Ambiente de AprendizadoVital Pereira Dos Santos Junior PDF

VITAL PEREIRA DOS SANTOS JUNIOR
UM AMBIENTE DE APRENDIZAGEM INTELIGENTE COM

HIPERMIDIA ADAPTATIVA PARA APOIO AO ENSINO

So Jos (SC), setembro de 2010

UNIVERSIDADE DO VALE DO ITAJA
CURSO DE MESTRADO ACADMICO EM
COMPUTAO APLICADA


por

Vital Pereira dos Santos Junior

Dissertao apresentada como requisito parcial
obteno do grau de Mestre em Computao
Aplicada.
Orientadora: Anita Maria da Rocha Fernandes,
Dr
a
.
Co-Orientadora: Michelle Silva Wangham, Dr
a
.

So Jos (SC), setembro de 2010

FOLHA DE APROVAO

Dedico esta tese ao meu filho Vitor, nascido e falecido
no incio do mestrado que, mesmo com seu pouco
tempo de vida e portador da sndrome de down,
oportunizou grande crescimento pessoal e motivao
para a concluso deste trabalho.


setembro / 2010

Orientadora: Anita Maria da Rocha Fernandes, Dr
a

Co-Orientadora: Michelle Silva Wangham, Dr
a

rea de Concentrao: Computao Aplicada
Linha de Pesquisa: Inteligncia Aplicada
Palavras-chave: Hipermdia Adaptativa. Inteligncias Mltiplas. Inteligncia Artificial.
Nmero de pginas: 142

RESUMO
O envolvimento do aluno com ambientes tais como softwares educacionais e ambientes de
aprendizagem, tem se tornado tpico de importncia no que se refere a avaliao do seu
desempenho e motivao. Ambientes estticos so limitados por no considerarem as necessidades
e habilidades individuais dos alunos. Portanto, assim como pertinente para um professor conhecer
as caractersticas de seus alunos, adequado que um ambiente computacional com fins
educacionais conhea o perfil de cada aluno, ao ponto de possibilitar a adaptao do contedo a ser
ensinado. A contribuio desse estudo refere-se a implementao e avaliao de um modelo de um
Ambiente de Aprendizagem Inteligente, voltado para o desenvolvimento e apoio aos alunos de
curso superior. Partindo de uma perspectiva da Teoria das Inteligncias Mltiplas, a avaliao que
se pretende perpassa pelo uso de Hipermdia Adaptativa com a utilizao das tcnicas de Redes
Neurais Artificiais (RNA) e Raciocnio Baseado em Casos (RBC), que compem a estratgia
pedaggica do sistema. O desenvolvimento do prottipo leva em considerao o ensino de
gerenciamento de redes de computadores, onde tal contedo apresenta-se nos nveis bsico e
avanado, nas mdias texto, mapa conceitual, figura e animao, distribudas de acordo com o perfil
do aluno. Com o uso combinado das duas tcnicas de inteligncia artificial, tendo na base a Teoria
das Inteligncias Mltiplas, busca-se como resultado um melhor desempenho e maior motivao de
quem est aprendendo.

A LEARNING ENVIRONMENT WITH INTELLIGENT
ADAPTIVE HYPERMEDIA TO SUPPORT EDUCATION

Setember / 2010

Advisor: Anita Maria da Rocha Fernandes, Dr
a

Co-Advisor: Michelle Silva Wangham, Dr
a

Area of Concentration: Applied Computer Studies
Research Line: Applied Intelligence
Keywords: Adaptive Hypermedia, Multiple Intelligences, Artificial Intelligence.
Number of pages: 142

ABSTRACT
Students involvement in computational environments like educational software and
learning environments has become very important in the evaluation of their performance and
motivation. Static environments are limited, as they do not take into account students needs and
individual abilities. However, just as it is important for the teacher to know the particularities of
their students, it is also appropriate for a computational environment with educational aims to meet
the profile of each student, enabling the content being taught to be adapted. This study contributes
to the implementation and evaluation of an Intelligent Learning Environment model aimed at
developing and supporting undergraduate students. Following the Theory of Multiple Intelligences,
the evaluation aimed at with this model deals with Adaptive Hypermedia, with the use of the
techniques of Artificial Neural Networks (ANN) and Case-based Reasoning (CBR), which
constitute the pedagogical strategy of the system. The development of the prototype takes into
consideration the teaching of management of computer networks. In the prototype, the content is
presented at basic and advanced levels, through textual media, conceptual maps, pictures and
animations, which are distributed according to the students profile. By combining the two artificial
intelligence techniques based on the Theory of Multiple Intelligences, this paper aims to improve
the performance and motivation of those who are learning.

LISTA DE ILUSTRAES
Figura 1. Arquitetura de um Sistema Tutor Inteligente .................................................................. 13
Figura 2. Curva de aprendizado ..................................................................................................... 27
Figura 3. Lao clssico: modelo do usurio e adaptao ................................................................ 29
Figura 4. As nove inteligncias ..................................................................................................... 33
Figura 5. Pizza de IM .................................................................................................................... 34
Figura 6. Neurnio biolgico......................................................................................................... 37
Figura 7. Neurnio artificial .......................................................................................................... 38
Figura 8. Modelo Perceptron com trs camadas ............................................................................ 39
Figura 9. Rede Neural Artificial .................................................................................................... 39
Figura 10. Rede Neural Artificial .................................................................................................. 41
Figura 11. Modelo Geral da Rede IAC .......................................................................................... 42
Figura 12. Exemplo de um caso com a representao atributo-valor .............................................. 45
Figura 13. Ciclo clssico do RBC .................................................................................................. 47
Figura 14. O ciclo de RBC ............................................................................................................ 49
Figura 15. Grid de agentes no ensino de redes ............................................................................... 51
Figura 16. Animao indicada pelo agente .................................................................................... 54
Figura 17. Portal da disciplina de Redes de Computadores ............................................................ 56
Figura 18. Comparativo grupo de controle e grupo experimental ................................................... 57
Figura 19. Mdias texto, fluxograma, figura e animao ................................................................ 58
Figura 20. Exemplo contedo nas mdias texto (a) e imagem (b) ................................................... 61
Figura 21. Sistema Hipermdia ...................................................................................................... 62
Figura 22. Ferramenta AVA adaptada ........................................................................................... 63
Figura 23. O Ambiente de Aprendizagem T-Algebra .................................................................... 66
Figura 24. Modelo de Domnio do STI .......................................................................................... 68
Figura 25. Aplicativo PERSO ....................................................................................................... 69
Figura 26. Arquitetura do Ambiente de Aprendizagem Inteligente ................................................ 74
Figura 27. Mdia Texto e Mapa Conceitual ................................................................................... 76
Figura 28. Imagem do VITOR ...................................................................................................... 77
Figura 29. Dados das IM para distribuio das Mdias ................................................................... 78
Figura 30. Diagrama de caso de uso do STI ................................................................................... 85
Figura 31. Diagrama de Pacotes .................................................................................................... 91
Figura 32. Diagrama de Classes do STI ......................................................................................... 92
Figura 33. Diagrama de Classes RBC e RNA ................................................................................ 93
Figura 34. Diagrama de Classes RNA do tipo IAC ........................................................................ 94
Figura 35. Diagrama de Seqncia de um novo Aluno .................................................................. 95
Figura 36. Diagrama de Seqncia do Professor ............................................................................ 96
Figura 37. Diagrama de Seqncia do Administrador .................................................................... 97
Figura 38. Modelo Entidade-Relacionamento ................................................................................ 98
Figura 39. Esquema da estrutura do prottipo ................................................................................ 99
Figura 40. Arquitetura em duas camadas do jColibri ................................................................... 101
Figura 41. Framework Joone ....................................................................................................... 102
Figura 42. Estrutura Rede MLP1 ................................................................................................. 102
Figura 43. Estrutura Rede MLP2 ................................................................................................. 103
Figura 44. Integrao Joone e Java .............................................................................................. 103
Figura 45. Exemplo reduzido da matriz de pesos da rede IAC ..................................................... 104

Figura 46. Resultado de recuperao de caso (similaridade) ........................................................ 105
Figura 47. Grficos do grupo experimental de So Jos ............................................................... 110
Figura 48. Grficos do grupo experimental de Guaramirim ......................................................... 114
Figura 49. Grficos do grupo experimental de Itaja .................................................................... 117
Figura 50. Grficos com critrios repetitivos ............................................................................... 119

Quadro 1. Anlise comparativa da reviso bibliogrfica ................................................................ 70

LISTA DE TABELAS
Tabela 1. Fatos que podem ou no ser medidos pelos testes de QI ................................................. 32
Tabela 2. Perguntas para identificao da Estratgia Pedaggica ................................................... 60
Tabela 3. Definio dos tipos ........................................................................................................ 79
Tabela 4. Justificativa das variveis ............................................................................................... 80
Tabela 5. Medida de similaridade (mtrica) ................................................................................... 81
Tabela 6. Desempenho (Alunos So Jos) ................................................................................... 108
Tabela 7. Tipo de Material (Alunos So Jos) ............................................................................ 109
Tabela 8. Mdias (Alunos So Jos) ............................................................................................ 109
Tabela 9. Desempenho (Alunos Guaramirim) .............................................................................. 112
Tabela 10. Tipo de Material (Alunos Guaramirim) ...................................................................... 113
Tabela 11. Mdias (Alunos Guaramirim) ..................................................................................... 113
Tabela 12. Desempenho (Alunos Itaja) ....................................................................................... 115
Tabela 13. Tipo de Material (Alunos Itaja) ................................................................................. 116
Tabela 14. Mdias (Alunos Itaja) ................................................................................................ 116

LISTA DE ABREVIATURAS E SIGLAS
AV Ambiente Virtual
AVA Ambiente Virtual de Aprendizagem
CAI Computer-Assisted Instruction
CONAHPA Congresso Nacional de Ambientes Hipermdia para Aprendizagem
EaD Ensino Distncia
ENIA Encontro Nacional de Inteligncia Artificial
FAQ Frequently Asked Questions
IA Inteligncia Artificial
IAC Interactive Activation and Competiton
ICAI Inteligent CAI
ICALT International Conference on Advanced Learning Technologies
ICBL International Conference on Aided Blended Learning
IE Informtica na Educao
IEEE Institute of Electrical and Electronics Engineers
IFIP International Federation for Information Processing
IHC Interao Humano-Computador
ILE Interactive Learning Environment
ITS International Conference on Intelligent Tutoring Systems
LIA Laboratrio de Inteligncia Artificial
MLP Multi Layer Perceptron
PRONINFE Programa Nacional de Informtica na Educao
QI Quociente de Inteligncia
RAM Random Access Memory
RBC Raciocnio Baseado em Casos
RBIE Revista Brasileira de Informtica na Educao
RN Redes Neurais
RNA Redes Neurais Artificiais
SBC Sistema Baseado em Conhecimento
SBC Sociedade Brasileira de Computao
SBIA Simpsio Brasileiro de Inteligncia Artificial
SBIE Simpsio Brasileiro de Informtica na Educao
SBRN Simpsio Brasileiro de Redes Neurais
SE Sistema Especialista
SH Sistema Hipermdia
SIM Simpsio de Informtica
STI Sistema Tutor Inteligente
UML Unified Modeling Language
UNIASSELVI Universidade Leonardo da Vinci
UNIVALI Universidade do Vale do Itaja
VITOR Virtual Tutor
WCCE World Conference on Computers in Education

LISTA DE SMBOLOS
Somatria
Coeficiente de Aprendizado

SUMRIO
1 INTRODUO .................................................................................... 12
1.1 PROBLEMA DE PESQUISA .......................................................... 14
1.1.1 Soluo Proposta ........................................................................... 15
1.1.2 Delimitao de Escopo .................................................................. 16
1.1.3 Justificativa .................................................................................... 17
1.2 OBJETIVOS ...................................................................................... 19
1.2.1 Objetivo Geral ................................................................................ 19
1.2.2 Objetivos Especficos ..................................................................... 19
1.3 METODOLOGIA ............................................................................. 19
1.3.1 Metodologia da Pesquisa ............................................................... 19
1.3.2 Procedimentos Metodolgicos ...................................................... 21
1.4 ESTRUTURA DA DISSERTAO ............................................... 22
2 FUNDAMENTAO TERICA ...................................................... 23
2.1 INFORMTICA NA EDUCAO ................................................ 23
2.2 CURVA DE APRENDIZADO ......................................................... 26
2.3 HIPERMDIA ADAPTATIVA........................................................ 28
2.4 AMBIENTES DE APRENDIZAGEM ........................................... 30
2.5 INTELIGNCIAS MLTIPLAS ................................................... 31
2.6 REDES NEURAIS ............................................................................ 36
2.6.1 Rede Neural MLP .......................................................................... 38
2.6.2 Rede Neural IAC ........................................................................... 40
2.7 RACIOCNIO BASEADO EM CASOS ......................................... 43
3 TRABALHOS RELACIONADOS .................................................... 50
3.1 GRID DE AGENTES ........................................................................ 50
3.2 PROTTIPO AGENCH ............................................................... 53
3.3 INTELIGNCIAS MLTIPLAS E O ENSINO DE REDES ...... 55
3.4 INTELIGNCIAS MLTIPLAS E O USO DE RNA .................. 57
3.5 SINEPOPE ......................................................................................... 59
3.6 INTERFACE ADAPTATIVA ......................................................... 61

3.7 FERRAMENTA AVA ADAPTADA ............................................... 63
3.8 O ENSINO DE LGEBRA .............................................................. 64
3.9 O APRENDIZADO COLABORATIVO ........................................ 67
3.10 HIPERMDIA ADAPTATIVA COM O USO DE RBC ............... 68
3.11 ANLISE COMPARATIVA ........................................................... 70
3.12 CONSIDERAES .......................................................................... 72
4 AMBIENTE DE APRENDIZAGEM INTELIGENTE COM
HIPERMIDIA ADAPTATIVA ............................................................... 73
4.1 VISO GERAL DO AMBINETE DE APRENDIZAGEM
INTELIGENTE PROPOSTO ................................................................. 73
4.2 MODELAGEM DO SISTEMA ....................................................... 79
4.2.1 Levantamento de Requisitos......................................................... 82
4.2.1.1 Requisitos Funcionais ............................................................... 82
4.2.1.2 Requisitos no Funcionais ........................................................ 83
4.2.1.3 Regras de Negcio ..................................................................... 84
4.2.2 Diagrama de Caso de Uso ............................................................. 85
4.3 IMPLEMENTAO DO PROTTIPO ....................................... 90
4.3.1 Diagrama de Pacotes ..................................................................... 90
4.3.2 Diagrama de Classes ...................................................................... 91
4.3.3 Diagrama de Seqncia ................................................................. 94
4.3.4 Modelo Entidade Relacionamento (MER) .................................. 97
4.3.5 Tecnologias para o Desenvolvimento .......................................... 99
4.4 CONSIDERAES GERAIS SOBRE O SISTEMA VITOR ... 105
5 EXPERIMENTOS E ANLISE DOS RESULTADOS ................ 106
5.1 EXPERIMENTO EM SO JOS ................................................. 107
5.1.1 Anlise dos Resultados de So Jos ........................................... 108
5.1.2 Anlise da Usabilidade do Experimento de So Jos .............. 110
5.2 EXPERIMENTO EM GUARAMIRIM ....................................... 111
5.2.1 Anlise dos Resultados de Guaramirim .................................... 111
5.2.2 Anlise da Usabilidade do Experimento de Guaramirim ....... 114
5.3 EXPERIMENTO EM ITAJA ...................................................... 115

5.3.1 Anlise dos Resultados de Itaja ................................................ 115
5.3.2 Anlise da Usabilidade do Experimento de Itaja .................... 117
5.4 ANLISE GERAL .......................................................................... 118
5.4.1 Anlise Geral de Desempenho .................................................... 118
5.4.2 Anlise Geral da Usabilidade ..................................................... 118
6 CONCLUSO .................................................................................... 121
6.1 CONTRIBUIES ......................................................................... 123
6.2 TRABALHOS FUTUROS ............................................................. 123
REFERNCIAS ..................................................................................... 125
APNDICE A - BASE DE NOVOS CASOS ....................................... 131
APNDICE B - BASE DE CASOS INICIAL ..................................... 132
APNDICE C PR-TESTE E PS-TESTE .................................... 133
INTELIGNCIAS MLTIPLAS ......................................................... 135
USABILIDADE ...................................................................................... 136
PESOS SADA REAL X ESPERADA ................................................. 137

12

1 INTRODUO
O computador tem contribudo com grandes mudanas na educao pela sua possibilidade
de auxlio ao ensino, transformando a Informtica na Educao (IE) em uma importante rea de
pesquisa. Novas perspectivas podem ser alcanadas quando a IE explorada com os Ambientes de
Aprendizagem Inteligentes e as Interfaces Adaptativas, contribuindo positivamente para a educao,
tanto em aulas presenciais quanto distncia (SANTIBANEZ & FERNANDES, 1998).
A educao distncia j ocorria antes mesmo de chegar-se ao nvel de evoluo
tecnolgica da atualidade, com os cursos por correspondncia ou via rdio. Foi o incio de um
inovador conceito de educao, que nos ltimos anos tm conquistado discentes e docentes. Como
quer que seja para que o tutor e aluno possam interagir, mesmo estando separados no tempo e/ou no
espao, preciso o uso de tecnologias.
Segundo Palloff e Pratt (2004, p.13), a procura por cursos on-line cresce em ritmo clere,
visto que no se est mais nos primrdios destes. Cabe-se ressaltar a importncia de uma ateno
especial ao aluno que utiliza o ambiente on-line ou Ambiente Virtual (AV), em que o tratamento
feito para ele respeita algumas caractersticas especficas, proporcionando vantagens educacionais
alinhadas ao contemporneo.
De acordo com as diretrizes pedaggicas SIGETEC (1999), os Ambientes Virtuais so
classificados dentro da abordagem scio-construtivista-interacionista, em que a interao entre
educando e educador sucede por meio da rede de computadores. Esse modelo de ambiente estimula
o trabalho em equipe, e resulta num intercmbio social e cultural, promovendo o desenvolvimento
da aprendizagem (CUNHA FILHO et al., 2000 apud ROSATELLI, 2006).
Os cursos que seguem a metodologia de EaD e empregam os avanos da tecnologia na
educao, na maior parte das vezes disponibilizam um ambiente de aprendizagem aos estudantes,
que instigam os alunos a buscarem nesse espao as ferramentas que os auxiliem e estimulem no
domnio proposto. Ambientes que analisam a aprendizagem do aluno, tomando por base o tempo e
quantidade de acessos, so comuns. Contudo, o nmero de vezes que o aluno acessou o ambiente ou
o tempo que o sistema est aberto, no suficiente para avaliar quanto o aluno aprendeu, mesmo
porque um aluno pode ter muitos acessos ou ainda deixar o sistema aberto por muitas horas sem
necessariamente ter entendido o contedo proposto (PADILHA, ALMEIDA & ALVES, 2003).
13

Fica, pois, claro que um Ambiente Virtual pode ter seu potencial multiplicado agregando-se
tcnicas e recursos de Inteligncia Artificial (IA). Com o objetivo de responder s necessidades dos
alunos busca-se no somente ensinar, mas como ensinar, traando um perfil do aluno. Isso significa
que o sistema, atravs do Ambiente Virtual, aprender para poder ensinar melhor. Para satisfazer
este objetivo torna-se adequado o uso de um Sistema Tutor Inteligente (STI), que busca
proporcionar um aprendizado individual, tomando decises pedaggicas de como transmitir o
assunto (ROSATELLI, 2006). Em outras palavras, ser inserida inteligncia ao Ambiente Virtual,
oferecendo grande interatividade, aperfeioamento do desempenho e motivao.
A Figura 1 ilustra a arquitetura clssica do STI, que dividido em modelos e cada mdulo
possui uma funo especfica e inter-relacionada com os demais. O modelo interface responsvel
por intermediar a interao entre o STI e o aluno. No modelo aluno encontram-se armazenadas as
caractersticas individuais de cada estudante. O contedo a ser aprendido por este est no modelo
domnio, tambm designado como base de domnio. O modelo estratgia de ensino, apresentado
como modelo tutor, detm o conhecimento sobre as estratgias e tticas que sero selecionadas
conforme as caractersticas do usurio.

Figura 1. Arquitetura de um Sistema Tutor Inteligente
Fonte: Costa (2008).
Neste meio a interdisciplinaridade uma vantagem do STI, o aluno passa a ser indivduo
ativo e central no processo de ensino-aprendizagem. Leva-se em considerao o conhecimento atual
e o perfil do estudante. A inteno conseguir gerar STI capazes de interagir com o aluno, gerar seu
14

modelo cognitivo e assim aplicar a tcnica pedaggica mais indicada (FLORES & VICCARI,
2005).
V-se, portanto, que para tornar o Ambiente Virtual com IA eficaz preciso definir qual
tcnica de IA utilizar, tendo como objetivo qual problema se deseja solucionar. Nestas condies,
algumas tcnicas que podem ser utilizadas so: Sistema Especialista (SE), Raciocnio Baseado em
Casos (RBC), Redes Neurais Artificiais (RNA), Agentes, Lgica Fuzzy, Redes Bayesianas, entre
outras. Muitas vezes encontram-se sistemas hbridos que utilizam mais de uma tcnica, objetivando
um melhor andamento do processo ensino-aprendizagem.
To importante quanto um ambiente inteligente a maneira como o contedo ser
apresentado, auxiliando o aluno na assimilao do assunto. A interface com o usurio em sistemas
computacionais era algo no muito significante at o incio da dcada de 90. Naturalmente, o
propsito maior era com a funcionalidade do sistema e, alm disso, era muito complexo criar
interfaces amigveis, porque consumia tempo e recursos. Com as ferramentas e tecnologias
existentes hoje, tornou-se mais fcil a personalizao da interface frente ao usurio (CURILEM,
2002 apud BARBOSA, 2003).
Atualmente, em mbito educacional, o STI deve ser capaz de armazenar o perfil do aluno e
disponibilizar ambientes compatveis com ele, ou seja, realizar a adaptao do sistema realidade
do aprendiz. Esta a razo pela qual a interface deve ser flexvel e adaptvel ao aluno ou ao grupo
de alunos, seguindo as necessidades pertinentes, como por exemplo, interesse, cultura, nvel scio-
econmico, idade, sexo e assim por diante (BARBOSA, 2003).
Convm tambm ressaltar que o STI tem como caracterstica o uso de uma base de
conhecimento e no de uma base de dados convencional, sendo capaz de simular o processo do
pensamento humano, dentro de um determinado domnio.
1.1 PROBLEMA DE PESQUISA
A expanso da EaD no Brasil e no mundo, fomentada pelo crescimento do uso da Internet,
abre espao para a elaborao de meios tcnicos que aprimorem o funcionamento dessa modalidade
de ensino. A Internet est no cotidiano de inmeras pessoas, sempre com incremento no nmero de
usurios, facilitando o uso da metodologia distncia (CGI.BR, 2009) (ABRAEAD, 2008).
15

Entretanto, complexo saber de que forma o material de estudo ser apresentado ao aluno,
pois apenas permitir que este acesse arquivos disponibilizados pelo professor torna o ambiente
esttico e sem motivao.
Por vezes, o que ocorre na EaD o desinteresse na leitura de materiais, sobretudo em
ambientes estticos, que no levam em considerao as necessidades e habilidades dos alunos. A
modalidade requer um tanto mais do que mdulos escritos e exerccios, sendo conveniente usar
outros meios e linguagens que faam parte da cultura meditica que a Internet ajudou a dar origem
(WEBAULA, 2003).
O que se mostra que para conseguir prender a ateno dos usurios se faz necessrio
conhecer o seu perfil, possibilitando a adaptao do contedo a ser estudado, respeitando o nvel de
conhecimento, suas experincias e preferncias. A curiosidade em saber quais so as respostas a
serem obtidas com o desenvolvimento de um prottipo de um ambiente de aprendizagem que, alm
de contemplar o uso da hipermdia adaptativa juntamente com as tcnicas de RBC e RNA, tendo
como pano de fundo a teoria das Inteligncias Mltiplas, instiga a pesquisa do tema. Sendo assim, a
questo de pesquisa : Este Ambiente de Aprendizagem Inteligente capaz de melhorar o
desempenho e aumentar a motivao do aluno?
1.1.1 Soluo Proposta
O projeto surgiu da necessidade de auxiliar a aprendizagem dos alunos, e se notou o grande
potencial que a rea de Inteligncia Artificial oferece aos sistemas informatizados de aprendizagem.
Portanto, este projeto de dissertao prope como soluo o desenvolvimento de um Ambiente de
Aprendizagem Inteligente, tendo como hiptese o uso combinado das tcnicas de Raciocnio
Baseado em Casos e Redes Neurais Artificiais, amparados pela teoria das Inteligncias Mltiplas,
objetivando aprimorar o desempenho e aumentar a motivao dos alunos.
A Teoria das Inteligncias Mltiplas fornece a base para este trabalho, em que as
peculiaridades de cada aluno so armazenadas e utilizadas, fazendo que o sistema aplique a
estratgia pedaggica mais adequada. A tcnica de RBC adapta a interface do prottipo de acordo
com o nvel de conhecimento do usurio e a tcnica de RNA distribui as quantidades de mdias para
apresentao do material.
16

O perfil do aluno obtido atravs das respostas a questionrios, possibilitando ao prottipo
selecionar o material multimdia e o nvel de complexidade adequado. Durante a navegao no
ambiente web, o mesmo poder realizar mudanas de mdias, alterando assim seu perfil. Para
conhecer os resultados, em termos de desempenho e motivao da aprendizagem, o aluno responde
um pr-teste e ps-teste, concluindo com um teste de usabilidade.
O prottipo, todavia, registra algumas informaes bsicas tais como nome, e-mail, login e
senha, bem como as respostas de dois questionrios. Tendo como base estas informaes se elabora
o perfil inicial do aluno, que servir para determinar o tipo de material e o nmero de mdias a
serem apresentadas na interface.
Includos neste primeiro questionrio esto os seguintes dados: idade; sexo; estudou em
escola particular ou pblica; horas de estudo semanal; estudou gerenciamento de redes; estudou
arquitetura de redes; usou ferramentas de monitoramento de redes; trabalhou na rea de redes;
trabalhou com projetos de redes; possui curso tecnlogo em redes; tempo sem fazer cursos na rea;
conhecimento na rea; conhecimento na rea de gerenciamento de redes. O formulrio completo
encontra-se no Apndice A. A tcnica de RBC, aplicada a partir da primeira sequncia de
perguntas, proporciona a apresentao do material adaptado, ou seja, o RBC decide qual contedo
ser oferecido, que poder ser com detalhes bsicos ou avanados, para cada unidade de ensino.
No entanto, as questes do segundo questionrio so referentes s Inteligncias Mltiplas de
Gardner (1995), elaboradas por Antunes (2001) e utilizadas neste projeto, conforme pode ser visto
em detalhes no Anexo A. As primeiras seis questes permitem conhecer especificamente a
inteligncia lingstica-verbal do aluno, tendo como resultado no prottipo a quantidade de mdias
para tal inteligncia. O mesmo ocorre com a inteligncia lgico-matemtica (questes de 7 a 15),
visual-espacial (questes 16 a 22) e corporal-sinestsica (questes de 23 a 30).
1.1.2 Delimitao de Escopo
Para atender a soluo proposta do projeto de dissertao, ser implementado um Ambiente
de Aprendizagem Inteligente com o uso combinado das tcnicas de RBC e RNA, utilizando-se de
linguagem de programao apropriada, em que o perfil inicial e final de cada aluno sero
mensurados aps aplicao do experimento.
17

interessante ressaltar, que o sistema possibilita acesso via web apenas por alunos,
professores e administrador, sendo que o prottipo implantado do modelo tem como domnio uma
parte da disciplina de Redes de Computadores do curso de Cincia e Engenharia de Computao, e
os questionrios com perguntas especficas sobre o domnio servem para identificar o perfil dos
usurios.
Nestas condies, o trabalho de Barbosa (2004) serviu de base para a elaborao das
diversas mdias e construo das Redes Neurais Artificiais, limitou-se em quatro o nmero de
mdias possveis. Portanto, o aluno faz a leitura do material somente em quatro mdias diferentes
(texto, mapa conceitual, figura, animao), equivalentes as quatro Inteligncias Mltiplas
(lingstica-verbal, lgico-matemtica, visual-espacial, corporal-sinestsica), apesar de existirem
nove tipos de inteligncias definidas.
Cabe salientar que h limitao quanto ao tipo de material utilizado e que, para este trabalho,
definiu-se por dois tipos (bsico ou avanado). A tcnica de RBC empregada neste trabalho para
selecionar o material mais adequado para o aluno, tendo como base o seu perfil (caso novo) e as
caractersticas de ex-alunos (base de casos inicial). Apesar de existirem vrios mtodos de medida
de similaridade, optou-se por usar a tcnica do vizinho mais prximo.
1.1.3 Justificativa
Percebe-se que com o crescimento do nmero de usurios com acesso Internet, os
softwares educacionais e os ambientes de aprendizagem so grandes aliados no processo de ensino
e aprendizagem, inclusive para cursos EaD. Com isso, muitas tcnicas e metodologias tm sido
apresentadas tornando crescente as pesquisas na rea (DAZZI, 2007).
De acordo com CGI.BR (2009), o acesso Internet no Brasil foi elevado desde o incio,
mostrando uma taxa de crescimento prximo de 17% ao ano. Em 2008, quase metade dos
brasileiros j havia ingressado na rede de alguma forma. A migrao para a conexo permanente
constatada pelo crescimento de acesso em banda larga, frente via linha discada. Entre os que usam
a rede, 16% j fizeram transaes comerciais via Internet, ficando patente a aposta certa no
crescimento dos nmeros do comrcio eletrnico. O incentivo do Governo foi importante desde o
incio, como por exemplo, o uso da Internet para entrega de declaraes de Imposto de Renda e a
disponibilidade de servios pblicos pela rede.
18

Conforme levantamento feito pela AbraEAD (2008), mais de 2,5 milhes de brasileiros
estudaram em cursos com metodologia distncia no ano de 2007. A pesquisa aponta, alm disso, o
crescimento do nmero de brasileiros educados dentro das prprias empresas onde trabalham. Tais
dados demonstram a existncia crescente de pblico para a modalidade, porm adequado o estudo
e a elaborao de ferramentas que auxiliem a aprendizagem do contedo, permitindo qualidade na
formao de profissionais.
Neste trabalho, busca-se solues voltadas para a EaD, j que a quantidade de cursos que
seguem essa metodologia tem crescido consideravelmente. Portanto, existe a necessidade de
projetar interfaces que sigam o funcionamento cognitivo dos seres humanos, tornando a interface
mais intuitiva, auxiliando na aprendizagem dos alunos. As solues voltadas para Hipermdia
Adaptativa e que buscam melhorar os ambientes de EaD, principalmente as que utilizam tcnicas de
IA, permitem um ensino mais prximo s caractersticas do aluno. Deste modo, para este trabalho,
considerou-se especificamente as tcnicas de Raciocnio Baseado em Casos e Redes Neurais
Artificiais, pois a combinao das duas tcnicas possibilita conhecer melhor o perfil de cada
usurio.
A incluso da tcnica de RBC neste projeto pertinente, pois o contedo adqua-se em
termos de complexidade utilizando os casos similares, baseando-se nos dados dos alunos. Para
Chorfi e Jemni (2006), o RBC tem eficcia comprovada na ferramenta PERSO, que faz uma
adaptao hipermdia ao aluno e personaliza o curso mais adequado, considerando as preferncias e
conhecimento atual do estudante. O sistema utiliza a tcnica de Raciocnio Baseado em Casos ao
elaborar cursos distncia personalizados.
Por outro lado, a soluo com RNA segue a metodologia validada por Barbosa (2004), que
voltada a realizao de adaptao automtica de acordo com o perfil do aluno, fazendo a seleo da
mdia mais adequada a ser apresentada na interface, tendo como base a teoria das Inteligncias
Mltiplas.
Citando como referncia o Project Zero (2003), observa-se que a teoria das Inteligncias
Mltiplas tem sido aplicada h algum tempo na educao formal, principalmente nos Estados
Unidos, apresentando bons resultados, pois gera no aluno maior motivao e interesse.

19

1.2 OBJETIVOS
1.2.1 Objetivo Geral
O objetivo geral deste trabalho avaliar a influncia do uso de um sistema Hipermdia
Adaptativo no desempenho e motivao dos alunos, amparado pela teoria das Inteligncias
Mltiplas.
1.2.2 Objetivos Especficos

Para alcanar o objetivo geral sero necessrios satisfazer os seguintes objetivos especficos:
1. Analisar os modelos de Ambientes de Aprendizagem Inteligente que utilizam as tcnicas
de RNA, SE e RBC, orientados pela Teoria das Inteligncias Mltiplas;
2. Estabelecer um modelo de um sistema Hipermdia Adaptativo com o uso combinado das
tcnicas de Raciocnio Baseado em Casos e Redes Neurais Artificiais;
3. Considerar a viabilidade da combinao das tcnicas propostas a partir da
implementao do prottipo;
4. Avaliar o desempenho e a motivao dos alunos, a partir do uso do prottipo do sistema
proposto em turmas de redes de computadores.
1.3 METODOLOGIA
1.3.1 Metodologia da Pesquisa
O mtodo de pesquisa destina-se a apresentar uma sequencial de etapas de tal forma que,
caso sejam seguidos, os resultados estaro coerentes com o objetivo proposto (WAZLAWICK,
2008). Contudo, para atingir o objetivo geral e os objetivos especficos deste projeto, inicialmente
efetuou-se o levantamento bibliogrfico e vrios trabalhos da rea foram estudados, entretanto os
trabalhos de Barbosa (2004) e Dazzi (2007) forneceram muitos elementos que levaram as
definies do modelo de STI apresentado aqui.
20

Todavia, por meio da anlise da literatura publicada foi possvel traar um quadro terico
que forneceu os elementos necessrios ao desenvolvimento da pesquisa, contribuindo na elaborao
deste trabalho, tornando-o alinhado com os objetivos descritos. Os trabalhos relacionados
permitiram conhecer e comparar a outros ligados ao tema de pesquisa, tendo como foco a reviso
bibliogrfica e o envolvimento acerca do assunto.
Dando continuidade, elaborou-se um modelo de STI diferenciado permitindo que, luz de
uma nova organizao dos conhecimentos, obtenham-se concluses mediante uma cadeia de
raciocnio, tendo como norteador desta etapa do projeto o mtodo dedutivo.
Tal modelo possibilitou fazer a descrio e a modelagem do sistema, contgua s tecnologias
que esto sendo utilizadas durante o desenvolvimento e a implementao do prottipo propriamente
dito, alm de permitir um exame minucioso dos resultados experimentais e avaliao da
contribuio do trabalho, bem como o alcance dos objetivos descritos e hiptese de pesquisa.
J a teoria das Inteligncias Mltiplas (IM) a base para elaborao do modelo de um
ambiente de aprendizagem inteligente, sendo que as tcnicas de inteligncia artificial utilizadas so
a de Redes Neurais Artificiais (RNA) e a de Raciocnio Baseado em Casos (RBC), pois permite a
dupla adaptatividade do sistema ao usurio.
Por fim, so feitas as concluses do trabalho, relacionando os objetivos identificados
inicialmente e os resultados alcanados. So ainda propostas possibilidades de continuao da
pesquisa desenvolvida a partir das experincias adquiridas com a execuo do trabalho.
Em sua natureza, o trabalho classificado como uma pesquisa aplicada, visto que tem a
inteno de gerar conhecimentos a uma aplicao prtica com foco na soluo de um problema
especfico.
Quanto ao ponto de vista da forma de abordagem do problema, a pesquisa qualitativa,
pois a aprendizagem e a motivao so subjetivas. Entretanto, aps a aplicao do experimento ser
possvel comparar o perfil inicial e perfil final dos alunos, possibilitando mensurar e realizar anlise
dos dados.
21

Do ponto de vista de seus objetivos a pesquisa exploratria, j que a ideia tornar a
problemtica dos cursos na modalidade de EaD e a forma de aprender algo explcito, alm de
elaborar hiptese para a soluo.
O tipo de pesquisa considerado experimental, sob a ptica dos procedimentos tcnicos,
pois se selecionou uma srie de variveis, capazes de influenciar o objeto de estudo.
1.3.2 Procedimentos Metodolgicos
A pesquisa bibliogrfica envolveu o projeto em sua totalidade, principalmente na parte
inicial em que, alm da leitura de vrios livros e artigos nacionais e internacionais, houve reunies
com os integrantes do grupo de pesquisa de inteligncia aplicada da Univali, bem como a realizao
de entrevistas diretamente com autores das teses de doutorado que serviram de base pesquisa.
Durante a reviso bibliogrfica, a procura pela soluo do problema passou pela escolha da
teoria pedaggica que melhor atendesse o objetivo determinado. Para o problema de pesquisa deste
trabalho o mais adequado foi o uso da teoria das Inteligncias Mltiplas (GARDNER, 2001).
Tendo a teoria pedaggica definida, verificou-se que trabalhos semelhantes como o de
Barbosa (2004) e Dazzi (2007), apontavam tcnica de Redes Neurais Artificiais como sendo
aplicvel a este trabalho. Portanto, a partir da comparao dos trabalhos relacionados, estudou-se os
modelos e elaborou-se um novo modelo.
Nesse sentido, para tornar o modelo ainda mais adaptvel ao perfil do aluno, foi utilizada a
tcnica de Raciocnio Baseado em Casos, levando-se em conta o nvel de conhecimento do usurio
para o domnio a ser estudado. Portanto, o sistema conta com as tcnicas de RNA e RBC, a primeira
para distribuio das mdias e a segunda para seleo de um tipo de material adequado ao nvel de
conhecimento do aluno.
Aps realizar a anlise dos trabalhos de Barbosa (2004) e Dazzi (2007) e estabelecer um
modelo, partiu-se para a implementao de um prottipo do modelo, que contemplasse o uso de
RNA e RBC. A elaborao do prottipo possibilitar aplicar o experimento em casos reais, que
neste projeto ser em turmas do curso de Cincia e Engenharia de Computao da Univali,
objetivando a anlise dos dados e feedback do desempenho e motivao dos alunos. Alm do
22

prottipo, se faz necessrio a produo do material multimdia, ou seja, o contedo a ser estudado
pelos alunos no momento da realizao do experimento.
O experimento ser realizado dividindo os alunos em dois grupos, denominados grupo de
controle e grupo experimental. O grupo de controle far a leitura do material sem interface
adaptativa e o grupo experimental contar com a hipermdia adaptativa.
1.4 ESTRUTURA DA DISSERTAO
O trabalho est organizado em seis captulos. A Introduo foi apresentada no Captulo 1,
contextualizando o tema deste, contando ainda com a apresentao do problema de pesquisa,
objetivo geral, objetivos especficos e metodologia.
O Captulo 2 apresenta a Fundamentao Terica, etapa que permitiu a reviso de literatura
utilizada para tratar o tema e o problema de pesquisa, contando com a descrio de conceitos como:
Informtica na Educao; Curva de Aprendizado; Hipermdia Adaptativa; Ambiente de
Aprendizagem; Inteligncias Mltiplas; Redes Neurais; e Raciocnio Baseado em Casos.
O Captulo 3 discorre sobre os Trabalhos Relacionados, em que os trs primeiros
apresentam temas relacionados ao domnio de Redes de Computadores. Na sequncia outros trs
trabalhos envolvendo a tcnica de RNA, dois envolvendo Ambientes de Aprendizagem e por fim
dois utilizando a tcnica de RBC.
O Captulo 4 aborda o Desenvolvimento, com a descrio, a modelagem e a implementao
do prottipo envolvendo as tecnologias com as tcnicas de RNA e RBC.
No Captulo 5 so apresentados os experimentos realizados em turmas de redes de
computadores, bem como a anlise dos resultados obtidos.
No Captulo 6 so feitas as dedues deste trabalho, incluindo-se as contribuies e
trabalhos futuros.
23

2 FUNDAMENTAO TERICA
Na busca de solues voltadas para o campo educacional, identificou-se que o grande
desafio como fazer para que a educao obtenha resultados mais efetivos, considerando-se um
contexto de transio muito veloz, alavancada pelo desenvolvimento da tecnologia (TAVARES,
2002).
A elaborao de ferramentas de apoio favorece a educao, tornando-se adequado um
levantamento bibliogrfico que abrange a educao e a informtica, como pode ser visto neste
captulo. Na Seo 2.1 so citados pontos histricos da informtica na educao, bem como seu
desenvolvimento. A Seo 2.2 apresenta a teoria da curva de aprendizado. A hipermdia adaptativa
e os ambientes de aprendizagem so descritos nas Sees 2.3 e 2.4, respectivamente. A Seo 2.5
apresenta a teoria das inteligncias mltiplas, que permite compreender um pouco a estrutura
funcional da mente humana. Na Seo 2.6 so conceituadas as Redes Neurais Artificiais e sua
evoluo. Por fim, Seo 2.7 apresenta-se a tcnica de Raciocnio Baseado em Casos, bem como
sua aplicabilidade na educao.
2.1 INFORMTICA NA EDUCAO
Vive-se em uma sociedade informatizada, em que a escola tem o importante papel de
preparar os indivduos para viver e atuar nesta sociedade. Alm do computador possibilitar a
explorao de situaes que seriam difceis de serem geradas naturalmente, este permite tambm
que o aluno aprenda com seus prprios erros e no seu ritmo (TAVARES, 2002).
Para Behar et all (2004) a informtica na educao tem como caracterstica natural, a
interdisciplinaridade, que busca mudar o conceito de disciplinas com limites rgidos, transformando
estas em campos influenciados pela fora da realidade e da cincia, integrando dois ou mais
componentes curriculares na construo do conhecimento.
A histria da informtica na educao, no mbito nacional tem relatos desde 1960, sendo
que a primeira experincia educacional aconteceu na rea de fsica na Universidade Federal do Rio
de Janeiro. O surgimento de computadores de menor porte possibilitou s escolas particulares
investirem em computadores pessoais, criando disciplinas de informtica, que no incio tinham
24

como objetivo ensinar a informtica em si e no a ensinar outros assuntos com a utilizao da
informtica (TAVARES, 2002).
Um marco importante na histria nacional foi o I Seminrio Nacional de Informtica na
Educao, na Universidade de Braslia em 1981, que serviu principalmente para definir
recomendaes extremamente relevantes para rea, como por exemplo: o computador no veio para
substituir o professor, mas sim para auxili-lo em suas funes; o computador, quando bem
aplicado, pode ajudar a melhorar a qualidade da educao e; o computador no pode ser visto como
algo que ir solucionar todos os problemas (TAVARES, 2002).
O prprio Tavares (2002), j citado, recorda ainda que o primeiro projeto pblico com
enfoque na informtica educacional foi o EDUCOM, que a partir de 1983 trouxe investimentos em
pesquisa para rea, alm de formar as bases para o surgimento de outros projetos mais complexos,
como o PRONINFE (Programa Nacional de Informtica na Educao).
O desenvolvimento e o uso de ferramentas no mbito educacional so desejveis, mesmo
porque podem auxiliar consideravelmente os professores e os alunos, principalmente em relao
qualidade, ao ambiente e ao tempo de aprendizagem, como aponta Guillon e Mirshawka (1994, p.
2): Para se ter um aprendizado acelerado, necessrio que os fatores ambientais sejam observados
e levados a sua melhor condio.
importante ressaltar que existe a necessidade de tornar a educao mais eficiente, o que
implica na elaborao de softwares compatveis com esta percepo. Portanto, o software
educacional deve ter um propsito mais amplo do que simplesmente informatizar os atuais mtodos
educacionais. O computador, em conjunto com o software, deve ser sim uma ferramenta que
complemente, aperfeioe e, se possvel, melhore a qualidade do ensino (VALENTE, 1995).
Na rea de Informtica, na Educao, muitos trabalhos acadmicos tm surgido fornecendo
relevantes contribuies ao estudo e desenvolvimento de sistemas computacionais, principalmente
no momento atual em que a tecnologia evolui clere, influenciando sobremaneira as mudanas
sociais e a educao. Alguns dos principais veculos utilizados para divulgao destes trabalhos no
Brasil so: Revista Brasileira de Informtica na Educao (RBIE); Simpsio Brasileiro de
Informtica na Educao (SBIE) e; Congresso da Sociedade Brasileira de Computao (SBC). J no
exterior destacam-se os seguintes veculos: Computers & Education; IEEE Transactions on
25

Education; IEEE International Conference on Advanced Learning Technologies (ICALT) e; IFIP
World Conference on Computers in Education (WCCE); International Conference on Aided
Blended Learning (ICBL).
Existem ainda os eventos e peridicos especializados em Informtica na Educao que
envolvem Inteligncia Artificial, como por exemplo: Brazilian Symposium on Artificial
Intelligence (SBIA); Encontro Nacional de Inteligncia Artificial (ENIA); Intelligent Tutoring
Systems Conference; International Journal of AI in Education; International Conference on
Artificial Intelligence in Education e; Applied Artificial Intelligence.
Conforme Tavares (2002) a Inteligncia Artificial na educao procura contribuir com novas
abordagens, pois pode transformar um sistema comum em algo que tenha certa habilidade de
raciocnio. Os primeiros sistemas computacionais sem o uso da IA eram chamados de CAI
(Computer-Assisted Instruction), cuja abordagem educacional a instruo auxiliado por
computador. O CAI baseado no modelo educacional comportamentalista, em que o aluno uma
figura passiva e o professor a figura central, sem o propsito de instruir de forma individualizada,
conforme as necessidades do estudante.
De acordo com Silva (1998), para conseguir desenvolver um processo de ensino-
aprendizagem personalizado, foi necessrio que, de alguma forma, inteligncia fosse integrada
aos softwares educacionais. A maneira encontrada foi o uso de tcnicas de inteligncia artificial,
que passaram a se chamar ICAI (Inteligent CAI) e mais tarde de STI (Sistema Tutor Inteligente).
A esse respeito Giraffa (1999 apud FLRES & VICCARI, 2005) relata o real significado do
acrscimo de inteligncia nos softwares educacionais:
Acrescentar um I sigla CAI no significa apenas agregar tcnicas de IA para a
construo de sistemas tutores, mas inclui trabalhar de forma interdisciplinar com as
conquistas que outras reas de pesquisa obtiveram em relao ao conhecimento da
comunicao inteligente, tais como os avanos da psicologia e da pedagogia.
Para Silva (1998) surge uma evoluo do STIs, que so os Interactive Learning
Environment (ILE), ou seja, Ambientes de Aprendizagem onde existe a interatividade do estudante,
permitindo incluir novos mtodos educacionais. Portanto, o objetivo passa a ser a mudana dos
mtodos educacionais e no somente ensinar de forma mais rpida, eficiente e com menor custo.
26

Durante muito tempo, pesquisadores de diversas reas do conhecimento esto tentando
entender como se pensa e como se age. Apesar de a Inteligncia Artificial ser uma cincia ainda
muito nova, sendo reconhecida como tal somente em 1957, o nmero de pesquisadores tem crescido
constantemente e os frutos comeam a aparecer (COSTA, 2008).
Atualmente, existe a procura por novos mtodos de ensino e aprendizagem, e o principal
impasse tentar reduzir a distncia entre o conhecimento includo no currculo tradicional e o
conhecimento que para o estudante realmente importante. Modelos pedaggicos que utilizam o
Sistema Tutor Inteligente como abordagem de Inteligncia Artificial nem sempre so suficientes,
principalmente se for necessrio uma anlise acurada das interaes entre sistema e aluno.
(VALENTE, 1995).
Desta forma, tem se refletido sobre os mtodos de ensino baseados na investigao, que
exploram aspectos que alm dos STI tradicionais. De acordo com Moreschi (2002), o ensino
baseado na investigao considerado como um ambiente de ensino interativo, que segue alguns
princpios bsicos como: construo e no instruo, o controle e a individualizao so do
estudante e no do tutor e o conhecimento adquirido pelo estudante resultado de sua interao
com o sistema e no com o tutor.
O STI potencializa-se quando associado com as vrias tcnicas de IA, como por exemplo,
com o uso de agentes inteligentes que compartilham o ambiente, que uma tcnica estudada
pormenor na chamada IA Distribuda. Cada componente do STI pode ser implementado como um
agente independente, possuindo assim facilidades e interao com outros agentes. Uma sociedade
de agentes pode ser a soluo para a construo de ambientes de ensino e aprendizagem mais
inteligentes (RUSSEL & NORVIG, 2004).
2.2 CURVA DE APRENDIZADO
De acordo com MENDES (2001), na prtica sabido que o tempo necessrio para aprender
sobre um determinado assunto diminui com o aumento da experincia j obtida pelo aluno, que
mais das vezes existe antes de iniciar um determinado curso ou disciplina e seria adquirida com
leituras, palestras, cursos extracurriculares, prtica no mercado de trabalho, etc. Porm, as escolas
se baseiam na grade curricular do curso e, normalmente, considera-se como pr-requisito apenas os
conhecimentos obtidos no prprio curso, possibilitando o trabalho com a turma uniforme.
27

Entretanto, a heterogeneidade comum nas escolas, tornando complexo o trabalho do professor que
utiliza apenas um tipo de material didtico para todo um grupo de alunos que apresentam curvas de
aprendizado diferentes.
As relaes entre aprendizado e variveis quantitativas foram estudadas primeiramente por
Wright (1936 apud MENDES, 2001), tendo como resultado a teoria da curva de aprendizado.
Segundo Brett e Millheim (1986 apud MENDES, 2001), houve expanso dessa teoria atravs de
Asher (1956 apud MENDES, 2001), aplicando-a na fabricao de avies na Segunda Guerra
Mundial, objetivando a reduo no custo de montagem (MENDES, 2001).
Como mostra a Figura 2, a curva de aprendizado apresenta a relao entre o tempo e a
execuo de uma tarefa em termos de unidades produzidas ou contedo aprendido pelo aluno. No
incio, o tempo de assimilao do contedo de uma unidade de ensino alto, pois o aluno est em
processo de aprendizagem. Posteriormente, a tendncia de diminuio deste tempo, sendo que a
curva de aprendizado varia de aluno para aluno. Na ltima etapa, a curva no varia mais, indicando
que o conhecimento foi adquirido, e as variveis existentes na equao tm o seguinte significado:
T
n
tempo para realizar uma tarefa pela n-sima vez;
T
1
tempo para realizar uma tarefa pela primeira vez;
n contagem da tarefa;
coeficiente de aprendizado.

Figura 2. Curva de aprendizado
Fonte: Wright (1936 apud MENDES, 2001).
28

Portanto, para se obter um aproveitamento da curva de aprendizagem preciso adequar o
sistema realidade de quem est aprendendo, sendo necessrio conhecer o seu perfil, fazendo a
personalizao dinmica conforme as preferncias e proporcionando avanos na aprendizagem
(ZANCHETT & DALFOVO, 2004).
2.3 HIPERMDIA ADAPTATIVA
Sabendo que a realidade no esttica e nem previsvel, natural a busca por maneiras de
tornar os sistemas computacionais anlogos ao mundo real. Entretanto, algum grau de abstrao
fatalmente ocorre, porm esta no pode chegar ao ponto de tornar o sistema desprovido de
usabilidade e, por conseguinte, abrir a possibilidade de tornar-se um ambiente desmotivador. A
interface adaptvel s preferncias e as aes do usurio uma forma de tornar o sistema mais
amigvel. Na busca de solues voltadas para o campo educacional, desejvel em muitos casos,
o uso de tcnicas que possibilitem beneficiar grupos de alunos (RIGO & OLIVEIRA, 2008).
Segundo Paim (2006), a partir de 1990, comearam as pesquisas sobre Hipermdia
Adaptativa, sendo que a Hipermdia surgiu a partir do desenvolvimento do Hipertexto integrado
Multimdia, que se tornaram realidade com a evoluo das interfaces grficas, permitindo
apresentar ao usurio uma variedade de mdias, como textos, imagens, animaes e sons. Com a
incluso de ferramentas de interao, a Hipermdia passou a proporcionar diferentes modos de
navegao, fazendo com que esta navegao se comportasse de formato no linear, ou seja, o
usurio passou a ter maior liberdade de escolha dentro do ambiente.
A navegao no linear resulta da forma como a prpria estrutura dos sistemas Hipermdia
foi construda, quais caminhos podem ser percorridos em diferentes ordens, e a informao
armazenada em uma coleo de nodos multimdia. O usurio pode se mover nesta estrutura
seguindo a sequncia dos nodos, ou ainda, realizando uma busca pela informao desejada. Para
que o usurio no fique desorientado durante a navegao, importante que seja disponibilizado
ferramentas como: um histrico de nodos j acessados, um mapa dos caminhos, um guia ou tour
pelo ambiente, entre outras.
Para Palazzo (2002), um sistema de Hipermdia Adaptativa precisa contemplar trs critrios:
ser um sistema hipertexto ou hipermdia; possuir um modelo do usurio; e ser capaz de adaptar a
hipermdia do sistema usando tal modelo. A Figura 3 retrata a viso do autor a respeito da
29

Hipermdia Adaptativa, o processo inicia com a coleta de dados atravs da entrada de informaes
sobre o aluno diretamente para o modelo do usurio, armazenando as suas caractersticas de acordo
com as regras de modelagem estabelecidas. O efeito adaptativo ocorre com a influncia das regras
de adaptao e do sistema hipermdia adaptativa, repassando e registrando as modificaes do perfil
do usurio.

Figura 3. Lao clssico: modelo do usurio e adaptao
Fonte: Palazzo (2002).
Na arquitetura de um STI, no modelo do usurio so mantidas as caractersticas deste. Tais
caractersticas serviro como base para uma tomada de deciso num sistema que contemple vrias
mdias. Quando este modelo aplicado para adaptar-se ao usurio atravs da interface, este sistema
chamado de hipermdia adaptativa. Ou seja, o mesmo sistema se apresentar de forma diferente,
conforme o perfil do usurio (BRUSILOVSKY, 1998 apud BARBOSA, 2003).
De acordo com Barboza (2003), para sistemas Hipermdia Adaptativas necessrio fazer a
modelagem do usurio sendo que, a partir do momento que se tenha o perfil do usurio, ser
possvel representar e suportar a dinmica do ambiente, do usurio e da interao entre ambos.
Existem vrias maneiras para se conseguir as caractersticas do usurio, como por exemplo, atravs
dos dados cadastrais, navegao, questionrios e testes.
30

Tanto a adaptatividade quanto a adaptabilidade so qualidades relevantes para sistemas que
se beneficiam da Hipermdia Adaptativa. A adaptatividade diz respeito capacidade do sistema de
realizar a adaptao com base no perfil do usurio e a adaptabilidade torna possvel que o prprio
usurio modifique as caractersticas de seu perfil de forma explcita (BARBOSA, 2004).
O uso de tcnicas de Inteligncia Artificial em sistemas de Hipermdia Adaptativa cada
vez mais frequente, visto que desta forma pode-se obter melhores resultados no processo de ensino
e aprendizagem. No princpio, a utilizao da IA era relativamente limitada, tendo como base os
conceitos de redes semnticas e frames. Entretanto, atualmente o uso mais abrangente com o
surgimento de outros conceitos como grafos e mquinas de aprendizagem, porm, as Redes Neurais
simulam o pensamento humano e a linguagem natural para fornecer narrao, orientao e
comparao adaptvel parecem ser caminhos promissores (BARBOSA, 2004).
Atualmente, a hipermdia adaptativa tem contribudo sobremaneira com aplicaes nas
seguintes reas: sistemas educacionais, necessidades especiais, medicina, marketing, lazer, sistemas
de informaes, comrcio eletrnico, pesquisa de opinio, agendas coletivas, gesto do
conhecimento e comunicao pessoal (ZANCHETT & DALFOVO, 2004).
No mbito educacional, as pesquisas e o desenvolvimento de sistemas com Hipermdia
Adaptativa tm recebido grande impulso, principalmente com o crescimento dos cursos na
modalidade de EaD, alm dos avanos na rea de Inteligncia Artificial (PALAZZO, 2002).
2.4 AMBIENTES DE APRENDIZAGEM
Existem vrios Ambientes de Aprendizagem, tambm conhecidos como Ambientes Virtuais
de Aprendizagem (AVA), que esto disponveis e em pleno uso, como por exemplo, AulaNet,
Learning Space, WebCT, Teleduc, Moodle, LearnLoop e o SOLE (FABRI et al., 2003). Estes
ambientes, que na realidade funcionam muito mais como grandes repositrios de arquivos, tiveram
uma verdadeira proliferao com o uso da Internet e a EaD. Isto ocorreu por causa da falta de
sistemas disponveis que utilizassem a Inteligncia Artificial e que permitissem a adaptabilidade e a
adaptatividade do ambiente (ZOUAQ et al., 2008).
Intentando distribuir os Ambientes de Aprendizagem em modalidades, baseados em sua
vertente de pesquisa e ampliao, eles foram classificados da seguinte forma: aplicaes hipermdia
31

para fornecer instruo distribuda; sites educacionais; sistemas de autoria para cursos distncia;
salas de aula virtuais; frameworks para aprendizagem cooperativa; e ambientes distribudos para
aprendizagem cooperativa (SANTOS, 1999).
Um Ambiente de Aprendizagem deve ser elaborado de tal forma que estimule o
desenvolvimento das capacidades cognitivas do aluno, alm de permitir a construo do seu prprio
conhecimento a partir de uma viso emprica (MORESCHI, 2002).
Conforme Costa et all (2006), elaborar um Ambiente de Aprendizagem que motive e auxilie
o aluno o grande desafio para os educadores, cientistas da computao e demais profissionais que
estejam envolvidos no processo. No se pode ignorar o aluno, que como usurio do ambiente, deve
dar sua contribuio na construo e manuteno de um ambiente. Utilizando ferramentas
computacionais possvel criar um Ambiente de Aprendizagem, buscando a melhoria do processo
de aprendizagem.
2.5 INTELIGNCIAS MLTIPLAS
Na necessidade de comparar os diferentes nveis de inteligncia, verificou-se a possibilidade
de criao de um mecanismo de medida da mesma. O teste de QI (Quociente de Inteligncia),
proposto pelo psiclogo Alfred Binet no incio do Sculo XX, cujo objetivo inicial era o de tentar
prever quais alunos iriam ter sucesso e quais iriam fracassar nas sries primrias das escolas de
Paris (GARDNER, 1995). Com base nas respostas do teste, criou-se o conceito da Idade Mental,
que independe da idade cronolgica da pessoa. Desta forma, se uma criana de dez anos de idade
conseguisse resolver questes que, teoricamente somente crianas de doze anos poderiam resolver,
ento a sua Idade Mental seria de doze anos, apesar da idade real ser dez anos.
Com a sequncia de respostas do teste e o conceito de Idade Mental, criou-se o conceito de
Quociente de Inteligncia, definido como sendo a razo entre a Idade Metal e a Idade Cronolgica.
Surgiu como um mecanismo de medir a inteligncia de forma objetiva, j que at ento as pessoas
confiavam apenas em avaliaes intuitivas. A partir de ento, foi possvel classificar as pessoas pela
medida de sua inteligncia, sendo que a busca pela medida perfeita continuou com verses
sofisticadas.
32

Gardner (1995) atenta viso unidimensional ou uniforme do teste de QI, que corresponde
concepo de escolas tambm uniformes. Nestas, os alunos que se destacam, provavelmente
aqueles com QIs superior, podero galgar s melhores universidades e por vezes conseguir
colocao profissional superior aos demais, porm o teste de QI no garante isso. A Tabela 1 mostra
o que pode ou no ser bem medido pelo teste de QI.
Tabela 1. Fatos que podem ou no ser medidos pelos testes de QI
O que o QI mede bem O que o QI no mede bem
Habilidade lingstica Senso-comum e conhecimento informal
Raciocnio lgico-matemtico Intuio e bom-senso
Pensamento analtico Criatividade e originalidade
Capacidade de abstrao terica Liderana e sociabilidade
Aptido escolar e pensamento acadmico Aptido artstica
Erudio e escolaridade efetiva Capacidade musical
Habilidade corporal e atltica
Moral e tica
Motivao
Controle emocional
Fonte: Souza (2008).
A validade de se determinar a inteligncia de algum, tirando-se este do seu meio ambiente
natural e sugerindo que ele faa tarefas que nunca havia feito antes, foi seriamente questionada por
Gardner. A sua opinio que a inteligncia corresponde muito mais a capacidade de resolver
problemas e criar produtos, do que realizar tarefas de forma isolada fora do contexto
(ARMSTRONG, 2001).
Conforme Arajo (2010), todo ser humano possui todas as IMs (lgico-matemtica,
lingstica-verbal, visual-espacial, corporal-sinestsica, musical, interpessoal, intrapessoal,
ecolgico-naturalista e existencial), porm em nveis de desenvolvimento maior ou menor. A IM
lgico-matemtica caracteriza-se pela habilidade para resoluo de problemas, tratando com
facilidade o que exige raciocnio, assim como fazem os cientistas e matemticos. Na IM lingstica-
verbal destaca-se o uso da linguagem para convencer, agradar, estimular ou transmitir ideias,
superior em poetas e contadores de histria. A visual-espacial uma IM maior em artistas plsticos,
engenheiros e arquitetos, que tm habilidade para manipular formas mentalmente. J a IM corporal-
sinestsica emprega fortemente a coordenao corporal, como em esportes, artes cnicas ou
plsticas e muito desenvolvida em jogadores de futebol, bailarinos, entro outros. Os msicos tm
33

grande sensibilidade musical, beneficiados pela IM musical. Pessoas que tratam com o pblico
possuem a IM interpessoal, permitindo entender as pessoas, assim como professores e vendedores.
A IM intrapessoal manifesta-se naqueles que conseguem olhar para si, conhecer seus prprios
sentimentos e encontrar solues para problemas pessoais. Os naturalistas e ecologistas tm uma
conscincia maior da importncia da Natureza, tendo a IM naturalista mais acurada que as demais.
E por fim a IM existencial, tambm conhecida como IM espiritual e produz grande polmica, porm
so caractersticas de filsofos e telogos. A Figura 4 ilustra as nove inteligncias.

Figura 4. As nove inteligncias
Fonte: Arajo (2010)
Howard Gardner (1995), insatisfeito com o conceito de QI e com as vises unitrias de
inteligncia, apresenta uma viso alternativa, baseando-se numa viso da mente radicalmente
diferente, em que a escola tambm precisa ser diferente. O resultado de Gardner e de seu grupo de
pesquisa foi a teoria das Inteligncias Mltiplas (IM), apresentando uma lista inicial de sete
inteligncias localizadas, sendo que mais tarde foram sugeridas outras IMs, como por exemplo a
inteligncia ecolgico-naturalista e a existencial.
Na Figura 5 pode-se observar uma pizza que representa oito, das nove IMs, utilizadas
especificamente nas palestras de Armstrong (2001) em escolas de primrio, com o objetivo de
34

explicar em poucos minutos o que vem a ser a Teoria das Inteligncias Mltiplas. A palestra inicia
com uma srie de perguntas feitas aos alunos, fazendo com que as respostas se tornem bvias para
cada um. A seguir apresentam-se algumas perguntas feitas por Armstrong, juntamente com
comentrios e exemplos para cada IM.

Figura 5. Pizza de IM
Fonte: Armstrong (2001).
Inteligncia Lingustica-Verbal: Quantas pessoas aqui sabem falar? Quantas pessoas aqui
sabem escrever? a capacidade com as palavras, a habilidade para usar a linguagem para
convencer, agradar, estimular ou transmitir idias. Sons, ritmos e significados das palavras e
especial percepo das diferentes funes da linguagem. Exemplo: Poetas, contadores de histria.
Inteligncia Lgico-Matemtica: Quantos de vocs sabem fazer contas? Quantas pessoas
aqui j fizeram uma experincia de cincias? a capacidade numrica e lgica, a habilidade para
tratar com sries de raciocnios, para reconhecer problemas e resolv-los. Sensibilidade para
padres, ordem e sistematizao. Exemplo: Cientistas, matemticos.
35

Inteligncia Visual-Espacial: Quantos de vocs desenham? Quantas pessoas aqui
conseguem projetar imagens em sua mente quando fecham os olhos? Quantos de vocs gostam de
assistir a filmes na televiso, no cinema ou de jogar jogos eletrnicos? a capacidade com imagens,
de perceber o mundo visual e espacial de forma precisa. a habilidade para manipular formas ou
objetos mentalmente e, a partir das percepes iniciais, criar tenso, equilbrio e composio, numa
representao visual ou espacial. Exemplo: Artistas plsticos, engenheiros e arquitetos.
Inteligncia Corporal-Sinestsica: Quantas pessoas aqui gostam de esporte? Quantos de
vocs gostam de fazer coisas com as mos, como modelos ou estruturas de LEGO? a habilidade
para resolver problemas ou criar produtos atravs do uso de parte ou de todo o corpo, para usar a
coordenao em esportes, artes cnicas ou plsticas no controle dos movimentos do corpo e na
manipulao de objetos com destreza. Exemplo: Jogador de futebol, bailarino.
Inteligncia Musical: Quantos de vocs gostam de ouvir msica? Quantos tocam um
instrumento musical ou cantam canes? a capacidade musical, a habilidade para apreciar,
compor ou reproduzir uma pea musical, para perceber temas musicais, sensibilidade para ritmos,
texturas e timbre e habilidade para produzir. Exemplo: Msico, artista, maestro.
Inteligncia Interpessoal: Quantos de vocs tm pelo menos um amigo? Quantos gostam
de trabalhar em grupo pelo menos parte do tempo aqui na escola? a capacidade com pessoas, a
habilidade pare entender e responder adequadamente a humores, temperamentos, motivaes e
desejos de outras pessoas. Exemplo: Professores, psicoterapeutas, polticos, vendedores.
Inteligncia Intrapessoal: Quantos de vocs tm um lugar secreto ou especial para onde
vo quando querem ficar longe de tudo e de todos? Quantos de vocs gostam de passar pelo menos
parte do tempo trabalhando sozinhos aqui na aula? a capacidade com o Eu, a habilidade para ter
acesso aos prprios sentimentos, sonhos e ideias, para discrimin-los e lanar mo deles na soluo
de problemas pessoais. um tipo de inteligncia muito pessoal e s possvel observ-la atravs da
manifestao de outras inteligncias.
Inteligncia Naturalista: Quantos de vocs gostam de estar em contato com a natureza?
Quantos de vocs j tiveram uma coleo de borboletas, uma coleo de insetos, uma coleo de
conchas ou outro tipo de coleo de elementos da natureza? Quantos de vocs tm animais de
estimao ou gostam de ficar em contato com animais? a capacidade com a natureza, de
36

identificar e classificar padres na natureza, entre uma planta e outra, entre um animal e outro, entre
variedades de nuvens, configurao de mares. Exemplo: Naturalistas, ecologistas.
Segundo Travassos (2001), quando se trata de educao atravs das Inteligncias Mltiplas,
no existe uma receita, porm a Teoria foi desenvolvida para tentar fazer uma descrio da
evoluo e da topologia da mente do ser humano. Entretanto, aps conhecer o funcionamento da
Teoria das Inteligncias Mltiplas se torna evidente que, para se ter uma educao mais justa nas
escolas, no se deve desenvolver apenas o pensamento lgico e a cognio, mas sim associ-las as
demais dimenses humanas.
2.6 REDES NEURAIS
A Rede Neural Artificial uma tcnica de Inteligncia Artificial que utiliza a abordagem
conexionista como base de representao do conhecimento. Diferencia-se da abordagem simblica
por ser uma forma de computao no-algortmica de resolver problemas, sendo que fornece
solues importantes nas situaes em que no h como definir regras (BRAGA; LUDERMIR;
CARVALHO, 2000).
Os esforos para desenvolver as Redes Neurais Artificiais iniciaram no ano de 1943, pelo
trabalho pioneiro de McCulloch e Pitts na Universidade de Illinois. McCulloch foi um psiquiatra e
neuroanatomista, que passou vinte anos tentando representar um evento no sistema nervoso. Em
seguida, Pitts que foi um matemtico recm-formado, juntou-se a McCulloch em 1942, e um ano
mais tarde publicaram um artigo sobre o assunto (HAYKIN, 2001). O artigo intitulado de Logical
Calculus of the Ideas Immanent in Nervous Activity propunha que a lgica de qualquer processo
fisiolgico pode ser transformada em regras para a construo de uma rede. A representao de
cada neurnio de ligado ou desligado acoplados uns com os outros, pois a atividade de cada nodo
depende da atividade dos outros nodos anteriores.
De acordo com Tafner, Xerez e Rodrigues Filho (1996), o trabalho desenvolvido por
McCulloch e Pitts a de uma analogia entre clulas biolgicas e o processo eletrnico, que consiste
num modelo de resistores variveis e amplificadores, representando conexes sinpticas de um
neurnio. Por este trabalho pioneiro, as redes neurais podem ser consideradas, de certa forma, a
mais antiga das tcnicas de IA.
37

Uma rede neural biolgica formada por um conjunto de neurnios conectados, sendo que
as unidades que fazem essas conexes so as sinapses, como retrata a Figura 6. A sinapse, que o
mecanismo transmissor de informao entre os neurnios, fica entre os dendritos e os axnios e
controlada por impulsos eltricos e reaes qumicas. De acordo com a fora sinptica (somatria
de informaes), pode haver uma excitao ou inibio entre os neurnios, ou seja, caso o resultado
da soma das informaes exceda um determinado limiar, ocorrer a transmisso da informao.
Com esta estrutura o crebro tem a capacidade de realizar, de forma extremamente rpida,
determinadas tarefas complexas. Isso se deve principalmente grande quantidade e complexidade
de conexes dos neurnios, ao paralelismo e tambm plasticidade.

Figura 6. Neurnio biolgico
Fonte: Bittencourt (2008).
A Rede Neural Artificial faz a simulao da estrutura biolgica, e cada neurnio se conecta
com seus adjacentes. uma simplificao da fisiologia do neurnio biolgico e representa um
sistema com uma ou mais entradas com pesos atribudos. O peso equivale sinapse que liga dois
neurnios, simulando a sinapse excitatria com valor maior que zero e a sinapse inibitria com
valor menor que zero. O modelo de um neurnio artificial proposto por McCulloch e Pitts
representado na Figura 7, cada x um neurnio de entrada, o w representa o peso, resultando numa
soma ponderada combinadas com uma funo, para produzir o estado de ativao do neurnio e
uma sada y.
38

Figura 7. Neurnio artificial
Fonte: Braga; Ludermir; Carvalho (2000).
As tcnicas de aprendizado passaram a ser foco de pesquisa somente alguns anos depois do
trabalho de McCulloch e Pitts, quando em 1949 Donald Hebb comprovou matematicamente
(Equao 1) que era possvel ocorrer a aprendizagem numa rede neural biolgica, atravs da
variao dos pesos de entrada, sendo que esta ficou conhecida como a regra de Hebb. A
comprovao serviu de inspirao para a criao de algoritmos de aprendizado voltados para RNA,
surgindo mais tarde a regra de aprendizado de Widrow e Hoff, conhecida como regra delta,
amplamente utilizada hoje (BRAGA; LUDERMIR; CARVALHO, 2000).
=
=
m
j
j kj k
x w u
1

Equao 1
2.6.1 Rede Neural MLP
O modelo Perceptron, demonstrado por Frank Rosenblatt em 1958, permitiu a incluso de
sinapses que poderiam ser ajustadas, tornando as RNAs treinveis para classificao de padres. A
estrutura simples foi descrita em camada de entrada, camada oculta e camada de sada. Entretanto,
39

somente a camada oculta, que fica entre a de entrada e a de sada, tem a capacidade de ajuste dos
pesos, conforme pode ser observado na Figura 8 (BRAGA; LUDERMIR; CARVALHO, 2000).

Figura 8. Modelo Perceptron com trs camadas
Fonte: Adaptado de Munakata (2008).
Com a inteno de permitir um melhor entendimento da RNA do tipo Perceptron,
apresenta-se na Figura 9 o mesmo modelo, porm de outros autores, tambm esto definidas a
estrutura com uma camada de entrada, uma camada intermediria e uma camada de sada.

Figura 9. Rede Neural Artificial
Fonte: Gonalves, Lemes e Pino Junior (2008).
40

Em 1969, os consagrados cientistas Marvin Minsky e Seymour Papert, publicaram um livro
chamado Perceptron, no qual fizeram duras crticas s pesquisas sobre Redes Neurais, embasados
nos seguintes argumentos: utilizavam muitos processos de aproximao empricos e; as Redes
Neurais no realizavam algumas operaes booleanas. Diante destas crticas, quase todos os
investimentos em pesquisas voltados para essa tecnologia foram abortados. Somente em 1982,
atravs do fsico e bilogo John Hopfield, se tornou possvel o retorno da credibilidade e dos
investimentos em estudos das Redes Neurais, e seus argumentos contestaram com grande sucesso as
teses de Minsky e Papert (TAFNER; XEREZ; RODRIGUES FILHO, 1996).
As redes de uma s camada intermediria no tm a capacidade de resolver problemas
intrincados, como aqueles que envolvem problemas no linearmente separveis. As redes com
mltiplas camadas, conhecidas por Redes do tipo MLP (Multi Layer Perceptron), tornam possvel a
aproximao de qualquer funo (CYBENKO, 1989 apud BRAGA; LUDERMIR; CARVALHO,
2000). O nmero de camadas ocultas ou intermedirias depende do problema que se pretende
resolver, porm deve-se ter especial ateno em como fazer o treinamento destas redes. Pode-se
optar por treinar a rede completa de uma s vez, ou separar a rede em um conjunto de sub-redes
para cada camada intermediria, treinado-as independentemente.
2.6.2 Rede Neural IAC
Outro tipo de RNA a de Competio e Ativao Interativa, conhecida como Redes do tipo
IAC (Interactive Activation and Competiton), sendo que sua arquitetura original foi apresentada por
Rumelhart e McClelland (1986 apud BARBOSA, 2004), alm de extensivos estudos de outros
pesquisadores como Levin (1976 apud BARBOSA, 2004) e Grossberg (1978 apud BARBOSA,
2004).
Como apontado por Dazzi (2007), as Redes IAC possuem representao local e um
mecanismo de memria associativa. Tm caractersticas bem diferentes das Redes MLP, como por
exemplo, estas tm seus pesos sinpticos fixos, assumindo geralmente valores 1, 0 e -1. Por esta
razo este tipo de rede no precisa receber treinamento.
A memria associativa muito utilizada pelo crebro humano e permite, por exemplo,
associar nomes de pessoas a formas de arte ou outras caractersticas. O nome Homero faz lembrar
imediatamente de literatura, j Beethoven faz lembrar msica, como se na mente do ser humano
41

houvessem pares armazenados, ou seja, pares de associao. Neste tipo de RNA as sinapses (1, 0, -
1) so representadas por matrizes, chamadas de matriz de conhecimento (ARARIBIA, 1988).
Segundo Kovcs (1996), a memria associativa uma variante de um classificador de
padres que so representados por um conjunto de vetores armazenados, respeitando um critrio de
proximidade que se define para a memria.
A bidirecionalidade, que outra caracterstica das Redes IAC, corresponde a quando a
conexo entre os neurnios ocorre nos dois sentidos (BARRETO, 2001). Assim como Beethoven
faz lembrar msica, a prpria msica tambm faz lembrar Beethoven, havendo uma ligao
bidirecional. Esta caracterstica faz com que a Rede IAC seja adequada para implementaes que
desejam se beneficiar da Hipermdia Adaptativa (BARBOSA, 2004).
Conforme exemplifica Barreto (2001), na Figura 10 mostra a associao existente entre uma
camada de animais e outra camada com suas caractersticas, foram includas ligaes bidirecionais
entre as camadas. Como citado anteriormente, neste tipo de rede no existe treinamento em que um
algoritmo iterativo produz progressivamente pesos ajustveis, no mostrados na figura, mas
correspondem a um valor (peso) associado flecha bidirecional entre dois neurnios.

Figura 10. Rede Neural Artificial
Fonte: Adaptado de Barreto (2001).
42

Tais pesos correspondem excitao do neurnio (peso 1) , inibio (peso -1) ou ausncia
de relao (peso 0). O conhecimento introduzido neste tipo de rede ponto fundamental para
garantir a qualidade das respostas.
O modelo geral da Rede IAC representado atravs da Figura 11, os crculos menores
representam os neurnios e os crculos maiores representam os grupos, tambm conhecidos por
pools. Cada pool agrupa neurnios com o mesmo conceito e so classificados por grupos visveis,
que servem de entradas e/ou sadas, alm do grupo escondido, localizado no centro da figura, que
no pode receber entradas do mundo externo, porm faz a intermediao entre as conexes dos
grupos visveis.

Figura 11. Modelo Geral da Rede IAC
Fonte: Rumelhart e McClelland (1986 apud DAZZI, 2007).
Conforme Paim e Azevedo (2003), no momento em que h a excitao de um neurnio
(propriedade de um conceito), existe a tendncia da procura por um novo estado de equilbrio,
sendo que as ativaes dos demais neurnios, aps encontrar-se o estado de equilbrio, equivalem as
sadas desejadas pela rede IAC.

43

2.7 RACIOCNIO BASEADO EM CASOS
O RBC encontra-se num ramo da IA denominado linha simblica, por basear-se na
manipulao simblica de fatos especficos, normalmente em grande quantidade, sobre um
determinado domnio. Assim como o RBC, tambm os SE (Sistemas Especialistas) se enquadram
na abordagem simblica, sendo que estas duas tcnicas de IA so consideradas Sistemas Baseados
em Conhecimento (SBC), porque utilizam o conhecimento de especialistas humanos como base
para a tomada de decises.
O Raciocnio Baseado em Casos (RBC) utiliza-se de casos ou experincias passadas, que
esto armazenadas em uma base de dados, como aponta a definio de Fernandes (2003, p.27):
Raciocnio Baseado em Casos (RBC) uma ferramenta de raciocnio da Inteligncia
Artificial. A filosofia bsica desta tcnica a de buscar a soluo para uma situao atual
atravs da comparao com uma experincia passada semelhante. O processo
caracterstico do RBC consiste em: identificar o problema atual, buscar experincia mais
semelhante na memria e aplicar o conhecimento desta experincia passada no problema
atual.
Segundo Santos Junior; Costa; Fechine (2008), o Raciocnio Baseado em Casos uma
Tcnica de Inteligncia Artificial que se inspira no raciocnio por analogia, procurando resolver os
problemas fazendo uma adaptao a partir das solues j resolvidas anteriormente. A soluo com
maior similaridade com o novo problema ser ento adaptada e, caso seja relevante, tambm
armazenada para auxiliar nos futuros problemas.
O enfoque do RBC a utilizao de experincias passadas, buscando o conhecimento
especfico em forma de exemplos concretos chamados de casos. Isso torna o RBC uma tcnica
radicalmente diferente de outras metodologias de desenvolvimento de programas com o uso de IA,
que normalmente se baseiam em conhecimento genrico na forma de regras. O RBC destaca-se por
ter uma viso orientada a metas e solues, ficando assim livre das limitaes dos sistemas
baseados em regras. Os elementos que compem um sistema de RBC so identificados com as
seguintes denominaes: representao do conhecimento; medida de similaridade; adaptao e;
aprendizado (WANGENHEIM & WANGENHEIM, 2003).
De acordo com Kolodner (1993) o RBC simula um comportamento que extremamente
natural para o ser humano, em que constantemente resgatam-se experincias passadas parecidas
com a situao atual e, muitas vezes com poucas adaptaes, utiliza-se o caso resgatado para
resolver o novo problema.
44

Kolodner (1993) define RBC atravs de uma pequena histria que retrata o comportamento
humano. Algum est planejando um jantar, porm muitos convidados tm restries na
alimentao, como os seguintes casos: alergia a derivados de leite; alergia a tomate e; no gosta de
comer peixe. Quem est organizando o jantar lembra-se de cada um dos casos e assim, tenta
imaginar pratos que agradem a todos, at que em um determinado momento consegue-se adaptar a
refeio correta para os convidados.
Para Wangenheim e Wangenheim (2003) ao conhecer o comportamento de um especialista
humano, pode-se simul-lo tcnica de RBC, permitindo uma soluo heurstica e,
consequentemente, o resultado usual mais rpido de ser alcanado do que com outras tcnicas,
alm disso, tem grande possibilidade de acerto. Quanto mais casos existirem na base de dados, mais
inteligente o sistema vai se tornando, ou seja, melhores solues sero encontradas para a
situao atual.
Entretanto, dois elementos so fundamentais quando se inicia a modelagem de um sistema
de RBC, que so: a Representao de Casos e a Medida de Similaridade. Ambos iro determinar o
sucesso ou o fracasso do sistema.
Na Representao de Casos, o caso a principal forma utilizada e serve para descrever
experincias concretas. Porm, pode ser necessrio armazenar outros tipos de conhecimento sobre o
domnio de aplicao, como casos abstratos e generalizados, tipos de dados e modelos de objetos.
A Representao de Casos, ou seja, a forma como o conhecimento ser modelado,
fundamental para o bom funcionamento do sistema, eles serviro para auxiliar na soluo de novos
problemas. Wangenheim e Wangenheim (2003) definem caso como: uma pea de conhecimento
contextualizado representando uma experincia ou episdio concreto. Contm a lio passada, que
o contedo do caso e o contexto em que a lio pode ser usada.
Conforme Wangenheim e Wangenheim (2003) no momento de fazer a representao de
casos necessrio escolher qual tipo de linguagem ou formalismo ser utilizado, que depende do
nvel de complexidade do problema a ser resolvido pela tcnica de RBC. Pode-se citar as seguintes
representaes: atributo-valor (os atributos e seus valores so criados de modo a representar o
problema e a soluo do caso); orientado a objetos (abordagem orientada a objetos); rvore (grafos
direcionados que contm ns para representar regras e conexes que indicam as relaes entre
45

antecedentes e consequentes); redes semnticas (grafos direcionados ligados por ns para
representar objetos) e; rvores K-D (rvores de pesquisa binria).
S; Rosatelli; Hruschka (2007) deixam claro que a representao dos casos com o par
atributo-valor uma caracterstica do RBC estrutural. Isso significa que no momento da modelagem
do mesmo, a criao dos atributos e seus valores representam o problema e a soluo do caso. Pode-
se citar como vantagem desse tipo de representao a facilidade de implantao, por ter uma
representao simples, alm da facilidade de armazenamento e possibilidade de recuperao
eficiente.
importante que a escolha dos atributos seja feita de forma a identificar os mais relevantes e
com maior significncia, j que esta escolha ser crucial para levar a soluo do problema. Os
atributos escolhidos para realizar as comparaes so denominados ndices. A Figura 12 ilustra um
caso novo em busca de uma soluo, o que se pode notar a associao existente entre o problema,
que descrito por atributos e seus valores e a soluo, composta pelo diagnstico e a ao que deve
ser tomada, baseada na similaridade de casos passados.

Figura 12. Exemplo de um caso com a representao atributo-valor
Fonte: Adaptado de Wangenheim e Wangenheim (2003).
46

Aps definida a indexao adequada, poder ocorrer a similaridade entre os casos. Busca-se
um ou mais destes, relevantes atravs da Medida de Similaridade, que define como ser calculada
a similaridade, objetivando a soluo do problema atual. O processo consiste em verificar se h pelo
menos um caso similar ao novo problema e, a partir da ento, ordenar os similares que podero
contribuir na resoluo do mesmo.
Uma medida de similaridade muito usada a tcnica de nearest neighbour weighted ou
vizinho mais prximo ponderado, em que basicamente existe motivao geomtrica que diz que s
ocorrncias em uma base de casos podem ser visualizadas em forma de pontos num grfico,
respeitando a equao de similaridade apresentada a seguir:
=
=
n
i
wi Si Ni f S N de Similarida
1
) , ( ) , (
Equao 2
A similaridade do vizinho mais prximo, representada atravs da equao, torna-se mais
compreensvel com a explicao das siglas:
N um novo caso correspondente pergunta (Ex.: novo estudante);
S a fonte de caso ou base de casos (Ex.: histrico de estudantes);
n o nmero de caractersticas em cada caso;
i uma caracterstica individual de 1 para n (Ex.: idade, nota, escolaridade);
f uma funo similar para caracterstica i no caso N e S; e
w o peso em importncia da caracterstica i (Ex.: idade 90%, nota 100%).
Outro mtodo de indexao o indutivo, que determina indutivamente quais as
caractersticas com maior importncia para os vrios casos. Existe tambm a indexao baseada em
conhecimento, que o conhecimento existente utilizado para cada caso e determina quais
caractersticas so realmente importantes para realizar a recuperao.
So definidas algumas etapas, conforme Figura 13, para a representao de casos em um
sistema RBC, conhecido na literatura como o Ciclo do RBC, sendo que dependendo do autor,
47

existem variaes. O ciclo clssico em RBC possui quatro atividades que so: recuperar casos
similares descrio do problema; reutilizar a soluo sugerida pelo caso similar; revisar ou adaptar
a soluo para melhor ajuste ao novo problema e; armazenar a nova soluo aps sua validao
(KOSLOSKY, 1999).

Figura 13. Ciclo clssico do RBC
Fonte: Koslosky (1999).
Segundo Koslosky (1993) comum a interveno humana em parte do ciclo do RBC,
principalmente na reviso ou adaptao de casos, em que o administrador da base decide se a
soluo realmente adequada e, se o armazenamento dessa soluo contribuir para o sistema.
O modelo de ciclo do RBC aceito pela maioria dos autores conhecido como 4R, composto
basicamente por recuperar, reutilizar, revisar e reter o caso (AAMONDT & PLAZA, 1994 apud
WANGENHEIM & WANGENHEIM, 2003). Existe uma verso avanada desse ciclo, denominada
6R, que trata mais as questes de manuteno de um sistema de RBC, em que ocorre uma distino
entre a parte da aplicao (recuperar, reutilizar e revisar) e do processo de manuteno (reter e
revisar) (WANGENHEIM & WANGENHEIM, 2003).
A primeira fase durante o ciclo de RBC a Recuperao de Casos, que consiste em fazer
uma busca na memria e realizar comparaes com o caso corrente, sendo que os critrios de
seleo esto totalmente ligados maneira como eles foram representados e indexados (SANTOS
JUNIOR; COSTA; FECHINE, 2008).
48

A recuperao de casos tem como objetivo encontrar um ou mais similares que se
encontram na base, permitindo assim resolver o problema com uma soluo satisfatria. O
problema ocorrido numa impressora um bom exemplo, dada a descrio do problema e
posteriormente o sistema RBC busca recuperar um caso, mostrando qual a soluo adequada,
como o trocar de um cartucho de tinta. Para tanto, aplica-se uma medida de similaridade, que
possibilite casar a descrio do problema atual com os problemas armazenados (WANGENHEIM
& WANGENHEIM, 2003).
De acordo com Wangenheim e Wangenheim (2003), aps a recuperao de um ou mais
casos, o ciclo prossegue com a Reutilizao e Reviso destes, decidindo assim se o caso corrente
ir ajudar na soluo do problema. Finalmente, ser verificado se o caso ser armazenado,
contribuindo assim para futuras recuperaes. O Armazenamento ou Reteno de novos casos
pode ocorrer de forma manual, com a interveno do administrador da base de casos, ou ento de
forma automtica, atravs do sistema RBC.
A reteno de novos casos sem critrios pode ocasionar um crescimento incontrolvel do
seu nmero, resultando na degradao do desempenho do sistema. Portanto, para evitar tal fato
necessrio fazer uma seleo dos novos casos a serem armazenados e eventualmente remover
alguns casos da base. Tudo que for considerado til ser retido nesta etapa, pois o sistema aprende e
se torna mais apto a resolver novos problemas. Segundo Wangenheim e Wangenheim (2003), os
aspectos mais importantes a serem observados na etapa de reteno so:
seleo adequada da informao a ser armazenada conjuntamente com o caso;
seleo da estrutura da informao e do conhecimento;
seleo da estrutura de ndices para o acesso aos casos durante a recuperao; e
seleo do tipo de integrao a ser realizado na estrutura de conhecimento existente.
Kolodner (1993) tem uma viso da estrutura do ciclo do RBC um pouco diferenciada, relata
atravs da Figura 14 um maior nmero de etapas, sendo estas: recuperar; propor; criticar, justificar,
avaliar, adaptar e armazenar.
49

Figura 14. O ciclo de RBC
Fonte: Adaptado de Kolodner (1993).
O RBC uma tcnica bem utilizada em sistemas que visam o aprendizado, como os tutorias
e os sistemas que seguem a metodologia EaD, com uma grande variedade de domnios, como fsica,
biologia, comrcio e xadrez. Porm, os sistemas mais bem sucedidos foram desenvolvidos no
domnio do ensino de programao, sendo que entre os vrios sistemas pode-se citar: CATO, um
ambiente educativo para ensinar percia argumentativa a estudantes de direito; CMU-LISP, para
ensino de programao Lisp; DECIDER, que auxilia estudantes a resolver problemas pedaggicos
e; PROUST, para ensinar programao Pascal (WANGENHEIM & WANGENHEIM, 2003, p.
241).

50

3 TRABALHOS RELACIONADOS
Nas Sees 3.1, 3.2 e 3.3 apresenta-se aplicaes voltadas para o ensino de redes de
computadores. Nas Sees 3.4, 3.5 e 3.6 so mostrados trabalhos voltados ao uso de Redes Neurais
Artificiais amparados pela Teoria das Inteligncias Mltiplas. As Sees 3.7 e 3.8 exploram
principalmente trabalhos com interface adaptativa. Aplicaes com Raciocnio Baseado em Casos
so descritos nas Sees 3.9 e 3.10.
3.1 GRID DE AGENTES
A necessidade do uso de recursos computacionais, tendo como foco o ensino de Redes de
Computadores, instigou alguns pesquisadores a buscarem solues. Uma aplicao que auxilia
alunos no ensino de Redes o desenvolvido por Medina, Tarouco e Bortolotto (2003), chamado
Grid de agentes no ensino de Redes de Computadores. A idia dos autores utilizar grids de
agentes que operam de forma distribuda na rede. As informaes da rede so coletadas pelos
agentes e repassadas para a professora Elektra, que o nome dado a um chatterbot, que interage
diretamente com o aluno. As informaes so obtidas de forma on-line e dizem respeito ao estado
de uma ou mais redes reais bem como seus componentes. O objetivo de auxiliar no ensino de
determinados conceitos de rede e para facilitar esse aprendizado foi desenvolvido o laboratrio
virtual ASTERIX (LEONHARDT & TAROUCO, 2003 apud MEDINA; TAROUCO;
BORTOLOTTO, 2003).
O ASTERIX conta com um simulador de redes, animaes, sala e objetos em realidade
virtual e um agente de conversao, representado pela professora Elektra. Servindo como uma
extenso do laboratrio virtual ASTERIX, o grid de agentes tem a finalidade de interagir com o
chatterbot e assim fornecer ao aluno informaes e anlise dos componentes de redes
(LEONHARDT e TAROUCO, 2003 apud MEDINA; TAROUCO; BORTOLOTTO, 2003).
A computao em grid definida por Assuno (2003 apud MEDINA, TAROUCO &
BORTOLOTTO, 2003) como sendo:
[...] uma infra-estrutura de hardware e software capaz de prover novas funcionalidades a
partir da agregao de recursos e componentes existentes. Tambm deve prover uma infra-
estrutura para suportar aplicaes que envolvem a manipulao de grande quantidade de
informao, grande demanda de processamento e gerenciamento de conhecimento. Um
51

grid possibilita o acesso e o compartilhamento de recursos computacionais de uma forma
fcil, segura e em uma escala maior do que um sistema distribudo tradicional.
Para Foster (2001 apud MEDINA, TAROUCO & BORTOLOTTO, 2003), um grid vai alm
de possibilitar agregao de recursos, podendo ser utilizado tal qual uma entidade nica. Os agentes
tm caractersticas como cooperao, pr-atividade, comunicao, entre outros, que proporcionam
grandes vantagens na construo de grids. A combinao das facilidades de um grid computacional
unidas a uma estrutura baseada em agentes, podem ser vistas como um framework.
A professora Elektra, que simula um ser humano, est sempre disposio do aluno de
forma on-line, podendo responder perguntas, questionamentos, ou ainda explicando algum assunto
lidado rea de redes. A Figura 15 mostra como viabilizado o uso de grid de agentes, que
formado por comunidades de agentes distribudos na rede.

Figura 15. Grid de agentes no ensino de redes
Fonte: Medina; Tarouco; Bortolotto (2003).
Um exemplo de ao dos agentes quando a professora Elektra est explicando sobre
conceitos, mtricas e trfego que influenciam no desempenho da rede. Ela pode sugerir que o aluno
analise como est a rede naquele momento, apresentando informaes coletadas pelo grid de
agentes. Ou ainda quando est sendo ensinado o funcionamento de um roteador, rotas e algoritmos
de roteamento, que o grid de agentes pode ento mostrar como est a tabela de roteamento de um
52

dos roteadores da rede naquele momento, sem interferir na rede em uso, ou seja, sem gerar trfego
desnecessrio, sobrecarga de servidores ou de outros dispositivos de redes.
Na implementao da aplicao utilizou-se a Artificial Autonomous Agents Programming
Language (3APL), linguagem que serve para implementar agentes cognitivos com suas capacidades
bsicas, como comunicao, aes externas, atualizaes, entre outras.
A definio do que um agente segue o ponto de vista do autor, e tambm da
funcionalidade desse agente. Um agente pode ser um programa de computador, entretanto no
precisa necessariamente apresentar comportamento inteligente, termo que alvo de muita
controvrsia, j que difcil definir o que realmente um comportamento inteligente
(FERNANDES, 2003).
Bocca, Jaques e Vicari (2003) entendem que agentes so resolvedores de problemas,
autnomos e podem ser de natureza heterognea. O fato que no existe consenso de seu
significado ou classificao, podendo ser desde simples processos de hardware e/ou software at
realizadores de tarefas complexas. Porm, alguns aspectos da inteligncia humana precisam ser
representados no agente, para que ele seja reconhecido como tal.
Os agentes inteligentes possuem caractersticas que os tornam aplicveis em ambientes
complexos e distribudos. A variedade de definies sobre agentes torna possvel sua utilizao em
aplicaes de simulao do comportamento humano (FRIGO, 2004).
Podemos classificar um agente tendo como base suas caractersticas ou propriedades
bsicas, sendo que quanto mais propriedades o agente possuir, maiores sero suas capacidades. As
principais atribudas aos agentes, so: Autonomia, Mobilidade, Cooperao, Comunicabilidade,
Aprendizagem, Reatividade, Habilidade Social e Pr-Atividade (FERNANDES, 2003).
O grid de agentes poderia ser superior em eficincia se contemplasse maior nmero de
caractersticas de um agente inteligente, possibilitando representar ambientes mais complexos,
assim como faria um professor.

53

3.2 PROTTIPO AGENCH
Outra aplicao muito interessante que ilustra o ensino de Redes de Computadores o
apresentado por Medina e Schopf (2005), intitulado Prottipo Agench, que destaca as culturas
regionais do aluno para melhorar a sua aprendizagem. Buscando uma maior aproximao com o
usurio, facilitando assim o aprendizado, o Agentch consiste em um agente inteligente de
conversao, que utiliza expresses regionais gauchescas, para ensinar contedo da rea de redes de
computadores. Alm de deixar o nativo confortvel, tornando a conversao mais interessante, cria-
se ainda uma maior familiaridade entre agente e aluno, pois o agente se aproxima do ambiente do
aluno conhecendo as suas caractersticas, de forma educada, bem humorada e expansiva de
conversar (MEDINA & SCHOPF, 2005).
Esse agente baseia-se no j existente agente ALICE, um software livre que tem a funo de
realizar conversao em linguagem natural, que por sua vez baseia-se em um experimento
especificado por Alan Turing em 1950. O agente ALICE utiliza a linguagem de programao AIML
(Linguagem de Marcao para Inteligncia Artificial), utilizada para criar robs de estmulo-
resposta (MEDINA & SCHOPF, 2005).
O Agentch possui trs caractersticas prprias de um agente, que so: autonomia, sem a
interveno humana, o Agentch responde contando apenas com seu conhecimento. A reatividade,
que durante a conversa ou questionamento do aprendiz dada a sua resposta ou opinio prpria. E a
comunicabilidade, sendo que alm de se comunicar com o ser humano, ele tambm capaz de
realizar a comunicao com outros agentes atravs da linguagem KQML (linguagem de
manipulao e obteno de conhecimentos entre agentes).
O contedo a ser ensinado sobre redes de computadores foi elaborado segundo leitura do
livro Redes de Computadores dos autores Tanembaum (2003 apud MEDINA, 2005) e Torres
(2001 apud MEDINA, 2005), alm de artigos sobre o assunto e utilizao do laboratrio virtual
ASTERIX de Medina (2005). Posteriormente, passou-se para a fase de planejamento das regras a
serem desenvolvidas e depois de revisadas foram incrementadas com figuras, links, animaes e
imagens em realidade virtual. A Figura 16 apresenta a animao do aplicativo, que visa demonstrar
o assunto domnio de coliso.
54

Figura 16. Animao indicada pelo agente
Fonte: Medina e Schopf (2005).
Para avaliar a eficcia do prottipo, o experimento foi elaborado no curso de Cincias da
Computao da Universidade Federal de Santa Maria, na disciplina de Redes de Computadores.
Aps os alunos terem aulas expositivas sobre o assunto a ser avaliado, foram submetidos
aplicao do agente. Os alunos no previam a aula diferenciada, pois foram informados que teriam
aula normal. Depois das explicaes sobre o Agentch, houve a participao dos alunos com o
objetivo de validar o experimento.
Segundo Medina e Schopf (2005), os resultados do teste mostraram grande crescimento
cognitivo dos alunos, porm no foram apresentados dados estatsticos que comprovem o
experimento. Para ampliar o potencial do agente inteligente e romper algumas limitaes do
trabalho, se faz necessrio incluir mais caractersticas pertinentes agentes inteligentes, ou ainda,
substituir por outra tcnica de inteligncia artificial mais adequada a soluo do problema. O foco
em apenas uma cultura torna o trabalho muito limitado a apenas um pblico, sendo que existe uma
variedade de culturas que tambm poderia ser contemplado pelo sistema.
55

3.3 INTELIGNCIAS MLTIPLAS E O ENSINO DE REDES
Uma experincia que busca explorar o ensino de Redes de Computadores e as Inteligncias
Mltiplas a de Ensino de Graduao em Computao a Distncia: Relato de um
Experimento (GASPARY et al., 2000). Aps detectar o problema de qualidade nos cursos de EaD,
elaborou-se uma metodologia de EaD e desenvolveu-se uma aplicao. A experincia foi realizada
para o ensino da disciplina de Redes de Computadores, oferecida aos alunos de graduao do curso
de Cincias da Computao da UNISC (GASPARY et al., 2000).
A metodologia para a preparao do material utilizada com a inteno de explorar aspectos
pedaggicos e de comunicao com os alunos, e os criadores da metodologia tentam responder as
seguintes perguntas: Como o aluno deveria interagir com o mdulo a ser estudado? Qual a melhor
estrutura de navegao? A representao deveria ser nica para cada mdulo estudado?
Consultando profissionais da rea de comunicao foi definido que o melhor seria um
formato visual padro, fazendo com que o aluno distinguisse facilmente o que contedo, atividade
e acesso a outros assuntos. Sendo assim, temos uma metodologia dentro de outra metodologia, ou
seja, a metodologia de preparao do material ocorre dentro da metodologia de ensino distncia.
Com o objetivo de manter o aluno motivado durante a interao com o sistema e seu
material didtico, o projeto contou com o uso do Sistema Tutor Inteligente. Com o STI foi realizada
a modelagem do perfil do aluno e a preparao do material na base de domnio. O perfil est
diretamente ligado com a apresentao do contedo, que est no mdulo de domnio, e as
preferncias pessoais do aprendiz so assimiladas pelo sistema atravs de um questionrio com
dezessete perguntas. No banco de dados ficam armazenadas as seguintes informaes: identificao
do usurio, classificao (visual, auditivo, visual-auditivo) e preferncia de cores (claras, escuras,
vibrantes), gerando assim nove combinaes de perfis.
Para avaliar a eficcia do projeto, a experincia foi realizada dividindo-se a turma em dois
grupos. Um o grupo experimental e o outro o grupo de controle, sendo que cada grupo era
composto por onze alunos. O grupo experimental recebeu as aulas totalmente distncia, seguindo
a metodologia proposta e usando as ferramentas para auxiliar no aprendizado. J o grupo de
controle teve todas as aulas presenciais, com encontros semanais em sala de aula, seguindo o
formato tradicional.
56

Durante o semestre os alunos precisaram utilizar o laboratrio para atividades prticas,
sendo que os alunos do grupo experimental fizeram agendamento de dias e horrios especficos,
dentro de uma determinada faixa previamente sugerida.
O grupo experimental pode acessar o sistema atravs de um endereo eletrnico, pelo qual
era feito o gerenciamento de cursos distncia e tambm onde fica disponibilizado todo o material
da disciplina. A Figura 17 mostra o portal juntamente com o menu de opes.

Figura 17. Portal da disciplina de Redes de Computadores
Fonte: Gaspary et al. (2000).
A exposio e a abordagem do contedo so definidas pelo STI com base no perfil do aluno,
com variadas estratgias de ensino, como por exemplo: conceitos, exerccios, animaes,
explorao de imagens e sons.
57

A experincia foi considerada bem sucedida, fato constatado atravs do acompanhamento e
comparao do grupo de controle com o grupo experimental. A Figura 18 mostra o grfico
comparativo de resultado da experincia.

Figura 18. Comparativo grupo de controle e grupo experimental
Fonte: Gaspary et al. (2000).
Apesar de o autor considerar o sistema como sendo um STI, composto pelos mdulos
domnio, aluno e tutor, em nenhum momento mencionado qual tcnica de inteligncia artificial foi
adotada. Segundo Lima (2004) o Sistema Tutor Inteligente utiliza tcnica de IA para responder as
necessidades dos alunos, bem como proporcionar um aprendizado individualizado, tomando decises
pedaggicas de como transmitir o assunto.
3.4 INTELIGNCIAS MLTIPLAS E O USO DE RNA
O uso de Redes Neurais Artificiais no ensino destaque na Tese de Doutorado de Barbosa
(2004), intitulada de Mecanismo de Adaptao baseado em Redes Neurais Artificiais para
Sistemas Hipermdia Adaptativos, que prope uma metodologia voltada realizao de adaptao
automtica de acordo com o perfil do aluno, fazendo a seleo da mdia mais adequada a ser
apresentada na interface. A metodologia foi avaliada implementando-se um site adaptativo com um
manual de operao de um monitor multiparamtrico. Para determinar o perfil inicial de cada aluno,
so utilizadas as quatro Inteligncias Mltiplas (lgico-matemtica, lingustica-verbal, visual-
espacial, corporal-sinestsica), permitindo que o sistema automaticamente apresente o contedo ao
aluno em diferentes mdias, usando texto, fluxograma, desenho ou animao.
58

O contedo do manual de operao foi dividido em vrios assuntos, sendo que cada assunto
se encontra na base de conhecimento em quatro mdias diferentes, ou seja, foram elaborados quatro
materiais do mesmo assunto, contemplando as quatro inteligncias. No momento de apresentar o
material ao aluno, selecionado o material adequado, baseado no seu perfil. A Figura 19 ilustra
alguns assuntos em quatro mdias diferentes, objetivando atender as quatro Inteligncias.

Figura 19. Mdias texto, fluxograma, figura e animao
Fonte: Barbosa (2004).
No trabalho de Barbosa (2004), o perfil inicial do aluno elaborado tendo como base um
questionrio respondido no seu primeiro acesso. O questionrio original que contempla as quatro
inteligncias citadas composto por setenta e seis perguntas, entretanto, Barbosa (2004) utilizou o
mtodo de podas de ns, reduzindo para trinta perguntas sem prejuzo nos resultados finais.
A partir desse momento uma RNA recebe as respostas do questionrio pelos neurnios da
camada de entrada (cada resposta equivale a um neurnio). O resultado ser uma nota de um a
quatro pela camada de sada, atravs de quatro neurnios, que representam as quatro IMs. Como o
59

objetivo geral da Tese de Barbosa (2004) foi o desenvolvimento da metodologia e no a
implementao, utilizou-se a plataforma Data Engine para gerar as notas referente camada de
sada da RNA.
Para finalizar o perfil inicial do aluno, a quantidade de contedos distribuda nas diferentes
mdias de acordo com as notas de cada IM, utilizando-se uma segunda Rede Neural do tipo MLP
para fazer esse ajuste, sendo que a plataforma MatLab foi utilizada para gerar os clculos.
Durante a navegao no material, o aluno tem a liberdade de mudana de mdia. Essa troca
de mdia, por exemplo, de texto para animao, pode determinar uma mudana no seu perfil. Essa
mudana dinmica no perfil do aluno foi realizada pela RNA, que tem caractersticas diferentes da
RNA MLP, e a principal delas a bidirecionalidade.
Para melhor atender as necessidades dos alunos e permitir maior adaptabilidade, torna-se
adequado o uso de mais uma tcnica de IA. A combinao de diferentes tcnicas torna o sistema
hbrido, aumentando o seu potencial de apoio ao aluno.
3.5 SINEPOPE
Seguindo o exemplo da Tese de Barbosa (2004) j descrita, outras metodologias e
aplicaes semelhantes foram desenvolvidas, como por exemplo, a Tese de Doutorado de Dazzi
(2007), Metodologia para Adaptao de Interface e Estratgia Pedaggica em Sistemas
Tutores Inteligentes.
O trabalho de Dazzi (2007) traz uma grande contribuio para diversas reas do
conhecimento, principalmente a de Inteligncia Artificial, permitindo a continuidade das relevantes
pesquisas realizadas por Barbosa (2004), em que as RNAs so utilizadas na adaptabilidade e
adaptatividade do perfil do aluno. A principal diferena do trabalho de Dazzi (2007) para Barbosa
(2004) a incluso de uma estratgia pedaggica inovadora que permite maior flexibilidade do
aprendizado. Tal estratgia pedaggica ocorre atravs do uso da tcnica de SE (Sistema
Especialista) que, baseado em algumas perguntas feitas ao aluno, relativas ao seu grau de
conhecimento sobre o assunto, decide qual tipo de material ser apresentado, podendo ser um
material do tipo tpicos de unidades (denominado de estratgia tradicional) ou do tipo estudo de
casos (abordagem indita).
60

importante destacar que estas perguntas no so as trinta utilizadas para identificar as
Inteligncias Mltiplas dos alunos, j respondidas no incio do processo (DAZZI, 2007). Estas iro
ajudar o sistema a decidir quais das duas estratgias pedaggicas so apropriadas para aquele aluno.
A Tabela 2 ilustra essas perguntas com as respectivas opes de resposta.
Tabela 2. Perguntas para identificao da Estratgia Pedaggica
Pergunta Opes de resposta
Nvel de Instruo? 3 grau incompleto
3 grau completo
Especializao
Mestrado
Doutorado
J teve disciplina ou experincia clnica no tratamento de pacientes
com necessidades especiais?
Sim
No
Ano de incio da graduao? LIVRE (n
o
relativo ao ano)
Prefere ter aulas Expositivas
Seminrios
Ambas
Fonte: Dazzi (2007).
Estas questes indicam o perfil do aluno adequado a trabalhar com Estudos de Casos,
tambm denominado de Casos Clnicos, visto que o sistema voltado ao ensino na rea de sade,
cujo domnio a Odontologia em Pacientes Especiais. Cada resposta transformada em um peso
que, baseado na experincia do especialista, poder ser ajustado, tornando o sistema inteligente o
suficiente para tomar a melhor deciso. O aprendizado atravs de Casos Clnicos proporciona
maior facilidade de assimilao do contedo, dependendo do perfil do aluno. A Figura 20 apresenta
um exemplo dos dois tipos de contedo.

61

a)

b)
Figura 20. Exemplo contedo nas mdias texto (a) e imagem (b)
Fonte: Dazzi (2007).
Alm da Estratgia Pedaggica, o trabalho de Dazzi (2007) tambm oferece ao aluno a
possibilidade de realizao de exerccios e testes que ajudam na assimilao e avaliao dos
contedos, permitindo o receber reforos ou simplesmente seguir em frente.
Apenas a combinao de duas tcnicas de IA no suficiente para garantir a eficcia do
sistema, pois a escolha das tcnicas adequadas o diferencia. As RNA poderiam ter seu potencial
multiplicado quando combinada com tcnicas diferentes do SE, como por exemplo, com RBC,
Lgica Fuzzy ou mesmo agentes inteligentes que contemplem todas as caractersticas de um agente.
3.6 INTERFACE ADAPTATIVA
Outra aplicao que utiliza interface adaptativa e Redes Neurais o trabalho desenvolvido
por Paim (2007, p.1096), Sistemas Hipermdia com Interface Adaptativos, que apresenta
contedo sobre cncer de mama, com o objetivo de melhorar o conhecimento dos alunos na rea de
sade. O intuito foi potencializar o Sistema Tutor Inteligente e o Sistema Hipermdia (SH)
utilizando-se a Hipermdia Adaptativa, pois essa adaptatividade s capacidades cognitivas do aluno
contribui para o equilbrio entre o STI, que fortemente guiado, com a livre busca do SH.
62

Conforme o trabalho de Paim (2007, p.1097), ao implementar a interface adaptativa a
informar e ensinar o contedo sobre cncer de mama, so utilizados trs tipos de inteligncias para
identificar as caractersticas do aluno: a lingstica-verbal, relacionada s palavras e linguagem
escrita e falada; a visual-espacial, voltada criao de imagens mentais e senso de viso; e a
sinestsico-corporal, relacionado com o movimento fsico.
O trabalho do autor segue a metodologia desenvolvida por Barbosa (2004), que usa RNA do
tipo MLP e IAC, distribuindo as mdias conforme perfil de cada aluno. A implementao das RNA
seguiram exatamente os mesmos parmetros da metodologia original de Barbosa (2004), porm
Paim (2007) optou por apenas trs IM, diferentemente do trabalho original que abrange quatro IM.
A Figura 21 ilustra o Sistema Hipermdia sobre Cncer de Mama, apresentando a tela do
menu principal do sistema. A partir da escolha da opo desejada, o aluno estudar o material
adaptado ao perfil.

Figura 21. Sistema Hipermdia
Fonte: Paim (2007).
A abrangncia em mais IM desejvel para este trabalho, visto que contempla apenas trs
das quatro apresentadas no trabalho original de Barbosa (2004). Como existem nove IM definidas
63

por Garder (2001), a possibilidade de auxlio na aprendizagem poderia ser muito maior, pois as
pessoas tm diferentes perfis intelectuais e assimilam contedos tambm de forma diferenciada
(ABRAE, 2005).
3.7 FERRAMENTA AVA ADAPTADA
A implantao e desenvolvimento de um Ambiente de Aprendizagem tm a pretenso,
dentro do processo pedaggico, de agregar valor atravs dos recursos tecnolgicos. Na Figura 22,
observa-se um Ambiente de Aprendizagem adaptado por uma Universidade, que utilizou o
LearnLoop, um sistema de cdigo aberto, como ambiente original, acrescentando e adaptando
algumas funcionalidades. Este Ambiente Virtual de Aprendizagem possui trs tipos de usurios,
assim como na maioria dos AVAs, que so: o administrador, que tem acesso como gerente do
ambiente e cuida das questes operacionais; o aluno, que o usurio final do curso; e o professor,
que administra a sala virtual.

Figura 22. Ferramenta AVA adaptada
Fonte: Santos; Zanette; Giacomazzo (2007).
64

As ferramentas originais do LearnLoop foram adequadas para a realidade da universidade,
pois o interesse a de contar com uma ferramenta de apoio ao ensino presencial, semipresencial e
totalmente distncia, permitindo melhorar a qualidade e abrangncia do processo de ensino e
aprendizagem. As ferramentas includas no AVA foram: recursos do usurio (dados pessoais,
agenda pessoal, monitoria, preferncias gerais, materiais, e-mail, chat e ajuda); sala virtual
subdividida em ferramentas bsicas (administrao, agenda, membros, mural e plano de ensino) e
ferramentas modulares (pasta, link, lista de materiais, material simples, reunio on-line, fruns e
web page).
Com esta concepo, realizou-se treinamento para os professores, objetivando capacit-los
no uso do AVA, que resultou em diferentes prticas metodolgicas com a capacitao de seiscentos
e seis docentes entre 2003 e 2006, tendo excelente aceitao e satisfao por parte de professores
(SANTOS; ZANETTE; GIACOMAZZO, 2007).
A possibilidade de melhores resultados no processo de apoio ao ensino poderia ser
alcanado se, ao invs de realizar adaptaes em uma ferramenta j existente, fosse construda uma
nova ferramenta voltada para a soluo do problema. A esta poderia ser includa estratgias que
permitissem acrescentar inteligncia ao sistema, fazendo com que houvesse maior motivao para
usar o AVA, abrindo as portas para a aprendizagem eficaz.
3.8 O ENSINO DE LGEBRA
Lepp (2008), em seu artigo cientfico How Does an Intelligent Learning Environment
with Novel Design Affect the Students Learning Results? apresenta um estudo emprico, que
objetiva saber como um Ambiente de Aprendizagem Inteligente, com uma interface inovadora,
pode afetar a aprendizagem. Os alunos participantes do experimento so de escolas primrias, e
utilizou-se o Ambiente de Aprendizagem T-Algebra, que um ambiente interativo que visa auxiliar
no ensino da soluo de problemas de lgebra.
O T-Algebra permite que o aluno cometa os mesmos erros, como se a resoluo do
problema estivesse sendo feita no papel e caneta. Para tanto, o T-Algebra executa junto com o
aluno, o passo-a-passo do referido clculo, fornecendo durante esse processo apontamentos sobre os
erros cometidos, fazendo observaes e tirando dvidas. Este Ambiente de Aprendizagem guia o
estudante atravs de trs estgios:
65

Estgio 1: Escolha da regra de transformao, que representada por um menu de regras
localizado no lado direito da interface, como por exemplo, abrir parnteses, somar, subtrair, etc. Se
o estudante errar na escolha da regra, o sistema no informa o erro imediatamente, pois prefere dar
a possibilidade ao aluno de descobrir sozinho o erro nos prximos estgios, sem a assistncia do
sistema.
Estgio 2: Seleo de parte da expresso matemtica, que serve para apontar ao sistema
qual parte da expresso ser aplicada a regra selecionada anteriormente. Nesse estgio o sistema
aponta erros do tipo sinttico, compatibilidade, posio entre outros, sendo que no permite
continuar sem que a seleo esteja correta.
Estgio 3: Entrada do resultado, visto na Figura 23, em que o aluno utiliza um teclado
virtual para entrar com o resultado do clculo referente seleo. Nesse momento, feita a
simulao do uso de um papel e uma caneta, que onde mais acontecem os erros, pois o aluno tem
que colocar o resultado baseado na regra escolhida e na seleo de parte da expresso matemtica.
Um erro bastante comum nesse estgio quando um nmero movido para o outro lado do igual,
sem que o sinal seja trocado.
O experimento foi realizado no inverno de 2007 na Estnia com sete classes, totalizando
cento e vinte e seis estudantes, todos da 7 srie, com idade de treze anos. Das sete classes, cinco
fizeram parte do experimento e duas classes so de controle. O tema abordado foi de equao linear
realizadas em quatro aulas de quarenta e cinco minutos, divididas da seguinte forma:
1 Aula (Pr-Teste): Os estudantes fazem um teste com dezessete problemas (seis tipos)
usando apenas papel e caneta, onde os resultados permitiram classific-los segundo a seguinte
escala de pontos: 0 a 11 pontos equivale de 0% a 30% de aproveitamento, 11,5 a 19 pontos de 30%
a 50%, 19,5 27 pontos de 50% a 70%, 27,5 a 35 pontos de 70% a 90% e de 35,5 a 39 pontos de
90% a 100% de aproveitamento.
2 e 3 Aula (Experimento e Controle): O grupo de controle teve aula tradicional, com
papel e caneta, e o professor ajudou a resolver problemas similares aos aplicados no Pr-Teste. J os
alunos do grupo de experimento vo para o laboratrio de informtica praticar equaes lineares no
T-Algebra, tentando resolver os problemas. O educador usou tambm o quadro para apontar os
erros de clculos, porm no auxiliou em nada no T-Algebra.
66

4 Aula (Ps-Teste): Todos os estudantes, tanto do grupo de controle quanto do grupo
experimental, fizeram outro teste com equaes lineares usando apenas papel e caneta. Depois do
experimento, o Pr-Teste, o Ps-Teste e os arquivos com as solues do T-Algebra foram enviados
para anlise.

Figura 23. O Ambiente de Aprendizagem T-Algebra
Fonte: Lepp (2008).
Dos cento e vinte e seis estudantes sobraram cento e seis, pois aqueles que perderam pelo
menos uma das aulas ou que tiveram menos de 11,5 pontos na prova foram excludos. Alguns
resultados interessantes obtidos no grupo experimental so: o percentual de alunos com pontuao
alta aumentou entre o Pr-Teste e o Ps-Teste; Destaca-se o caso de um aluno que no Pr-Teste
errou todos os problemas que envolviam multiplicao e que no Ps-Teste teve 100% de acerto
nesse tipo de problema.
67

Os resultados apontaram ainda que os estudantes do grupo experimental foram melhores do
que os do grupo de controle e que o T-Algebra ajuda mais em alguns tipos de erros, como os erros
de troca de sinal.
Apesar de o artigo enfatizar se tratar de um ambiente de aprendizagem inteligente, no foi
mencionado qual tcnica de inteligncia artificial foi utilizada no desenvolvimento do sistema. Um
ambiente de aprendizagem pode ter seu potencial multiplicado agregando-se tcnicas e recursos de
Inteligncia Artificial. Com o objetivo de responder as necessidades dos alunos, um ambiente de
aprendizagem dito como inteligente busca no somente ensinar, mas como ensinar, traando um
perfil do aluno.
3.9 O APRENDIZADO COLABORATIVO
Um artigo que explora o tema RBC o de Rosatelli (2006), intitulado como Um Sistema
Tutor Inteligente para um Ambiente Virtual de Ensino Aprendizagem, em que aplicado o
STI em um AVA visando o aprendizado colaborativo. Neste contexto, existe a contribuio para a
evoluo de todo o grupo composto pelo tutor e seus alunos, estes colaboram entre si.
Neste Ambiente de Aprendizagem, o RBC utilizado para explorar situaes apresentadas
aos estudantes, em que cada situao equivale a um caso. Uma das ferramentas disponveis no AVA
a de tira-dvidas, o aprendiz faz a pergunta sobre o contedo e recebe a resposta do tutor. O
tutor pode ser representado pelo sistema ou tambm pelo prprio professor.
Todas as perguntas e respostas so armazenadas na base de dados, chamada de FAQ
(Frequently Asked Questions), que podem ser consultadas livremente por tutores e alunos. A FAQ
efetivamente a base de conhecimento, e no STI chamada de domnio e servir para responder as
dvidas dos alunos.
A Figura 24 demonstra o estudante interagindo com o sistema, sendo que cada aluno
classificado como iniciante, moderado ou avanado, dependendo das respostas adquiridas em um
questionrio apresentado para o aluno no incio do curso. Note que o mdulo estudante acessa o
domnio para responder sua pergunta, passando por um processo de indexao no sistema RBC, que
est relacionada com a recuperao e representao dos casos. Para que ocorra a indexao,
68

necessrio relacionar os atributos pertinentes, que na FAQ a combinao questo e resposta, ou
seja, o problema e a soluo respectivamente.

Figura 24. Modelo de Domnio do STI
Fonte: Rosatelli (2006).
O domnio pode ser acessado tambm para criao de um novo caso, representado por uma
nova camada. Apenas os alunos com perfil avanado podero criar novos casos, que dependem
ainda da aprovao do professor. Dessa forma, estes alunos estaro colaborando efetivamente com
o grupo, incrementando novos casos atravs de um processo de adaptao utilizado no sistema
RBC.
O sistema apresentado permite ao aluno fazer a pergunta, e ele recebe de volta casos
similares que pode ajud-lo e, dependendo do seu perfil, ser capaz tambm acrescentar novos
casos. A capacidade de resolver problemas pelo STI atravs do RBC est diretamente ligada a
diversidade de casos existentes na Base de Casos.
Alm de o sistema depender diretamente da colaborao de alunos e professores, existe
limitaes pelo uso de apenas uma tcnica de IA. Quando ocorre a combinao de tcnicas
potencializa-se o processo, tornando o sistema mais adequado para auxiliar alunos e professores.
3.10 HIPERMDIA ADAPTATIVA COM O USO DE RBC
69

Outro artigo que utiliza a tcnica de RBC e tambm voltado para a rea de educao o
elaborado por Chorfi e Jemni (2006), XML Based CBR for Adaptive Educational Hypermedia.
O aplicativo desenvolvido foi nomeado de PERSO e tem como caracterstica a adaptao da
hipermdia a alunos de EaD. Ocorre a personalizao do curso apropriado para aquele aluno,
considerando as preferncias em termos de mdia como vdeos, sons e imagens, bem como o
conhecimento atual do estudante. As preferncias e o conhecimento compem o modelo do aluno,
atravs de duas rvores semnticas.
A similaridade calculada para permitir que o sistema minimize o tempo necessrio para
encontrar uma nova soluo para o caso atual. Se existir um caso similar, o sistema usa este, se ao
contrrio, o sistema cria uma nova soluo, ou seja, inclui mais um caso na base de casos. Na
Figura 25, tem-se o funcionamento do aplicativo PERSO.

Figura 25. Aplicativo PERSO
Fonte: Adaptado de Chorfi e Jemni (2006).
Uma das vantagens do aplicativo PERSO a diminuio do nmero de perguntas feitas ao
estudante na elaborao do curso personalizado, alm de um menor tempo para encontrar a soluo.
70

A grande desvantagem do aplicativo deixar de conhecer melhor o perfil do aluno atravs
de outras tcnicas de IA. Uma excelente opo seria combinar RBC com RNA, em que a tcnica de
RNA serviria para distribuio do material didtico em forma de diversas mdias. Tal combinao
estaria contribuindo com a motivao e desempenho dos alunos.
3.11 ANLISE COMPARATIVA
Aps descrever os trabalhos relacionados importante uma anlise atravs de quadros
comparativos. Nos Quadros 1,2 e 3 apresentam-se os trabalhos relacionados, juntamente com o
trabalho proposto na ltima coluna do Quadro 3, permitindo observar a contribuio de cada um
para a soluo do problema de pesquisa, auxiliando na anlise.

Quadro 1. Anlise comparativa da reviso bibliogrfica
Caracterstica ELEKTRA AGENCH UNISC MONITOR
MULTI
PARAMTRICO
Estratgia
Pedaggica
Computao
Distribuda
Conversao Estratgia com
base na Teoria
das Inteligncias
Mltiplas
Estratgia com
base na Teoria das
Inteligncias
Mltiplas
Tcnicas de IA Agentes
Inteligentes
Agentes
Inteligentes
No identificada RNA e SE
Domnio Redes de
Computadores
Redes de
Computadores
Redes de
Computadores
Manual de
Monitor Multi
Paramtrico
Vantagens Utilizao de
grid de agentes
Voltado para
termos regionais
Combinaes de
Perfis
Base terica
Desvantagens Capacidades
bsicas dos
agentes
Capacidades
bsicas dos
agentes
No uso de
tcnicas de IA
Domnio
especfico
Limitaes Domnio
especfico
Domnio
especfico
Domnio
especfico
Apresentao de 4
IM
Referncia 3.1 3.2 3.3 3.4

71

Caracterstica SINEPOPE SISTEMA
HIPERMDIA
LEARNLOOP T-LGEBRA
Estratgia
Pedaggica
Mltiplas
estratgias com
base na Teoria
das Inteligncias
Mltiplas
Estratgia com
base na Teoria
das Inteligncias
Mltiplas
Aprendizado
baseado na
cooperao
Anlise de
desempenho
Tcnicas de IA SE, RNA e
Agentes
RNA No identificada No identificada
Domnio Odontologia Cncer de Mama Vrios lgebra
Vantagens Base terica e
combinao de
tcnicas de IA
Base terica Independe do
domnio
Evoluo do
desempenho do
aluno
Desvantagens Elaborao do
contedo
Poucas IM Ferramenta
comum
No uso de
tcnicas de IA
Limitaes Apresentao de
4 IM
Apenas 3 IM so
representadas
Nmero de
servios
Apenas para
equaes de
segundo grau
Referncia 3.5 3.6 3.7 3.8

Caracterstica AVA PERSO VITOR
Estratgia Pedaggica Aprendizado
colaborativo
Personalizao de
curso
Estratgia com base na
Teoria das Inteligncias
Mltiplas
Tcnicas de IA RBC RBC RNA e RBC
Domnio FAQ (tira-dvidas) Vrios Redes de Computadores
Vantagens Mltiplos servios Soluo
personalizada e gil
Base terica e combinao
de tcnicas de IA
Desvantagens Uso de apenas uma
tcnica de IA (RBC)
Uso de apenas uma
tcnica de IA (RBC)
Montagem do contedo da
disciplina
Limitaes Depende da
colaborao dos
alunos e professores
Biblioteca de
objetos
Apresentao de 4 IM
Referncia 3.9 3.10 4.1
Conforme pode ser observado nos quadros comparativos, em algumas aplicaes
pesquisadas verificou-se a necessidade de desenvolver sistemas voltados para o ensino de Redes de
Computadores, mostrando a necessidade de profissionais bem qualificados na rea.
72

As tcnicas de IA utilizadas nos trabalhos relacionados so as de agentes inteligentes, RNA,
SE e RBC, entretanto na maioria das aplicaes no feita a combinao dessas tcnicas. O
trabalho sobre Monitor Multiparamtrico de Barbosa (2004) combina RNA e SE e o SINEPOE de
Dazzi (2007) utiliza RNA, SE e Agentes Inteligentes, levando-se em conta que a combinao das
tcnicas permite uma melhor adaptao ao perfil do aluno.
Frente s desvantagens apontadas nos trabalhos relacionados, como o uso e combinao de
tcnicas adequadas de IA, a utilizao de uma teoria que apie o modelo, o conhecimento das
caractersticas dos alunos de tal forma que possibilite conhecer o perfil e a abrangncia cultural,
apresenta-se um STI que sugere uma alternativa com o uso de RBC, RNA MLP e RNA IAC,
objetivando maior motivao e melhor desempenho dos alunos.
3.12 CONSIDERAES
Nesse contexto, a aplicao proposta (VITOR), faz a combinao de RNA e RBC, e a
elaborao das RNA baseia-se no trabalho de Barbosa (2004), para realizar a distribuio de
diversas mdias durante a leitura do material pelos alunos. Tal distribuio apoiada pela teoria das
Inteligncias Mltiplas, abrangendo quatro tipos de inteligncias. O diferencial do trabalho
encontra-se no uso do RBC para determinar um tipo de material mais adequado ao perfil do aluno,
fazendo com que este tenha maiores chances de sucesso durante seu estudo.
Alm do uso do RBC, o VITOR conta com outra novidade no que se refere elaborao do
material multimdia. Diferentemente de alguns dos trabalhos citados, que utilizam o fluxograma
para representar a IM lgico-matemtica, este trabalho faz uso de mapas conceituais, assim como
Dazzi (2007), que consistem em uma abordagem mais moderna e voltada para a necessidade do
domnio.
No prximo captulo apresentado o sistema VITOR, que um STI hbrido, pois utiliza
duas tcnicas de IA. O Captulo 4 apresenta o Ambiente de Aprendizagem Inteligente, sendo que a
Seo 4.1 descreve uma viso geral do Ambiente. Na Seo 4.2 apresentada a modelagem do
sistema que contm o levantamento de requisitos finalizando com a implementao do prottipo na
Seo 4.3.

73

4 AMBIENTE DE APRENDIZAGEM INTELIGENTE COM
HIPERMIDIA ADAPTATIVA
Este Captulo apresenta o ambiente de aprendizagem inteligente proposto neste trabalho.
Uma viso geral do ambiente de aprendizagem inteligente proposto, juntamente com o
relacionamento entre os diversos mdulos que compem a arquitetura so descritos na Seo 4.1.
Na Seo 4.2, a modelagem do sistema, que contempla o levantamento de requisitos e o diagrama
de casos de uso, so apresentados. Questes relacionadas implementao do prottipo, tais como
os diagramas de UML e a descrio das tecnologias utilizadas no desenvolvimento do sistema so
introduzidas na Seo 4.3. Por fim, consideraes gerais sobre a soluo proposta so descritas na
Seo 4.4.
4.1 VISO GERAL DO AMBINETE DE APRENDIZAGEM
INTELIGENTE PROPOSTO
Na Figura 26 observa-se a arquitetura do ambiente de aprendizagem inteligente e seus
principais elementos. Atravs da interface, o aluno interage com o sistema e recebe o material
adaptado de acordo com seu perfil. No ncleo do VIrtual tuTOR, a tcnica de RBC seleciona o tipo
de material mais adequado, calculando a similaridade entre os ex-alunos (base de casos) com o
aluno atual (novo caso). Na sequncia, a tcnica de RNA faz a distribuio das mdias, sendo que a
RNA do tipo MLP constri o perfil inicial e a RNA do tipo IAC mantm atualizado o perfil durante
a interao do aluno atravs da matriz de conhecimento. O perfil inicial e perfil final (atualizado) de
cada aluno so armazenados no repositrio, que esto diretamente relacionados com o contedo a
ser aprendido (domnio).
74

Figura 26. Arquitetura do Ambiente de Aprendizagem Inteligente
A interao do estudante com o STI tem incio a partir do seu cadastro e resposta a dois
questionrios. Os questionrios so respondidos somente na primeira vez que o aluno acessa o
sistema, o objetivo obter respostas que iro servir de base para criar o perfil do aluno.
O primeiro questionrio (ver apndice A) serve para que o RBC selecione qual tipo de
material ser acessado pelo aluno, que poder ser bsico ou avanado. As informaes do aluno
(novo caso), aps responder os questionrios, contm os seguintes dados: idade; sexo; ensino bsico
e mdio em escola pblica ou privada; quantas horas de estudo o aluno se dedica por semana; se j
estudou gerenciamento de redes; se j estudou arquitetura de redes; se j usou ferramentas de
monitoramento de redes; se trabalhou (a) na rea de redes de computadores; se trabalhou (a) com
projetos de redes; se j possui curso superior; quanto tempo no faz curso na rea de redes; nvel de
conhecimento na rea de redes e em gerenciamento de redes. Estas so informaes (variveis) que
sero utilizadas na escolha do material adaptado ao nvel de conhecimento do aluno. O RBC decide
qual contedo ser apresentado, sendo que este pode ser direcionado para alunos com pouco ou
nenhum conhecimento sobre o assunto, ou aos que j tm domnio do contedo, dependendo dos
casos j existentes na base de casos.
75

O segundo questionrio (ver Anexo A) foi elaborado segundo a Teoria das Inteligncias
Mltiplas (IM) de Gardner (2001). Com base em tal Teoria, Antunes (2001) desenvolveu um teste
de mltiplas escolhas com 150 perguntas, no qual cada conjunto de perguntas pertencente a uma
IM, sendo que cada conjunto de perguntas visa identificar oito Inteligncias Mltiplas.
Este trabalho baseia-se nas questes elaboradas por Antunes (2001), porm explorando-se
quatro inteligncias: lgico-matemtica, lingustica-verbal, visual-espacial, corporal-sinestsica.
Barbosa (2004) elaborou o mtodo de podas de ns objetivando uma reduo de dimensionamento
para trinta questes, tornando as respostas mais geis e menos trabalhosas para os alunos. Tal
mtodo foi utilizado em outros experimentos bem sucedidos como Dazzi (2007) e Paim (2007), que
demonstraram no haver perda significativa de qualidade, comprovando-se a eficcia do mtodo e
sinalizando como sendo um excelente mtodo para o experimento deste trabalho. Alguns exemplos
de questes so: Lembra-se o ltimo livro que leu? (IM lingustica-verbal); Faz clculos de cabea?
(IM lgico-matemtica); Sabe explicar caminhos? (IM visual-espacial); Aprecia ou pratica danas?
(IM corporal-sinestsica).
Assim como nos trabalhos relacionados, a partir das respostas do questionrio, possvel
calcular o perfil inicial do aluno utilizando a tcnica de RNA do tipo MLP, permitindo que o
sistema determine a quantidade de mdias para cada IM, distribuindo os assuntos nos quatro tipos de
mdia (texto, mapa conceitual, figura, animao). A atualizao desse perfil no mdulo aluno ocorre
com a RNA do tipo IAC, tendo como base a matriz de conhecimento.
Alm dos dados necessrios para que o sistema conhea o perfil aluno, ocorre tambm o
registro das respostas do pr-teste e ps-teste, que poder comprovar ou no o seu aprendizado. J o
mdulo de domnio do STI proposto ser exemplificado atravs de uma parte do contedo da
disciplina de Redes de Computadores, que ministrada no curso de Cincia e Engenharia de
Computao da Univali. Este contedo foi dividido em unidades de ensino ou conceitos, o que
facilitou a elaborao e controle do material nas diversas mdias. Para a distribuio das mdias, foi
necessria a elaborao de quatro materiais diferentes (texto, mapa conceitual, figura e animao).
Tambm existem duas verses do material, uma para alunos de nvel bsico e outro para alunos de
nvel avanado.
Para exemplificar o material elaborado, apresenta-se na Figura 27 o assunto de nmero 11
referente ao protocolo SNMP, mostrados nas mdias texto e mapa conceitual.
76

Figura 27. Mdia Texto e Mapa Conceitual
A mdia Mapa Conceitual, que se refere a um tipo de grafo que representa graficamente as
relaes existentes entre conceitos (CANT & FARINES, 2006), foi elaborado a partir do software
Cmap (IHMC, 2006). A escolha desta forma de apresentao se deve a experincia prvia
verificada no trabalho de Cant e Farines (2006), em que se tem a utilizao de mapa conceitual
para o ensino de redes de computadores.
Durante o acesso ao material da disciplina dentro do Ambiente de Aprendizagem, o
estudante receber o material em diversas mdias de acordo com seu perfil, de forma que o sistema
faa uma adaptao ao estudante e no o contrrio. Para essa adaptao, leva-se em considerao o
perfil do aluno, com suas caractersticas de aprendizagem presentes numa base de modelo de
alunos. Neste contexto, a interface tem um papel fundamental, pois bem projetada proporciona a
diminuio de erros, de frustraes e proporciona o aumento da satisfao do aluno, tornando a
aprendizagem mais eficaz. O estudo dos aspectos ergonmicos relacionados com a interface, que
onde ocorre a troca de informaes entre o aluno e o sistema, realizado pela Interao Humano-
Computador (IHC). A IHC caracteriza-se por abordagens de carter cognitivo, que busca entender a
forma como o sistema interpretado pelo aluno. Para tanto, apia-se nas reas de Psicologia
77

Cognitiva e Inteligncia Artificial, encarregadas de estudar o processo que torna possvel a
aquisio do conhecimento (ERGOLIST, 2008).
Com a inteno de tornar a interface do prottipo um fator motivador para o aluno durante
sua utilizao, foi dado um nome para o sistema, fazendo com que o aluno tenha uma sensao mais
aproximada de estar interagindo com um ser humano, ao invs de um sistema computadorizado. O
nome escolhido foi VITOR, que um acrnimo de Virtual Tutor, que pode ser melhor
compreendido observando-se a Figura 28, em que mostrado tambm o cabealho que acompanha
o sistema durante todo o processo de auxlio ao aluno, incluindo a imagem animada do prottipo
VITOR.

Figura 28. Imagem do VITOR
A opo Cadastre-se aqui o primeiro passo para que os novos alunos acessem o material
durante o experimento, e cada aluno incluir, alm de seus dados cadastrais, respostas s perguntas
que permitiro ao sistema conhecer o seu perfil. A Figura 29 mostra parte do segundo questionrio
com as possveis respostas que so: sempre, frequentemente, raramente ou nunca, traando assim o
perfil inicial do aluno e permitindo os clculos da quantidade de mdias por inteligncia mltipla.
Para atender aos critrios de usabilidade, como legibilidade e conciso, foram inseridos
cones em forma de carinhas, objetivando diminuir o tempo de leitura e aumentar o desempenho ao
responder o questionrio (ERGOLIST, 2008). Os cones apresentados referem-se a uma escala que
abrange os conceitos de: Sempre; Frequentemente; Raramente; e Nunca.
78

Sempre
Frequentemente
Raramente
Nunca

Figura 29. Dados das IM para distribuio das Mdias
O professor responsvel pela incluso do material didtico nos nveis (bsico e avanado),
que sero em forma de mdia texto, mapa conceitual, figura ou animao. Para tanto o contedo
precisa ser dividido em assuntos devidamente numerados e nomeados, facilitando a identificao do
mesmo. A partir do momento que existe contedo cadastrado, o sistema est pronto para executar as
estratgicas pedaggicas que constam no ncleo do VIrtual tuTOR (tcnicas de RBC e RNA).

79

4.2 MODELAGEM DO SISTEMA
Durante a modelagem do sistema foi definida a estrutura, os ndices e o tipo de integrao a
ser realizada na estrutura, atendendo aos aspectos necessrios para uso da tcnica de RBC que vai
desde a recuperao de um caso at a reteno do caso novo.
Atravs da tcnica de RBC, o sistema define o tipo de material que dever ser estudado,
podendo ser bsico ou avanado. Como citado anteriormente, o modelo se baseia no cruzamento
entre os casos, contendo vrios atributos especficos para a seleo do tipo do material. Com a
seleo do tipo de material, o sistema estar simulando a atuao de um professor para um
determinado aluno que, por exemplo, tem maior dificuldade com a matria. Sendo assim, o sistema
disponibiliza a leitura de material voltado para um aluno iniciante, possibilitando um melhor
aprendizado. Por outro lado, aquele aluno que j possui boa parte dos conhecimentos ou habilidades
necessrias pode ficar entediado estudando um material com um nvel muito bsico. Desta forma,
este aluno recebe um material mais avanado, com algum tipo de desafio que estimule a leitura
deste. importante ressaltar que o professor quem elabora o material, sendo este o responsvel
pela determinao da melhor estratgia de contedo, personalizando assim o aprendizado.
As caractersticas de cada aluno so extradas por variveis obtidas atravs do questionrio
para base de casos, descrito em detalhes no apndice A. Na Tabela 3 pode-se observar a lista das
variveis e seus tipos de dados.
Tabela 3. Definio dos tipos
Varivel (caractersticas) Tipo
Idade Inteiro
Sexo Caractere
Ensino particular ou pblico Caractere
Horas de estudo semanal Inteiro
Estudou gerenciamento de redes Caractere
Estudou arquitetura de redes Caractere
Usou ferramenta de monitoramento de redes Caractere
Trabalhou na rea de redes Caractere
Trabalhou com projetos de redes Caractere
Possui curso tecnlogo em redes Caractere
Tempo sem fazer curso na rea de redes Inteiro
Conhecimento na rea de redes Caractere
Conhecimento na rea de gerenciamento de redes Caractere
Tipo de material (varivel de sada) Caractere
80

Decidiu-se por essas variveis, pois as mesmas so informaes relevantes na obteno de
casos similares, bem como no aprendizado do sistema RBC. Todo caso novo que tiver pelo menos
60% de similaridade com os casos passados, ser includo automaticamente na base de casos inicial,
ou seja, h um aprendizado com a reteno do caso. A Tabela 4 a seguir permite entender o motivo
pelo qual se escolheu tais variveis, atravs de uma breve justificativa.
Tabela 4. Justificativa das variveis
Varivel Justificativa
Idade A idade pode influenciar na capacidade de assimilao
do conhecimento.
Sexo Homens e mulheres tm, em geral, facilidades em
diferentes tipos de inteligncia.
Ensino particular ou pblico A realidade brasileira mostra diferenas importantes
entre o ensino particular e o pblico.
Horas de estudo semanal Essa pergunta ajuda a identificar alunos autodidatas e
dedicados.
Estudou gerenciamento de redes Alunos com alguma experincia anterior nesse assunto
tendem a ter maior facilidade de aprendizagem.
Estudou arquitetura de redes Da mesma forma que o item anterior, porm voltado
para arquitetura de redes.
Usou ferramenta de monitoramento de
redes
Experincia com ferramentas de monitoramento dar
certa vantagem a este aluno.
Trabalhou na rea de redes Experincia prtica levar o aluno a ter um
entendimento diferente do assunto.
Trabalhou com projetos de redes Assim como o item anterior, mas agora voltado para
projetos de redes.
Possui curso tecnlogo em redes O fato de o aluno j ter feito um curso tecnlogo na rea
lhe d um maior conhecimento e uma viso acadmica
diferente.
Tempo sem fazer curso na rea de
redes
O aluno que ficou muito tempo ou nunca fez algum
aperfeioamento no assunto poder precisar de maior
auxlio.
Conhecimento na rea de redes Uma autoavaliao do estudante ajudar o sistema a
conhecer melhor seu perfil.
Conhecimento em gerncia de redes Idem ao item anterior, porm mais voltado para o
assunto a ser acessado pelo estudante.
Definiu-se o percentual de 60% de similaridade como limiar de recuperao dos casos,
sendo que recuperado apenas um caso, ou seja, o caso com maior similaridade. Para recuperar este
caso, foi escolhida a mtrica de similaridade global do vizinho mais prximo ponderada (Nearest
Neighbour Retrieval Weighted), por se tratar de uma funo que mede numericamente os graus de
similaridade entre dois casos, considerada a mais adequada para este experimento por se tratar de
81

uma mtrica bastante utilizada nos experimentos acadmicos e nos sistemas comerciais
(WANGENHEIM & WANGENHEIM, 2003; CHORFI & JEMNI, 2006; KOLODNER, 1993;
MENDES, 2001; GAIA, 2009; S, ROSATELLI & HRUSCHKA, 2007; SANTOS JUNIOR,
COSTA & FECHINE, 2008). Esta tcnica, que consiste na identificao das caractersticas
(variveis) essenciais para a soluo do problema, faz a medida da distncia entre o novo caso e os
casos j existentes na base de casos inicial
Para cada varivel foi definida uma mtrica de similaridade local, que tem como requisito
importante o seu peso, escolhidos atravs da experincia didtica de professores da disciplina de
Redes de Computadores, havendo consenso que as variveis de maior peso deveriam ser aquelas
que focam o assunto a ser aprendido. A Tabela 5 mostra o peso atribudo para cada varivel,
tornando o sistema adaptado ao grupo de alunos.
Tabela 5. Medida de similaridade (mtrica)
Varivel (caractersticas) Peso
Idade 0,80
Sexo 0,20
Ensino particular ou pblico 0,40
Horas de estudo semanal 0,60
Estudou gerenciamento de redes 0,90
Estudou arquitetura de redes 0,90
Usou ferramenta de monitoramento de redes 0,90
Trabalhou na rea de redes 0,80
Trabalhou com projetos de redes 0,80
Possui curso superior em redes de computadores 0,20
Tempo sem fazer curso na rea de redes 0,20
Conhecimento na rea de redes 0,90
Conhecimento em gerencia de redes 0,90
As variveis idade, horas de estudo semanal e tempo sem fazer curso na rea de redes
utilizam a similaridade local do tipo interval, possibilitando determinar uma faixa de intervalo em
que calculada a proximidade entre os valores. As demais variveis so respostas objetivas, o que
torna mais adequado o uso da similaridade local equal, e comparado se os valores so iguais entre
os casos.
O sistema conta ainda com a distribuio das mdias (texto, mapa conceitual, figura e
animao) que definida atravs da tcnica de Redes Neurais Artificiais, com base no
82

questionrio de inteligncias mltiplas. No projeto, foram utilizadas 2 Redes Neurais do tipo MLP
(MLP1 e MLP2) e uma Rede Neural do tipo IAC, objetivando conhecer o perfil inicial e atual do
aluno, respectivamente, conforme proposto por Barbosa (2004) e Dazzi (2007).
O perfil do aluno atualizado atravs da RNA do tipo IAC, em que ocorre atualizao em
dois sentidos (bidirecional), ou seja, quando o aluno muda de mdia a RNA IAC atualiza as notas de
IM e quando o aluno realiza novo login a RNA IAC recupera a quantidade de mdias a partir das
notas de IM.
Tanto a RNA do tipo MLP quanto a do tipo IAC seguem a metodologia definida pelos
trabalhos de Barbosa (2004) e Dazzi (2007), aproveitando-se o nmero de neurnios das camadas
de entrada, intermediria e de sada, bem como os dados para treinamento da RNA MLP. Para a
RNA IAC, utilizou-se uma matriz de conhecimento, que encontra-se inserida na implementao do
sistema.
Para a modelagem do sistema foi escolhida a linguagem UML (Unified Modeling
Language), que consiste em uma Linguagem de Modelagem Unificada com a finalidade de
proporcionar um padro de apresentao de sistemas. A UML permite demonstrar as formas para
representar um software nas suas diversas fases de desenvolvimento, tornando possvel separar a
codificao propriamente dita da anlise do sistema (MEDEIROS, 2004).
A seguir, sero descritos os requisitos do sistema e o diagrama de casos de uso, que
contribuiro para o entendimento das caractersticas do sistema VITOR.
4.2.1 Levantamento de Requisitos
Foram levantados os requisitos com o objetivo de especificar o que o sistema deve ou no
fazer. Tais requisitos so agrupados em funcionais, no funcionais e regras de negcio, como
podem ser vistos a seguir.
4.2.1.1 Requisitos Funcionais
RF1. O sistema deve permitir o cadastro de alunos atravs de sua interface;
83

RF2. O sistema deve permitir o preenchimento do questionrio para identificao das
inteligncias mltiplas;
RF3. O sistema deve permitir o preenchimento do questionrio para identificar o tipo de material;
RF4. O sistema deve identificar, atravs da tcnica de RBC, o tipo de material com base na
similaridade de casos contidos na base de casos inicial;
RF5. O sistema deve realizar, atravs da tcnica de RNA, a distribuio e atualizao das mdias;
RF6. O sistema deve permitir que o aluno possa modificar as mdias durante o estudo do
contedo;
RF7. O sistema deve permitir que o usurio Administrador faa o cadastro da base de casos
inicial;
RF8. O sistema deve permitir que o usurio Administrador emita relatrios para anlise;
RF9. O sistema deve permitir que o usurio Administrador altere dados dos demais usurios
(aluno e professor), como cadastrar novos professores e fazer alteraes no cadastro de
alunos;
RF10. O sistema deve permitir que o usurio Professor faa a incluso do material (domnio) nas
diversas mdias;
RF11. O sistema deve permitir que, ao iniciar e ao finalizar o estudo do contedo, o aluno responda
um pr-teste e um ps-teste visando avaliar o desempenho do aluno.
4.2.1.2 Requisitos no Funcionais
Os requisitos no funcionais apontam propriedades e restries do sistema e no suas
funes.
RNF1. O sistema deve invalidar a sesso da aplicao Web aps 30 minutos de inatividade;
RNF2. O tempo de espera do usurio no deve ultrapassar 10 segundos;
84

RNF3. O sistema deve controlar o acesso ao material para que somente usurios cadastrados
possam utiliz-lo;
RNF4. O sistema deve uma aplicao Web.
4.2.1.3 Regras de Negcio
O funcionamento do negcio especificado pelas regras de negcio, que so caractersticas
de qualidade a serem consideradas e esto relacionadas s suas funcionalidades.
Preenchimento dos questionrios (RN01) RF associado: RF1, FF2, RF3
Descrio Um aluno deve preencher os questionrios uma nica vez, durante o seu cadastro no
sistema, no permitindo campos em branco.

Mudana de mdia (RN02) RF associado: RF6
Descrio Um aluno pode mudar de mdia quantas vezes desejar.

Reteno de casos (RN03) RF associado: RF4
Descrio O sistema deve reter na base de casos inicial somente os novos casos com no mnimo
60% de similaridade.

Distribuio de mdias (RN04) RF associado: RF5
Descrio O sistema deve ter controle sobre a distribuio das mdias, impedindo que seja
zerada a quantidade de uma das mdias.

Login j existente (RN05) RF associado: RF1
Descrio O sistema deve negar o cadastro de login j existente.

85

Preenchimento do pr-teste e ps-teste (RN06) RF associado: RF11
Descrio Um aluno deve responder todas as questes do pr-teste e ps-teste, no permitindo
respostas em branco.

Controle de acesso (RN07) RF associado: RF6, RF11
Descrio Um aluno que j leu todo o material e respondeu todas as questes do pr-teste e
ps-teste, no poder acessar novamente no sistema.
4.2.2 Diagrama de Caso de Uso
Os casos de uso so representados pelos chamados Atores, que podem fazer o papel de
pessoas ou coisas que interagem entre si para que algo seja realizado (MENDONA, 2001). Na
Figura 30 ilustrado o diagrama de casos de uso do STI elaborado para permitir uma viso geral do
relacionamento entre os atores e os casos de uso.

Figura 30. Diagrama de caso de uso do STI
86

O STI composto por trs atores e nove casos de uso. A seguir, esto descritos cada ator:
Aluno: indivduo que tem interesse em estudar o material e ir responder aos
questionrios para que o sistema conhea seu perfil;
Administrador: pessoa responsvel por incluir novas turmas, administrar alunos e
professores;
Professor: indivduo que determina o material a ser utilizado pelo aluno e que faz a
incluso das diversas mdias do material.
Os casos de uso so descritos a seguir:
Responder Questionrios (CSU01)
Sumrio: Aluno realiza o seu cadastro e responde aos questionrios para que o sistema identifique
o seu perfil.
Ator Primrio: Aluno.
Fluxo Principal
1. O Aluno solicita o cadastro no sistema.
2. O sistema apresenta o formulrio para cadastro e o questionrio para identificar o tipo de
material.
4. O Aluno responde ao questionrio.
5. O sistema apresenta o questionrio para identificao das inteligncias mltiplas.
6. O Aluno responde ao questionrio.
7. O sistema define o perfil do aluno para distribuio das mdias e tipo de material.
Fluxo Alternativo: Violao de RN05
a. Se o login deste aluno j existir, o sistema no permite o cadastro e o caso de uso continua no
passo 1.
Ps-condies: O aluno foi cadastrado na turma escolhida e o perfil do aluno foi definido pelo
sistema.

87

Estudar Contedo (CSU02)
Sumrio: Aluno estuda o contedo acessando o material preparado pelo professor da turma.
Ator Primrio: Aluno.
Precondies: O sistema conhece o perfil do aluno.
Fluxo Principal
1. O Aluno realiza login no sistema.
2. O sistema apresenta o pr-teste.
3. O Aluno responde ao teste.
4. O Aluno inicia o estudo do material.
5. O sistema avisa ao Aluno quando terminar o material.
6. O sistema apresenta o ps-teste.
7. O aluno responde ao ps-teste.
8. O sistema apresenta questionrio sobre ergonomia.
9. O aluno responde ao questionrio sobre ergonomia.
10. O sistema registra o perfil final do aluno no repositrio.
Fluxo Alternativo: Logout
a. Se o Aluno realizar logout no momento da leitura do contedo, no prximo login o sistema
apresenta o material a partir do ltimo acesso e com seu perfil atualizado.
Fluxo Alternativo: Mudana mdia
a. Se o Aluno mudar de mdia durante a leitura do material, seu perfil atualizado.
b. O sistema apresenta a nova mdia.
Fluxo Alternativo: Pr-teste no preenchido
a. Se o aluno no preencheu todos as respostas do pr-teste: o sistema reporta o fato e o caso de uso
continua a partir do passo 2.
Fluxo Alternativo: Ps-teste no preenchido
a. Se o aluno no preencheu todos as respostas do ps-teste: o sistema reporta o fato e o caso de uso
continua a partir do passo 6.
Fluxo Alternativo: Violao de RN07
a. Se o aluno j leu todo o material e respondeu aos testes, o sistema informa ao aluno que no
permitido seu acesso.
Ps-condies: O sistema atualizou o perfil do aluno.

88

Cadastrar Base de Casos Inicial (CSU03)
Sumrio: Administrador inclui os dados de ex-alunos na base de casos inicial.
Ator Primrio: Administrador.
Precondies: O Administrador est identificado pelo sistema.
Fluxo Principal
1. O Administrador solicita a incluso de ex-alunos.
2. O sistema exibe formulrio para incluso.
3. O Administrador confere os dados e confirma a incluso.
4. O sistema registra os dados e o perfil do ex-aluno finalizando o caso de uso.

Alterar Dados de Usurios (CSU04)
Sumrio: Administrador altera dados de usurios.
Fluxo Principal.
1. O Administrador solicita a alterao de dados de um usurio (aluno ou professor).
2. O sistema exibe formulrio para alteraes.
3. O Administrador confere os dados e confirma as alteraes.
4. O sistema registra as alteraes.
Fluxo Alternativo: Desistncia de atualizao.
O Administrador declina da atualizao e o caso de uso termina.

Emitir Relatrios (CSU05)
Sumrio: O Administrador usa o sistema para visualizar e analisar o perfil inicial e perfil final dos
alunos.
Fluxo Principal.
1. O Administrador solicita a visualizao de relatrios.
89

2. O sistema exibe lista de relatrios disponveis (Relatrio RBC, Relatrio RNA, Relatrio Teste
Desempenho e Relatrio Usabilidade).
3. O Administrador seleciona o relatrio desejado.
4. O sistema exibe as informaes do relatrio selecionado.
5. O Administrador visualiza as informaes, o caso de uso retorna ao passo 3, caso contrrio o caso
de uso termina.

Criar Turmas (CSU06)
Sumrio: O Administrador cria turmas para que cada professor possa incluir seu material, que
posteriormente ser lido pelo aluno.
Fluxo Principal
1. O Administrador solicita a criao de turma.
2. O sistema exibe formulrio para criao de nova turma.
3. O Administrador preenche a descrio da turma e seleciona o professor desta turma.
4. O Administrador confirma criao de turma.
5. O sistema registra nova turma.

Incluir Material (CSU07)
Sumrio: O Professor realiza incluso do material em diversas mdias.
Ator Primrio: Professor.
Precondies: O Professor est identificado pelo sistema.
Fluxo Principal
1. O Professor solicita a incluso do material.
2. O sistema exibe formulrio para incluso do material em diversas mdias.
3. O Professor preenche o formulrio.
4. O sistema aceita a incluso e o caso de uso continua a partir do passo 2.

90

Incluir Testes (CSU08)
Sumrio: O Professor realiza incluso de testes que serviro para avaliar o conhecimento dos
alunos.
Ator Primrio: Professor.
Precondies: O Professor est identificado pelo sistema.
Fluxo Principal
1. O Professor solicita a incluso do teste.
2. O sistema exibe formulrio para incluso do teste.
3. O Professor preenche o formulrio.
4. O sistema aceita a incluso e o caso de uso continua a partir do passo 2.
4.3 IMPLEMENTAO DO PROTTIPO
Para a implementao do prottipo elaborou-se diagramas UML facilitando o entendimento
do sistema. A seguir apresenta-se o diagrama pacotes, de classes, de sequncia, bem como o modelo
entidade e relacionamento e um esquema da estrutura do prottipo.
4.3.1 Diagrama de Pacotes
O diagrama de pacotes um recurso utilizado para demonstrar o agrupamento das classes do
sistema, ilustrando assim a sua arquitetura. Os pacotes so divididos de forma lgica, sendo que no
diagrama apresentada a dependncia entre estes.
Pode-se observar na Figura 31, os diversos pacotes sendo estes: web, entity, ia, rbc e rna. O
pacote web contm classes que tornam possvel a interao entre o usurio e o sistema, com a
implementao de vrios mtodos, como o registro de um novo usurio e as respostas dos
questionrios. O pacote entity composto pelas classes referentes modelagem do sistema, ou seja,
representam as entidades utilizadas. Neste diagrama, relevante destacar o pacote ia, juntamente
com os subpacotes rbc e rna, pois estes pacotes contm as classes que implementam as tcnicas de
Inteligncia Artificial, tanto de RBC quanto as de RNA.
91

Figura 31. Diagrama de Pacotes
4.3.2 Diagrama de Classes
No diagrama de classes do prottipo esto representas todas as classes com suas respectivas
relaes. Para tornar a elaborao do prottipo mais organizado, o desenvolvimento de sua
modelagem baseou-se no padro MVC (model view controller), possibilitando fazer a separao da
parte lgica da aplicao (model), da interface (view) e tambm do fluxo da aplicao (controller).
A Figura 32 mostra somente a parte lgica (model), que esto os atributos utilizados no
sistema, e possvel observar as classes professor e aluno que tm uma relao de herana com
a classe usurio, visto que possuem caractersticas semelhantes. Como pode ser notado no
diagrama, o usurio administrador no uma entidade, porm um usurio identificado pelo
sistema como sendo aquele que no nem professor nem aluno. As entidades resposta e
questo so referentes ao questionrio de Inteligncias Mltiplas, o aluno tem vrias respostas,
sendo que cada resposta refere-se a uma questo. A entidade questopk utilizada para
possibilitar a existncia da chave composta da entidade resposta. A entidade ex-aluno a
representao da base de casos passados, utilizada pelo RBC ao fazer a busca de um caso mais
92

similar. A entidade material efetivamente o domnio gerenciado pelo professor e acessado pelo
aluno, e esse acesso ocorre pela turma em que tanto o aluno quanto o professor encontram-se
cadastrados, tornando-se necessrio a criao de uma entidade chamada turma. Para ser possvel
uma avaliao do desempenho dos alunos, incluiu-se uma entidade teste que contm perguntas e
respostas objetivas gerenciadas pelo professor e aplicadas aos alunos.

Figura 32. Diagrama de Classes do STI
O prximo diagrama de classe representa o registro do aluno, no qual so executadas as
implementaes das tcnicas de IA utilizadas neste trabalho. Inicialmente, chamada a classe RBC,
que usa as classes pertencentes biblioteca do jCOLIBRI, retornando o percentual de similaridade
entre o caso novo e a base de casos inicial, denominados como entidade aluno e entidade ex-
aluno, respectivamente.
Na sequncia, a Figura 33 mostra as classes MLP1 e MLP2 sendo executas, nas quais so
geradas as notas das IMs e a quantidade de mdias por IM, respectivamente.
93

Figura 33. Diagrama de Classes RBC e RNA
As classes da RNA do tipo IAC so apresentadas na Figura 34, j que a entidade
HomeAluno faz a leitura do perfil do aluno, que foi gerada pelas RNA MLP1 e MLP2. A partir do
momento que a distribuio inicial do material foi feita, a Rede IAC entra em estado de espera, e
somente ser executada quando o aluno optar por outra mdia sugerida pelo sistema. A Rede IAC
aplica as equaes necessrias baseando-se no vetor de entrada e na matriz de conhecimento.
94

Figura 34. Diagrama de Classes RNA do tipo IAC
4.3.3 Diagrama de Seqncia
O fluxo de processos do sistema apresentado no diagrama de sequncia, possibilitando
visualiz-los, alm de como os objetos colaboram num determinado perodo de tempo. Na Figura
35 mostrada a sequncia de acesso de um novo aluno, e a partir da resposta dos questionrios o
sistema RBC retorna o tipo de material mais adequado. Logo aps, a RNA do tipo MLP volta a
quantidade de mdias, criando assim o perfil inicial do aluno e permitindo o acesso ao contedo.
Assim que houver mudana de mdia a RNA IAC processa essa mudana e faz a atualizao do
perfil do aluno.
95

Figura 35. Diagrama de Seqncia de um novo Aluno
Como pode ser observado na Figura 36, uma das funes do usurio professor incluir o seu
material, tanto para alunos com perfil bsico quanto avanado. Cada assunto permite a insero de
quatro mdias, ou seja, texto, mapa, figura e animao, totalizando quarenta assuntos, divididos em
vinte assuntos para o material bsico e vinte assuntos para o material avanado. Para avaliar os
conhecimentos do aluno, existe a opo de incluir testes no formato de perguntas objetivas, sendo
que a quantidade de perguntas dimensionada pelo prprio professor da disciplina.
96

Figura 36. Diagrama de Seqncia do Professor
O usurio administrador gerencia vrias fases fundamentais para o sistema funcionar de
forma adequada. Uma delas a alimentao da base de casos inicial, onde se encontram os dados de
ex-alunos da disciplina. Tais dados serviro para comparao com os dados de um novo aluno,
atravs da tcnica de RBC, e aps o clculo de similaridade tem-se como resultado o tipo de
material que dever ser acessado pelo novo aluno, recuperados a partir de um dos ex-alunos,
previamente includo pelo administrador. Alm disso, permitido a este usurio realizar
manuteno no cadastro de alunos atuais, professores e turmas, bem como a emisso de relatrios
para anlise do perfil dos alunos. A Figura 37 ilustra esta sequncia de processos.
97

Figura 37. Diagrama de Seqncia do Administrador
4.3.4 Modelo Entidade Relacionamento (MER)
A modelagem de dados foi desenvolvida com a ferramenta Power Designer, utilizada para
criao de diagramas de modelagem voltada para banco de dados. O diagrama da Figuras 38 mostra
as tabelas, atributos e seus respectivos relacionamentos.

98

0..1
0..1
0..*
0..*
0..*
0..*
0..*
0..*
ALUNO
CDUSUARIO
CDTURMA
DSSEXO
DSENSINOFUNDAMENTAL
DSHORASESTUDO
DSJAESTUDOUGERENCIAMENTOREDES
DSJAESTUDOUARQUITETURAREDES
DSJAUSOUFERRAMENTAS
DSJATRABALHOUREDES
DSJATRABALHOUPROJETO
DSJAPOSSUICURSOSUPERIOR
DSTEMPOULTIMOCURSO
DSCONHECIMENTO
DSCONHECIMENTOGERENCIAMENTO
DSTIPOMATERIAL
DSIDADE
DSCODALUNORECUP
DSPERCSIMILARIDADEALUNO
DSULTIMOMATERIALLIDO
DSNOTA_IM_TEXTO_INICIAL
DSNOTA_IM_MAPA_INICIAL
DSNOTA_IM_FIGURA_INICIAL
DSNOTA_IM_ANIMACAO_INICIAL
DSMIDIA_TEXTO_INICIAL
DSMIDIA_MAPA_INICIAL
DSMIDIA_FIGURA_INICIAL
DSMIDIA_ANIMACAO_INICIAL
DSNOTA_IM_TEXTO_ATUAL
DSNOTA_IM_MAPA_ATUAL
DSNOTA_IM_FIGURA_ATUAL
DSNOTA_IM_ANIMACAO_ATUAL
DSPROP_TEXTO_INICIAL
DSPROP_MAPA_INICIAL
DSPROP_FIGURA_INICIAL
DSPROP_ANIMACAO_INICIAL
DSPROP_TEXTO_ATUAL
DSPROP_FIGURA_ATUAL
DSPROP_MAPA_ATUAL
DSPROP_ANIMACAO_ATUAL
INTEGER
INTEGER
VARCHAR(1)
VARCHAR(1)
INTEGER
VARCHAR(1)
VARCHAR(1)
VARCHAR(1)
VARCHAR(1)
VARCHAR(1)
VARCHAR(1)
INTEGER
VARCHAR(1)
VARCHAR(1)
VARCHAR(1)
INTEGER
INTEGER
DOUBLE PRECISION
INTEGER
DOUBLE PRECISION
DOUBLE PRECISION
DOUBLE PRECISION
DOUBLE PRECISION
DOUBLE PRECISION
DOUBLE PRECISION
DOUBLE PRECISION
DOUBLE PRECISION
DOUBLE PRECISION
DOUBLE PRECISION
DOUBLE PRECISION
DOUBLE PRECISION
INTEGER
INTEGER
INTEGER
INTEGER
INTEGER
INTEGER
INTEGER
INTEGER
<pk,fk1>
<fk2>
USUARIO
CDUSUARIO
DSLOGIN
DSSENHA
DSEMAIL
DSNOME
DTCADASTRO
INTEGER
VARCHAR(15)
VARCHAR(35)
VARCHAR(80)
VARCHAR(50)
DATE
<pk>
PROFESSOR
CDUSUARIO INTEGER <pk,fk>
QUESTAO
CDQUESTAO
IDQUESTAO
DSQUESTAO
INTEGER
VARCHAR(20)
VARCHAR(100)
<pk>
MATERIAL
CDMATERIAL
DSTITULO
DSTEXTO
IMIMAGEM
IMMAPA
DSTIPOMATERIAL
CDPROFESSOR
CLANIMACAO
INTEGER
VARCHAR(50)
BLOB
BLOB
BLOB
VARCHAR(1)
INTEGER
BLOB
<pk>
<fk>
RESPOSTA
DSRESPOSTA
CDQUESTAO
CDALUNO
INTEGER
INTEGER
INTEGER
<fk1>
<fk2>
TURMA
CDTURMA
DSDESCRICAO
CDPROFESSOR
INTEGER
VARCHAR(50)
INTEGER
<pk>
<fk>
TESTE
CDTESTE
DSPERGUNTA
DSRESPOSTAA
DSRESPOSTAB
DSRESPOSTAC
DSRESPOSTAD
DSRESPOSTACORRETA
DSTIPOMATERIAL
CDPROFESSOR
INTEGER
VARCHAR(100)
VARCHAR(100)
VARCHAR(100)
VARCHAR(100)
VARCHAR(100)
VARCHAR(1)
VARCHAR(1)
INTEGER
<pk>
<fk>

Figura 38. Modelo Entidade-Relacionamento
Observa-se inicialmente uma especificao das entidades Aluno e Professor, em que ambas
so denominadas como entidades do tipo Usurio do sistema, sendo que cada professor
99

responsvel pelo material de uma turma, fazendo-se necessrio a existncia das entidades Turma e
Material. A entidade Teste possibilita a incluso de avaliao por parte do professor, objetivando
conhecer o desempenho de cada aluno. Durante o cadastro, o aluno responde questes pertinentes
ao seu perfil, armazenadas na entidade Resposta, sendo que est relacionada com a entidade
Questo.
4.3.5 Tecnologias para o Desenvolvimento
Aps definir os requisitos para elaborao do modelo proposto, definiram-se as ferramentas
necessrias para o seu desenvolvimento, conforme ilustrado na Figura 39. No esquema, visualiza-se
as funcionalidades, bem como a arquitetura de implementao do prottipo com as respectivas
tecnologias empregadas, finalizando com as bases de conhecimento utilizadas nas tcnicas de
inteligncia artificial, tanto RBC quanto RNA.

Figura 39. Esquema da estrutura do prottipo
A linguagem de programao Java foi selecionada para o desenvolvimento do prottipo,
visto que possui caractersticas relevantes, principalmente a tecnologia J2EE (Java 2 Enterprise
Edition), que permite a implementao de aplicaes voltados para Web (SUN MICROSYSTEMS,
100

2009). A plataforma J2EE necessita de um servidor de aplicao para a hospedagem, sendo que se
optou pelo servidor de aplicaes Apache Tomcat, por ser software livre e por suportar tanto
pequenas quanto grandes aplicaes.
O ambiente de desenvolvimento utilizado foi o Eclipse por possuir os plugins e bibliotecas
necessrias para a programao do prottipo, tais como: hibernate, JSF (Java Server Faces),
jColibri e Joone.
No prottipo escolheu-se o SGBD (Sistema Gerenciador de Banco de Dados) Firebird, pois
alm de ser gratuito, pode ser utilizado com diversos sistemas operacionais e por vrios usurios ao
mesmo tempo. O Firebird utilizado para armazenar os dados do sistema, bem como a base de
casos de ex-alunos, que servir ao sistema RBC.
O hibernate utilizado para viabilizar rotinas de persistncia de dados que ocorre entre o
sistema, que tem uma abordagem orientada a objetos, com o banco de dados relacional, ou seja,
uma ferramenta para mapear classes Java em tabelas do banco de dados e vice-versa.
O uso do JSF permite maior facilidade na criao de interfaces, principalmente por estar
incorporado na especificao J2EE, tornando gil o desenvolvimento de aplicaes web e
aumentando a produtividade, pois a sua arquitetura define uma separao entre a lgica da
aplicao e a apresentao (SUN MICROSYSTEMS, 2010).
O jColibri foi escolhido como framework para o desenvolvimento do RBC, pois contm
caractersticas que facilitam a manipulao de casos (GAIA, 2007). Esta ferramenta permite que os
conceitos relacionados ao domnio possam ser mapeados s classes escritas em linguagem Java.
Este um requisito fundamental, visto que a integrao entre a ferramenta ser feita com Java. A
Figura 40 ilustra a integrao do Java com o jColibri.
101

Figura 40. Arquitetura em duas camadas do jColibri
Fonte: Gaia (2007).
De acordo com Gaia (2007), a arquitetura de integrao entre o jColibri e o Java tem como
ideia principal a separao em duas camadas, chamadas de caixa preta e caixa branca. A caixa preta
refere-se a uma interface grfica para elaborao de um sistema RBC, voltado para no
desenvolvedores, que se encontra ainda em desenvolvimento e, portanto no disponvel. A caixa
branca um ambiente aberto, como o prprio nome sugere, pois o desenvolvedor tem acesso total
ao programa fonte, contendo inclusive as classes utilizadas nos clculos de similaridade. Tais
classes foram includas no STI, resolvendo assim a recuperao de casos mais similares.
Para implementao das Redes Neurais, utilizou-se o framework Joone (Java Object
Oriented Neural Engine), que um software livre destinado construo e execuo baseada em
RNA (MARRONE, 2008). Na Figura 41, apresentada a interface do Joone, onde possvel a
criao de estruturas de Redes Neurais, bem como o treinamento, a gerao de pesos e sua
execuo.
102

Figura 41. Framework Joone
Na Figura 42, observa-se a estrutura da RNA MLP1, que tem como funo gerar as notas de
IM, a partir da resposta do questionrio de trinta perguntas. Para a fase de treinamento da rede
MLP1, existem dois arquivos de entrada (File Input), sendo que um contm os dados de entrada e
outro os dados da sada esperada. Os dados de entrada correspondem s respostas das trinta
perguntas, respondidas por cento e vinte e quatro alunos no experimento de Barbosa (2004). Os
dados da sada esperada so as notas das IM, tambm originadas do mesmo experimento.
A camada de entrada composta por trinta neurnios, que correspondem as trinta respostas
recebidas atravs dos dados de entrada. Na camada intermediria, existem dez neurnios e na
camada de sada quatro, que correspondem s quatro notas da IM. O ajuste dos pesos realizado
durante o treinamento da rede, com taxa de erro abaixo de 0,053 e 5.000 pocas, como pode ser
observado nos parmetros exibidos na Figura 42. Para ratificar-se que o treinamento da rede foi
bem sucedido, utilizou-se como base a taxa de erro e comparou-se a sada esperada com a sada real
(File Output), conforme Anexo C, concluindo-se que tais resultados foram satisfatrios.

Figura 42. Estrutura Rede MLP1
103

A Figura 43, tambm na fase de treinamento, mostra que a Rede MLP2 utiliza outros dois
arquivos (File Input), que contm na camada de entrada quatro neurnios referentes s notas de IM,
na camada intermediria so oito neurnios e na camada de sada quatro neurnios, representando a
quantidade de mdias. Como a taxa de erro e a comparao entre a sada esperada e a sada real
foram satisfatrias, considerou-se a rede treinada e pronta para ser executada.

Figura 43. Estrutura Rede MLP2
Com as duas redes treinadas, obtem-se os pesos, que sero fundamentais durante a execuo
da RNA, possibilitando bons resultados na distribuio das mdias. A seguir integra-se Joone com
Java para que a RNA possa funcionar no prottipo e conhecer o perfil inicial dos futuros alunos.
A conexo foi possvel exportando-se as duas Redes (MLP1 e MLP2), atravs da gerao de
arquivos serializados importados atravs do cdigo Java. Na Figura 44, tem-se um trecho de cdigo
referente a essa importao, mostrando o mtodo restoreNeuralNet, que recebe como parmetro o
nome do arquivo exportado pelo Joone e tem como retorno um objeto do tipo NeuralNet.
public NeuralNet restoreNeuralNet(String filename) {
NeuralNetLoader loader = new NeuralNetLoader(filename);
NeuralNet neuralNet = loader.getNeuralNet();
return neuralNet;
}
Figura 44. Integrao Joone e Java
A partir do momento em que os arquivos foram importados, a RNA est pronta para
execuo e para receber as respostas do questionrio de inteligncias mltiplas realizada pelo novo
aluno. Tais respostas correspondem aos dados de entrada para a execuo da MLP1, os resultados
104

(notas da IM) sero os dados de entrada para execuo da MLP2, tendo como resultado final a
quantidade de mdias.
A atualizao do perfil do aluno ocorre com a modificao das mdias realizada pelo prprio
aluno, sendo que a RNA do tipo IAC acionada neste momento. Ao executar a RNA IAC, utiliza-
se a matriz de conhecimento de Dazzi (2007), contendo os cento e vinte e quatro casos e seus
respectivos dados, conforme expressa resumidamente a Figura 45. Os grupos IM1, IM2, IM3 e IM4
correspondem s notas de IM, os grupos Mid1, Mid2, Mid3 e Mid4 representam a quantidade de
mdias e o grupo Casos contm o conhecimento da matriz (primeiras trs colunas) e o caso novo
(ltima coluna) da rea referente a Casos.

Figura 45. Exemplo reduzido da matriz de pesos da rede IAC
Fonte: Dazzi (2007)
A matriz de conhecimento, que serve de base para a Rede Neural do tipo IAC, foi
implementada diretamente no sistema como sendo uma matriz contendo valores pertinentes
tcnica adotada.
105

4.4 CONSIDERAES GERAIS SOBRE O SISTEMA VITOR
No incio do desenvolvimento do sistema foi criado um prottipo com o objetivo de analisar
a aderncia da tcnica de RBC ao problema. Com a aplicao desse prottipo foi possvel verificar
se a busca dos casos mais similares ocorria de forma correta, objetivando analisar a tcnica de
RBC.
Nos primeiros testes utilizou-se uma base com dados hipotticos, trazendo como resultado
final qual o caso recuperado, a similaridade e o tipo de material atribudo. Na Figura 46
apresentada uma similaridade de 97,10 % atravs da IDE do eclipse, permitindo assim a
recuperao do caso cujo cdigo 157. Automaticamente o caso novo retido na base de
conhecimento, que poder servir aos futuros novos casos.

Figura 46. Resultado de recuperao de caso (similaridade)
Tal resultado demonstrou uma etapa fundamental do prottipo, caracterizando o
funcionamento da inteligncia do sistema, que vai proporcionar a seleo do tipo de material
adequado ao aluno.
A partir desses testes desenvolveu-se o sistema propriamente dito com a incluso das Redes
Neurais de acordo com os trabalhos de Barbosa (2003) e Dazzi (2007).
106

5 EXPERIMENTOS E ANLISE DOS RESULTADOS
Para esta dissertao as Inteligncias Mltiplas serviram como base terica dentro de uma
proposta pedaggica construtivista. Tal proposta foi traduzida em situaes de ensino e
aprendizagem, atravs do uso das tcnicas de Raciocnio Baseado em Casos e Redes Neurais
Artificiais, utilizando material didtico personalizado, elaborado nos nveis bsico e avanado, nas
mdias texto, mapa conceitual, figura e animao.
O primeiro resultado obtido foi o desenvolvimento do software VITOR que permite aos
alunos estudarem distncia atravs de uma interface adaptativa, respeitando o perfil de cada um.
No segundo resultado elaborou-se o material multimdia, cujo contedo escolhido foi o de
Gerenciamento e Monitoramento de Redes de Computadores, possibilitando que professores de
Cursos de Graduao, com aplicao na rea de redes, utilizem o software como apoio ao ensino.
A fim de que o sistema fosse disponibilizado para acesso via web, utilizou-se um servidor
(Intel Core 2 Due E7200 com 4 gigabyte de memria RAM, processador 2.8 Gigahertz e disco
rgido com 1 terabyte). Tal servidor est localizado na cidade de Blumenau com acesso Internet
atravs de um link com velocidade de 3 megabytes.
Buscou-se o terceiro resultado atravs da validao do software, por meio de aplicao de
experimentos. Para avaliar o desempenho e a motivao dos alunos, foi aplicado o experimento em
trs turmas que totalizaram trinta e quatro alunos, sendo o primeiro aplicado na turma de alunos dos
cursos de Cincia e Engenharia da Computao da UNIVALI, no Campus de So Jos, a segunda
na turma de Redes de Computadores da UNIASSELVI, no Campus de Guaramirim, e a terceira na
turma de Cincias da Computao da UNIVALI, no Campus de Itaja.
Cada turma foi dividida ao meio em grupo de controle e grupo experimental, possibilitando
a comparao e anlise dos resultados. O sistema no aplicou as tcnicas de IA para os alunos do
grupo de controle, definindo-se apenas o material de nvel bsico na mdia texto. O grupo
experimental usufruiu das tcnicas de IA, contando com a seleo do material adequado ao seu
nvel de conhecimento e em vrias mdias.
Antes de iniciar a aula foi explicado aos alunos que se tratava de um experimento com o
objetivo de avaliar um software para cursos de ensino distncia, cujo contedo j fazia parte da
107

disciplina. No foi mencionado aos alunos que haveria um grupo de controle e um grupo
experimental, sendo que o prprio software fez a distribuio dos grupos sem que os alunos
percebessem. Aps as ltimas instrues de acesso ao sistema, os alunos iniciaram o cadastro,
respondendo o primeiro questionrio (Apndice A), o segundo questionrio (Anexo A) e em
seguida realizaram um pr-teste (Apndice C), com 15 questes sobre Gerenciamento e
Monitoramente de Redes.
Aps isto, teve incio o estudo do material dividido em 20 assuntos. Por fim, os alunos
responderam ao ps-teste (Apndice C) com as mesmas 15 questes do pr-teste, a seguir
responderam um questionrio de usabilidade do sistema (Anexo B).
A avaliao da usabilidade foi baseada no projeto Ergolist (2008), que apresenta questes
objetivas para avaliao de critrios ergonmicos, possibilitando a validao de interfaces. Para este
trabalho foram selecionadas vinte e uma questes, incluindo uma questo aberta, em que o aluno
pde expressar suas crticas, elogios e comentrios referentes ao sistema Vitor.
As anlises dos experimentos esto divididas em dois momentos, uma relativa ao
desempenho dos alunos e outra relativa usabilidade do sistema.
5.1 EXPERIMENTO EM SO JOS
O experimento que aconteceu na UNIVALI no campus de So Jos foi realizado no dia 12
de agosto no perodo noturno com sete alunos. Foi utilizado o laboratrio de informtica equipado
com um computador (Lenovo Pentium D, com 1 gigabyte de memria RAM, disco rgido com 80
gigabytes e monitores de 17 polegadas) para cada aluno, com acesso a Internet atravs de um link
com velocidade de 54 megabytes.
Os alunos do experimento de So Jos levaram 1 hora e 29 minutos para finalizar toda a
leitura do material e respostas aos questionrios, ficando evidente a excelente velocidade de acesso
durante as mudanas de tela do sistema, com velocidade mdia de download de 1.156,72 Kbps e
upload de 967,76 Kbps, mostrando boa performance mesmo na apresentao das animaes.

108

5.1.1 Anlise dos Resultados de So Jos
Aps a aplicao do experimento realizou-se a anlise dos resultados. A Tabela 6 apresenta
os resultados individuais de desempenho dos alunos do grupo de controle e do grupo experimental.
Tabela 6. Desempenho (Alunos So Jos)

Como pode ser observado, houve uma melhoria na mdia de acertos de ambos os grupos,
considerando pr-teste e ps-teste. Porm, o comportamento mais homogneo ocorreu no pr-teste
do grupo de controle (0,58). J o maior desvio padro, ou seja, o nmero de acertos mais
heterogneo ocorreu no ps-teste do grupo experimental.
No experimento de So Jos, se considerar somente os acertos, no possvel avaliar a
contribuio do sistema para melhoria do desempenho do aluno. Pode-se considerar como fatores
que influenciaram os resultados o fato de alguns alunos buscarem as respostas do questionrio na
Internet, j que o acesso estava livre.
Quanto a distribuio do tipo de material, que foi realizada pelo sistema RBC, o grupo
experimental foi composto por trs alunos, conforme Tabela 7.

109

Tabela 7. Tipo de Material (Alunos So Jos)

Aps o cruzamento dos atributos com a base de casos inicial, as similaridades obtidas foram
de 88%, 96%, 86% permitindo que dois alunos recebessem o material bsico e um aluno o material
avanado, os quais foram includos automaticamente na base de casos, respeitando assim o limiar
de 60%.
Notou-se que, o aluno que recebeu o material avanado acertou nove das quinze questes do
pr-teste, mostrando a deciso correta do sistema RBC, j que a maioria dos alunos no teve tantos
acertos antes da leitura do material.
A Tabela 8 mostra a distribuio das mdias para o experimento de So Jos, contendo o
percentual das quantidades de mdias para o perfil inicial e perfil atual.
Tabela 8. Mdias (Alunos So Jos)

As mdias texto, mapa, figura e animao foram modificadas vrias vezes por todos os
alunos, o perfil atual quantificou 15% texto, 45% mapa, 30% figura e 10% animao, apontando
uma preferncia maior pela mdia mapa e menor pela mdia animao.

110

5.1.2 Anlise da Usabilidade do Experimento de So Jos
Na avaliao da usabilidade do experimento de So Jos, o grupo de controle apontou que
100% dos alunos responderam Sim para os critrios presteza, feedback e compatibilidade (ver
Anexo B). Nos demais critrios, a resposta Sim variou de 25% a 75%, exceto nos critrios reuso
do software e experincia do usurio (Anexo B) em que nenhum aluno respondeu positivamente. J
no grupo experimental quinze critrios ergonmicos obtiveram aprovao de 100% dos alunos, o
que mostra grande aprovao quando comparados com o grupo de controle. O critrio legibilidade e
apresentao do material contaram com 67% Sim e 33% Parcialmente, o critrio aes
explcitas ficou em 67% Sim e 33% para No, o critrio proteo contra erros ficou com 67%
Sim e 33% No se aplica e o critrio correo de erros com 33% Sim e 67% No se aplica.
Os grficos em pizza representados pela Figura 47 mostram os critrios de usabilidade que ainda
podem ser melhorados.

Figura 47. Grficos do grupo experimental de So Jos
Considerando o que foi constatado nos grficos, notou-se que ocorreram ainda algumas
crticas nos comentrios da questo aberta tais como, incluso dos botes (anterior e prximo) no
final das pginas para cada assunto lido, indicativo de progresso total dos assuntos, definio de
111

siglas no idioma original em algumas partes do material e melhorar o layout das questes de pr-
teste e ps-teste.
Todas as sugestes de melhorias foram realizadas antes da aplicao do segundo
experimento, possibilitando assim uma melhor avaliao da usabilidade do software.
5.2 EXPERIMENTO EM GUARAMIRIM
No dia 19 de agosto, no Campus da UNIASSELVI, que est localizado na cidade de
Guaramirim, foi realizado o experimento com quatorze alunos do curso Superior de Redes de
Computadores, que aborda o contedo de gerenciamento de redes em uma de suas disciplinas. No
laboratrio de informtica, cada aluno teve acesso a um computador (Pentium III com 512
megabytes de RAM, 80 gigabytes de disco rgido e monitores de 15 polegadas) para a realizao do
experimento. Um link de acesso a Internet que a universidade possui de 4 Mbps. A turma de
Guaramirim levou 1 hora e 45 minutos para finalizar por completo o acesso ao sistema, influenciada
fortemente pelo baixo desempenho de acesso a Internet. Para que o problema de desempenho no
influenciasse ainda mais a rede, optou-se por fazer apenas uma medida de velocidade durante o
experimento, registrando-se download de 248 Kbps e upload de 936 Kbps.
5.2.1 Anlise dos Resultados de Guaramirim
No experimento, os alunos foram divididos pelo sistema sendo sete do grupo de controle e
sete do grupo experimental. A Tabela 9 apresenta a aplicao do segundo experimento com os
respectivos grupos, acertos no pr-teste, acertos no ps-teste e percentual de melhoria.
112

Tabela 9. Desempenho (Alunos Guaramirim)

O aluno representado pelo pseudnimo Experimental 7 acertou seis respostas no pr-teste e
nove no ps-teste. O Experimental 3 acertou onze questes no pr-teste e quatorze no ps-teste. Isto
demonstra que o sistema VITOR selecionou para o Experimental 7 o material bsico e para o
Experimental 3 o material avanado, o que comprova uma deciso correta da tcnica de RBC, visto
que a distribuio do material foi de acordo com o nvel de conhecimento dos alunos.
O Tipo de material atribudo a cada aluno apresentado na Tabela 10, com os respectivos
percentuais de similaridade. A menor similaridade entre os casos foi de 81% e a maior de 99%, com
quatro alunos recebendo o material avanado para leitura e trs o material bsico.

113

Tabela 10. Tipo de Material (Alunos Guaramirim)

A distribuio das mdias realizada pelas Redes Neurais no experimento de Guaramirim
representada pela Tabela 11.
Tabela 11. Mdias (Alunos Guaramirim)

Comparando-se o perfil inicial e atual dos alunos constatou-se que as mdias texto, mapa,
figura e animao iniciaram com a mesma quantidade correspondendo a 25% cada mdia, no perfil
atual notou-se mudanas de mdias. Os dados revelam pouca diferena entre as mdias,
demonstrando equilbrio das inteligncias mltiplas dos alunos dessa turma.

114

5.2.2 Anlise da Usabilidade do Experimento de Guaramirim
As respostas dos alunos durante a avaliao de usabilidade mostrou que, no grupo de
controle de Guaramirim, os critrios presteza, feedback, densidade informacional, experincia do
usurio, compatibilidade e reuso de software tiveram 100% de aprovao, com os demais critrios
variando entre as repostas No, No se aplica e Parcialmente. O grupo experimental
demonstrou novamente maior nmero de critrios com 100% de Sim, entretanto, como pode ser
verificado na Figura 48, existem critrios a serem melhorados.

Figura 48. Grficos do grupo experimental de Guaramirim
Atenta-se ao critrio aes explcitas, que 57% dos alunos acreditam que no existem aes
explcitas do software, contra 43% que responderam existir aes explcitas. Os outros critrios que
merecem ateno so o de proteo contra erros e controle do usurio, com 29% e 14% de respostas
negativas, respectivamente. Os demais critrios tiveram respostas variando entre Sim,
Parcialmente e No se aplica.

115

5.3 EXPERIMENTO EM ITAJA
No dia 31 de agosto aplicou-se o experimento com treze alunos na UNIVALI do campus de
Itaja.Neste experimento cada aluno teve acesso a um computador (HP Compac Pentium 4 com 1
gigabyte de memria RAM, disco rgido de 80 gigabytes, monitores de 15 polegadas) e link de
acesso Internet de 54 megabytes.
A durao do experimento foi de 1 hora e 16 minutos, mostrando ser a turma mais rpida
para finalizar as tarefas. A velocidade de acesso a Internet foi menor do que se esperava, visto que o
link de acesso o mesmo do primeiro experimento. O velocmetro apontou uma mdia de 117,61
Kbps de download e 1.309,24 Kbps de upload, com um total de cinco medies entre os horrios de
19h05 e 20h26.
5.3.1 Anlise dos Resultados de Itaja
A Tabela 12 mostra a quantidade de acertos do ltimo experimento com as respectivas
mdias e desvio padro.
Tabela 12. Desempenho (Alunos Itaja)

116

No experimento de Itaja o grupo de controle teve como mdia de pr-teste 6,33 e desvio
padro 1,51, com mdia de ps-teste de 9,83 e desvio padro de 2,79 (maior desvio padro entre
todos os experimentos). O grupo experimental obteve como mdia de pr-teste 6,86 com desvio
padro de 1,57, sendo que o ps-teste ficou com mdia 9,43 e desvio padro 1,27.

Tabela 13. Tipo de Material (Alunos Itaja)

Da turma de treze alunos, o sistema selecionou sete alunos (Tabela 13) para compor o grupo
experimental, os quais foram calculadas as similaridades que variaram entre 80% e 99%,
atribuindo-se assim o material mais adequado, resultando em trs materiais do tipo avanado e
quatro do tipo bsico.
Tabela 14. Mdias (Alunos Itaja)

Das mdias acessadas durante a leitura do material (Tabela 14), aquela que recebeu maior
interesse foi a mdia figura, com 35% se comparada com as mdias texto, mapa conceitual e figura,
117

que ficaram com 20%, 15% e 30% respectivamente. Observou-se que um dos alunos mostra
desequilbrio entre as mdias, pois seu perfil atual ficou em quatro mdias texto, uma mdia mapa
conceitual, duas mdias figura e treze mdias do tipo animao. Os demais alunos tiveram uma
quantidade de mdias relativamente equilibrada desde a montagem de seu perfil inicial at o trmino
da leitura do material, compondo assim seu perfil atual.
5.3.2 Anlise da Usabilidade do Experimento de Itaja
O nvel crtico da avaliao de usabilidade dos alunos de Itaja foi nitidamente maior, tanto
no grupo de controle quanto no grupo experimental. Nenhum dos critrios avaliados pelo grupo de
controle conseguiu mais de 83% de Sim, sendo que o critrio pior avaliado foi de flexibilidade
com 100% de No. O grupo experimental recebeu 100% de Sim apenas nos critrios
significados e compatibilidade, na grande maioria dos critrios obteve como avaliao
Parcialmente. A Figura 49 apresenta os critrios que tiveram pior avaliao e que merecem
ateno especial para o grupo experimental.

Figura 49. Grficos do grupo experimental de Itaja

118

O critrio agrupamento por formato, que busca fazer uma distino visual entre os itens
disponveis na tela, foi avaliado por 57% dos alunos como atingido, 29% como Parcialmente
atingido e 14% no atingido. Os critrios aes explcitas e proteo contra erros so recorrentes
desde o primeiro experimento, com 14% de No neste experimento. O critrio flexibilidade, que
diz respeito possibilidade do aluno ter vrias formas de efetuar uma tarefa, foi reprovado por 14%
dos alunos, necessitando de melhorias neste aspecto. Com 14% de No tambm ficou o critrio
apresentao do material, porm 72% responderam Sim e 14% Parcialmente, mostrando uma
avaliao razovel, porm que pode ser melhorada.
5.4 ANLISE GERAL
A seguir sero discutidas as anlises de maneira geral, contemplando os experimentos
aplicados nas cidades de So Jos, Guaramirim e Itaja.
5.4.1 Anlise Geral de Desempenho
Durante a aplicao dos experimentos observou-se que, mesmo com as orientaes dadas
aos alunos, muitos foram os que durante as respostas do pr-teste e do ps-teste, consultaram a
Internet para descobrir a resposta correta. Sempre que notada tal ocorrncia gentilmente pediu-se
que o aluno no consultasse a Internet, objetivando tornar os dados estatsticos fiis de fato.
Entretanto, a nica forma de garantir que os alunos no consultem a Internet bloquear o
acesso mesma. Como o sistema estava sendo acessado via web, no foi possvel resolver esta
situao. Porm, notou-se que muitos alunos eram displicentes com o experimento, buscando
apenas passar os assuntos sem a devida ateno.
Os alunos que realmente contriburam foram aqueles que permaneceram por mais tempo
estudando o material, fazendo anotaes e auxiliando para a melhoria do sistema com os
comentrios no final do experimento.
5.4.2 Anlise Geral da Usabilidade
Quanto avaliao geral da usabilidade, no experimento de Guaramirim o grupo de controle
teve uma evoluo frente ao primeiro experimento, seis critrios ergonmicos receberam 100% de
119

aprovao dos alunos, entretanto o grupo experimental mais uma vez teve larga vantagem com
quatorze critrios com 100% de Sim. Entretanto o experimento de Itaja surpreendeu em ambos
os grupos, sendo que o grupo de controle no obteve 100% de aprovao em nenhum dos critrios e
o grupo experimental recebeu 100% de aprovao somente em dois critrios, mostrando que o nvel
crtico desta turma foi maior.
Objetivando analisar o que ainda pode ser melhorado para o grupo experimental, observou-
se os critrios que se repetiram como no tendo 100% de aprovao entre o primeiro, segundo e
terceiro experimento, representados na Figura 50.

Figura 50. Grficos com critrios repetitivos
O critrio aes explcitas possibilita que o aluno confirme suas aes, evitando assim erros
ou enganos. No final das respostas de cada questionrio pedido uma confirmao, tendo a
percepo de que o aluno, explicitamente, ratifique tudo o que respondeu. Como no houve
comentrios descritivos referente a esse critrio, no foi possvel identificar qual melhoria poderia
ser realizada.
No critrio proteo contra erros verificou-se o problema que ocorreu com um aluno no
primeiro e outro no segundo experimento. Durante o uso do sistema os acessos destes alunos
simplesmente paralisaram, sem nenhuma mensagem de erro por parte do software ou mesmo do
sistema operacional, no sendo possvel identificar a causa. A soluo durante os experimentos foi a
realizao de novo login por esses dois alunos, transcorrendo tudo perfeitamente a partir deste
momento, no afetando o restante dos alunos. No terceiro experimento este problema no
aconteceu, entretanto um dos alunos no conseguiu mais acesso e teve que trocar de computador.
120

Como resultado global pode-se constatar que houve maior satisfao dos alunos do grupo
experimental, que demonstraram interesse em utilizar o software para aprender outros assuntos da
disciplina. Portanto, verifica-se com isso que a motivao dos alunos que utilizaram o material
multimdia maior. Tal constatao teve reflexos tambm nos comentrios da questo discursiva,
com observaes positivas referentes ao software, como: muito bom, parabns, muito interessante e
o software foi de timo proveito.
Verificando as hipteses apontadas no incio do trabalho, que foram a de melhorar o
desempenho e aumentar a motivao dos alunos, pode-se chegar concluso que ambas as
hipteses foram comprovadas, sendo que a primeira atravs da aplicao de pr-teste e ps-teste e a
segunda com o questionrio de usabilidade.
121

6 CONCLUSO
A proposta deste trabalho de auxilio ao aluno no processo de ensino e aprendizagem,
atravs de um sistema computacional que melhore o seu desempenho e motivao. Com o
desenvolvimento de um Ambiente de Aprendizagem Inteligente, seguindo a Teoria das
Inteligncias Mltiplas e o uso de tcnicas de IA foi possvel tornar o sistema capaz de conhecer o
perfil de cada aluno, simulando a capacidade de raciocinar do professor e adaptando o contedo a
ser ensinado.
O Ambiente de Aprendizagem Inteligente desenvolvido contempla o uso de hipermdia
adaptativa, sendo que a metodologia de adaptao das diversas mdias que o sistema realiza
comprovou-se por diversos trabalhos (BARBOSA, 2004; DAZZI, 2007; PAIM, 2006). O material
multimdia foi elaborado nas mdias texto, mapa conceitual, figura e animao, os quais so
distribudos de acordo com o perfil de cada aluno atravs do uso da tcnica de RNA MLP e
atualizados com a RNA IAC.
O sistema conta ainda com a tcnica de RBC, que traz novos horizontes no que se refere
estratgia pedaggica adotada. A tcnica define que tipo de material (bsico ou avanado)
adequado quele aluno, buscando a similaridade numa base de casos inicial, que pode receber novos
casos a medida que o sistema utilizado. Com isso, ocorre uma dupla adaptatividade, permitindo
melhorar a aprendizagem do domnio selecionado no experimento, que para este trabalho foi o de
Gerenciamento e Monitoramento de Redes de Computadores.
A contribuio deste trabalho mostrou-se relevante com o aceite de publicao do artigo
intitulado Um Ambiente de Aprendizagem Inteligente com Hipermdia Adaptativa para Apoio ao
Ensino, no I Congresso de Inovao, Tecnologia e Sustentabilidade ocorrido na cidade de Brusque,
ainda que, at a data da submisso do artigo, no havia sido aplicado os experimentos necessrios
avaliao e validao do sistema.
Os experimentos contaram com a participao de trinta e quatro alunos distribudos em trs
turmas de cursos Superiores, aplicados nas cidades de So Jos, Guaramirim e Itaja. Dividiu-se as
turmas em grupo de controle e grupo experimental, permitindo a comparao e a anlise dos
resultados. Mesmo com as particularidades de cada uma, os alunos do grupo experimental
apresentaram, em geral, melhor desempenho e maior motivao durante a leitura do material.
122

Entretanto, ambos os grupos aprovaram o sistema como opo de apoio ao ensino, solicitando
inclusive mais atividades desse tipo.
Entretanto os resultados ficaram muito aqum das expectativas, esperava-se um desempenho
superior do grupo experimental. Durante a anlise dos resultados verificaram-se problemas durante
a realizao dos experimentos que indicam possveis alteraes dos dados, mostrando a necessidade
de novos experimentos que evitem tais dificuldades. Sendo assim, ser descrito nos prximos
pargrafos as principais ameaas, que tornam este trabalho fonte relevante de contribuio com o
relato das ameaas identificadas, possibilitando evit-las em trabalhos futuros.
O uso da Internet para acesso ao sistema VITOR possibilitou fcil consulta aos sites de
procura, permitindo que os alunos encontrassem as respostas do pr-teste e ps-teste. Apesar da
orientao inicial, flagraram-se por vrias vezes alguns alunos respondendo os testes consultando a
Internet. Para evitar este problema o mais adequado que o experimento seja realizado com acesso
ao servidor local, sem uso da Internet, tornando os resultados mais fiis.
Nos laboratrios utilizados para os experimentos os alunos estavam posicionados lado a
lado, facilitando a consulta de respostas dos vizinhos, ameaando novamente a fidelidade dos dados
analisados. O uso de divisrias entre os alunos poderia evitar tais consultas.
A conscientizao dos alunos para que participem do experimento, sem utilizarem consultas
inadequadas com o nico objetivo de aumentar o acerto nos testes, tambm poder ajudar a
minimizar a alterao dos dados. Antes dos alunos comearem a usar o sistema explicou-se como
funcionaria o experimento enfatizando-se que no seria contabilizado como nota para a disciplina,
mesmo assim notou-se a necessidade de uma conscientizao maior. Inclusive houve a necessidade
de eliminar dois alunos no primeiro experimento, pois estavam apenas passando os assuntos sem
nenhuma ateno e respondendo os testes de forma displicente, sem nem mesmo ler as perguntas.
Uma forte ameaa aos resultados foi o prprio material multimdia que, apesar de
comentrios positivos durante a avaliao de usabilidade, pode ter influenciado no desempenho,
visto que no elaborou-se uma super produo cinematogrfica, principalmente na mdia
animao e figura, por se tratar de um prottipo. Acredita-se que melhorando a qualidade das
mdias e incluindo-se a mdia udio, conseguir-se-ia maior desempenho do grupo experimental.
123

Eliminando-se as ameaas citadas anteriormente e aplicando-se o experimento com um
nmero de alunos maior, possivelmente os resultados sero tambm diferentes. Porm, durante a
anlise dos dados e das ameaas, percebe-se algumas desconfianas. Ser que o perfil dos alunos
mudou significativamente nas ltimas dcadas, refletindo tais mudanas nas pequenas diferenas de
desempenho entre o grupo de controle e o grupo experimental? Ser que a utilizao de material
multimdia traz efeitos mais significativos das sries iniciais at o nvel tcnico?
A subjetividade que naturalmente existe no ensino faz com que muitas vezes os nmeros e
dados estatsticos no reflitam a abrangncia do assunto, portanto alm dos nmeros, a observao e
a descrio foram essenciais a este trabalho, contribuindo para o avano das pesquisas na rea da
educao, das inteligncias mltiplas e das tcnicas de inteligncia artificial.
6.1 CONTRIBUIES
Este trabalho teve como objetivo contribuir para a rea de Informtica na Educao atravs
da associao de RNA e RBC com o intuito de aperfeioar a distribuio de materiais instrucionais.
Desta forma, as principais contribuies so:
Estudar a integrao do RBC e RNA como forma de distribuio de contedos no
sistema tutor;
Para a rea de Redes de Computadores onde se tem uma ferramenta que pode ser
utilizada para o ensino de diversos contedos instrucionais na rea.
6.2 TRABALHOS FUTUROS
Algumas melhorias foram constatadas durante o desenvolvimento deste trabalho, as quais
permitem aprimorar e dar continuidade em futuras pesquisas, que incluem:
Utilizao de maior nmero de mdias, que representem mais Inteligncias Mltiplas;
Desenvolvimento de uma ferramenta que facilite e agilize a elaborao de material
multimdia;
124

Aumentar as possibilidades de tipos de material para bsico, mdio, avanado e
superavanado;
Adaptar o sistema para que o mesmo possa se tornar um ambiente colaborativo.
125

REFERNCIAS
ABRAE. Associao Brasileira de Estudo das Inteligncias Mltiplas e Emocional, 2005.
Disponvel em: <http://www.abrae.com.br/>. Acesso em: 23 abril 2010.

AbraEAD. Anurio Brasileiro Estatstico de Educao Aberta e a Distncia, 2008. Disponvel
em: <http://www.abraead.com.br/noticias.cod=x1.asp>. Acesso em: 18 abril 2010.
ANTUNES, Celso. Como Identificar em Voc e em Seus Alunos as Inteligncias Mltiplas.
Petrpolis: Vozes, 2001.
ARARIBIA, G. Inteligncia Artificial: Um Curso Prtico. Rio de Janeiro: Livros Tcnicos e
Cientficos Editora Ltda., 1988.
ARAJO, Rosa. Como Desenvolver minha Criatividade?, 2010. Disponvel em:
<http://www.romanegocios.com.br/fique-por-dentro/4881-criatividade-e-inteligencia>. Acesso em:
14 abril 2010.
ARMSTRONG, Thomas. Inteligncias Mltiplas na Sala de Aula. Porto Alegre: Artmed, 2001.
BARBOSA, Andra Teresa Riccio. Mecanismo de Adaptao Baseado em Redes Neurais
Artificiais para sistemas Hipermdia Adaptativos. Tese (Doutorado). Universidade Federal de
Santa Catarina. Departamento de Ps-graduao em Engenharia Eltrica. Florianpolis, 2004.
BARBOSA, Andra Teresa Riccio. Metodologia para o desenvolvimento de um site com interface
adaptativa usando redes neurais e a teoria das Inteligncias Mltiplas. XIV Simpsio Brasileiro de
Informtica na Educao. Rio de Janeiro, 2003, Anais do..., 2003.
BARRETO, Jorge Muniz. Inteligncia Artificial no Limiar do Sculo XXI. Florianpolis: PPP
Edies, 2001.
BEHAR, Patrcia Alejandra; LEITE, Silvia Porto Meirelles; BERNARDI, Maira; SANTOS, Maria
Carolina Colombo dos; SCHNEIDER, Daisy. ET: Uma Ferramenta para Construo de Textos
Coletivos. In Anais do VII Congresso Iberoamericano de Informtica na Educao, Monterry,
2004.
BITTENCOURT, Guilherme. Inteligncia Computacional, 2008. Disponvel em: <
http://www.das.ufsc.br/gia/softcomp/>. Acesso em: 6 novembro 2008.
BOCCA, Everton Weber; JAQUES, Patrcia; VICARI, Rosa. Modelagem e Implementao da
Interface para Apresentao de Comportamentos Animados e Emotivos de um Agente
Pedaggico Animado. In Anais do II Ciclo de Palestras de Informtica da Educao, Porto
Alegre/RS, 2003.
BRAGA, Antnio de Pdua; LUDERMIR, Teresa Bernarda; CARVALHO, Andr C. P. L. Ferreira.
Redes Neurais Artificiais Teoria e aplicaes. Rio de Janeiro: LTC, 2000.
126

CANT, Evandro; FARINES, Jean Marie. Ambiente Web para Auxlio no Ensino-
Aprendizagem de Redes de Computadores. In Anais do XXIV Simpsio Brasileiro de Redes de
Computadores, Curitiba, 2006.
CGI.BR. Comit Gestor da Internet no Brasil, 2009. Disponvel em:
<http://www.cgi.br/publicacoes/artigos/artigo59.htm>. Acesso em: 18 abril 2010.
CHORFI, Henda.; JEMNI, Mohamed. XML Based CBR for Adaptive Educational Hypermedia.
In Anais do IEEE Sixth International Conference, 2006.
COSTA, Kelle C. F. da; HARB, Maria da Penha de A. A.; BRITO, Silvana R. de; FAVERO, Eli
L. Acompanhamento do Estudante em Ambientes de Aprendizagem utilizando Lgica Fuzzy.
In Anais do XXVI Congresso SBC, Campo Grande, 2006.
COSTA, Macrio. Sistemas Tutores Inteligentes, 2008. Disponvel em:
<http://www.nce.ufrj.br/ginape/publicacoes/trabalhos/MacarioMaterial/images/icai02.jpg>. Acesso
em: 24 outubro 2008.

DAZZI, Rudimar L. S. Metodologia para Adaptao de Interface e Estratgia Pedaggica em
Sistemas Tutores Inteligentes. Tese (Doutorado). Universidade Federal de Santa Catarina.
Programa de Ps-Graduao em Engenharia Eltrica. Florianpolis, 2007.
ERGOLIST. Ergolist, 2008. Disponvel em: <http://www.labiutil.inf.ufsc.br/ergolist/index.html>.
Acesso em: 3 novembro 2009.
FABRI, Jos Augusto; FORNAZARI, Fbio Papini; PESSOA, Marcelo. Requisitos de Professores
e Alunos para Ambientes de Ensino a Distncia: um estudo corporativo. Revista Vale Arte,
Cincia e Cultura, 2003.
FERNANDES, Anita M. R. Inteligncia Artificial. Florianpolis: Visual Books, 2003.
FLRES, Maria Lucia Pozzatti; VICARI, Rosa Maria. Inteligncia Artificial e o Ensino com
Computador, 2005. Disponvel em:
<http://www.cinted.ufrgs.br/renote/maio2005/artigos/a5_inteligenciaartificial_revisado.pdf>.
Acesso em: 24 outubro 2008.
FRIGO, Luciana Bolan. O Papel dos Agentes Inteligentes nos Sistemas Tutores Inteligentes. In
Anais do WCETE - World Congress on Engineering and Technology Education, So Paulo/SP,
2004.
GAIA. jCOLIBRI CBR Framework, 2007. Disponvel em:
<http://gaia.fdi.ucm.es/projects/jcolibri/>. Acesso em: 30 abril 2009.
GARDNER, Howard. Estruturas da Mente. Porto Alegre, RS: Artmed, 2001.
GARDNER, Howard. Inteligncias Mltiplas: a teoria na prtica. Porto Alegre, RS: Artmed,
1995.
GASPARY, Luciano Paschoal; FROZZA, Rejane; DAHMER, Alessandra; SANTOS, Bettina
Steren; RIZZATO, Elizabeth. Ensino de Graduao em Computao a Distncia: Relato de um
127

Experimento. In Anais do VIII Congreso Iberoamericano de Educacin Superior em Computacin,
Monterrey/Mxico, 2000.
GONALVES, Mrcia; LEMES, Maurcio Ruv; PINO JUNIOR, Arnaldo Dal. Redes Neurais
Artificiais: noes bsicas, 2008. Disponvel em:
<http://www.polbr.med.br/arquivo/art0205a2.jpg>. Acesso em: 24 outubro 2008.
GUILLON, Antonio Bias Bueno; MIRSHAWAKA, Victor. Reeducao. So Paulo: Makron
Books, 1994.
HAYKIN, Simon. Redes Neurais: princpios e prtica. Porto Alegre: Bookman, 2001.
IHMC. CmapTools, 2006. Disponvel em: < http://cmap.ihmc.us/conceptmap.html>. Acesso em:
10 novembro 2009.
KOLODNER, Janet. Case-Based Reasoning. San Mateo: Offices, 1993.
KOSLOSKY, Marco Antnio Neiva. Aprendizagem baseada em casos: Um Ambiente para
Ensino de Lgica de Programao. Dissertao de Mestrado, UFSC, Florianpolis, 1999.
Disponvel em: <http://www.eps.ufsc.br/disserta99/koslosky/index.html>. Acesso em: 28 maro
2009.
KOVCS, Zsolt Lszlo. Redes Neurais Artificiais: Fundamentos e Aplicaes. So Paulo:
Edio Acadmica, 1996.
LEPP, Marina. How does an Intelligent Learning Environment with Novel Design Affect the
Students Learning Results? ITS - International Conference on Intelligent Tutoring Systems, Berlin
Heidelbert, 2008, Proceedings, 2008.
LIMA, Demetrius Ribeiro. Um Sistema Tutor Inteligente para um Ambiente Virtual de Ensino
Aprendizagem. In: WIE, Florianpolis, 2004.
MARRONE, Paolo. Java Object Oriented Neural Engine, 2008. Disponvel em:
<http://www.jooneworld.com/>. Acesso em: 30 abril 2009.
MEDEIROS, Ernani Sales de. Desenvolvendo software com UML 2.0. So Paulo, SP. Pearson
Makron Books, 2004.
MEDINA, Roseclea Duarte; SCHOPF, Eliseu Celestino. Utilizao de um Chatterbot no
Processo Educacional: Prottipo Agentch. In: Taller Internacional de Software Educativo,
Santiago, 2005.
MEDINA, Roseclea Duarte; TAROUCO, Liane; BORTOLOTTO, Elias. Tecnologias Aplicadas
no Ensino de Redes de Computadores: um Prottipo de Laboratrio Virtual para Facilitar a
Aprendizagem Significativa. In Anais do IX Congreso Argentino de Ciencias de la Computacin,
La Plata/Argentina, 2003.
MENDES, Jos Ricardo Pelaquim. Raciocnio Baseado em Casos Aplicado ao Projeto de Poos
de Petrleo. Tese (Doutorado). Universidade Estadual de Campinas. Sub-Comisso de Ps-
graduao Interdisciplinar de Cincias e Engenharia de Petrleo. Campinas, 2001.
128

MENDONA, Nabor C. Anlise e Projeto Orientados a Objeto, 2001. Disponvel em:
<http://www.inf.ufrgs.br/~zirbes/MaterialAula/>. Acesso em: 27 janeiro 2010.
MORESCHI, Maria Regina Andrade. O Site Ambiente de Aprendizagem. Revista PEC, Curitiba,
2002.
MUNAKATA, Toshinori. Fundamentals of the New Artificial Intelligence: Neural,
Evolutionary, Fuzzy and More. Cleveland/USA: Spring, 2008.
PADILHA, T. P. P. ; ALMEIDA, Leandro Maciel ; ALVES, Joo Bosco da Mota. Modelagem do
Desempenho do Aprendizado de Grupos de Alunos Utilizando Data Mining. In Anais do XIV
Simpsio Brasileiro de Informtica na Educao, Rio de Janeiro, 2003.
PAIM, Rosele Luchesi. Sistema Hipermdia com Interface Adaptativa em Cncer de Mama
usando Redes Neurais Artificiais MLP e IAC. In Anais do IV Latin American Congress on
Biomedical Engineering, Margatita/Venezuela, 2007.
PAIM, Rosele Luchesi. Sistema Hipermdia em Cncer de Mama com Interface Adaptativa
usando Redes Neurais IAC e MLP. Dissertao de Mestrado. Universidade Federal de Santa
Catarina. Departamento de Ps-graduao em Engenharia Eltrica. Florianpolis, 2006.

PAIM, Rosele Luchesi; AZEVEDO, Fernando Mendes de. Metodologia para o desenvolvimento
de um site com interface adaptativa usando redes neurais e a teoria das Inteligncias
Mltiplas. In Anais do XIV Simpsio Brasileiro de Informtica na Educao, Rio de Janeiro, 2003.
PALAZZO, Luiz Antnio Moro. Sistemas de Hipermdia Adaptativa, 2002. Disponvel em:
<http://gpia.ucpel.tche.br/%7Elpalazzo/sha/sha.htm>. Acesso em: 24 outubro 2008.
PALLOFF, Rena M.; PRATT, Keith. O Aluno Virtual: um guia para trabalhar com estudantes on-
line. Porto Alegre: Artmed, 2004.
PROJECT ZERO. Harvard Graduate School of Education, 2003. Disponvel em: <
http://www.pz.harvard.edu/>. Acesso em: 18 abril 2010.
RIGO, Sandro Jos; OLIVEIRA, Jos Palazzo M. de. Identifying Users Stereotypes with Semantic
Web Mining. In: Conceptual Modeling, Barcelona, 2008.
ROSATELLI, Marta Costa. Um Sistema Tutor Inteligente para um Ambiente Virtual de
Ensino Aprendizagem. In Anais do IEEE - Sixth International Conference on Advanced Learning
Technologies, 2006.
RUSSEL, Stuart; NORVIG, Peter. Inteligncia Artificial. Rio de Janeiro: Elsevier, 2004.
S, Fbio Pessa de; ROSATELLI, Marta Costa; HRUSCHKA, Eduardo Raul. Avaliao da
Recuperao em Sistemas de RBC Estrutural e Textual: Uma Aplicao no Domnio de Help
Desk. In Anais do Encontro Nacional de Inteligncia Artificial, Rio de Janeiro, 2007.
SANTIBANEZ, Miguel R. Flores; FERNANDES, C. T. Rumo A Um Ambiente de
Aprendizagem Hipermdia Adaptativo no WWW. In Anais do IV Congresso RIBIE Rede
Ibero-Americana de Informtica na Educao, Braslia, 1998.
129

SANTOS JUNIOR, Gilson; COSTA, Evandro de Barros; FECHINE, Joseana Macedo. Raciocnio
Baseado em Casos para auxlio a Alunos na Resoluo de Problemas por Analogia - Uma
abordagem para Representao e Recuperao de Casos. In Anais do XIX Simpsio Brasileiro
de Informtica na Educao (SBIE), Fortaleza, 2008.
SANTOS, Cleusa Ribeiro dos; ZANETTE, Elisa Netto; GIACOMAZZO, Graziela Ftima; FIUZA,
Patrcia Jantsch; MAZON, Marcelo. Ambiente Virtual de Aprendizagem: Implantao,
Desenvolvimento e Insero no Ensino Superior. Apresentao de Trabalho, 2007.
SANTOS, Neide dos. Estado da Arte em Espaos Virtuais de Ensino e Aprendizagem. Revista
Brasileira de Informtica na Educao, Florianpolis, 1999.
SIGETEC. Sistema de Gesto Tecnolgica, 1999. Disponvel em: <http://sip.proinfo.mec.gov.br>.
Acesso em: 13 abril 2010.

SILVA, A. P. de Sousa e. Tutores Inteligentes para o Treino de Operadores de Centros de
Controle e Conduo de Redes Eltricas, 1998. Disponvel em: <http://www.dei.isep.ipp.pt/>.
Acesso em: 17 abril 2010.

SOUZA, Bruno Campello de. Informao e Conhecimento sobre a Superdotao Intelectual,
2002. Disponvel em: <http://www.vademecum.com.br/sapiens/QI.htm>. Acesso em: 16 novembro
2008.

SUN MICROSYSTEMS. Java 2 Platform Enterprise Edition (J2EE), 2009. Disponvel em:
<http://java.sun.com/>. Acesso em: 14 julho 2009.

SUN MICROSYSTEMS. JavaServer Faces Technology Overview, 2010. Disponvel em:
<http://java.sun.com/javaee/javaserverfaces/>. Acesso em: 15 janeiro 2010.
TAFNER, Malcon A.; XEREZ, Marcos de; RODRIGUES FILHO, Ilson W. Redes Neurais
Artificiais: introduo e princpios de neurocomputao. Blumenau: FURB e EKO, 1996.
TAVARES, Neide Rodriguez Barea. A histria da informtica educacional no Brasil observada a
partir de trs projetos pblicos. Revista Escola do Futuro, So Paulo, 2002.
TRAVASSOS, Luiz Carlos Panisset. Inteligncias Mltiplas. Revista de Biologia e Cincia da
Terra, Paraba, 2001.
VALENTE, Jose Armando. Questo do Software. Ncleo de Informtica Aplicada Educao.
So Paulo: 1995.
WANGENHEIM, Christiane Gresse von; WANGENHEIN, Aldo von. Raciocnio Baseado em
Casos. Barueri: Manole, 2003.
WAZLAWICK, Raul Sidney. Metodologia de Pesquisa para Cincia da Computao. Rio de
Janeiro: Elsevier, 2008.
WEBAULA. Educao sem Fronteiras, 2003. Disponvel em:
<http://portal.webaula.com.br/artigo.aspx?sm=artigos&codartigo=2>. Acesso em: 18 abril 2010.
130

ZANCHETT, Pedro Sidnei; DALFOVO, Oscar. Hipermdia Adaptativa no Sistema de
Aprendizagem para a Maior Idade. In Anais do I Workshop de Computao da Regio Sul,
Florianpolis, 2004.
ZOUAQ, Amaral; NKAMBOU, Roger; FRASSON, Claude. Bridging the Gap between ITS and
eLearning: towards Learning Knowledge Objects. In Anais do ITS - International Conference on
Intelligent Tutoring Systems, Montreal, 2008.
131

APNDICE A - BASE DE NOVOS CASOS
1) Idade: ____

2) Sexo:
A) Masculino B) Feminino

3) Fez o ensino fundamental e mdio em escola:
A) Particular B) Pblica C) parte Pblica e parte Particular

4) Quantas horas voc dedica semanalmente para estudo, alm do horrio de aula? ______

5) J estudou sobre Gerenciamento de Redes
A) Sim B) No

6) J estudou sobre Arquitetura de Redes
A) Sim B) No

7) J usou Ferramentas de Monitoramento de Redes
A) Sim B) No

8) Trabalha ou j trabalhou na rea de Redes de Computadores?
A) Sim B) No

9) Trabalha ou j trabalhou com Projetos de Redes?
A) Sim B) No

10) J fez curso de Tecnlogo em Redes?
A) Sim B) No

11) H quanto tempo (meses) voc no faz algum curso na rea de redes (exceto graduao atual):
_____ ( ) Nunca fiz

12) Voc considera seu conhecimento na rea de Redes:
A) Bsico B) Mediano C) Avanado

13) Voc considera seu conhecimento em Gerenciamento de Redes:

132

APNDICE B - BASE DE CASOS INICIAL
1) Idade: ____

2) Sexo:
A) Masculino B) Feminino

3) Fez o ensino fundamental e mdio em escola:
A) Particular B) Pblica C) parte Pblica e parte Particular

4) Quantas horas voc dedica semanalmente para estudo, alm do horrio de aula? ______

5) J estudou sobre Gerenciamento de Redes
A) Sim B) No

6) J estudou sobre Arquitetura de Redes
A) Sim B) No

7) J usou Ferramentas de Monitoramento de Redes
A) Sim B) No

8) Trabalha ou j trabalhou na rea de Redes de Computadores?
A) Sim B) No

9) Trabalha ou j trabalhou com Projetos de Redes?
A) Sim B) No

10) J fez curso de Tecnlogo em Redes?
A) Sim B) No

11) H quanto tempo (meses) voc no faz algum curso na rea de redes (exceto graduao atual):
_____ ( ) Nunca fiz

12) Voc considera seu conhecimento na rea de Redes:

13) Voc considera seu conhecimento em Gerenciamento de Redes:

14) Nota 01: _______

15) Nota 02: _______

16) Nota 03: _______

133

APNDICE C PR-TESTE E PS-TESTE
1. A definio mais completa para gerenciamento de redes :
A) Consiste na monitorao de hospedeiros e anlise do trfego da rede atravs de uma ferramenta computacional.
B) A integrao de hardware (ativos de rede) e software para analisar o trfego de uma rede.
C) Consiste na utilizao de software para monitorar a rede.
D) A integrao e coordenao de hardware, software e elementos humanos para monitorar, controlar e gerenciar a
rede.
E) Monitoramento passivo do trfego da rede e dos hospedeiros.
2. De acordo com o modelo ISO de gerenciamento de rede, a rea funcional que permite que o
administrador especifique, registre e controle o acesso de usurios e dispositivos aos recursos da rede
denominado:
A) Gerenciamento de falhas.
B) Gerenciamento de configurao.
C) Gerenciamento de segurana.
D) Gerenciamento de desempenho.
E) Gerenciamento de contabilizao.
3. O que uma Entidade Gerenciadora?
A) um equipamento de rede, que pode ser um hospedeiro, um roteador ou uma impressora.
B) uma aplicao que controla a coleta, o processamento e a anlise de informaes.
C) um processo que executa aes locais nos dispositivos gerenciados.
D) um protocolo que permite a investigao do estado dos dispositivos.
E) o mesmo que agente, tendo como funo notificar sobre problemas na rede
5. Comparando o modelo OSI com o modelo SNMP podemos afirmar que:
A) O modelo SNMP mais simples e amplamente utilizado.
B) Diferentemente do modelo OSI, o modelo SNMP orientado a conexo.
C) O modelo OSI utiliza o protocolo UDP para transporte de dados, assim como o modelo SNMP.
D) Tanto o modelo OSI quanto o modelo SNMP so utilizados preferencialmente para redes mais complexas.
E) O modelo SNMP utiliza o modelo de arquitetura agente/gerente, enquanto OSI utiliza cliente/servidor.
6. O que SMI para o gerenciamento de redes:
A) um protocolo de gerenciamento de redes utilizado para nomear objetos MIB.
B) um protocolo de gerenciamento de redes que permite que objetos relacionados entre si sejam agrupados.
C) uma linguagem de definio de dados utilizada para assegurar que a sintaxe e a semntica dos dados de
gerenciamento de rede no apresentem ambiguidade.
D) uma linguagem que permite definir limites de segurana avanados no SNMPv2.
E) um processo utilizado para contar o nmero de datagramas entregues entre ns da rede.
7. O banco virtual de informaes utilizado para representar as informaes de gerenciamento
conhecido como:
A) MIB. B) SNMP. C) LDAP D) CMIP. E) RMON.
8. Para transportar informaes da MIB entre entidades gerenciadoras e agentes, os modos utilizados pelo
SNMP so:
A) Modo gerente e modo agente.
B) Modo gerente e modo dispositivo gerenciado.
C) Modo comando-resposta e modo evento.
D) Modo request e modo trap.
E) Nenhuma das alternativas

134

9) Leia cada uma das afirmativas abaixo e verifique se elas so (V)erdadeiras ou (F)alsas. Depois, marque
a opo que contenha a exata seqncia.
( ) Na estrutura de nomeao dos objetos na MIB os mesmos so nomeados hierarquicamente, onde cada objeto tem
um nome e um nmero para identificao, como por exemplo (1.3.6.1.2.1.7.1).
( ) A mensagem GetRequest do protocolo SNMP usada por uma entidade gerenciadora para configurar o valor de
um ou mais objetos MIB em um dispositivo gerenciado.
( ) O servio RMON (Remote MONitoring) oferece suporte implementao de um sistema de gerenciamento
distribudo, permitindo coletar, analisar, tratar e filtrar informaes de gerenciamento de rede geograficamente
distribuda.

A) V V V B) F V V C) F F F D) V F V E) F V F
10) Uma ferramenta bsica de gerenciamento utilizada para enviar pacotes eco ICMP, verificando as
conexes com um host remoto o:
A) Ping. B) Telnet. C) Netstat. D) Pathrate. E) Pathload.
11) Gerenciar uma rede tem como objetivo:
A) Garantir a eficincia da rede atravs de controle mximo de todos os processos.
B) Garantir a eficincia da rede atravs da garantia da disponibilidade, da segurana e do bom desempenho.
C) Organizar as informaes da rede em inventrios.
D) Defender-se contra ataques externos.
E) Tornar a rede disponvel 24 horas por dia e 7 dias por semana.
12. Para que serve o OBJECT-TYPE?
A) Serve para definir o tamanho mximo de um campo
B) Permite que objetos relacionados entre si sejam agrupados
C) utilizado pelo SMI para especificar o tipo de dado, o status e a semntica de um objeto gerenciado
D) Torna possvel a criao de um mdulo MIB
E) Nenhuma das alternativas
13) Como funciona a nomeao de objetos MIB?
A) Cada objeto organizado hierarquicamente
B) Cada objeto nomeado atravs de no mximo trs letras
C) Na MIB os objetos so relacionados em rede, permitindo diversas ligaes entre eles
D) A organizao dos objetos depende de cada fabricante, sendo que no existe uma hierarquia padro
E) Nenhuma das alternativas.
14. Alguns exemplos de ferramentas de gerenciamento de redes distribudas como softwares livres so:
A) HP Open View e Tivoli.
B) Tivoli, Cacti e SNMP.
C) Tivoli, MRTG e RMON.
D) Cacti, Nagios, Zabbix e Zenoss.
E) WireShark, Tcpdump e HP OpenView.
15) Ferramenta bsica de gerenciamento de rede utilizada para resoluo de endereos IP em endereos
MAC conhecido como:
A) Arp. B) Telnet. C) Ipconfig. D) Tracert. E) Ping.

135

INTELIGNCIAS MLTIPLAS
Item Perguntas

1 Gosta de consultar o dicionrio para descobrir novas palavras?
2 Possui facilidade para rimar?
3 bom para fazer snteses (resumos)?
4 Incorpora palavras novas em seu falar?
5 Lembra-se de livros que leu?
6 bom aluno de Lngua Portuguesa?
7
Adora enigmas (coisas inexplicveis, mistrios, coisas difceis de se compreender),
senhas, problemas lgicos?
8 Faz clculos de cabea?
9 Analisa dados (nmeros, estatsticos e outros) com facilidade?
10 Trabalha bem com mdias, propores e outros esquemas?
11 Percebe a geometria nos objetos e paisagens que v?
12 Busca seqncia lgica nas idias?
13
No tem dificuldade para usar aplicativos ou linguagens matemticas no computador
como por exemplo: Excel?
14 Gosta de medir as coisas?
15 bom aluno em Cincias Exatas (matemtica, fsica, qumica, etc...)?
16 Gosta de fotografar e filmar?
17 Sabe explicar caminhos?
18 Gosta de jogos de quebra-cabea, labirintos e outras atividades parecidas?
19 Gosta de desenhar?
20 Aprecia desenhos, figuras, imagens grficas?
21 capaz de mudar sua perspectiva ao olhar objetos?
22 Gosta de rabiscar folhas?
23 bom em fazer mapas?
24 Gosta de praticar atividades esportivas com regularidade?
25 Aprecia ou pratica danas?
26 Possui boa linguagem gestual?
27 Possui destreza mental?
28 Gosta de assistir no local ou TV aos programas esportivos?
29 Mostra coragem em esportes radicais?
30 Acredita que possui jeito para danar ou outras formas corporais (lutas, por exemplo)?
136

USABILIDADE
CRITRIOS
S = Sim P = Parcialmente N = No NA = No se aplica S P N NA
Presteza: O software prestativo e guia voc em suas aes?

Agrupamento por Localizao: Os objetos (ordem alfabtica, ordem
dos assuntos, etc.) tm uma apresentao organizada?
Agrupamento por Formato: Foi fcil fazer distino visual entre os
vrios itens que aparecem na tela?
Feedback: O software apresentou retorno para suas aes?

Legibilidade: No seu ponto de vista a apresentao das informaes
foi legvel?
Conciso: Os itens foram sucintos e facilitou a leitura?

Aes Mnimas: As aes necessrias para chegar as suas metas
foram simples?
Densidade Informacional: Todos os itens que apareceram na tela
foram teis e relacionados com a tarefa executada?
Aes Explcitas: Durante o uso do software houve momentos em que
o software pediu sua confirmao, objetivando certificar-se de suas
aes?
Controle do Usurio: Voc acha que fcil corrigir um erro, quando
por exemplo, voc deseja retornar ou avanar uma ao?
Flexibilidade: A ferramenta apresentou mais de uma maneira de
executar a mesma tarefa?
Experincia do Usurio: Mesmo com o curto perodo que voc utilizou
o software foi possvel ter um grau de experincia satisfatrio?
Proteo contra erros: Na ocorrncia de erros o sistema apontou o
problema?
Mensagens de erros: As mensagens de erros, caso ocorreram, foram
suficientes para apontar o problema?
Correo de erros: Quando houve erros eles foram fceis de corrigir?

Consistncia: Houve consistncia na apresentao dos itens?

Significados: Os itens apresentaram-se com significado suficiente
para seu entendimento?
Compatibilidade: O vocabulrio utilizado pelo software foi compatvel
com o seu vocabulrio?
Apresentao material: Voc gostou de como o software apresentou
o material de estudo?
Reuso software: Voc tem vontade de usar outras vezes o software?

Auxlio no ensino: Na sua opinio o software pode auxiliar no ensino
de Gerenciamento e Monitoramento de Redes de Computadores?
COMENTRIOS

137

PESOS SADA REAL X ESPERADA
Neurnio 1 Neurnio 1 Neurnio 2 Neurnio 2 Neurnio 3 Neurnio 3 Neurnio 4 Neurnio 4
Sada Real Sada Esp Sada Real Sada Esp Sada Real Sada Esp Sada Real Sada Esp
0,65 0,66 0,84 0,86 0,84 0,90 0,69 0,65
0,88 0,93 0,68 0,71 0,79 0,80 0,84 0,83
0,68 0,65 0,86 0,89 0,65 0,71 0,57 0,63
0,61 0,64 0,68 0,65 0,53 0,53 0,54 0,56
0,63 0,64 0,89 0,88 0,81 0,80 0,68 0,65
0,62 0,66 0,72 0,71 0,81 0,80 0,66 0,65
0,72 0,78 0,84 0,82 0,78 0,80 0,81 0,88
0,72 0,78 0,71 0,69 0,64 0,65 0,63 0,58
0,52 0,51 0,82 0,83 0,75 0,76 0,65 0,69
0,55 0,58 0,80 0,76 0,74 0,73 0,68 0,68
0,78 0,90 0,70 0,67 0,81 0,79 0,70 0,64
0,67 0,71 0,79 0,78 0,81 0,86 0,78 0,82
0,63 0,68 0,80 0,72 0,73 0,70 0,69 0,63
0,68 0,74 0,73 0,68 0,76 0,81 0,65 0,64
0,60 0,61 0,72 0,71 0,62 0,64 0,68 0,67
0,79 0,83 0,82 0,81 0,76 0,74 0,77 0,78
0,67 0,66 0,83 0,86 0,86 0,93 0,70 0,75
0,60 0,59 0,73 0,75 0,75 0,75 0,66 0,63
0,78 0,80 0,86 0,82 0,67 0,73 0,57 0,61
0,50 0,54 0,86 0,85 0,71 0,70 0,62 0,60
0,73 0,69 0,87 0,85 0,57 0,59 0,58 0,53
0,74 0,71 0,90 0,92 0,82 0,79 0,66 0,65
0,54 0,56 0,79 0,74 0,68 0,71 0,59 0,60
0,83 0,88 0,62 0,60 0,70 0,65 0,75 0,74
0,65 0,73 0,82 0,74 0,82 0,83 0,44 0,43
0,80 0,88 0,89 0,94 0,79 0,78 0,67 0,67
0,61 0,74 0,83 0,90 0,59 0,63 0,45 0,43
0,72 0,69 0,80 0,79 0,81 0,76 0,68 0,67
0,73 0,78 0,86 0,83 0,88 0,94 0,81 0,79
0,77 0,79 0,86 0,90 0,70 0,66 0,61 0,67
0,81 0,73 0,85 0,83 0,88 0,91 0,82 0,86
0,64 0,64 0,82 0,81 0,60 0,63 0,59 0,63
0,60 0,63 0,75 0,78 0,71 0,68 0,60 0,56
0,70 0,70 0,91 0,97 0,89 0,94 0,58 0,56
0,44 0,44 0,90 0,96 0,68 0,69 0,61 0,63
0,44 0,44 0,90 0,96 0,68 0,69 0,61 0,63
0,78 0,74 0,77 0,78 0,82 0,80 0,55 0,53
0,77 0,78 0,67 0,63 0,63 0,64 0,72 0,74
0,57 0,59 0,66 0,65 0,64 0,65 0,53 0,53
138

0,59 0,60 0,86 0,88 0,65 0,64 0,36 0,38
0,82 0,84 0,88 0,94 0,82 0,88 0,69 0,71
0,58 0,64 0,85 0,88 0,77 0,68 0,48 0,43
0,80 0,75 0,89 0,88 0,85 0,86 0,69 0,67
0,63 0,66 0,82 0,81 0,71 0,71 0,60 0,64
0,83 0,88 0,69 0,67 0,73 0,69 0,57 0,60
0,73 0,78 0,88 0,90 0,89 0,93 0,78 0,89
0,66 0,63 0,79 0,72 0,74 0,69 0,59 0,58
0,80 0,86 0,89 0,92 0,84 0,88 0,57 0,57
0,65 0,65 0,76 0,76 0,79 0,76 0,64 0,69
0,67 0,70 0,89 0,88 0,83 0,79 0,68 0,68
0,66 0,66 0,89 0,90 0,83 0,85 0,53 0,54
0,67 0,65 0,84 0,78 0,56 0,60 0,35 0,38
0,53 0,53 0,79 0,81 0,82 0,84 0,67 0,67
0,47 0,50 0,84 0,83 0,65 0,68 0,75 0,74
0,68 0,70 0,60 0,63 0,60 0,64 0,70 0,64
0,65 0,61 0,75 0,72 0,70 0,70 0,64 0,64
0,67 0,71 0,91 0,93 0,72 0,69 0,47 0,46
0,70 0,75 0,85 0,86 0,69 0,65 0,78 0,81
0,66 0,64 0,79 0,79 0,52 0,51 0,52 0,51
0,79 0,78 0,59 0,58 0,69 0,68 0,51 0,53
0,78 0,80 0,91 0,92 0,82 0,83 0,56 0,57
0,66 0,66 0,89 0,85 0,81 0,79 0,49 0,53
0,80 0,86 0,88 0,96 0,86 0,89 0,74 0,82
0,59 0,59 0,39 0,38 0,50 0,50 0,73 0,71
0,76 0,84 0,86 0,83 0,77 0,74 0,73 0,75
0,75 0,80 0,87 0,86 0,87 0,85 0,73 0,65
0,57 0,54 0,78 0,76 0,73 0,71 0,69 0,74
0,69 0,70 0,83 0,82 0,80 0,81 0,59 0,58
0,84 0,91 0,78 0,79 0,73 0,75 0,72 0,71
0,65 0,65 0,64 0,61 0,72 0,69 0,66 0,67
0,74 0,76 0,91 0,99 0,79 0,83 0,62 0,56
0,56 0,64 0,77 0,75 0,52 0,53 0,55 0,56
0,81 0,74 0,91 0,93 0,81 0,83 0,75 0,72
0,74 0,78 0,92 0,97 0,88 0,88 0,82 0,93
0,52 0,58 0,84 0,81 0,74 0,75 0,72 0,72
0,81 0,83 0,81 0,79 0,74 0,71 0,69 0,61
0,43 0,41 0,79 0,75 0,69 0,74 0,65 0,71
0,83 0,83 0,89 0,85 0,84 0,86 0,51 0,53
0,71 0,65 0,70 0,67 0,72 0,76 0,66 0,65
0,61 0,63 0,89 0,93 0,80 0,81 0,69 0,57
0,72 0,71 0,72 0,68 0,65 0,58 0,58 0,54
0,60 0,65 0,70 0,71 0,71 0,69 0,70 0,64
0,75 0,73 0,71 0,65 0,62 0,66 0,69 0,69
139

0,70 0,74 0,78 0,79 0,82 0,85 0,72 0,74
0,65 0,65 0,84 0,75 0,82 0,78 0,71 0,75
0,59 0,65 0,84 0,86 0,75 0,70 0,76 0,78
0,74 0,76 0,83 0,82 0,67 0,64 0,61 0,58
0,80 0,84 0,78 0,85 0,64 0,65 0,68 0,67
0,67 0,71 0,88 0,85 0,79 0,79 0,52 0,44
0,69 0,78 0,78 0,79 0,83 0,88 0,69 0,65
0,70 0,69 0,79 0,74 0,86 0,88 0,77 0,81
0,65 0,65 0,82 0,85 0,63 0,60 0,72 0,69
0,73 0,70 0,91 0,92 0,84 0,85 0,78 0,78
0,62 0,60 0,81 0,83 0,74 0,71 0,59 0,57
0,81 0,84 0,82 0,85 0,81 0,81 0,77 0,75
0,67 0,69 0,93 0,99 0,86 0,86 0,66 0,65
0,74 0,78 0,78 0,82 0,58 0,56 0,72 0,69
0,68 0,71 0,55 0,57 0,78 0,79 0,77 0,81
0,73 0,73 0,61 0,61 0,65 0,66 0,57 0,56
0,72 0,70 0,74 0,72 0,76 0,75 0,61 0,61
0,55 0,59 0,50 0,54 0,55 0,51 0,61 0,64
0,66 0,64 0,89 0,85 0,86 0,84 0,74 0,75
0,62 0,64 0,76 0,74 0,76 0,73 0,43 0,46
0,51 0,50 0,59 0,65 0,63 0,70 0,52 0,51
0,69 0,75 0,47 0,50 0,81 0,83 0,71 0,68
0,73 0,75 0,73 0,71 0,76 0,79 0,75 0,76
0,56 0,59 0,68 0,65 0,49 0,53 0,54 0,50
0,63 0,63 0,78 0,81 0,70 0,69 0,45 0,58
0,67 0,63 0,91 0,96 0,80 0,80 0,71 0,68
0,73 0,65 0,66 0,68 0,73 0,70 0,66 0,67
0,76 0,76 0,82 0,81 0,87 0,80 0,79 0,83
0,61 0,60 0,77 0,69 0,70 0,66 0,74 0,75
0,75 0,75 0,91 0,93 0,88 0,88 0,66 0,57
0,67 0,70 0,86 0,85 0,65 0,64 0,61 0,65
0,70 0,74 0,79 0,79 0,73 0,80 0,69 0,68
0,68 0,69 0,54 0,53 0,75 0,81 0,72 0,63
0,68 0,71 0,58 0,60 0,55 0,58 0,69 0,74
0,66 0,66 0,32 0,35 0,56 0,55 0,71 0,72
0,77 0,74 0,60 0,60 0,68 0,70 0,78 0,81
0,76 0,69 0,65 0,67 0,84 0,81 0,80 0,74
0,65 0,61 0,64 0,65 0,60 0,51 0,78 0,75
0,75 0,71 0,71 0,67 0,74 0,78 0,70 0,78
0,71 0,70 0,70 0,68 0,73 0,74 0,69 0,72
0,86 0,91 0,88 0,89 0,90 0,96 0,82 0,86

Ambiente de AprendizadoVital Pereira Dos Santos Junior PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Ambiente de AprendizadoVital Pereira Dos Santos Junior PDF

Enviado por

Direitos autorais:

Formatos disponíveis

VITAL PEREIRA DOS SANTOS JUNIOR

UM AMBIENTE DE APRENDIZAGEM INTELIGENTE COM

Você também pode gostar