóstico.

Agente de motivação: motiva o estudante a aprender pela seleção de tipos de apresentação, de acordo com as preferências do estudante . Por exemplo, no ensino da matemática, pode-se fazer isto com o uso fórmulas, conceitos e/ou figuras, de acordo com a estratégia selecionada.

Fonte: Oliveira (1996, p. 3).

Quadro 14: Processo de aprendizado

Processo de aprendizado

Agente estudante: armazena o modelo de estudante, por ex., informações sobre o comportamento do estudante de acordo a necessidade de outros agentes. Possui iniciativa comunicativa somente se o estudante desejar a mudança da forma de instrução conduzida.

Agente de navegação: controla o tempo em que o estudante navega no material de forma não-linear (hipertexto/hipermídia). Esta navegação ocorre pela resposta do agente estudante.

Agente de performance: verifica a história do agente estudante, analisando seu conhecimento atual e sua performance.

Fonte: Oliveira (1996, p. 4).

6.2.2. Arquitetura SEM

A Sociedade de Estados Mentais - SEM - (Correa, apud Giraffa, 1997, p. 88) é uma arquitetura genérica de agente cognitivo, deliberativo e autônomo, cuja característica fundamental é que a especificação de agentes é feita através dos estados mentais, tais como crença, desejo, intenção e expectativa, onde a compreensão de cada agente é obtida através da determinação destes estados mentais. A teoria de comportamento de agentes é baseada no fato de que objetos de programação fazem os estados específicos mentais do agente. A forma como a especificação da arquitetura dos agentes é tratada aqui, difere de outras abordagens, nas quais são especificadaa de acordo com os módulos funcionais.

Outra característica da arquitetura SEM é que a definição dos estados mentais dos agentes é sustentada de acordo com a teoria de situações desenvolvida em Barwise e Delvin (apud Oliveira,1996). Corrêa usa o simbolismo desta teoria para agentes inteligentes artificiais. O comportamento desses agentes é representado pela ação, através da qual os agentes interagem entre si e com o mundo, como resultado da relação causal entre esses estados mentais, tal como na arquitetura de Kernel (Corrêa apud, 1997), feita sobre quatro agentes locais autônomos: crença, desejo, intenção e expectativa; correspondentes aos estados mentais: crer, desejar, intencionar e esperar, respectivamente. Esses agentes locais interagem entre si através de mensagens. Cada um deles possui funções específicas, resultantes de definições, propriedades e relações entre os estados mentais (crença, desejo, intenção, expectativa), conforme descritos a seguir (Giraffa, 1997, p. 89):

• agente local crença (age como supervisor das crenças) e tem a função de: criar, alterar, inferir, e deduzir crenças, construir estratégias e planos e fazer tudo o que disser respeito ao raciocínio do agente. A arquitetura do agente local crença também é uma 8-tupla análoga ao agente global.

Uma crença é uma situação definida por:

C_T/A |= { << bel, A_T1A, P, v >> } sendo:

C_T ® crença do tutor;

C_A ® crença do aluno;

bel ® relação crença;

A_T ® agente tutor;

A_A ® agente aluno;

P ® uma proposição

v ® 1, se o agente A acredita que a proposição P ocorre no mundo;

0, caso contrário.

• agente local desejo (supervisiona os desejos): criando, alterando, atribuindo crenças ou alterando os valores de urgência, intensidade e insistência dos desejos; produzindo intenções a partir de desejos e verificando se os desejos estão ou não sendo satisfeitos. A arquitetura do agente local desejo também é uma 8-tupla análoga ao agente global. Um desejo é uma situação definida por:

D_T ® desejo do tutor;
D_A ® desejo do aluno; des ® relação desejo
A_T ® agente tutor;
A_A ® agente aluno;
P ® uma proposição
£ |= << satisfação, ns, X, 1 >> ^ << urgência, r3, X, 1 >> sendo
n_s ® parâmetro ancorado no conjunto {ds,dns} de modo que, num momento
f(t) = t, f_s(n_s) = d_s, quando o desejo estiver satisfeito e f_s(n_s) = dns, caso contrário;
X, r3 ® parâmetros ancorados no conjunto dos números reais;
T ® localização temporal associada à ocorrência do desejo;
v ® 1, se ocorre o desejo ao agente A; 0, se não ocorre o desejo ao agente A]
 
• agente local intenção (supervisiona as intenções): selecionando as intenções a serem satisfeitas num determinado momento; realizando as intenções do agente, ou seja, escolhendo e executando as ações apropriadas para a realização de determinada intenção; interrompendo ou cancelando a realização de alguma intenção; atribuindo ou alterando os valores de urgência, intensidade e insistência das intenções e produzindo intenções, desejos, crenças e expectativas. A arquitetura do agente local intenção também é uma 8-tupla análoga ao agente global. Uma intenção é uma situação definida por:

I_T ® intenção do tutor;
I_A ® intenção do aluno; in ® relação intenção
A_T ® agente tutor;
A_A ® agente aluno;
P ® uma proposição
£ |= << satisfação, n_s, X, 1 >> ^ << urgência, r_T3, X, 1 >> sendo
n_s ® parâmetro ancorado no conjunto {is, ins} de modo que, num momento
f(t) = t, f_s(n_s) = is, quando a intenção estiver satisfeita e f_s(n_s) = ins, caso contrário;
X ,r₃ ® parâmetros ancorados no conjunto dos números reais;
K ® uma estratégia para a satisfação da intenção, ou seja, um guia geral para as ações que o agente faz para a satisfação da intenção;
T ® localização temporal associada à ocorrência da intenção;
v ® 1, se ocorre a intenção ao agente A; 0, se não ocorre a intenção ao agente A.
 
• agente local expectativa (supervisiona as expectativas) e tem a função de: verificar se uma expectativa está ou não satisfeita; atribuir valores à urgência, intensidade e insistência das expectativas; determinar ações e desejos para a satisfação das expectativas e produzir crenças, se necessário. A arquitetura do agente local expectativa também é uma 8-tupla análoga ao agente global. Uma expectativa é uma situação definida por:

E_T ® expectativa do tutor;
E_A ® expectativa do aluno; exp ® relação expectativa
A_T ® agente tutor;
A_A ® agente aluno;
P ® uma proposição
£ |= << satisfação, ns, X, 1 >> ^ << urgência, r₃, X, 1 >> sendo
n_s ® parâmetro ancorado no conjunto {es,ens} de modo que, num momento
f(t) = t, f_s(n_s) = es, quando a expectativa estiver satisfeita e f_s(n_s) = ens, caso contrário;
X, r₃ ® parâmetros ancorados no conjunto dos números reais;
T ® localização temporal associada à ocorrência da expectativa;
v ® 1, se ocorre a expectativa ao agente A; 0, se não ocorre a expectativa ao agente A.

Ao lado do agente local crença, o agente local intenção, que já possui uma estratégia de ensino determinada, controla a execução e envia ao agente global tutor uma mensagem dizendo que a ação requisitada foi realizada (com sucesso ou não) e que esta foi recebida pelo agente local desejo, o qual conduz para ação os agentes remanescentes para verificar se o desejo foi ou não preenchido e envia uma nova mensagem ou espera por uma nova que será enviada pelo estudante. O agente global tutor pode receber do agente global estudante uma ação que é a resposta do pedido feito pelo tutor para o estudante através da mensagem enviada pelo agente local desejo (tutor) e a intenção (estudante), ou uma ação que é a requisição feita pelo estudante ao tutor.

O melhor entendimento do processo de ensino-aprendizagem é compreendido quando se analisa a interação entre os agentes feita pelos estados mentais crença, desejo, intenção e expectativa, através da observação das mudanças que ocorrem com os agentes tutor e estudante durante as interações de ensino-aprendizagem.

O trabalho em STIs usando a arquitetura SEM, permite as três seguintes situações: a conversação onde os agentes concordam com o conhecimento e a discussão do método de solução de um problema (Oliveira apud Oliveira, 1996); um diálogo onde os agentes pretendem falar a respeito de um problema específico e o outro não está interessado ou não tem conhecimento para cooperar. Essas três situações permitem uma melhor exploração da dinâmica que ocorre no estado de modelo mental. O processo de ensino-aprendizagem ocorre através da explicação como proposto por Michalski e Costa (apud ibid.).

O objetivo da pesquisa neste modelo é que a abordagem do estado mental explicite o impacto desses estados (especialmente os desejos e seus níveis de urgência) no comportamento de aprendizagem da sociedade externa, principalmente para uma rota de ações mais sutis, as quais devem ser difíceis de serem obtidas de outra maneira. Tudo isso é classificado como um exemplo de perspectiva social por que trabalha com a suposição de que todo agente na sociedade externa, com a qual o sistema interatua, tem o mesmo estado mental; e a meta do sistema é induzir a algumas situações específicas os estados mentais de outros agentes.

A arquitetura SEM mantém a seguinte estrutura 8-upla para os agentes globais:

M_Aé o conjunto de estados internos do agente; S_A é o conjunto "todo o possível estado externo para o agenteA"; R_A é o conjunto partição S que caracteriza a sensação do agente; [[alpha]]_A e o conjunto de ações que o agente A pode executar; [[upsilon]]_A: S_AÆR_A; [[ Psi]]_A é uma função efeitora que caracteriza os efeitos das ações dos agentes no mundo externo: [[Psi]]_A:[[ alpha]]_A ¦ Æ S_A; BDE_A é um 3-upla < B_A, D_A, E_A > onde: B_A é a estrutura de crenças do agente A. D_A é a estrutura de desejos do agente A. E_A é a estrutura das expectativas do agente; I_A é a estrutura de intenções do agente A.

A estrutura de cada agente local é definida por uma arquitetura feita de 8-uple, cujo simbolismo é similar aos agentes globais. Cada um dos agente chamados locais tem uma função específica que resulta das definições, propriedades e relações entre os estados mentais.

Para a adoção da arquitetura SEM para um modelo de STI, Oliveira (1996, p. 5) afirma ter revisado a influência na construção de agentes e também da simulação das interações entre eles. O uso da teoria da situação permitiu a forma declarativa de programação, possibilitando que uma representação mais granular dos estados mentais acrescente o poder de explicação da interação, pela melhor avaliação das mudanças ocorridas no processo de ensino/aprendizagem. Os vários modelos de estados permitem aos agentes atuar com mais precisão.

6.2.3. Ambiente MATHEMA

O MATHEMA, proposto por Costa (apud Giraffa, 1997, p. 94), é um ambiente interativo, concebido para apoiar atividades que venham a favorecer um ensino adaptativo e seus desdobramentos no processo de aprendizagem. Trata-se de um ambiente propondo uma nova abordagem no suporte à concepção de ILE, configurado como uma solução alternativa e efetiva no problema de adaptação.

O ensino (adaptativo) é aqui visto como conseqüência do processo de interações cooperativas, envolvendo os seus componentes (aluno e tutor) em atividades baseadas em resolução de problemas. A noção de problema, colocada por Costa, significa uma situação,onde a partir de certas condições iniciais ou estado inicial do problema, tenta-se atingir uma dado objetivo através de um conjunto de ações. A aprendizagem é assumida como sendo favorecida e decorrente de atividades provenientes do ensino adaptativo, significando aquisição de conhecimento.

O MATHEMA foi concebido numa estrutura definida para suportar técnicas e funcionalidades de IAD, através de uma abordagem baseada nos SMA. O modelo de agente adotado tem como proposta central a investigação de um aprendiz humano em uma sociedade de agentes tutores artificiais, visando envolvê-lo numa situação de aprendizagem.

• A arquitetura do MATHEMA

 

 

É composta por seis componentes, a saber:

• Aprendiz humano: agente interessado em aprender algo sobre um determinado domínio trabalhando no ambiente MATHEMA. Ele desempenhará essencialmente o papel de uma agente ativo, envolvido em atividades baseadas na resolução de problemas num domínio de aplicação, sob a assistência especializada de um agente tutor (imerso numa sociedade de agentes cooperativos).

 
• Motivador externo: entidades humanas externas que desempenham o papel de motivadoras do aprendiz para trabalhar no MATHEMA. Alguns motivadores podem ser o próprio professor, seus colegas ou outros.

 
• Sociedade de agentes tutores artificiais (SATA): conjunto de agentes (ou micro-agentes) que algumas vezes cooperam entre si a fim de promoverem a aprendizagem de um dado aprendiz em atividade de ensino. Cada um desses agentes é especializado em subdomínios contidos em um dado domínio do conhecimento. Esta idéia é inspirada no trabalho de Minsky (apud Giraffa, 1998, p. 94), onde o conceito de inteligência emerge da combinação de agentes mentais, cada um responsável por um pequeno processo.

 
• Sociedade de especialistas humanos (SEH): fonte de conhecimento externa ao sistema computacional (um agente que funciona como um oráculo) para a SATA. Dessa sociedade depende a manutenção da SATA (inclusão, exclusão, alterações no conhecimento dos agentes) e mais a assistência aos aprendizes no caso da falha da SATA. A SEH pode analisar o desenvolvimento das interações entre o aluno e a SATA, avaliar seu desempenho, promover melhorias sempre que necessário, independente de ter sido ou não requisitada pela SATA.

 
• Agente Interface (AI): elo de ligação entre o aprendiz humano e a SATA.

 
• Agente manutenção (AM): elo de ligação (interface) entre a SEH e a SATA, encarregando-se de prover a interação entre elas.

• O funcionamento do MATHEMA

 

 

Inicialmente, um dado Aprendiz Humano, supostamente incentivado por um Motivador Humano Externo, começa a interagir com o Agente Interface. Nesse caso, o AI apresenta ao Aprendiz algo sobre o ambiente computacional de ensino e ajuda, mediante uma análise de seus objetivos, a escolher seu Supervisor em SATA. A partir daí, inicia-se um processo de interação cooperativa e didática entre o Aprendiz e o Agente Supervisor. O Agente Supervisor será então o responsável pelo Aprendiz, oferecendo-lhe a orientação necessária à promoção do seu aprendizado. Durante esta interação, situações com diferentes complexidades podem ocorrer. A mais elementar é a que envolve apenas a interação entre o Aprendiz e o seu Supervisor. A complexidade, entretanto, começa a aumentar à medida que a demanda do Aprendiz passa a requerer a participação de outros agentes, além do seu Supervisor. Isso poderá evoluir a uma situação extrema na qual os agentes em SATA não conseguem atender à requisição do Aprendiz. Nesse caso, o Agente Supervisor informa o aprendiz sobre a impossibilidade de atendê-lo, pelo menos momentaneamente, pois irá consultar sua entidade oracular, deixando a possibilidade de agendar um horário conveniente. Assim, ele informa a SEH sobre o ocorrido, através do Agente de Manutenção. A SEH, tendo resolvido o problema, informa o agente supervisor da sua disponibilidade em interagir com o Aprendiz e assim o faz, caso todas as providências tenham sido tomadas. Além disso, caso julgue necessário, a SEH realiza uma operação de manutenção em SATA.

A componente SATA é constituída por um conjunto de agentes (micro-agentes) que podem cooperar entre si através de um protocolo, afim de promover a aprendizagem de uma dado estudante, numa dada situação de resolução de problemas. Esta sociedade é definida em função de um domínio de conhecimento, que por sua vez é organizado em uma série de subdomínios, e a cada um deles é associado um micro-agente. Para trabalhar essa visão, foram feitas algumas reflexões e considerações sobre o domínio de conhecimento.

Foi definido um esquema de organização do conhecimento onde o domínio de conhecimento é dividido em diferentes, preferencialmente independentes, subdomínios. Esta divisão está comprometida com micro-especialidades, distribuídas em três dimensões de conhecimento: uma para profundidade (que diz respeito ao refinamento na linguagem de percepção), outra para amplitude (lateralidade) e a última, composta por diferentes pontos de vista sobre o domínio de conhecimento e sobre o domínio pedagógico. Em SATA, o domínio associado a um ponto de vista particular, origina uma série de micro-agentes comprometidos com as dimensões de profundidade e lateralidade. Essas três dimensões são o alicerce para se buscar um compromisso entre uma boa estruturação e riqueza de conhecimento. Com isso e mais um mecanismo de interação "poderoso", pretende-se dispor de um ambiente mais adequado para promover aprendizagem cooperativa e, assim, conseguir um maior potencial de adaptabilidade do Tutor a um estudante em particular. A idéia, portanto, é combinar estes fatores em tal ordem que venham a favorecer o surgimento de um comportamento adaptativo na interação com o Aprendiz.
 

• As capacidades dos agentes:

 

 

Cada agente é uma entidade inteligente em algum subdomínio, dispondo de conhecimento necessário para ensinar e, particularmente, resolver problemas nesse subdomínio. Ele pode também contribuir para um comportamento social através de suas capacidades. A cada agente estão associadas as seguintes capacidades:

• Resolução de problemas: um agente deve não só propor problemas ao aprendiz, como parte do processo interativo inerente, mas também deve resolver ou ajudar a resolvê-los.

 
• Aprendizagem: cada agente possui três modalidades de aprendizagem: a primeira diz respeito à possibilidade de ele aprender com a SEH; a segunda considera a possibilidade de ele aprender com o aprendiz (por exemplo, aprender novas soluções para um dado problema) e sobre o aprendiz (constituindo-se no que se denomina Modelo do Estudante); e finalmente a terceira trata da possibilidade de aprendizagem sobre outros agentes (um tipo de aprendizagem social, onde um agente em cooperação com o outro, pode especializar mais o seu conhecimento sobre a capacidade desse agente).

 
• Resolução de Conflitos Cognitivos: essa situação diz respeito à possibilidade de discordâncias que possam surgir entre o conhecimento do agente tutor e o do aprendiz. Esses conf1itos podem ser identificados em quatro situações referentes a um processo de resolução de problemas, a saber:
(i) o tutor está certo e o aprendiz está errado. Essa situação ocorre no momento em que o aprendiz apresenta sua argumentação referente à solução do problema e o tutor detecta algum erro ou falsa concepção no processo de solução.

(ii) o aprendiz está certo e o tutor está errado. Essa situação pode ocorrer, mas apenas será percebida e resolvida pela SEH;

(iii) ambos estão certos. Essa situação ocorre quando o tutor reconhece que a solução do aprendiz está correta, mas não se trata de uma solução conhecida pelo tutor;

(iv) ambos estão errados. Essa situação pode ocorrer, mas apenas será percebida e resolvida pela SEH.
 

• Comunicação e Cooperação com outros agentes, com o aprendiz e com a SEH.

 
• Modelo do Agente:

 

 

O modelo do agente adotado no trabalho baseado no modelo de Schiman et al. (apud Costa, 1996), onde uma organização social é caraterizada por meio de suas interações.

Um agente tutor é constituído por duas camadas principais, a saber: camada do sistema de ensino e camada de cooperação, conforme a figura 56.

• Camada do Sistema de Ensino: esta camada é responsável pelas atividades de ensino adaptativo, tomando por base uma aprendizagem calcada em resolução de problemas, nos termos já declarados. É através dela que ocorrem as interações entre o Aprendiz e Agente Tutor. O Aprendiz é colocado numa situação de resolução de problemas em interação com o Tutor. Nesse processo, o Agente Tutor acompanha o Aprendiz durante a interação, monitorando suas ações e provendo-lhe um feedback adequado.

• Camada de Cooperação: esta camada é composta por conhecimentos e mecanismos necessários para a viabilização do trabalho cooperativo na sociedade de tutores. Para isso, cada tutor possui nesta camada seis módulos, que são:

• autoconhecimento (AC): é uma estrutura de conhecimento representando quais as capacidades do agente.
• conhecimento social (CS): é uma estrutura de conhecimento representando as capacidades dos outros agentes tutores na sociedade. Esse conhecimento é usado para identificar agentes tutores especializados em uma dada tarefa. Isso é necessário quando as capacidades de um agente são insuficientes para lidar com um dado problema, e esse agente necessita da cooperação de um outro.
• encaminhamento: é um módulo responsável pela seleção de agentes para iniciar uma cooperação. Esta seleção é feita baseada no conhecimento social, descrito acima. Algumas estratégias e regras de resolução de conflitos são utilizadas por este módulo para solucionar possíveis impasses que possam surgir durante o processo de eleição de agente(s).
• protocolos: são uma coleção de possíveis protocolos que podem ser usados no processo de cooperação entre os agentes. Um protocolo é um conjunto de regras que visam restringir o diálogo entre os agentes, com o intuito de possibilitar o processo construção/interpretação das mensagens trocadas entre eles. Estes protocolos podem ser acessados a partir de uma biblioteca de protocolos, para atenderem certas exigência da camada de ensino.
• controle: é um módulo responsável pela coordenação dos protocolos, pelo preparo das mensagens a enviar e pelo processamento das mensagens recebidas.
• comunicação: esse módulo é responsável pelo envio e recebimento de mensagens, através do ambiente de comunicação.

6.3. Conclusões e problemas em aberto

O grande problema no projeto de software educacional é a carência da formulação de uma teoria geral da instrução. A aprendizagem do ser humano é ainda matéria de muita especulação e controvérsia e, embora certas áreas tenham sido amplamente pesquisadas, alguns princípios fundamentais de representação e comunicação das coisas para o computador permanecem ainda amplamente desconhecidas. Muitas decisões nesta área de pesquisa são, ainda, baseadas em experimentos empíricos, em observações ou questões intuitivas.

Os ambientes de aprendizagem especialmente projetados para propósitos educacionais tendem a ser, em algumas áreas, inspirados no construtivismo e nas teorias de aprendizagem de Vigotsky. Essas teorias focalizam-se na aprendizagem e instrução context-anchored, contextualizada numa forma realista de resolução de problemas (Vassileva, 1997). Nesses sistemas encontram-se algumas estratégias de tutoriais implícitas, pois a abordagem construtivista não deixa o estudante fora de qualquer supervisão.

O principal dogma do construtivismo diz que aprender significa construir estruturas de conhecimento. Segundo Lester (1997), para promover episódios de aprendizagem construtivista, os ambientes devem possuir facilidades para a contrução de conhecimento. O ressurgimento do interesse nos micromundos indica a preocupação, também, dos aspectos qualitativos da aprendizagem e não apenas dos aspectos quantitativos.

Segundo Katz et. al. (apud Giraffa, 1997), o projeto é uma das técnicas mais promissoras do arsenal construtivista, ou seja, o aluno deve aprender fazendo. O processo de montar estruturas a partir de desafios (problemas), utilizando ferramentas disponíveis em um determinado ambiente, tem proporcionado experiências muito ricas de aprendizagem por parte dos alunos. Infelizmente, o grande potencial intrínseco nesta abordagem, é ainda um grande desafio a ser vencido, porque a sistematização dos processos complementares à tarefa de construir o conhecimento são muito complexos e precissam de técnicas e modelagens ainda não disponíveis.

Comparando os novos paradigmas construtivistas, construcionistas e de aprendizagem social suportados pelos STI tradicionais, pode-se observar que a mudança para o paradigma suportado pela IA distribuida, implica um desafio maior e aumenta o grau de complexidade do projeto destes ambientes, uma vez que a questão pedagógica e psicológica e a parte do design e implementação possuem a mesma importância. Não se quer afirmar com isto, que os ambientes tradicionais não se preocupavam com as questões pedagógicas, mas salientar que na abordagem construtivista, a idéia da interdisciplinaridade é um fato concreto, sem o qual não se pode trabalhar com qualidade.

O projeto de um software educacional implica uma série de tomadas de decisão que vão desde o aspecto técnico até o pedagógico. A escolha da modalidade de software que se deseja implementar traz consigo uma série de pressupostos psico-pedagógicos, que devem ser observados por parte dos projetistas do ambiente.

Os ambientes de ensino-aprendizagem numa abordagem construtivista-conceitual procuram, em geral , colocar à disposição dos professores/aprendizes um conjunto de software que possibilitem o aprender-a-aprender, ou seja, que o aluno se torne mais participativo e possa perceber os efeitos de suas tomadas de decisão no ambiente e, também, possa formular hipóteses sobre o conhecimento que está manipulando, e testá-las num ambiente de ensino-aprendizagem computadorizado próprio.

Esta mudança levou os pesquisadores a trabalharem em equipes interdisciplinares, com profissionais da área da Educação, Psicologia e especialistas de outras áreas afins e implicou no desenvolvimento de toda uma metodologia de trabalho para preparar os alunos de maneira que eles entendessem o papel da informática no projeto e no conjunto dos conhecimentos aplicados à educação que eles deveriam possuir para implementar os ambientes com as características desejadas. Esta mudança implicou, também, a conscientização de pesquisadores e colaboradores de outras áreas sobre as limitações existentes a nível de hardware e software (disponíveis na época de cada projeto), e possibilidades de viabilizar implementações de projetos, sua manutenção e evolução.