Luiz PDF

Luiz Felipe Rocha de Faria
Treino e Apoio a Operadores de Centros de Controlo e

Conduo de Redes Elctricas Uma Abordagem
Baseada em Conhecimento e Tutores Inteligentes

Tese submetida Faculdade de Engenharia da Universidade do Porto para satisfao
parcial dos requisitos para obteno do grau de Doutor em Engenharia Electrotcnica e de
Computadores, elaborada sob orientao da
Professora Zita Maria Almeida do Vale (ISEP/IPP), do
Professor Carlos Fernando da Silva Ramos (ISEP/IPP) e do
Professor Antnio Carlos Seplveda Machado e Moura (FEUP)

Janeiro de 2002

Resumo
Os operadores dos centros de controlo e conduo assumem um papel fundamental
na explorao das redes elctricas, sendo as suas tarefas particularmente exigentes em
situaes que envolvam incidentes em vrias instalaes. Nestes casos, a elevada
quantidade de informao que chega aos centros de controlo e conduo pode facilmente
contribuir para a sobrecarga dos operadores, afectando a sua capacidade de tomada rpida
de decises que tm como objectivo evitar que os incidentes tenham consequncias mais
severas.
Contudo, as redes elctricas actuais apresentam ndices de fiabilidade que permitem
garantir uma elevada continuidade de servio, apresentando um nmero reduzido de
incidentes e sendo rara a ocorrncia de incidentes graves. Nestas circunstncias, o nmero
de incidentes vividos por cada operador reduzido e um operador com vrios anos de
experincia pode no ter ainda presenciado um grande conjunto de tipos de defeitos.
Os sistemas inteligentes de ensino constituem um meio para suportar o treino
individualizado, tendo em conta o conhecimento acerca do utilizador. Esta Dissertao
trata do desenvolvimento de um modelo de treino que se destina aos operadores dos
centros de controlo e conduo da Rede Elctrica Nacional. O modelo de treino proposto
destina-se, em particular, ao treino da tarefa de obteno de diagnsticos de incidentes na
rede, a partir de informao recebida no centro de controlo e conduo.
O modelo de treino baseia-se no mtodo de resoluo assistida de problemas, no
qual o tutor e o operador colaboram na resoluo de problemas. Neste mtodo, a iniciativa
partilhada entre o tutor e o operador. medida que o operador prossegue por um
caminho correcto, o tutor limita-se a indicar a sua concordncia com cada um dos passos.
Quando o operador comete um erro ou atinge uma situao de impasse, o tutor toma a
iniciativa de apresentar a informao necessria para que o prprio operador ultrapasse as
dificuldades. Pretende-se, assim, criar um ambiente de aprendizagem activa.
Os problemas propostos ao operador so seleccionados de modo a que as suas
caractersticas sejam adequadas ao estado cognitivo do operador. Estas caractersticas
incluem o nvel de dificuldade e os tipos de incidentes includos no problema. A escolha
i
dos tipos de incidentes realizada atravs de um mecanismo de classificao dos tipos de
incidentes em termos de adequao ao estado de conhecimento do operador.
Uma caracterstica importante para qualquer sistema inteligente de ensino reside na
sua capacidade em obter o raciocnio do operador durante a resoluo de um problema.
Este raciocnio permite ao tutor identificar as dificuldades do operador e encontrar a
melhor estratgia para ajudar o operador a super-las. O mtodo utilizado para identificar
as dificuldades do operador baseia-se na comparao da resoluo do problema efectuada
pelo operador com o modelo especfico da situao. Este modelo representa o raciocnio
efectuado por um operador experiente durante a resoluo do problema. A construo do
modelo especfico da situao baseada na inferncia realizada pelo sistema pericial
SPARSE e na utilizao de um modelo funcional da tarefa de obteno de diagnsticos de
incidentes. No entanto, a abordagem utilizada no requer que o operador utilize uma
estratgia pr-definida.
Esta Dissertao constitui uma contribuio para o desenvolvimento de aplicaes
prticas dedicadas ao treino em ambientes industriais.

ii

Abstract
Control Centre operators play an important role in electrical networks performance,
being their tasks very demanding, especially when an incident involving several plants
occurs. In this case, the huge quantity of information suddenly arriving to the control
centre can easily overwhelm the operators, affecting their capability of quickly taking the
adequate decisions in order to avoid more severe consequences of the incident.
However, current electrical networks are generally very reliable and the frequency
of serious incidents is indeed rather low. Under these circumstances, the number of
incidents faced by each operator is reduced and an operator with several years of
experience might not have met a large set of incident types yet.
Intelligent tutoring systems provide a mean to supply individualized training,
taking into account the operators knowledge. This thesis deals with the development of a
model of training intended for control centre operators of the Portuguese transmission
network. The model of training is intended, in particular, to train operators to get the
diagnosis of incidents in the electrical grid, from information received in the Control
Centre.
The model of training is based on the method coached problem solving, in which
the tutor and the trainee collaborate to solve problems. In this method, the initiative in the
trainee-tutor interaction changes according to the progress being made. As long as the
trainee proceeds along a correct solution, the tutor merely indicates agreement with each
step. When the trainee gets stuck or makes an error, the tutor helps him to overcome the
impasse by providing hints that lead him back to the solution path. The model of training is
intended to supply an active learning process.
The operators cognitive status is used to select the features of the problems
presented to the operator. These features include the problem difficulty level and the
incident types included in the problem. A classification is performed in order to get the
types of incidents that better match the operator learning needs. This classification takes
into account the domain concepts involved in each type of incident and the corresponding
operators expertise in these concepts.
iii

An important feature of an intelligent tutoring system is its ability to get the
reasoning performed by the trainee to get a solution. This reasoning allows the tutor to find
out the possible misconceptions of the operator and to select an appropriated strategy to
help the operator to overcome his difficulties. The method used to find the operators
misconceptions is based on the matching between the set of operators solution steps and
the situation specific model. The inference performed by SPARSE expert system and a
function model of the diagnosis task are used to build this model. Therefore, the approach
adopted does not constrain the operator to use a predefined strategy to solve the problem.
This thesis is a contribution to the development of practical applications concerning
the training in industrial environments.

iv

Rsum
Les oprateurs des centres de contrle et conduction ont un rle important dans
lexploration des rseaux lectriques, tant leurs tches particulirement exigentes quand il
sagit de situations concernant des incidents en plusieurs installations. Dans ces cas, la
grande quantit dinformation arrivant aux centres de contrle peut alourdir la charge des
oprateurs et ainsi affecter leur capacit de prendre rapidement des dcisions qui puissent
viter que les incidents aient des consquences plus srieuses.
Cependant, les rseaux lectriques actuels prsentent des niveaux de confiance
levs avec la garantie dun service continu, ce qui permet de rduire la frquence des
incidents les plus graves. Ainsi, le nombre dincidents vcus par chaque oprateur est
rduit et un oprateur ayant beaucoup dannes dexprience pourra navoir jamais trouv
un grand nombre de dfauts.
Les systmes tutoriels intelligents sont un moyen de support pour lentranement
individuel, prenant en considration la connaissance sur lutilisateur. Cette thse traite du
dveloppement dun modle dentranement destin aux oprateurs des centres de contrle
et conduction du rseau de transport portugais. Le modle propos est particulirement
destin trainer lobtention du diagnostic des incidents du rseau, partir de linformation
reue aux centres de contrle et conduction.
Le modle dentranement est support par la mtode de rsolution assiste de
problmes, o le tuteur et loprateur collaborent pour rsoudre les problmes. Dans cette
mtode, liniciative est partage entre le tuteur et loprateur. Au fur et mesure que
loprateur suit la bonne voie, le tuteur ne fait quindiquer son accord sur chaque pas.
Quand loprateur commet une erreur ou aboutit sur une impasse, le tuteur prend
liniciative de prsenter linformation ncessaire pour quil puisse sen sortir. On pretend,
ainsi, crer une ambiance denseignement actif.
Les problmes proposs loprateur sont choisis de manire ajuster ses
caractristiques ltat cognitif de loprateur. Ces caractristiques incluent le niveau de
difficult et les types dincidents inclus dans le problme. Le choix des types dincidents
est fait travers dun mcanisme de classification des types dincidents. Cette
classification tient compte de ltat de connaissance de loprateur.
v

Une caractristique importante pour nimporte quel systme denseignement est sa
capacit dobtenir le raisonnement de loprateur pendant la rsolution dun problme. Ce
raisonnement permet au tuteur de trouver les difficults de loprateur et aider celui-ci les
surmonter avec la meilleure stratgie. La mthode utilise pour trouver les difficults de
loprateur est base sur la comparaison du problme rsolu par loprateur avec le modle
spcifique de la situation. Ce modle reprsente le raisonnement fectu par un oprateur
expriment pendant la rsolution du problme. La construction du modle spcifique de la
situation a pour base linfrence excute par le systme expert SPARSE et lusage dun
modle fonctionnel de la tche pour obtenir les diagnostiques des incidents. Cependant,
labordage fectu na pas besoin dune stratgie dfinie auparavant par loprateur.
Cette thse apporte une contribution pour le dveloppement dapplications
pratiques ddies lentrainement dans les milieux industriels.

vi

Agradecimentos
para mim um prazer aproveitar este espao para agradecer s pessoas que me
apoiaram na realizao deste trabalho.
Gostaria de agradecer minha orientadora, Professora Zita Vale pelo seu apoio,
dedicao e amizade durante estes anos. Sinto-me extremamente afortunado por t-la como
minha orientadora. Gostaria tambm de expressar o meu apreo ao Professor Carlos
Ramos pelos seus conselhos tcnicos, orientao, disponibilidade e amizade. Agradeo
tambm ao Professor Machado e Moura pela sua simpatia e disponibilidade.
Gostaria de agradecer tambm aos meus colegas do GECAD (Grupo de Engenharia
do Conhecimento e de Apoio Deciso) pela sua cooperao. Obrigado a todos.
Aos meus pais que sempre me apoiaram e que tudo fizeram para que chegasse at
aqui. Aos meus sogros, pela colaborao prestada.
minha esposa Isabel pelo carinho, ateno e apoio demonstrados, mesmo nas
horas mais difceis.
Por fim, ao pequeno Ricardo que, sua maneira, tambm me ajudou, quando
achava que a jornada de trabalho j ia longa e que o trabalho devia dar lugar brincadeira.

vii

ndice
Resumo ................................................................................................................................... i
Abstract .................................................................................................................................iii
Rsum................................................................................................................................... v
Agradecimentos ................................................................................................................... vii
ndice .................................................................................................................................... ix
Lista de Figuras.................................................................................................................... xv
Lista de Tabelas ................................................................................................................. xvii
Lista de Abreviaturas.......................................................................................................... xix
1 Introduo..................................................................................................................... 1
1.1 Motivao para o Treino de Operadores ................................................................. 1
1.2 Situao Actual do Treino de Operadores............................................................... 3
1.3 Tutores Inteligentes: Uma Alternativa ao Treino Tradicional................................. 5
1.4 Objectivos e Breve Descrio do Trabalho Desenvolvido...................................... 7
1.5 Estrutura da Dissertao ........................................................................................ 13
2 Sistemas de Ensino Baseados em Computador.......................................................... 15
2.1 Introduo.............................................................................................................. 15
2.2 Sistemas de Ensino Assistido por Computador ..................................................... 16
2.3 Sistemas Inteligentes de Ensino Assistido por Computador ................................. 17
2.4 Estrutura de um ITS............................................................................................... 18
2.4.1 Mdulo Perito do Domnio.............................................................................. 19
2.4.2 Mdulo do Aluno............................................................................................. 20
2.4.3 Mdulo Tutor................................................................................................... 20
2.4.4 Mdulo de Comunicao................................................................................. 21
2.5 Classificao dos ITS ............................................................................................ 21
2.5.1 Ambientes Interactivos de Aprendizagem....................................................... 23
2.5.1.1 Ambientes Interactivos de Aprendizagem Baseados em Simulao......... 24
ix
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
2.5.1.2 Ambientes Hipermdia Adaptativos.......................................................... 24
2.5.2 Sistemas Activos de Ensino............................................................................. 26
2.5.2.1 Tutores de Iniciativa Mista........................................................................ 26
2.5.2.2 Sistemas de Orientao (Coaching Systems)............................................. 27
2.6 Sistemas Multi-Agente .......................................................................................... 31
2.7 Ferramentas para Desenvolvimento de ITS........................................................... 34
2.8 Transferncia dos ITS para Empresas e Organizaes.......................................... 40
2.9 Tutores: Um Paradigma de Ensino ........................................................................ 46
3 Representao do Conhecimento nos ITS.................................................................. 49
3.1 Introduo.............................................................................................................. 49
3.2 Conhecimento do Domnio.................................................................................... 49
3.2.1 Representao do Conhecimento do Domnio................................................. 50
3.2.1.1 Regras de Produo ................................................................................... 52
3.2.1.2 Redes ......................................................................................................... 54
3.2.1.3 Guies (Scripts) ......................................................................................... 56
3.3 Conhecimento Pedaggico .................................................................................... 58
3.3.1 Concepo de Sistemas de Instruo ............................................................... 59
3.3.2 Currculo .......................................................................................................... 60
3.3.2.1 Abordagens para a Representao do Currculo........................................ 61
3.3.2.1.1 Currculo no Sistema SCHOLAR..................................................... 62
3.3.2.1.2 Currculo no Sistema WEST ............................................................ 62
3.3.2.1.3 Currculo no Sistema BIP................................................................. 63
3.3.2.1.4 Currculo no Sistema WUSOR-III ................................................... 65
3.3.2.1.5 Currculo no Sistema SHERLOCK.................................................. 66
3.3.3 Estratgias de Ensino ....................................................................................... 68
3.3.4 Planeamento da Instruo ................................................................................ 70
3.3.4.1 Planeamento Dinmico da Instruo......................................................... 71
3.3.4.2 Nveis de Planeamento .............................................................................. 72
3.3.4.3 Princpios Gerais de Seleco e Sequenciamento ..................................... 74
3.3.4.4 Abordagens para o Planeamento da Instruo........................................... 75
3.3.4.4.1 Controlo Baseado em Planos e Controlo Oportunstico................... 76
3.3.4.4.2 Discourse Management Network...................................................... 76
3.3.4.4.3 Arquitectura Blackboard .................................................................. 77
3.4 Sumrio.................................................................................................................. 79
x
ndice
4 Modelao do Conhecimento do Aluno..................................................................... 81
4.1 Introduo.............................................................................................................. 81
4.2 Modelo do Aluno................................................................................................... 82
4.3 Representao do Modelo do Aluno...................................................................... 84
4.3.1 Modelo Overlay ............................................................................................... 84
4.3.2 Modelo Diferencial .......................................................................................... 85
4.3.3 Modelo de Perturbao.................................................................................... 86
4.3.4 Outras Abordagens .......................................................................................... 88
4.3.4.1 Modelao do Aluno no Sistema SHERLOCK II..................................... 91
4.3.4.2 Modelao do Aluno no Sistema AnimalWatch....................................... 93
4.3.4.3 Modelao do Aluno no Sistema ANDES ................................................ 94
4.4 Utilizao do Modelo do Aluno ............................................................................ 95
4.5 Manuteno do Modelo do Aluno......................................................................... 96
4.6 Aspectos Prticos de Implementao do Modelo do Aluno.................................. 99
4.7 Sumrio................................................................................................................ 102
5 Modelo do Domnio ................................................................................................. 103
5.1 Introduo............................................................................................................ 103
5.2 Aplicao dos Sistemas Periciais aos Sistemas Elctricos de Energia................ 104
5.3 Caracterizao do Domnio ................................................................................. 105
5.4 SPARSE: Perito do Domnio............................................................................... 108
5.5 Limitaes do Modelo do Domnio do SPARSE................................................ 110
5.6 Aquisio do Conhecimento do Domnio ........................................................... 115
5.7 Modelo Conceptual do Domnio ......................................................................... 117
5.7.1 Funes do Modelo........................................................................................ 117
5.7.2 Estrutura do Modelo do Domnio.................................................................. 118
5.7.2.1 Limitaes dos Guies e Solues para Ultrapassar tais Limitaes...... 128
5.7.2.2 Decomposio do Raciocnio em Fases .................................................. 129
5.7.2.3 Tipos de Conceitos do Domnio.............................................................. 130
5.7.2.4 Nveis de Representao ......................................................................... 133
5.7.2.5 Integrao entre o Conhecimento do Domnio e o Conhecimento
Pedaggico .............................................................................................. 137
5.8 Concluses........................................................................................................... 137
xi
6 Modelao dos Operadores dos Centros de Controlo e Conduo .......................... 141
6.1 Introduo............................................................................................................ 141
6.2 Aspectos do Operador a Modelar ........................................................................ 142
6.3 Estrutura do Modelo ............................................................................................ 144
6.3.1 Representao das Variveis do Modelo ....................................................... 145
6.3.2 Histrico......................................................................................................... 147
6.4 Mecanismo de Actualizao das Variveis do Modelo do Operador .................. 148
6.5 Concluses ........................................................................................................... 150
7 Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de
Incidentes.................................................................................................................. 151
7.1 Introduo............................................................................................................ 151
7.2 Modelo de Interaco entre Tutor e Operador..................................................... 152
7.3 Planeamento e Instruo ...................................................................................... 156
7.3.1 Componente de Macro Adaptao................................................................. 156
7.3.1.1 Seleco de Problemas ............................................................................ 159
7.3.1.1.1 Definio das Caractersticas do Problema .................................... 160
7.3.1.1.2 Classificao dos Tipos de Incidentes ............................................ 166
7.3.2 Componente de Micro Adaptao.................................................................. 175
7.4 Diagnstico Cognitivo do Operador .................................................................... 178
7.4.1 Modos de Resoluo de Problemas ............................................................... 179
7.4.1.1 Restries do Modo Livre de Resoluo de Problemas .......................... 182
7.4.2 Modelo Especfico da Situao...................................................................... 184
7.5 Gerao de Apoio ao Operador ........................................................................... 185
7.5.1 Utilizao de Dicas como Forma de Apoio ao Operador .............................. 185
7.5.2 Tipos de Ajuda............................................................................................... 187
7.5.2.1 Ajuda Baseada nos Erros do Operador.................................................... 188
7.5.2.1.1 Padres de Erro............................................................................... 189
7.5.2.1.2 Pesquisa de Erros............................................................................ 191
7.5.2.1.3 Padres de Erro no Modo Restrito ................................................. 192
7.5.2.1.4 Padres de Erro no Modo Livre ..................................................... 202
7.5.2.1.5 Inferncia das Intenes do Aluno Aquando da Definio de
Relaes Temporais........................................................................ 207
7.5.2.2 Ajuda Procedimental ............................................................................... 213
xii
ndice
7.5.3 Actualizao do Modelo do Operador em Funo das suas Entradas e da
Ajuda Fornecida............................................................................................. 217
7.6 Automatizao da Criao de Material Didctico............................................... 220
7.6.1 Ferramenta para Gerao de Cenrios de Treino........................................... 221
7.6.1.1 Critrios Usados para Relacionar os Incidentes ...................................... 222
7.6.1.1.1 Critrio Temporal ........................................................................... 222
7.6.1.1.2 Critrio Geogrfico......................................................................... 222
7.6.1.2 Parmetros de Configurao ................................................................... 223
7.6.2 Ferramenta para Edio de Cenrios de Treino............................................. 224
7.7 Arquitectura do Sistema de Treino de Operadores.............................................. 228
7.7.1 Integrao entre o SPARSE e o Sistema de Treino de Operadores............... 231
7.8 Modelo de Treino ................................................................................................ 233
8 Concluses................................................................................................................ 235
8.1 Introduo............................................................................................................ 235
8.2 Contributos e Originalidades ............................................................................... 236
8.3 Limitaes e Perspectivas Futuras....................................................................... 240
Bibliografia ........................................................................................................................ 245

Anexo A Sistema Pericial SPARSE
Anexo B Lista de Conceitos do Domnio

xiii

Lista de Figuras
Figura 1-1- Arquitectura genrica do tutor inteligente ....................................................... 9
Figura 1-2- Representao do conhecimento com guies implementados com grafos
AND/OR faseados.......................................................................................... 10
Figura 1-3- Mecanismo de classificao de tipos de incidentes ....................................... 12
Figura 2-1- Estrutura tpica de um ITS ............................................................................. 19
Figura 2-2- Factores envolvidos no desenvolvimento de authoring tools
[Murray, 1996] ............................................................................................... 37
Figura 3-1- Parte da rede de sujeitos usada no STATIC-Tutor [Murray, 1993]............... 55
Figura 3-2- Parte da rede CIN do sistema BIP-I [Barr, 1976] .......................................... 63
Figura 3-3- Parte da rede semntica usada no sistema BIP-II........................................... 64
Figura 3-4- Parte do grafo gentico usado no sistema WUSOR-III ................................. 66
Figura 3-5- Organizao do currculo no sistema SHERLOCK....................................... 67
Figura 4-1- Modelo overlay [Kass, 1989]......................................................................... 85
Figura 4-2- Modelo diferencial [Kass, 1989].................................................................... 86
Figura 4-3- Modelo de perturbao [Kass, 1989] ............................................................. 87
Figura 5-1- Grafo AND/OR faseado............................................................................... 120
Figura 5-2- Guio DS...................................................................................................... 122
Figura 5-3- Guio DtR.................................................................................................... 123
Figura 5-4- Guio DmR.................................................................................................. 124
Figura 5-5- Guio DtD.................................................................................................... 125
Figura 5-6- Guio DmD.................................................................................................. 126
Figura 5-7- Guio disparo num s extremo .................................................................... 127
Figura 5-8- Guio disparo em ambos os extremos.......................................................... 127
Figura 5-9- Nveis de representao do conhecimento (DtR)......................................... 135
Figura 7-1- Tabela de Predio....................................................................................... 154
Figura 7-2- Determinao do nvel de conhecimento global .......................................... 163
Figura 7-3- Ilustrao da fase 1 do mecanismo de seleco de problemas..................... 166
Figura 7-4- Mecanismo de classificao de tipos de incidentes ..................................... 168
Figura 7-5- Exemplo de uma pequena cadeia de inferncia ........................................... 183
Figura 7-6- Obteno do modelo especfico da situao ................................................ 185
Figura 7-7- Mecanismo de validao das entradas do operador ..................................... 189
Figura 7-8- Categorias de padres de erro ...................................................................... 190
xv
Figura 7-9- Procedimento para determinar a razo da impossibilidade de definir uma
relao temporal (padro de erro 11) ........................................................... 197
Figura 7-10- Procedimento para determinar o nmero de variveis a corrigir
(padro de erro 12) ....................................................................................... 199
Figura 7-11- Determinao da inteno do operador na definio de uma relao
temporal........................................................................................................ 211
Figura 7-12- Procedimento para seleco do conceito acerca do qual ser apresentada
ajuda ............................................................................................................. 214
Figura 7-13- Representao dos estados do campo a preencher ....................................... 220
Figura 7-14- Interface com o utilizador do GCT .............................................................. 224
Figura 7-15- Interface com o utilizador do ECT............................................................... 228
Figura 7-16- Arquitectura do sistema de treino de operadores ......................................... 230
Figura 7-17- Modo de funcionamento autnomo.............................................................. 232
Figura 7-18- Modo de funcionamento accionado pelo SPARSE...................................... 233

xvi

Lista de Tabelas
Tabela 3-1- Regra do sistema pericial SPARSE [Vale, 1993a] ........................................ 53
Tabela 3-2- Formalismo de representao do domnio de alguns ITS.............................. 58
Tabela 3-3- Regra Usada para a Representao de uma Estratgia no Sistema
GUIDON [Clancey, 1982b] ........................................................................... 69
Tabela 5-1- Regra do sistema pericial SPARSE usada no tratamento do evento de
abertura de disjuntor [Vale, 1993a].............................................................. 115
Tabela 5-2- Lista de instantes simblicos........................................................................ 132
Tabela 7-1- Componentes de instruo do componente de macro adaptao................. 157
Tabela 7-2- Nveis de dificuldade dos problemas ........................................................... 162
Tabela 7-3- Determinao do factor de aquisio........................................................... 164
Tabela 7-4- Determinao do factor de aquisio global ................................................ 164
Tabela 7-5- Mecanismo para definio do sentido de variao do nvel de
dificuldade do problema............................................................................... 165
Tabela 7-6- Evoluo do nvel de conhecimento sobre os conceitos do domnio em
funo dos incidentes apresentados numa sequncia de problemas ............ 174
Tabela 7-7- Determinao do factor de actualizao das variveis do modelo do
operador ....................................................................................................... 219

xvii

Lista de Abreviaturas
CAI Computer-Aided Instruction
CSCL Computer Supported Collaborative/Cooperative Learning Systems
IA Inteligncia Artificial
ICAI Intelligent Computer Aided Instruction
ISD Instructional Systems Design
ITS Intelligent Tutoring Systems
KADS Knowledge Analysis and Design Support
SBC Sistema Baseado em Conhecimento
SEE Sistema Elctrico de Energia

xix

1 Introduo
1.1 Motivao para o Treino de Operadores
A explorao das redes elctricas tem-se tornado progressivamente mais complexa,
sendo este aspecto actualmente reforado pelo processo de reestruturao do sector
elctrico. Este processo tem-se alargado a um grande nmero de pases, entre os quais os
pases da Unio Europeia, incluindo Portugal. Neste contexto, as actividades de explorao
das redes de transporte de energia elctrica assumiram uma maior importncia, sendo os
aspectos relativos qualidade de servio prestado por estas redes devidamente
estabelecidos em regulamentao que as empresas que actuam no mbito do transporte de
energia elctrica tm que cumprir.
Estes aspectos, juntamente com a necessidade de redes densamente emalhadas e
exploradas perto dos seus limites admissveis, tornam o controlo e a explorao destas
redes cada vez mais complexos. As situaes de ocorrncia de incidentes so
especialmente crticas, requerendo operadores habilitados e experientes capazes de tomar
as aces mais correctas e em tempo til. Estas so especialmente exigentes no caso de
necessidade de participao conjunta de operadores de diversos centros de controlo e
conduo.
Apesar de estes centros de controlo e conduo disporem de uma grande
quantidade de aplicaes computacionais elaboradas, a complexidade das tarefas de
controlo e explorao das redes requer que os operadores humanos assumam um papel
primordial na tomada de decises. Estes operadores no dispem, contudo, de ferramentas
de apoio deciso que permitam suportar adequadamente as suas tarefas em situaes
crticas.
1
Por outro lado, um nmero considervel de erros de operao e de controlo
devido a falhas humanas. Estes erros no so cometidos apenas por operadores com pouca
experincia mas tambm por operadores experientes e devidamente habilitados, porque as
tarefas envolvidas so habitualmente bastante exigentes. Constata-se que a maioria dos
incidentes graves, como apages gerais ou parciais, devida a situaes que os operadores
nunca tinham enfrentado.
Estas razes justificam que o treino de operadores dos centros de controlo e
conduo de redes elctricas seja considerado um aspecto importante para contribuir para
uma explorao econmica e fivel dos Sistemas Elctricos de Energia. At h alguns anos
atrs, os operadores recebiam treino atravs da experincia quotidiana adquirida na
operao das redes. medida que estes operadores enfrentavam novos tipos de defeitos,
tornavam-se mais experientes e adquiriam maior competncia para a execuo das suas
tarefas. Os operadores menos experientes podiam obter treino atravs da observao dos
operadores mais experientes durante a execuo das suas tarefas. Contudo, os Sistemas de
Energia actuais apresentam ndices de fiabilidade que permitem garantir uma elevada
qualidade de servio, apresentando um reduzido nmero de incidentes e sendo rara a
ocorrncia de incidentes graves. Nestas circunstncias, o nmero de incidentes vividos por
cada operador reduzido e um operador com vrios anos de experincia pode no ter ainda
presenciado um grande conjunto de tipos de defeitos. Pode-se ento concluir que o treino
no posto de trabalho, baseado na observao dos operadores mais experientes, deixou de
ser eficaz [Silva, 2001].
Aps os apages ocorridos na cidade de Nova Iorque nos anos de 1965 e 1977, as
empresas dedicadas explorao de redes elctricas passaram a considerar mais
seriamente aspectos relacionados com o treino de operadores de centros de controlo,
especialmente em situaes anormais ou de incidente [Vale, 1994a]. No final da dcada de
70, o primeiro simulador de treino foi instalado numa empresa de Nova Iorque e em 1980
uma empresa japonesa instalou o primeiro simulador de treino no Japo [Sekine, 1993].
A utilizao de simuladores de treino no est muito difundida e pode mesmo ser
considerada demasiado onerosa. Um dos principais problemas relacionados com a
utilizao de simuladores de treino a exigncia de disponibilidade por parte de instrutores
para a preparao das sesses de treino. Normalmente, a preparao de sesses de treino
2
Introduo
requer a colaborao de peritos na conduo da rede, para os quais os problemas de
conduo da rede constituem uma tarefa prioritria, no dispondo de tempo para tarefas
complementares, como a preparao de sesses de treino, por sobrecarga de trabalho. Este
aspecto constitui uma razo importante para explicar a baixa difuso e eficcia dos
simuladores de treino.
1.2 Situao Actual do Treino de Operadores
O treino dos operadores dos centros de controlo e conduo da rede elctrica de
transporte da Rede Elctrica Nacional (REN) registou recentemente uma evoluo.
Inicialmente, o treino dos operadores menos experientes era obtido atravs da observao
dos operadores mais experientes durante a execuo das suas tarefas. Para tal, aps um
perodo inicial de formao, os turnos eram organizados de forma a que os operadores
mais experientes estivessem presentes no centro de controlo durante os turnos dos
operadores menos experientes. Este tipo de treino, para alm das limitaes j referidas,
no permite o treino de operadores experientes e devidamente habilitados. De facto, a
anlise post-morten de situaes de incidente permite concluir que, apesar da operao da
rede estar a ser realizada por operadores experientes e devidamente habilitados, as aces
executadas nem sempre so as mais indicadas. As consequncias destes incidentes
poderiam ter sido minimizadas se no tivessem sido cometidos erros de operao e se
tivesse existido uma coordenao eficaz entre os operadores. A constatao destes factos
reala a necessidade de um sistema de treino que permita utilizar as situaes de incidente
mais severas na formao de operadores. Por um lado, tal sistema de treino seria til na
formao dos operadores menos experientes. Por outro lado, a possibilidade de usar
situaes passadas permitiria aos operadores mais experientes melhorar o seu desempenho
em situaes futuras.
Recentemente, no ano de 2000, a REN comeou a usar um sistema denominado
Dispatch Training Simulator (DTS) no treino dos seus operadores. O DTS um
simulador de treino sofisticado que permite simular os componentes da rede e as
consequncias das manobras dos operadores, enquadrando-se na gama mais alta de
simuladores existentes nesta rea. No entanto, tratando-se de um simulador de treino,
apresenta um conjunto de limitaes que so comuns neste tipo de sistemas. Frasson
[Frasson, 1996a] refere as seguintes limitaes:
3
as sesses de treino tendem a ser muito raras, por razes de oramento ou de
agenda;
a qualidade do ensino questionvel, j que se verifica a ausncia de avaliao dos
resultados;
a actualizao dos cursos existentes demorada e cara;
necessrio, normalmente, retirar os empregados do seu local de trabalho;
difcil assegurar a coerncia do treino de empregados dispersos por vrios
departamentos, situados muitas vezes em locais muito distantes;
as caractersticas prprias do aluno, o seu estilo de aprendizagem e as suas
incompreenses no so tidos em conta, porque no praticvel ter um curso
adaptado s necessidades especficas de cada aluno;
h dificuldade em detectar, e portanto eliminar, incompreenses sentidas pelo aluno
durante a sesso de treino.
Os simuladores para treino de operadores de centros de controlo de Sistemas de
Energia, tendo que modelizar o mais fielmente possvel tanto o centro de controlo como o
Sistema de Energia, constituem sistemas complexos. Como principais desvantagens deste
tipo de simuladores, destacam-se as seguintes:
sendo sistemas complexos, so onerosos;
a sua complexidade requer a preparao de sesses de treino por pessoal
especializado, o que constitui uma tarefa demorada;
normalmente so pouco flexveis e limitados do ponto de vista da interface com o
utilizador;
apresentam dificuldades no que diz respeito sua manuteno.
No caso da REN, o nmero reduzido de cursos de treino de operadores realizados
desde a instalao do simulador de treino traduz as dificuldades encontradas na utilizao
4
Introduo
deste tipo de sistemas. Por um lado, a complexidade do sistema, tanto a nvel de hardware
como de software, dificulta a mobilidade do sistema de treino. Por este motivo, as sesses
de treino realizam-se nas instalaes da REN, em Sacavm, obrigando deslocao dos
operadores do centro de controlo de Vermoim e, por conseguinte, ao seu afastamento do
seu local de trabalho. Se atendermos ainda ao facto de que os operadores dos centros de
controlo trabalham em regime de turnos, a organizao das sesses de treino com a
durao adequada torna-se muito difcil.
Por outro lado, o elevado tempo necessrio para a preparao de cada sesso de
treino limita o nmero de sesses que pode ser disponibilizado. Neste contexto, cada
operador participa apenas num reduzido nmero de sesses por ano (cerca de duas sesses
por ano).
A juntar a estas dificuldades, surge ainda o facto de que as funes de operador do
centro de controlo tendem a ser ocupadas pela mesma pessoa por perodos cada vez mais
reduzidos. medida que as habilitaes acadmicas dos novos operadores vo
aumentando e as perspectivas de progresso na carreira dentro da empresa aumentam,
verifica-se uma maior rotatividade na ocupao nos lugares de operador. Esta nova
realidade refora a necessidade de implementao de programas de treino de novos
operadores.
1.3 Tutores Inteligentes: Uma Alternativa ao Treino Tradicional
A investigao na rea dos tutores inteligentes tem motivado grande interesse nas
instituies acadmicas, na indstria e no ramo militar. A inadequao dos simuladores de
treino, assim como a falta de tcnicas de treino inovadoras tm constitudo uma motivao
para tentar reverter as deficincias dos actuais mtodos de treino.
Na indstria tm sido aplicados recursos avultados em programas de treino. Por
exemplo, j em 1992 a IBM gastava anualmente 900 milhes de dlares no treino directo
de aproximadamente 400 mil funcionrios distribudos por 300 pases [Woolf, 1992b]. As
dificuldades existentes na rea do recrutamento e seleco de trabalhadores bem
preparados tem levado a indstria a investir somas avultadas em programas de treino.
Estes e outros problemas tm contribudo para realar as possibilidades oferecidas
pelos sistemas baseados em conhecimento. O surgimento de novas arquitecturas de
sistemas inteligentes de ensino tem mostrado que algum progresso foi obtido nesta rea.
5
De facto, alguns destes sistemas alcanaram melhoramentos no que diz respeito ao treino
fornecido, que so equivalentes queles que se obtm quando se comparam os mtodos de
ensino em grupo e de um para um [Anderson, 1989; Reiser, 1991; Corbett, 2000]. Tm
sido descritos vrios casos de sucesso em que alunos utilizando tutores baseados em
conhecimento precisaram de menos tempo para adquirir o mesmo conjunto de
conhecimentos e capacidades quando comparados com um grupo de controlo [Woolf,
1992b]. Por exemplo, num destes casos, os tcnicos da Fora Area dos Estados Unidos da
Amrica que utilizaram um tutor para aprendizagem de diagnsticos em circuitos
electrnicos, durante 20 horas, atingiram um nvel de conhecimento equivalente quele que
foi atingido por tcnicos que receberam treino atravs da observao de tcnicos
experientes durante 40 meses [Lesgold, 1992].
Os tutores inteligentes pretendem proporcionar um ensino que se possa adaptar
dinamicamente ao aluno, s suas preferncias, ao seu ritmo de aprendizagem e sobretudo
ao seu nvel de conhecimento. O propsito destas aplicaes criar sistemas que possam
no s dispor de informao sobre aquilo que o aluno sabe, mas tambm sobre o prprio
conhecimento do domnio armazenado na sua base de conhecimento.
A adaptao dinmica ao aluno requer um conhecimento profundo do seu
comportamento numa situao de aprendizagem, particularmente na fase de resoluo de
problemas. Este tipo de conhecimento mantido num modelo do aluno. Para alm deste
conhecimento, o modelo deve conter conhecimento acerca dos objectivos do aluno, do
nvel de conhecimento do aluno sobre o domnio, assim como das concepes erradas que
o aluno possa ter sobre questes referentes ao domnio.
A flexibilidade dos tutores inteligentes, por outro lado, possibilita que estes
forneam vrios tipos de aconselhamento. A ajuda pode ser prestada a pedido do utilizador
ou de forma automtica, por iniciativa do tutor. Pode ainda ser apresentada com diferentes
nveis de detalhe.
A utilizao de um modelo do aluno permite aos tutores inteligentes oferecerem
treino individualizado, podendo este ser realizado quer no ambiente de trabalho do
utilizador, quer em locais remotos.
Comparando os tutores inteligentes com os simuladores de redes elctricas, os
primeiros apresentam vantagens, das quais se destacam as seguintes:
6
Introduo
atravs da utilizao de modelos do utilizador, podem adaptar o treino ao utilizador.
permitem o uso de listas de mensagens de alarme produzidas durante incidentes
anteriores, recriando essas situaes de modo a poder treinar os operadores;
podem oferecer uma interface inteligente e adaptativa com o utilizador, de acordo
com as preferncias e hbitos de trabalho do utilizador [Faria, 1996a];
Apesar das vantagens presentes no treino oferecido pelos tutores inteligentes, este
tipo de aplicaes no tem sido utilizado em grande escala. Uma das razes para a
profuso limitada destas aplicaes prende-se com a dificuldade de desenvolvimento de
aplicaes baseadas em conhecimento. A construo de um tutor inteligente uma tarefa
individualizada, que depende do modelo do domnio e do modelo dos alunos. No caso do
modelo do domnio, a sua base de conhecimento especfica e difcil de ser reutilizada em
outros domnios. A implementao do modelo dos alunos apresenta-se como sendo uma
tarefa exigente, pois a representao do conhecimento do aluno a cada momento do
processo de aprendizagem ainda complexa.
1.4 Objectivos e Breve Descrio do Trabalho Desenvolvido
Aps terem sido identificadas as principais limitaes dos simuladores de treino de
operadores, tornou-se claro que a incluso de um maior nvel de inteligncia, sustentada
numa abordagem orientada para o conhecimento, era vital no processo de treino.
Dada a dificuldade existente na preparao de cenrios de treino, cenrios estes que
exigem grande disponibilidade por parte dos especialistas, os quais so pessoas muito
ocupadas e que assumem muitas responsabilidades na explorao da rede, considerou-se
que a tecnologia dos sistemas periciais seria adequada e que poderia ser conjugada com a
principal componente deste trabalho, os tutores inteligentes. Contudo, no se deveria
apenas usar o sistema pericial como ferramenta de suporte do tutor inteligente,
nomeadamente porque os sistemas periciais no so concebidos especificamente para a
componente de formao.
A tecnologia dos tutores inteligentes claramente adequada para o treino de
operadores, pois permite englobar no processo de formao dos operadores aspectos como
o conhecimento do domnio, o conhecimento pedaggico, as estratgias de ensino, o
7
planeamento da instruo, a modelao e representao do conhecimento do aluno e a
utilizao e manuteno de tal modelo.
Este trabalho visou a construo de um modelo de treino de operadores de centros
de controlo e conduo de redes elctricas, tendo este modelo de treino considerado
especificamente os operadores dos centros de controlo e conduo da REN [Faria, 2000a].
Em particular, o modelo de treino proposto destina-se ao treino para a obteno do
diagnstico dos incidentes da rede elctrica. A tarefa de diagnstico de incidentes constitui
uma das tarefas mais importantes dos operadores. De facto, o reconhecimento da existncia
de um problema e a correcta identificao do mesmo constitui um requisito essencial para
encontrar a soluo e minimizar as consequncias dos incidentes.
A origem do trabalho apresentado nesta Dissertao enquadra-se num projecto que
contemplou o desenvolvimento do sistema pericial SPARSE (Sistema pericial de
Processamento inteligente de mensagens e apoio anlise de Avarias e Reposio de
SErvio) [Vale, 1997b; Vale, 1998a]. A base de conhecimento do SPARSE esteve na
origem do desenvolvimento do modelo do domnio do sistema de treino. O sistema pericial
SPARSE assume um papel activo no sistema de treino, uma vez que utilizado por este
como perito do domnio.
O sistema de treino aqui apresentado pretende colmatar lacunas existentes no treino
dos operadores, baseado no simulador de treino da REN. Com efeito, o sistema de treino
da REN no ensina o operador a construir um processo de obteno de diagnstico de
incidentes. O sistema de treino proposto pretende ajudar o operador a integrar o seu
conhecimento num modelo funcional que lhe permita obter os diagnsticos correctos. O
processo de aprendizagem conduzido atravs de um ambiente de resoluo de problemas,
que pretende ser amigvel, e que oferece apoio ao operador. O apoio fornecido ao operador
durante a resoluo dos problemas que lhe so propostos deve adaptar-se s suas
necessidades, devendo diminuir medida que este aumenta o grau de automatizao da
tarefa.
A actividade nos centros de controlo varia entre picos de actividade, durante
situaes de emergncia, e perodos de actividade reduzida. O sistema de treino pretende,
assim, oferecer uma soluo aos responsveis dos centros de controlo para o problema do
treino, disponibilizando ocupaes interessantes e produtivas para os operadores desses
8
Introduo
centros durante perodos de menor actividade. O operador poder utilizar o sistema de
treino sem ter necessidade de se ausentar do seu local habitual de trabalho.
A Figura 1-1 mostra a arquitectura genrica proposta para o tutor inteligente que
desenvolvemos no mbito deste trabalho. A arquitectura aqui proposta ser detalhada na
seco 7.7.
Ambiente de
Desenvolvimento de
Cenrios de Treino
Perito do Domnio
(SPARSE) Biblioteca de
Cenrios de
Treino
Sistema de Treino de Operadores
Mdulo Pedaggico
Planeamento e Instruo
Dicas
Padres de Erro
Regras para
Definio de
Caractersticas
do Problema
Modelo do
Domnio
Modelo do
Operador
Operador
Incidentes da
REN
Supervisores do Treino
de Operadores
Figura 1-1- Arquitectura genrica do tutor inteligente

9
De seguida iremos efectuar uma breve descrio dos contributos e originalidades
do presente trabalho.
Tal como foi referido anteriormente, o tutor inteligente no deveria usar a base de
conhecimento do sistema pericial SPARSE tal como ela se encontra, nomeadamente
porque tal base de conhecimento no foi concebida com a inteno de treinar os
operadores. Optou-se por utilizar guies (scripts) para representar o conhecimento, os
quais foram implementados atravs de grafos AND/OR faseados. A Figura 1-2 mostra um
exemplo de um destes grafos. A utilizao de dois nveis de granularidade, um nvel mais
detalhado para principiantes e outro nvel com maior nvel de abstrao para operadores
experientes, foi tambm visada na representao do conhecimento [Faria, 2001a]. Na
seco 5.7 iremos descrever mais em detalhe o nosso contributo original em termos de
representao do conhecimento em tutores inteligentes.
Figura 1-2- Representao do conhecimento com guies implementados com grafos
AND/OR faseados
Uma das caractersticas originais deste sistema de treino diz respeito obteno do
modelo mental do operador. O modelo mental do operador obtido a partir da sequncia
de passos do operador durante a resoluo do problema. Este processo no exige, no
entanto, que o operador siga um plano predefinido como acontece em outros sistemas. A
comparao deste modelo mental com o modelo funcional da tarefa, obtido a partir dos
peritos do domnio, permite obter o diagnstico cognitivo do estado de conhecimento do
operador. A origem do comportamento inteligente do sistema de treino reside na
capacidade em obter e utilizar este diagnstico para conduzir o operador.
10
Introduo
Relativamente modelao do operador, usamos um mecanismo de representao
da incerteza sobre o nvel de conhecimento do operador, atravs de vectores de crena
tendo como base o uso de raciocnio difuso. Por exemplo, o vector de crena F=(0.0; 0.2;
0.6; 0.2; 0.0) pode significar que acreditamos que os conhecimentos do operador sobre um
dado conceito tm 20% de possibilidades de serem poucos, 60% de possibilidades de
serem suficientes e 20% de possibilidades de serem bons. O primeiro e ltimo elementos
do vector indicam que a possibilidade do nvel de conhecimento do operador ser muito
fraco ou muito bom nula. Na seco 6.3 apresentada a estrutura do modelo do operador.
Apesar do vector de crena usado para representar as variveis do modelo fornecer mais
informao acerca do nvel de conhecimento do operador, o tutor transforma o vector num
valor escalar para uso nos seus clculos. A determinao do valor do vector F (E(F))
baseada no nvel de conhecimento mdio (m
i
) que caracteriza cada uma das classes
representadas no vector e na possibilidade (f
i
) do nvel de conhecimento do operador ser
caracterizado por cada uma das classes, de acordo com a seguinte frmula:

( )

=
i
i i
f m F E
Foi ainda implementado um mecanismo de actualizao das variveis do modelo
do operador considerando taxas de actualizao e vectores de alcance, variando estes
ltimos em funo do nvel mdio de conhecimento do operador, podendo tal variao ser
tomada no sentido positivo ou negativo. Este mecanismo descrito na seco 6.4.
Outro contributo deste trabalho reside na forma utilizada para identificar os nveis
de dificuldade dos problemas [Faria, 2002]. A caracterizao do grau de dificuldade dos
problemas a apresentar ao operador baseada nas caractersticas que os tornem mais
complexos ou que requeiram maior percia: nmero de incidentes envolvidos, nmero de
tipos de incidentes e existncia de inverso cronolgica nas mensagens SCADA. Esta
caracterizao apresentada na seco 7.3.1.1.1.
O mecanismo para classificar a adequao dos tipos de incidentes ao modelo do
utilizador com base em redes neuronais, como a que aparece na Figura 1-3, outro dos
contributos deste trabalho. Este mecanismo apresentado na seco 7.3.1.1.2.

11
DmD
DtR
DmR
DS
DtD
Camada de
sada
Camada de
entrada
w
11
w
12
w
13
w
14
w
1n
a
1
a
5
a
4
a
3
a
2
x
1
x
2
x
3
x
4
x
n
Figura 1-3- Mecanismo de classificao de tipos de incidentes

O mtodo usado para seleco de problemas garante que a sequncia de tipos de
problemas no montona, permitindo que se passe para um novo tipo de problemas sem
que se tenha atingido o nvel de conhecimento mximo relativamente ao tipo de problema
anterior. Este outro dos contributos originais deste trabalho. Na seco 7.3.1.1.2.1
apresentado um exemplo de aplicao deste mtodo.
A abordagem adoptada neste trabalho para implementar o mecanismo de interaco
entre o operador e o sistema de treino baseia-se na utilizao de tabelas de predio [Faria,
2001b]. Esta forma de interaco cria um ambiente que permite ao operador resolver os
problemas que lhe so propostos e permite-lhe, ainda, mostrar a sua anlise ao tutor para
que este possa verific-la e oferecer ajuda.
A modelao dos padres de erro, citada na seco 7.5.2.1.1, atravs de um
conjunto de nove atributos outro dos contributos deste trabalho.
Outro contributo original reside no uso de um modelo probabilstico que permite a
inferncia das intenes do aluno na especificao das relaes temporais. O modelo e um
exemplo de aplicao so apresentados na seco 7.5.2.1.5.
Finalmente, as ferramentas que permitem a gerao e edio de cenrios de treino
[Faria, 2000b; Faria, 2000c] so vitais para o sucesso deste tipo de sistemas, visto que a
sua utilizao efectiva depende, em grande medida, dos requisitos em termos de esforo e
12
Introduo
de tempo necessrios para as tarefas de gerao e manuteno das sesses de treino. Estas
ferramentas so apresentadas na seco 7.6.2.
1.5 Estrutura da Dissertao
Esta Dissertao compreende oito captulos. Aps o presente captulo de
introduo, no Captulo 2 apresentada a evoluo dos sistemas de ensino baseados em
computador. Segue-se a descrio da estrutura tpica de um tutor inteligente e a
apresentao de uma classificao deste tipo de sistemas. Relativamente aos aspectos
ligados implementao de tutores inteligentes abordam-se as ferramentas para
desenvolvimento de tais sistemas. Neste captulo apresentam-se ainda alguns problemas
que se verificam aquando da transio destes sistemas para ambiente industrial. O captulo
termina com uma caracterizao do tipo de ensino fornecido pelos tutores.
O Captulo 3 apresenta as vrias abordagens de modelao e de representao do
conhecimento do domnio e do conhecimento pedaggico. Relativamente a este ltimo, so
apresentadas algumas solues para a representao do currculo e os princpios gerais do
planeamento da instruo.
O Captulo 4 apresenta uma viso geral sobre a modelao do conhecimento do
aluno num tutor inteligente. So apresentadas algumas das abordagens mais comuns para
modelao do aluno. Neste captulo so ainda apresentadas as funes do modelo do aluno
no mbito de um tutor inteligente. O captulo termina abordando os aspectos ligados
manuteno do modelo do aluno e sua implementao.
A partir do Captulo 5 apresentado o trabalho desenvolvido no mbito desta Tese.
O Captulo 5 comea por apresentar o perito do domnio usado pelo sistema de
treino de operadores desenvolvido: o sistema pericial SPARSE. A base de conhecimento
do SPARSE constitui a fonte de conhecimento para a construo do modelo do domnio. O
captulo continua, descrevendo as funes do modelo do domnio e a forma como este
influencia a tomada de decises pedaggicas. ainda discutida a influncia exercida pela
estrutura da tarefa de diagnstico de incidentes na sistematizao do modelo do domnio.
O Captulo 6 dedicado modelao do operador dos centros de controlo e
conduo. O captulo comea por descrever quais os aspectos do operador a modelar. O
captulo inclui ainda a descrio da estrutura do modelo e do mecanismo responsvel pela
sua actualizao.
13
O Captulo 7 descreve o modelo de treino de operadores. Este captulo comea por
apresentar o modelo de interaco desenvolvido. apresentado o mecanismo de
planeamento e instruo, responsvel pela tomada de decises pedaggicas. As decises
pedaggicas so agrupadas em dois nveis distintos. Num primeiro nvel, encontram-se as
decises que antecedem o incio das sesses de treino. As decises tomadas durante a
sesso de treino enquadram-se no segundo nvel. O Captulo 7 apresenta ainda o mtodo
utilizado para obter o diagnstico cognitivo do operador. Em seguida apresentado um
conjunto de ferramentas que permite automatizar a criao de material utilizado nas
sesses de treino. ainda apresentada a arquitectura do sistema de treino e a sua integrao
com o sistema pericial SPARSE. O captulo termina com uma descrio da orientao
terica do modelo de treino.
A Dissertao termina no Captulo 8 com a apresentao das concluses que o
trabalho desenvolvido permitiu tirar, descrio de algumas das suas limitaes e sugestes
para trabalho futuro.

14

2 Sistemas de Ensino Baseados em Computador
2.1 Introduo
O processo de aprendizagem pode ser visto como um processo activo de aquisio
de conhecimento, em que o aluno cria uma interpretao pessoal da informao que lhe
fornecida. A aquisio de conhecimento realizada atravs da integrao de novo
conhecimento com conhecimento j existente, atravs de novas inferncias. Estas
inferncias permitem construir relaes entre conceitos ou desenvolver o conhecimento
adquirido previamente [Kintsch, 1993]. No caso de alunos com reduzido conhecimento do
domnio, estas inferncias no so geradas automaticamente. O papel do agente
responsvel pela orientao do ensino (um tutor, por exemplo), consiste em introduzir as
tcticas pedaggicas que influenciem o aluno a construir estas inferncias [Gagn, 1992].
Estas tcticas podem tambm ser organizadas com o objectivo de melhorar os aspectos que
contribuem para a eficcia da instruo, tais como a motivao do aluno e a sua ateno,
entre outros.
Alguns estudos, como o realizado por [Bloom, 1984], atestam que o mtodo de
instruo de um para um, conduzido por um tutor humano, em comparao com outros
mtodos de instruo, poder aumentar a eficcia do processo de aprendizagem. No
entanto, para que um tutor humano alcance um bom desempenho necessrio que este
possua percia, tanto no domnio de ensino, como em reas como da pedagogia e da
comunicao [Khuwaja, 1994]. A escassez de tutores humanos que satisfaam estes
requisitos abre boas perspectivas para o uso de sistemas de ensino por computador cujo
desempenho se aproxime do apresentado por estes tutores humanos.
15
2.2 Sistemas de Ensino Assistido por Computador
Os sistemas de ensino assistido por computador (CAI Computer-Aided
Instruction) surgiram nos anos 50. Os primeiros sistemas eram constitudos por unidades
de ensino que eram apresentadas ao aluno sob a forma de crans (por vezes designados por
frames). Estes crans continham textos ou questes de resposta do tipo verdadeiro/falso ou
de escolha mltipla. Normalmente, o conhecimento acerca do domnio estava codificado
como parte do texto, no permitindo ao sistema raciocinar acerca do conhecimento do
domnio. Alguns dos crans continham testes de avaliao que o sistema apresentava ao
aluno para verificar se os conhecimentos eram assimilados. A avaliao das respostas do
aluno permitia ao sistema seleccionar o prximo cran a apresentar. Esta avaliao
limitava-se a determinar se as respostas estavam correctas ou erradas.
A grande limitao destes sistemas deve-se, por um lado, ao facto de no ser
realizada uma anlise aprofundada das respostas do aluno, e por outro lado, ao carcter
restrito do dilogo com o aluno. Por outras palavras, no era possvel raciocinar acerca das
respostas do aluno. Por outro lado, tambm no existia forma de raciocinar acerca do
conhecimento pedaggico, limitando as formas de ensino a uma escolha predefinida.
Finalmente, uma vez que o texto estava codificado nos prprios crans, no era possvel
dispor de vrias formas de expressar um conceito sem criar novos crans para cada
conjunto de escolhas.
No que diz respeito ao currculo, este encontrava-se representado de forma
implcita, ou seja, as matrias e a sua organizao eram definidas de incio. No se trata,
pois, de um currculo aberto, capaz de permitir um ensino orientado para o aluno,
constituindo sobretudo uma simples organizao ou sequenciamento de crans a apresentar
numa ordem condicionada pelas respostas do aluno.
Este tipo de sistemas evoluiu atravs do uso de tcnicas de identificao de padres
(pattern-matching) para analisar as respostas do aluno e, mais tarde, para os chamados
sistemas adaptativos, capazes de gerar o material didctico, em particular para problemas
de aritmtica e de vocabulrio. Nestes sistemas, o modelo do aluno baseava-se nos
parmetros representativos do comportamento do aluno ao invs de usar uma
representao explcita dos seus conhecimentos. Esta evoluo, no entanto, representa um
16
Sistemas de Ensino Baseados em Computador
passo na direco a um ensino individualizado, mas ainda insuficiente, uma vez que as
tcnicas utilizadas apresentavam vrios problemas importantes, tais como:
dificuldade na anlise e compreenso das intenes e das dificuldades do aluno
(considerao do modelo do aluno);
incapacidade de raciocinar sobre o domnio de ensino, o qual era ainda um domnio
muito restrito;
o conhecimento pedaggico o que ensinar e em que situao no representado
numa forma que permita raciocinar sobre ele;
o conhecimento do domnio est combinado com o conhecimento pedaggico,
dificultando a sua manuteno.
2.3 Sistemas Inteligentes de Ensino Assistido por Computador
Em 1970, Carbonell definiu um novo tipo de CAI, designado por ICAI (Intelligent
Computer Aided Instruction) [Carbonell, 1970]. O objectivo deste novo tipo de sistema era
proporcionar um ensino mais efectivo e personalizado do que aquele que era alcanado
com os sistemas CAI tradicionais, atravs da utilizao de tcnicas de IA (Inteligncia
Artificial).
Nos sistemas ICAI, tambm designados por ITS (Intelligent Tutoring Systems), a
inteligncia reside na capacidade que estes sistemas tm para efectuar aces que no
foram previstas explicitamente pelo programador. Estas aces representam a capacidade
dos ITS de saber o que ensinar, quando ensinar e como ensinar. Segundo [Self, 1974],
estes sistemas devem possuir uma representao da matria de ensino (conhecimento do
domnio), da pessoa que ensinada (modelo do aluno) e da forma como o ensino se deve
desenrolar (estratgias pedaggicas).
Uma vez que os aspectos subjacentes s limitaes dos sistemas CAI tradicionais,
apresentados na seco 2.2, so semelhantes aos aspectos que motivaram o
desenvolvimento de outros tipos de sistemas baseados em conhecimento, as vantagens que
advm da utilizao de tcnicas de Inteligncia Artificial, com o intuito de simplificar e
tornar mais eficiente o desenvolvimento de programas de instruo, tornam-se evidentes.
17
Os primeiros esforos de aplicao de tcnicas de IA em ITS centraram-se na
representao da matria objecto de ensino, a qual se encontrava codificada implicitamente
nos primeiros sistemas CAI. Tm sido aplicadas vrias tcnicas de representao do
conhecimento, tais como redes semnticas, regras de produo, guies (scripts), entre
outras. No entanto, o progresso mais importante deu-se com a representao explcita e
separada da base de conhecimento do domnio. Este desenvolvimento permitiu facilitar a
modificao da base de conhecimento sem necessidade de reformular todo o sistema.
A partir de meados da dcada de 70, a investigao na rea dos ITS comeou a
desenvolver esforos para anlise do estado de aprendizagem do aluno. Geralmente, um
bom conhecimento sobre o domnio de ensino no suficiente para garantir um bom
ensino. Sem o conhecimento acerca do que o aluno sabe e do que no sabe, o sistema de
ensino no pode oferecer uma instruo adaptativa. Assim, as tcnicas de IA comearam a
ser utilizadas para avaliar o estado de conhecimento do aluno [Carr, 1977; Brown, 1978].
Este conhecimento acerca do aluno pode ser utilizado pelo mdulo tutor para conduzir a
deciso acerca da prxima estratgia de ensino a usar.
Finalmente, as tcnicas de IA podem ser usadas para representar o conhecimento
pedaggico. Nos sistemas CAI tradicionais, as estratgias de ensino encontram-se
embutidas no cdigo do programa. Os procedimentos que implementam as estratgias de
ensino esto organizados atravs de estruturas de ramificao; o prximo ramo ou
procedimento a usar depende da resposta do aluno. Se o sistema necessitar de conter todas
as respostas possveis do aluno, o seu desenvolvimento tornar-se- demasiado complexo.
Por outro lado, a tarefa de manuteno torna-se difcil porque o conhecimento do perito foi
includo no cdigo do programa na fase de implementao. A utilizao de tcnicas de IA,
tais como o planeamento da instruo, permite representar as estratgias de ensino de
forma explcita [Woo, 1991a; Cho, 2000].
2.4 Estrutura de um ITS
Nos primeiros sistemas CAI todos os componentes necessrios ao processo de
instruo estavam combinados numa nica estrutura. Esta estrutura nica causava
problemas quando era necessrio proceder a alteraes no sistema. Assim, surgiu a
necessidade de separar o sistema em componentes que representem as formas de actuao
do tutor e do aluno numa situao de ensino: o conhecimento a ser ensinado, o mdulo de
18
instruo, o mtodo de comunicao e um mecanismo para modelizar o aluno. Clancey e
Soloway [Clancey, 1990] sugerem que a arquitectura de um ITS necessita dos seguintes
modelos: (1) um modelo explcito do domnio e um programa capaz de resolver problemas
do domnio; (2) um modelo do aluno que caracterize, a um nvel de detalhe adequado, o
que o aluno sabe; e (3) um modelo de ensino capaz de fornecer instruo para remediar
erros e/ou apresentar novo material didctico.
O processo de ensino necessita de uma interaco entre os agentes envolvidos: o
tutor, o aluno, o perito do domnio e o ambiente de ensino ou interface. Vrios autores, tais
como Sleeman e Brown [Sleeman, 1982] e Burns e Capps [Burns, 1988], argumentam que
um ITS deve conter quatro mdulos interligados, como apresentado na Figura 2-1: mdulo
perito do domnio, mdulo do modelo do aluno, mdulo tutor e mdulo de comunicao.
No entanto, um sistema de ensino no ser considerado inteligente se estes quatro mdulos
no forem bem realizados [Woolf, 1988; Kearsley, 1990] e integrados. Nas seces
seguintes so apresentadas as funes de cada um dos mdulos.
Mdulo Tutor
Mdulo de
Comunicao
Mdulo Perito do
Domnio
Mdulo do Aluno
Figura 2-1- Estrutura tpica de um ITS
2.4.1 Mdulo Perito do Domnio
O mdulo perito do domnio contm informao acerca do conhecimento do
domnio, constituda pelos factos e conceitos a serem ensinados. Este mdulo deve ser
capaz de resolver os problemas que so colocados ao aluno, raciocinando sobre a base de
19
conhecimento que contm a percia do domnio. Segundo [Clancey, 1987], a inteligncia
de um ITS advm da sua capacidade de resolver problemas. Esta capacidade pode ser
usada para identificar os erros do aluno, elaborar explicaes e fornecer a base para a
seleco das estratgias de ensino. Por outro lado, constitui uma fonte de conhecimento
necessrio gerao de explicaes acerca dos conceitos do domnio. O processo de
construo da base de conhecimento do domnio deve ter em conta dois aspectos: que
conhecimento deve conter e como deve ser representado esse conhecimento [Wenger,
1987].
2.4.2 Mdulo do Aluno
O mdulo do aluno mantm o modelo do aluno que contm uma estimativa do
estado do conhecimento do aluno acerca do domnio. Este mdulo capaz de produzir
inferncias acerca do estado actual do aluno atravs da interpretao das aces do aluno.
O resultado desta inferncia usado para actualizar o modelo do aluno. Devido s
limitaes muitas vezes existentes no canal de comunicao entre o aluno e o sistema,
apenas as aces do aluno, tais como predies e respostas a questes, esto disponveis
para avaliar o estado do aluno. Assim, torna-se difcil determinar com exactido o estado
de conhecimento do aluno. Por conseguinte, o modelo do aluno no perfeito. No entanto,
o modelo do aluno necessrio para adaptar o processo de ensino s necessidades de cada
aluno [Beck, 1996]. O modelo do aluno pode ainda incluir informao acerca das
preferncias e do comportamento do aluno. O historial do processo de ensino pode ser
usado para aumentar o desempenho e a individualizao do ensino.
2.4.3 Mdulo Tutor
Segundo [Woolf, 1992a], o mdulo de ensino, ou mdulo tutor, inclui os mtodos
que permitem remediar os erros, os mtodos para seleco de exemplos e analogias e as
estratgias de resposta aos comportamentos errneos do aluno. Este mdulo deve incluir
tambm o conhecimento necessrio para determinar o momento de interveno do sistema.
Todo este conhecimento usado por um mecanismo de planeamento para gerar os planos
de ensino. Os planos de ensino gerados so executados atravs da tomada de decises
pedaggicas. O mdulo tutor ainda responsvel pela monitorizao das aces do aluno e
pela adaptao das respostas do sistema ao aluno.
20
2.4.4 Mdulo de Comunicao
O mdulo de comunicao inclui o conjunto de elementos de que o aluno dispe
para interagir com o sistema. Este mdulo responsvel pela gesto do fluxo de
comunicao entre o aluno e o ITS. A evoluo das tecnologias de interaco homem-
-mquina tem permitido dotar os ITS de canais de comunicao com maior largura de
banda. No entanto, o recurso a estas tecnologias no garante que a interface seja concisa e
fcil de utilizar [Faria, 1996a; Faria, 1996b; Vale, 1997a; Faria, 1998]. A utilizao de
estilos de apresentao ambguos pode conduzir a interpretaes erradas da informao. O
mdulo de comunicao deve permitir ao aluno perceber o que deve fazer. Caso contrrio,
o aluno poder ficar cansado rapidamente, levando a que no se sinta motivado para
utilizaes futuras do sistema.
2.5 Classificao dos ITS
A classificao dos ITS pode ser realizada atravs de vrias abordagens. Como
exemplo, [Beck, 1996] usa duas dimenses para classificar os ITS: abstraco do ambiente
de aprendizagem e tipo de conhecimento objecto de ensino. A simulao usada em ITS
constitui um dos tipos de abstraco do ambiente de aprendizagem. Estes sistemas
baseados em simulao oferecem instruo ao aluno atravs da simulao mais ou menos
realista de um ambiente de trabalho, com o intuito de reduzir o custo do treino e eventuais
riscos que poderiam surgir a partir da manipulao de equipamentos reais. No extremo
oposto aos tutores baseados em simulao, encontram-se aqueles que oferecem o ensino de
forma no contextualizada sem simular o mundo real. Estes sistemas propem problemas
ao aluno sem tentar relacionar esses problemas com situaes reais.
Com o intuito de facilitar o seu desenvolvimento, os ITS tendem a concentrar-se no
ensino de apenas um tipo de conhecimento. O tipo mais comum de ITS tem por objectivo o
ensino de conhecimento procedimental. Nestes sistemas, pretende-se que os alunos
adquiram conhecimento acerca de como realizar uma tarefa particular. Sendo a anlise do
conhecimento do domnio importante neste tipo de sistemas, as questes da psicologia
cognitiva acerca da aquisio de percia humana constituem um tpico importante de
investigao nesta rea. Os ITS baseados neste princpio so denominados tutores
cognitivos [Anderson, 1995]. O tutor SHERLOCK II [Lajoie, 1992; Lesgold, 1992], um
21
tutor cognitivo em que as suas aces esto associadas aos estados do espao de estados do
problema. O sistema LISP Tutor [Anderson, 1990] constitui outro exemplo de tutor
cognitivo. Este sistema contm uma representao da percia necessria para a resoluo
de problemas sob a forma de regras de produo. O conjunto de regras de produo
obtido a partir da anlise do comportamento dos peritos do domnio durante a resoluo de
problemas. Com o intuito de obter o diagnstico do aluno, o sistema tenta encontrar as
regras que o aluno tem dificuldade de aplicar.
Outro tipo de tutores, denominados tutores baseados em conhecimento (knowledge-
-based tutors), necessitam de uma base de conhecimento do domnio mais extensa. Este
tipo de ITS destina-se preferencialmente ao ensino de conceitos em alternativa ao ensino
de natureza procedimental. A principal dificuldade presente neste tipo de sistemas est
relacionada com o facto do processo de aprendizagem de conhecimento do tipo conceptual
ser menos conhecido do que o processo de aprendizagem de conhecimento do tipo
procedimental e, portanto, existir menos teoria cognitiva para conduzir a representao do
conhecimento e o desenvolvimento do mdulo pedaggico. Devido ausncia de um
modelo robusto de aquisio de percia, estes sistemas requerem o uso de estratgias
genricas de ensino [Beck, 1996].
De uma forma geral, os tutores que se destinam ao ensino de conhecimento
procedimental assentam numa anlise cognitiva do comportamento do perito, enquanto que
os tutores para ensino de natureza conceptual utilizam uma base de conhecimento do
domnio mais completa e colocam uma maior nfase na comunicao com o aluno durante
o processo de instruo.
Uma abordagem alternativa para realizar a classificao dos ITS baseia-se na forma
como estes so utilizados para o ensino ou para a aprendizagem. Segundo [Goodyear,
1991; Galdes, 1990] a investigao na rea dos ITS desenvolveu-se em vrias direces,
conduzindo ao aparecimento de dois tipos diferentes de sistemas: ambientes interactivos de
aprendizagem e sistemas activos de ensino.
De acordo com [Goodyear, 1991], os ambientes interactivos de aprendizagem tm
adoptado modelos que privilegiam a explorao directa por parte dos alunos ou a aquisio
de competncias cognitivas de alto nvel, enquanto que os sistemas activos de ensino tm
adoptado modelos pedaggicos orientados por contedos ou dirigidos por objectivos.
22
2.5.1 Ambientes Interactivos de Aprendizagem
Os ambientes interactivos de aprendizagem (intelligent learning environments)
oferecem ao aluno um conjunto de ferramentas de aprendizagem que permitem a
explorao do domnio. Neste contexto, a aprendizagem constitui uma actividade livre pela
qual o aluno descobre novos conhecimentos por iniciativa prpria. Estes sistemas podem
ser classificados quanto forma como permitem a explorao do domnio:
de forma livre (sem interveno do sistema);
de forma guiada (o sistema pode intervir no processo de aprendizagem quando
necessrio).
Os sistemas de aprendizagem por explorao livre, tambm denominados sistemas
de aprendizagem por descoberta, pretendem ajudar o aluno a aprender como desenvolver e
depurar as suas prprias teorias em vez de ensinar as teorias consideradas mais correctas.
Este conceito foi aplicado em sistemas como o LOGO [Papert, 1980]. No entanto, este
sistema no poder ser considerado um verdadeiro ITS na medida em que no integra
tcnicas da Inteligncia Artificial [Wenger, 1987]. A maior desvantagem destes sistemas
deve-se ausncia de um mecanismo capaz de orientar a pesquisa do aluno, evitando que
este perca demasiado tempo em caminhos que no sejam compatveis com o seu estado
actual de conhecimento.
Outro tipo de ambientes interactivos de aprendizagem, denominados ambientes
reactivos de aprendizagem, pretende melhorar a eficcia dos sistemas de aprendizagem por
descoberta, realando a estrutura do conhecimento do domnio [Brown, 1983].
Contrastando com os sistemas de aprendizagem por descoberta, este tipo de ambientes
pretende evitar que o aluno perca oportunidades de descoberta, dispondo de mecanismos
que permitam conduzir o aluno ao longo do processo cientfico de descoberta [Joolingen,
1996].
Os ambientes reactivos de aprendizagem incluem os ambientes de simulao e os
ambientes hipermdia adaptativos, descritos nas seces 2.5.1.1 e 2.5.1.2 respectivamente.
23
2.5.1.1 Ambientes Interactivos de Aprendizagem Baseados em Simulao
Nestes sistemas, o ambiente de aprendizagem permite realizar a simulao de um
sistema fsico. A simulao permite ao aluno construir e manipular os modelos mentais que
contm informao relacionada com o estado do seu conhecimento acerca do domnio
estudado.
O objecto da simulao usualmente representado por um modelo qualitativo. O
modelo qualitativo descreve o comportamento do objecto da simulao em funo dos
estmulos que recebe e de acordo com o seu estado [Halff, 1993a].
A observao das aces do aluno no ambiente de simulao permite inferir as
estruturas de conhecimento que podem suportar a anlise do raciocnio do aluno [Bovair,
1990]. Esta anlise usada para produzir ou seleccionar a resposta adequada ao aluno.
Como exemplo, o sistema SOPHIE [Brown, 1975, Burton, 1982a] constitui um
ambiente de aprendizagem reactivo que estabelece um dilogo com o aluno, durante
tarefas de deteco de avarias em equipamentos electrnicos. O simulador baseia-se num
modelo do circuito electrnico do equipamento. Outro exemplo de ambiente de
aprendizagem baseado em simulao, denominado STEAMER [Hollan, 1984], um
sistema de simulao interactivo que permite aos engenheiros operar o motor de um navio.
O funcionamento do motor simulado no ambiente de aprendizagem.
2.5.1.2 Ambientes Hipermdia Adaptativos
H estudos que demonstram que as tcnicas de hipermdia podem fornecer a base
para o desenvolvimento de sistemas de aprendizagem se utilizadas conjuntamente com
tcnicas de orientao dos alunos [Brusilovsky, 1994]. Os sistemas de aprendizagem por
descoberta, assim como os sistemas hipermdia clssicos, so desprovidos de mecanismos
de orientao do aluno. No caso dos sistemas hipermdia clssicos, os contedos das
pginas e as ligaes (links) apresentadas so as mesmas para qualquer utilizador.
Os sistemas hipermdia adaptativos constroem um modelo dos objectivos,
preferncias e conhecimento de cada utilizador e usam esse modelo durante a interaco
com o utilizador, para adaptar o contedo das pginas s necessidades desse utilizador
[Brusilovsky, 2000]. A adaptao presente nestes sistemas pode ser de dois tipos:
adaptao da apresentao e adaptao da navegao.
24
A apresentao adaptativa de contedos num contexto educativo pode ser utilizada
com vrios objectivos. Por um lado, a apresentao adaptativa pode ser usada para
apresentar explicaes comparativas com o objectivo de relacionar novos contedos com
conhecimento j adquirido pelo aluno. Por outro lado, a existncia de diversas variantes de
uma explicao com diferentes nveis de detalhe pode permitir a seleco de uma
explicao adequada ao nvel de conhecimento do aluno acerca do tpico em questo.
O objectivo da navegao adaptativa auxiliar os utilizadores a encontrar os
caminhos mais adequados atravs da adaptao da apresentao e da funcionalidade das
ligaes aos objectivos, conhecimentos e outras caractersticas de um utilizador individual.
A utilizao de navegao adaptativa em sistemas educativos baseados em tcnicas
hipermdia foi influenciada pela investigao na rea do sequenciamento do currculo, cujo
objectivo fornecer ao aluno, de forma individualizada, as sequncias de unidades de
conhecimento e de tarefas de aprendizagem (exemplos, questes, problemas). Este tipo de
adaptao pode tomar as seguintes formas [Brusilovsky, 2000]:
Orientao directa o sistema evidencia a ligao que considera ser a melhor para
ser seguida pelo aluno ou gera uma ligao dinmica adicional que permite ter
acesso pgina mais adequada ao aluno;
Ordenao das ligaes o sistema ordena as ligaes de cada pgina de acordo
com o modelo do aluno e com algum critrio de avaliao (por exemplo, quanto
mais relevante for o tpico mais prximo do topo da pgina ser apresentado);
Anotao de ligaes o sistema complementa as ligaes com alguma forma de
comentrio (usualmente sob a forma de pistas visuais, como cones ou cores), o
qual pode dar ao aluno mais informao acerca dos ns subjacentes s ligaes
anotadas;
Ocultao, remoo ou desactivao de ligaes o sistema tenta evitar que o
aluno siga ligaes que, no momento, no sejam relevantes.
25
2.5.2 Sistemas Activos de Ensino
Os sistemas activos de ensino constituem a segunda grande categoria de ITS. Estes
sistemas fornecem instruo e monitorizam as aces do aluno durante a resoluo de
exerccios. Por outras palavras, estes sistemas tornam a estrutura do domnio visvel e
acessvel ao aluno e ainda ajudam a conduzir o aluno atravs do seu conhecimento do
domnio. Frequentemente, difcil estabelecer uma fronteira rgida entre os vrios tipos de
sistemas. Por este motivo, encontram-se na literatura diferentes classificaes para os
sistemas activos de ensino. A classificao adoptada neste trabalho baseia-se no agente que
assume a predominncia da conduo da sesso de treino: o tutor ou o aluno. Consideram-
-se assim dois tipos de sistemas activos de ensino: sistemas de iniciativa mista e de
orientao (coaching systems). Nos sistemas de iniciativa mista, como o nome indica, a
iniciativa partilhada entre o tutor e o aluno. No segundo tipo, embora a iniciativa tambm
possa pertena aos dois agentes, a predominncia atribuda ao aluno.
2.5.2.1 Tutores de Iniciativa Mista
Os tutores de iniciativa mista integram o aluno num dilogo com o tutor e
conduzem o ensino atravs do mtodo socrtico de descoberta guiada [Kearsley, 1990].
Neste contexto, o mtodo socrtico refere-se ao mecanismo de pergunta e resposta como
abordagem de dilogo e no tanto ao mtodo original desenvolvido por Scrates [Khuwaja,
1994]. A iniciativa do dilogo, exercida atravs da colocao de questes, tanto pode ser
do tutor como do aluno. A partir do dilogo o sistema pode inferir os erros e descobrir
possveis contradies do aluno. As decises pedaggicas so tomadas em funo do
resultado do dilogo. Este tipo de tutor apropriado para a apresentao de informao
factual e para o ensino de regras e princpios, ou para o ensino de estratgias de resoluo
de problemas. O sistema SCHOLAR [Carbonell, 1970], constitui um exemplo de sistema
que conduz um dilogo de iniciativa mista com o aluno acerca da geografia da Amrica do
Sul. Um outro exemplo, o sistema WHY [Stevens, 1977], tem por objectivo a transmisso
de conhecimento acerca de precipitao. Este sistema gera questes e avalia as respostas
do aluno baseando-se no conhecimento que detm sobre o domnio, que se encontra
representado atravs de hierarquias de guies (scripts). Este sistema foi o primeiro a
integrar regras pedaggicas que suportam a gerao de questes anteriormente
26
explicitadas, constituindo generalizaes de conceitos j adquiridos. O sistema GUIDON
[Clancey, 1982a], dedicado ao ensino de diagnsticos mdicos, recorre tambm ao uso de
regras que permitem a gerao de questes abstractas.
2.5.2.2 Sistemas de Orientao (Coaching Systems)
Estes sistemas baseiam-se no mtodo denominado resoluo orientada de
problemas (coached problem solving) [VanLehn, 1996; Gertner, 2000], cujo objectivo
transmitir ao aluno as aptides cognitivas necessrias resoluo de problemas. A
resoluo de problemas realiza-se em colaborao entre o aluno e o tutor. Durante a
resoluo de problemas, a iniciativa na interaco entre aluno e tutor muda de acordo com
o progresso apresentado pelo aluno. Enquanto o aluno se mantm no caminho correcto da
soluo, a actividade do tutor limita-se a confirmar as aces do aluno. Quando o aluno se
encontra numa situao em que no sabe qual o prximo passo a dar ou comete um erro, o
tutor ajuda o aluno a ultrapassar o impasse fornecendo-lhe as dicas que permitam conduzi-
-lo de volta ao caminho correcto da soluo. Segundo [Kearsley, 1990], os sistemas de
orientao (coaching systems) observam o desempenho do aluno de forma discreta e
fornecem auxlio que ir ajudar o aluno a melhorar o seu desempenho.
Devido sua natureza, a actividade dos sistemas de orientao caracteriza-se pela
resposta s aces do aluno, sendo essencialmente sistemas reactivos. Este tipo de sistemas
assume que o aluno deve deter o maior controlo possvel e que o tutor deve reduzir a sua
interveno medida que o aluno melhora o seu desempenho. Em alguns casos, o conceito
de currculo no constitui o aspecto central destes tutores, apesar de poderem usar vrias
estratgias pedaggicas para reagir s necessidades do aluno [McCalla, 1992a].
Normalmente, os tutores baseados no mtodo de resoluo orientada de problemas
(coached problem solving) no incluem a discusso de princpios bsicos ou de conceitos
do domnio. No entanto, esta ausncia no significa que tal discusso no seja til
[VanLehn, 1996]. Vrios estudos sobre o comportamento de tutores humanos em
actividades de ensino em domnios de tarefas procedimentais revelaram que usual
ocorrerem interrupes durante a resoluo de problemas para dar lugar a tais discusses
[Merrill, 1992].
O mtodo de resoluo orientada de problemas constitui uma forma efectiva de
instruo, especialmente no que diz respeito ao ensino de conhecimento procedimental.
27
Isto torna-se evidente devido preferncia demonstrada entre os tutores humanos [Merrill,
1992] e devido ao sucesso da aplicao do mtodo em tutores inteligentes [Anderson,
1995; Lesgold, 1992].
O sucesso dos tutores baseados neste mtodo consistente com os aspectos
relacionados com aquisio de habilitaes cognitivas [VanLehn, 1996]. Segundo este
autor, a aquisio de capacidades cognitivas envolve trs fases:
na fase inicial, o aluno adquire conhecimento preliminar necessrio resoluo de
tarefas no domnio, inicialmente atravs da leitura de descries desse
conhecimento;
a fase intermdia consiste em aprender como resolver problemas aplicando os
conhecimentos adquiridos na fase anterior; esta a fase de maior durao, ao fim
da qual o aluno est habilitado a resolver a maior parte dos problemas sem ajuda;
nesta fase, a aprendizagem composta por dois processos:
praticar a aplicao do conhecimento existente a aplicao prtica permite
avivar e facilitar a aplicao do conhecimento j adquirido em ocasies
anteriores;
aquisio de novo conhecimento a aquisio de novo conhecimento pode
ocorrer quando o aluno encontra uma dificuldade, constata que existe uma
lacuna no conhecimento que detm acerca do domnio e procura colmatar essa
lacuna recorrendo a uma fonte de conhecimento alternativa tal como um livro
ou um exemplo resolvido;
a terceira fase ocorre quando o aluno j consegue executar as tarefas, continuando a
pratic-las com o objectivo de reduzir o tempo de execuo e de tornar o processo
automtico.
No caso de o material didctico apresentado na fase inicial abranger todo o domnio
e o aluno o ter compreendido e memorizado totalmente, ento no ser necessrio adquirir
novo conhecimento durante a fase intermdia. Contudo tal perfeio nunca ocorre na
28
prtica, fazendo com que o aluno tenha que interromper a resoluo do problema para
reparar ou ampliar o seu conhecimento.
No que diz respeito s estratgias de interveno do tutor, os coaching systems
podem ser classificados do seguinte modo: model tracing, issue-based e a pedido ou
perante aces perigosas.
Os tutores baseados na estratgia de seguimento do modelo (model tracing)
[Anderson, 1990; Anderson, 1995], contm um modelo cognitivo que capaz de resolver
correctamente qualquer problema proposto ao aluno. O funcionamento do tutor consiste
em comparar todas as aces efectuadas pelo aluno durante a resoluo do problema com
os passos contidos no modelo da soluo do perito para o problema em causa. Esta
comparao realizada com o intuito de detectar os erros do aluno e fornecer-lhe a ajuda
adequada ao longo da resoluo do problema. Este tipo de tutores, baseados em modelos
cognitivos, pretendem alcanar os objectivos seguintes [Corbett, 2000]:
fornecer ao aluno um ambiente de resoluo de problemas prximo do ambiente
real;
fornecer assistncia durante a resoluo de problemas, se necessria;
supervisionar a aquisio de conhecimentos do aluno ao longo da resoluo de
problemas;
fornecer oportunidades de aprendizagem suficientes para que o aluno possa
alcanar o nvel de desempenho desejado.
A maior desvantagem da abordagem de seguimento do modelo reside no facto do
modelo cognitivo ter que conter todos os caminhos que permitam atingir a soluo. A
tentativa de comparar o comportamento do aluno com uma das sequncias contidas no
modelo cognitivo constitui um problema de reconhecimento de planos. Este problema pode
tornar-se computacionalmente complexo se existir um elevado nmero de caminhos
conducentes soluo correcta [Anderson, 1995]. Por outro lado, se no for possvel
enquadrar perfeitamente a sequncia de passos do aluno num plano previamente definido
no modelo cognitivo, a interpretao das intenes do aluno pode tornar-se ambgua e a
assistncia fornecida pelo tutor poder ser inadequada, criando confuso no aluno.
29
Um exemplo de tutor com seguimento do modelo o ANDES [Gertner, 2000;
VanLehn, 1996], que destinado ao ensino de conceitos de fsica, fornecendo ao aluno um
ambiente de resoluo de problemas. Outro exemplo, Geometry Tutor [Anderson, 1990],
um tutor usado no ensino de geometria ao nvel do ensino secundrio. Este sistema permite
que o aluno explore um caminho considerado no pertinente sem intervir at que o aluno
atinja uma situao de impasse ou cometa um erro durante a explorao.
Nos sistemas baseados no paradigma baseado em tpicos (issue-based) [Burton,
1982a; Halff, 1988] o tutor intervm sempre que detecta que o aluno no explora uma
oportunidade acessvel. Este princpio tem por objectivo tornar a interveno do orientador
(coach) pertinente e recorrente. O princpio consiste em preparar as oportunidades que o
aluno poder deixar por explorar ou utilizar e que poderiam permitir-lhe obter maiores
progressos. Estas oportunidades so acompanhadas de exemplos e sero apresentadas ao
aluno no momento oportuno. Pretende-se, assim, que o aluno detecte as suas fraquezas e
aprenda como melhorar o seu desempenho.
Por fim, quanto aos tutores que actuam a pedido ou perante aces perigosas, estes
limitam-se a observar o comportamento do aluno durante a execuo da tarefa que lhe foi
proposta e apenas intervm quando o aluno requer tal interveno de forma explcita.
Existem ainda sistemas pertencentes a esta categoria que tomam a iniciativa de intervir no
caso do aluno cometer uma aco considerada perigosa. O sistema SHERLOCK [Lajoie,
1989; Lajoie, 1992; Lesgold, 1992], que um coaching system para treino de tcnicos de
diagnstico de circuitos electrnicos para avies, constitui um exemplo de sistema que usa
esta estratgia.
A classificao dos coaching systems quanto estratgia de interveno nem
sempre evidente. Segundo [Nkambou, 1996a], esta classificao deve ter em conta os trs
factores seguintes:
o momento da interveno (quando intervir) a interveno pode ocorrer aps cada
aco do aluno ou, no outro extremo, apenas quando o aluno requer a interveno;
a estratgia de interveno (como intervir) a interveno do tutor pode consistir
em fornecer de imediato a soluo ou, no outro extremo, retard-la o mais possvel;
o contedo da interveno (o que dizer e com que nvel de detalhe).
30
2.6 Sistemas Multi-Agente
A utilizao de arquitecturas multi-agente no domnio dos ITS tem seguido duas
vertentes distintas. Por um lado, o paradigma multi-agente tem sido utilizado para
implementar os agentes tpicos dos ITS, apresentados na seco 2.4. Por outro lado, a
abordagem multi-agente pode ser utilizada para criar sistemas sociais de ensino. Estes
sistemas incluem, para alm dos agentes tpicos dos ITS, outros agentes que participam no
processo de ensino, tais como um ou vrios outros alunos, um ou vrios outros tutores,
entre outros tipos de agentes [Nkambou, 1996a].
O termo agente utilizado para designar um processo informtico que exibe as
seguintes caractersticas [Wooldridge, 1995]:
Autonomia (os agentes operam sem interveno directa de humanos);
Comportamento social (os agentes comunicam e cooperam com outros agentes);
Reactividade (os agentes respondem s alteraes que ocorrem no ambiente em que
esto inseridos);
Proactividade (os agentes no se limitam a responder aos estmulos exteriores,
tendo capacidade de iniciativa prpria de modo a poderem alcanar os seus
objectivos).
O ensino oferecido por um tutor constitui um processo em que as suas aces no
podem ser predeterminadas, devido necessidade de apresentar um comportamento que se
adapte s aces e necessidades do aluno. Por outro lado, para que o tutor seja capaz de
manter a ateno do aluno e usar de forma adequada diferentes estratgias e restries, este
deve ter a capacidade de usar uma variedade de estmulos, formas de apresentao de
tpicos e de explicaes. A utilizao de uma comunidade de agentes com diferentes
aptides e capaz de interagir e cooperar com o aluno permite ao tutor exibir um
comportamento adaptativo.
O mdulo tutor ou mdulo pedaggico um dos mdulos que pode ser
implementado atravs de uma comunidade de agentes. Cada um dos agentes pode ser
usado para implementar diferentes estratgias de ensino ou comportamentos do tutor. Por
31
outro lado, a utilizao de diferentes agentes para implementar diferentes estratgias de
ensino permite obter uma arquitectura modular. Esta abordagem pode permitir uma
construo incremental do sistema, aumentando as aptides pedaggicas do sistema
medida que novos agentes so incorporados [Lelouche, 2000].
Outros exemplos de utilizao de agentes para execuo de funes pedaggicas
num ambiente de ensino incluem a observao e modelao do aluno, seleco de
problemas, seleco de tpicos de ensino, resoluo de problemas, apresentao da matria
do domnio, gerao de explicaes e comunicao com o aluno, entre outros. Entre os
agentes com funes de comunicao com o aluno encontram-se os agentes pedaggicos
animados cujo objectivo apoiar o aluno durante o processo de aprendizagem. Estes
agentes alargam o canal de comunicao atravs do uso de expresses faciais emotivas e
movimento, permitindo motivar e encorajar o aluno [Mitrovic, 2000].
Quanto aos sistemas sociais de ensino, estes integram um conjunto de agentes,
humanos e no humanos, que representam diferentes papis no processo de ensino, tais
como o de tutor, de colaborador ou de colega. O treino de equipas constitui um exemplo de
aplicao dos agentes inteligentes na rea dos ITS. Em sistemas deste tipo, os agentes tm
sido utilizados principalmente para desempenhar duas funes [Miller, 2000]. Em primeiro
lugar, os agentes podem ser usados para substituir outros membros da equipa. Isto permite
que o treino seja feito de forma parcial, diminuindo o custo do treino, e permite o treino de
alguns membros da equipa ou sub-equipas sem a necessidade da presena dos restantes
elementos da equipa ou de outras sub-equipas. Um segundo papel desempenhado pelos
agentes o papel de tutor. Os agentes envolvidos no treino de uma equipa, para alm do
conhecimento das tarefas do domnio, devem conhecer a estrutura da equipa, o processo de
tomada de deciso e uma estimativa do estado mental dos outros membros da equipa.
Os sistemas cooperativos de ensino CSCL (Computer Supported
Collaborative/Cooperative Learning Systems) constituem outro tipo de sistema social de
ensino. Estes sistemas assentam na ideia de que a aprendizagem influenciada pelas
interaces entre vrios alunos e o mundo que os rodeia [Okamoto, 2000]. Os sistemas
cooperativos de ensino oferecem ao aluno uma infraestrutura que lhe permite ter acesso a
novos conceitos e ideias e discuti-los com outros agentes envolvidos no processo de
ensino. Neste sentido, os sistemas cooperativos de ensino afastam-se da viso de ensino
32
que assenta na transferncia unidireccional de conhecimento. Os alunos dispem de um
ambiente dinmico onde podem expressar as suas prprias ideias e, incrementalmente,
adaptar as suas ideias iniciais s vises mais correctas acerca dos conceitos objecto do
ensino. Alm disso, estes sistemas dispem de ferramentas de mediao com vista a
melhorar a cooperao entre alunos, professores e outros agentes envolvidos no processo
educativo. O ensino cooperativo especialmente til para o ensino em domnios
complexos nos quais difcil assimilar o conhecimento atravs de esforos individuais.
Neste tipo de sistemas, encontrando-se vrios alunos envolvidos no processo de
aprendizagem, possivelmente com diferentes nveis de conhecimento, o desenvolvimento
do ITS poder tornar-se mais simples uma vez que a instruo no necessita de ser perfeita.
No caso de algum aluno necessitar de auxlio, outro aluno poder estar apto a ajudar sem
que haja necessidade do tutor intervir.
Um aspecto importante relacionado com os sistemas cooperativos diz respeito
possibilidade do grupo de alunos no ser homogneo em termos de capacidade de
aprendizagem. Este aspecto responsvel por dois problemas. O primeiro diz respeito
actualizao dos modelos dos alunos. Na situao em que um dos alunos o primeiro a
responder correctamente, surge a questo de quais os modelos que devem ser actualizados:
apenas o modelo do aluno que respondeu correctamente ou os modelos de todos os
elementos do grupo. O segundo problema est relacionado com a deciso pedaggica de
como conduzir o progresso do grupo atravs dos tpicos do currculo. Aqui surge a questo
de saber se um dos alunos deve ditar a progresso de todo o grupo e, neste caso, qual dos
alunos deve ser considerado.
Nos sistemas cooperativos de ensino vrios tipos de agentes so utilizados para
simular diferentes tipos de parcerias envolvidas no processo de ensino. Os tipos de agentes
mais usados na implementao destas parcerias denominam-se perturbador (troublemaker)
e colega de estudo (learning companion).
Nos sistemas que integram um agente perturbador, as questes colocadas pelo tutor
podem ser respondidas pelo aluno e pelo agente perturbador. As respostas geradas pelo
agente perturbador tanto podem ser correctas como incorrectas. A sua reaco pode dar-se
antes ou depois da resposta do aluno, ou pode at decidir no responder. Esta estratgia
pretende aumentar a confiana do aluno [Frasson, 1996b].
33
O agente denominado colega de estudo um agente adicional integrado num ITS
com a funo de colaborar, ensinar, competir ou ser ensinado pelo aluno [Ragnemalm,
1996a]. O conceito de colega de estudo usado em trs tipos de sistemas:
Sistemas recprocos de ensino o agente colega de estudo tanto pode assumir o
papel de ensinar como o de ser ensinado pelo aluno; por exemplo, o sistema RTS
do projecto LISA [Chan, 1996] usa um colega de estudo que pode assumir as duas
funes;
Sistemas de aprendizagem pelo ensino (learning by teaching) estes sistemas
baseiam-se na evidncia de que os alunos que ensinam aprendem mais e melhor
[Uresti, 2000]; o aluno para estar apto a ensinar o agente colega de estudo, que
detm menos conhecimentos do que o prprio aluno, tem necessidade de clarificar,
organizar e reflectir acerca do seu prprio conhecimento;
Sistemas competitivos nestes sistemas pretende-se que a comparao entre os
desempenhos do aluno e do colega de estudo permita motivar o aluno.
Por fim, os agentes do tipo colega de estudo so usados tambm em sistemas de
natureza cooperativa, em que o colega de estudo colabora com o aluno na execuo das
tarefas que lhe foram atribudas. Em alguns sistemas, o propsito do colega de estudo
obter o dilogo que surge da colaborao entre os dois agentes. Este dilogo, que surge
num ambiente de cooperao, usado como fonte de informao para o processo de
modelao do aluno [Ragnemalm, 1996a]. Esta abordagem baseia-se na tcnica usada por
professores quando observam a conversa de dois alunos durante a resoluo de um
problema.
2.7 Ferramentas para Desenvolvimento de ITS
A tarefa de concepo e organizao do ensino, por vezes designada projecto
pedaggico, constitui um processo complexo que requer percia nas reas da instruo e do
domnio objecto de ensino. O processo de desenvolvimento de sistemas de instruo, ISD
(Instructional Systems Design), tem como objectivo principal estruturar o ambiente de
ensino de modo a oferecer ao aluno condies que permitam apoiar o processo de
34
aprendizagem. Existem vrios modelos deste processo [Gagn, 1993; Merrill, 1993;
Tennyson, 1993] que assentam em teorias do projecto pedaggico, desenvolvidas por
autores como Gagn, Merrill e Reigeluth, entre outros [Reigeluth, 1983].
Sendo o desenvolvimento de sistemas de ensino um processo difcil, repetitivo e
moroso, torna-se necessrio automatiz-lo totalmente ou, pelo menos, parcialmente. Por
outro lado, medida que cada vez mais alunos recebem instruo atravs de computador, a
importncia do processo de desenvolvimento ser mais rpido e sistemtico torna-se mais
evidente. Um estudo que incidiu na observao de educadores a utilizar ferramentas
bsicas na construo de um ITS, revelou que para cada hora de instruo foram
necessrias 100 pessoas-hora de esforo de desenvolvimento [Murray, 1998].
Outro problema que surge no desenvolvimento de ITS deve-se ao facto de que
usualmente o conhecimento pedaggico codificado nas prprias aplicaes. Verifica-se
que existe pouca reutilizao dos vrios mdulos dos ITS entre diferentes aplicaes
devido ausncia de linguagens padro para representao do conhecimento, interfaces
padro que permitam s aplicaes ter acesso ao conhecimento e um conjunto de
ferramentas que permita aos projectistas manipular o conhecimento. Isto no alheio ao
facto de existirem poucos ITS para se proceder a uma avaliao e generalizao das
tcnicas de implementao que permitisse orientar o desenvolvimento de ferramentas para
o desenvolvimento de ITS [Murray, 1996]. Uma abordagem para simplificar o
desenvolvimento de ITS seria aproveitar a sua modularidade. Apesar da natureza modular
dos ITS, discutida na seco 2.4, tem havido poucos esforos na reutilizao de
componentes no desenvolvimento de outros sistemas. Esta reutilizao no deve envolver
apenas a reutilizao de mdulos pelos seus prprios autores, mas deve significar tambm
a partilha de componentes entre diferentes projectistas [Beck, 1996].
As ferramentas para desenvolvimento de ITS, denominadas authoring tools, podem
acelerar o desenvolvimento de ITS e reduzir os respectivos custos, fornecendo um
ambiente de desenvolvimento que permita projectar e implementar sistemas educativos de
forma relativamente simples [Costa, 1998]. Contudo, apesar de existirem j vrios
prottipos, no existe consenso quanto aos mecanismos ou interfaces que estas ferramentas
devem disponibilizar. Existe um consenso alargado acerca da natureza dos compromissos
envolvidos, mas no como equilibrar esses compromissos de forma a obter sistemas
35
eficazes. Estes compromissos assumem duas vertentes: flexibilidade e facilidade de
utilizao [Murray, 1996].
Por um lado, a flexibilidade est relacionada tanto com o mbito de utilizao da
ferramenta, como com a profundidade do conhecimento envolvido. O mbito de utilizao
refere-se possibilidade de desenvolver tutores para diversas reas de ensino e com
diferentes abordagens pedaggicas. A profundidade do conhecimento diz respeito ao nvel
de detalhe sobre o qual o sistema pode raciocinar e ensinar, e capacidade do sistema para
inferir o conhecimento do aluno e gerar respostas. medida que os sistemas se tornam de
utilizao mais genrica, ou seja, permitindo desenvolver tutores para diversas reas de
ensino, tornam-se mais complexos, e geralmente, mais difceis de usar. Os sistemas que
so demasiado especficos geralmente no possuem flexibilidade suficiente, permitindo um
grau de reutilizao reduzido.
Por outro lado, a facilidade de utilizao est tambm relacionada com dois
aspectos antagnicos: facilidade de aprendizagem de utilizao do sistema e produtividade.
Estas ferramentas podem ser num extremo, de fcil aprendizagem e utilizao e, no outro
extremo, oferecer caractersticas complexas e avanadas para o desenvolvimento de ITS.
Um sistema projectado para permitir uma rpida aprendizagem por utilizadores menos
experientes, possivelmente no oferece os requisitos que utilizadores mais experientes
necessitam para conceber tutores de forma eficiente. De uma forma geral, as ferramentas
de desenvolvimento de ITS devem obedecer aos seguintes requisitos:
Facilitar o desenvolvimento de ambientes de aprendizagem completos do ponto de
vista pedaggico;
Constituir um ambiente de fcil utilizao, sem exigir aos autores grande esforo de
treino ou conhecimentos profundos de programao;
Fornecer meios para o rpido desenvolvimento de prottipos de ambientes de
aprendizagem, permitindo aos autores projectar, implementar e testar os seus
sistemas de forma rpida e eficiente;
Permitir a reutilizao de componentes de modo a promover o desenvolvimento de
ITS de forma flexvel e com custo reduzidos.
36
A maioria das ferramentas existentes para desenvolvimento de ITS raramente
apresentam as mesmas capacidades para a implementao dos vrios mdulos.
Normalmente, estes sistemas privilegiam as capacidades de desenvolvimento de um dos
mdulos em detrimento dos restantes. Por este motivo, as relaes de compromisso de
flexibilidade e facilidade de utilizao presentes nestas ferramentas devem ser analisadas
para cada um dos mdulos de um ITS. A Figura 2-2 apresenta os factores envolvidos no
desenvolvimento de authoring tools.

Mdulo perito
do domnio
Mdulo
Tutor
Mdulo do
aluno
Mdulo de
comunicao
mbito
Flexibilidade
Profundidade
Aprendizagem Facilidade
de utilizao
Produtividade
Figura 2-2- Factores envolvidos no desenvolvimento de authoring tools [Murray, 1996]
O desenvolvimento destas ferramentas deve levar em conta a natureza do utilizador
a que se destinam. Uma vez que os seus utilizadores podem ter conhecimentos em
diferentes reas, tais como projecto pedaggico, programao, engenharia do
conhecimento, entre outras, ser difcil obter ferramentas que sejam adequadas a todos os
tipos de utilizadores. Por outro lado, a obteno de ferramentas eficazes poder passar pela
obteno de ferramentas adequadas ao desenvolvimento de ITS destinados ao ensino de
categorias especficas de tarefas ou resoluo de categorias particulares de problemas. Esta
abordagem assenta na assuno de que a resoluo de problemas por humanos pode ser
classificada em categorias de problemas. Cada categoria partilha uma metodologia comum,
apesar do conhecimento necessrio para a resoluo de problemas individuais diferir entre
problemas.
As ferramentas de desenvolvimento de ITS para categorias especficas de tarefas
dispem de um ambiente que incorpora noes predefinidas de estratgias de ensino,
mecanismos de interaco entre tutor e aluno e componentes de interface, com o propsito
de suportar uma classe especfica de tarefas, sem estarem limitadas a um nico domnio.
Geralmente, este tipo de ferramentas fcil de utilizar, uma vez que se destina a uma
classe particular de tarefas, fornecendo assim um ambiente de desenvolvimento que no
37
requer grande esforo de treino por parte dos seus utilizadores. Por outro lado, estas
ferramentas permitem o rpido desenvolvimento de prottipos de ITS na medida em que
diferentes bases de conhecimento podem ser adicionadas a um mecanismo de inferncia
independente do domnio e que se encontra j integrado na ferramenta. Estas ferramentas
permitem alcanar um elevado grau de reutilizao uma vez que podem ser utilizadas para
desenvolver tutores inteligentes para um vasto nmero de domnios, desde que dentro da
mesma classe de tarefas.
A necessidade de uma abordagem que permita alcanar a reutilizao de
componentes compatvel com a metodologia KADS (Knowledge Analysis and Design
Support) [Wielinga, 1992]. Um dos componentes desta metodologia constitui o modelo de
quatro camadas usado para descrever a percia de um domnio particular atravs da
utilizao de vrios nveis de abstraco. Um dos princpios em que esta metodologia
assenta o que partes genricas do modelo de percia podem, potencialmente, ser
reutilizadas como padres em domnios semelhantes. Em [El-Sheikh, 1999] descrito
como a metodologia KADS pode ser usada para a gerao de ITS para categorias
especficas de tarefas, incluindo as vantagens e desvantagens do uso desta metodologia.
O objectivo das ferramentas para desenvolvimento de ITS fornecer um ambiente
de desenvolvimento que permita automatizar o processo de construo de aplicaes para
instruo, reduzindo tanto o esforo como o custo de desenvolvimento. Existem
essencialmente duas abordagens para atingir este objectivo [Halff, 1993b]: fornecer aos
educadores um ambiente de desenvolvimento de fcil utilizao para construo dos seus
prprios cursos (abordagem consultiva) ou fornecer os meios necessrios para que os
programadores possam mais facilmente representar o domnio e as estratgias de ensino
(abordagem generativa).
O apoio fornecido pelas ferramentas baseadas na abordagem consultiva consiste
em:
Realar os objectivos de instruo da aplicao;
Realar a informao necessria para classificar cada objectivo;
Criar um plano para o curso atravs da aplicao de princpios gerais de
organizao informao obtida pelo utilizador.
38
As ferramentas baseadas na abordagem consultiva permitem planear as estratgias
de instruo a partir da informao introduzida pelo utilizador. As vantagens desta
abordagem residem no facto de ela facilitar o processo de criao dos cursos, fornecer um
procedimento de verificao que pode ser usado para justificar a incluso ou excluso de
materiais didcticos e fornecer uma base para a reviso do curso e, por ltimo, diminuir os
requisitos dos utilizadores em termos de conhecimentos em teoria de instruo. No entanto,
a utilidade destes sistemas depende da adequao das suas funes s necessidades
pedaggicas particulares dos utilizadores. A viabilidade e utilidade das ferramentas
baseadas na abordagem consultiva depende, assim, da observao de pressupostos que nem
sempre se verificam. Estes pressupostos so:
Os princpios de instruo so independentes do contedo do curso, ou seja, no
so dedicados a uma categoria particular de ensino;
O sistema complementa os conhecimentos do utilizador em teoria de instruo;
possvel que em algumas situaes a contribuio do sistema no seja aquela que
esperada pelo utilizador;
O sistema implementa princpios de instruo para conduzir o utilizador atravs de
uma abordagem top-down; a utilidade de tal abordagem depende da natureza do
processo de ensino em desenvolvimento;
Toda a informao necessria para conduzir o desenvolvimento do curso est
disponvel; no entanto, nos casos em que a informao incompleta o
desenvolvimento do curso pode e deve prosseguir.
Como exemplos de sistemas que seguem esta abordagem encontram-se os sistemas
REDEEM [Major, 1995] e RAPIDS II [Towne, 1992].
As ferramentas baseadas na abordagem generativa assentam na observao de que
a instruo em certas reas caracterizada por paradigmas de instruo relativamente
estveis. Estas ferramentas contm a definio de um paradigma genrico que pode ser
configurado com o intuito de se obterem aplicaes individuais de instruo. O caso do
treino de tarefas de diagnstico constitui um exemplo em que os mtodos apropriados para
transmitir as aptides necessrias ao correcto desempenho deste tipo de tarefa, so comuns
39
a vrios domnios. Contrastando com as ferramentas baseadas na abordagem consultiva,
estas ferramentas delegam no projectista os aspectos conceptuais do desenvolvimento do
processo de instruo, estando mais dedicadas implementao de detalhes de baixo nvel
de abstraco. Este tipo de ferramentas fornece uma representao formal de um projecto
de instruo, suficientemente explcito para suportar a gerao mecnica do material
didctico. Segundo [Halff, 1993b], apenas as ferramentas baseadas na abordagem
generativa podem ser usadas para automatizar com sucesso a concepo de ensino por
computador. As ferramentas EON [Murray, 1996], IDE [Pirolli, 1991], ID Expert [Merrill,
1993] e ISD Expert [Tennyson, 1993] constituem alguns exemplos de aplicaes para
desenvolvimento de sistemas de ensino baseadas na abordagem generativa.
2.8 Transferncia dos ITS para Empresas e Organizaes
Nesta seco pretende-se abordar alguns problemas que surgem na aplicao dos
ITS para o meio envolvente das empresas do sector industrial e de servios, bem como
para organizaes diversas (hospitais, foras armadas, ministrios, entre outras).
Actualmente verifica-se a existncia de um fosso entre os sistemas de treino disposio
do pblico e aqueles que so objecto de investigao em laboratrios. Enquanto que os
sistemas tradicionais de treino baseados em computador se encontram em uso em nmero
razovel, as novas tecnologias na rea dos ITS tm sido aplicadas em domnios restritos,
motivado pelo facto de se tratar de uma rea extremamente recente e que apresenta ainda
muito potencial para se desenvolver. Estes domnios enquadram-se maioritariamente no
ensino de matrias ao nvel escolar, como o ensino da matemtica, fsica e lgebra,
existindo no entanto algumas aplicaes a nvel industrial, como o caso do treino de
operao de sistemas complexos (instalaes nucleares, por exemplo). No incio da dcada
de 90, Redfield observava que os ITS continuavam nos laboratrios de investigao sem
terem ainda transitado para os ambientes industriais e escolares [Redfield, 1991]. Contudo,
nos ltimos anos tm-se verificado vrios exemplos de sucesso na utilizao da tecnologia
dos ITS no meio envolvente.
Os ITS podem ser classificados no que diz respeito motivao subjacente ao seu
desenvolvimento. Podemos assim distinguir duas categorias de ITS: experimentais e de
grande escala. Os ITS experimentais destinam-se validao de novas teorias atravs do
estudo de diferentes possibilidades de integrao de tcnicas de Inteligncia Artificial e de
40
teorias da psicologia cognitiva e da educao. Por exemplo, o domnio dos ITS foi
escolhido para o teste da teoria ACT
1
(Adaptive Control of Thought) [Anderson, 1983;
Anderson, 1993]. Esta teoria diz respeito organizao e aquisio de capacidades
cognitivas complexas. Neste caso, os ITS fornecem um meio adequado para testar esta
teoria atravs da anlise da aquisio de capacidades cognitivas por parte de um grupo
alargado de alunos. Esta teoria foi testada em vrios prottipos: LISP Tutor [Anderson,
1984; Reiser, 1985], Geometry Tutor [Anderson, 1983], Algebra Tutor [Lewis, 1990],
entre outros. Por outro lado, os tutores de grande escala so desenvolvidos com o objectivo
de serem utilizados de forma efectiva no ensino escolar, na formao de pessoal da
indstria ou em aces de formao contnua. Este objectivo exige um esforo de
concepo do ensino que se baseia na anlise de tarefas, com o intuito de determinar o que
deve ser ensinado [Polson, 1993]. Neste contexto, os tutores frequentemente tomam a
forma de ferramentas de suporte ou ajuda realizao de tarefas. O sistema SHERLOCK
II [Katz, 1996] constitui um exemplo de um tutor desenvolvido para formar tcnicos em
diagnstico de avarias em circuitos electrnicos, na Fora Area dos Estados Unidos da
Amrica.
At hoje, um nmero reduzido de ITS foi desenvolvido com o intuito de serem
realmente utilizados na prtica. A utilizao efectiva dos ITS debate-se com a existncia de
dificuldades inerentes transferncia de tecnologia. Neste contexto, a transferncia de
tecnologia diz respeito migrao de tecnologias recentes, provenientes de laboratrios de
investigao, para ambientes operacionais (por exemplo, para o treino de entidades na
indstria).
Um dos requisitos para que o processo de transferncia de tecnologia tenha sucesso
assenta na necessidade de este ser conduzido de acordo com as necessidades dos
utilizadores finais. Este requisito pode ser alcanado atravs do envolvimento dos
utilizadores finais na fase de projecto, da avaliao da interface com o utilizador, do
recurso a prottipos e usando mtodos de avaliao com vista a conduzir o
desenvolvimento do tutor. Existem, no entanto, outros factores que dificultam o processo
de transferncia de tecnologia com maior frequncia. Estes factores so essencialmente de

1
Grupo de investigao Advanced Computer Tutoring da Universidade de Carnegie Mellon
41
natureza humana e relacionam-se com a resistncia mudana, muitas vezes presente nos
ambientes industriais, e com alguma falta de conhecimento acerca da aplicabilidade de
novas tecnologias como a IA.
O processo de transferncia de tecnologia afecta vrias entidades, desde a entidade
responsvel pelo desenvolvimento da tecnologia, at s entidades responsveis pela sua
utilizao e manuteno. O primeiro passo que deve estar presente no esforo de
transferncia de tecnologia consiste em identificar as diferentes organizaes envolvidas
ou que sero afectadas pelo processo. Segundo [Bloom, 1996], as entidades envolvidas no
caso dos ITS incluem: os investigadores responsveis pelo desenvolvimento da tecnologia,
as chefias responsveis pelo financiamento do desenvolvimento e da instalao da
tecnologia, os membros das equipas de treino (por exemplo, os instrutores que devero
incluir a utilizao dos ITS nos seus planos de treino e os responsveis pelo
desenvolvimento das sesses de treino), os utilizadores finais ou trabalhadores que
recebero treino atravs dos ITS e, por fim, os membros da organizao que ir receber a
nova tecnologia e que detm a responsabilidade de manter e actualizar o novo sistema.
Cada uma destas entidades apresenta diferentes expectativas e avalia o sucesso da nova
tecnologia atravs de diferentes critrios. Se estas diferenas no forem tidas em conta
podero surgir barreiras, que se manifestam sob a forma de resistncia na aceitao da
nova tecnologia por parte das entidades envolvidas, em resultado de no terem sido
consideradas as necessidades de cada uma delas.
No que diz respeito administrao de uma organizao, o critrio para avaliar o
sucesso de uma soluo baseia-se na reduo de custos ou no aumento do lucro,
normalmente no menor perodo de tempo. Neste contexto, o treino considerado uma
actividade que consome recursos e o retorno que poder obter s alcanado a mdio ou
longo prazo. Assim, tipicamente o treino visto como uma soluo de recurso em
situaes de crise, tal como a reduo brusca de funcionrios com habilitaes especficas.
Como resultado desta perspectiva, quando a direco de uma organizao confrontada
com a deciso de investir em tecnologia na rea dos ITS, a principal preocupao consiste
em determinar qual o limite do investimento que tolerado para a resoluo do problema.
Infelizmente, o desenvolvimento de ITS requer um elevado nvel de investimento inicial e
o perodo de retorno , normalmente, razoavelmente longo. As medidas para ultrapassar
42
esta barreira incluem a identificao de possveis oportunidades de aplicao da tecnologia
e a pesquisa e apresentao de informao que demonstre as vantagens tcnicas e
financeiras quando comparadas com outras solues.
As dificuldades que surgem na aceitao dos ITS por parte dos instrutores e dos
responsveis pelo desenvolvimento das sesses de treino devem-se ao facto de estes
considerarem que os ITS constituem uma ameaa aos mtodos de trabalho implantados e
aos prprios postos de trabalho. Por um lado, os instrutores consideram os ITS como uma
ameaa aos mtodos tradicionais de ensino estabelecidos, nos quais o aluno assume um
papel passivo. Por outro lado, so poucos os responsveis pelo desenvolvimento de
material didctico nas empresas que possuem experincia no desenvolvimento de cursos
por computador e conhecimentos na rea da representao do conhecimento, necessrios
construo dos cursos a fornecer pelos ITS. A introduo dos ITS pode tambm ser
considerada uma ameaa segurana dos seus postos de trabalho, uma vez que pode surgir
a suspeita de que a introduo de novas tecnologias poder tornar as suas funes actuais
obsoletas. Estes receios conduzem a que os membros das equipas de treino aceitem apenas
tecnologias que conheam e que estejam aptos a controlar.
A forma mais eficaz para ultrapassar estas barreiras consiste em demonstrar aos
membros das equipas de treino os benefcios dos ITS e a necessidade de alterar a sua viso
de treino para uma abordagem mais experimental. Para alm disto, necessrio demonstrar
que a utilizao dos ITS e as alteraes que a sua utilizao acarreta no constituem uma
ameaa estabilidade dos seus postos de trabalho. Pelo contrrio, se os ITS forem usados
com eficcia, a sua utilizao poder contribuir para melhorar o desempenho dos
instrutores.
Os trabalhadores a quem se destina o treino constituem outro grupo que condiciona
o sucesso da utilizao dos ITS. A maioria dos trabalhadores motivada para obter o
melhor desempenho possvel nas aces de formao a que so sujeitos, com o objectivo
de melhorar as suas habilitaes para o desempenho das suas funes e, eventualmente,
para progredir na hierarquia da organizao. No entanto, as vantagens que se obtm com a
formao podem estar em conflito com outros objectivos da organizao. Por exemplo, os
trabalhadores de uma organizao podero rejeitar a utilizao de um ITS se o tempo
despendido na sua utilizao tiver um impacto negativo na sua produtividade e,
43
possivelmente, na sua remunerao. Como resultado, os utilizadores finais podero rejeitar
o uso dos ITS.
A melhor abordagem para lidar com esta barreira ser incluir os utilizadores finais
na soluo do problema, envolvendo-os no processo de projecto e desenvolvimento. Desta
forma, ser possvel obter o apoio dos utilizadores finais e torn-los defensores da
aplicao da tecnologia. Contudo, a obteno do apoio dos utilizadores finais poder no
ser suficiente para ultrapassar a sua resistncia. Ser necessrio que os membros da
administrao mostrem de uma forma clara que a adeso a esta tecnologia no ter um
impacto negativo na sua remunerao.
Outro grupo que est sujeito ao impacto resultante da introduo dos ITS a
entidade responsvel pelas tarefas de manuteno. As equipas de manuteno esto entre
as mais solicitadas numa organizao. Em consequncia disto, esto mais receptivas a
novas aplicaes que se enquadram em reas de conhecimento que dominam, que no
acarretem uma sobrecarga adicional e que as tarefas de apoio, manuteno e actualizao
requeiram um esforo reduzido.
Verifica-se, no entanto, que as caractersticas dos ITS no so compatveis com os
requisitos necessrios para que uma nova aplicao seja bem aceite pelos membros das
equipas de manuteno. Os ITS so aplicaes mais complexas do que aquelas que os
responsveis pela manuteno normalmente encontram ou para que esto treinados. A
manuteno deste tipo de aplicaes requer conhecimentos em reas to diversas como da
Inteligncia Artificial, teoria da educao, projecto orientado para objectos e linguagens de
programao. Ainda assim, mesmo que os responsveis pela manuteno tenham
conhecimentos nestas reas, os ITS so vistos frequentemente como aplicaes de difcil
manuteno por requererem demasiado esforo para entender o seu funcionamento,
essencial para o apoio, manuteno e actualizao das aplicaes.
Um entendimento aprofundado acerca do funcionamento dos ITS importante por
duas razes. Em primeiro lugar, permite aos responsveis pela manuteno aperceberem-se
que a manuteno de tais sistemas possvel. Em segundo lugar, poder evitar que os
membros da equipa de manuteno introduzam erros no sistema, violando os objectivos e
princpios bsicos de projecto. As medidas para ultrapassar estas dificuldades incluem a
integrao do pessoal de manuteno nas fases de projecto e desenvolvimento, formao
44
acerca dos objectivos e princpios bsicos do projecto e produo de documentao sobre
os requisitos e funcionamento do sistema. No entanto, a integrao do pessoal de
manuteno no incio das fases de projecto e desenvolvimento nem sempre possvel. As
obrigaes habituais resultante das funes de manuteno no lhes permitem
normalmente dedicar muito tempo ou recursos ao processo de transferncia de uma nova
tecnologia. Sendo assim, torna-se necessrio disponibilizar documentao que permita
complementar a informao sobre os requisitos e funcionamento do sistema com
informao acerca de como suposto o sistema funcionar em situaes especficas, ou
seja, informao sob a forma de cenrios.
Finalmente, os membros das equipas de investigao formam o ltimo grupo que
poder oferecer resistncia transferncia de tecnologia. O objectivo principal dos
membros das organizaes de investigao consiste em desenvolver tecnologia inovadora,
contribuindo com novo conhecimento para a comunidade cientfica. Por outro lado, o
objectivo principal presente no processo de transferncia de tecnologia centra-se no
emprego de tecnologia com o intuito de ajudar resoluo de problemas reais. Estes dois
objectivos nem sempre so compatveis. Do ponto de vista das equipas de investigao, o
desenvolvimento de tecnologia traz reconhecimento entre a comunidade cientfica. No
entanto, o processo de transferncia de tecnologia normalmente no desperta
reconhecimento entre os utilizadores a quem se destina a tecnologia. Normalmente, em
ambiente industrial a inovao no suficientemente valorizada e, no caso dos ITS, estes
tendem a ser considerados como mais uma opo de treino, sem constituir uma mais-valia
sobre os mtodos tradicionais de ensino por computador.
A falta de reconhecimento pode traduzir-se num menor empenho da equipa de
investigao no processo de transferncia de tecnologia. Este obstculo manifesta-se, na
maior parte das vezes, atravs de um acrscimo de dificuldade na interaco com os
elementos da organizao que ir receber a tecnologia. Os sintomas comuns deste
problema incluem atrasos na resposta s solicitaes feitas pelos membros da organizao
que recebe a tecnologia e diminuio da prioridade atribuda s actividades de apoio. A
melhor abordagem para minimizar este problema passa por alertar a equipa de investigao
para o facto de que a comunidade exterior ao seu campo cientfico no est motivada para
valorizar o impacto cientfico das suas inovaes tecnolgicas.
45
2.9 Tutores: Um Paradigma de Ensino
O ensino orientado por um tutor constitui um paradigma de ensino em que o aluno
conduzido atravs de uma aprendizagem activa. A participao activa dos alunos no
processo de aprendizagem facilita-lhes a construo de modelos coerentes do domnio a
partir do contedo da matria, os quais no s ajudam a melhorar os seus conhecimentos
como a desenvolver as suas aptides para a resoluo de problemas. Trata-se de um tipo de
ensino que integra apenas dois agentes: o tutor e o aluno. Neste mtodo de ensino o aluno e
o tutor colaboram no processo de instruo [Goodyear, 1991]. O tutor fornece ao aluno
instruo e ateno individualizadas [Wenger, 1987].
A instruo individualizada reconhecida, entre a maioria dos investigadores na
rea da educao, como sendo uma das formas de instruo que garante a aprendizagem
mais eficaz e eficiente para a maioria dos alunos [Bloom, 1984; Woolf, 1988]. Um estudo
realizado por [Bloom, 1984], revelou que os alunos envolvidos no ensino conduzido por
um tutor apresentaram um desempenho que atinge o percentil 98 quando comparado com o
desempenho de alunos sujeitos ao mtodo de ensino em grupo.
Apesar das vantagens apresentadas pelo mtodo de ensino conduzido por um tutor,
o mtodo de ensino mais utilizado baseia-se no ensino em grupo. Esta constatao resulta
do facto de no existirem tutores humanos suficientes para as necessidades de instruo
existentes. Uma soluo para ultrapassar a limitao do nmero de tutores humanos passa
pela utilizao de tutores baseados em computador. Alguns estudos demonstraram que o
ensino por computador pode ser mais eficaz do que o ensino em grupo [Anderson, 1989;
Reiser, 1991].
No entanto, a capacidade dos ITS ainda no atingiu o nvel dos tutores humanos
[Merrill, 1992]. A utilizao de tcnicas de Inteligncia Artificial permitiu obter ITS cuja
eficcia sensivelmente metade daquela que obtida por tutores humanos [Corbett, 2000].
Um dos objectivos da investigao na rea dos ITS consiste em obter sistemas de ensino
baseados em computador cujo desempenho se aproxime ao dos tutores humanos [Galdes,
1990]. Alguns estudos recentes confirmaram que os ITS constituem ferramentas eficazes
no processo de ensino. No estudo realizado por [Shute, 1990] foram avaliados vrios ITS
com o objectivo de determinar se as duas principais promessas dos ITS foram alcanadas:
(1) fornecer um ensino mais eficaz e eficiente do que aquele que obtido atravs de
46
tcnicas de instruo tradicionais e (2) aumentar o nvel de desempenho da maioria dos
alunos. Os resultados destes estudos mostram que os ITS permitem acelerar o processo de
aprendizagem sem que haja degradao do nvel de desempenho atingido pelos alunos. Por
exemplo, num destes estudos, os tcnicos da Fora Area dos Estados Unidos da Amrica
que utilizaram um tutor para aprendizagem de diagnsticos em circuitos electrnicos
durante 20 horas, atingiram um nvel de conhecimento equivalente quele que foi atingido
por tcnicos que receberam treino no local de trabalho durante 40 meses (quase 4 anos).
Num outro estudo, os alunos que usaram o LISP Tutor completaram os exerccios de
programao num perodo menor em 30% e obtiveram uma mdia superior em 43% no
exame final em relao queles que receberam instruo em grupo.

47

3 Representao do Conhecimento nos ITS
3.1 Introduo
Num ITS a representao do conhecimento refere-se forma como o conhecimento
guardado por um sistema com o intuito de permitir modelar o domnio, o pensamento
humano, os processos de aprendizagem e as estratgias de ensino. Neste captulo so
apresentadas as abordagens mais comuns, na rea dos tutores inteligentes, para representar
o conhecimento do domnio e o conhecimento pedaggico. O conhecimento do domnio
refere-se matria que se pretende que seja adquirida pelo aluno e que se relaciona com as
capacidades a transmitir ou com a tarefa a treinar. O conhecimento pedaggico define o
conjunto de especificaes acerca de que material deve ser apresentado e como e quando
deve ser apresentado.
3.2 Conhecimento do Domnio
Na rea da Inteligncia Artificial, o termo conhecimento do domnio refere-se
matria que objecto de processamento. No entanto, na rea da instruo o termo
conhecimento do domnio usado especificamente para referir a matria que deve ser
transmitida ao aluno e que est relacionada com a tarefa ou o procedimento objecto de
ensino. Neste contexto, o conhecimento do domnio abrange o conhecimento e a percia
que devem ser assimilados pelo aluno [ONeil, 1991].
A classificao tpica do conhecimento na rea da IA divide-o em dois tipos:
declarativo e procedimental [Charniak, 1985, Rich, 1991]. O conhecimento declarativo
descreve o que conhecido acerca de um determinado problema. Tal inclui as declaraes
(statements) que so assumidas como verdadeiras ou falsas e que descrevem um objecto ou
conceito. Corresponde a uma representao descriptiva. O conhecimento procedimental
49
descreve como um problema resolvido ou como agir perante uma dada situao
(como fazer). Regras, estratgias, agendas e procedimentos so representaes tpicas
para este tipo de conhecimento.
Tambm no campo da psicologia feita a distino entre conhecimento do tipo
declarativo e procedimental [Anderson, 1982, Sleeman, 1982, VanLehn, 1988]. As
abordagens para aprender ou ensinar conhecimento do tipo declarativo e do tipo
procedimental so bastante diferentes, independentemente da rea do conhecimento que
ensinado. O ensino do conhecimento declarativo baseia-se normalmente em mtodos de
exposio. No que diz respeito ao ensino de conhecimento do tipo procedimental, os
mtodos de exposio no se revelam satisfatrios. A aquisio de conhecimento
procedimental constitui um processo mais complexo que se baseia na construo gradual
de um modelo mental, geralmente conseguida atravs da resoluo de problemas prticos.
Do ponto de vista operacional, o conhecimento do tipo declarativo manifesta-se, por
exemplo, em tarefas de reconhecimento, enquanto que o conhecimento do tipo
procedimental demonstrado durante a execuo de uma tarefa que requeira o
sequenciamento ou seleco de um conjunto de regras. O conhecimento declarativo,
quando considerado isoladamente, no se revela de grande utilidade. O conhecimento de
natureza procedimental torna o conhecimento declarativo a base para a inferncia de novo
conhecimento.
3.2.1 Representao do Conhecimento do Domnio
Nos ITS a importncia da representao do conhecimento do domnio assenta em
dois aspectos. Em primeiro lugar, a partir desta representao que o sistema obtm o
conhecimento do domnio que ensinado. Por outro lado, tambm a partir da
representao do conhecimento do domnio que o sistema identifica o que o aluno sabe e
no sabe a respeito desse conhecimento.
No seio da IA, a tendncia actual para a representao do conhecimento assenta no
desenvolvimento de uma viso do conhecimento orientada para a tarefa, ou seja,
dependente da tarefa a realizar. Esta viso reflecte-se na definio do termo representao,
da autoria de Waterman [Waterman, 1986], como o processo de formular ou abordar um
problema de forma a que seja fcil de resolver. Assim, a seleco de uma tcnica ou
combinao de tcnicas para a representao do conhecimento numa situao particular
50
Representao do Conhecimento nos ITS
depende da tarefa a ser executada, assim como da estrutura inerente e da natureza do
domnio.
A maior parte da investigao na rea dos ITS tem estado mais concentrada no
conhecimento a ensinar do que em outros aspectos relacionados com a percia pedaggica
[Wenger, 1987]. Este conhecimento est contido no mdulo perito do domnio (seco
2.4.1). Segundo [Anderson, 1988], este mdulo constitui o principal componente de um
ITS, uma vez que um sistema de instruo eficaz no pode existir sem uma representao
pormenorizada do conhecimento do domnio.
Para alm do tipo de conhecimento que deve ser ensinado, as tcnicas de
representao do conhecimento a usar num ITS so determinadas tambm, em grande
medida, pelos objectivos que se pretende alcanar com o ensino. As vrias taxonomias
desenvolvidas acerca das aptides de aprendizagem, como a proposta por Kyllonen e Shute
[Kyllonen, 1988], fornecem um meio til para ilustrar como diferentes domnios podem ser
radicalmente distintos em termos de contedo e nveis de aptido requeridos. Num dos
extremos desta classificao encontram-se as tarefas que requerem o uso intensivo do
conhecimento do domnio, como por exemplo tarefas de diagnstico e reparao. O treino
deste tipo de tarefas inclui processos que incluem a aquisio de conhecimento esttico e
procedimentos que assentam na aplicao de regras e no uso de modelos mentais. No outro
extremo encontram-se as tarefas menos exigentes do ponto de vista cognitivo e que
privilegiam as aptides fsicas, em que a rapidez de execuo da tarefa constitui o factor
determinante para o seu sucesso. O treino deste tipo de tarefas requer tambm a aquisio
de conhecimento esttico e de procedimentos, mas em vez de estruturar estes blocos
constituintes bsicos em formas mais complexas de conhecimento, eles so usados para
automatizar a execuo da tarefa at ao ponto em que o conhecimento cognitivo deixa de
ser necessrio para a realizao da tarefa. Existem ainda tarefas que so exigentes, quer a
nvel do uso intensivo do conhecimento, quer ao nvel da necessidade de rapidez de
execuo. As funes dos operadores dos centros de controlo e conduo de redes
elctricas constituem um destes casos, onde as tarefas de diagnstico tm que ser
realizadas no intervalo mais curto possvel para que as medidas correctivas possam ser
executadas de forma a minimizar o impacto dos incidentes [Faria, 2000a]. A diversidade
em termos de contedo e objectivos de treino tem grande influncia no desenvolvimento
51
dos ITS, tanto do ponto de vista pedaggico como da representao do conhecimento do
domnio [Fink, 1991].
Outro aspecto que determina a escolha das tcnicas para a representao do
conhecimento num ITS est relacionado com o progresso do aluno ao longo do processo de
aprendizagem. Um aluno que se encontre num nvel avanado tem mais facilidade em
encontrar e usar o conhecimento apropriado para resolver um problema particular. Atravs
da experincia, o conhecimento de carcter mais geral transforma-se em conhecimento
mais especfico, sem no entanto perder a sua utilidade original. Este aspecto torna-se
particularmente importante para o treino de tarefas que requeiram rapidez e rigor, onde o
conhecimento original deixa de ser usado, pelo menos de forma consciente.
3.2.1.1 Regras de Produo
O uso de regras de produo consiste na modelao da percia do domnio atravs
de um sistema baseado em regras, permitindo representar o conhecimento do domnio e
raciocinar sobre esse conhecimento [Anderson, 1988]. Este tipo de representao usado
tambm frequentemente para modelar o conhecimento pedaggico.
As regras de produo so usadas por um motor de inferncia para produzir o
raciocnio sobre o conhecimento do domnio. A estratgia usada pelo motor de inferncia
pode utilizar encadeamento directo, encadeamento inverso ou uma combinao destes. Em
qualquer um destes casos, seguido um caminho de inferncia entre o que conhecido e
um objectivo.
No caso do encadeamento directo, as condies iniciais conhecidas so
introduzidas no lado esquerdo das regras de produo para gerar um conjunto de
concluses. Estas concluses so verificadas com o intuito de se saber se correspondem ao
objectivo procurado. Se estas concluses no corresponderem ao objectivo a atingir, so
usadas por regras subsequentes para se obter concluses adicionais.
Quando a estratgia de encadeamento inverso usada, so seleccionadas as regras
cujos elementos do lado direito da regra correspondam ao objectivo que se pretende
alcanar. Os elementos do lado esquerdo, designados por premissas, so considerados
como objectivos intermdios que devem ser satisfeitos. As regras que permitem atingir
estes objectivos intermdios so seleccionadas para continuar o processo de inferncia.
52
Este processo tenta encontrar uma situao em que todas as premissas de uma regra sejam
consideradas verdadeiras pelo sistema.
A Tabela 3-1 apresenta um exemplo de uma regra que representa um conceito do
domnio do sistema pericial SPARSE [Vale, 1993a].
Tabela 3-1- Regra do sistema pericial SPARSE [Vale, 1993a]
regra d1 : 'DISPARO SIMPLES - DISJ' :
[
[
mensagem(Data1,Hora1,[Inst1,Painel1,[Inst2,NL]],'>>>> DISPARO',_) em T1
e
mensagem(Data2,Hora2,[Inst1,Painel1,[Inst2,NL,'DISJ']],'DISJUNTOR','ABERTO') em T2
e
painel_em_servico(Inst1,Painel1)
e
condicao(tempo_maior_ou_igual_que(T2,[T1-30]))
e
condicao(mod_dif_tempos_menor_ou_igual(T2,T1,35))
]
]
==>
[
cria_facto(disj_aberto(Data2,Hora2,disparo,Inst1,Painel1,Inst2,NL),T2),
retira_facto(disj_fech(_,_,_,Inst1,Painel1,Inst2,NL),_,T2),
cria_facto(disparo_simples(Data2,Hora2,Inst1,Painel1,Inst2,NL),T2)
].

A regra apresentada na Tabela 3-1 permite identificar a ocorrncia de um disparo
simples. No conjunto de premissas esto includos os factos que correspondem s
condies de disparo da regra e que caracterizam a situao a que se refere a regra. No lado
direito da regra esto definidas as aces para gerar a concluso da regra e para efectuar a
manuteno da base de conhecimento do sistema.
Este tipo de representao tem sido utilizado em vrios ITS, tais como Geometry
Tutor [Anderson, 1983], BUGGY [Burton, 1982a], GUIDON [Clancey, 1982a], entre
outros. A vantagem deste tipo de representao reside no facto de permitir explorar
facilmente o conhecimento e de ser adequado representao do conhecimento de natureza
procedimental. O principal inconveniente est relacionado com a dificuldade inerente a
este tipo de representao em permitir a representao, de forma fcil, de outros tipos de
conhecimento, tais como conceitos, objectos ou explicaes. Frequentemente
considerada uma forma de representao implcita que se torna difcil de compreender
pelos peritos [Clancey, 1987].
53
Em certos casos, so utilizadas medidas de incerteza nos sistemas baseados em
regras. As medidas de incerteza so usadas para indicar o nvel de confiana associado s
regras de produo. Nestes casos, os nveis de incerteza so necessrios devido ao carcter
incerto das assunes tomadas. Para obter o nvel de confiana associado a uma dada
concluso necessrio combinar os factores de confiana associados a cada uma das regras
usadas. A combinao dos nveis de confiana no encadeamento das regras pode tornar-se
complexa [Rich, 1991].
3.2.1.2 Redes
A ideia principal subjacente representao baseada em redes reside no facto de
que o significado de um conceito depende da forma como este se encontra ligado a outros
conceitos. A utilizao de redes permite representar a maior parte dos tipos de
conhecimento, sendo no entanto especialmente apropriada para a representao de
conhecimento declarativo. Este tipo de representao apresenta a vantagem de ser intuitiva
do ponto de vista dos peritos do domnio. Para um perito torna-se mais fcil exprimir o seu
conhecimento desta forma do que atravs de regras de produo. No mbito da IA foram j
propostas vrias variantes deste tipo de representao, tais como as redes semnticas
[Quillian, 1968], os grafos conceptuais [Sowa, 1984; Sowa, 1991] e as redes de frames
[Minsky, 1975; Minsky, 1977].
Entre estes diferentes formalismos de representao do conhecimento, as redes
semnticas tm sido utilizadas frequentemente na rea dos ITS. Neste tipo de redes, o
conhecimento representado por um conjunto de ns interligados por um conjunto de
arcos. Os ns representam conceitos, enquanto que os arcos representam relaes entre os
conceitos. A partir desta perspectiva, os conceitos apenas tm significado quando
consideramos em conjunto com os conceitos aos quais esto ligados atravs de arcos
relacionais. A inferncia acerca do conhecimento representado feita seguindo os arcos
entre os ns.
Uma das primeiras utilizaes de redes semnticas num ITS foi realizada no
sistema SCHOLAR [Carbonell, 1973], para a representao de factos do domnio acerca da
geografia da Amrica do Sul. Um outro exemplo de utilizao desta abordagem de
representao denomina-se redes de sujeitos [Murray, 1993]. Trata-se de um tipo de rede
semntica que permite representar os conceitos do domnio e as diferentes relaes entre
54
eles. Estes conceitos so representados pelos ns da rede e constituem factos,
procedimentos, princpios, concepes erradas acerca de conceitos, entre outros. Os arcos
que ligam os ns representam relaes de familiaridade, familiaridade profunda, parte, erro
de conceito crtico e pr-requisito tpico. A Figura 3-1 apresenta parte da rede de sujeitos
usada no sistema STATIC-Tutor [Murray, 1993].
parte de
Intuio sobre
equilbrio linear
Conceito de
equilbrio linear
Princpio de
equilbrio linear
Equilbrio linear
Intensidade em X
Equilbrio no eixo
X
Equilbrio no eixo
Y
Intensidade em Y
Notao de um
vector
Vectores
Intensidade de
um vector
Direco de um
vector
Conceito de
vector
Adio de
vectores
Decomposio
de um vector
p
a
r
t
e

d
e
p
a
r
t
e

d
e
parte de
p
a
r
t
e

d
e
p
a
r
t
e

d
e
do tipo
f
a
m
i
l
i
a
r
i
d
a
d
e

p
r
o
f
u
n
d
a
f
a
m
i
l
i
a
r
i
d
a
d
e

p
r
o
f
u
n
d
a
parte de
familiaridade
p
a
r
t
e

d
e
p
a
r
te
d
e
p
a
r
t
e

d
e
p
a
r
t
e

d
e
p
a
r
t
e

d
e
Conceito Agregao Princpio
Figura 3-1- Parte da rede de sujeitos usada no STATIC-Tutor [Murray, 1993]

Em alguns sistemas, a rede usada para representao do conhecimento do domnio
usada tambm para representar o currculo [Nkambou, 1996b]. Nestes casos, a ligao
55
entre os ns da rede utilizada para determinar a ordem de apresentao dos conceitos
[Buen-Rodrguez, 1996].
As redes semnticas constituem um meio para a representao de relaes entre
entidades. No entanto, medida que o conhecimento que necessita de ser representado se
torna mais complexo, torna-se til usar uma representao mais estruturada, tanto no que
diz respeito aos ns como s respectivas ligaes. Apesar de no existir uma distino
clara entre uma rede semntica e uma representao baseada em frames, quanto mais
estruturado for o sistema de representao, mais este se aproxima de um sistema de frames
[Rich, 1991]. Neste contexto, um sistema de frames constitui um tipo de rede semntica
mais estruturado.
As frames so estruturas que permitem representar o esteretipo de uma situao
particular. Associada a cada frame pode existir informao sobre como usar a frame, sobre
o que se espera que venha a acontecer e, possivelmente, sobre o que fazer se estas
expectativas no se confirmarem. Num sistema de frames, o conceito representado em cada
n definido por um conjunto de atributos, denominados slots, valores associados aos
atributos e, possivelmente, restries sobre esses valores. Cada slot pode ter procedimentos
associados que so executados quando a informao contida nas slots preenchida,
alterada ou toma determinado valor. Este conjunto de atributos, para alm de poder
descrever conceitos, pode descrever entidades ou classes de entidades do domnio. Um
sistema de frames formado por coleces de frames que esto ligadas entre si. Estas
ligaes so definidas atravs dos atributos das prprias frames, uma vez que o valor de
um atributo de uma frame pode ser uma outra frame.
3.2.1.3 Guies (Scripts)
Os guies (scripts) [Schank, 1977] e as frames so formalismos de representao
do conhecimento que, apesar de desenvolvidos independentemente, apresentam
semelhanas. A ideia chave presente em ambos os formalismos assenta no facto de que o
conhecimento acerca de conceitos e eventos envolvidos em certas situaes se encontra
normalmente organizado atravs de estruturas que reflectem expectativas acerca das
caractersticas tpicas dessas situaes.
Um guio uma estrutura de conhecimento que descreve uma sequncia
estereotipada de aces num contexto particular. A utilizao de guies est orientada para
56
a captura de situaes em que o comportamento est de tal forma consolidado que
raramente surge a necessidade de uma anlise complexa de planos ou objectivos.
Assim como as frames, os guies contm um conjunto de atributos, denominados
slots, aos quais est associada informao acerca do tipo de valores que podem conter,
assim como dos valores que lhes so atribudos por defeito, quando no existe outra
informao disponvel. A principal diferena entre estes dois tipos de formalismos reside
no tipo de conhecimento que se pretende representar. Os guies so teis porque
normalmente a ocorrncia de eventos obedece a padres conhecidos. Este padres devem-
-se sobretudo existncia de relaes causais entre os eventos. Os eventos descritos num
guio formam uma cadeia causal. O incio desta cadeia definido pelo conjunto de
condies de entrada que originam a ocorrncia dos primeiros eventos. O fim da cadeia
define o conjunto de resultados que pode originar a ocorrncia de outros eventos ou
sequncias de eventos, possivelmente descritos por outros guies. As actividades
representadas nos guies so estereotipadas. Uma cadeia de padres de eventos que
descreve uma destas actividades conhecidas denominada episdio. As actividades de um
guio que tm necessariamente que ocorrer para que se reconhea que o guio foi de facto
instanciado so denominadas cenas. Cada cena do guio definida por um conjunto de
episdios que descrevem as formas alternativas em que uma actividade importante da cena
pode ocorrer. Normalmente as cenas organizam os eventos que formam uma actividade
importante no mbito do guio.
Do ponto de vista da psicologia, aceita-se que o conhecimento estereotipado
organizado na mente humana sob a forma de guies [Dyer, 1990]. Provavelmente as
pessoas adquirem guies atravs da exposio repetida a situaes estereotipadas. Neste
contexto, os guies so estruturas de conhecimento que dizem s pessoas o que pode
acontecer, que eventos podem surgir e que papis se espera que sejam desempenhados por
diferentes entidades numa situao particular. Se um guio apropriado a uma situao
particular, ento poder ser til na predio da ocorrncia de eventos que no sejam
observados explicitamente. Por outro lado, os guies podem indicar como que os eventos
se relacionam entre si. Para alm do seu carcter orientador, os guies so teis na
conduo de processos cognitivos. Os guies podem ser utilizados, por exemplo, para
57
descrever o processo de resoluo de um problema, em que a sequncia de eventos
representada num guio corresponde sequncia de passos presente nesse processo.
A Tabela 3-2 apresenta os formalismos de representao do conhecimento
utilizados por alguns ITS para a representao do domnio.
Tabela 3-2- Formalismo de representao do domnio de alguns ITS
Designao do sistema Domnio Formalismo de representao
SCHOLAR [Carbonell, 1970] Geografia Redes semnticas
WHY [Stevens, 1977] Meteorologia Scripts
SOPHIE [Brown, 1982] Deteco de
avarias em
sistemas
electrnicos
Redes semnticas
WEST [Burton, 1982a] Expresses
aritmticas
Regras de produo
BUGGY [Burton, 1982a] Subtraco Regras de produo
BIP [Barr, 1976] Programao
em BASIC
Regras de produo
GUIDON [Clancey, 1982a] Doenas
infecciosas
Regras de produo
PROUST [Johnson, 1985] Programao
em PASCAL
Frames
STEAMER [Hollan, 1984] Motores de
navios
Redes semnticas
Geometry Tutor [Anderson,
1983]
Geometria Regras de produo
3.3 Conhecimento Pedaggico
O conhecimento do domnio, considerado de forma isolada, no suficiente para
garantir um processo de ensino eficaz [Lesgold, 1989; Anderson, 1988]. O processo de
ensino requer tanto percia acerca do domnio como percia pedaggica. A percia
pedaggica tem necessidade de usar conhecimento do domnio. Normalmente, os modelos
do domnio no contm o conhecimento necessrio para a tomada de decises de natureza
pedaggica.
O mdulo tutor (seco 2.4.3) responsvel pelas decises pedaggicas envolvidas
no funcionamento de um ITS. Estas decises pedaggicas definem a percia do tutor. A
58
percia do tutor reside no conhecimento que contm as especificaes sobre que material
de instruo deve ser apresentado, como e quando deve ser apresentado. Segundo
[Wenger, 1987], a ideia de representar conhecimento pedaggico de forma explcita num
ITS relativamente recente. A investigao na rea dos ITS tem dedicado maior ateno
representao do conhecimento do domnio em detrimento do conhecimento pedaggico.
3.3.1 Concepo de Sistemas de Instruo
O propsito principal do processo de concepo da instruo estruturar o
ambiente de ensino de forma a fornecer ao aluno condies que suportem o processo de
aprendizagem. Quando os objectivos de aprendizagem so simples ou os mtodos usados
no processo de instruo se restringem aos mtodos clssicos de leitura e exposio, o
processo de concepo da instruo fcil de gerir. No entanto, medida que os objectivos
de aprendizagem crescem em complexidade e as escolhas de meios audiovisuais
proliferam, a complexidade do processo de concepo da instruo gera novos problemas
[Spector, 1993].
O processo de concepo de sistemas de instruo (ISD Instructional System
Design) pretende responder a estes problemas. Habitualmente, a descrio do processo de
ISD inclui a identificao das caractersticas do aluno, anlise das tarefas e dos requisitos
da instruo, desenvolvimento dos objectivos de aprendizagem, especificao das
estratgias de instruo, produo e entrega da instruo, orientao formativa e avaliaes
sumativas e manuteno do material didctico [Spector, 1993].
Existem vrios pontos de vista acerca do ISD ([Gagn, 1992], [Romiszowski,
1984], [Spector, 1993], entre outros). A maioria dos modelos do ISD divide o processo em
cinco fases: anlise, projecto, desenvolvimento, entrega e manuteno. Outros autores,
como por exemplo [Romiszowski, 1984], dividem o processo em trs fases: anlise, sntese
e avaliao. Na primeira fase, so estabelecidos os objectivos do sistema de instruo. Esta
fase inclui os aspectos relacionados com o contedo do curso (representao da matria a
ensinar). A fase de sntese diz respeito ao planeamento de vias que permitam alcanar os
objectivos estabelecidos na fase anterior. Esta fase inclui os problemas de seleco,
sequenciamento e apresentao da instruo. A terceira fase envolve a avaliao dos
planos desenvolvidos na segunda fase, que tm por objectivo alcanar os objectivos
59
definidos anteriormente. Vrios autores defendem que estas fases no devem ser
consideradas isoladamente e devem ser percorridas de forma cclica [Spector, 1993].
A metodologia presente no ISD pode ser aplicada ao desenvolvimento de ITS. O
ISD oferece uma abordagem de projecto top-down. Os objectivos da instruo so
decompostos numa hierarquia de objectivos. Estes objectivos so ento classificados sob
vrias dimenses e os resultados desta classificao so relacionados com mtodos de
instruo. Por outro lado, a decomposio do processo de concepo facilita
posteriormente a implementao do sistema de ensino.
A rea do ISD pode ser considerada como uma fonte de ideias para o
desenvolvimento do mdulo pedaggico de um ITS. Os princpios de instruo presentes
no processo do ISD podem ser um ponto de partida para a elaborao de princpios mais
especficos e apropriados implementao de sistemas de ensino baseados em computador
mais eficazes.
3.3.2 Currculo
No domnio da educao, o desenvolvimento de um currculo constitui uma etapa
importante no processo de concepo do ensino. Os professores so encorajados a
organizar as suas aulas de acordo com um currculo, o qual utilizado na orientao do
processo de instruo. Os conceitos de currculo e instruo constituem dois aspectos
importantes em qualquer sistema de ensino, incluindo os ITS. Apesar de no existir uma
fronteira clara entre as definies destes conceitos, os conceitos de currculo e de instruo
podem ser distinguidos da seguinte forma: a instruo envolve as decises de ensino
realizadas localmente, nomeadamente as decises relacionadas com a forma como os
conceitos seleccionados so apresentados ao aluno; o currculo envolve as decises globais
relacionadas com a forma como o material didctico organizado.
O conceito de currculo nem sempre utilizado da mesma forma em reas distintas,
como na rea dos ITS ou na rea do ISD. Por exemplo, na rea dos ITS, [Wenger, 1987]
considera que um currculo no mais do que um plano, enquanto que para investigadores
da rea do ISD, como o caso de [Romiszowski, 1984], a palavra currculo usada para
denominar a matria de ensino, organizada em estruturas com diferentes formatos.
No mbito dos ITS, [Halff, 1988] considera que o objectivo do currculo formular
uma representao do material didctico e seleccionar e ordenar as actividades de
60
formao a partir desta representao. A viso de Halff sobre o currculo orientada para o
material didctico. Uma outra definio de currculo mais cognitiva, proposta por
[McCalla, 1992a], sugere que o currculo num ITS representa a seleco e ordenao do
material didctico com vista a alcanar os objectivos de ensino apropriados ao contexto
presente e ao aluno em particular. Esta definio reala o facto de que um currculo deve
ser flexvel, evolutivo e adaptvel s necessidades do aluno e evoluo do processo de
aprendizagem.
Os aspectos relacionados com o currculo no tm ocupado um lugar central na
investigao realizada na rea dos ITS. A maior parte da investigao realizada na rea dos
ITS tem por objectivo atribuir ao aluno o controlo sobre o seu processo de aprendizagem.
Nesta perspectiva, o currculo visto como um forte controlo sobre o processo de
aprendizagem, antagnico ideia de iniciativa do aluno. No entanto, existe uma linha de
investigao dedicada aos aspectos relacionados com o currculo. Nesta linha de
investigao, a noo de currculo estende-se desde uma noo compatvel com a de Halff
at uma definio em que os objectivos de organizao do material didctico e de
individualizao, sendo primeira vista inconciliveis, podem coexistir. Nesta ltima
definio, o currculo deixa de impor uma ordem preestabelecida atravs da qual os tpicos
do domnio devem ser apresentados, mas que depende da interaco entre os objectivos
pedaggicos presentes, os objectivos do aluno e do conhecimento do sistema acerca do
domnio e do aluno. Neste sentido, o currculo individualizado continuamente de acordo
com as necessidades particulares do aluno, adaptado medida que as circunstncias se
alteram e tornado flexvel de acordo com os objectivos pedaggicos que se pretende
alcanar.
3.3.2.1 Abordagens para a Representao do Currculo
A representao do conhecimento do domnio objecto de ensino um dos aspectos
mais importantes envolvidos no currculo. A relevncia da representao do conhecimento
do domnio deve-se ao facto da sua estrutura influenciar os aspectos relacionados com a
actividade pedaggica, tais como a seleco, sequenciamento e apresentao das matrias a
ensinar. No campo dos ITS, o problema da representao da matria de ensino imputado
ao mdulo perito do domnio (seco 2.4.1) e a seleco, sequenciamento e apresentao
da matria de ensino so da responsabilidade do mdulo tutor (seco 2.4.3).
61
Nesta seco so apresentadas algumas abordagens para a representao do
currculo usadas em vrios tutores. Os diferentes tipos de representao no so
contraditrios, constituindo abordagens complementares.
3.3.2.1.1 Currculo no Sistema SCHOLAR
O sistema SCHOLAR [Carbonell, 1970] introduziu um conjunto de ideias pioneiras
na rea dos ITS. A mais importante est relacionada com a representao do conhecimento
do domnio de forma a permitir a sua manipulao pelo prprio sistema, dando-lhe a
capacidade de raciocinar acerca do seu domnio, ainda que de uma forma limitada. Em
particular, o conhecimento encontra-se representado atravs de redes semnticas que
permitem ao sistema deslocar-se entre os vrios conceitos atravs de ligaes existentes
entre eles. As estratgias de ensino usadas no sistema SCHOLAR so extremamente
simples, envolvendo, essencialmente, a seleco aleatria entre os conceitos considerados
relevantes para os conceitos em que o aluno mostrou interesse durante o dilogo recente
com o tutor. A relevncia entre os conceitos determinada pela sua proximidade na rede
semntica.
No que diz respeito ao currculo, o sistema SCHOLAR mostra como que a
estrutura do conhecimento do domnio pode influenciar a escolha do prximo tpico. O
caminho seguido pelo sistema atravs da base de conhecimento no predefinido. O
sistema pode percorrer livremente vrios conceitos que estejam relacionados entre si e que
sejam considerados relevantes a partir da interaco com o aluno. Apesar das estratgias
pedaggicas usadas serem simples, o sistema SCHOLAR representa um passo importante
no que respeita obteno de um currculo flexvel.
3.3.2.1.2 Currculo no Sistema WEST
O sistema WEST [Burton, 1982a] inclui um currculo que reala os aspectos do
domnio (capacidades e conceitos) que se pretende ensinar ao aluno. Cada um destes
aspectos est dotado de dois procedimentos: um procedimento de reconhecimento que
permite ao sistema reconhec-lo no comportamento do aluno e um procedimento de
avaliao que permite medir o conhecimento do aluno sobre esse aspecto. No caso do
sistema WEST, os aspectos dizem respeito utilizao dos operadores matemticos +, -, /,
*, ( e ) durante um jogo. Esta teoria foi tambm utilizada no sistema GUIDON onde os
62
aspectos correspondem s regras do sistema pericial MYCIN e os procedimentos de
reconhecimento so os mtodos que permitem determinar se o aluno conhece uma regra. O
currculo do sistema WEST permite suportar as estratgias de interveno do sistema
durante o jogo.
3.3.2.1.3 Currculo no Sistema BIP
Os sistemas BIP-I [Barr, 1976] e BIP-II [Wescourt, 1977] so ITS que se destinam
ao ensino de programao em BASIC. Nestes tutores, o conhecimento encontra-se
representado numa rede, denominada CIN (Curriculum Information Network). O
conhecimento representado nesta rede usado para relacionar tcnicas, capacidades e
tarefas. Uma parte da CIN usada no sistema BIP-I apresentada na Figura 3-2.

Sada de valores
(OUTPUT)
Variveis
simples
Leitura e entrada
de variveis
(READ e
INPUT)
Imprimir uma
constante de
cadeia de
caracteres
Imprimir uma
varivel de
cadeia de
caracteres
Atribuir uma
cadeia de
caracteres a
uma varivel
com INPUT
Atribuir um
valor
numrico a
uma varivel
com LET
Imprimir uma
varivel
numrica
Escreva um programa que
use INPUT para obter uma
cadeia de caracteres a partir
do utilizador e atribua-a
varivel W$. Imprima W$.
imprima a cadeia "HORSE".
atribua o valor 6 varivel
N e depois imprima o valor
de N.
Tarefa "HORSE" Tarefa "LETNUMBER" Tarefa "STRINGIN"
Tcnicas
Capacidades
Tarefas
Figura 3-2- Parte da rede CIN do sistema BIP-I [Barr, 1976]
A Figura 3-2 mostra como que uma tarefa particular (por exemplo, escrever uma
programa para imprimir uma cadeia de caracteres) pode exercitar uma capacidade
particular (por exemplo, imprimir uma constante do tipo cadeia de caracteres) e uma
tcnica de programao particular (por exemplo, implementar a sada de valores). Esta rede
est dividida em trs nveis conceptuais. O nvel superior contm os assuntos principais do
curso, denominados de tcnicas, que se encontram ordenadas de acordo com relaes de
63
pr-requisito. Estas tcnicas so compostas por unidades de conhecimento contidas no
nvel imediatamente inferior, denominadas de capacidades. Estas capacidades no se
encontram relacionadas entre si. O ltimo nvel contm as tarefas que esto relacionadas
com as capacidades. As tarefas permitem exercitar as capacidades definidas no nvel
anterior.
O modelo do aluno contm uma medida do desempenho do aluno em cada uma das
capacidades. Aps cada exerccio, o aluno confrontado com um teste. A estratgia de
seleco do prximo exerccio considera o desempenho do aluno em cada uma das
capacidades, o resultado dos testes e a estrutura do currculo.
No sistema BIP-II, o conhecimento acerca das capacidades aprofundado atravs
de uma rede semntica complementar (Figura 3-3). As ligaes do tipo C (Component) e K
(Kind-of) representam as relaes part-of e isa normalmente presentes nas redes
semnticas. A ligao do tipo D (Dependency) representa a ideia de dependncia e, por
ltimo, a ligao do tipo H (Harder than) representa dificuldade crescente entre conceitos.
Apesar desta extenso da rede CIN, as estruturas do sistemas BIP-I e BIP-II mantm-se
idnticas. A tarefa de seleco torna-se, no entanto, mais aberta no sistema BIP-II.
Estrutura de controlo
Incondicional Condicional
IF...THEN FOR ... NEXT
BOOLEAN IF THEN LINENUM FOR NEXT
REL NEXPR NEXPR
K
C
D
C C
C
NVAR NLIT SIMARITH
K
H H
H
GOTO END STOP
H
K
K
K
K
K
K
C
C
C
C
K
K
C
Relaes verticais:
K - Kind-of
C - Component
Relaes horizontais:
H - Harder
D - Dependency

Figura 3-3- Parte da rede semntica usada no sistema BIP-II
64
Ambos os sistemas BIP so pioneiros no que diz respeito ao seu objectivo de
oferecer um curso completo. Este objectivo explica o papel central desempenhado pelo
currculo nestes sistemas. Por outro lado, a noo de que as tarefas constituem o aspecto
central da aprendizagem dos alunos e que estas podem ser sequenciadas de forma
apropriada a partir do currculo foram tambm contributos destes sistemas. A sequncia
das tarefas no pr-planeada como acontecia nos sistemas CAI, sendo gerada de forma
dinmica medida que se desenrola a interaco entre aluno e tutor.
A falta de capacidade destes sistemas para suportar o diagnstico e anlise do
raciocnio do aluno constitui uma das suas limitaes. Esta limitao deve-se ausncia de
modelos capazes de descrever as tarefas, impossibilitando assim a comparao do
raciocnio do aluno com um destes modelos.
3.3.2.1.4 Currculo no Sistema WUSOR-III
O sistema WUSOR-III [Goldstein, 1982] utiliza uma estrutura, denominada grafo
gentico, para representar o conhecimento do domnio. O termo gentico advm do facto
de que esta representao permite realar a natureza evolutiva do conhecimento.
Assim como a rede de conhecimento usada no sistema BIP-II, o grafo gentico
(Figura 3-4) representa as capacidades elementares (neste caso, as regras de um jogo)
atravs de ns ligados essencialmente por relaes de generalizao, especializao,
analogia e refinamento. O grafo gentico divide-se em fases que representam os vrios
nveis de evoluo do aluno. As ligaes entre os vrios conceitos representam as
operaes cognitivas atravs das quais possvel aprender um conceito a partir de outro.
O modelo do aluno contm o registo do conjunto de ns e de ligaes percorridos
pelo aluno. As ligaes contidas no modelo do aluno dotam o sistema com a capacidade de
saber quais so as estratgias de raciocnio (generalizao, especializao, analogia e
refinamento) preferidas pelo aluno. A explorao das relaes entre os conceitos representa
uma teoria de aprendizagem do domnio, permitindo conduzir construo de um modelo
plausvel a partir do conhecimento j existente.
O planeamento da instruo no sistema WUSOR-III baseia-se na interaco entre o
modelo do aluno e o grafo gentico. O planeamento assim obtido dinmico e gerado de
acordo com as necessidades de ajuda do aluno. Trata-se de uma das primeiras tentativas de
65
adaptar o currculo s necessidades do aluno, no mbito dos sistemas de ensino assistido
por computador.

Fase 1 Fase 3 Fase 2
R
R
R
R
G
/
S
G
/
S
G
/
S
A
A
A
Relaes genticas:
R - Refinamento
A - Analogia
G/S - Generalizao/Especializao
Figura 3-4- Parte do grafo gentico usado no sistema WUSOR-III
3.3.2.1.5 Currculo no Sistema SHERLOCK
O sistema SHERLOCK [Lajoie, 1989; Lesgold, 1992] um ITS que se enquadra na
categoria dos sistemas de orientao (coaching systems, seco 2.5.2.2). Este sistema tem
por objectivo a formao prtica de tcnicos na deteco de avarias em circuitos
electrnicos dos avies da Fora Area dos Estados Unidos da Amrica, aps a frequncia
de um curso terico. O ambiente de aprendizagem inclui um simulador da bancada de
66
testes e do equipamento a testar. O ensino baseia-se na apresentao de problemas ao
aluno, sendo-lhe requerido que defina as suas hipteses acerca da origem do problema e
que proponha uma soluo para a sua reparao.
Um dos pontos fortes do sistema SHERLOCK assenta no facto de que este se
baseia numa anlise slida das tarefas (elaborada em cooperao com os peritos do
domnio), que permite identificar os aspectos da tarefa de deteco de avarias que
apresentam problemas em funo da sua dificuldade. A inteligncia do sistema reside no
facto de ter capacidade para executar tarefas que exigem uma percia humana complexa.
Esta anlise de tarefas permite identificar as capacidades (curriculum issues) que
distinguem os tcnicos experientes dos iniciantes. Estas capacidades encontram-se
agrupadas em trs categorias: estratgias de deteco e de reparao de avarias, estratgias
de resoluo de problemas e tomadas de deciso. O sistema contm cerca de 60 tpicos do
currculo (curriculum issues) que constituem os objectivos pedaggicos do sistema.
O sistema possui ainda um conjunto de 34 problemas para apresentar ao aluno, dos
quais 10 dizem respeito ao dispositivo a testar e 24 esto relacionados com a bancada de
testes. Cada um dos problemas est associado a uma estrutura denominada EPS (Effective
Problem Space) que representa as possibilidades de soluo. A cada n da estrutura EPS
est associado um conjunto de tpicos do currculo (Figura 3-5).
34 problemas
61 objectivos
Estratgias de resoluo Estratgias de deteco Tomadas de deciso
Problema 1 Problema 34
Figura 3-5- Organizao do currculo no sistema SHERLOCK
67

Apesar do sistema se basear numa anlise completa das tarefas de deteco e
reparao de avarias, o currculo no flexvel, na medida em que tudo se encontra
definido partida. Os problemas esto ordenados previamente por ordem crescente de
dificuldade (baseado no resultado da anlise de tarefas), impondo assim uma ordem pr-
programada do ensino.
Este sistema foi melhorado posteriormente, dando origem ao sistema SHERLOCK
II [Lesgold, 1992]. No entanto, este novo sistema no apresenta qualquer alterao no que
diz respeito representao do currculo. O novo sistema pretende, sobretudo, melhorar a
modelao do sistema fsico e a modelao do aluno. Para alm destas melhorias, o sistema
SHERLOCK II tornou a planificao mais dinmica, tendo em considerao o desempenho
do aluno (baseado na melhoria da modelao do aluno). A seleco dos problemas
ajustada de acordo com o desempenho do aluno no problema corrente [Katz, 1992]. A
seleco dinmica dos problemas pode ser considerada uma evoluo no currculo do
sistema inicial.
3.3.3 Estratgias de Ensino
Uma estratgia de ensino um procedimento para ensinar um objectivo [Halff,
1993b]. Normalmente, as estratgias de ensino so procedimentos comuns a uma classe de
objectivos aos quais a estratgia se aplica. Este procedimento recebe, como entrada, as
caractersticas do aluno e o material que define o objectivo particular. Como sada, produz
um conjunto de primitivas de instruo destinadas ao aluno. Estas primitivas de instruo
constituem os elementos bsicos usados para transmitir conhecimento ao aluno. A
apresentao de tpicos, respostas ou exemplos corresponde a formas de primitivas de
instruo. A maior parte dos tutores combina estratgias genricas, que podem ser
aplicadas a um vasto conjunto de domnios, com estratgias que so especficas do
domnio e aplicveis apenas em circunstncias particulares.
A maior parte dos ITS desenvolvidos baseiam a sua estratgia de ensino num
mtodo de diagnstico, no qual o tutor tenta fazer uma estimativa do conhecimento do
aluno, apresentando-lhe questes e avaliando as suas respostas. A partir do comentrio do
tutor resposta do aluno, que pode assumir a forma de explicao ou de resposta,
esperado que o aluno aprenda e corrija os erros que eventualmente possam existir no seu
68
conhecimento. O sistema BUGGY [Burton, 1982a] constitui um exemplo de utilizao
deste mtodo.
O mtodo socrtico (referido anteriormente na seco 2.5.2.1) constitui um outro
mtodo em que se baseia a estratgia de ensino implementada em alguns sistemas, como
o caso dos sistemas SCHOLAR [Carbonell, 1970] e WHY [Stevens, 1977]. Neste mtodo,
o tutor fornece um ambiente que encoraja os alunos a raciocinar acerca dos seus prprios
erros. Nestes casos, em vez de ensinar um assunto directamente, o tutor coloca questes
com o objectivo de induzir o aluno a raciocinar acerca do que sabe e do que no sabe,
encontrar contradies no seu conhecimento e, possivelmente, modificar as concepes
erradas que detm.
Um outro mtodo, denominado resoluo orientada de problemas (coached
problem solving, tambm apresentado anteriormente na seco 2.5.2.2), tem sido utilizado
em sistemas como SOPHIE [Brown, 1982], WUMPUS [Carr, 1977], WEST [Burton,
1982a], entre outros. Nesta estratgia, o tutor observa o comportamento do aluno e no
toma a iniciativa de interferir. O tutor apenas interrompe o aluno quando este pede ajuda de
forma explcita ou quando o tutor detecta que o aluno se encontra numa situao de
impasse. Este mtodo baseia-se no princpio learning by doing [Clancey, 1987; Katz,
1996] e o seu objectivo encorajar o aluno na aquisio de capacidades, nomeadamente
para a resoluo de problemas.
Na maior parte dos ITS (por exemplo, SCHOLAR [Carbonell, 1970], WEST
[Burton, 1982a], GUIDON [Clancey, 1982a] e WUSOR [Goldstein, 1982]), as estratgias
de ensino so representadas atravs de regras de produo. A Tabela 3-3 apresenta um
exemplo de uma regra usada para a representao de uma estratgia no sistema GUIDON
[Clancey, 1982b].
Tabela 3-3- Regra Usada para a Representao de uma Estratgia no Sistema GUIDON [Clancey,
1982b]
T-RULE26.03
IF: The recent context of the dialogue mentioned either a
deeper subgoal or a factor relevant to the current goal
THEN: Define the focus rule to be the d-rule that mentions this
focus topic

69
Esta abordagem de representao atravs de regras torna as estratgias de ensino
implcitas, o que dificulta a sua transferncia para outros ITS [Clancey, 1987]. Com o
objectivo de explicitar o conhecimento representado nas regras do sistema GUIDON,
[Woolf, 1984] desenvolveu uma representao que permite o raciocnio a um nvel mais
elevado, favorecendo a transferncia deste conhecimento para outros domnios. Este
mecanismo apresentado na seco 3.3.4.4.2.
O sistema TUPITS [Woolf, 1992b] uma ferramenta criada com o intuito de
facilitar o desenvolvimento de vrios tutores. Esta ferramenta permite representar as
estratgias de ensino atravs de um conjunto de primitivas de ensino, tais como ensinar,
motivar, apresentar sumrio, contrastar e apresentar exemplo. O sistema possui uma rede
de frames, em que cada frame representa um objecto que pode ser uma lio, uma unidade
de conhecimento, exemplos ou questes. Cada frame est ligada a outras frames atravs de
relaes que representam pr-requisitos, co-requisitos ou erros relacionados. Estas ligaes
associadas a cada objecto permitem ao sistema responder de forma dinmica a novas
situaes de ensino. Por exemplo, cada unidade de conhecimento ou cada sujeito
representado como um objecto tem um mtodo associado que: ensina o objecto, ensina os
pr-requisitos do objecto, avalia o aluno, apresenta um resumo, apresenta exemplos,
motiva o aluno, entre outros. Desta forma possvel associar uma ou mais estratgias ao
ensino de uma unidade de conhecimento particular.
3.3.4 Planeamento da Instruo
O planeamento constitui uma abordagem para a resoluo de problemas que
consiste em criar uma sequncia de aces, denominada plano, para alcanar um objectivo.
Se a entrada do sistema de planeamento um problema, especificado atravs do seu estado
inicial, do estado objectivo e por um conjunto de aces, ento a sada do sistema um
plano que satisfaz o objectivo. Nas primeiras abordagens usadas na resoluo de problemas
de planeamento, como o caso do sistema STRIPS [Fikes, 1971], as fases de planeamento e
de execuo eram separadas. Os sistemas de planeamento mais recentes tentam melhorar o
desempenho dos sistemas clssicos, integrando as fases de planeamento e de execuo,
tornando assim possvel a monitorizao da execuo do plano e a reviso deste sempre
que necessrio.
70
A aplicao de tcnicas de planeamento no domnio da instruo, nomeadamente o
planeamento da instruo, tornou-se um aspecto importante no desenvolvimento de ITS
[Woolf, 1984; Russell, 1988]. O planeamento da instruo constitui um mecanismo de
controlo que permite ao tutor decidir o que fazer atravs da gerao de uma sequncia de
instrues. Estas instrues incluem, por exemplo, a seleco dos tpicos que devem ser
introduzidos, revistos ou explicados. Este mecanismo de controlo responsvel pela
gerao de estratgias de controlo alternativas que constituem a base de diferentes
abordagens de ensino. Atravs das decises acerca das aces a executar, o mecanismo de
planeamento da instruo controla a interaco entre o sistema e o aluno.
O planeamento da instruo pode ser considerado como uma perspectiva para a
resoluo de problemas no mbito do ensino [Ohlsson, 1987]. Os componentes principais
desta perspectiva so os objectivos, as estratgias e as tcticas. Habitualmente, o ensino
conduzido atravs de uma estrutura de objectivos, possivelmente organizados em vrios
nveis [Woolf, 1985]. Cada objectivo pode ser alcanado atravs de uma ou vrias
estratgias de ensino [Woolf, 1985]. Cada uma destas estratgias determina um conjunto
de tcticas que constituem as aces do tutor numa situao de ensino [Ohlsson, 1987]. A
disponibilidade de uma variedade de tcticas locais e de estratgias globais, que organizem
a utilizao dessas tcticas, constitui um dos requisitos para que um tutor inteligente
possua capacidade de adaptao [Ohlsson, 1987]. Os planos de ensino so gerados com
vista a alcanar os objectivos do tutor inteligente. Para a gerao destes planos o tutor deve
ter por base a sua representao do aluno, o conhecimento da matria de ensino e o seu
objectivo de ensino no momento de aplicao do plano. Para alm da capacidade de gerar
os planos, o tutor deve ser capaz de rever os seus planos se detectar que o plano no
adequado ao aluno [Ohlsson, 1987]. O resultado mais visvel da aplicao dos planos
formado pelo conjunto de tcticas que representam as aces do tutor (como por exemplo,
responder a uma questo, oferecer uma dica, apresentar um sumrio, entre outras).
3.3.4.1 Planeamento Dinmico da Instruo
Os sistemas de planeamento mais recentes tm seguido uma abordagem em que as
tarefas de planeamento e execuo so integradas, com o intuito de se poder ultrapassar as
limitaes existentes nos sistemas clssicos de planeamento. Estas limitaes deviam-se ao
facto de no se possuir a informao completa no momento de elaborao do plano. Estes
71
conceitos da rea do planeamento podem ser generalizados e aplicados aos sistemas de
planeamento da instruo, uma vez que o planeamento da instruo envolve uma
interaco complexa entre o plano e a sua execuo [Woo, 1991a].
Os sistemas de planeamento da instruo devem ter em conta a natureza dinmica e
imprevisvel do conhecimento do aluno. No possvel observar directamente o estado
actual de conhecimento do aluno. O nvel de conhecimento do aluno apenas pode ser
inferido. Os resultados desta inferncia so mantidos na forma de modelo do aluno
[VanLehn, 1988]. Este carcter imprevisvel do conhecimento do aluno requer que o
mecanismo de planeamento da instruo tenha capacidade para suportar situaes
imprevistas, semelhana do que acontece com os tutores humanos.
O mecanismo de planeamento da instruo deve ser dinmico uma vez que, durante
o processo de instruo, o estado cognitivo do aluno muda dinamicamente. medida que o
plano executado, o modelo do aluno pode sofrer alteraes ou podem surgir novas
dificuldades no aluno. Estas alteraes podem fazer com que o plano que estava a ser
aplicado deixe de ser adequado, sendo necessrio criar um novo plano de instruo que
considere o novo modelo do aluno [McCalla, 1992a].
Uma abordagem de planeamento da instruo dinmica permite que o ensino seja
feito medida do aluno e que seja flexvel, adaptando-se medida que as circunstncias se
alteram.
3.3.4.2 Nveis de Planeamento
Qualquer ITS deve possuir um mecanismo que permita determinar as aces a
executar durante uma sesso de ensino. Este mecanismo, denominado mecanismo de
planeamento da instruo, decide que material ser objecto de ensino, como apresentar o
tpico seleccionado e em que momento deve interromper o aluno e tomar o controlo da
interaco entre o sistema e o aluno.
Estas decises pedaggicas podem ser divididas em diferentes nveis [Wenger,
1987]: um nvel global e um nvel local. As decises de nvel global afectam as sequncias
de matria a ser ensinada. Com base na informao obtida a partir do modelo do aluno, o
sistema deve ser capaz de providenciar diferentes contedos de instruo para diferentes
alunos. Esta capacidade de diferenciao constitui a base de uma instruo adaptativa. O
conhecimento acerca de quando interromper a actividade do aluno, assim como o que dizer
72
e como dizer, pertencem ao nvel local do processo de tomada de deciso. A tomada deste
tipo de decises no deixa de ser um processo complexo, uma vez que a ordem em que os
tpicos so ensinados e o mtodo de comunicao com o aluno podem produzir diferentes
experincias de ensino [Wenger, 1987].
A diviso do processo de planeamento de instruo em diferentes nveis
compatvel com a noo de planeamento hierrquico. Nesta abordagem, gerada uma
representao hierrquica de um plano, na qual o nvel mais elevado uma simplificao
ou abstraco do plano e o nvel inferior um plano detalhado, suficiente para a resoluo
do problema. Uma tcnica de planeamento hierrquico pode reduzir a complexidade do
processo de planeamento [Woo, 1991a]. O plano desenvolvido inicialmente a um nvel
superior e os detalhes so desenvolvidos posteriormente. Desta forma previne-se, partida,
o desenvolvimento de planos desnecessrios. O mecanismo de planeamento deve
desenvolver o plano a um nvel global. Quando a prxima instruo gerada, o mecanismo
de planeamento deve considerar o plano anterior e o desempenho recente do aluno de
forma a garantir a continuidade do processo de instruo. O mecanismo de planeamento
deve alterar o plano que se encontra em execuo quando este falha ou quando o aluno
requer a interveno do tutor. O mecanismo de planeamento deve ainda estar apto a
realizar a monitorizao do plano em execuo de forma a poder identificar a necessidade
de alterar o plano em vigor.
comum entre os peritos em educao dividir o currculo, incluindo os objectivos
do curso em desenvolvimento, numa hierarquia. Alguns estudos revelam que os
professores experientes utilizam vrios nveis de planeamento para o desenvolvimento dos
seus cursos [Derry, 1988]. A um nvel mais global feito o planeamento dos objectivos da
instruo, enquanto que a um nvel menos global ocorre o planeamento de aces.
Alguns autores, como o caso de [Murray, 1988a] distinguem trs nveis de
planeamento da instruo para ITS. Estes nveis so:
Planeamento do currculo a este nvel so realizadas decises para uma sequncia
de lies;
73
Planeamento da lio a este nvel o tutor executa decises no mbito de apenas
uma lio, que incluem a escolha da matria a ensinar e a sua ordem de
apresentao;
Planeamento do discurso a este nvel so planeadas as aces de comunicao
entre o tutor e o aluno no mbito de uma lio.
Nos nveis de planeamento do currculo e da lio o tutor inteligente tem que
decidir acerca de questes de instruo relacionadas com problemas de seleco e
sequenciamento, enquanto que ao nvel de planeamento do discurso, o tutor tem que lidar
com os aspectos relacionados com a apresentao do material de instruo. Segundo
[Murray, 1988a], devem existir pelo menos dois nveis de planeamento, os nveis de
planeamento da lio e do discurso, para que um ITS apresente uma instruo eficaz e
flexvel. No entanto, estes nveis no podem estar completamente separados. Na prtica,
frequente que o planeamento do discurso e o planeamento da lio estejam interligados,
sendo o mesmo possvel entre o planeamento da lio e o planeamento do currculo.
3.3.4.3 Princpios Gerais de Seleco e Sequenciamento
As decises de seleco e sequenciamento esto entre as mais importantes que tm
que ser tomadas por um tutor. A eficcia de um ITS depende, em grande medida, da sua
capacidade de seleccionar e ordenar os tpicos de acordo com o estado cognitivo do aluno.
Os princpios que conduzem a seleco e sequenciamento do material para ensino baseiam-
-se normalmente em teorias de ensino [Collins, 1991]. Por exemplo, a teoria de [Collins,
1991] baseia-se no princpio de aprendizagem por descoberta. Apesar da existncia de
vrias teorias de ensino, existem alguns princpios gerais que so normalmente aceites pela
maioria das tendncias no campo da educao. Como exemplo, [Halff, 1988] apresenta
quatro destes princpios que auxiliam a tomada de decises de seleco e sequenciamento
para tutores inteligentes:
Associao atribuda prioridade aos conceitos ou tpicos que esto estritamente
relacionados com o conhecimento actual do aluno;
74
Maneabilidade todos os exemplos apresentados devem ser compreensveis e
qualquer exerccio deve poder ser resolvido pelos alunos que tenham completado as
partes anteriores do curso;
Transparncia estrutural a sequncia dos exerccios e exemplos deve ser
organizada de forma a tornar explcita a estrutura do conhecimento objecto de
ensino;
Individualizao os exerccios e exemplos devem ser escolhidos de forma a
adequarem-se ao padro de conhecimentos e de debilidades que caracterizam o
aluno no momento em que o exerccio ou exemplo seleccionado.
Vrios princpios de sequenciamento tm sido utilizados em diferentes ITS
[Wenger, 1987]. Por exemplo, o sistema WUSOR II [Goldstein, 1982] e os tutores
desenvolvidos pela equipa liderada por Anderson [Anderson, 1990] utilizam o princpio do
simples para o complexo, em que dada prioridade aos conceitos ou tpicos mais simples
sobre os mais complexos. No caso dos tutores BIP [Barr, 1976] e WUSOR III [Goldstein,
1982] utilizado o princpio de pr-requisito, em que o mecanismo de seleco de tpicos
usa relaes de pr-requisito para atribuir maior prioridade aos tpicos que constituem pr-
requisitos para a lio corrente. O sistema SCHOLAR [Carbonell, 1970] utiliza o princpio
de importncia, que atribui maior prioridade aos tpicos considerados mais importantes.
Existem ainda sistemas, como o caso do sistema WHY [Stevens, 1977], que utilizam a
estrutura lgica do domnio para conduzir o mecanismo de sequenciamento.
3.3.4.4 Abordagens para o Planeamento da Instruo
Um ITS deve ter um mecanismo que determine quais os passos a realizar durante
uma sesso de ensino. Este componente de planeamento da instruo decide sobre quais os
tpicos da matria a sesso de ensino deve incidir, como apresentar o tpico seleccionado e
quando interromper a actividade do aluno. Nos sistemas CAI, este tipo de decises
pedaggicas encontravam-se predefinidas no cdigo, o que tornava difcil a sua alterao
ou a adaptao destes sistemas a outros domnios. Neste contexto, um sistema flexvel
necessita de ter uma representao explcita deste conhecimento pedaggico atravs de
75
estruturas, que permitam express-lo declarativamente e conduzir o processo de tomada de
deciso [Woo, 1991a].
3.3.4.4.1 Controlo Baseado em Planos e Controlo Oportunstico
Qualquer ITS possui um conjunto de objectivos que devem ser alcanados pelos
alunos. Estes objectivos podem ser alcanados atravs do planeamento de actividades de
instruo (controlo baseado em planos) ou a partir do reconhecimento de oportunidades
que surgem durante a interaco com o aluno (controlo oportunstico). Em alternativa a
estas duas formas de controlo do processo de instruo, possvel usar um mtodo que
combine de forma apropriada ambos os estilos de controlo. Alguns estudos demonstraram
que a combinao destes dois estilos de controlo permite alcanar os objectivos de ensino
com maior eficcia [Wenger, 1987; Woo, 1991b].
Na abordagem de controlo baseada em planos o tutor manipula as sequncias de
actividades de instruo atravs das quais se espera que o aluno adquira a percia desejada
[Wenger, 1987]. O tutor supervisiona o progresso e a adequao do plano de instruo em
execuo. Esta forma de planeamento fornece uma estrutura de ensino bem organizada
mas o comportamento do aluno tende a ser pouco importante.
Pelo contrrio, na forma de controlo oportunstico, o tutor tenta aproveitar as
oportunidades de ensino que surgem no contexto de alguma actividade ou dilogo em que
o aluno esteja envolvido [Wenger, 1987]. Nos sistemas que usam esta abordagem, as
oportunidades so detectadas a partir de informao de diagnstico e o planeamento
conduzido localmente baseando-se nestas oportunidades. O controlo oportunstico
especialmente adequado conduo de actividades em que a iniciativa pertence
maioritariamente ao aluno, como o caso das actividades que envolvam a resoluo de
problemas. Por outro lado, esta forma de controlo fornece pouco controlo sobre a
organizao das sesses de ensino.
3.3.4.4.2 Discourse Management Network
O sistema MENO-TUTOR [Woolf, 1984] utiliza um mecanismo para representar e
organizar os elementos que compem a interaco com o aluno. As estratgias
representadas neste mecanismo baseiam-se na observao de tutores humanos. Este
mecanismo de planeamento, denominado DMN (Discourse Management Network),
76
baseado numa rede de estados, em que os ns ou estados correspondem a aces de ensino.
Estes estados da DMN encontram-se organizados em trs nveis: pedaggico, estratgico e
tctico. O nvel pedaggico estabelece o tipo de aco do tutor, como por exemplo
introduzir um novo tpico ou ultrapassar uma concepo errada do aluno. A definio da
aco do tutor elaborada com maior detalhe no nvel estratgico. Neste nvel definida a
estratgia de interveno do tutor, tal como apresentar uma questo ao aluno ou descrever
um conceito. Os ns do nvel tctico so responsveis pela implementao da estratgia
definida no nvel estratgico. Os estados deste nvel determinam a forma e o contedo do
discurso.
Os arcos ou transies entre estados so de dois tipos e definem o mecanismo de
controlo utilizado na DMN. Os arcos do primeiro tipo definem as sequncias de estados
que normalmente so percorridos pelo tutor. Do ponto de vista pedaggico, estas transies
correspondem a decises de ensino planeadas de forma antecipada. O segundo tipo de
arcos representa meta regras que permitem a mudana para qualquer estado da rede quando
as suas condies so satisfeitas. O mecanismo DMN suporta tanto a forma de controlo
baseado em planos como a forma de controlo oportunstico. O controlo baseado em planos
alcanado atravs das transies por defeito entre ns da DMN, enquanto que a forma de
controlo oportunstico corresponde s transies entre estados baseadas no disparo de meta
regras.
Segundo [Murray, 1988a], o mecanismo DMN adequado para suportar estratgias
de controlo oportunstico mas deve, no entanto, ser complementado com outros
mecanismos para suportar o planeamento aos nveis de lio e de currculo. A ausncia de
um procedimento explcito para seleco de tpicos faz com que este mecanismo esteja
apenas apto para conduzir o aluno atravs de tpicos escolhidos previamente. Apesar das
capacidades de planeamento do mecanismo DMN serem limitadas, este oferece um
mecanismo de controlo genrico, o qual juntamente com outros mecanismos auxiliares
pode permitir obter um sistema de planeamento da instruo eficaz a qualquer um dos
nveis (currculo, lio e discurso).
3.3.4.4.3 Arquitectura Blackboard
A arquitectura blackboard [Erman, 1980] uma tcnica usada na IA para obter
sistemas de controlo flexveis a partir de mdulos independentes. Esta tcnica comeou por
77
ser utilizada no reconhecimento de fala, tendo sido posteriormente aplicada na rea dos
tutores inteligentes para o desenvolvimento de mecanismos genricos de planeamento da
instruo.
Num sistema baseado na arquitectura blackboard, o conhecimento encontra-se
distribudo por um conjunto de fontes de conhecimento que assumem a forma de objectos
procedimentais. Estes objectos procedimentais representam formas de percia em algum
aspecto do sistema de ensino. As fontes de conhecimento comunicam entre si, de forma
indirecta, atravs de uma estrutura denominada blackboard. Quando uma fonte de
conhecimento necessita de informao coloca um pedido na estrutura blackboard.
Qualquer uma das fontes de conhecimento capaz de responder ao pedido, retira o pedido e
coloca a informao requerida no blackboard.
O sistema BB-IP [Murray, 1988b] usa a arquitectura blackboard para implementar
o mecanismo de planeamento da instruo. Neste sistema so usados dois blackboards
principais: um para o conhecimento do domnio e outro para o conhecimento de controlo.
O blackboard para o conhecimento do domnio usado pelas fontes de conhecimento
relacionadas com a matria a ser ensinada. Este blackboard constitui o conhecimento do
domnio do sistema. O blackboard de controlo usado pelas fontes de conhecimento
relacionadas com o mecanismo de planeamento. O plano da instruo mantido neste
blackboard. So usados ainda um conjunto de outros blackboards, alguns dedicados ao
planeamento da instruo, incluindo o blackboard de planos padro usado na criao de
planos de instruo, e ainda outro onde mantido o modelo do aluno.
O processo de planeamento da instruo dividido em trs partes: plano de
objectivos da lio, seleco de uma estratgia de ensino e execuo do plano de instruo.
O plano da lio criado a partir de planos padro guardados no blackboard respectivo. A
segunda fase, seleco de uma estratgia de ensino, consiste em encontrar uma estratgia
de apresentao e de avaliao para o tpico corrente. A combinao dos planos de lio e
de apresentao constitui o plano completo de instruo, que armazenado no blackboard
de controlo. Durante a fase de execuo do plano de instruo, qualquer uma das fontes de
conhecimento pode considerar-se relevante. Estas fontes de conhecimento so colocadas
numa agenda onde um mecanismo de escalonamento, aps consultar o plano de instruo,
decide qual a mais relevante. As alteraes do comportamento do aluno podem fazer com
78
que novas fontes de conhecimento sejam adicionadas agenda, podendo resultar em
alteraes das aces de instruo ou at levar criao de novos planos de instruo.
Esta arquitectura de planeamento da instruo apresenta um comportamento
dinmico: o plano de instruo depende de vrias fontes de conhecimento e varia medida
que a interaco com o aluno prossegue. A separao entre o conhecimento de
planeamento, conhecimento do domnio e conhecimento acerca das estratgias de ensino
constitui outra vantagem apresentada por esta arquitectura [Murray, 1988a].
3.4 Sumrio
O desenvolvimento de um ITS envolve aspectos relacionados com a representao
de vrios tipos de conhecimento. A investigao na rea dos ITS dedicada representao
do conhecimento integra essencialmente dois grupos de investigadores: investigadores do
campo da psicologia e do campo da cincia dos computadores. Estes dois campos refletem
duas perspectivas do desenvolvimento de ITS com objectivos distintos, os quais
influenciam as decises de desenvolvimento de um sistema. De uma forma geral, os
investigadores do campo da psicologia tendem a dar maior relevncia aos aspectos ligados
instruo, enquanto que os investigadores ligados cincia dos computadores se
encontram mais orientados para os aspectos ligados ao domnio. A natureza interdisciplinar
dos ITS torna, por vezes, difcil a determinao dos aspectos que devem conduzir as
decises de desenvolvimento. Por exemplo, a escolha de um mtodo de ensino teve ter em
conta a considerao do tipo de domnio que objecto de ensino. O desenvolvimento de
ITS capazes de alcanar um ensino eficaz requer que as decises tomadas no mbito da
representao de ambos os tipos de conhecimento tenham em conta o melhor da percia
disponibilizada por ambos os campos da psicologia e da cincia dos computadores.
79

4 Modelao do Conhecimento do Aluno
4.1 Introduo
Um modelo pode ser definido como uma abstraco da realidade. Os modelos so
utilizados de diversas formas em actividades de projecto, de criao de prottipos,
simulao e avaliao. Os modelos podem servir como base para a tomada de decises e
para a realizao de experincias. Se o modelo for preciso, ento a experincia conduzida a
partir do modelo pode ser generalizvel ao mundo real.
Como todos os modelos, o modelo do aluno pretende fornecer informao acerca
do objecto modelizado, neste caso, o aluno individual que utiliza o sistema de ensino
baseado em computador. O sistema utiliza o modelo do aluno como fonte de conhecimento
para determinar as aces apropriadas para aquele aluno. A modelao do aluno o
processo de criao de um modelo do aluno. Este processo ocorre necessariamente durante
a interaco entre o aluno e o sistema, uma vez que atravs das evidncias fornecidas
pelas aces do aluno durante a utilizao do sistema que o modelo do aluno criado. No
entanto, estas evidncias so escassas, tornando a modelao do aluno um processo difcil.
O objectivo deste captulo rever alguns aspectos relacionados com a criao e
utilizao do modelo do aluno num ITS. O captulo comea por definir o modelo do aluno
como fonte de conhecimento para o processo de adaptao do sistema de ensino s
caractersticas particulares de cada aluno, como seja o nvel de conhecimento inicial, os
diferentes interesses e diferentes aptides de aprendizagem. So apresentadas algumas das
abordagens mais utilizadas para representar o aluno, algumas das tcnicas da IA mais
usadas neste domnio e alguns exemplos de modelao do aluno em ITS. O captulo
81
continua atravs das questes relacionadas com a utilizao do modelo do aluno num ITS e
respectiva manuteno e termina abordando os aspectos prticos relacionados com a
implementao do modelo do aluno.
4.2 Modelo do Aluno
Um modelo do aluno pode ser descrito como uma representao abstracta do aluno,
constituindo do ponto de vista do professor uma concepo do aluno. Normalmente, o
termo modelo do aluno associado a sistemas de instruo inteligentes baseados em
computador. Neste contexto, o modelo do aluno uma representao das crenas do
sistema acerca do aluno e, portanto, uma representao abstracta do aluno contida no
sistema [Holt, 1994]. O modelo do aluno pode ser algo mais do que a representao do
conhecimento detido pelo aluno. Segundo [Hume, 1995], o modelo do aluno uma
representao de todos os aspectos do comportamento do aluno na situao de
aprendizagem. Por exemplo, a forma como um aluno diz alguma coisa pode ser to
importante como o que o aluno diz.
No mbito da instruo, importante obter tanto o conhecimento correcto como o
conhecimento incorrecto do aluno acerca do contedo do domnio a ensinar. Existem
vrias formas de raciocinar acerca do conhecimento do aluno. Se o modelo mantm um
simples historial do comportamento do aluno como fonte de informao, a produo de
inferncias acerca do conhecimento do aluno torna-se difcil. No entanto, se o modelo
inclui interpretaes do comportamento do aluno, inferncias subsequentes so mais fceis
de obter. Assim, possvel construir explicaes do comportamento a partir de explicaes
anteriores contidas no modelo e guardar as novas explicaes.
Existem vrios modelos e teorias sobre modelos do aluno na rea dos ITS. Muitos
investigadores tm tentado classific-los. Por exemplo, [VanLehn, 1988] prope trs
dimenses (largura de banda, tipo de conhecimento e diferenas entre o aluno e o perito)
para construir o espao dos modelos do aluno e classific-los neste espao.
Num ITS, o modelo do aluno constitudo por um conjunto de estruturas de dados,
que podem ser usadas como fonte de informao do mdulo tutor que contribui para o
processo de tomada de deciso. A modelao do aluno o processo de diagnstico que
utilizado para fornecer informao ao modelo do aluno. De acordo com [Ragnemalm,
1996b], o problema da modelao do aluno o processo de cobrir o fosso entre a entrada
82
Modelao do Conhecimento do Aluno
do aluno no ITS e a concepo e representao do conhecimento correcto detido pelo
sistema. frequente encontrar na literatura os termos modelo do aluno e modelao do
aluno para referir tanto a estrutura de representao do conhecimento do aluno como o
processo de diagnstico.
O conhecimento que deve ser includo num modelo do aluno para se obter um
processo de instruo eficaz e eficiente constitui uma questo que no consensual. No
entanto, um modelo do aluno completo deve incluir toda a aprendizagem anterior
relevante, o progresso do aluno atravs do currculo, o estilo de aprendizagem preferido
pelo aluno, assim como outros tipos de informao relacionados com o aluno. A
implementao de um modelo com toda esta informao poder ser difcil se no
impossvel. Por este motivo, a maioria dos sistemas modelizam o aluno apenas no que diz
respeito representao da matria de ensino.
Para se obter um sistema adaptvel s necessidades do aluno, desejvel que se use
um modelo do aluno explcito [McCalla, 1992b]. Um modelo do aluno explcito permite ao
sistema guardar conhecimento relevante acerca do aluno e usar este conhecimento
acumulado como a base para a adaptao do sistema s necessidades do aluno. Para alm
disto, um modelo do aluno explcito que acumule o conhecimento acerca do aluno atravs
do estudo dos seus padres de comportamento, constitui a base para um ambiente de
aprendizagem baseado em computador inteligente e individualizado.
possvel apontar um conjunto de dificuldades que surgem durante o processo de
modelao do aluno e que resultam do problema de inferir o conhecimento a partir do
comportamento do aluno. Estas dificuldades so [Holt, 1994]:
O ambiente de ensino pode apresentar uma grande quantidade de incerteza;
A inferncia do aluno pode ser incompleta e pode basear-se em conhecimento
inconsistente;
A produo de explicaes a partir do comportamento do aluno pode ser um
problema computacionalmente intratvel;
83
Os alunos podem ser criativos e inventivos, apresentando frequentemente um
comportamento novo e no antecipado, requerendo maior sofisticao para a sua
interpretao.
4.3 Representao do Modelo do Aluno
Nos sistemas CAI o aluno representado por informao no processada e no
estruturada, como por exemplo atravs de resultados quantitativos de testes ou avaliaes
binrias das suas respostas. Esta informao usada pelo sistema para seleccionar um
percurso pr-programado atravs do conhecimento do domnio entre os vrios possveis. A
informao no suporta qualquer inferncia complexa acerca do estado presente do aluno.
No caso dos ITS, a maioria dos modelos do aluno mantm o conhecimento que o
aluno detm ou as concepes erradas do aluno acerca do domnio atravs de diferentes
formalismos. No entanto, tm sido poucos os modelos do aluno implementados que
incluam conhecimento do aluno que no esteja relacionado com o conhecimento do perito
acerca do domnio ou com os erros comuns dos alunos. No comum encontrar nestes
modelos uma representao das caractersticas individuais dos alunos tais como estilos de
aprendizagem preferidos, estado emocional, conhecimento idiossincrtico especfico ou
vrios atributos individuais do aluno [Holt, 1994].
Para autores como [Ohlsson, 1994], o problema de modelao do aluno visto
como um processo de diagnstico cognitivo do aluno. O tipo de descrio gerada pelo
sistema de diagnstico constitui um dos aspectos mais importantes usados na definio do
formalismo de representao do modelo do aluno. Nas seces seguintes so apresentados
alguns dos formalismos usados com maior frequncia na modelao do aluno.
4.3.1 Modelo Overlay
Em alguns sistemas, o modelo do aluno contm apenas o conhecimento que o aluno
detm sobre o domnio. Nestes sistemas, o conhecimento do aluno tratado como um
subconjunto do conhecimento do perito. O aluno representado pelo conjunto de conceitos
ou unidades da matria que j domina. O objectivo da instruo nestes sistemas consiste
em estabelecer a correspondncia entre o conhecimento do aluno e do perito. A partir desta
correspondncia, o mecanismo de planeamento da instruo capaz de decidir quais os
tpicos que devem ser apresentados ao aluno de modo a que este possa preencher as
84
lacunas existentes no seu conhecimento. Um modelo do aluno que se baseia nesta
comparao denominado modelo overlay.
Num modelo overlay, o modelo do aluno gerado atravs da comparao do
comportamento do aluno com o de um perito. Esta abordagem assume que todas as
diferenas entre o comportamento do aluno e do perito podem ser explicadas como a
ausncia de conhecimentos do aluno. Este modelo assume que o conhecimento do aluno
um subconjunto do conhecimento de um perito (Figura 4-1).

P1
P71
P11
P3
P66
P18
P27
P33
P12
P62
P2
P4
P0
Conhecimento do domnio
Modelo do aluno overlay
Figura 4-1- Modelo overlay [Kass, 1989]
Entre os ITS que usam o modelo overlay na sua abordagem para a modelao do
aluno encontram-se, entre outros, os sistemas SCHOLAR [Carbonell, 1970], BIP [Barr,
1976], GUIDON [Clancey, 1982a] e WUSOR-II [Carr, 1977].
A utilizao do modelo overlay apresenta duas limitaes importantes. Por um
lado, o modelo assume que o mdulo perito completo. Contudo, possvel que o aluno
utilize uma estratgia legtima que no esteja contemplada no mdulo perito. Por outro
lado, os modelos overlay no consideram situaes em que o aluno utiliza mal ou entende
mal o conhecimento. Estes modelos assumem que o conhecimento est assimilado ou est
ausente [Wenger, 1987].
4.3.2 Modelo Diferencial
As limitaes presentes no modelo overlay conduziram ao desenvolvimento do
modelo diferencial, que no mais do que uma extenso do primeiro. O modelo diferencial
divide o conhecimento do aluno em duas categorias: conhecimento que o aluno deve
85
adquirir e conhecimento que esperado que o aluno no venha a adquirir. Assim, e ao
contrrio do que acontece no modelo overlay, o modelo diferencial no assume que todas
as ausncias de conhecimento no modelo do aluno so igualmente indesejveis. O modelo
diferencial tenta representar explicitamente tanto o conhecimento do aluno como as
diferenas entre o aluno e o perito. Esta abordagem pode ser considerada como uma
sobreposio parcial do conhecimento esperado, sendo este ltimo essencialmente um
subconjunto do conhecimento geral do domnio (Figura 4-2).
P1
P71
P11
P3
P66
P18
P27
P33
P12
P62
P2
P4
P0
Modelo do aluno overlay
P31
P6
P45
P7
P38
P32
P12
P71
Conhecimento esperado do aluno
Figura 4-2- Modelo diferencial [Kass, 1989]

O sistema WEST [Burton, 1982a] constitui um exemplo de utilizao do modelo
diferencial. Apesar do modelo diferencial no ser to restrito acerca do conhecimento do
aluno, ainda assim apresenta a maior parte das dificuldades verificadas no modelo overlay.
Uma vez que o modelo diferencial assume que o modelo do aluno essencialmente um
subconjunto do perito, o modelo do aluno mantm-se incompleto.
4.3.3 Modelo de Perturbao
Enquanto que o modelo overlay representa o aluno apenas em termos do
conhecimento correcto, um modelo de perturbao combina a representao do
conhecimento contida no modelo overlay com uma representao do conhecimento errado
do aluno. Nos modelos de perturbao o conhecimento do aluno no considerado como
um mero subconjunto do conhecimento do perito, uma vez que o aluno possui
conhecimento potencialmente diferente em quantidade e qualidade. O modelo overlay
86
ignora a possibilidade do aluno possuir conhecimento incorrecto ou uma interpretao
incorrecta do conhecimento. Os modelos de perturbao, para alm de representarem o
conhecimento comum ao perito e ao aluno, possuem ainda uma representao das
concepes erradas mais provveis de ocorrerem no aluno (Figura 4-3). O modelo de
perturbao mantm uma relao prxima entre os modelos do aluno e do perito, como
acontece no modelo overlay, mas representa tambm o conhecimento do aluno para alm
do mbito do modelo do perito.
P1
P71
P11
P3
P66
P18
P27
P33
P12
P62
P2
P4
P0
Modelo do aluno de perturbao
P1'' P2'
P64
P3'
P1'
P91
P2''
P0'
Figura 4-3- Modelo de perturbao [Kass, 1989]

Sistemas como BUGGY [Brown, 1978], DEBUGGY [Burton, 1982b] e PROUST
[Johnson, 1985] usam um modelo de perturbao na sua abordagem de modelao do
aluno. O sistema BUGGY, por exemplo, contm um conjunto de potenciais utilizaes
incorrectas de cada conceito do domnio. Se um aluno apresenta uma resposta incorrecta, o
sistema tenta substituir a variante incorrecta da utilizao do conceito efectuada pelo aluno
pelo conceito correcto, com o objectivo de refazer a resposta do aluno.
A incluso de erros ou de interpretaes erradas no modelo de perturbao permite
uma compreenso mais sofisticada do aluno e permite ainda ao tutor invocar estratgias
que permitam corrigir o aluno. Pelo contrrio, a abordagem que assenta no modelo overlay
apenas permite ao tutor fornecer instruo com o intuito de preencher as lacunas existentes
no conhecimento do aluno.
No entanto, a definio de um conjunto de erros suficientemente completo no
uma tarefa simples e possvel encontrar novos erros do aluno que nunca tenham sido
87
observados anteriormente. Por outro lado, a inferncia do que o aluno sabe a partir de uma
resposta incorrecta mais difcil do que a partir de uma resposta correcta.
4.3.4 Outras Abordagens
Vrias tcnicas de Inteligncia Artificial tm sido utilizadas na construo de
modelos do aluno. Esta seco descreve algumas das reas que tm sido alvo de
investigao recente, tais como as reas de fuzzy-logic, aprendizagem automtica e redes
bayesianas. Em seguida, so apresentados exemplos de aplicao destas tcnicas no
mbito da modelao do aluno.
A abordagem de modelao do aluno baseada na teoria dos conjuntos imprecisos
(fuzzy sets) [Zadeh, 1965] constitui um conceito importante para a rea dos ITS, pois
permite modelizar os diferentes aspectos de incerteza presentes na informao do mundo
real. A incerteza manifesta-se de vrias formas, como por exemplo na incerteza inerente
classificao de termos que se referem a uma escala contnua, na incerteza de termos
lingusticos ou na incerteza de termos ou conceitos devido variabilidade estatstica
presente na comunicao. A teoria dos conjuntos imprecisos constitui uma tentativa de
fornecer uma base sistemtica e completa para a modelao destes tipos de impreciso, os
quais se devem principalmente falta de fronteiras bem definidas entre elementos
pertencentes ao conjunto de objectos. Atravs desta teoria tenta-se exprimir a noo de que
um elemento pode ter vrios graus de pertena a um conjunto, em oposio viso mais
vulgar de que um elemento pertence ou no pertence a um conjunto. A utilizao de termos
imprecisos (como por exemplo, bastante elevado, possvel, improvvel) permite
representar impreciso da informao contida numa base de conhecimento. Esta
abordagem fornece uma representao flexvel e realista que permite capturar facilmente a
forma pela qual um tutor humano pode avaliar um aluno. Por outro lado, a escolha de
muitas das decises pedaggicas no assenta em evidncias claras e a capacidade para lidar
com tal impreciso constitui um melhoramento para qualquer ITS.
A aprendizagem automtica no tem tido um papel muito relevante na investigao
da modelao do aluno, ainda que se apresente como uma tcnica com potencial interesse
de aplicao nesta rea [Holt, 1994]. Um modelo do aluno que aprenda de forma
relativamente autnoma ser muito mais flexvel que outro que seja construdo e
actualizado manualmente. Idealmente, o modelo do aluno no deve limitar-se a aprender
88
variaes do conhecimento do perito, devendo estar apto a aprender estruturas que no
tenham sido previstas e que possam eventualmente ser geradas por alunos mais criativos.
[Woolf, 1994] sugere que a utilizao de um mecanismo de aprendizagem, baseado
na tcnica EBL (Explanation-Based Learning) [DeJong, 1986], pode permitir obter um
componente mais eficaz de observao e inferncia do raciocnio do aluno. Neste trabalho,
utilizada a tcnica EBL para melhorar a capacidade do sistema para seleccionar as
sequncias de material pedaggico mais apropriadas ao aluno. O conhecimento inicial
usado pelo sistema de aprendizagem consiste em regras que descrevem a forma como
habitualmente os alunos interagem com materiais didcticos durante a aquisio de novos
conceitos. Este conhecimento pode conter descries das caractersticas das actividades do
aluno, tais como material didctico apresentado ao aluno, questes colocadas ao aluno,
avaliao das suas respostas e modificao das variveis do modelo do aluno. A formao
de conceitos pelo aluno pode ser descrita a partir de padres de actividade correcta no
ambiente de ensino. A teoria do domnio usada pelo mecanismo de aprendizagem
formada por este conhecimento em conjunto com conhecimento acerca da evidncia da
aquisio de conceitos. Este conhecimento em conjunto com um nmero extenso de
exemplos de comportamento do aluno interpretado pelo mecanismo de aprendizagem
para obter explicaes ou hipteses acerca da eficcia do ensino. O mecanismo deve ento
produzir hipteses acerca das caractersticas que o material didctico deve possuir de
forma a promover a formao de conceitos por parte do aluno. O material didctico e a
sequncia desse material didctico que evidenciam a formao de conceitos so anotados e
testados em seguida. O mecanismo baseado na tcnica EBL permite ao sistema obter
generalizaes acerca do conhecimento do aluno a partir de exemplos do seu
comportamento.
Outras tcnicas de aprendizagem automtica tm sido utilizadas para modelar o
aluno. O algoritmo ID3 [Quinlan, 1986] usado no sistema ACM (Automated Cognitive
Modeler) [Langley, 1984]. Este sistema tem como objectivo gerar modelos de alunos
usados no domnio da subtraco aritmtica. O sistema ACM comea por determinar a
sequncia de operadores utilizados numa resposta do aluno. Em seguida, utilizada uma
verso do algoritmo ID3 para inferir as condies sob as quais o aluno usou os operadores
e o modelo do aluno actualizado com esta informao. Neste exemplo, a aprendizagem
89
automtica usada para gerar uma biblioteca de erros, eliminando assim a necessidade de
se enumerar os erros manualmente. No entanto, a complexidade do processo de
aprendizagem automtica dificilmente compensa este benefcio.
A inferncia das intenes do aluno e do seu nvel de conhecimento, realizada a
partir das aces observveis do aluno, constitui uma tarefa que envolve incerteza. Uma
forma de abordar a incerteza inerente modelao do aluno baseia-se na teoria da
estatstica bayesiana que assenta na noo de probabilidade condicional. No entanto, a
existncia de dependncia entre as variveis do modelo faz com que o conjunto de
probabilidades condicionais seja grande, inviabilizando a aplicao do teorema de Bayes.
Esta dificuldade advm, por um lado, do facto da estimativa de to grande nmero de
probabilidades condicionais ser difcil e, por outro lado, pelo facto do tempo necessrio
para calcular as probabilidades ser muito elevado.
Apesar destas limitaes, a estatstica bayesiana fornece uma base atractiva para
a implementao de sistemas de raciocnio aptos a lidar com conhecimento incerto. As
redes bayesianas [Pearl, 1988; Morawski, 1989] constituem um dos mecanismos
desenvolvidos para explorar as suas potencialidades e, ao mesmo tempo, reduzir a
complexidade do problema. Esta abordagem permite reduzir a complexidade de um
sistema de raciocnio assente no teorema de Bayes atravs da adopo de algumas
aproximaes ao formalismo. Estas aproximaes baseiam-se na modularidade
normalmente presente nas entidades que se pretende modelizar. Uma vez que maioria das
variveis do modelo so independentes em relao maioria das restantes, estas so
agrupadas em conjuntos de variveis que interagem apenas entre si. Desta forma,
possvel reduzir bastante o nmero de probabilidades condicionais, diminuindo-se, assim, a
complexidade do processo de propagao de probabilidades ao longo da rede.
Na rea dos ITS, as redes bayesianas tm sido utilizadas no contexto da
modelao do aluno para representar a incerteza acerca dos planos utilizados pelo aluno
durante a resoluo de problemas e para representar a incerteza acerca do estado de
conhecimento do aluno. As ambiguidades que podem surgir na determinao da inteno
ou objectivo do aluno podem ser resolvidas recorrendo s probabilidades associadas aos
ns da rede que sejam relevantes para as aces executadas pelo aluno. No que diz respeito
ao estado de conhecimento do aluno, os ns da rede que correspondem aos tpicos cujo
90
desempenho tenha sido observado durante a interaco entre o sistema e o aluno so
actualizados. As actualizaes efectuadas nestes ns so depois propagadas atravs da
rede, alterando a estimativa do sistema acerca do nvel de conhecimento em tpicos cujo
desempenho do aluno no tenha sido observado.
Apesar do esforo computacional exigido ser admissvel, as redes bayesianas
apresentam duas desvantagens. Por um lado, o esforo de aquisio de conhecimento
elevado. De uma forma geral, os peritos do domnio encontram dificuldades na tarefa, no
natural, de especificao das probabilidades de cada uma das variveis e das
probabilidades condicionais usadas na interligao entre variveis. Por outro lado, a
inspeco do modelo do aluno baseado em redes bayesianas de forma a permitir ao aluno
reflectir acerca dos seus conhecimentos, assim como permitir a um professor avaliar o
estado de conhecimento do aluno no fcil, especialmente quando a rede de grande
dimenso [Zapata-Rivera, 2000].
4.3.4.1 Modelao do Aluno no Sistema SHERLOCK II
O sistema SHERLOCK II dispe de um ambiente de aprendizagem, baseado no
mtodo de resoluo orientada de problemas (coaching problem solving), desenvolvido
para treinar tcnicos no diagnstico de avarias em circuitos electrnicos de avies
[Lesgold, 1992; Katz, 1994]. Neste sistema, o tutor apresenta ao aluno uma srie de
problemas de grau de dificuldade crescente. Durante a resoluo de problemas, o aluno
executa os procedimentos de verificao e tem a possibilidade de pedir ajuda ao tutor
enquanto executa as tarefas de diagnstico.
Os autores do sistema argumentam que o modelo do aluno em sistemas de ensino
assistido por computador no necessita de ser preciso para ser til. A abordagem adoptada,
a qual se baseia na teoria dos conjuntos imprecisos, tem por objectivo construir modelos de
diagnstico do aluno imprecisos ou difusos.
O conhecimento necessrio modelao do aluno mantido numa rede de
variveis do aluno. Cada n da rede um indicador de alguma caracterstica das
capacidades do aluno. As variveis de baixo nvel, denominadas varveis locais,
representam componentes distintos de percia:
91
Conhecimento conceptual (por exemplo, conhecimento acerca do funcionamento
de um componente);
Capacidades (por exemplo, capacidade de utilizao de um aparelho de medida
especfico);
Tendncias de comportamento (por exemplo, tendncia para substituir
componentes em vez de os testar);
Factores afectivos (por exemplo, confiana prpria em oposio de dependncia do
tutor).
As variveis de alto nvel representam abstraces sobre as competncias
representadas pelas variveis de baixo nvel (como por exemplo a capacidade de utilizao
de um equipamento de teste, que inclui a capacidade de utilizao de um multmetro e a
capacidade de utilizao de um osciloscpio). Estas variveis surgem a partir da anlise
cognitiva das tarefas e da intuio dos peritos.
As variveis fuzzy admitem cinco estados de conhecimento: sem conhecimento,
conhecimento limitado, conhecimento no automatizado, conhecimento parcialmente
automatizado e conhecimento plenamente desenvolvido. A actualizao das variveis
locais realizada a partir de um conjunto de regras. O lado esquerdo das regras define as
condies necessrias para a actualizao de uma varivel local, correspondendo a
determinadas aces do aluno. O lado direito das regras determina a forma como a varivel
deve ser actualizada: incremento ou decremento e correspondente taxa de variao, que
depende da relevncia da condio que conduziu ao disparo da regra.
A actualizao das variveis globais feita atravs da utilizao de equaes
lineares que agregam as vrias variveis locais que esto associadas a cada varivel global.
O modelo do aluno utilizado pelo tutor para definir o nvel das dicas a apresentar
ao aluno. Por exemplo, se o aluno pedir ajuda para a execuo de uma medida e se o
modelo do aluno sugerir que o aluno deve estar apto a executar tal medida com pouca
ajuda, o tutor apresentar ao aluno uma dica que inclua suporte mnimo, encorajando assim
o aluno a interpretar a dica. Se o modelo do aluno sugerir que o aluno ter dificuldade,
92
possivelmente porque o aluno demonstrou ter dificuldade em testar um componente
particular anteriormente, o tutor ir apresentar ajuda mais detalhada.
4.3.4.2 Modelao do Aluno no Sistema AnimalWatch
O sistema AnimalWatch [Beck, 2000] um ITS para o ensino de aritmtica a
alunos do ensino bsico. O objectivo do tutor aumentar a confiana das raparigas nas
suas capacidades na rea da matemtica. Um outro objectivo de longo prazo aumentar o
nmero de mulheres em ocupaes nas reas da cincia e da matemtica.
Este sistema utiliza um agente, com capacidade de aprendizagem automtica, para
modelar o comportamento do aluno a um nvel de granularidade elevado. O agente no tem
por funo adquirir o nvel de conhecimento do aluno em cada um dos tpicos do domnio.
Em vez disso, o agente determina a probabilidade da prxima resposta do aluno ser
correcta e uma estimativa do tempo que o aluno ir precisar para obter a resposta. O treino
do agente realizado a partir de informao adquirida em interaces anteriores com o
aluno. A informao usada pelo agente para realizar as suas previses inclui informao
sobre o aluno, o tpico corrente, o problema e o esforo do aluno para resolver este
problema. As previses obtidas por este agente podem ser usadas para seleccionar o
problema a apresentar ao aluno ou o tpico que dever ser alvo de maior ateno por parte
do tutor. Desta forma, possvel prevenir que o aluno seja confrontado com situaes no
desejadas, como por exemplo ser-lhe proposto um problema cujo nvel de dificuldade seja
demasiado elevado para o seu nvel ou que a resoluo do problema lhe ocupe demasiado
tempo.
Uma vantagem desta abordagem reside no facto de permitir ultrapassar a
dificuldade existente no processo de tomada de deciso baseada em informao de baixo
nvel acerca do aluno, tal como informao sobre o nvel de conhecimento em cada um dos
tpicos do domnio. Nem sempre se torna claro como deve ser feito o mapeamento desta
informao de baixo nvel com as decises pedaggicas do tutor. As previses de alto nvel
acerca do desempenho do aluno facilitam o processo de tomada de deciso e podem ser
usadas como fonte de simulao para treinar um agente a ensinar.
93
4.3.4.3 Modelao do Aluno no Sistema ANDES
O sistema ANDES [Gertner, 2000] um ITS usado num curso de introduo
fsica na Academia Naval dos EUA. Este projecto foi desenvolvido na Universidade de
Pittsburgh com a colaborao da Academia Naval. O sistema utilizado pelos alunos sem
superviso e em complemento das aulas.
O sistema constitudo essencialmente por dois componentes: um componente que
utilizado para criar problemas e outro que constitui o sistema de ensino. O primeiro
dispe de uma interface grfica que permite definir o problema e a respectiva apresentao.
Este componente inclui ainda um sistema baseado em regras que tem por funo gerar o
grafo de soluo para os problemas definidos. O sistema de ensino inclui trs mdulos: a
interface grfica atravs da qual os alunos resolvem os problemas, o interpretador de
aces que tem por funo procurar as entradas do aluno no grafo de soluo do problema
e assinalar as entradas incorrectas, o mdulo de ajuda e, por ltimo, o mdulo de avaliao.
O componente central do modelo do aluno uma rede bayesiana que construda
e actualizada pelo mdulo de avaliao, sendo usada para fornecer uma estimativa
probabilstica do estado mental do aluno. Esta rede gerada automaticamente sempre que
o aluno selecciona um novo problema. A estrutura da rede bayesiana obtida
directamente a partir do grafo de soluo do problema. O modelo do aluno contm ainda
informao acerca dos problemas resolvidos pelo aluno e sobre que ajuda recebeu do
sistema. O mdulo de avaliao possui ainda um componente de seguimento do modelo
(model-tracing) usado para determinar qual o caminho que seguido pelo aluno no grafo
de soluo do problema.
As dicas geradas pelo mdulo de ajuda so obtidas a partir da anlise da rede
bayesiana do modelo do aluno. O sistema comea por utilizar a rede bayesiana para
inferir em que ponto do grafo de soluo se encontra o aluno. Em seguida, o tutor utiliza
padres para gerar as dicas a partir de ns do grafo de soluo. Cada n do grafo tem
associado uma sequncia de padres de dicas que inclui dicas genricas e outras mais
especficas. O tutor comea por apresentar dicas mais genricas, apresentado apenas as
dicas mais especficas se necessrio.
94
4.4 Utilizao do Modelo do Aluno
A funo principal do modelo do aluno fornecer informao relevante para a
conduo do processo de instruo individualizada a cada aluno. Sem a componente de
modelao do aluno, um ITS no tem capacidade para ajustar a instruo s alteraes do
comportamento do aluno. A partir do conhecimento sobre o aluno, o tutor pode controlar a
ordem e a dificuldade do material didctico apresentado ao aluno, assim como fornecer
ajuda apropriada. O modelo do aluno , assim pois, utilizado para assistir na seleco dos
contedos didcticos, seleccionar a estratgia de ensino e confirmar o diagnstico.
O diagnstico o processo de inferir um modelo do aluno. O modelo do aluno pode
ser visto como uma estrutura de informao que representa o conhecimento do aluno e o
diagnstico como o processo que manipula esse conhecimento. A concepo destes dois
componentes em conjunto constitui o problema de modelao do aluno. A escolha da
estrutura do modelo do aluno afecta significativamente as capacidades de diagnstico do
sistema. Segundo [VanLehn, 1987], as utilizaes mais comuns do modelo do aluno so as
seguintes:
Progresso o modelo do aluno pode representar o nvel de desempenho do aluno;
periodicamente o sistema recorre ao modelo do aluno para verificar o nvel de
desempenho no conceito ou tpico corrente e decide se deve fazer o aluno avanar
para o conceito ou tpico seguinte;
Oferta de ajuda no solicitada conhecendo o estado presente de conhecimento do
aluno, o sistema pode decidir oferecer ajuda ao aluno quando considerar
apropriado;
Gerao de problemas o mdulo de gerao de problemas consulta o modelo do
aluno para determinar as capacidades actuais do aluno de modo a gerar os
problemas ou tarefas apropriados, ou seja, aqueles que exijam capacidades de nvel
imediatamente a seguir s demonstradas pelo aluno;
Adaptao das explicaes o sistema consulta o modelo do aluno para determinar
o que o aluno j sabe de modo a poder apresentar ao aluno explicaes pertinentes;
95
assim, o sistema restringe as suas explicaes quelas que envolvam conceitos que
o aluno j domina.
4.5 Manuteno do Modelo do Aluno
medida que o conhecimento do aluno evolui durante o processo de
aprendizagem, o modelo do aluno deve assumir as alteraes verificadas no conhecimento
do aluno. Esta necessidade conduz a um problema complexo de manuteno do modelo do
aluno que consiste em manter uma viso consistente do conhecimento do aluno medida
que a interaco entre o aluno e o sistema progride.
A natureza evolutiva do processo de aprendizagem requer que o sistema de
modelao do aluno possua capacidades de raciocnio no-montono. O raciocnio no-
-montono refere-se ao raciocnio no qual uma concluso obtida anteriormente pode deixar
de ser vlida devido aquisio de nova informao. O raciocnio no-montono
necessrio por duas razes [Woolf, 1994]:
Durante a interaco entre tutor e aluno podem surgir contradies sobre assunes
feitas pelo professor acerca do estado inicial de conhecimento do aluno;
O conhecimento do aluno altera-se durante a sesso de ensino.
Usualmente, o raciocnio no-montono discutido relativamente a um nico
agente. No entanto, o processo de modelao do aluno envolve dois agentes, sendo
inevitavelmente no-montono por trs razes [Self, 1994]:
As crenas do sistema acerca das crenas do aluno no podem ser confirmadas e
devem portanto ser sempre sujeitas a reviso; mesmo factos aparentemente
objectivos tais como afirmaes do aluno acerca do que ele sabe ou descries de
aces do aluno necessitam de ser vistas como provisrias (por exemplo, o aluno
pode no entender completamente os termos que usa ou pode cometer erros devido
a distraces durante a execuo de tarefas);
Devido ao problema da reduzida largura de banda do canal de comunicao entre o
tutor e o aluno, o sistema raramente tem acesso a informao suficiente que lhe
permita obter inferncias precisas acerca das crenas do aluno e,
96
consequentemente, ter necessariamente de tomar assunes predefinidas, as quais
podero, mais tarde, ter que ser abandonadas;
Para alm de aprenderem, os alunos tambm esquecem conceitos adquiridos
anteriormente e, portanto, o que o sistema conhece acerca do aluno num momento
poder no ser vlido num momento posterior.
O problema da modelao do aluno pode ser visto como um problema de
manuteno do modelo do aluno medida que o conhecimento do aluno se altera ao longo
do tempo e o conhecimento do tutor acerca do aluno apurado. Algumas abordagens para
a resoluo deste problema tm recorrido utilizao de TMS (Truth Maintenance
Systems), baseados nos trabalhos de [Doyle, 1979] e [deKleer, 1986], entre outros. Estes
sistemas so capazes de reconhecer a forma como nova informao entra em conflito com
informao previamente existente num modelo. O modelo contm factos que foram
observados externamente, implicaes que podem ser usadas para derivar novos factos a
partir de factos observados e relaes de dependncia que mostram como que os factos
derivados se relacionam com as proposies que os geraram. Os conflitos so procurados
apenas entre a nova informao e a informao que tenha sido derivada. O sistema de
manuteno no tenta derivar todas as implicaes internas da nova informao no seu
modelo. Assim, as contradies internas no observadas podem existir no modelo. Esta
caracterstica adequada modelao do aluno uma vez que os alunos podem no derivar
todas as implicaes do seu conhecimento e podem ter numerosas contradies internas
no reconhecidas [McCalla, 1994].
O TMS no efectua as alteraes no modelo do aluno, limitando-se a identificar
possveis conflitos. A actualizao do modelo do aluno realizada por um sistema de
raciocnio especfico do domnio, o qual deve escolher a forma de resolver os conflitos
identificados de acordo com regras relevantes do domnio.
A dificuldade existente na compreenso do comportamento do aluno, combinada
com a complexidade das estruturas existentes no modelo do aluno revelam que a aplicao
das abordagens correntes de TMS ao problema de modelao do aluno necessita de esforo
de investigao na rea dos ITS. [McCalla, 1994] apresenta algumas dificuldades que
surgem na utilizao de TMS para a modelao do aluno:
97
O TMS deve ser capaz de lidar com conhecimento implcito muitas vezes os
alunos so portadores de conhecimento sem terem conscincia disso, apesar das
suas aces serem claramente afectadas por este conhecimento implcito;
Normalmente, os TMS no esto preparados para trabalhar com estruturas de
conhecimento no proposicional uma vez que a maior parte do conhecimento
mantido num ITS do tipo procedimental surge o problema de como definir
conflitos entre procedimentos;
Por vezes necessrio que o sistema de manuteno mantenha alguns conflitos no
modelo em certas situaes possvel que o tutor decida, pelo menos
temporariamente, deixar que o aluno mantenha conflitos no seu conhecimento,
corrigindo os erros mais tarde ou confrontando o aluno com situaes anlogas de
forma a tornar os conflitos evidentes;
Normalmente, os TMS esto aptos a lidar com alteraes incrementais do modelo
o conhecimento do aluno nem sempre acumulado de forma evolucionria,
podendo sofrer uma transformao abrupta; o aluno pode no entender um conceito
que esteja a ser ensinado durante um perodo longo, acumulando, no entanto,
excepes s suas perspectivas sobre o conceito, at que se verifica uma alterao
radical dessas perspectivas, levando a um melhor entendimento do conceito; as
excepes s perspectivas do aluno no devem ser consideradas conflitos at que
estas perspectivas se alterem;
Os TMS devem estar aptos a lidar com o facto do aluno poder esquecer conceitos
que tenha adquirido alguns TMS esto preparados para lidar com certos tipos de
esquecimento, uma vez que identificam conjuntos de crenas do aluno que devem
ser alteradas depois de surgir nova informao que esteja em conflito com o
modelo; no entanto, o esquecimento nem sempre resulta da existncia de conflitos.
Uma outra dificuldade que surge na aplicao dos TMS modelao do aluno est
relacionada com a eficincia dos algoritmos usados na deteco de conflitos. O trabalho
desenvolvido por [Huang, 1991] tenta ultrapassar esta dificuldade atravs do
desenvolvimento de algoritmos relativamente eficientes que se limitam a identificar
98
conflitos existentes nas crenas do aluno que sejam relevantes para a tarefa de instruo
presente.
4.6 Aspectos Prticos de Implementao do Modelo do Aluno
As decises tomadas durante o processo de construo de um modelo do aluno
dependem de vrios aspectos. Alguns destes aspectos [Finin, 1989] so apresentados a
seguir:
Quem se pretende modelizar? Existem dois aspectos especficos que devem ser
considerados quando se avalia quem vai ser modelizado:
grau de especializao refere-se distino entre a modelao de indivduos e
de classes de alunos;
extenso temporal refere-se extenso durante a qual se mantm o
conhecimento do aluno ao longo do tempo (historial do aluno).
O que se pretende modelizar? O contedo do modelo do aluno depende da
aplicao em que vai ser usado. Na construo do modelo devem ser determinados
quais os componentes necessrios para manter um modelo apropriado do aluno, tais
como objectivos e planos do aluno, capacidades, atitudes e conhecimentos ou
crenas.
Como ser o modelo do aluno adquirido e mantido?
Aquisio refere-se s tcnicas requeridas para obter novos factos acerca do
aluno;
Manuteno refere-se capacidade para incorporar nova informao no
modelo existente, assim como lidar com possveis discrepncias entre nova
informao e informao existente previamente no modelo.
Como vai o modelo do aluno ser utilizado? O modelo do aluno pode ser utilizado
de vrias formas, apesar do seu uso depender frequentemente da aplicao
particular. Por exemplo, o modelo pode ser usado para:
99
Extrair informao do aluno;
Fornecer ajuda ou conselhos ao aluno;
Fornecer resposta ao aluno;
Interpretar o comportamento do aluno.
Apesar de surgirem continuamente novas teorias e novos modelos nesta rea,
existem dvidas acerca da utilidade de modelos demasiado complexos. Alguns autores
consideram discutvel a ideia de que o eventual ganho de eficincia de ensino devido
utilizao de modelos muito detalhados e complexos compensa o grande acrscimo do
custo de construo de tais modelos [Sandberg, 1987].
Alguns estudos tm sido realizados com o intuito de avaliar a existncia de
vantagens na utilizao de modelos precisos do aluno [Sleeman, 1991]. Os resultados
destes estudos no conseguiram demonstrar uma superioridade clara da utilizao de
modelos precisos sobre a utilizao de modelos mais simples, sobretudo quando
considerado o incremento da dificuldade de implementao dos primeiros.
A maioria dos investigadores tem afirmado que a utilizao de um modelo do aluno
desejvel, sendo no entanto necessrio tornar o problema da modelao do aluno mais
prtica e til, isto , tornar a modelao do aluno um componente de um ITS
verdadeiramente eficaz que possa ser usado para suportar um ensino eficaz.
Autores como [McCalla, 1992c] afirmam que um processo de modelao do aluno
simplificado suficiente para alcanar uma instruo eficaz. Normalmente, um professor
ou tutor humano constri um modelo cognitivo aproximado e extremamente simples de
cada aluno. Frequentemente isto equivale a classificar o aluno em uma de entre vrias
categorias ou esteretipos no que diz respeito aprendizagem do domnio. Esta
classificao, embora aproximada, serve para conduzir a tomada de decises pedaggicas e
para mediar a apresentao de ajuda.
Uma forma de construir estes modelos simplificados do aluno consiste em separar a
actividade de modelao em duas fases [McCalla, 1992c]. A primeira fase, denominada
modelao externa do aluno, consiste em obter um modelo genrico que identifique as
vrias categorias ou esteretipos em que os alunos podero ser classificados. Este modelo
100
genrico obtido a partir de uma anlise dos protocolos de ensino e de aprendizagem
observados num conjunto de alunos. Esta fase dependente do domnio e desenvolvida
por peritos humanos durante o projecto do ITS. A fase seguinte, denominada modelao
interna do aluno, pode ser executada automaticamente por um ITS atravs da instanciao
do modelo externo do aluno com as evidncias obtidas a partir do comportamento
individual do aluno. Desta forma, o modelo individualizado de modo a reflectir (ainda
que de forma aproximada) o estado cognitivo do aluno.
No entanto, at esta forma simplificada de modelao pode tornar-se complexa.
Podem ocorrer dificuldades na representao dos modelos esteretipos e no
reconhecimento de evidncias no comportamento do aluno que possam ser associados a
um dos esteretipos. Podero surgir tambm problemas devido a comportamentos do aluno
no previstos e a deficincias na comunicao entre aluno e tutor. Por fim, em alguns
domnios poder ser difcil obter um conjunto suficiente de modelos esteretipos capaz de
cobrir todos os alunos nos vrios nveis de conhecimento.
Diversos autores tm apresentado sugestes prticas que devem ser consideradas
aquando da construo de modelos do aluno. Por exemplo, [Woolf, 1994] argumenta que
os projectistas de ITS devem considerar cautelosamente tanto a utilizao pretendida do
modelo do aluno como as limitaes e restries inerentes tecnologia sua disposio. O
projectista no deve tentar modelizar demasiado ou muito profundamente, ou construir
mecanismos complexos que infiram informao acerca do estado cognitivo do aluno que,
por um lado, no venha a ser usada pelo sistema ou, por outro lado, seja demasiado
imprecisa ou abstracta para ser usada de forma efectiva. O mesmo autor sugere ainda que
em alguns ITS no necessrio construir um modelo cognitivo preciso do aluno. O modelo
deve apenas ser suficientemente complexo de modo a permitir alcanar as necessidades
previstas.
Com o objectivo de tornar mais fcil a tarefa de construo de modelos do aluno
teis, [Self, 1992] apresenta algumas recomendaes especficas:
Projectar as interaces entre o aluno e o tutor de forma a que a informao
necessria construo do modelo do aluno seja fornecida pelo aluno em vez de ser
inferida pelo sistema;
101
Relacionar o contedo do modelo do aluno com aces especificas de instruo;
Tornar o contedo do modelo acessvel ao aluno com o intuito de encorajar a
reflexo por parte do aluno [Kay, 2000];
O ITS deve assumir um papel de colaborao (a preciso do modelo do aluno de
menor importncia);
Considerar o contedo do modelo do aluno como uma representao das crenas do
aluno acerca do mundo em que se insere; o papel do ITS ento assistir o aluno na
elaborao dessas crenas.
4.7 Sumrio
Os sistemas inteligentes de ensino devem apoiar de forma activa o processo de
aprendizagem do aluno. Esta tarefa tem que ser realizada de acordo com cada aluno e, por
conseguinte, o processo de ensino deve tambm ser ajustado s necessidades individuais
do aluno.
O modelo do aluno constitui um componente essencial num ITS, uma vez que o
conhecimento contido no modelo utilizado pelo sistema para conduzir a adaptao do seu
comportamento s particularidades de cada aluno. Para ser eficaz, o modelo do aluno deve
fornecer descries sobre o conhecimento que o aluno detm, com um nvel de
granularidade que facilite uma instruo eficaz.
No que se refere estrutura do modelo do aluno, no possvel indicar uma verso
padro que se adapte a todas as situaes e domnios. Em vez disso, as opes relativas
definio do modelo do aluno devem ser determinadas pelo contexto em que este modelo
vai ser usado.

102

5 Modelo do Domnio
5.1 Introduo
Neste captulo apresentado, em detalhe, o modelo usado para representar o
conhecimento do domnio. O modelo do domnio fornece inteligncia acerca do domnio a
todo o sistema de ensino. Este modelo utilizado como fonte de conhecimento para os
mdulos perito e tutor do sistema de treino. A forma como este conhecimento utilizado
pelos diversos mdulos do sistema de treino afecta a sua estrutura e condiciona a seleco
das tcnicas de representao usadas.
O captulo comea por caracterizar o domnio e apresentar a base de regras do
sistema pericial SPARSE como a principal fonte do conhecimento necessrio obteno
de diagnsticos de incidentes da rede elctrica considerada e a partir da qual foi construdo
o modelo do domnio. No entanto, a base de conhecimento do SPARSE apresenta
limitaes quando se consideram as necessidades de um sistema de ensino. Estas
limitaes so apresentadas, assim como as solues adoptadas para garantir a obteno de
um modelo de representao do conhecimento do domnio compatvel com as necessidades
do sistema de treino. Em seguida apresentada a estrutura do modelo, tendo por base as
necessidades do tutor inteligente, assim como as funes que este modelo assume no
mbito do sistema de treino. Finalmente, na ltima seco do captulo apresentada a
forma como realizada a integrao entre o conhecimento do domnio e o conhecimento
pedaggico. A representao do conhecimento pedaggico descrita, em detalhe, no
captulo 7.
103
5.2 Aplicao dos Sistemas Periciais aos Sistemas Elctricos de Energia
Nos ltimos anos tem-se verificado a aplicao de tcnicas de IA a um vasto
conjunto de problemas na rea dos SEE (Sistemas Elctricos de Energia) [Liu, 1993].
Algumas reas de aplicao assumiram maior importncia, principalmente porque a
utilizao de tcnicas de IA se mostra adequada resoluo dos problemas suscitados
nestas reas mas tambm porque algumas delas so cruciais para a explorao dos SEE.
A IA tem sido aplicada ao problema do diagnstico em geral, envolvendo a
considerao de medidas de sensores com a finalidade de analisar o estado do sistema ou
de parte deste. Os problemas de diagnstico tratados incluem redes de transporte de
energia elctrica, centrais de produo de energia, subestaes, redes de distribuio de
energia elctrica e diversos tipos de equipamento.
Devido sua importncia no mbito da explorao dos SEE e sua adequao para
serem tratados atravs de tcnicas de IA, a anlise e diagnstico de incidentes [Kezunovic,
1996; Min, 2001] em redes de transporte e distribuio de energia elctrica constitui uma
rea importante de aplicao da IA aos SEE. O CIGR (Conseil International des Grands
Rseaux lectriques) desenvolveu um estudo acerca deste aspecto [CIGR, 1995a] que
considera os sistemas periciais mas tambm redes neuronais, lgica difusa e algoritmos
genticos.
Os sistemas baseados em conhecimento (SBC) e os sistemas periciais constituem
uma das reas mais importantes de aplicao de tcnicas de IA nos SEE. Os SBC e, em
particular, os sistemas periciais so especialmente adequados para resolver um vasto
conjunto de problemas presentes na explorao dos SEE. Em 1990, o CIGR formou o
grupo de trabalho 38.06.03 denominado Practical Use of Expert Systems in Planning and
Operation of Power Systems, que se dedicou ao estudo da utilizao de sistemas periciais
nos SEE. Uma das concluses deste estudo, includas no relatrio da fase I do referido
estudo [CIGR, 1993], indica que as reas de aplicao dos sistemas periciais neste
domnio incluem o diagnstico de incidentes, reposio do servio, processamento de
alarmes, apoio explorao de redes, controlo correctivo e anlise de estabilidade.
Este estudo incluiu ainda aspectos relacionados com o desenvolvimento e utilizao
de sistemas periciais, nomeadamente a avaliao do desempenho destes sistemas. De uma
maneira em geral, os sistemas periciais so j bem aceites pelos utilizadores nas empresas
104
Modelo do Domnio
do sector elctrico e reconhecidos como estando aptos a resolver vrios problemas nos
SEE.
Para alm dos SBC e dos sistemas periciais em particular, outras tcnicas de IA tm
sido utilizadas para resolver vrios problemas nos SEE [Frenken, 1997], tais como redes
neuronais [Stenzel, 1998; CIGR, 1995b], sistemas baseados em lgica difusa e algoritmos
genticos.
A combinao destas tcnicas tambm tem sido considerada, na tentativa de
ultrapassar as limitaes de cada tcnica, quando utilizada isoladamente. Algumas das
combinaes mais importantes so os sistemas neuro-periciais (neuro-expert systems)
[Khosla, 1994], sistemas periciais difusos (fuzzy-expert systems) [Cho, 1994] e tambm a
combinao de SBC, redes neuronais e sistemas baseados em lgica difusa [Tang, 1996].
Outra das combinaes mais relevantes diz respeito utilizao de arquitecturas multi-
-agente para implementao de sistemas periciais. O trabalho de [Mouta, 1996], dedicado
aos sistemas multi-agente para redes elctricas, usando um gerador de sistemas periciais
cooperativos [Camacho, 1989; Oliveira, 1991], constitui um destes exemplos.
5.3 Caracterizao do Domnio
O Centro de Conduo de Subestaes da Rede Elctrica Nacional, situado em
Vermoim (Maia), responsvel pela vigilncia da rede de transporte e interligao
Portuguesa e pela execuo de manobras. As manobras podem ser executadas pelo Centro
de Conduo de Subestaes, por deciso do Despacho Nacional ou por deciso prpria,
em funo das instrues recebidas do Despacho ou da sua funo de vigilncia das
subestaes respectivas.
O controlo durante um estado normal ou estado normal/alerta geralmente
designado controlo normal. As situaes de alerta e de emergncia impem, contudo, um
controlo muito mais delicado, geralmente designado controlo de emergncia. Considera-se
ainda controlo de emergncia aquele que efectuado enquanto o sistema levado de um
daqueles estados (emergncia ou alerta) para um estado normal. O controlo de emergncia
pode ainda ser definido como o conjunto dos procedimentos e possibilidades existentes
para permitir o restabelecimento do sistema, depois da ocorrncia de um incidente que
perturba as condies de funcionamento, de modo que a carga pedida ou as restries de
funcionamento no so completamente satisfeitas [Vale, 1993a].
105
Os Centros de Controlo so essencialmente projectados para efectuar o controlo do
sistema em estado normal. Os actuais Centros de Controlo incluem, assim,
fundamentalmente funes destinadas ao controlo em estado normal. O controlo em estado
de emergncia e de restabelecimento, sendo muito mais exigente do que o controlo em
estado normal, deve ser resolvido pelos operadores humanos.
Os alarmes, geralmente assim designados de uma forma abreviada, correspondem
s mensagens (de alarme ou no) recebidas nos centros de controlo e conduo. Tais
mensagens so originadas pela informao recebida pelo Sistema SCADA e devem
permitir aos operadores saber, em cada instante, o que se passa com a rede elctrica que
esto a explorar. Contudo, a interpretao destas listas de mensagens nem sempre fcil,
sendo o inconveniente mais frequentemente apontado o excessivo nmero de mensagens,
sobretudo em caso de incidente. Nestas situaes, a anlise das mensagens SCADA
apresenta aos operadores as seguintes dificuldades [Vale, 1993a]:
nmero excessivo de alarmes;
muitos alarmes gerados por um nico acontecimento;
apresentao de alarmes desnecessrios (perante os quais os operadores no podem
actuar);
apresentao de alarmes crticos entre alarmes sem importncia, tornando difcil
identificar os primeiros.
Perante uma situao de emergncia, os operadores do centro de controlo e
conduo tm por funo realizar o diagnstico da situao a partir da anlise das
mensagens SCADA e executar as manobras necessrias ao restabelecimento do servio. O
diagnstico da situao envolve a caracterizao dos incidentes e respectiva localizao.
Os operadores tm que lidar com cinco tipos de incidentes:
Disparo simples (DS);
Disparo trifsico com religao bem sucedida (DtR);
Disparo monofsico com religao bem sucedida (DmR);
106
Modelo do Domnio
Disparo trifsico seguido de religao mal sucedida (DtD);
Disparo monofsico seguido de religao mal sucedida (DmD).
No que diz respeito localizao do incidente, este definido pela instalao
(subestao ou posto de corte e seccionamento) e painel onde ocorreu. O painel identifica o
dispositivo de proteco que actua em consequncia do incidente.
O diagnstico efectuado pelos operadores deve ser correcto de forma a permitir a
escolha das manobras mais indicadas para isolar o incidente. Por outro lado, o diagnstico
deve ser realizado no intervalo de tempo mnimo para que a execuo das manobras de
reposio seja efectuada rapidamente, minimizando assim o tempo de interrupo de
servio, e para evitar a propagao da situao de incidente a outros elementos da rede
elctrica.
O tutor desenvolvido permite o treino dos operadores em tarefas de diagnstico de
incidentes. O treino de manobras de reposio no considerado neste trabalho, devendo
no entanto ser includo em desenvolvimentos posteriores.
A tarefa de diagnstico de incidentes envolve a utilizao de vrias capacidades,
das quais se destacam as seguintes:
Identificao dos eventos relevantes entre o conjunto de mensagens SCADA que
chega ao centro de conduo;
Conhecer a forma de actuao dos dispositivos da rede (como o caso do sistema
de proteco e dos disjuntores), permitindo conhecer as sequncias tpicas de
eventos para cada tipo de incidente;
Relacionar os eventos relevantes, incluindo condies temporais entre eventos;
Estar apto a lidar com situaes em que a datao das mensagens no corresponde
data e hora reais dos eventos a que correspondem as mensagens, o que pode levar
alterao da sequncia normal das mensagens;
Utilizao de um mecanismo de raciocnio estruturado que permita a obteno dos
diagnsticos.
107
Este conjunto de capacidades integra essencialmente conhecimento do tipo
declarativo e conhecimento do tipo procedimental. O conhecimento do tipo declarativo diz
respeito ao conhecimento acerca dos conceitos necessrios ao desempenho da tarefa, neste
caso de diagnstico. O conhecimento do tipo procedimental inclui os processos de
inferncia utilizados para a execuo da tarefa.
5.4 SPARSE: Perito do Domnio
O sistema SPARSE (Sistema pericial de Processamento inteligente de mensagens e
apoio anlise de Avarias e Reposio de SErvio) [Vale, 1993a; Vale, 1997b; Vale,
1998a; Vale, 1998b; Vale, 2001a] tem por objectivo fundamental auxiliar os operadores
dos centros de conduo. Este apoio especialmente necessrio em regimes de explorao
perturbada, em que o centro de conduo poder ser "inundado" por uma "avalanche" de
alarmes que o operador ter que tentar interpretar rapidamente, por forma a minimizar os
eventuais tempos de interrupo de servio da resultantes. O sistema SPARSE
apresentado em detalhe no Anexo A.
O objectivo fundamental do SPARSE pode ser decomposto nos seguintes
objectivos gerais:
interpretao das mensagens relativas aos acontecimentos na rede;
fornecimento de mensagens informativas, em caso de incidente, constituindo uma
interpretao do mesmo;
fornecimento de conselhos relativos s medidas a tomar em cada situao;
disponibilizao de outras informaes complementares que ajudem o operador na
conduo da rede.
O conhecimento relativo interpretao das mensagens recebidas e anlise de
incidentes encontra-se includo no SPARSE sob a forma de regras, integrando
conhecimento tcnico e emprico. O conhecimento tcnico modeliza o comportamento do
Sistema Elctrico de Energia e do correspondente sistema de transmisso de informao. O
conhecimento emprico foi adquirido em reunies com os engenheiros mais experientes
dos centros de controlo e conduo portugueses.
108
Modelo do Domnio
O motor de inferncia do SPARSE foi desenvolvido especialmente para o
tratamento das mensagens de alarme. Suporta o raciocnio temporal e o raciocnio no-
-montono necessrios e permite um processamento eficiente em tempo real.
Este motor de inferncia utiliza uma estratgia de encadeamento directo do
raciocnio. Quando chega um novo facto ao sistema, as regras apropriadas so disparadas
de modo a obter concluses. Os novos factos podem ser internos, ou seja, corresponder a
concluses anteriormente obtidas pelo sistema, ou externos, ou seja, corresponder a
mensagens provenientes do sistema SCADA.
O modelo do domnio do SPARSE, implementado atravs de regras de produo,
utilizado pelo motor de inferncia para gerar o diagnstico acerca da anlise de incidentes.
Este diagnstico constitui a soluo dos problemas apresentados ao aluno. Os diagnsticos
assim obtidos pelo SPARSE so fornecidos ao tutor, constituindo-se assim o SPARSE
como o perito do domnio do tutor. No entanto, o ensino que poderia ser gerado a partir
apenas dos resultados da anlise de incidentes obtida pelo SPARSE no seria eficaz. Uma
vez que um dos objectivos do tutor fornecer aos alunos a capacidade de diagnstico
detida pelos peritos, o tutor no se limita a receber do SPARSE os resultados da anlise de
incidentes. Assim, o tutor recebe tambm uma descrio do processo de inferncia
utilizado pelo SPARSE para obter os diagnsticos. A inferncia realizada pelo SPARSE,
que assenta na sua base de conhecimento que modeliza o conhecimento tcnico e emprico
dos peritos, constitui uma representao do raciocnio que teria sido utilizado por um perito
na anlise do mesmo conjunto de incidentes. A descrio do processo de inferncia
recebida pelo tutor compreende os factos internos e externos e as regras disparadas para
obter tanto os factos internos como as concluses acerca da anlise de incidentes.
O desenvolvimento do sistema pericial SPARSE constituiu o ponto de partida para
o desenvolvimento do sistema de treino de operadores de centros de controlo e conduo
de redes elctricas, apresentado neste trabalho. Em particular, o envolvimento do autor
desta Tese na concepo e implementao dos vrios mdulos que constituem o sistema
SPARSE, a sua interligao e instalao no centro de controlo de Vermoim constituiu um
trabalho importante para a concepo do modelo de treino apresentado nesta Dissertao.
109
5.5 Limitaes do Modelo do Domnio do SPARSE
A abordagem tradicional para a representao do conhecimento do domnio nos
ITS prope que possvel beneficiar da investigao e experincia acumulada atravs do
trabalho da IA nas reas da representao do conhecimento e dos sistemas periciais. Em
certos casos, razovel assumir que um sistema pericial para um tarefa particular pode ser
til como mdulo perito de um ITS. No entanto, isto nem sempre se verifica porque um
sistema pericial desenvolvido sem o propsito de ensinar muito provavelmente no incluir
o conhecimento a ensinar num formato apropriado para o ensino. Um sistema pericial pode
estar apto a resolver um problema mas no necessariamente sob a forma desejvel para
treinar uma pessoa a resolver o mesmo problema. Algum trabalho tem sido realizado na
rea da representao e utilizao do conhecimento numa forma semelhante aos peritos
humanos para treino de certas tarefas, tais como as de diagnstico.
Um exemplo de investigao nesta rea o trabalho realizado por Clancey no
desenvolvimento dos sistemas MYCIN [Shortliffe, 1976], um programa de consulta de
diagnsticos mdicos, e GUIDON [Clancey, 1982b], um sistema desenvolvido para usar a
base de regras do sistema MYCIN com a finalidade de instruo. Um contributo
importante deste trabalho consiste na demonstrao de que uma base de regras como a do
sistema MYCIN no suficiente para fornecer uma boa base para o ensino. Devido
capacidade do sistema MYCIN em fornecer explicaes, parece razovel esperar que este
conhecimento representado atravs de regras poderia tambm constituir a base para
sistemas inteligentes de ensino baseado em computador. O trabalho realizado no mbito do
projecto GUIDON provou que estas expectativas eram incorrectas devido a duas razes.
Por um lado, as regras do sistema MYCIN no so completas, ou seja, no incluem alguns
dos passos intermdios do raciocnio realizado pelos peritos. Este tipo de representao do
conhecimento pode ser eficaz para um sistema pericial, mas no traduz um modelo
psicolgico de como as pessoas estruturam o conhecimento acerca do domnio. Por outro
lado, as regras do sistema MYCIN no so homogneas, uma vez que integram vrios tipos
de conhecimento. Este tipo de representao no distingue os diferentes tipos de
conhecimento do domnio, uma vez que diferentes tipos de conhecimento esto implcitos
nas regras e no motor de inferncia. Por exemplo, o conhecimento sobre o domnio e o
conhecimento sobre a forma de resoluo de problemas no se encontram separados de
110
Modelo do Domnio
forma explcita. Estes problemas conduziram ao desenvolvimento de uma nova
representao da base de conhecimento, denominada NEOMYCIN [Clancey, 1983].
Um outro contributo de sistemas clssicos como o sistema GUIDON assenta na
proposta de separao entre conhecimento do domnio e conhecimento pedaggico. Ao
contrrio do conhecimento acerca do domnio, o conhecimento pedaggico usualmente
independente do domnio, sendo representado de forma abstracta. Esta separao constitui
uma ferramenta de modularizao poderosa que permite dividir o comportamento
complexo de um tutor nos seus vrios componentes. Esta abordagem consistente com o
paradigma multi-perito [Self, 1988; Wenger, 1987], frequentemente utilizado no
desenvolvimento de ITS. De acordo com esta metfora, um ITS formado por um
conjunto de peritos que comunicam entre si e coordenam as suas actividades para criar um
comportamento de ensino eficaz. Os componentes que geralmente tomam parte neste
processo so o perito do domnio, o perito do aluno (ou modelador do aluno), o perito
pedaggico e o perito de comunicao (seco 2.4).
Apesar destes contributos terem permitido ultrapassar algumas das dificuldades
presentes em sistemas baseados em regras, como o caso do sistema MYCIN, outras ainda
permanecem por resolver. Uma delas est relacionada directamente com um dos
contributos referidos, nomeadamente aquele que diz respeito separao entre o
conhecimento do domnio e o conhecimento pedaggico. A abordagem proposta pela
metfora multi-perito, no que diz respeito separao dos vrios mdulos ou agentes de
um ITS, tem tambm sido criticada por alguns autores. Por exemplo, de acordo com
[Breuker, 1990], nem sempre fcil isolar as funes e tipos de conhecimento de cada um
dos agentes. Por vezes, os papis dos agentes sobrepem-se, nomeadamente em domnios
na rea do diagnstico. Esta sobreposio no constitui um problema srio, a no ser que
seja mantida na decomposio funcional e, pior ainda, ao nvel da arquitectura do ITS.
Ainda segundo este autor, a utilizao desta metfora tem sido a causa de desenvolvimento
de ITS com arquitecturas desarticuladas. Esta ideia tambm partilhada por [Burns, 1991].
Segundo este autor, sendo o desenvolvimento de um ITS uma actividade interdisciplinar, a
diviso dos componentes de um ITS muitas vezes ignora a sinergia que um sistema
completamente integrado deve alcanar.
111
A separao dos vrios componentes de um ITS poder ser til desde que estes
componentes no sejam considerados de forma isolada, devendo a interaco entres eles
ser enfatizada. A capacidade de interaco entre os diversos componentes de um ITS
constitui a base da instruo individualizada que deve ser alcanada pelos ITS. A utilizao
desta abordagem de separao til ao nvel conceptual, no devendo, contudo, ser
transportada para o nvel de implementao.
Outra das dificuldades presentes nas tcnicas usadas para representar o
conhecimento utilizado em sistemas periciais reside no facto de que tais tcnicas nem
sempre so adequadas para representar o conhecimento necessrio para o treino de certos
tipos de tarefas, tais como aquelas que requerem a automatizao do desempenho das
prprias tarefas. Este tipo de domnios requer que o aluno adquira, por um lado,
conhecimento necessrio execuo da tarefa e, por outro lado, a capacidade de executar a
tarefa com rapidez e preciso. A representao da preciso da tarefa envolve abordagens
mais tradicionais da representao do conhecimento, enquanto que a representao do
conhecimento que traduz a rapidez e o grau de automatizao constitui uma perspectiva
menos comum [Fink, 1991].
Numa fase inicial, a execuo de uma tarefa particular requer algum conhecimento
especfico e a construo de um processo de raciocnio sobre esse conhecimento. Contudo,
medida que um aluno resolve mais problemas e melhora o seu desempenho numa dada
tarefa, este conhecimento torna-se mais fcil de usar. Quando se compara o desempenho de
pessoas com diferentes graus de experincia na resoluo de um problema particular, as
mais experientes conseguem encontrar e utilizar o conhecimento apropriado mais
rapidamente. Atravs da experincia, o conhecimento de natureza mais geral,
habitualmente detido por pessoas menos experientes, transformado em conhecimento de
natureza mais especfica, normalmente detido por pessoas mais experientes, sem no
entanto perder o seu propsito inicial. Esta transio de iniciante para perito durante o
processo de aprendizagem constitui um aspecto importante para a representao do
conhecimento num ITS. Este aspecto assume particular importncia no treino de
capacidades onde o conhecimento original deixa de ser usado, pelo menos de forma
consciente, para a execuo de uma dada tarefa. Neste tipo de tarefas, o tempo de execuo
da tarefa to importante como a preciso com que a tarefa executada. O domnio de
112
Modelo do Domnio
diagnstico de incidentes em redes elctricas constitui um exemplo onde a tarefa de
obteno de diagnstico da situao deve ser rpida e precisa. A rpida obteno do
diagnstico essencial para uma tomada de deciso clere, por forma a circunscrever a
zona do incidente e, consequentemente, minimizar o seu impacto.
A maioria da investigao realizada na rea dos ITS tem estado dirigida para o
ensino de tarefas em domnios relativamente complexos. A maior parte dos sistemas
desenvolvidos lida com domnios que enfatizam a utilizao consciente do conhecimento.
Estes sistemas tentam transmitir conhecimento de natureza declarativa e procedimental
sobre o qual o aluno ser testado tanto no que diz respeito ao contedo do conhecimento
como capacidade de resoluo de problemas. No entanto, em domnios em que a rapidez
de resoluo dos problemas assume um aspecto primordial, os sistemas de treino para alm
de transmitirem conhecimento, devem tambm treinar o aluno a usar este conhecimento de
forma automatizada, de modo a que o aluno no necessite de se concentrar na tarefa de
resoluo do problema.
O tipo de conhecimento a ser aprendido determinado pelo tipo de domnio e pelos
resultados que se esperam da execuo das tarefas. O treino de tarefas de diagnstico
complexas requer a aquisio de conhecimento declarativo e procedimental, assim como a
estruturao do conhecimento bsico em formas mais complexas de conhecimento. No
entanto, se estas tarefas tiverem que ser executadas sobre presso, nomeadamente se a
execuo das tarefas estiver sujeita a restries temporais, este conhecimento utilizado
para automatizar as capacidades de diagnstico at um ponto onde o conhecimento
cognitivo deixa de ter um papel preponderante para a execuo da tarefa. As decises de
desenvolvimento de ITS, em termos das decises pedaggicas e da representao do
conhecimento, dependem da diversidade do contedo e dos resultados do treino
pretendidos [Fink, 1991].
No caso particular do sistema pericial SPARSE, a sua base de conhecimento
permite-lhe obter diagnsticos precisos. No entanto, como na maioria dos sistemas
periciais, o SPARSE no foi desenvolvido com o objectivo de explicar como os problemas
so resolvidos. O sistema SPARSE possui um mdulo de explicaes [Malheiro, 1999]
capaz de explicar todos os passos necessrios para obter um diagnstico, incluindo as
regras utilizadas e respectivas premissas e concluses, sem no entanto conhecer a razo
113
fundamental subjacente a cada passo. De acordo com [Clancey, 1987], existe uma
diferena entre dizer o que aconteceu e explicar porque que os passos dados foram os
correctos.
A base de conhecimento do SPARSE constitui um modelo psicolgico de como os
peritos obtm os diagnsticos de incidentes na rede elctrica. Este modelo, ao contrrio do
modelo usado em outros sistemas periciais, como o caso do sistema MYCIN, contm
uma descrio detalhada dos passos contidos no raciocnio realizado pelos peritos. Ou seja,
a base de regras descreve as vrias cadeias de inferncia com um nvel de granularidade
elevado. No entanto, o raciocnio realizado pelos operadores mais experientes para a
obteno de um diagnstico no inclui todos os passos contidos na inferncia realizada
pelo sistema pericial na resoluo do mesmo problema. Alguns dos passos podero deixar
de ser utilizados, pelo menos de forma consciente, medida que o operador tem mais
experincia e a sua capacidade de automatizao do processo de diagnstico aumentada.
No caso dos operadores menos experientes, cuja capacidade de automatizao ainda
reduzida, o raciocnio por eles realizado tende a incluir todos ou a maioria dos passos
contidos no modelo representado na base de conhecimento. Uma vez que o sucesso do
processo de instruo depende da capacidade de individualizao do sistema de ensino,
necessrio que o modelo do domnio se adapte aos vrios nveis de conhecimento dos
utilizadores. Esta capacidade de adaptao requer que o conhecimento do domnio seja
representado com diversos nveis de granularidade [Faria, 2000a; Faria, 2001a; Faria,
2001b].
Quando se considera a base de conhecimento do SPARSE com o objectivo de
ensinar, outra das suas limitaes prende-se com a existncia de regras artificiais que no
pertencem ao modelo psicolgico utilizado pelos operadores. Este tipo de regras, apesar de
no fazerem parte do raciocnio realizado pelos operadores durante a obteno
diagnsticos, so utilizadas pelo sistema pericial com a finalidade de efectuar a
manuteno do conhecimento. Como exemplo, considere-se a chegada de um evento que
traduz a ocorrncia de abertura de um disjuntor. Perante uma mensagem deste tipo, o
motor de inferncia ir disparar uma regra (apresentada na Tabela 5-1) que verifique a
existncia de um facto que indique que o estado anterior do componente em causa era
fechado, remova esse facto e crie um novo facto que caracterize o estado actual do
114
Modelo do Domnio
disjuntor. Perante a observao de uma mensagem deste tipo, um operador humano
simplesmente constata que o estado actual do disjuntor aberto, sem ter utilizado uma
regra de forma consciente.
Finalmente, a ltima limitao presente na base de conhecimento do SPARSE diz
respeito ausncia de conhecimento procedimental necessrio aquisio de competncias
para a realizao das tarefas de diagnstico. Este tipo de conhecimento est contido no
sistema SPARSE sob duas formas distintas. Por um lado, este conhecimento encontra-se na
base de conhecimento sob a forma de meta-regras e, por outro lado, encontra-se embutido
de forma implcita no mecanismo de inferncia do sistema pericial. No entanto, este
conhecimento no se encontra representado de forma adequada ao ensino dos
procedimentos que devem conduzir obteno dos diagnsticos. O conhecimento existente
no inclui de forma explcita conhecimento acerca das fases envolvidas na obteno dos
vrios tipos de diagnstico, nem sobre os passos a dar em cada uma destas fases.
Tabela 5-1- Regra do sistema pericial SPARSE usada no tratamento do evento de abertura de
disjuntor [Vale, 1993a]
regra e1 : 'DISJUNTOR ABERTO' :
[
[
mensagem(Data1,Hora1,[Inst1,Painel1,[Inst2,NL| _ ]],'DISJUNTOR','10') at T1
e
disj(_,_,Inst1,Painel1,_,_,fechado)
]
ou
[
mensagem(Data1,Hora1,[Inst1,Painel1,[Inst2,NL, _ ]],'DISJUNTOR','10') at T1
]
]
==>
[
retira_facto(disj(_,_,Inst1,Painel1,_,_,Estado),_,T1),
cria_facto(disj(Data1,Hora1,Inst1,Painel1,_,nao_identificado,aberto),T1),
retira_facto(mensagem(Data1,Hora1,[Inst1,Painel1,[Inst2,NL| _ ]],'DISJUNTOR','10'),
T1,T1)
].
5.6 Aquisio do Conhecimento do Domnio
O conhecimento relativo interpretao das mensagens recebidas nos centros de
controlo e conduo e anlise de incidentes, encontra-se includo no SPARSE sob a
forma de regras, integrando conhecimento tcnico e emprico que usado pelos operadores
na explorao da rede. O conhecimento tcnico modeliza o comportamento do Sistema
115
Elctrico de Energia e do correspondente sistema de transmisso de informao. O
conhecimento emprico foi adquirido em reunies com os operadores e com os engenheiros
mais experientes dos centros de controlo e conduo portugueses.
O trabalho de Vale [Vale, 1993a; Vale, 1997b; Vale, 1998a; Vale, 1998b; Vale,
2001a], permite um entendimento aprofundado da forma e das etapas do desenvolvimento
da base de regras do SPARSE.
A aquisio de conhecimento pode ser vista como um processo de modelao, que
no se limita transferncia de percia ou extraco do conhecimento. Segundo esta
abordagem, a aquisio do conhecimento uma tarefa cooperativa, em que o engenheiro
do conhecimento e o perito colaboram na construo de um modelo explcito da resoluo
de problemas num domnio especfico. Este modelo externo baseado no modelo mental
do perito acerca do domnio. Assim, o produto que emerge do processo de aquisio do
conhecimento um modelo de um modelo [Ford, 1993].
No entanto, e de acordo com Clancey [Clancey, 1993], os modelos que se obtm
podem ser teis para algumas tarefas, mas estes constituem um ponto de vista ou uma
viso do mundo. Quando comparados com os modelos humanos, estes modelos
encontram-se limitados pelo seu contexto, constituem interpretaes individuais e so
limitados na sua flexibilidade e potencial criativo.
Na seco 5.5 foram apresentadas as limitaes inerentes ao modelo do domnio do
SPARSE quando considerado com a finalidade de instruo. Considerando estas limitaes
e os requisitos de um modelo do domnio para o ensino foi desenvolvido um novo modelo
do domnio [Faria, 2000a; Faria, 2001a; Faria, 2001b].
A abordagem utilizada neste trabalho para o processo de aquisio do
conhecimento, com o objectivo de construir um modelo do domnio, baseia-se na definio
de aquisio de conhecimento defendida por Ford [Ford, 1993]. A actividade de aquisio
de conhecimento consistiu no desenvolvimento de um modelo do domnio com base no
modelo do domnio desenvolvido para o sistema SPARSE, tendo em conta as necessidades
de aplicao do conhecimento, nomeadamente com a finalidade de ensino. O modelo do
domnio desenvolvido deve fornecer inteligncia do domnio ao sistema de ensino de modo
a que um desempenho semelhante ao dos peritos seja alcanado. , no entanto, o mdulo
tutor que usa esta inteligncia para alcanar os objectivos do tutor.
116
Modelo do Domnio
5.7 Modelo Conceptual do Domnio
Esta seco tem dois propsitos. Por um lado, pretende descrever o modelo
conceptual do domnio e, por outro lado, mostrar como que este modelo influencia a
tomada de decises pedaggicas.
O modelo do domnio tem uma funcionalidade mais alargada do que aquela que se
baseia em ajudar o mdulo tutor no seu processo de tomada de deciso, pois fornece
inteligncia acerca do domnio a todo o sistema de ensino. A estrutura do modelo do aluno
derivada do contedo do modelo do domnio. A interaco entre o tutor e o aluno
orientada a partir da estrutura do modelo do domnio.
O domnio de ensino consiste na transmisso de capacidades necessrias
execuo de tarefas de diagnstico de incidentes na rede elctrica de transporte, em
particular no que respeita caracterizao dos incidentes. Com o objectivo de facilitar a
aprendizagem das tarefas de diagnstico, o diagnstico de cada incidente dividido em
fases. Cada fase formada por um conjunto de conceitos que, uma vez relacionados entre
si, permitem obter uma concluso intermdia necessria para a obteno da concluso final
que caracteriza o incidente. As concluses intermdias podem, por sua vez, ser utilizadas
como conceitos para a obteno de concluses intermdias em outras fases.
5.7.1 Funes do Modelo
A funo do modelo do domnio no est limitada representao da forma de
resoluo dos problemas de diagnstico. O modelo do domnio constitui uma fonte de
conhecimento para todo o sistema de ensino. Para alm de representar a percia necessria
obteno de diagnsticos de incidentes da rede elctrica, o modelo do domnio assume as
seguintes funes:
Orientar as decises pedaggicas do tutor deciso acerca das ajudas a apresentar
ao aluno, indicao da prxima fase do diagnstico e indicao do prximo passo
que deve ser seguido pelo aluno;
Definir a estrutura do modelo do aluno definio do contedo do modelo,
nomeadamente os conceitos sobre os quais o aluno deve ser avaliado, e a respectiva
organizao;
117
Orientar a interaco entre o tutor e o aluno utilizao do modelo do domnio
para orientar a decomposio do processo de obteno dos diagnsticos em sub-
processos mais simples;
Interpretar o comportamento do aluno utilizao do modelo do domnio como
modelo de desempenho que usado para interpretar o desempenho do aluno
durante a resoluo de problemas, para identificar eventuais erros do aluno e para
orientar o aluno atravs do caminho correcto (de acordo com a metodologia de
seguimento do modelo [Anderson, 1990; Anderson, 1995], apresentada na seco
2.5.2.2).
5.7.2 Estrutura do Modelo do Domnio
O modelo do domnio utilizado neste trabalho derivado a partir do estudo do
comportamento dos peritos durante as tarefas de realizao de diagnsticos de incidentes
na rede elctrica. Como foi apresentado anteriormente (seco 5.4), este conhecimento
encontra-se, em parte, includo na base de regras do sistema SPARSE. A estrutura usada
para representar o modelo do domnio baseia-se na estrutura da tarefa de resoluo de
problemas de diagnstico de incidentes.
A abordagem utilizada neste trabalho para representar a percia necessria ao
desempenho das tarefas de diagnstico baseia-se na utilizao de modelos mentais que
incorporam a conceptualizao da tarefa. possvel encontrar na literatura vrias
definies de modelo mental. Por exemplo, Wenger [Wenger, 1987] define modelo mental
como uma representao interna de um sistema fsico utilizada por uma pessoa ou por um
programa para raciocinar sobre processos envolvidos nesse sistema. De acordo com White
[White, 1990], um modelo mental constitui uma estrutura de conhecimento que incorpora
tanto conhecimento declarativo, conhecimento procedimental, como uma estrutura de
controlo que determina como o conhecimento declarativo e procedimental so utilizados
para resolver problemas. Segundo Norman [Norman, 1983], a conceptualizao de um
modelo mental, realizada por um cientista, engenheiro do conhecimento ou professor,
constitui um modelo de um modelo, ou seja, baseado no modelo mental do indivduo
responsvel pela criao do modelo conceptual. O modelo conceptual pretende, assim,
fornecer uma representao precisa, consistente e completa do domnio objecto de ensino.
118
Modelo do Domnio
Na rea da IA, frequente encontrar-se a utilizao dos conceitos de modelo mental e
modelo conceptual com o mesmo sentido.
A capacidade para realizao das tarefas de diagnstico que se colocam aos
operadores dos centros de controlo e conduo requer essencialmente dois tipos de
conhecimento: conhecimento declarativo e procedimental. O conhecimento de natureza
declarativa constitudo por factos dos quais, tipicamente, um operador pouco experiente
possui um subconjunto daqueles que compem o conhecimento de um perito. O
conhecimento de natureza procedimental constitudo por procedimentos utilizados na
resoluo de problemas. A distino entre estes dois tipos de conhecimento pode muitas
vezes ser til e prtica, mas nenhum deles suficiente para, de forma isolada, modelar o
conhecimento necessrio para a obteno de diagnstico de incidentes. Estes dois tipos de
conhecimento normalmente encontram-se naturalmente integrados.
Um dos objectivos presentes no desenvolvimento do modelo de representao
proposto neste trabalho consiste em integrar todos os tipos de conhecimento necessrios ao
desempenho das tarefas de diagnstico de incidentes. O modelo utilizado assenta num
conjunto de guies [Schank, 1977; Dyer, 1990], que so utilizados para representar as
sequncias estereotipas dos conceitos envolvidos no modelo mental dos operadores,
modelo este que usado para obter o diagnstico de cada tipo de incidente. Normalmente,
os guies so utilizados para representar sequncias estereotipas de aces ou eventos. Na
abordagem seguida neste trabalho, os elementos que compem os guies correspondem
aos factos que compem o modelo mental dos operadores. Estes factos incluem os eventos
que dizem respeito s mensagens SCADA, as relaes temporais entre eventos e as
concluses obtidas pelos operadores, que correspondem tanto a passos intermdios do
raciocnio, como a concluses finais sobre o diagnstico de cada incidente.
A estrutura dos guies implementada atravs de grafos AND/OR faseados [Faria,
2000a; Faria, 2001a; Faria, 2001b]. Os grafos AND/OR [Rich, 1991] so teis para
representar a soluo de problemas que podem ser resolvidos atravs da sua decomposio
em problemas mais simples, os quais devem ento ser resolvidos. Esta decomposio, ou
reduo, gera arcos denominados AND. Um arco do tipo AND junta um conjunto de ns,
ou condies, que devem ser satisfeitos para se obter uma concluso, representada por
outro n. Tal como acontece nos grafos OR, vrios arcos podem conduzir a um mesmo n,
119
indicando que existe uma variedade de caminhos para se atingir uma determinada
concluso. A Figura 5-1 apresenta um grafo AND/OR.
A B C D
E F
H G
I
J
F
a
s
e

1
F
a
s
e

2
Figura 5-1- Grafo AND/OR faseado
O grafo AND/OR apresentado na Figura 5-1 representa dois caminhos alternativos
para se alcanar a concluso representada pelo n J. Os ns A, B, C e D representam os
factos utilizados como premissas pelas regras representadas pelos ns E e F. Qualquer uma
destas regras permite obter o facto representado pelo n H, que ser posteriormente
utilizado como uma das premissas da regra representada pelo n I. O conjunto de ramos
que ligam os ns A, B e C ao n E e o conjunto de ramos que ligam os ns C e D ao n F
formam dois arcos AND. Estes arcos constituem dois caminhos alternativos para se obter o
facto representado pelo n H. O problema inicial, que consistia em obter a concluso
representada pelo n J, foi decomposto em dois problemas mais simples. A fase 1 descreve
duas formas alternativas para obter o facto representado pelo n H, correspondendo a uma
concluso intermdia, enquanto que a fase 2 descreve a forma de obter a concluso
representada pelo n J, a partir dos factos representados pelos ns G e H. O uso deste tipo
de representao do conhecimento, baseado em guies, e cuja estrutura implementada
atravs de grafos AND/OR faseados corresponde a uma das originalidades do presente
trabalho.
Utilizando a linguagem tpica dos guies, os eventos correspondem a todos os
elementos que integram os guies e que, como descrito no pargrafo anterior,
correspondem aos factos contidos no modelo mental dos operadores. Os episdios
compreendem um conjunto de factos, ou eventos, que descrevem uma actividade que
compe o processo cognitivo usado na resoluo do problema. Por ltimo, as cenas
120
Modelo do Domnio
representam actividades que tm necessariamente que ocorrer para que o guio seja
instanciado. Cada uma destas actividades pode ser constituda por diferentes episdios.
Neste modelo de representao, as cenas que compem um guio permitem uma
decomposio do modelo em modelos mais simples. Cada uma das cenas presentes num
guio corresponde a uma fase do processo cognitivo usado na resoluo do problema.
Estas fases sero apresentadas na seco 5.7.2.2.
Para ilustrar a aplicao destas definies no presente modelo, considere-se o guio
referente obteno do diagnstico do tipo disparo simples (DS), representado na Figura
5-2. Considere-se ainda a cena que representa a obteno do facto disparo trifsico no
identificado, que pode ser descrita por dois episdios alternativos. Cada um dos episdios
descreve uma sequncia de mensagens SCADA distinta, embora ambas conduzam
obteno do mesmo facto como concluso. A diferena existente entre as duas sequncias
de mensagens SCADA reside na ocorrncia em uma delas da mensagem DISJUNTOR
00 (disjuntor em movimento). As Figuras 5-2 a 5-6 apresentam os guies que modelam o
conhecimento usado para obter os diagnsticos dos incidentes do tipo disparo simples
(DS), disparo trifsico com religao bem sucedida (DtR), disparo monofsico com
religao bem sucedida (DmR), disparo trifsico seguido de religao mal sucedida (DtD)
e disparo monofsico seguido de religao mal sucedida (DmD), respectivamente. As
figuras Figura 5-7 e Figura 5-8 apresentam os guies que modelam o conhecimento
necessrio para obter a caracterizao do incidente quanto ao nmero de extremos de linha
envolvidos. Nas Figuras 5-2 a 5-8, as fases tm o seguinte significado:
Fase 1: disparo;
Fase 2: religao;
Fase 3: disparo aps religao;
Fase 4: concluso quanto ao tipo de disparo;
Fase 5: concluso quanto ao nmero de extremos de linha envolvidos.
O significado de cada uma destas fases ser apresentado, em detalhe, na seco
5.7.2.2.
121
A utilizao de guies como estrutura de representao do conhecimento do
domnio apresenta duas vantagens principais. Por um lado, os guies permitem ao tutor
orientar o processo cognitivo utilizado na resoluo dos problemas. Os guies fornecem ao
tutor o conhecimento necessrio para indicar ao aluno, quando necessrio, o prximo passo
a seguir. Este conhecimento permite ainda ao tutor realar as mensagens relevantes para a
interpretao dos incidentes. Por outro lado, os guies fornecem ao tutor o contexto
necessrio para que este possa inferir o raciocnio realizado pelo aluno, mesmo que alguns
dos factos presentes na linha de raciocnio do aluno no sejam mencionados de forma
explcita durante a resoluo do problema.
Guio DS (Disparo Simples)
F
a
s
e

1
F
a
s
e

4
relao
temporal
|T1 - T2| <= 30
ct1
evento
'DISJUNTOR
10'
(disjuntor
aberto)
instante T3
ce3 ce4
evento
'DISJUNTOR
00'
(disjuntor em
movimento)
instante T2
relao
temporal
T3-T1 <= 30
ct2 ce1
evento
'DISPARO 01'
(disparo)
instante T1
regra d1
'disparo trifsico
c/ disjuntor em
movimento'
cr3
regra d2
'disparo trifsico
s/ disjuntor em
movimento'
cr4
estado
disparo trifsico
no identificado
instante T1
cs5
regra d10
'disparo simples'
cr12
estado
disparo trifsico
do tipo DS
instante T1
cs9
Figura 5-2- Guio DS
122
Modelo do Domnio
Guio DtR (Disparo trifsico com Religao)
ct3
relao temporal
|T4-T3|<=50
evento
'DISJUNTOR 01'
(disjuntor
fechado)
instante T4
ce2
regra d8
'religao
trifsica bem
sucedida'
cr10
regra d4
'religao
trifsica'
cr6
ce4
evento
'DISJUNTOR 00'
(disjuntor em
movimento)
instante T2
ct1
relao temporal
|T1 - T2| <= 30
ce3
evento
'DISJUNTOR 10'
(disjuntor aberto)
instante T3
ct2
relao temporal
T3-T1 <= 30
ce1
evento
'DISPARO 01'
(disparo)
instante T1
regra d1
'disparo trifsico
c/ disjuntor em
movimento'
cr3
regra d2
'disparo trifsico
s/ disjuntor em
movimento'
cr4
estado
religao rpida
trifsica
instante T4
cs7
estado
disparo trifsico
no identificado
instante T1
cs5
estado
disparo trifsico
do tipo DtR
instante T4
cs10
F
a
s
e

2
F
a
s
e

4
F
a
s
e

1

Figura 5-3- Guio DtR

123
Guio DmR (Disparo monofsico com Religao)
regra d9
'religao
monofsica bem
sucedida'
cr11
regra d3
'disparo
monofsico'
cr4
regra d5
'religao
monofsica'
cr7
ct1
relao temporal
|T2 - T1| <= 30
ce4
evento
'DISJUNTOR 00'
(disjuntor em
movimento)
instante T2
ce1
evento
'DISPARO 01'
(disparo)
instante T1
estado
disparo
monofsico no
identificado
instante T1
cs6
relao temporal
|T4 - T2| <= 100
ct4
evento
'DISJUNTOR 01'
(disjuntor fechado)
instante T4
ce2
estado
religao rpida
monofsica
instante T4
cs8
estado
disparo
monofsico do
tipo DmR
instante T4
cs11
F
a
s
e

1
F
a
s
e

2
F
a
s
e

4

Figura 5-4- Guio DmR
124
Modelo do Domnio

G
u
i
o

D
t
D

(
D
i
s
p
a
r
o

t
r
i
f
s
i
c
o

c
o
m

r
e
l
i
g
a
o

m
a
l

s
u
c
e
d
i
d
a
)
c
e
4
e
v
e
n
t
o
'
D
I
S
J
U
N
T
O
R
0
0
'
(
d
i
s
j
u
n
t
o
r

e
m
m
o
v
i
m
e
n
t
o
)
i
n
s
t
a
n
t
e

T
2
c
t
1
r
e
l
a
o
t
e
m
p
o
r
a
l
|
T
1

-

T
2
|

<
=
3
0
c
e
3
e
v
e
n
t
o
'
D
I
S
J
U
N
T
O
R
1
0
'
(
d
i
s
j
u
n
t
o
r
a
b
e
r
t
o
)
i
n
s
t
a
n
t
e

T
3
c
t
2
r
e
l
a
o
t
e
m
p
o
r
a
l
T
3
-
T
1

<
=

3
0
c
e
1
e
v
e
n
t
o
'D
I
S
P
A
R
O

0
1
'
(
d
i
s
p
a
r
o
)
i
n
s
t
a
n
t
e

T
1
r
e
g
r
a

d
1
'
d
i
s
p
a
r
o
t
r
i
f
s
i
c
o

c
/
d
i
s
j
u
n
t
o
r

e
m
m
o
v
i
m
e
n
t
o
'
c
r
3
r
e
g
r
a

d
2
'
d
i
s
p
a
r
o
t
r
i
f
s
i
c
o

s
/
d
i
s
j
u
n
t
o
r

e
m
m
o
v
i
m
e
n
t
o
'
c
r
4
e
s
t
a
d
o
d
i
s
p
a
r
o
t
r
i
f
s
i
c
o

n
o
i
d
e
n
t
i
f
i
c
a
d
o
i
n
s
t
a
n
t
e

T
1
c
s
5
e
v
e
n
t
o
'
D
I
S
J
U
N
T
O
R
0
1
'
(
d
i
s
j
u
n
t
o
r
f
e
c
h
a
d
o
)
i
n
s
t
a
n
t
e

T
4
c
e
2
r
e
l
a
o
t
e
m
p
o
r
a
l
|
T
4
-
T
3
|
<
=
5
0
c
t
3
r
e
g
r
a

d
4
'
r
e
l
i
g
a
o
t
r
i
f
s
i
c
a
'
c
r
6
c
e
4
e
v
e
n
t
o
'
D
I
S
J
U
N
T
O
R
0
0
'
(
d
i
s
j
u
n
t
o
r

e
m
m
o
v
i
m
e
n
t
o
)
i
n
s
t
a
n
t
e

T
6
c
t
1
r
e
l
a
o
t
e
m
p
o
r
a
l
|
T
5

-

T
6
|

<
=
3
0
c
e
3
e
v
e
n
t
o
'
D
I
S
J
U
N
T
O
R
1
0
'
(
d
i
s
j
u
n
t
o
r
a
b
e
r
t
o
)
i
n
s
t
a
n
t
e

T
7
c
t
2
r
e
l
a
o
t
e
m
p
o
r
a
l
T
7
-
T
5

<
=

3
0
c
e
1
e
v
e
n
t
o
'D
I
S
P
A
R
O

0
1
'
(
d
i
s
p
a
r
o
)
i
n
s
t
a
n
t
e

T
5
r
e
g
r
a

d
1
'
d
i
s
p
a
r
o
t
r
i
f
s
i
c
o

c
/
d
i
s
j
u
n
t
o
r

e
m
m
o
v
i
m
e
n
t
o
'
c
r
3
r
e
g
r
a

d
2
'
d
i
s
p
a
r
o
t
r
i
f
s
i
c
o

s
/
d
i
s
j
u
n
t
o
r

e
m
m
o
v
i
m
e
n
t
o
'
c
r
4
e
s
t
a
d
o
r
e
l
i
g
a
o
r
p
i
d
a

t
r
i
f
s
i
c
a
i
n
s
t
a
n
t
e

T
4
c
s
7
e
s
t
a
d
o
d
i
s
p
a
r
o
t
r
i
f
s
i
c
o

n
o
i
d
e
n
t
i
f
i
c
a
d
o
i
n
s
t
a
n
t
e

T
5
c
s
5
r
e
g
r
a

d
6
'
r
e
l
i
g
a
o
t
r
i
f
s
i
c
a

m
a
l
s
u
c
e
d
i
d
a
'
c
r
8
e
s
t
a
d
o
d
i
s
p
a
r
o
t
r
i
f
s
i
c
o

d
o
t
i
p
o

D
t
D
i
n
s
t
a
n
t
e

T
5
c
s
1
2
r
e
l
a
o
t
e
m
p
o
r
a
l
T
5
-
T
4

<
=

5
0
0
c
t
5
Fase 1 Fase 2
Fase 3 Fase 4

Figura 5-5- Guio DtD

125
G
u
i
o

D
m
D

(
D
i
s
p
a
r
o

m
o
n
o
f
s
i
c
o

c
o
m

r
e
l
i
g
a
o

m
a
l

s
u
c
e
d
i
d
a
)
e
s
t
a
d
o
r
e
l
i
g
a
o

r
p
i
d
a
m
o
n
o
f
s
i
c
a
i
n
s
t
a
n
t
e

T
4
c
s
8
e
v
e
n
t
o
'D
I
S
J
U
N
T
O
R

0
1
'
(
d
i
s
j
u
n
t
o
r
f
e
c
h
a
d
o
)
i
n
s
t
a
n
t
e

T
4
c
e
2
r
e
g
r
a

d
3
'
d
i
s
p
a
r
o
m
o
n
o
f
s
i
c
o
'
c
r
4
r
e
l
a
o

t
e
m
p
o
r
a
l
T
5
-
T
4

<
=

5
0
0
c
t
5
e
s
t
a
d
o
d
i
s
p
a
r
o
m
o
n
o
f
s
i
c
o

d
o
t
i
p
o

D
m
D
i
n
s
t
a
n
t
e

T
5
c
s
1
3
e
s
t
a
d
o
d
i
s
p
a
r
o

t
r
i
f
s
i
c
o
n
o

i
d
e
n
t
i
f
i
c
a
d
o
i
n
s
t
a
n
t
e

T
5
c
s
5
r
e
g
r
a

d
2
'
d
i
s
p
a
r
o

t
r
i
f
s
i
c
o
s
/

d
i
s
j
u
n
t
o
r

e
m
m
o
v
i
m
e
n
t
o
'
c
r
4
r
e
g
r
a

d
1
'
d
i
s
p
a
r
o

t
r
i
f
s
i
c
o
c
/

d
i
s
j
u
n
t
o
r

e
m
m
o
v
i
m
e
n
t
o
'
c
r
3
c
e
1
c
t
2
c
t
1
c
e
4
c
e
3
r
e
g
r
a

d
7
'
r
e
l
i
g
a
o
m
o
n
o
f
s
i
c
a

m
a
l
s
u
c
e
d
i
d
a
'
c
r
9
c
e
1
e
v
e
n
t
o
'D
I
S
P
A
R
O

0
1
'
(
d
i
s
p
a
r
o
)
i
n
s
t
a
n
t
e

T
1
c
t
1r
e
l
a
o

t
e
m
p
o
r
a
l
|
T
2

-

T
1
|

<
=

3
0
c
e
4
e
v
e
n
t
o
'D
I
S
J
U
N
T
O
R

0
0
'
(
d
i
s
j
u
n
t
o
r

e
m
m
o
v
i
m
e
n
t
o
)
i
n
s
t
a
n
t
e

T
2
r
e
g
r
a

d
5
'
r
e
l
i
g
a
o
m
o
n
o
f
s
i
c
a
'
c
r
7
r
e
l
a
o

t
e
m
p
o
r
a
l
|
T
4

-

T
2
|

<
=

1
0
0
c
t
4
e
s
t
a
d
o
d
i
s
p
a
r
o
m
o
n
o
f
s
i
c
o

n
o
i
d
e
n
t
i
f
i
c
a
d
o
i
n
s
t
a
n
t
e

T
1
c
s
6
e
v
e
n
t
o
'D
I
S
P
A
R
O

0
1
'
(
d
i
s
p
a
r
o
)
i
n
s
t
a
n
t
e

T
5
r
e
l
a
o

t
e
m
p
o
r
a
l
T
7
-
T
5

<
=

3
0
r
e
l
a
o

t
e
m
p
o
r
a
l
|
T
5

-

T
6
|

<
=

3
0
e
v
e
n
t
o
'D
I
S
J
U
N
T
O
R

0
0
'
(
d
i
s
j
u
n
t
o
r

e
m
m
o
v
i
m
e
n
t
o
)
i
n
s
t
a
n
t
e

T
6
e
v
e
n
t
o
'D
I
S
J
U
N
T
O
R

1
0
'
(
d
i
s
j
u
n
t
o
r

a
b
e
r
t
o
)
i
n
s
t
a
n
t
e

T
7
Fase 3 Fase 4
Fase 1 Fase 2

Figura 5-6- Guio DmD

126
Modelo do Domnio
Guio disparo num s extremo
regra d22
'disparo num s
extremo'
cr14
cs9,
cs10,
cs11,
cs12,
cs13
estado
disparo
monofsico/
trifsico do tipo X
instante Text1
concluso
disparo num s
extremo do tipo X
instante Text1
cc2
F
a
s
e

5

Figura 5-7- Guio disparo num s extremo

Guio disparo em ambos os extremos
regra d21
'disparo nos dois
extremos'
cr13
concluso
disparo nos dois
extremos tipos X e
Y
instante
max(Text1,
Text2)
cc1
cs9,
cs10,
cs11,
cs12,
cs13
cs9,
cs10,
cs11,
cs12,
cs13
ct6
estado
disparo
monofsico/
trifsico do tipo Y
instante Text2
estado
disparo
monofsico/
trifsico do tipo X
instante Text1
relao temporal
|Text1-Text2|
<=300
F
a
s
e

5

Figura 5-8- Guio disparo em ambos os extremos
127
5.7.2.1 Limitaes dos Guies e Solues para Ultrapassar tais Limitaes
Os guies tm sido utilizados na representao do conhecimento em ITS, alguns
deles considerados clssicos, como o caso do sistema WHY [Stevens, 1977]. Este sistema
lida com raciocnio causal no domnio da meteorologia. Neste sistema, os guies so
utilizados para representar sequncias tpicas de eventos. Estas sequncias de eventos eram
usadas para representar relaes temporais e de causa-efeito entre eventos numa forma que
permitia uma fcil inspeco [Stevens, 1982]. No entanto, esta representao do
conhecimento est limitada s relaes entre eventos. A representao do conhecimento
acerca de processos fsicos requer uma multiplicidade de perspectivas de representao
[Stevens, 1982; Khuwaja, 1994]. As estruturas de guies oferecem apenas uma destas
perspectivas. Apesar desta perspectiva ser importante, a perspectiva funcional igualmente
importante [Stevens, 1982]. Esta perspectiva funcional considera os vrios elementos
envolvidos nos processos do domnio e as suas funes nas interaces que do origem aos
vrios eventos no domnio. Apesar de ambas as perspectivas descreverem o mesmo
fenmeno, as respectivas nfases so diferentes. Uma vez que elas realam diferentes
aspectos dos processos, conduzem a apresentaes diferentes da matria e percepo de
concepes erradas diferentes.
Com o intuito de ultrapassar as limitaes das estruturas de representao baseadas
em guies, apontadas no pargrafo anterior, neste trabalho optou-se por complementar o
uso de guies com estruturas do tipo frame. Desta forma, pretende-se complementar a
natureza essencialmente procedimental dos guies com o carcter mais declarativo das
frames. Neste contexto, as frames so utilizadas para representar cada um dos elementos
dos guies que compem o modelo do domnio. Estas frames contm conhecimento de
natureza declarativa acerca de cada um dos conceitos do domnio. Uma descrio mais
pormenorizada acerca do conhecimento contido nas frames ser apresentada na seco
5.7.2.3.
Para alm de permitirem a integrao do conhecimento do tipo procedimental e
declarativo, as frames podem ser utilizadas neste modelo para oferecer uma perspectiva
adicional representao do conhecimento. As frames podem ser usadas para acrescentar
uma nova perspectiva perspectiva procedimental dos guies, caracterizada pelas relaes
temporais e de causa-efeito existentes entre os elementos dos guies. Esta nova
128
Modelo do Domnio
perspectiva, de carcter funcional, pretende relacionar os conceitos envolvidos na tarefa de
diagnstico de incidentes com os elementos fsicos que compem a rede de transmisso de
energia. Em particular, os dispositivos de proteco, e os respectivos tempos tpicos de
actuao perante a ocorrncia de defeitos, assumem um papel importante para a correcta
interpretao das sequncias de eventos. Esta perspectiva importante para a compreenso
das sequncias de eventos presentes nos vrios tipos de diagnsticos, uma vez que estas
sequncias dependem da resposta dos elementos que compem a rede. Apesar desta
perspectiva funcional constituir um complemento importante perspectiva procedimental,
com vista implementao de um sistema de ensino eficaz, esta ainda no foi includa
neste trabalho.
5.7.2.2 Decomposio do Raciocnio em Fases
O modelo conceptual do domnio encontra-se dividido em fases ou, usando a
linguagem dos guies, em cenas. As fases presentes nas cadeias de inferncia
correspondem s vrias etapas presentes no processo de diagnstico realizado pelos peritos
do domnio. Esta diviso baseia-se na estrutura da tarefa de obteno de diagnsticos de
incidentes e tem por funo permitir atingir os objectivos que se apresentam a seguir:
Tornar o processo de aprendizagem mais simples atravs da decomposio de um
problema complexo em subproblemas mais simples;
Servir como estrutura de apoio ao tutor para a tomada de decises que tm por
finalidade orientar o aluno;
Conduzir a interaco entre tutor e aluno.
O processo de obteno de diagnstico de incidentes encontra-se dividido nas cinco
fases seguintes [Faria, 2000a; Faria, 2001a; Faria, 2001b]:
1) Disparo obteno da concluso de ocorrncia de disparo e caracterizao da
natureza do disparo quanto ao nmero de fases envolvidas (disparo monofsico ou
trifsico);
129
2) Religao obteno da concluso de ocorrncia de reengate rpido devido
actuao dos automatismos das proteces;
3) Disparo aps religao obteno da concluso de ocorrncia de um segundo
disparo aps o reengate rpido, correspondendo situao em que o defeito
permanece;
4) Concluso quanto ao tipo de disparo obteno da concluso acerca do tipo de
disparo;
5) Concluso quanto ao nmero de extremos de linha envolvidos no incidente.
O nmero de fases envolvidas no diagnstico de um tipo particular de incidente
depende da natureza do incidente. Por exemplo, no caso de um disparo seguido de
religao mal sucedida todas as fases esto presentes, enquanto que num disparo simples o
processo de diagnstico inclui apenas as fases 1, 4 e 5 (Figura 5-2). No caso de um disparo
simples, em que a respectiva proteco no dispem de automatismo de reengate
automtico, no h lugar s fases relacionadas com o evento de religao. A fase 5,
referente obteno de concluso acerca do nmero de extremos de linha envolvidos, est
presente em todos os tipos de incidentes quando se trata de disparos em painis de linha.
Cada fase do processo de diagnstico definida por um conjunto de premissas que
permite obter uma concluso. A concluso obtida numa fase corresponde a um conceito
pertencente a um nvel de abstraco acima do nvel de abstraco a que pertencem as
premissas. Esta concluso pode, ento, ser usada como premissa de uma fase posterior.
5.7.2.3 Tipos de Conceitos do Domnio
Os guies descritos na seco 5.7.2 contm o conhecimento acerca dos
procedimentos e dos conceitos necessrios para efectuar qualquer tipo de diagnstico.
Estes guies incluem um conjunto de conceitos, que devero ser apreendidos pelo aluno,
para que este possa alcanar o diagnstico correcto de cada tipo de incidente includo nos
problemas que lhe so propostos pelo tutor. A lista de conceitos do domnio apresentada
no Anexo B. Os vrios conceitos compreendidos nos guies esto relacionados entre si,
atravs de relaes de precedncia. As relaes de precedncia definem a hierarquia de
130
Modelo do Domnio
conceitos, indicando a ordem pela qual o aluno deve percorrer os vrios conceitos que
constituem os guies e as dependncias entre estes conceitos.
Os conceitos que compem os guies podem ser dos seguintes tipos:
eventos;
estados;
relaes entre eventos e/ou estados;
regras;
concluses.
Os conceitos do tipo evento correspondem a mensagens SCADA que chegam aos
operadores do centro de controlo. Os estados so conceitos que representam estados
intermdios ou hipteses sobre estados dos componentes do sistema elctrico ou ainda, do
ponto de vista do sistema pericial, correspondem a factos internos. As relaes entre
eventos e/ou estados relacionam segundo determinado critrio eventos e/ou estados entre
si. Como exemplo destas relaes, temos as relaes temporais entre eventos e/ou estados.
Conceitos do tipo regra so conceitos que ao relacionarem os conceitos que precedem
imediatamente a regra conduzem a um determinado conjunto de conceitos que reflectem
estados ou hipteses de estados. Finalmente, os conceitos do tipo concluso so conceitos
que correspondem ao maior nvel de abstraco e que representam os vrios tipos de
solues dos problemas.
A todos os tipos de conceitos, exceptuando os conceitos dos tipos regra e relao,
est associado um instante simblico. Os instantes simblicos constituem a base do
raciocnio temporal necessrio obteno dos diagnsticos. Estes instantes correspondem
aos instantes dos eventos que caracterizam as sequncias de eventos presentes em cada tipo
de incidente. A Tabela 5-2 apresenta os vrios instantes simblicos e o respectivo evento a
que correspondem. Os conceitos correspondendo a relaes temporais assumem particular
importncia neste domnio, uma vez que as relaes temporais entre eventos e/ou estados
condicionam, de forma relevante, o diagnstico de incidentes. Em particular, a mesma
131
sequncia de eventos com diferentes espaamentos temporais pode dar origem a
diagnsticos diferentes.
Tabela 5-2- Lista de instantes simblicos
Instante simblico Evento associado
T1 Disparo de disjuntor
T2 Disjuntor em movimento
T3 Abertura de disjuntor
T4 Fecho de disjuntor (reengate automtico)
T5 Disparo de disjuntor aps religao
T6 Disjuntor em movimento
T7 Abertura de disjuntor

Aquando da resoluo dos problemas, os instantes simblicos envolvidos sero
instanciados com o instante do evento que lhes est associado. No caso dos conceitos do
tipo evento, os respectivos instantes simblicos sero instanciados com o instante da
mensagem SCADA a que correspondem. Para os conceitos dos tipos estado e concluso,
os respectivos instantes simblicos sero instanciados como o instante da mensagem
SCADA que representa o evento que est associado ao estado ou concluso. Por
exemplo, o instante simblico do conceito cs7 (religao rpida trifsica) ser
instanciado com o instante da mensagem SCADA referente ao evento de fecho de
disjuntor.
Os instantes simblicos servem ainda para estabelecer o contexto de aplicao dos
conceitos. Alguns dos conceitos do domnio so utilizados em contextos diferentes. Por
exemplo, o conceito do tipo evento ce1 (disparo de disjuntor) utilizado em dois
contextos distintos. Por um lado, este conceito utilizado para caracterizar o incio do
incidente, sendo-lhe associado, neste caso, o instante simblico T1. Por outro lado, nas
situaes em que ocorre o reengate automtico e o defeito persiste, d-se um novo disparo.
Neste caso, associado ao conceito ce1 o instante simblico T5.
Os elementos dos guies tm uma estrutura do tipo frame. Os seus componentes
esto divididos em vrios grupos, podendo os componentes dos diferentes grupos estar
132
Modelo do Domnio
activos ou no, dependendo do tipo de conceito a que correspondem. Estes componentes
so os seguintes:
identificao;
descrio geral do conceito;
instante simblico associado;
apontadores para conhecimento pedaggico;
apontadores para material didctico;
apontadores para exemplos relacionados com o conceito;
lista dos conceitos precedentes;
lista dos conceitos sucessores.
O material didctico correspondente a cada conceito inclui a informao necessria
para a explicao do seu contedo. Este material didctico considera diferentes formatos
de apresentao, tendo em conta as diferentes necessidades e nveis de conhecimento do
aluno. O material didctico pode ser composto por um ou mais elementos dos seguintes
tipos: teoria subjacente ao conceito, descrio detalhada do conceito, exemplos de
aplicao.
5.7.2.4 Nveis de Representao
Os guies apresentados na seco 5.7.2 constituem uma representao completa e
detalhada do conhecimento necessrio execuo da tarefa de diagnstico de incidentes.
Como foi descrito na seco 5.7.1, entre as diversas funes do modelo do domnio
encontra-se a interpretao do desempenho do aluno. Neste contexto, os guies so
utilizados para interpretar e avaliar o desempenho do aluno durante a resoluo de
problemas, atravs da comparao dos conceitos includos no guio, que representa a
situao definida pelo problema, e os conceitos usados pelo aluno na descrio do seu
raciocnio.
133
No entanto, quando o aluno expe o seu raciocnio, admissvel que o aluno no
apresente todos os passos envolvidos no seu raciocnio, simplesmente porque omitiu
alguns dos passos presentes no seu raciocnio ou porque a execuo da tarefa atingiu um
nvel de automatizao tal que alguns dos passos so realizados de forma no consciente.
Em qualquer dos casos, na ausncia de erros, o tutor deve considerar que o aluno domina
os conceitos no observados de forma explcita no raciocnio apresentado pelo aluno e que
pertenam a fases intermdias do guio.
Com o objectivo de dotar o sistema de ensino com capacidade para lidar com estas
diferenas observadas nos alunos, as estruturas conceptuais do conhecimento do domnio
foram modeladas atravs de duas dimenses: suficincia e granularidade. A suficincia
est relacionada com a quantidade de detalhe, enquanto que a granularidade (por vezes
designada por elaborao) diz respeito ao nvel de detalhe. O conhecimento necessrio
para a obteno do diagnstico de cada tipo de incidente foi representado atravs de dois
nveis: nvel de elaborao mnimo e nvel de elaborao mximo. Os guies apresentados
nas figuras 5-2 a 5-6 constituem o nvel de elaborao mximo. Este nvel representa todas
as relaes entre eventos das diversas fases e inclui ainda concluses intermdias que so
obtidas a partir dessas relaes. O nvel mnimo constitui o nvel objectivo do sistema.
Espera-se que ao fim de algumas sesses de treino os alunos venham a estar aptos a
resolver os problemas neste nvel. Esta aptido corresponde aquisio de um nvel de
automatizao de execuo da tarefa de diagnstico de incidentes. A capacidade de
automatizao permitir aos futuros operadores a execuo destas tarefas em situaes de
sobrecarga de trabalho.
O aumento do nvel de detalhe entre os nveis mnimo e mximo define a dimenso
de elaborao do modelo de representao do conhecimento. Esta configurao permite ao
tutor ajudar o aluno a abstrair o seu raciocnio a partir do nvel de elaborao mximo at
ao nvel mnimo, uma vez que os conceitos considerados fundamentais para a obteno do
diagnstico correcto esto presentes em ambos os nveis (Figura 5-9).
134
Modelo do Domnio
E
l
a
b
o
r
a
o
A
b
s
t
r
a
c
o
c
t
3
r
e
l
a
o
t
e
m
p
o
r
a
l
|
T
4
-
T
3
|
<
=
5
0
e
v
e
n
t
o
'D
I
S
J
U
N
T
O
R
0
1
'
(
d
i
s
j
u
n
t
o
r
f
e
c
h
a
d
o
)
i
n
s
t
a
n
t
e

T
4
c
e
2
r
e
g
r
a

d
8
'
r
e
l
i
g
a
o
t
r
i
f
s
i
c
a

b
e
m
s
u
c
e
d
i
d
a
'
c
r
1
0
r
e
g
r
a

d
4
'
r
e
l
i
g
a
o
t
r
i
f
s
i
c
a
'
c
r
6
c
e
4
e
v
e
n
t
o
'D
I
S
J
U
N
T
O
R
0
0
'
(
d
i
s
j
u
n
t
o
r

e
m
m
o
v
i
m
e
n
t
o
)
i
n
s
t
a
n
t
e

T
2
c
t
1
r
e
l
a
o
t
e
m
p
o
r
a
l
|
T
1

-

T
2
|

<
=

3
0
c
e
3
e
v
e
n
t
o
'D
I
S
J
U
N
T
O
R
1
0
'
(
d
i
s
j
u
n
t
o
r
a
b
e
r
t
o
)
i
n
s
t
a
n
t
e

T
3
c
t
2
r
e
l
a
o
t
e
m
p
o
r
a
l
T
3
-
T
1

<
=

3
0
c
e
1
e
v
e
n
t
o
'D
I
S
P
A
R
O

0
1
'
(
d
i
s
p
a
r
o
)
i
n
s
t
a
n
t
e

T
1
r
e
g
r
a

d
1
'
d
i
s
p
a
r
o
t
r
i
f
s
i
c
o

c
/
d
i
s
j
u
n
t
o
r

e
m
m
o
v
i
m
e
n
t
o
'
c
r
3
r
e
g
r
a

d
2
'
d
i
s
p
a
r
o
t
r
i
f
s
i
c
o

s
/
d
i
s
j
u
n
t
o
r

e
m
m
o
v
i
m
e
n
t
o
'
c
r
4
e
s
t
a
d
o
r
e
l
i
g
a
o

r
p
i
d
a
t
r
i
f
s
i
c
a
i
n
s
t
a
n
t
e

T
4
c
s
7
e
s
t
a
d
o
d
i
s
p
a
r
o

t
r
i
f
s
i
c
o
n
o

i
d
e
n
t
i
f
i
c
a
d
o
i
n
s
t
a
n
t
e

T
1
c
s
5
e
s
t
a
d
o
d
i
s
p
a
r
o

t
r
i
f
s
i
c
o
d
o

t
i
p
o

D
t
R
i
n
s
t
a
n
t
e

T
4
c
s
1
0
O
U
e
v
e
n
t
o
'D
I
S
J
U
N
T
O
R

0
0
'
(
d
is
ju
n
t
o
r

e
m
m
o
v
im
e
n
t
o
)
in
s
t
a
n
t
e

T
2
c
e
4
c
t
1
c
e
3
c
t
2
e
v
e
n
t
o
'D
I
S
P
A
R
O

0
1
'
(
d
is
p
a
r
o
)
in
s
t
a
n
t
e

T
1
c
e
1
e
v
e
n
t
o
'D
I
S
J
U
N
T
O
R

0
1
'
(
d
is
ju
n
t
o
r

f
e
c
h
a
d
o
)
in
s
t
a
n
t
e

T
4
c
e
2
r
e
la
o

t
e
m
p
o
r
a
l
|
T
4
-
T
3
|
<
=
5
0
c
t
3
e
s
t
a
d
o
d
is
p
a
r
o
t
r
if
s
ic
o

d
o

t
ip
o
D
t
R
in
s
t
a
n
t
e

T
4
c
s
1
0
r
e
la
o

t
e
m
p
o
r
a
l
T
3
-
T
1

<
=

3
0
e
v
e
n
t
o
'D
I
S
J
U
N
T
O
R

1
0
'
(
d
is
ju
n
t
o
r

a
b
e
r
t
o
)
in
s
t
a
n
t
e

T
3
r
e
la
o

t
e
m
p
o
r
a
l
|
T
1

-

T
2
|

<
=

3
0
c
e
3
e
v
e
n
t
o
'D
I
S
J
U
N
T
O
R

1
0
'
(
d
is
ju
n
t
o
r

a
b
e
r
t
o
)
in
s
t
a
n
t
e

T
3 c
t
2r
e
la
o

t
e
m
p
o
r
a
l
T
3
-
T
1

<
=

3
0
e
v
e
n
t
o
'D
I
S
P
A
R
O

0
1
'
(
d
is
p
a
r
o
)
in
s
t
a
n
t
e

T
1
c
e
1
e
v
e
n
t
o
'D
I
S
J
U
N
T
O
R

0
1
'
(
d
is
ju
n
t
o
r

f
e
c
h
a
d
o
)
in
s
t
a
n
t
e

T
4
c
e
2
r
e
la
o

t
e
m
p
o
r
a
l
|
T
4
-
T
3
|
<
=
5
0
c
t
3
e
s
t
a
d
o
d
is
p
a
r
o
t
r
if
s
ic
o

d
o

t
ip
o
D
t
R
in
s
t
a
n
t
e

T
4
c
s
1
0
Figura 5-9- Nveis de representao do conhecimento (DtR)
135
Os dois nveis referidos constituem os limites de representao do conhecimento
em termos de elaborao/abstraco. Apesar do modelo do domnio conter apenas estes
dois nveis de representao, o raciocnio apresentado pelo aluno no tem obrigatoriamente
que corresponder a qualquer um destes nveis, desde que o seu raciocnio no contenha
violaes ao modelo do domnio. A no obrigatoriedade do aluno representar o seu
raciocnio num destes dois nveis constitui uma originalidade do presente trabalho.
A utilizao de vrios nveis de elaborao para representao do conhecimento
pode ser generalizada a uma grande diversidade de domnios. Por exemplo, no tutor
CIRCSIM [Khuwaja, 1994], dedicado ao ensino na rea da medicina cardiovascular,
usada a noo de nveis de elaborao para dividir a representao do conhecimento do
domnio em trs nveis. No nosso caso, optou-se pela diviso em dois nveis. O nmero de
nveis utilizados depende principalmente de consideraes pragmticas determinadas pelo
contexto de ensino no qual o ITS ser usado e pelo estado de conhecimento que se espera
que os alunos venham a atingir. Os dois nveis considerados definem os extremos em
termos de elaborao/abstraco do modelo. No entanto, estes dois nveis no limitam a
forma como o aluno pode apresentar o seu raciocnio. Quando o aluno expe o seu
raciocnio, admissvel que parte desse raciocnio seja apresentado com maior nvel de
detalhe e que outra parte corresponda a um nvel de abstraco mais elevado. Os dois
nveis utilizados no pretendem limitar o raciocnio do aluno a duas linhas de raciocnio
preestabelecidas, forando o aluno a saltar de forma abrupta entre os nveis. Estes nveis
so usados como limites de um espao de continuidade cognitiva no qual o raciocnio do
aluno se pode enquadrar.
O conceito de suficincia foi usado para determinar o detalhe do conhecimento em
cada nvel do modelo. A suficincia em cada um dos nveis do modelo depende
principalmente de consideraes pragmticas. O nvel mnimo contm os conceitos
fundamentais para a obteno do diagnstico de incidentes, considerados mnimos para a
obteno do diagnstico. A seleco deste conceitos fundamentais depende da sua
importncia para a resoluo dos problemas. O modelo representado neste nvel, contendo
um nmero limitado de conceitos, aproxima-se do modelo usado por um operador
experiente numa situao de diagnstico de um incidente real. A suficincia do nvel
mximo determinada principalmente pela quantidade de conhecimento que se espera que
136
Modelo do Domnio
o aluno venha a adquirir. Este conhecimento pode ser necessrio para explicar a relao
entre os eventos envolvidos nas diversas fases ou para corrigir os erros cometidos durante a
resoluo dos problemas.
5.7.2.5 Integrao entre o Conhecimento do Domnio e o Conhecimento Pedaggico
O conjunto de guies apresentados na seco 5.7.2 constitui o modelo geral do
domnio. A partir deste modelo e da inferncia obtida pelo sistema pericial SPARSE, o
mdulo perito do tutor constri o modelo especfico da situao. O processo de construo
deste modelo especfico da situao ser apresentado na seco 7.4.2. O modelo do
domnio usado tambm pelo mdulo tutor como fonte de conhecimento destinada ao
ensino do domnio.
O modelo do domnio constitui um recurso partilhado entre os mdulos perito e
tutor. Uma das funes do mdulo tutor, baseada no conhecimento do domnio, consiste
em remediar os erros do aluno. O modelo do domnio inclui ainda conhecimento acerca
dos procedimentos necessrios resoluo de problemas. Este tipo de conhecimento
utilizado pelo mdulo tutor para ensinar ao aluno a estratgia de resoluo de problemas,
estratgia essa que se traduz pelo conjunto de fases includas no processo de obteno do
diagnstico para cada tipo de incidente. Em particular, este conhecimento permite ao tutor
sugerir o que fazer a seguir quando o aluno se encontra numa situao de impasse.
As frames usadas como estrutura de representao dos conceitos do domnio
permitem interligar o conhecimento do domnio com o conhecimento pedaggico. Estas
contm ligaes a dois tipos de conhecimento de natureza pedaggica:
Conhecimento que permite ao tutor apresentar explicaes do tipo porque no
nas situaes em que um conceito utilizado de forma incorrecta;
A cada conceito ou tipo de conceito esto associados erros cometidos pelo aluno, a
partir dos quais so geradas as ajudas a apresentar ao aluno com a finalidade de o
conduzir atravs do caminho correcto.
5.8 Concluses
O objectivo do tutor inteligente para treino de operadores de centros de controlo e
conduo de redes elctricas conseguir que o aluno adquira um modelo mental do
137
processo de diagnstico de incidentes. O modelo de representao do conhecimento do
domnio baseia-se no modelo mental usado pelo operadores na obteno de diagnsticos.
O modelo do domnio integra conhecimento de natureza declarativa, que inclui factos e
relaes entre factos do domnio, e conhecimento de natureza declarativa, que envolve os
aspectos relacionados com as tcnicas usadas para resolver problemas. A integrao destes
dois tipos de conhecimento fundamental para o ensino da tarefa de diagnstico. Esta
integrao conseguida no modelo do domnio atravs da utilizao conjunta de tcnicas
de representao de conhecimento de natureza essencialmente declarativa, como o caso das
frames, com tcnicas de natureza mais procedimental, como o caso dos guies.
Por outro lado, as perspectivas de modelao, nomeadamente suficincia e
granularidade, utilizadas para modelar as estruturas conceptuais do conhecimento do
domnio permitem dotar o modelo da flexibilidade necessria para que o sistema de ensino
esteja apto a lidar com as particularidades de cada aluno. Por outras palavras, uma vez que
o modelo do domnio utilizado para conduzir o aluno na construo do seu modelo
mental da tarefa e sendo este um processo de construo progressivo, necessrio que o
modelo do domnio se possa adaptar aos vrios estgios de desenvolvimento do modelo
mental do aluno.
Um processo de ensino eficaz requer percia acerca do conhecimento do domnio,
mas tambm percia acerca do prprio processo de ensino [Galdes, 1990]. No entanto, esta
eficcia s ser alcanada se existir interaco do conhecimento do domnio com outros
tipos de conhecimento. A partir da observao do comportamento de tutores humanos,
conclui-se que uma das principais razes da sua eficcia reside na natureza da interaco
entre os diferentes tipos de conhecimento [Khuwaja, 1994].
Num ITS, os mdulos perito e tutor partilham o conhecimento includo no modelo
do domnio. Este conhecimento caracteriza o mdulo perito. No entanto, o conhecimento
do domnio ajuda o mdulo tutor a desenvolver planos para interagir com o aluno. Ou seja,
ambos os mdulos utilizam o mesmo conhecimento com propsitos diferentes. O
desenvolvimento de um sistema de ensino eficaz depende da articulao existente entre os
vrios mdulos que compem o sistema, nomeadamente entre os mdulos perito e tutor. A
articulao entre estes dois mdulos assenta na integrao do conhecimento usado pelos
dois mdulos. A abordagem apresentada neste captulo, usada para a representao do
138
Modelo do Domnio
modelo do domnio, disponibiliza os mecanismos para que a interaco entre o
conhecimento do domnio e o conhecimento pedaggico seja possvel.

139

6 Modelao dos Operadores dos Centros de
Controlo e Conduo
6.1 Introduo
O propsito principal do modelo do operador fornecer informao ao tutor acerca
do operador. O conhecimento contido no modelo do operador utilizado para adaptar o
processo de ensino s necessidades individuais dos operadores. A adaptao realizada pelo
tutor essencialmente de dois tipos. Por um lado, o tutor usa o conhecimento do modelo
do operador para definir as caractersticas do problema consideradas mais adequadas para
o nvel actual de conhecimento de cada operador. Por outro lado, o modelo do operador
utilizado para seleccionar o nvel de detalhe da ajuda a oferecer ao operador, tanto na
situao em que o operador comete um erro, como na situao em que o operador no sabe
qual o passo que deve tomar a seguir.
A influncia exercida sobre as opes de desenvolvimento do modelo do operador
no se limitam s funes deste modelo no mbito do sistema inteligente de ensino. O
modelo do domnio assume tambm um papel preponderante no desenvolvimento do
modelo do operador. Em particular, a avaliao do desempenho do operador, realizada
atravs da comparao entre a soluo do operador e a soluo dos peritos, encontrando-se
esta ltima representada no modelo do domnio, requer que a estrutura do modelo do
operador seja compatvel com a estrutura do modelo do domnio.
O desenvolvimento de um modelo do operador recorrendo a tcnicas inovadoras
no constitui um dos objectivos deste trabalho. No entanto, as necessidades de adaptao
de um tutor inteligente para treino dos operadores dos centros de controlo e conduo
requer a utilizao de uma representao do conhecimento desses mesmos operadores.
141
Para implementar tal representao e o respectivo mecanismo de actualizao, optou-se por
utilizar um modelo que assenta na teoria dos conjuntos imprecisos. Este modelo oferece
uma boa relao entre o desempenho e o respectivo custo de desenvolvimento, quando
comparado com outros modelos computacionalmente mais complexos.
6.2 Aspectos do Operador a Modelar
O contedo dos modelos do aluno utilizados nos ITS varia de forma considervel.
Alguns modelos do aluno so usados com o intuito de reconhecer os planos ou os
caminhos de soluo do aluno [Conati, 1997], alguns so usados para avaliar o
desempenho do aluno na resoluo de problemas [Katz, 1994] e outros, ainda, so usados
para descrever restries que tenham sido violadas pelo aluno [Mitrovic, 1998; Ohlsson,
1994].
O propsito principal de um modelo do aluno no contexto de um sistema
inteligente de ensino fornecer uma fonte de conhecimento para a orientao do processo
de tomada de decises pedaggicas.
Segundo alguns autores, o conhecimento acerca do aluno a incluir no modelo,
assim como o nvel de detalhe da representao desse conhecimento, deve ser compatvel
com a utilizao que o sistema far desse conhecimento [Woolf, 1994]. Do ponto de vista
funcional, no existe vantagem em modelizar conhecimento para o qual o sistema no
esteja apto a usar ou a reagir.
O sistema para treino de operadores de centros de controlo e conduo,
desenvolvido no mbito deste trabalho, um ITS que ajuda os operadores a adquirem a
capacidade de obter o diagnstico de incidentes ocorridos na rede elctrica. O sistema
apresenta ao operador um problema, composto por um ou mais incidentes, caracterizado
pelo respectivo conjunto de mensagens SCADA. Ao operador pedido que obtenha o
diagnstico de cada um dos incidentes, expondo os passos que o conduzem resoluo do
problema. A exposio destes passos feita atravs do preenchimento de tabelas onde o
operador inclui as mensagens SCADA relevantes, as relaes temporais existentes entre os
eventos que correspondem s mensagens, eventuais concluses intermdias e, por fim, a
concluso que caracteriza o incidente. O raciocnio do operador inferido a partir do
contedo das tabelas, que contm as aces efectuadas pelo operador durante a resoluo
142
Modelao dos Operadores dos Centros de Controlo e Conduo
do problema e comparado com os passos contidos no modelo da soluo do perito para o
problema em causa.
A partir dos princpios de ensino utilizados pelo tutor, identificam-se dois aspectos
que influenciam o modelo do operador a construir: o mtodo usado para inferir o
diagnstico do operador e as decises pedaggicas do tutor. O mtodo usado para inferir o
diagnstico do operador, que se baseia na tcnica de seguimento do modelo (model
tracing), utilizado pelo tutor para avaliar o desempenho do operador na resoluo dos
problemas. Neste contexto, o modelo do operador deve conter uma estimativa do
desempenho do operador no que diz respeito aplicao de cada um dos conceitos do
domnio.
O tipo de decises pedaggicas que o tutor tem que tomar e o tipo de conhecimento
necessrio para suportar estas decises tm tambm uma grande influncia no modelo do
operador a construir. As decises pedaggicas so, essencialmente, de dois tipos. Por um
lado, encontram-se as decises a tomar no mbito do planeamento do curriculum,
nomeadamente as decises relacionadas com a escolha dos problemas apropriados ao
operador. A deciso no que se refere ao nvel de dificuldade do problema depende do nvel
global de conhecimento do operador. A caracterizao do problema, em termos de tipos de
incidentes envolvidos, necessita de conhecimento detalhado acerca do nvel de
conhecimento do operador sobre cada um dos conceitos do domnio. Por outro lado, o tutor
tem que definir a ajuda a atribuir ao operador, assim como o nvel de detalhe da ajuda,
tanto na situao em que o operador comete um erro, como na situao em que o operador
atinge uma situao de impasse e pede ajuda de forma explcita.
As necessidades do tutor definem, assim, os requisitos do modelo do operador em
termos do conhecimento acerca do operador que deve ser includo no modelo. Estes
requisitos so os seguintes:
Seleccionar os problemas a propor ao operador o conhecimento sobre o operador,
mantido no respectivo modelo, permite seleccionar os problemas cujas
caractersticas mais se adaptem ao conhecimento actual do operador, tanto no que
diz respeito ao nvel de dificuldade, como aos tipos de incidentes includos nos
problemas;
143
Prevenir repeties no desejadas o modelo do operador mantm um registo das
ajudas apresentadas ao operador com o intuito de evitar a sua apresentao repetida,
a no ser que essa repetio seja intencional;
Facilitar a remediao de erros o modelo do operador pode manter o registo dos
erros cometidos pelo operador, podendo esta informao ser usada pelo tutor para
remediar os erros ou concepes incorrectas dos operadores;
Parametrizar o comportamento do tutor o conhecimento includo no modelo do
operador pode apoiar as decises para determinar o nmero de ajudas a apresentar
ou a necessidade de interromper a tarefa do operador.
6.3 Estrutura do Modelo
A estrutura principal usada para manter o conhecimento necessrio modelao do
operador formada por um conjunto de variveis. Cada uma destas variveis um
indicador acerca de alguma caracterstica da capacidade do operador. Em particular, cada
varivel representa o nvel de conhecimento do operador acerca da aplicao de cada um
dos conceitos do domnio na obteno dos diagnsticos de incidentes. Estas variveis
correspondem a cada um dos conceitos presentes no modelo do domnio, apresentado no
Captulo 5. Cada varivel representa a aplicao de um conceito num contexto especfico.
Por exemplo, as variveis ce1/T1 e ce1/T5 (Figuras 5-5 e 5-6, seco 5.7.2) representam
duas instncias distintas de aplicao do mesmo conceito. Estas duas instncias definem a
aplicao do conceito referente ao evento de disparo de disjuntor na descrio de uma
sequncia em que ocorrem dois eventos deste tipo. Esta sequncia particular corresponde
situao em que ocorre um defeito permanente, na qual aps um primeiro disparo de
disjuntor, seguido de reengate automtico, ocorre um segundo disparo.
A partir do exemplo apresentado no pargrafo anterior, constata-se que a estrutura
do modelo do operador condicionada pelo modelo do domnio. De facto, a representao
da percia do domnio, dita a estrutura do modelo do operador, e a forma como este modelo
comparado com o modelo dos peritos para determinar o desempenho do operador.
144
6.3.1 Representao das Variveis do Modelo
O modelo do operador mantm o nvel de conhecimento do operador acerca de
cada conceito do domnio. Ao contrrio do que sucede em muitos modelos, o modelo do
operador usado neste trabalho no se limita a representar o nvel de conhecimento atravs
de um simples valor numrico. Uma representao deste tipo demasiado restritiva, uma
vez que o tutor no tem possibilidade de expressar qualquer grau de confiana acerca do
nvel de conhecimento. Por exemplo, um nvel de conhecimento de 0.3 normalmente
reflecte que para o tutor tal valor (0.3) exacto. No entanto, improvvel que ocorra tal
nvel de confiana, uma vez que os modelos no reflectem com total preciso o
conhecimento dos alunos [Eliot, 1996]. Por outro lado, um simples nmero no pode
fornecer informao suficiente. Um valor de 0.3 tanto pode significar que o operador
conhece 30% do conceito, como pode indicar que a probabilidade do operador dominar o
conceito completamente de 0.3. Em representaes deste tipo, apenas um destes tipos de
informao considerada, embora possa ser til para o tutor conhecer ambos os tipos.
No mbito deste trabalho e no que diz respeito modelao dos operadores dos
centros de controlo e conduo, no se pretende desenvolver os aspectos de representao
de baixo nvel associados aos respectivos modelos. Este trabalho no se encontra
especificamente vocacionado para o desenvolvimento de formas de obteno das crenas
do tutor inteligente atravs de mtodos mais formais como o caso, por exemplo, das
redes bayesianas ou da teoria da evidncia de Dempster-Shafer. Em vez disso, pretende-
-se obter um modelo que represente uma estimativa do nvel de conhecimento do operador
acerca dos conceitos do domnio, permitindo ao tutor adaptar o seu comportamento s
necessidades de ensino especficas do operador.
Por estas razes, optou-se por utilizar um mecanismo simples para representao da
incerteza acerca do nvel de conhecimento do operador em cada conceito do domnio, que
recorre utilizao de vectores de crena. A representao baseada em variveis difusas,
foi utilizada pela primeira vez no mbito dos ITS no sistema SHERLOCK II [Katz, 1994].
No presente trabalho, cada varivel pode ser pensada como uma distribuio sobre o
conjunto de possveis nveis de competncia, ou nveis de conhecimento, que o operador
pode deter acerca de uma capacidade particular ou na aplicao de um conceito do
domnio. O vector F, que representa a distribuio da varivel difusa, contm cinco pontos,
145
cuja soma 1.0. O valor do ponto i, f
i
, do vector indica a probabilidade aproximada do
operador se encontrar no nvel i de conhecimento. O valor mais baixo que pode ser
assumido pelo vector (1.0; 0.0; 0.0; 0.0; 0.0) e o valor mais elevado (0.0; 0.0; 0.0; 0.0;
1.0). Por exemplo, o vector (0.2; 0.6; 0.2; 0.0; 0.0) indica que existe aproximadamente
20% de possibilidade do nvel de conhecimento do operador acerca do conceito se
encontrar no nvel 1, 60% de possibilidade no nvel 2 e 20% de possibilidade no nvel 3 e
que no existe possibilidade de estar acima do nvel 3. A manuteno de um conjunto
destes vectores, representando o nvel de conhecimento em diferentes instantes, poder
permitir ao tutor avaliar a evoluo do desempenho do operador. O mecanismo de
actualizao destas variveis descrito na seco 6.4.
Esta representao apresenta, contudo, tambm algumas desvantagens. Em
primeiro lugar, esta forma de representao no se baseia na teoria das probabilidades,
sendo a actualizao das variveis baseada em heursticas. Os valores contidos no vector
correspondem a aproximaes. Em segundo lugar, a ausncia de um modelo formal que
explique o funcionamento deste mecanismo obriga a uma validao emprica. Por ltimo,
torna-se difcil relacionar este mecanismo com outros, baseados em teorias mais formais
para representao de incerteza.
No entanto, apesar das limitaes deste modelo de representao, ele fornece um
mecanismo simples para lidar com a incerteza inerente modelao do conhecimento do
operador. De facto, independentemente do sistema de modelao, no possvel ter acesso
directo mente do operador. O processo de modelao est limitado informao obtida a
partir da observao das aces do operador, informao esta que incompleta e pode
incluir distores.
Apesar do vector usado para representar as variveis do modelo fornecer mais
informao acerca do nvel de conhecimento do operador, o tutor transforma o vector num
valor escalar para uso nos seus clculos. A determinao do valor do vector F baseada no
peso de cada elemento do vector, de acordo com a seguinte equao 6.1:

(6.1)
( )

=
i
i i
f m F E
146
Cada elemento do vector F, (f
i
), multiplicado pelo valor que caracteriza o
respectivo nvel de conhecimento (m
i
), sendo depois estes valores somados. Os valores que
caracterizam cada nvel de conhecimento (m
i
) correspondem ao valor mdio do respectivo
intervalo, assumindo que o nvel de conhecimento varia entre 0 e 1.0. Assim, m
i
toma os
seguintes valores: 0.1, 0.3, 0.5, 0.7, 0.9. Por exemplo, o valor do vector F (0.2; 0.6; 0.2;
0.0; 0.0) :

Esta abordagem, de conjugao do vector da varivel difusa com o vector de nvel
de conhecimento mdio de cada classe outra das originalidades deste trabalho.
( ) 3 , 0 0 9 . 0 0 7 . 0 2 . 0 5 . 0 6 . 0 3 . 0 2 . 0 1 . 0 F E = + + + + =
6.3.2 Histrico
O modelo do operador para alm de manter informao acerca do estado do
conhecimento em cada conceito do domnio, mantm tambm informao sobre os erros
cometidos pelo operador durante a resoluo de problemas, assim como a informao que
caracteriza as aces do tutor. As aces do tutor incluem aquelas que so tomadas em
resposta aos erros dos operadores.
So trs os tipos de informao de natureza histrica mantidos no modelo do
operador:
Informao acerca dos problemas apresentados esta informao usada pelo tutor
para garantir que apresentado ao operador o conjunto de problemas que englobe a
maior gama possvel de situaes que o operador ter que enfrentar durante a
explorao da rede;
Informao acerca dos erros cometidos pelo operador esta informao usada
pelo tutor para determinar o conjunto de erros mais frequentes (um erro consiste na
violao de uma das restries que tm que ser satisfeitas durante a resoluo do
problema e que detectada atravs da comparao entre a soluo do operador e a
soluo correcta);
147
Informao acerca das ajudas apresentadas ao operador e respectivo nvel de
detalhe este tipo de informao divide-se em dois sub-tipos, em funo do agente
que toma a iniciativa de fornecer/pedir a ajuda:
Ajudas apresentadas por iniciativa do tutor o tutor mantm a lista de ajudas
apresentadas ao operador quando este comete um erro, assim como uma ligao
lista de erros, associando desta forma a ajuda ao erro;
Ajudas pedidas pelo operador o tutor mantm a lista de ajudas apresentadas
que foram pedidas de forma explcita pelo operador (em situaes em que o
operador no sabe como prosseguir na resoluo do problema).
6.4 Mecanismo de Actualizao das Variveis do Modelo do Operador
As variveis do modelo do operador so actualizadas durante a resoluo de
problemas, sempre que o operador aplica um conceito do domnio. As regras que
conduzem a actualizao sero descritas no captulo 7. O sentido e taxa de actualizao das
variveis depende da aplicao correcta ou incorrecta dos conceitos do domnio e do nvel
de ajuda fornecida pelo tutor. O mecanismo de actualizao semelhante ao usado por
[Katz, 1994]. Os procedimentos utilizados para actualizar as variveis do modelo do
operador nos sentidos negativo e positivo so definidos por 6.2 e 6.3, respectivamente:

(6.2)

(6.3)
= = +
+ +
c v f f
, 4 , 1 i , 0 v que em , c v f c v f f f
5 5 5
i 1 i 1 i i i i i
K
= = +

, 5 , 2 i , 0 v que em , c v f c v f f f
, c v f f f
i 1 i 1 i i i i i
1 1 1 1
K
onde c representa a taxa de actualizao e v
i
representa os elementos do vector de alcance
V. A taxa de actualizao regula a intensidade da actualizao e depende da ajuda
fornecida pelo tutor. O vector de alcance varia de acordo com o nvel mdio de
conhecimento do operador no conjunto de todas as variveis do modelo. So utilizados trs
nveis para classificar o nvel mdio de conhecimento do operador. Os vectores de alcance
148
usados para actualizao no sentido negativo so (0.00; 0.30; 1.00; 1.00; 1.00), (0.00; 0.20;
0.30; 0.30; 0.30) e (0.00; 0.15; 0.25; 0.25; 0.25) para operadores cujo nvel de
conhecimento baixo, intermdio e superior, respectivamente. Para a actualizao no
sentido positivo so utilizados os vectores (1.00; 1.00; 1.00; 0.30; 0.00), (0.30; 0.30; 0.30;
0.20; 0.00) e (0.25; 0.25; 0.25; 0.15; 0.00) para operadores cujo nvel de conhecimento
baixo, intermdio e superior, respectivamente. Os valores de cada intervalo dos vectores de
alcance diminuem medida que o nvel de conhecimento aumenta. O vector de alcance
utilizado para controlar a actualizao das variveis de forma a que o sistema no
considere um operador como perito demasiado depressa.
A ideia subjacente ao mecanismo de actualizao no sentido negativo a de
provocar um deslocamento da distribuio do vector da direita para a esquerda, atravs da
soma sucessiva de parte da probabilidade do intervalo f
i+1
para f
i
. A actualizao no sentido
contrrio, ou seja, no sentido positivo, ocorre de forma semelhante, exceptuando o facto de
que o deslocamento na distribuio do vector ser realizado da esquerda para a direita,
atravs da soma sucessiva de uma parte de f
i
para f
i+1
. Para ilustrar o funcionamento do
mecanismo de actualizao das variveis, considere-se o seguinte exemplo:

F=(0.2; 0.2; 0.2; 0.2; 0.2)
c=0.1
Actualizao negativa
V=(0.0; 0.3; 1.0; 1.0; 1.0)
Actualizao positiva
V=(1.0; 1.0; 1.0; 0.3; 0.0)
Aps 1 descida
F=(0.206; 0.214; 0.200; 0.200; 0.180)
Aps 1 subida
F=(0.180; 0.200; 0.200; 0.214; 0.206)
Aps 10 descidas
F=(0.277; 0.320; 0.186; 0.147; 0.070)
Aps 10 subidas
F=(0.070; 0.147; 0.186; 0.320; 0.277)

O exemplo mostra que a actualizao se realiza de forma moderada. Isto permite
que um erro ocasional cometido pelo operador no tenha grande influncia na crena do
sistema acerca do seu estado de conhecimento. No entanto, aps um conjunto de
actualizaes sucessivas no mesmo sentido, que possivelmente reflectem uma inteno
explcita do operador, a distribuio da varivel afectada de forma acentuada.
149
6.5 Concluses
A abordagem de modelao da capacidade dos operadores dos centros de controlo e
conduo para a obteno de diagnsticos de incidentes baseia-se na teoria dos conjuntos
difusos. O desenvolvimento do modelo requer pouco esforo em termos de engenharia do
conhecimento, uma vez que o conjunto de variveis que compem o modelo correspondem
aos conceitos includos no modelo do domnio. Outra das vantagens do modelo reside na
reduzida complexidade computacional do mecanismo que permite a actualizao dinmica
das distribuies difusas, que representam o nvel de competncia do operador em
componentes do conhecimento do domnio.
Na rea da modelao de alunos encontram-se abordagens alternativas quela que
utilizada neste trabalho e que apresentam melhor desempenho e funcionalidade mais
alargada. Por exemplo, os modelos baseados em redes bayesianas so mais rigorosos em
termos matemticos e permitem ao sistema de ensino inferir capacidades do aluno em
variveis para as quais no existe ou existe pouca evidncia observada. No entanto, o
maior rigor e o incremento de funcionalidade obtidos por estes modelos muitas vezes no
compensa o acrscimo de custo em termos de engenharia do conhecimento e de esforo de
programao.
O modelo adoptado neste trabalho apresenta uma boa relao entre o desempenho e
o respectivo custo de desenvolvimento. Este modelo pode ainda ser considerado como
ponto de partida para o desenvolvimento de um modelo mais preciso e complexo. As
variveis do modelo podem ser utilizadas como ns de uma rede bayesiana. A estrutura
de tal rede dependeria das relaes existentes entre as diferentes variveis.
150

7 Sistema de Treino de Operadores: Ensino
Adaptativo de Diagnstico de Incidentes
7.1 Introduo
Neste captulo descrito, em detalhe, o sistema de treino de operadores de centros
de controlo e conduo de redes elctricas [Faria, 2000a; Faria, 2000b; Faria, 2001a; Faria,
2001b; Faria, 2002], desenvolvido no mbito deste trabalho. So apresentados os
componentes que compem este sistema de treino e as suas interdependncias em termos
das respectivas funes. O captulo comea por apresentar o modelo de interaco entre o
tutor e o operador. Este modelo de interaco constitui uma ferramenta til para obter a
informao necessria obteno do diagnstico cognitivo do estado de conhecimento do
operador. A obteno do diagnstico do operador baseia-se na tcnica de seguimento do
modelo (model tracing). Nesta tcnica, o diagnstico do operador obtido a partir da
comparao entre a sequncia de passos do operador e o modelo da tarefa.
O captulo inclui ainda a descrio do componente que forma o ncleo do sistema
de treino de operadores: o mdulo pedaggico. Este mdulo responsvel pelo
comportamento do tutor na fase de preparao e durante a sesso de treino. Na fase de
preparao, a funo deste componente seleccionar as caractersticas do problema e o
respectivo grau de dificuldade que melhor se adaptem ao estado do conhecimento do
operador, de acordo com o respectivo modelo. Durante a sesso de treino, a funo do
mdulo pedaggico conduzir o operador durante a resoluo do problema e aproveitar os
erros que so cometidos pelo operador como oportunidades para corrigir ou completar o
conhecimento do operador.
151
Por fim, so apresentadas duas ferramentas que foram desenvolvidas com vista a
automatizar, tanto quanto possvel, a tarefa de gerao dos problemas a apresentar ao
operador durante as sesses de treino [Faria, 2000c]. Com estas ferramentas pretende-se
ultrapassar as dificuldades que normalmente se encontram no que diz respeito utilizao
de tutores inteligentes em ambiente industrial. Nestes meios, a escassez de recursos
dedicados preparao do material didctico constitui normalmente um entrave
aceitao deste tipo de aplicaes.
7.2 Modelo de Interaco entre Tutor e Operador
Uma sesso de treino constituda por um problema que proposto ao operador.
Durante a resoluo dos problemas pretende-se que o operador desenvolva a sua
capacidade de diagnstico de incidentes ocorridos na rede elctrica. Para que o operador
possa expressar convenientemente a sua anlise acerca dos vrios incidentes que compem
o problema, necessrio que o sistema de treino disponha de uma interface apropriada.
Esta interface serve essencialmente dois propsitos. Por um lado, a interface deve criar um
ambiente que permita ao operador resolver os problemas que lhe so propostos. Por outro
lado, a interface permite ao operador mostrar a sua anlise ao tutor para que este possa
verific-la e oferecer ajuda.
A utilizao de interfaces de linguagem natural constitui uma das abordagem mais
comuns para a implementao do mecanismo de interaco em tutores inteligentes.
Contudo, esta tecnologia ainda apresenta algumas limitaes relacionadas com a
interpretao de entrada textual. Adicionalmente, a implementao de interfaces de
linguagem natural constitui uma tarefa complexa. Entre as principais dificuldades existente
na utilizao de interfaces de linguagem natural, destacam-se as seguintes [Olde, 1999]:
A dificuldade do sistema em compreender a linguagem do operador, incluindo
frases semanticamente e sintacticamente incorrectas;
A dificuldade do sistema em utilizar de forma eficaz um conjunto alargado de
conhecimento potencialmente relevante;
A falta de investigao na rea do dilogo tpico de situaes de ensino.
152
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
Por outro lado, em certos ambientes, uma interface de linguagem natural no
fornece um meio de comunicao amigvel e eficiente, uma vez que a comunicao se
pode tornar ambgua e pouco apelativa. No caso do sistema de treino de operadores de
centros de controlo e conduo de redes elctricas, esta limitao assume maior relevncia,
uma vez que se pretende que este sistema seja bem aceite pelos operadores e usado de
forma efectiva durante os perodos de menor actividade no centro de controlo e conduo.
Por outro lado, considerando o nvel de formao e os antecedentes da maioria dos
operadores, alguns deles provenientes dos servios de manuteno de subestaes, a
utilizao de uma interface de linguagem natural poderia constituir um obstculo
utilizao efectiva do sistema de treino.
Existe ainda outro factor que condiciona a utilizao de interfaces de linguagem
natural em ambientes como os dos centros de controlo e conduo de redes elctricas. Este
factor est relacionado com a importncia que atribuda pelos peritos e operadores
daqueles centros aos smbolos e cores, dificilmente representveis atravs de linguagem
natural.
A abordagem adoptada neste trabalho para implementar o mecanismo de interaco
entre o operador e o sistema de treino baseia-se na utilizao de tabelas de predio [Faria,
2001a; Faria, 2001b]. As tabelas de predio tm sido utilizadas em vrios ITS, como o
caso do sistema CIRCSIM [Khuwaja, 1994]. Estas tabelas so utilizadas pelo operador
para indicar o seu raciocnio durante a resoluo de problemas. No sistema de treino
desenvolvido, durante a resoluo de um problema, so utilizadas uma ou mais tabelas
para obteno do diagnstico de cada incidente includo no problema. A Figura 7-1
apresenta uma destas tabelas. A situao representada pelo contedo da tabela da Figura
7-1 diz respeito ocorrncia de um disparo de disjuntor na subestao de Ermesinde
(SED). Esta situao caracterizada por um conjunto de mensagens SCADA, sendo o
subconjunto de mensagens relevantes para a obteno do diagnstico o seguinte:

06-SEP-2001 08:24:45.200 SED 622 SVM, 1 >>DISPARO 01
06-SEP-2001 08:24:45.240 SED 622 SVM, 1 -DJ DISJUNTOR 00
06-SEP-2001 08:24:45.410 SED 622 SVM, 1 -DJ DISJUNTOR 10

153
O preenchimento das tabelas deve ser iniciado pelos campos instalao e
painel. Estes campos so utilizados para associar a tabela a um dos incidentes contidos
no problema. Cada tabela de predio utilizada para obter uma concluso que faz parte
do raciocnio do operador, podendo esta concluso corresponder ao diagnstico do
incidente, ou seja, caracterizao do tipo de incidente, ou a uma concluso que constitui
um passo intermdio do seu raciocnio. Para o efeito, cada tabela de predio dispe de um
campo, denominado campo de concluso. Alm deste campo, cada tabela de predio
dispe de um conjunto de campos onde o operador coloca os factos que constituem as
premissas que lhe permitem obter a concluso da tabela. Estes campos so preenchidos
atravs de um menu de escolha mltipla que activado atravs do boto associado a cada
campo.

Figura 7-1- Tabela de Predio
As premissas e a concluso so complementadas com o instante que as
caracterizam, exceptuando-se as premissas que correspondem a factos que representam
relaes temporais. O campo onde introduzido o instante s pode ser preenchido aps o
154
preenchimento da premissa ou concluso respectiva. O instante, caracterizado pela data e
hora, introduzido no respectivo campo atravs da utilizao do rato, usado para arrastar a
data e hora correspondente a partir da lista de mensagens SCADA. Esta a nica forma
permitida para preenchimento destes campos. Esta restrio pretende eliminar eventuais
erros causados por falha de manipulao do teclado, minimizando-se assim os erros que
tm origem na manipulao da interface. As tabelas dispem ainda de outro tipo de campo
que preenchido de forma automtica pelo sistema. Este tipo de campo est associado ao
campo instante e contm uma representao simblica do instante a que se refere. Os
instantes simblicos (T1, T2, ..., TN) so utilizados pelo operador para definir premissas
representando restries temporais que possam existir entre outras premissas.
As funes das tabelas de predio so mltiplas. So utilizadas pelo sistema de
treino para obter a anlise efectuada pelo operador durante a obteno do diagnstico de
cada incidente, para avaliar as suas respostas e para avaliar o seu nvel de conhecimento
acerca dos conceitos do domnio. As tabelas de predio permitem obter o diagnstico
realizado pelo operador, minimizando a necessidade por parte do sistema de inferir esse
diagnstico. A especificao do mecanismo de interaco entre o operador e o sistema de
treino deve garantir que a informao acerca do operador seja, tanto quanto possvel,
fornecida por este, em vez de ser inferida pelo sistema de treino [Holt, 1994]. A inferncia
do raciocnio do operador pode constituir uma tarefa particularmente complexa e ser
caracterizada por um elevado grau de incerteza, principalmente quando o raciocnio
contm erros [Zhou, 2000].
Por outro lado, as tabelas de predio so usadas pelo operador como um ambiente
de resoluo de problemas, semelhante ao que seria fornecido por um simples sistema com
papel e lpis. A resoluo dos problemas atravs das tabelas de predio no exige que o
operador siga um ordem preestabelecida. As tabelas constituem ainda, do ponto de vista do
operador, como uma ferramenta que permite a manuteno do registo do seu raciocnio e,
assim, a expanso da sua memria atravs de um meio visual. O nome dos conceitos do
domnio, apresentados nos menus de escolha mltipla, favorecem a familiarizao do
operador com os principais conceitos do domnio.
No entanto, este tipo de interaco pode apresentar tambm alguns problemas. A
principal desvantagem apontada por alguns autores reside no facto de que este tipo de
155
interaco pode fornecer ao operador uma ajuda adicional, uma vez que a informao
apresentada pode recordar aspectos do conhecimento que estejam esquecidos, os quais no
se encontrariam presentes numa situao real [Ragnemalm, 1996a]. Contudo, esta
limitao pode ser ultrapassada atravs da adaptao da prpria informao apresentada
nos menus e do respectivo nvel de detalhe, de acordo com o desempenho demonstrado
pelo operador. Este tipo de adaptao discutido na seco 7.3.1.
7.3 Planeamento e Instruo
O mdulo de planeamento e instruo responsvel pela tomada das decises
pedaggicas do tutor. A partir do conhecimento acerca do operador, contido no modelo do
operador, o sistema capaz de oferecer instruo diferenciada a diferentes operadores, ou
seja, adaptar a instruo s necessidades individuais de cada operador. As decises do
mdulo de planeamento e instruo, do ponto de vista conceptual, so divididas em dois
nveis, de acordo com a diviso proposta por Wenger [Wenger, 1987] e VanLehn
[VanLehn, 2000].
As decises relativas a cada um dos nveis so da responsabilidade de dois
componentes distintos do mecanismo de planeamento e instruo. O primeiro componente,
designado por componente de macro adaptao compreende as decises de natureza
global, ou seja, as decises que precedem o incio da sesso de treino e cujo mbito de
aplicao se estende ao longo da sesso. As decises tomadas no decurso da sesso de
treino dependem do desempenho do operador e so da responsabilidade do componente de
micro adaptao. O componente de micro adaptao responsvel pela definio da
resposta s aces do operador, pela definio dos mecanismos de apoio ao operador, tais
como os tipos de ajuda e respectivo nvel de detalhe de apresentao e pela deciso do
instante em que o operador deve ser interrompido. Os dois componentes do mecanismo de
planeamento e instruo so apresentados nas seces 7.3.1 e 7.3.2.
7.3.1 Componente de Macro Adaptao
O componente de macro adaptao, conforme referido na seco anterior,
responsvel pela adaptao dos componentes de instruo que se mantm inalterados
durante cada sesso de treino. Entre dois problemas, o tutor altera o nvel de apoio
adaptando cada um dos componentes de instruo de acordo com o estado de
156
conhecimento do operador. Cada um destes componentes de instruo composto por duas
variantes. A variante 1 corresponde a um maior nvel de apoio ao operador, enquanto que a
variante 2 corresponde adaptao dos componentes de instruo de forma a fornecer
menor nvel de apoio. A opo por cada uma das variantes depende do nvel de
conhecimento global do operador. Para os operadores que detenham menor nvel de
conhecimento global seleccionada a variante 1, uma vez que os operadores menos
experientes so aqueles que necessitam de maior apoio. A forma como este factor
calculado apresentada na seco 7.3.1.1.1.
Os diferentes componentes de instruo e respectivas variantes so apresentados na
Tabela 7-1. O primeiro componente de instruo diz respeito informao contida nos
Tabela 7-1- Componentes de instruo do componente de macro adaptao
Componentes de instruo Variante 1
(maior nvel de apoio)
Variante 2
(menor nvel de apoio)
Detalhe dos menus das
tabelas de predio
Apenas esto
disponveis os conceitos
que devem ser usados
no diagnstico do tipo
de incidente em questo
Esto disponveis todos
os conceitos do
domnio.
Iniciativa de conduzir o
aluno atravs de estratgia
padro de resoluo de
problemas
Logo aps o segundo
pedido consecutivo de
ajuda
Aps todas as dicas
relativas situao
corrente terem sido
apresentadas
Seleco das caractersticas
do problema
O sistema define o
problema a apresentar
ao aluno.
O aluno tem a
possibilidade, se o
desejar, de escolher as
caractersticas do
problema

menus das tabelas de predio e que contm os conceitos que devero ser utilizados pelo
operador para resolver o problema proposto. Na primeira variante deste componente, os
menus contm apenas os conceitos necessrios para a obteno do diagnstico do incidente
157
em causa, enquanto que na segunda variante esto disponveis todos os conceitos do
domnio. A segunda variante permite minimizar a limitao que recorre da utilizao de
tabelas de predio e que est relacionada com o facto de estas apresentarem informao
que os operadores no encontram quando tentam obter um diagnstico numa situao real.
Esta limitao poder, no entanto, ser ultrapassada se os campos das tabelas referidas
forem preenchidos atravs do teclado, em alternativa utilizao de menus de escolha
mltipla. A adopo de tabelas de predio, aliada capacidade do sistema para adaptar o
nvel de detalhe da informao nelas contida ao nvel de conhecimento do operador,
constitui uma originalidade do trabalho presente.
O segundo componente de instruo define a forma como desencadeada a
mudana de mtodo de resoluo do problema. O sistema de treino proposto admite duas
formas de resoluo dos problemas. Numa delas, mais rgida e denominada modo padro
ou modo restrito, a resoluo do problema deve seguir todas as fases contidas no processo
de inferncia do respectivo tipo de incidente, representadas no modelo do domnio. A
forma de resoluo alternativa, denominada modo livre de resoluo de problemas, pelo
contrrio, impe um conjunto reduzido de restries. A apresentao e a fundamentao
para estas duas formas de resoluo de problemas feita na seco 7.4. A mudana do
modo livre para o modo restrito desencadeada nas situaes em que o operador pede
ajuda porque cometeu um erro ou no sabe o que fazer a seguir. A diferena entre as duas
variantes do componente de instruo est no nmero de pedidos de ajuda necessrios para
que o tutor faa a mudana de modo de resoluo. Na variante 1 a mudana realizada
aps o operador pedir ajuda e o tutor apresentar uma dica que se verifica no ser suficiente
para o operador corrigir o erro ou sair da situao de impasse. Por outras palavras, a
mudana realizada quando aps a apresentao de uma dica o operador pede ajuda
novamente. Na variante 2, a mudana s realizada aps o tutor ter esgotado todas as dicas
que se referem situao presente.
Por fim, o ltimo componente de instruo est relacionado com a escolha das
caractersticas do problema a propor ao aluno. Na variante 1 o tutor responsvel pela
escolha do problema mais adequado ao estado do conhecimento do operador. As
caractersticas so seleccionadas tendo em conta o conhecimento acerca do operador,
contido no modelo do operador. Na variante 2, o operador pode optar por indicar as
158
caractersticas do problema que pretende resolver. O mecanismo utilizado com esta
finalidade apresentado na seco 7.3.1.1.
7.3.1.1 Seleco de Problemas
O sistema de treino de operadores proposto assenta no mtodo de resoluo
orientada de problemas (coached problem solving) [VanLehn, 1996; Gertner, 2000], cujo
objectivo transmitir ao operador as aptides cognitivas necessrias obteno do
diagnstico de incidentes (seco 2.5.2.2). A aprendizagem do operador resulta da
resoluo de problemas, realizada em colaborao entre o operador e o tutor. Os problemas
apresentados ao operador representam cenrios de treino, podendo estes corresponder a
situaes reais ou fictcias. Estes cenrios de treino so definidos por um conjunto de
incidentes que correspondem a disparos de disjuntores (os tipos de disparos que podem
ocorrer so apresentados na seco 5.3). Durante a resoluo de um problema, que consiste
na obteno do diagnstico dos incidentes includos no problema, a iniciativa na interaco
entre operador e tutor muda de acordo com o progresso apresentado pelo operador.
Enquanto o operador se mantm no caminho correcto da soluo, a actividade do tutor
limita-se a confirmar as aces do operador. Quando o operador se encontra numa situao
em que no sabe qual o prximo passo a dar ou comete um erro, o tutor ajuda o operador a
ultrapassar o impasse fornecendo-lhe as dicas que permitam conduzi-lo de volta ao
caminho correcto da soluo.
A seleco de um cenrio de treino que esteja de acordo com as necessidades do
operador constitui uma funo importante num ITS. Esta funo est a cargo do mdulo de
planeamento e instruo, muitas vezes designado na literatura por planeamento do
currculo (curriculum planning) [Cho, 1999, Woo, 1991a], e envolve a seleco do
prximo problema a apresentar ao operador. Neste contexto, os objectivos do mdulo de
planeamento e instruo so motivar o operador e garantir que este possui a capacidade
para resolver todos os tipos de problemas do domnio. Contudo, a sequncia de problemas
seleccionados pelo mdulo de planeamento e instruo no deve tornar a tarefa do
operador fastidiosa nem faz-lo perder tempo a resolver todos os problemas ou a resolver o
mesmo tipo de problema repetidamente. O mdulo de planeamento e instruo deve ento
seleccionar o problema considerado mais adequado. A seleco do problema apropriado,
assim como a escolha do nvel de dificuldade apropriado constitui um requisito importante
159
num ITS. A sequncia de problemas seleccionados deve ser variada para manter o interesse
do operador e assegurar a cobertura do material didctico relevante. A capacidade para
seleccionar um problema apropriado pode melhorar drasticamente o potencial de ensino
individualizado de um ITS dedicado ao treino de capacidades operacionais. Por exemplo,
um tutor que falhe na seleco de problemas que estejam no limiar do estado presente de
conhecimento do operador pode no contribuir para que este adquira eficazmente novo
conhecimento. O operador pode esforar-se em vo na execuo de tarefas demasiado
complexas ou aborrecer-se em tarefas demasiado simples.
A abordagem utilizada pelo mdulo de planeamento e instruo do sistema de
treino para seleccionar o prximo problema a apresentar ao operador assenta na diviso do
processo de deciso em duas fases. Na primeira fase, o tutor define o nvel de dificuldade
do problema, considerando a progresso do operador. O nvel de dificuldade determinado
atravs da aplicao de regras heursticas. Este nvel de dificuldade permite estabelecer
alguns parmetros do problema, tais como o nmero de incidentes envolvidos, o nmero
de tipos diferentes de incidentes e a possibilidade de existncia de inverso cronolgica nas
mensagens SCADA. Esta fase apresentada na seco 7.3.1.1.1. Na segunda fase, o tutor
deve utilizar o conhecimento acerca do operador, mantido no respectivo modelo, para
escolher o tipo ou os tipos de incidentes que devero estar presentes no problema. Este tipo
de deciso depende da adequao de cada tipo de incidente ao estado de conhecimento do
operador. A ordenao dos vrios tipos de incidente em termos de adequao ao operador
obtida atravs de um processo de classificao. Esta classificao considera o conjunto de
conceitos do domnio envolvidos em cada tipo de incidente e o correspondente nvel de
conhecimento do operador acerca destes conceitos. A segunda fase apresentada na seco
7.3.1.1.2.
Por exemplo, se durante a primeira fase o tutor define que o problema a ser
apresentado ao operador deve conter dois tipos diferentes de incidentes ento, na segunda
fase, o tutor ir escolher os dois tipos de incidentes considerados mais adequados para o
operador, o que significa escolher os tipos com a melhor classificao.
7.3.1.1.1 Definio das Caractersticas do Problema
Com o intuito de caracterizar o grau de dificuldade dos problemas a apresentar ao
operador, necessrio identificar as caractersticas dos casos que os tornem mais
160
complexos ou que requeiram maior percia [Faria, 2002]. Assim foram identificadas as
seguintes caractersticas:
Nmero de incidentes envolvidos;
Nmero de tipos de incidentes;
Existncia de inverso cronolgica nas mensagens SCADA.
Os problemas apresentados ao operador so classificados em 6 nveis de
dificuldade. Os casos de menor nvel de dificuldade (nvel 1) incluem apenas um incidente
isolado, os quais devem ser propostos aos operadores menos experientes. O caso torna-se
mais difcil se incluir mais incidentes de mais do que um tipo. Os casos do nvel 2 incluem
entre 2 a 3 incidentes de dois tipos distintos.
Em certos casos, possvel verificar-se a ocorrncia de inverso cronolgica nas
mensagens SCADA, ou seja, a ordenao das mensagens no respeita a ordem pela qual os
eventos respectivos ocorreram. Estas alteraes na ordenao so devidas a atrasos
provocados pelo sistema de aquisio, transmisso e atribuio do instante das mensagens
SCADA [Vale, 1993a; Vale, 1993b]. A ocorrncia de inverso cronolgica das mensagens
constitui uma dificuldade adicional para os operadores. Tais casos requerem maior percia
uma vez que a sequncia das mensagens no traduz de forma fiel a ocorrncia dos eventos.
Os casos que partilham as caractersticas dos problemas do nvel 1 e que apresentem
inverso cronolgica das mensagens pertencem ao nvel de dificuldade 3. O nvel 4
formado pelos casos que incluem mais do que trs incidentes e mais do que dois tipos de
incidentes. O nvel 5 agrupa os casos que partilham as caractersticas dos problemas do
nvel 2 e que apresentem inverso cronolgica das mensagens. Por fim, o nvel 6 agrupa os
casos que partilham as caractersticas dos problemas do nvel 4 e que apresentem inverso
cronolgica das mensagens. A Tabela 7-2 apresenta os parmetros que definem os
problemas para cada um dos nveis de dificuldade.
161
Tabela 7-2- Nveis de dificuldade dos problemas
Parmetros do problema
Nvel de
dificuldade N de incidentes
N de tipos de
incidentes
Inverso
cronolgica
1 1 1 No
2 2 a 3 2 No
3 1 1 Sim
4 > 3 > 2 No
5 2 a 3 2 Sim
6 > 3 > 2 Sim

A deciso de aumentar ou diminuir o nvel de dificuldade do problema a apresentar
ao aluno depende de dois factores: nvel de conhecimento global e factor de aquisio
global do aluno. Ambos os factores so determinados a partir do conhecimento contido no
modelo do aluno.
O nvel de conhecimento global do aluno traduz o nvel de conhecimento do aluno
acerca do conjunto de conceitos do domnio. Este factor determinado a partir da mdia do
nvel de conhecimento do aluno em cada um dos conceitos do domnio. O valor do nvel de
conhecimento global categorizado em trs nveis: Elevado, Mdio e Reduzido. A
separao entre os trs nveis definida por dois limites do valor da mdia do nvel de
conhecimento em cada um dos conceitos do domnio: limite superior e limite inferior. O
nvel Elevado significa que o nvel de conhecimento global do aluno bom e o valor da
mdia excede o limite superior, estando o aluno apto a resolver problemas de nvel de
dificuldade mais elevado. O nvel Mdio significa que o nvel de conhecimento global do
aluno moderado mas no suficiente para alterar o nvel de dificuldade do problema. Isto
significa que o valor da mdia se encontra entre os limites inferior e superior. Por fim, o
nvel Reduzido significa que o nvel de conhecimento global do aluno reduzido e o valor
162
da mdia encontra-se abaixo do limite inferior, de modo a que o nvel de dificuldade do
prximo problema a apresentar ao aluno deve ser inferior. A determinao do nvel de
conhecimento global a partir do valor da mdia do nvel de conhecimento do aluno em
cada um dos conceitos do domnio est representada na Figura 7-2. Para obter um
ajustamento eficaz do nvel de dificuldade do prximo problema a apresentar necessrio
definir limites apropriados. A adequao destes limites pode ser verificada e ajustada a
partir da opinio emitida pelos alunos no que diz respeito rapidez com que o nvel de
dificuldade alterado.

0,3 1,0 0,6 0
Reduzido
Elevado
Mdio
Nvel de conhecimento
global
Mdia do nvel de
conhecimento em cada
um dos conceitos do
domnio
Figura 7-2- Determinao do nvel de conhecimento global
Para alm do nvel de conhecimento do operador em cada conceito do domnio
utilizado um factor de aquisio do operador para definir o nvel de dificuldade do
problema. Este tipo de factores pode trazer benefcios para a modelizao do aluno. Alguns
estudos [Beck, 1997] tm comprovado que factores gerais constituem bons indicadores da
evoluo da aprendizagem e permitem uma resposta mais precisa s idiossincrasias do
aluno.
O factor de aquisio traduz a capacidade do operador em aprender novos
conceitos. Quando um novo conceito utilizado, o tutor observa o desempenho do
operador na aplicao desse conceito durante os primeiros problemas. Se o desempenho do
operador bom, ento ele est a adquirir rapidamente novas capacidades e o seu factor de
aquisio ir reflectir esse facto. Contudo, se o operador requer muitos problemas que
163
incluam um dado conceito antes de demonstrar que o domina, o seu factor de aquisio
ser reduzido.
O procedimento utilizado para determinar o factor de aquisio do operador em
cada um dos conceitos do domnio baseia-se no nmero de vezes que o nvel de
conhecimento do operador acerca do conceito teve um acrscimo, nas trs primeiras
utilizaes do conceito. Este procedimento ilustrado na Tabela 7-3.
Tabela 7-3- Determinao do factor de aquisio
Nmero de subidas nas 3 primeiras
utilizaes do conceito cn
Factor de
aquisio (a
cn
)
3 1
2 0,5
1 ou 0 0

O factor de aquisio global (A) pode tomar um de trs nveis (Elevado, Mdio e
Reduzido) sendo determinado sempre que vai ser utilizado. O nvel do factor de aquisio
global determinado a partir da mdia dos factores de aquisio de cada conceito do
domnio que j tenham sido utilizados pelo operador. Os nveis Elevado, Mdio e
Reduzido atribudos ao factor de aquisio global indicam que a capacidade do operador
em utilizar novos conceitos , respectivamente, boa, moderada e fraca. A Tabela 7-4 ilustra
o procedimento utilizado para determinar o nvel do factor de aquisio global, incluindo
os limites usados para diferenciar os diferentes nveis.
Tabela 7-4- Determinao do factor de aquisio global
Factor de aquisio global (A)
Reduzido
Mdio
Elevado
usados) conceitos (n a
n
1
n
c
[ [ 33 , 0 0K
[ ] 67 , 0 33 , 0 K
] ] 1 67 , 0 K

164
O mecanismo principal para definir o sentido de variao do nvel de dificuldade
do problema segue a seguinte regra:

Se o nvel de conhecimento global e o factor de aquisio global assumem sentidos
opostos, ou seja, um deles encontra-se no nvel Elevado e o outro no nvel Reduzido,
Ento o nvel de dificuldade do problema mantm-se;
Seno o sentido do nvel de conhecimento global determina o nvel de dificuldade do
problema (se o nvel de conhecimento global Elevado, Mdio ou Reduzido, o nvel de
dificuldade aumenta, mantm-se ou diminui, respectivamente).

A Tabela 7-5 ilustra a aplicao da regra anterior.
Tabela 7-5-Mecanismo para definio do sentido de variao do nvel de dificuldade do problema
Nvel de conhecimento
global
Factor de aquisio
global
Variao do nvel
de dificuldade
Elevado Elevado
Mdio Elevado =
Reduzido Elevado =
Elevado Mdio
Mdio Mdio =
Reduzido Mdio
Elevado Reduzido =
Mdio Reduzido =
Reduzido Reduzido

Analisando a Tabela 7-5 verifica-se que no caso de um aluno deter um factor de
aquisio global fraco, independentemente do nvel de conhecimento global, o nvel de
dificuldade nunca sobe. Para prevenir esta situao, sempre que o operador obtenha trs
subidas/descidas no nvel de conhecimento global ao fim de uma sequncia de trs
problemas resolvidos e o factor de aquisio global esteja no nvel reduzido/elevado, ento
o nvel de dificuldade incrementado/decrementado. Desta forma pretende-se que o factor
165
de aquisio global, que caracteriza o desempenho do operador na utilizao de conceitos
novos, no influencie de forma permanente a variao do nvel de dificuldade.
A variao do nvel de dificuldade poderia basear-se, para alm dos factores
usados, no tempo mdio utilizado pelo operador para obter o diagnstico de um incidente.
No entanto, o factor tempo pode ser includo de forma implcita nos dois factores
utilizados. No caso do nvel de conhecimento global, o tempo que o operador necessita
para introduzir uma entrada correcta pode ser utilizado para influenciar o factor de
actualizao positiva da respectiva varivel do modelo do operador. Por outro lado, um
factor de aquisio global elevado indica que o operador no cometeu erros nas primeiras
aplicaes da maioria dos conceitos j utilizados e, provavelmente, obteve os diagnsticos
num intervalo de tempo mais reduzido. Pelo contrrio, se o factor de aquisio global
baixo, indica que o tutor teve necessidade de fornecer ajuda ao operador, aumentando o
tempo necessrio para completar as tarefas de diagnstico.
O diagrama apresentado na Figura 7-3 ilustra a primeira fase do processo usado
pelo mdulo de planeamento e instruo para seleccionar o problema a apresentar ao
operador e que consiste na identificao dos parmetros que devero integrar o problema.
Modelo do aluno
Factor de aquisio
global
Nvel de
conhecimento
global
Nvel de dificuldade
Parmetros do
problema
Figura 7-3- Ilustrao da fase 1 do mecanismo de seleco de problemas

7.3.1.1.2 Classificao dos Tipos de Incidentes
O processo de definio ou seleco dos problemas deve considerar as
necessidades especficas de cada operador. Na seco 7.3.1.1.1 apresentou-se o mecanismo
utilizado para definir as caractersticas gerais e o respectivo nvel de dificuldade do
166
problema. Na presente seco, apresentado o mecanismo utilizado pelo mdulo de
planeamento e instruo para a seleco dos tipos de incidentes, que melhor se adaptem ao
padro de conhecimentos e fraquezas que caracterizam o operador particular, no momento
da seleco do problema a apresentar.
A seleco dos tipos de incidentes a incluir no problema a propor ao operador deve
aderir aos principais critrios inerentes ao planeamento do currculo, tais como adequao
e individualizao. A partir do estado presente de conhecimento do operador, a escolha dos
tipos de incidentes deve ser realizada de forma a que o problema seja [Zhang, 1996]:
Resolvel com os conhecimento adquiridos previamente pelo operador particular;
Facilmente relacionado com os conhecimentos adquiridos previamente pelo
operador.
O mecanismo usado para a classificao de cada tipo de incidente [Faria, 2002], em
termos de adequao ao estado de conhecimento do operador, baseia-se numa rede
neuronal. Os ns que constituem a camada de entrada correspondem aos conceitos
contidos na base de conhecimento do domnio e que devem ser adquiridos pelos alunos.
Cada n representa a aplicao de um conceito num contexto especfico. Por exemplo, os
ns ce1/T1 e ce1/T5 representam duas instncias do mesmo conceito. Estas duas instncias
caracterizam a aplicao do conceito de evento de disparo de disjuntor nas situaes de
primeiro disparo de disjuntor e disparo aps religao, respectivamente. O vector de
entrada da rede constitudo pela estimativa do nvel de conhecimento que o aluno detm
sobre cada conceito ou aplicao de conceitos em situaes especficas e que esto
definidos no modelo do aluno. Portanto, este vector representa uma estimativa do nvel
actual de conhecimentos do aluno acerca do domnio. Os elementos do vector assumem
valores compreendidos na gama [0..1] (valores prximos de 0 representam um nvel de
conhecimento reduzido e valores prximos de 1 representam um nvel de conhecimento
elevado). Uma vez que a estimativa do nvel de conhecimento do operador acerca dos
conceitos do domnio, mantida no modelo do operador, representada atravs de vectores
de crena (seco 6.3.1), torna-se necessrio converter estes vector em valores escalares.
Esta converso permite obter o valor esperado do vector, utilizando-se para o efeito a
equao 6.1.
167
As unidades da camada de sada representam a adequao de um determinado tipo
de incidente ao nvel presente de conhecimento do operador. O nmero de unidades desta
camada corresponde ao nmero de tipos de incidentes (DS, DtR, DmR, DtD, DmD). Cada
n da camada de sada, representando um tipo de incidente, encontra-se ligado a um
subconjunto de unidades de entrada. As unidades da camada de sada esto ligadas apenas
s unidades de entrada que representam conceitos que esto relacionados com os tipos de
incidentes representados pelas unidades de sada. Estas ligaes so feitas atravs de arcos
de peso w
ij
. A Figura 7-4 representa a arquitectura da rede usada.
DmD
DtR
DmR
DS
DtD
Camada de
sada
Camada de
entrada
w
11
w
12
w
13
w
14
w
1n
a
1
a
5
a
4
a
3
a
2
x
1
x
2
x
3
x
4
x
n
Figura 7-4- Mecanismo de classificao de tipos de incidentes

O ajuste dos elementos dos vectores de pesos realizado manualmente e no requer
aprendizagem. Os pesos so ajustados de forma a que o mapeamento respeite os seguintes
objectivos:
1) O processo de mapeamento deve permitir estabelecer prioridades entre os conceitos
do domnio e, consequentemente, entre os vrios tipos de problemas;
2) O algoritmo deve seleccionar o tipo de problema que inclui os conceitos em que o
aluno apresente menor nvel de conhecimento;
168
3) A seleco de tipos de problemas deve ser feita de forma a equilibrar o nvel de
conhecimentos acerca dos vrios conceitos do domnio;
4) A sequncia de tipos de problemas seleccionados no deve ser montona, ou seja,
deve existir alternncia de tipos de problemas.
Os valores utilizados como pesos so w
ij
= {1, 0, }. O valor utilizado para
indicar que no existe ligao entre o n i da camada de sada e o n de entrada j. Isto
significa que o conceito j no est envolvido num incidente do tipo i.
Normalmente, as redes neuronais aplicadas em problemas de agrupamento
(clustering), como o caso dos mapas de Kohonen [Kohonen, 1988], so usadas para
realar semelhanas existentes nas entradas, mapeando as entradas em classes que so
definidas por um conjunto especfico de caractersticas. Estas classes no so, contudo,
conhecidas partida. Da a necessidade de existir um processo de aprendizagem que
proceda modificao dos vectores de peso, de modo a identificar grupos de ns na
camada de sada que respondam de forma similar [Bezdek, 1996]. Na aplicao que
estamos a considerar, pelo contrrio, as classes de sada so conhecidas. Por este motivo a
rede no necessita de aprendizagem. Os vectores de peso so definidos a partir das
caractersticas das classes de sada. Neste caso, a rede neuronal usada para encontrar a
classe, entre o conjunto de classes conhecidas, que melhor se adapte entrada.
Para exemplificar a forma como os vectores de peso so definidos, considere-se o
vector de peso para unidade que corresponde ao tipo de incidente disparo simples (DS).
Este tipo de incidente considerado como sendo o mais simples porque aquele que
envolve a cadeia de inferncia mais curta e porque inclui o menor nmero de conceitos do
domnio. Assim, um incidente deste tipo que deve ser apresentado a um operador que
detenha um nvel reduzido de conhecimentos em todos ou na maior parte dos conceitos do
domnio (operador que se encontre numa fase inicial do treino). Para um operador nestas
condies, os elementos do vector de entrada da rede, que correspondem a variveis do
modelo do operador, sero de valor reduzido ou prximos de zero. Os elementos do vector
de pesos do n a que corresponde a classe de sada DS sero iguais a zero, de forma a que
este neurnio seja aquele que detm o vector de pesos mais prximo do vector de entrada.
169
Neste caso, o neurnio DS ser o vencedor porque o seu vector de peso aquele que
apresenta a menor distncia (distncia Euclidiana, por exemplo) ao vector de entrada.
O tipo de incidente de grau de dificuldade imediatamente acima do tipo DS o tipo
DtR. Este tipo de incidente inclui alguns conceitos do domnio usados no tipo de problema
DS. Um incidente do tipo DtR dever ser proposto ao operador quando este apresentar um
nvel mdio de conhecimento nos conceitos j encontrados no incidente do tipo DS. Assim,
o vector de pesos do neurnio a que corresponde a classe de sada DtR dever conter
valores iguais a 1, para os elementos que representam a estimativa do nvel de
conhecimento do operador acerca dos conceitos j encontrados em incidentes do tipo DS, e
0 para os elementos que correspondem a novos conceitos (conceitos em que o operador
provavelmente apresenta um nvel reduzido de conhecimento).
A metodologia usada para definir os vectores de peso das unidades da camada de
sada assenta no princpio de que o operador aumentar os seus conhecimentos acerca dos
conceitos do domnio envolvidos nos problemas que lhe so propostos. Considerando
ainda o exemplo apresentado no pargrafo anterior, aps uma sequncia de problemas que
contenha incidentes do tipo DS, suposto que o nvel de conhecimento do operador acerca
dos conceitos envolvidos neste tipo de incidente tenha progredido. Se este progresso for
verificado, o neurnio cujo vector de pesos se aproxima mais do vector de entrada deixa de
ser aquele que corresponde ao tipo de incidente DS, passando a ser aquele que corresponde
classe DtR.
A determinao do nvel de activao das unidades da camada de sada realizada
a partir do vector de entrada e do vector de pesos respectivo. O nvel de activao
definido pela distncia Euclidiana entre estes dois vectores, calculada atravs da equao
7.1:

Analisando a equao 7.1 verifica-se que qualquer unidade da camada de sada que
possua um vector de pesos (w) semelhante ao vector de activao das unidades de entrada
(x) ter um valor de activao reduzido. O n da camada de sada com o menor nvel de

(7.1)
( )
=
=
n
1 j
2
j ij i
x w a
170
activao ser o vencedor. Nos casos em que no existe ligao entre um n da camada de
entrada e um n da camada de sada, o elemento correspondente do vector de pesos e
a respectiva parcela do somatrio considerada nula.
O clculo do nvel de activao das unidades da camada de sada pode produzir
nveis iguais para diferentes ns. Com o intuito de resolver este possvel conflito,
utilizado um mecanismo de prioridades. O critrio utilizado estabelece que a prioridade
entre tipos de incidentes consiste em atribuir maior prioridade aos tipos mais simples. A
ordem de prioridades utilizada DS, DtR, DmR, DtD, DmD, tendo os incidentes do tipo
DS prioridade mais alta e os do tipo DmD a prioridade mais baixa. Este critrio baseia-se
na ideia de que os problemas mais simples devem ser apresentados ao operador em
primeiro lugar.
Durante o processo de implementao do algoritmo constatou-se que, a partir de
determinada altura, o algoritmo seleccionava sempre o mesmo tipo de incidente. Verificou-
se que isto se devia ao facto de que o nvel de conhecimento acerca dos conceitos
envolvidos no tipo de incidente que correspondia ao n vencedor se encontravam no valor
mximo. Nesta situao, o nvel de conhecimento acerca destes conceitos no alterado.
No sendo estes valores alterados, a prxima iterao ter o mesmo vector de entrada, e
consequentemente, ter a mesma sada. Para resolver este problema, foi implementada a
seguinte regra: se o nvel de conhecimento acerca de todos os conceitos envolvidos no tipo
de incidente a que corresponde o valor de activao mais elevado for mximo, ento o tipo
de incidente a seleccionar ser aquele a que corresponder o valor de activao
imediatamente abaixo daquele que apresenta o valor de activao mais elevado. No
entanto, necessrio verificar se o tipo de incidente que rejeitado no foi ainda
seleccionado. Teoricamente, como alguns conceitos so utilizados por vrios tipos de
incidentes, pode acontecer que o tipo de incidente rejeitado, por aplicao da regra
referida, ainda no tenha sido seleccionado e apresentado ao operador. Este caso particular
poder ocorrer se todos os conceitos envolvidos no tipo de incidente a que corresponde o
menor valor de activao foram aplicados pelo operador na obteno de diagnsticos de
outros tipos de incidentes, e os respectivos nveis de conhecimento atingiram j o valor
mximo. Este caso constitui uma excepo aplicao da regra. No entanto, este caso no
171
ocorre no domnio considerado, uma vez que todos os tipos de incidentes envolvem pelo
menos um conceito especfico desse tipo de incidente.
O mecanismo de classificao de tipos de incidentes, em termos de adequao ao
estado de conhecimento do operador, constitui uma das originalidades do presente
trabalho.
7.3.1.1.2.1 Exemplo de Aplicao do Algoritmo de Classificao
Nesta seco pretende-se apresentar o comportamento do algoritmo de seleco de
tipos de problemas, descrito na seco 7.3.1.1.2. Para demonstrar o comportamento do
algoritmo, consideremos uma simulao que consiste em propor uma sequncia de
problemas a um operador. Cada problema constitudo por apenas um incidente do tipo
que obteve melhor classificao aps a aplicao do algoritmo. Aps a resoluo de cada
problema, as variveis do modelo do operador, representando a estimativa do nvel de
conhecimento do operador acerca de cada conceito do domnio, so actualizadas. Em
seguida, o modelo do operador actualizado usado para formar um novo vector de entrada.
A aplicao deste vector ao algoritmo permite obter o tipo de incidente que ir integrar o
prximo problema a apresentar ao operador. O modelo do operador novamente
actualizado e o algoritmo utilizado de novo para seleccionar o prximo tipo de incidente.
Este processo iterativo continua at que a estimativa do nvel de conhecimento do operador
acerca de todos os conceitos do domnio atinge o valor mximo, ao qual corresponde o
vector F=(0.0; 0,0; 0,0; 0,0; 1.0), ou seja E(F) = 0.0 x 0.1 + 0.0 x 0.3 + 0.0 x 0.5 + 0.0 x 0.7
+ 1.0 x 0.9 = 0.9, aplicando a expresso 6.1.
Uma vez que a resposta do algoritmo depende da progresso particular de cada
operador, optou-se por utilizar um modelo de operador ideal. Neste modelo, considera-se
que o estado inicial do nvel de conhecimento em todas as variveis do modelo
corresponde ao nvel mais baixo e ao qual corresponde o vector F=(1.0; 0.0; 0.0; 0.0; 0.0).
Como o algoritmo utiliza valores escalares, este vector convertido para E(F) = 1.0 x 0.1 +
0.0 x 0.3 + 0.0 x 0.5 + 0.0 x 0.7 + 0.0 x 0.9 = 0.1, aplicando a expresso 6.1. Na simulao,
considera-se ainda que durante a resoluo dos problemas o operador ideal aplica
correctamente todos os conceitos do domnio, utilizados no tipo de incidente includo no
problema e que a taxa de actualizao das variveis mantida constante. Neste caso,
optou-se por um incremento constante de 0.16, que corresponde a 5 incrementos at que as
172
variveis atinjam o nvel mximo ( (0.9 0.1) / 5 = 0.16). Assim, as variveis do modelo
do operador vo receber o conjunto de valores {0.10; 0.26; 0.42; 0.58; 0.74; 0.90}.
A Tabela 7-6 apresenta algumas das iteraes realizadas numa sequncia de
problemas propostos ao operador. Na primeira coluna da tabela so apresentadas as
sequncias de incidentes geradas pelo algoritmo e na segunda coluna apresentado um
grfico que traduz a evoluo do nvel de conhecimento do operador no final de cada
sequncia. Por exemplo, aps a terceira iterao, representada na segunda linha da tabela,
os conceitos utilizados no tipo de incidente DS ultrapassaram o nvel mdio (0.5), pelo que
na iterao seguinte, representada na terceira linha, o incidente seleccionado passa a ser do
tipo DtR. Aps a quarta iterao, alguns dos conceitos que no eram utilizados no tipo de
incidente DS e que o so no tipo DtR ultrapassam, pela primeira vez, o nvel mnimo. Na
ltima linha da tabela, que corresponde ltima iterao, apresentada a sequncia
completa de tipos de incidentes seleccionados pelo algoritmo, que conduziu o nvel de
conhecimento de todos dos conceitos do domnio ao valor mximo.
As abordagens mais tradicionais de seleco de problemas assentam no princpio
de que a seleco de um novo tipo de problema mais complexo s dever ser realizada
quando o aluno apresentar um domnio completo acerca dos conceitos envolvidos nos
problemas anteriores. No entanto, o processo de instruo pode atingir um ponto em que o
ganho na melhoria do desempenho em conceitos antigos passa a ser menor do que o ganho
na aprendizagem de novos conceitos [Anderson, 1990]. Nesta situao, a eficincia do
processo de instruo aumenta se forem introduzidos novos conceitos. O algoritmo de
seleco de problemas apresentado garante que a sequncia de problemas no montona.
Desta forma, pretende-se estimular o desempenho do operador apresentado-lhe novos tipos
de incidentes e evitando que o processo de ensino seja montono. Observando a Tabela
7-6, verifica-se que a mudana para um novo tipo de incidente no est dependente de que
o nvel de conhecimento acerca dos conceitos envolvidos no tipo de problema presente
atinja o nvel mximo.
A abordagem utilizada neste trabalho para a seleco de problemas a apresentar ao
operador mais uma das originalidades que introduzida.
173
Tabela 7-6- Evoluo do nvel de conhecimento sobre os conceitos do domnio em funo dos incidentes
apresentados numa sequncia de problemas
Sequncia de tipos de
incidentes
Evoluo do nvel de conhecimento acerca dos conceitos
domnio
[DS]

[DS, DS, DS]

[DS, DS, DS, DtR]

0,10
0,26
0,42
0,58
0,74
0,90
Conceitos do domnio
N
v
e
l

d
e

c
o
n
h
e
c
i
m
e
n
t
o
0,10
0,26
0,42
0,58
0,74
0,90
Conceitos do domnio
N
v
e
l

d
e

c
o
n
h
e
c
i
m
e
n
t
o
0,10
0,26
0,42
0,58
0,74
0,90
Conceitos do domnio
N
v
e
l

d
e

c
o
n
h
e
c
i
m
e
n
t
o
174
[DS, DS, DS, DtR, DtR,
DmR, DmR, DmR, DtD]

DmR, DmR, DmR, DtD,
DtD, DmR, DtD, DmD,
DmD, DmD, DmD,
DmD, DtR, DtR, DmR,
DtR, DS, DS, DtD]

DmR, DmR, DmR, DtD,
DtD, DmR, DtD, DmD,
DmD, DmD, DmD,
DmD, DtR, DtR, DmR,
DtR, DS, DS, DtD, DtD]

0,10
0,26
0,42
0,58
0,74
0,90
Conceitos do domnio
N
v
e
l

d
e

c
o
n
h
e
c
i
m
e
n
t
o
0,10
0,26
0,42
0,58
0,74
0,90
Conceitos do domnio
N
v
e
l

d
e

c
o
n
h
e
c
i
m
e
n
t
o
0,10
0,26
0,42
0,58
0,74
0,90
Conceitos do domnio
N
v
e
l

d
e

c
o
n
h
e
c
i
m
e
n
t
o
7.3.2 Componente de Micro Adaptao
O componente de macro adaptao, apresentado na seco 7.3.1, responsvel pela
adaptao das caractersticas do treino s necessidades do operador e que so mantidas
constantes entre problemas. Adicionalmente, durante cada sesso de treino, ou seja,
durante a resoluo de um problema, o sistema de treino adapta o nvel de apoio s
necessidades do operador. Este tipo de adaptao baseia-se no comportamento dos tutores
175
humanos. O apoio ocorre no momento em que o operador parece necessitar dele e
fornecido no nvel considerado mais adequado. As decises tomadas pelo sistema de treino
durante a sesso de treino so da responsabilidade do componente de micro adaptao.
Este componente responsvel pela definio dos seguintes tipos de deciso:
Resposta s aces do operador;
Mudana do modo livre para o modo restrito de resoluo de problemas;
Seleco das dicas de apoio a fornecer ao operador e do respectivo nvel de detalhe.
Durante a resoluo de um problema, o sistema de treino responde s entradas do
operador, efectuadas atravs das tabelas de predio, alterando a sua cor. A cor da entrada
alterada para verde ou vermelho conforme a entrada seja, respectivamente, correcta ou
incorrecta. Esta resposta gerada a partir do grafo da soluo que define o modelo
especfico da situao. A gerao desta resposta, assim como a obteno do modelo
especfico da situao so discutidas na seco 7.4.
A resposta imediata do sistema de treino s entradas do operador garante que este
se mantm no caminho correcto da soluo. Desta forma, garante-se que o sistema de
treino mantm permanentemente conhecimento acerca do caminho utilizado pelo operador
na busca da soluo. Para alm desta razo tcnica, existe um conjunto de outras razes
para dar resposta imediata s entradas do operador. Em primeiro lugar, assinalar o erro
permite ao operador analisar o estado mental que originou o erro, localizar o conhecimento
incorrecto ou em falta e proceder correco do erro [Anderson, 1990; VanLehn, 1996].
Em segundo lugar, a resposta imediata torna o processo de aprendizagem mais eficiente,
uma vez que evita situaes em que o operador se mantm em caminhos incorrectos. Em
terceiro lugar, a resposta imediata tende a evitar a frustrao que pode surgir no operador
quando este permanece num estado de erro durante perodos longos.
O processo de definio da resposta s aces do tutor deve, contudo, ter em
ateno alguns problemas que podem advir da sua utilizao:
A resposta do tutor deve ser cuidadosamente formulada para levar o operador a
pensar sobre o assunto. Se possvel, a resposta do tutor deve conduzir o operador a
introduzir a entrada correcta em vez de simplesmente lhe apresentar a resposta.
176
importante para o treino que o operador seja conduzido atravs do raciocnio capaz
de gerar a resposta, em vez de se limitar a copiar a resposta apresentada pelo tutor.
Este problema pode ser ultrapassado atravs da apresentao de dicas capazes de
induzir no operador o raciocnio conducente resposta correcta.
Por vezes, os operadores teriam identificado e corrigido o erro se lhes tivesse sido
dado mais tempo. A auto correco prefervel quando esta ocorre de forma
espontnea. As pessoas tendem a recordar-se melhor daquilo que elas prprias
geraram. Para evitar este problema, o sistema de treino apenas assinala,
espontaneamente, os erros cometidos. As dicas s so apresentadas no caso do
operador as pedir de forma explcita.
Por vezes, torna-se difcil explicar ao operador porque razo a sua escolha errada
quando o contexto no considerado. As dicas a apresentar ao operador devem
considerar eventuais erros anteriores e a fase do processo de diagnstico em que o
operador se encontra.
O sistema de treino proposto admite duas formas de resoluo dos problemas.
Numa delas, mais rgida e denominada modo restrito, a resoluo do problema deve seguir
todas as fases contidas no processo de inferncia do respectivo tipo de incidente,
representadas no modelo do domnio. A forma de resoluo alternativa, denominada modo
livre de resoluo de problemas, pelo contrrio, impe apenas um conjunto reduzido de
restries. A apresentao e a fundamentao para estas duas formas de resoluo de
problemas feita na seco 7.4. Inicialmente, o modo de resoluo activo o modo livre.
Durante a resoluo do problema, o tutor pode decidir mudar o modo de resoluo para o
modo restrito. A deciso de mudar o modo de resoluo do problema depende dos critrios
estabelecidos na fase de macro adaptao, apresentados na seco 7.3.1.
A dicas apresentadas pelo sistema de treino pretendem conduzir o operador ao
caminho correcto da soluo. Estas so apresentadas aps um pedido de ajuda do operador,
o qual pode ocorrer em duas situaes distintas: logo aps uma entrada incorrecta do
operador, entretanto assinalada a vermelho, ou na situao em que o operador se encontra
numa situao de impasse e no sabe qual o passo que deve dar a seguir. A seleco das
dicas depende do erro cometido pelo operador, se existir, do contexto e das dicas
177
apresentadas previamente. O mecanismo de seleco das dicas apresentado na seco
7.5.
7.4 Diagnstico Cognitivo do Operador
A modelizao do operador realizada atravs de um modelo overlay (Captulo 6).
A abordagem de modelao overlay assume que o conhecimento do operador formado
por um subconjunto do conhecimento dos peritos. O modelo overlay descreve os itens
particulares do conhecimento do domnio que o operador conhece ou desconhece. O
modelo no contm informao acerca do conhecimento incorrecto que responsvel pelas
respostas incorrectas do operador.
A tarefa de diagnstico cognitivo do operador pretende obter o modelo que
caracteriza o estado do conhecimento do operador. A obteno deste modelo baseia-se na
tcnica de seguimento do modelo (model tracing). De acordo com esta tcnica, os passos
do operador, neste caso efectuados durante o preenchimento das tabelas de predio, so
interpretados e associados aos conceitos do domnio correspondentes. A sequncia de
conceitos utilizados pelo operador permite modelar o raciocnio utilizado na resoluo do
problema. Quando comparada com outras tcnicas, como por exemplo o reconhecimento
de planos, a tcnica de seguimento do modelo permite uma maior modularidade, uma vez
que permite inferir a inteno do operador a partir de conceitos simples, agrupados em
regras, em vez de procedimentos inteiros. Por outro lado, a tcnica de seguimento do
modelo permite o reconhecimento das intenes do operador a um nvel de granularidade
mais reduzido, analisando a resoluo do problema a partir de passos individuais em vez
de planos completos [Ohlsson, 1994].
Ao contrrio do que acontece nas aplicaes mais comuns da tcnica de seguimento
do modelo, a abordagem utilizada neste trabalho no requer que o modelo do domnio
inclua a representao de todas as regras que podero ser utilizadas pelo operador durante a
resoluo do problema. O modelo do domnio, apresentado no Captulo 5, contm dois
nveis de representao dos procedimentos usados para a obteno do diagnstico de cada
tipo de incidente. Um destes nveis, designado nvel de elaborao mximo, descreve o
procedimento de obteno de diagnstico de incidentes com um nvel de detalhe mximo,
incluindo todos os passos da forma mais detalhada possvel. Este nvel corresponde ao
modelo que deve ser seguido por um operador que apresente dificuldades durante a
178
resoluo de um problema. O operador conduzido atravs deste modelo quando o sistema
de treino tiver necessidade de intervir para orientar o operador. A resoluo de problemas
conduzida atravs deste modelo corresponde ao mtodo restrito de resoluo de problemas.
Por sua vez, o nvel de elaborao mnimo corresponde ao modelo de raciocnio de um
operador experiente. Este modelo corresponde a um nvel de automatizao da tarefa que
se pretende que venha a ser adquirido pelo operador. Este modelo no inclui de forma
explcita as regras contidas no modelo correspondente ao nvel de elaborao mximo.
Apesar do modelo do domnio conter estes dois nveis de representao, o modelo
usado pelo operador para resolver um problema no tem necessariamente que corresponder
a qualquer um destes nveis. Qualquer modelo de nvel de elaborao intermdio,
independentemente do nmero de passos intermdios, admissvel desde que o conjunto
de restries impostas pelo mtodo de resoluo do problema seja atendido. Pretende-se
assim, no obrigar o operador a usar um modelo predefinido, permitindo que o seu modelo
de resoluo de problemas evolua at ao modelo correspondente ao nvel de abstraco
mximo, de acordo com o ritmo particular de progresso de cada operador. Os dois
mtodos de resoluo de problemas disponveis so apresentados na seco 7.4.1.
7.4.1 Modos de Resoluo de Problemas
O objectivo principal do sistema de treino de operadores transmitir o modelo de
diagnstico de incidentes, usado pelos peritos, aos operadores menos experientes,
colocando ao seu dispor um ambiente de resoluo de problemas de diagnstico de
incidentes. Durante a utilizao do sistema pretende-se que os operadores construam o seu
prprio modelo do processo de diagnstico de forma gradual e que as possveis
inconsistncias existentes entre este modelo e o modelo dos peritos sejam ultrapassadas
progressivamente. O objectivo referido inclui favorecer a automatizao do processo de
diagnstico por parte dos operadores, de forma a que este processo se torne cada vez mais
eficiente.
Numa fase inicial do treino, a tarefa de diagnstico dividida num maior nmero
de passos, mais elementares. medida que o treino vai progredindo, o modelo do processo
de diagnstico do operador reflecte o grau cada vez maior de automatizao do operador
no desempenho da tarefa. Este modelo inclui um nmero menor de passos em relao ao
modelo inicial, uma vez que alguns desses passos intermdios so omitidos. A necessidade
179
de um mtodo de resoluo de problemas que seja flexvel e que permita obter uma
estimativa do raciocnio do operador, ainda que aproximada, surge a partir do carcter
evolutivo evidenciado pelo processo de aquisio de um modelo de diagnstico de
incidentes.
O sistema de treino de operadores de centros de controlo e conduo de redes
elctricas dispe de dois modos para resoluo dos problemas propostos: modo livre e
modo restrito. O modo livre para a resoluo de problemas permite ao operador resolver os
problemas de diagnstico que lhe so propostos, utilizando para o efeito o conjunto de
passos compatvel com o seu modelo cognitivo da tarefa. Entre os dois modos de resoluo
disponveis, este aquele que apresenta menores restries procedimentais. Ainda assim, o
modo livre impe duas restries. A primeira obriga a que o modelo do operador contenha,
no mnimo, os conceitos includos no nvel de elaborao mnimo do modelo do domnio
(nvel de abstraco mais elevado). A segunda restrio impe que o operador utilize uma
estratgia de raciocnio de encadeamento directo (forward chaining). Nesta estratgia, o
operador deve iniciar a sua anlise sobre os incidentes a partir dos fenmenos observados
na rede elctrica, traduzidos na forma de mensagens SCADA. a partir da anlise destas
mensagens que o operador deve obter as primeiras concluses intermdias e, a seguir,
relacion-las com outras mensagens que surjam entretanto, para obter o diagnstico acerca
do tipo de incidente e do estado da rede. Esta restrio no permite que o operador utilize
como premissa concluses intermdias que ainda no obteve numa tabela anterior para
concluir qualquer outro facto. No entanto, esta restrio no deve constituir uma limitao
importante, porque os operadores tipicamente utilizam uma estratgia de encadeamento
directo para obter o diagnstico de incidentes.
A utilizao de uma estratgia de encadeamento inverso requereria, em primeiro
lugar, a obteno da concluso do diagnstico. A capacidade para obter tal diagnstico,
limitando-se observao das mensagens SCADA envolvidas no incidente sem a
utilizao de passos intermdios, s passvel de ser realizada por um operador muito
experiente. Apenas um operador com tal desempenho poderia ento utilizar posteriori
uma estratgia de encadeamento inverso para explicitar o raciocnio por si efectuado para
obter o diagnstico. No entanto, esta forma de resoluo do problema no natural, no
sendo por este motivo permitida a sua utilizao no sistema de treino.
180
No modo livre, o operador pode explicitar o seu raciocnio atravs do nmero de
passos que achar adequado, utilizando para o efeito uma tabela de predio para cada
passo. Por exemplo, um operador com uma elevada capacidade de automatizao do
processo de diagnstico poder, no limite, utilizar apenas uma tabela de predio para
apresentar o diagnstico de cada incidente includo no problema.
A reduo ou ausncia de restries procedimentais pode, no entanto, originar dois
tipos de problemas pedaggicos [VanLehn, 2000]. Em primeiro lugar, alguns operadores
no conseguem desenvolver estratgias para a resoluo de problemas. Nestes casos, as
dicas geradas pelo tutor acerca do passo que o operador deve dar a seguir podero
confundir e frustrar o operador. Por vezes, os operadores misturam passos de diferentes
estratgias, provavelmente sem saber que o esto a fazer. Em muitos tutores, quando o
aluno pede um conselho acerca do que fazer a seguir, o tutor tenta inferir o passo que o
aluno pode estar a tentar executar e constri uma sequncia de dicas com o objectivo de
conduzir o aluno at esse passo. Por vezes os alunos no conseguem alcanar a razo para
a execuo daquele passo. De facto, normalmente no existe uma boa explicao para
justificar que a estratgia do aluno no foi coerente. Alguns alunos podem ento sentir-se
frustados pelo carcter aparentemente aleatrio dos conselhos dos tutores, sem no entanto
perceber que tal foi causado pelo prprio comportamento aleatrio do aluno.
Em segundo lugar, se o tutor permitir que o operador passe por passos critcos sem
que este tenha explicitado o seu raciocnio, a reconstituio desse mesmo raciocnio, com o
objectivo de encontrar o razo subjacente ao erro, torna-se difcil. Neste caso, as dicas
geradas pelo tutor podero no se revelar teis. O insucesso destas dicas possivelmente no
se dever qualidade das mesmas mas antes ao seu contexto.
Apesar das vantagens que advm do facto do sistema de treino permitir aos
operadores usarem as suas prprias estratgias, repararem os prprios erros e gerirem o uso
da sua memria, alguns operadores podem necessitar de um nvel de apoio suplementar.
Estes operadores devem ser restringidos a usar uma nica estratgia e no avanar passos
chave. Resumindo, alguns operadores podero necessitar de um suporte procedimental
mais rgido.
Baseando-se no princpio de que alguns operadores podem necessitar de um
suporte procedimental mais rgido, o sistema de treino toma, em circunstncias
181
determinadas, a iniciativa de mudar o modo de resoluo de problemas do modo livre para
o modo restrito. Esta mudana efectuada durante a sesso de treino na situao em que o
operador apresenta dificuldades e de acordo com os critrios definidos pelo componente de
macro adaptao (seco 7.3.1). O preenchimento da tabela corrente interrompido e o
operador convidado a preencher uma outra tabela, que ser usada para definir uma fase
do processo de diagnstico. As tabelas que tenham sido preenchidas anteriormente pelo
operador no modo livre e no mbito do mesmo incidente so mantidas. As concluses
obtidas previamente pelo operador permitem seleccionar a fase que ser definida pelo
operador atravs da nova tabela. A fase a seleccionar ser aquela que fica imediatamente a
jusante da ltima concluso obtida. O modo restrito ser mantido at ao fim do incidente
em considerao.
A estratgia de resoluo de problemas baseada no modo restrito segue todos os
passos includos no modelo da tarefa definido no nvel de elaborao mais elevado do
modelo do domnio. Esta estratgia definida por um conjunto de fases que depende do
tipo de incidente (seco 5.7.2.2). Para obter o diagnstico de cada incidente includo no
problema, o operador deve usar uma tabela de predio para definir cada uma das fases
envolvidas no respectivo tipo de incidente.
7.4.1.1 Restries do Modo Livre de Resoluo de Problemas
Entre os dois modos de resoluo disponveis, o modo livre aquele que apresenta
menos restries procedimentais. Ainda assim, so impostas duas restries, j referidas na
seco anterior (7.4.1). Uma destas restries impe que o operador utilize uma estratgia
de raciocnio de encadeamento directo (forward chaining). Esta restrio, constitui na
realidade uma categoria de restries que agrupa um conjunto de quatro restries que so
independentes do domnio. Para facilitar a apresentao destas restries, considere-se,
como exemplo, uma pequena cadeia de inferncia usada na resoluo de um problema. A
Figura 7-5 ilustra a cadeia de inferncia.
182
A B C
F G
b
a D E
c
M
Concluses intermdias
Itens obrigatrios
(mensagens SCADA e condies temporais)
Figura 7-5- Exemplo de uma pequena cadeia de inferncia
De acordo com a Figura 7-5, para alcanar a concluso c, o operador poder usar
entre uma a trs tabelas de predio:

1 tabela A, B, C, D, E, F, G c
2 tabelas A, B, C, F, G a
a, D, E c
3 tabelas F, G b
A, B, C, b a
a, D, E c

Restrio 1
No caso de se utilizar uma concluso intermdia como premissa, no podero
existir outras premissas que tenham sido utilizadas para obter tal concluso intermdia
(tanto de forma directa como indirecta). Por outras palavras, num conjunto de premissas,
uma concluso intermdia no pode coexistir com outros itens que se encontrem, na cadeia
de inferncia, a montante dessa concluso intermdia. Considerando o exemplo da Figura
7-5, os seguintes exemplos de tabelas constituem violaes a esta restrio:

183
c E , D , a , G , F , C , B , A
c E , D , b , a
a b , G , F , C , B , A

Restrio 2
O conjunto de premissas de uma tabela tem que incluir todos os itens obrigatrios
que se encontrem imediatamente a montante da concluso obtida na prpria tabela.
Considerando o exemplo da Figura 7-5, apresenta-se a seguir a aplicao desta restrio:

Numa tabela que obtenha a
concluso:
O conjunto de premissas tem que incluir
obrigatoriamente:
a A, B, C
b F, G
c D, E

Restrio 3
No permitida a utilizao como premissa de um item que se encontre a jusante
da concluso da tabela na cadeia de inferncia.

Restrio 4
No permitida a utilizao como premissa de uma concluso intermdia que ainda
no tenha sido obtida pelo aluno.
7.4.2 Modelo Especfico da Situao
O diagnstico cognitivo do operador, de acordo com a metodologia de seguimento
do modelo (model tracing), obtido atravs da comparao entre o raciocnio utilizado na
resoluo do problema, modelado a partir da sequncia de passos do operador, e o modelo
especfico da situao [Faria, 2001b]. Este modelo especfico da situao [Clancey, 1986;
Khuwaja, 1994] descreve uma situao particular do mundo, geralmente uma explicao
acerca de como surgiu a situao.
A inferncia realizada pelo sistema pericial SPARSE, que constitui o perito do
domnio do sistema de treino, sobre o mesmo problema que proposto ao operador
184
utilizada para obter o modelo especfico da situao. Esta inferncia formada pelas regras
disparadas, pelos factos usados como premissas e pelos factos obtidos pela concluso das
regras. O sistema de treino utiliza estes itens de conhecimento para activar os conceitos do
modelo do domnio correspondente ao nvel de detalhe mximo. O conjunto de conceitos
assim activados constitui o modelo especfico da situao. A Figura 7-6 ilustra este
processo.

Problema
regras disparadas
premissas
concluses
dados do problema
SPARSE
Base de
Conhecimento
do Domnio
Perito do Domnio
Activao de
Conceitos
Modelo do Domnio
(nvel de elaborao mximo)
Modelo Especfico da
Situao
Figura 7-6- Obteno do modelo especfico da situao

A partir da inferncia realizada pelo sistema pericial SPARSE, o mdulo de
activao de conceitos (Figura 7-6) gera o modelo especfico da situao. Este modelo
inclui os conceitos do domnio que correspondem aos elementos relevantes que compem
a inferncia obtida pelo SPARSE.
7.5 Gerao de Apoio ao Operador
7.5.1 Utilizao de Dicas como Forma de Apoio ao Operador
A apresentao de dicas constitui uma tctica que encoraja o pensamento activo
estruturado de acordo com as linhas de orientao ditadas pelo tutor. As dicas activam
185
conhecimento que de outra forma estaria inerte, permitindo assim que o conhecimento seja
utilizado na tarefa presente. A utilizao de dicas revela-se particularmente til e constitui
uma tctica pedaggica comum em sesses de ensino de um para um. A utilizao de
dicas pode servir para [Hume, 1995]:
Activar conhecimento que de outra forma estaria inerte, possibilitando que este
conhecimento seja relembrado;
Estimular as inferncias requeridas para completar uma tarefa utilizando
conhecimento que se julga que o aluno tenha disponvel.
As dicas tanto mostram ao operador informao como relevam informao que
presumivelmente o operador possua. Hume [Hume, 1995] apresenta a seguinte definio
de dica: uma dica uma ferramenta que pretende: (1) fornecer ao aluno um item de
informao que o tutor espera vir a estimular a memria do aluno para factos que sejam
necessrios para responder a uma questo ou (2) fornecer um item de informao que
possa facilitar a obteno de uma inferncia necessria para alcanar a predio do
comportamento de um sistema.
No sistema de treino de operadores de centros de controlo e conduo, as dicas so
apresentadas quando o operador pede ajuda. Na situao em que o operador comete um
erro, as dicas so usadas para levar o operador a perceber o que est errado. Neste caso, as
dicas so geradas em funo do erro. Por outro lado, quando o operador no sabe qual o
passo que deve seguir, a gerao das dicas deve considerar o raciocnio prvio do operador.
O raciocnio prvio do operador e os passos que se seguem na soluo do problema
definem o contexto em que as dicas so apresentadas. Estas dicas so associadas aos
conceitos do domnio.
Para evitar a repetio das mesmas dicas, o tutor mantm um histrico das dicas
apresentadas ao operador. Este histrico mantido no modelo do operador. Desta forma,
pretende-se garantir que o comportamento do tutor no seja montono, assegurando que,
perante episdios de ensino semelhantes, no sejam sempre apresentadas as mesmas dicas.
No entanto, necessrio definir a janela temporal limite dentro da qual garantido que as
dicas apresentadas, perante a ocorrncia de episdios semelhantes, sejam diferentes.
Perante as vrias hipteses possveis, optou-se por utilizar como limite o preenchimento de
186
uma tabela de predio. Por outras palavras, se o operador repetir o mesmo erro durante o
preenchimento da mesma tabela de predio, as dicas apresentadas aps solicitao do
operador sero diferentes. Nesta situao, as dicas fornecidas pelo tutor referem-se ao
mesmo erro, correspondendo no entanto a nveis de detalhe diferentes. A adopo da tabela
de predio como janela temporal limite, em alternativa a uma janela temporal mais
alargada, como por exemplo a resoluo de um problema, baseia-se no resultado de
estudos que indicam que os tutores humanos no tm ou no fazem uso de uma grande
capacidade de memria [Hume, 1995].
7.5.2 Tipos de Ajuda
O mtodo de ensino usado pelo sistema de treino tenta explorar as situaes de
impasse que surgem durante a resoluo de problemas. Estas situaes so vistas pelo tutor
como oportunidades para explorar as fraquezas existentes no conhecimento do operador.
As situaes de impasse com as quais o operador se poder confrontar durante a resoluo
de um problema so essencialmente de dois tipos: situaes em que o operador comete um
erro e no sabe qual a razo do erro e situaes em que apesar de no ter cometido
qualquer erro no sabe qual o caminho a seguir. Em ambos os casos, o tutor apresenta
dicas, a pedido do operador, na tentativa de o ajudar a ultrapassar o impasse. As dicas
apresentadas comeam por ser genricas, tornando-se cada vez mais especficas medida
que o operador repete o pedido de ajuda. O tutor apresentar a resposta no caso de
nenhuma das dicas apresentadas ter sido suficiente para ajudar o operador a ultrapassar o
impasse.
O sistema de treino de operadores de centros de controlo e conduo de redes
elctricas disponibiliza dois tipos de ajuda. Cada tipo de ajuda pretende auxiliar o operador
a ultrapassar um dos tipos de situao de impasse referidos no pargrafo anterior. Ambos
os tipos de ajuda podem ser obtidos a partir de um boto especfico. No entanto, os botes
no esto disponveis simultaneamente. No caso do operador cometer um erro, apenas o
boto O que est errado? estar disponvel. O boto O que fazer a seguir? estar
disponvel quando no existir qualquer erro assinalado. Este ltimo boto passar tambm
a estar disponvel na situao em que existe um erro assinalado e todas as dicas associadas
ao erro j foram apresentadas. Neste caso, as dicas apresentadas para remediar o erro do
187
operador no foram eficazes, pelo que resta ao tutor apresentar dicas de natureza
procedimental que conduzam o operador at resposta correcta.
O modo de resoluo de problemas utilizado tem influncia sobre o comportamento
do tutor perante os pedidos de ajuda do operador. No modo livre, a ajuda de tipo
procedimental limitar-se- a convidar o operador a continuar a resoluo do problema
atravs do modo restrito. Esta deciso deve-se ao facto do modo livre apresentar um
carcter procedimental menos restritivo. Neste modo de resoluo de problemas, o
operador poder utilizar uma diversidade de estratgias diferentes. Esta possibilidade torna
difcil ao tutor inferir qual a estratgia que est a ser seguida pelo operador e
consequentemente qual o passo seguinte dessa estratgia. Os tutores que tentam realizar
esta inferncia necessitam de conter a representao de todos os planos de resoluo
possveis.
A gerao das dicas a apresentar ao operador depende do tipo de situao de
impasse. Perante uma situao de erro, as dicas so geradas em funo do prprio erro. No
caso das situaes em que o operador necessita de orientao procedimental, as dicas so
geradas em funo do conceito do domnio que deve ser aplicado na definio da prxima
entrada.
7.5.2.1 Ajuda Baseada nos Erros do Operador
Conforme mencionado anteriormente, um dos princpios em que se baseia o
sistema de treino consiste em encorajar a aprendizagem do operador de forma construtiva.
Neste sentido, o sistema de treino fornece o mnimo de informao possvel, a no ser que
esta seja pedida de forma explcita pelo operador. No caso de erro, o sistema de treino
comea por assinalar o erro a vermelho. Se o operador no for capaz de corrigir o erro,
poder pedir ajuda atravs do boto O que est errado?.
As violaes das restries que tm que ser satisfeitas durante a resoluo do
problema, e que so detectadas atravs da comparao entre a soluo do operador e a
soluo correcta, so utilizadas para instanciar um dos padres de erro. As tabelas de
predio so usadas para encontrar os padres de erro dos operadores. As dicas
apresentadas so geradas a partir do padro de erro instanciado. Cada padro de erro
contm um conjunto de dicas, de diversos de nveis de detalhe, cujo objectivo levar o
operador a corrigir o erro. Os padres de erro so apresentados na seco 7.5.2.1.1. A
188
Figura 7-7 descreve o mecanismo usado pelo sistema de treino para validar as entradas do
operador.

Validar a entrada
do aluno
Assinalar entrada a
verde
Executar resposta imediata do tutor
(assinalar o erro a vermelho)
Identificar o erro: instanciao
de um padro de erro
Ainda
existem dicas que
no tenham sido
apresentadas ao
aluno?
A entrada do
aluno apresenta
erros?
Disponibilizar o boto "O que
est errado?"
Executar aces previstas no
padro de erro instanciado
S
N
N
S
Figura 7-7- Mecanismo de validao das entradas do operador

7.5.2.1.1 Padres de Erro
Cada padro de erro corresponde a um tipo de erro cometido no preenchimento das
tabelas de predio. Estes erros referem-se essencialmente aplicao incorrecta de
conceitos do domnio, erros no instante que caracterizam os factos relevantes e erros que
constituem violaes ao mecanismo de inferncia de encadeamento directo. Os padres de
erro encontram-se agrupados em funo do tipo de entrada a que se referem. So
consideradas as seguintes categorias, representadas na Figura 7-8:
Erros comuns erros comuns a qualquer tipo de entrada;
189
Erros de premissas erros cometidos nas entradas reservadas introduo de
premissas, dividindo-se em duas subcategorias:
Erros de premissas do tipo 1 mensagens SCADA e concluses intermdias
(factos internos);
Erros de premissas do tipo 2 condies temporais;
Erros de concluses de tabela erros cometidos na entrada reservada concluso
da tabela.

Erros de
preenchimento de tabelas
Erros genricos
Erros de concluso de tabela
Erros de premissas
Mensagens
SCADA e
concluses
intermdias
Condies
temporais
Figura 7-8- Categorias de padres de erro
Cada padro de erro tem nove atributos. O valor destes atributos fornece
informao ao sistema de treino. Esta informao usada pelo sistema de treino para
conduzir a sua resposta perante a ocorrncia do erro. So utilizados os seguintes atributos:
1) Identificao do erro;
2) Classe do padro de erro (tipo de conceitos a que se aplica o erro);
3) Descrio do erro;
4) Condies para iniciar a deteco do erro;
190
5) Resposta imediata do tutor perante a ocorrncia do erro;
6) Lista de dicas que o tutor poder apresentar com o intuito de remediar o erro do
operador;
7) Aco do tutor aps todas as dicas contidas no padro de erro terem sido
apresentadas;
8) Mtodo ou procedimento utilizado para verificar a existncia do erro numa entrada
do operador;
9) Mtodo ou procedimento para actualizao do modelo do operador.
A identificao dos padres de erro depende do modo de resoluo de problemas utilizado.
Esta diferenciao depende das diferenas existentes nas restries procedimentais em
cada um dos modos de resoluo. Por outras palavras, a violao de uma restrio presente
no modo restrito de resoluo de problemas pode no constituir uma violao no mbito do
modo livre. Por exemplo, no modo restrito, os conceitos incluidos numa tabela de predio
devem pertencer mesma fase de resoluo do problema. Contudo, no modo livre, tal
imposio no existe devido ao facto de uma tabela poder incluir conceitos pertencentes a
diferentes fases. Os padres de erro identificados para os modos restrito e livre so
apresentados, respectivamente, nas seces 7.5.2.1.3 e 7.5.2.1.4.
7.5.2.1.2 Pesquisa de Erros
A pesquisa da ocorrncia de erros realizada sempre que o operador introduz um
conceito do domnio ou, depois de introduzir o conceito, quando insere o respectivo
instante. Cada uma das entradas do operador comparada com as categorias de padres de
erro relacionadas com o tipo de entrada. A pesquisa dos erros realizada mediante uma
ordem predefinida. Os padres de erro encontram-se ordenados de modo a dar maior
prioridade aos padres de erro mais genricos e menor prioridade aos padres de erro mais
especficos. A deteco da ocorrncia de um erro pressupe que nenhum dos padres de
erro anteriores foi instanciado com a entrada do operador.
Por outro lado, esta ordenao est tambm relacionada com as oportunidades para
remediar os erros do operador por parte do tutor. O tutor dever dar prioridade a erros
191
primrios, ou seja, aqueles erros que tero influncia na ocorrncia de outros erros. Por
exemplo, numa situao em que operador introduza na tabela uma concluso errada, no
far sentido o tutor tentar remediar este erro se, por exemplo, ainda faltarem premissas
necessrias obteno de tal concluso. Neste caso, o tutor dever conduzir o operador de
forma a que descubra quais as premissas em falta.
7.5.2.1.3 Padres de Erro no Modo Restrito
Nesta seco so apresentados os padres de erro identificados para o modo restrito
de resoluo de problemas. Os padres de erro so apresentados em tabelas, formadas por
duas colunas. A coluna do lado esquerdo refere-se aos atributos dos padres de erro e a
coluna no lado esquerdo contm os respectivos valores. A ordem dos padres segue a
sequncia pela qual so pesquisados. Estes encontram-se ainda agrupados de acordo com a
categoria a que pertencem.

Categoria de Padres de Erro Genricos
Os padres de erro desta categoria aplicam-se a qualquer tipo de conceito. No
entanto, os conceitos que traduzem relaes temporais so tratados de forma diferenciada.
Para efeitos de instanciao de qualquer padro de erro desta categoria, as relaes
temporais definidas pelo operador so tratadas como relaes temporais genricas, em que
as variveis usadas, o operador e o intervalo temporal no so considerados. A exatido
destes componentes ser considerada pelos padres de erro da categoria de padres de erro
de premissas do tipo 2 (condies temporais).

1 Erro 1
2 Erros genricos
3 O conceito no pertence a qualquer das cadeias de inferncia dos incidentes contidos no problema.
Apenas se considera o conceito. O instante no considerado.
4 Introduo do conceito
5 O conceito representado a vermelho
6 1 O facto no relevante para o diagnstico do incidente
7 Disponibilizar boto O que fazer?

192
1 Erro 2
2 Erros genricos
3 O conceito refere-se a outra instalao. Apenas se considera o conceito. O instante no considerado.
1 Verifique a instalao a que se refere o facto que introduziu 6
2 Est a diagnosticar um incidente ocorrido na instalao X. Todos os factos tm que estar
relacionados com a instalao X

1 Erro 3
2 Erros genricos
3 O conceito refere-se mesma instalao mas a um painel diferente. Apenas se considera o conceito. O
instante no considerado.
1 Verifique o painel a que se refere o facto que introduziu 6
2 Est a diagnosticar um incidente ocorrido no painel P da instalao X. O facto que introduziu
refere-se a outro painel da instalao X. Todos os factos tm que estar relacionados com o painel
P da instalao X

1 Erro 4
2 Erros genricos
3 O conceito pertence cadeia de inferncia mas no na fase presente. Apenas se considera o conceito.
O instante no considerado. No caso do conceito se tratar de uma relao temporal, considerar o
facto como uma relao temporal genrica, em que as variveis envolvidas, o operador da relao e o
intervalo da mesma no so relevantes para observao do erro.
1 Os factos introduzidos nesta tabela devem referir-se apenas fase F 6
2 O facto que introduziu refere-se fase G. Considere apenas as premissas e a concluso que
permitem obter o diagnstico da fase F

193
Categoria de Padres de Erro de Premissas do Tipo 1 (Mensagens SCADA e
Concluses Intermdias)
1 Erro 5
2 Erros de premissas do tipo 1 (mensagens SCADA e concluses intermdias)
3 O conceito introduzido como premissa constitui a concluso da tabela (concluso da fase). Apenas se
considera o conceito. O instante no considerado.
1 O campo que acabou de preencher deve ser ocupado por uma premissa que possivelmente, em
conjunto com outras, lhe permitir deduzir a concluso da fase presente
2 Ser que est a confundir o local onde dever introduzir a sua concluso acerca do estado final
desta fase ?
6
3 O item que introduziu no faz parte do conjunto de premissas. De facto trata-se da concluso
desta fase

1 Erro 6
3 O conceito introduzido foi utilizado previamente como premissa na mesma tabela (repetio de
premissas). O instante no considerado (apenas no modo restrito).
1 Observe atentamente o conjunto de premissas 6
2 A premissa que introduziu repetida

1 Erro 7
3 O conceito e o respectivo instante correspondem a um facto que tambm utilizado na mesma fase,
pertence mesma instalao e painel mas no est relacionado com o incidente (corresponde a um
facto anterior ou posterior aqueles includos na cadeia de inferncia)
4 Introduo do instante
5 O instante representado a vermelho
6 1 O facto que indicou, embora diga respeito ao mesmo painel, refere-se a um incidente distinto,
sem correlao no tempo
194
2 O instante que indicou diz respeito observao deste facto relativo a um outro incidente no
mesmo painel. Este facto tambm observado na fase presente mas com outro instante. Reveja o
instante do facto que introduziu

A seguir, apresentado um exemplo de um erro que se identifica com o padro de
erro 7:

Perante esta situao, se o aluno introduzir a
premissa (5) antes de introduzir a premissa (1), ser
detectado um erro do tipo 7. Se o aluno introduzir
em primeiro lugar a premissa (1) e logo de seguida
tentar introduzir a premissa (5) ser detectado um
erro do tipo 6 (repetio de premissa).
01 _ DISPARO ) 5
s 10 500 t
DtR
01 _ DISJUNTOR ) 4
10 _ DISJUNTOR ) 3
00 _ DISJUNTOR ) 2
01 _ DISPARO ) 1
2
>

b

1 Erro 8
3 O conceito est correcto mas o instante est errado
1 Verifique o instante da premissa que introduziu
Mensagem
SCADA
Verifique o instante da mensagem X proveniente da instalao I e painel P na
lista de mensagens SCADA
6
2
Concluso
intermdia
Verifique o instante do facto X referente instalao I e painel P na lista de
concluses j obtidas
7 1-Apresentar mensagem:O instante T
2-Preencher campo do instante

Categoria de Padres de Erro de Premissas do Tipo 2 (Relaes Temporais)
O diagnstico dos erros ocorridos em premissas que expressam relaes temporais
comea pela deteco de eventuais erros verificados nas variveis temporais que integram
este tipo de relaes. Aps se verificar que no existem erros nas variveis temporais, a
195
pesquisa de eventuais erros continua atravs dos operadores usados na relao temporal e,
por fim, atravs do intervalo da relao temporal.
Nas situaes em que existe mais do que uma relao temporal por definir, a
ocorrncia de um erro durante a definio de uma das relaes temporais no permite ao
tutor saber qual a relao temporal que o operador pretende definir. Assim, o tutor ter
necessidade de inferir qual a inteno do operador com o intuito de ajudar o operador a
remediar o seu erro. O mecanismo usado para realizar esta inferncia apresentado na
seco 7.5.2.1.5.

1 Erro 9
2 Erros de premissas do tipo 2 (relaes temporais)
3 Variveis temporais no definidas
4 Introduo do conceito (operador, variveis e intervalo da relao)
1 A varivel X no est definida
Apenas uma
das variveis
no est
definida
2 O instante representado por X tem que corresponder ao instante de uma das
premissas
1 As variveis X e Y no esto definidas
6
Ambas as
variveis no
esto
definidas
2 Os instantes representados por X e Y tm que corresponder a instantes de duas das
premissas
7 1-Limpar item errado
2-Disponibilizar boto O que fazer?

1 Erro 10
3 Relao temporal utilizada previamente como premissa na mesma tabela (repetio de premissas)
2 A relao temporal que introduziu repetida
7 1-Limpar campo que contm o erro

O padro de erro 11 corresponde situao em que o operador tenta definir uma
relao temporal utilizando variveis erradas, apesar de ainda no ser possvel definir a
196
relao temporal. Por outras palavras, o tutor no poder conduzir o operador na
construo de uma relao temporal porque as variveis necessrias ainda no se
encontram definidas. Esta situao pode corresponder a um dos seguintes casos:
Caso 1 Ambas as variveis usadas esto incorrectas e pelo menos uma das
variveis que deve ser usada na relao temporal ainda no foi definida;
Caso 2 Uma das variveis usadas est incorrecta, mas a varivel que a deve
substituir ainda no foi definida;
Caso 3 No existem relaes temporais por definir.
A Figura 7-9 ilustra o procedimento usado para determinar a razo da
impossibilidade de definir uma relao temporal.
O conjunto
obtido em 1
vazio ?
Determinar conjunto de
relaes temporais que
pertencem ao conjunto de
premissas e que ainda no
foram introduzidas 1
A partir do conjunto obtido
em 1, obter o subconjunto
de relaes temporais
cujas variveis estejam
j definidas 2
S
Todas as relaes
temporais j foram
definidas (repetio de
premissa temporal
(Caso 3)
N
O conjunto
obtido em 2
vazio ?
S
Ambas as
variveis esto
erradas ?
Ainda no possvel definir
uma relao temporal porque
pelo menos uma das variveis
que devem substituir as
variveis incorrectas no est
definida (Caso 1)
S
N
Ainda no possvel definir
uma relao temporal porque
a varivel incorrecta deve ser
substituda por uma varivel
ainda no definida
(Caso 2)
Seguir para o padro de erro seguinte (padro
de erro 12 - variveis erradas, sendo no entanto
possvel definir pelo menos uma relao
temporal a partir do conjunto de premissas)
N
Figura 7-9- Procedimento para determinar a razo da impossibilidade de definir uma relao
temporal (padro de erro 11)
197

1 Erro 11
3 Variveis temporais erradas (no possvel definir uma relao temporal porque as variveis no
esto definidas (casos 1 e 2) ou porque no existem mais relaes temporais a definir (caso 3))
1 Ambas as variveis que introduziu no fazem parte da relao temporal.
2 Ambas as variveis que introduziu no fazem parte da relao temporal. No entanto,
pelo menos uma das variveis em falta diz respeito ao instante de um facto que ainda
no foi declarado no conjunto de premissas.
Caso 1
3 Aconselho-o a abandonar para j a definio desta relao temporal. Defina o facto ou
os factos a que correspondem os instantes em falta e depois volte a tentar definir a
relao temporal.
1 Uma das variveis que introduziu no faz parte da relao temporal.
2 Uma das variveis que introduziu no faz parte da relao temporal. No entanto, a
varivel em falta diz respeito ao instante de um facto ainda no declarado no conjunto
de premissas.
Caso 2
3 Aconselho-o a abandonar para j a definio desta relao temporal. Defina o facto a
que corresponde o instante em falta e depois volte a tentar definir a relao temporal.
1 Todas as relaes temporais referentes a esta fase j foram definidas.
6
Caso 3
2 Abandone esta relao temporal e verifique se o conjunto de premissas inclui todos os
factos relevantes. Em caso afirmativo, tente obter a concluso da tabela.
7 1-Limpar campo que contm o erro

O padro de erro 12 corresponde situao em que possvel definir uma relao
temporal, apesar da entrada conter uma ou duas variveis erradas. A Figura 7-10 ilustra o
procedimento usado para determinar o nmero de variveis a corrigir. A determinao do
conjunto de variveis erradas depende da relao temporal que o operador pretende definir.
Assim, o primero passo do algoritmo apresentado na Figura 7-10 responsvel por inferir
a relao temporal que o operador pretende definir.
198

Ambas as
variveis esto
erradas ?
Uma das variveis est
errada (as variveis
necessrias para definir
uma relao temporal
esto definidas) (Caso 2)
Ambas as variveis esto
erradas (as variveis
necessrias para definir
uma relao temporal
esto definidas) (Caso 1)
Estimar a inteno do aluno (determinar a
relao temporal que o aluno est a tentar
definir), considerando a entrada e as relaes
temporais em falta no conjunto de premissas
cujas variveis j se encontram definidas
S
N

1 Erro 12
3 Variveis temporais erradas (uma ou ambas as variveis esto erradas, sendo no entanto possvel
definir pelo menos uma relao temporal)
1 Verifique as variveis que indicou na relao temporal.
2 A relao entre os instantes que indicou no relevante. Tente relacionar os instantes
dos factos A e B.
Caso 1
3 Deve considerar os instantes T
A
e T
B
.
1 Verifique as variveis que indicou na relao temporal.
2 O instante T1 (varivel correcta) refere-se ao instante do facto A. Tente relacionar este
instante com o instante de outro facto relevante.
3 Tente relacionar os instantes dos factos A e B.
6
Caso 2
4 Deve considerar os instantes T
A
e T
B
.
7 1-Apresentar mensagem: A relao temporal X
2-Preencher campo

1 Erro 13
3 O operador utilizado na relao temporal no est correcto (ausncia ou uso indevido do operador
Figura 7-10- Procedimento para determinar o nmero de variveis a corrigir
(padro de erro 12)
199
mdulo). As variveis esto correctas.
1 Verifique o operador que usou na relao temporal.
Utilizao
indevida
do
operador
mdulo
O operador mdulo deve ser usado quando a ordem de ocorrncia dos factos
relativos aos instantes T1 e T2 no relevante. Neste caso necessrio garantir que
T2 posterior a T1. Portanto dever utilizar a relao temporal que no inclui o
operador mdulo.
6
2
Ausncia
do
operador
mdulo
A condio temporal que indicou exige que o instante T2 posterior ao instante T1.
Neste caso basta garantir que os dois instantes no esto separados por mais de X
centsimos de segundo, independentemente da ordem de ocorrncia dos factos a que
se referem os instantes. Portanto dever utilizar a relao temporal que inclua o
operador mdulo.
2-Preencher o campo

1 Erro 14
3 Erro na ordem das variveis temporais (no caso da relao temporal no incluir o operador mdulo)
1 Verifique a ordem das variveis na relao temporal. 6
2 Neste caso necessrio garantir que o instante T2 posterior ao instante T1. Portanto dever
trocar a posio das variveis.
2-Preencher campo

1 Erro 15
3 Erro no termo do lado direito da relao temporal (limite do intervalo da relao temporal)
1 Verifique o limite do intervalo da relao temporal (termo do lado direito). 6
2 necessrio garantir que os instantes de observao dos factos X e Y no difiram mais do que Z
centsimos de segundo. Portanto dever alterar o termo do lado direito para Z.
2-Preencher campo

200
Categoria de Padres de Erro de Concluso de Tabela
1 Erro 16
2 Erros de concluso de tabela
3 Ausncia de um ou mais itens no conjunto de premissas. Apenas se considera o conceito. O instante
no considerado.
5 1-O conceito representado a vermelho
2-Assim que o operador preencher uma nova premissa o campo de concluso limpo
1 Verifique o conjunto de premissas. 6
2 Ainda no possvel obter a concluso da fase presente porque o conjunto de premissas est
incompleto.
7 1-Limpar concluso introduzida pelo operador

1 Erro 17
3 Item introduzido como concluso uma premissa da tabela. Apenas se considera o conceito. O erro
detectado antes da introduo do instante.
4 Introduo do conceito. No caso do conceito se tratar de uma relao temporal o erro deve ser
detectado assim que o item seleccionado.
1 O campo que acabou de preencher deve ser ocupado com a concluso da fase presente. 6
2 Est a tentar introduzir uma premissa no campo reservado concluso da fase presente.
7 1-Limpar concluso introduzida pelo operador

1 Erro 18
3 O conceito est correcto mas o instante est errado
1 Verifique o instante da concluso que introduziu.
2 Verifique o instante do facto X, referente instalao Y e painel Z.
3 O instante do facto X corresponde ao instante da mensagem Y.
6
4 Deve seleccionar o instante da mensagem Y, que T.
7 1-Apresentar mensagem: O instante T
2-Preencher campo
201
7.5.2.1.4 Padres de Erro no Modo Livre
Nesta seco so apresentados os padres de erro identificados para o modo livre
de resoluo de problemas. A ordem dos padres segue a sequncia pela qual so
pesquisados. Estes encontram-se ainda agrupados de acordo com a categoria a que
pertencem.

Categoria de Padres de Erro Genricos
Os padres de erro desta categoria aplicam-se a qualquer tipo de conceito. No
entanto, os conceitos que traduzem relaes temporais so tratados de forma diferenciada.
Para efeitos de instanciao de qualquer padro de erro desta categoria, as relaes
temporais definidas pelo operador so tratadas como relaes temporais genricas, em que
as variveis usadas, o operador e o intervalo temporal no so considerados. A exatido
destes componentes ser considerada pelos padres de erro da categoria de padres de erro
de premissas do tipo 2 (condies temporais).

1 Erro 1
2 Erros genricos
3 O conceito no pertence a qualquer das cadeias de inferncia dos incidentes contidos no problema.
Apenas se considera o conceito. O instante no considerado.
6 1 O facto no relevante para o diagnstico do incidente
7 Passar ao modo restrito

1 Erro 2
2 Erros genricos
3 O conceito refere-se a outra instalao. Apenas se considera o conceito. O instante no considerado.
1 Verifique a instalao a que se refere o facto que introduziu 6
2 Est a diagnosticar um incidente ocorrido na instalao X. Todos os factos tm que estar
relacionados com a instalao X

202
1 Erro 3
2 Erros genricos
3 O conceito refere-se mesma instalao mas a um painel diferente. Apenas se considera o conceito. O
instante no considerado.
1 Verifique o painel a que se refere o facto que introduziu 6
2 Est a diagnosticar um incidente ocorrido no painel P da instalao X. O facto que introduziu
refere-se a outro painel da instalao X. Todos os factos tm que estar relacionados com o painel
P da instalao X

Categoria de Padres de Erro de Premissas do Tipo 1 (Mensagens SCADA e
Concluses Intermdias)
1 Erro 4
3 O conceito foi utilizado anteriormente para obter uma concluso intermdia (de forma directa ou
indirecta) que tambm se encontra no conjunto de premissas (ou seja, premissas que se encontram a
montante da concluso intermdia que tambm foi includa no conjunto de premissas). Este erro
corresponde violao da restrio 1 (seco 7.4.1.1), inerente s restries impostas no modo livre.
1 Num conjunto de premissas no podem coexistir uma concluso intermdia obtida anteriormente
com factos que foram usados na obteno dessa mesma concluso, quer de forma directa, quer de
forma indirecta. Por outras palavras, no conjunto de premissas da tabela uma concluso
intermdia no pode coexistir com factos que se encontrem a montante na cadeia de inferncia.
Introduo de
uma
concluso
intermdia
O facto que acabou de inserir constitui uma concluso intermdia que foi obtida
por uma regra que usou como premissas factos que tambm esto includos no
conjunto de premissas da tabela.
2
Introduo de
uma
mensagem
SCADA
A mensagem SCADA que inseriu foi usada para obter uma concluso intermdia
que tambm est presente no conjunto de premissas da tabela.
6
3
Introduo de
uma
concluso
intermdia
Dever remover a concluso intermdia que introduziu ou, em alternativa,
remover o facto ou os factos que permitiram a obteno dessa concluso. Se optar
pela segunda alternativa dever recomear o preenchimento da tabela, limpando o
seu contedo.
203

Introduo de
uma
mensagem
SCADA
Dever remover a mensagem SCADA que inseriu uma vez que a influncia do
evento a que corresponde esta mensagem j est considerada numa concluso
intermdia presente na tabela.

1 Erro 5
2 Erros de premissas do tipo 1 (concluses intermdias apenas)
3 Introduo como premissa de uma concluso intermdia que ainda no tenha sido obtida pelo
operador. Este erro corresponde violao da restrio 4 (seco 7.4.1.1), inerente s restries
impostas no modo livre.
1 O facto X ainda no foi definido.
2 Para usar uma concluso intermdia como premissa esta dever ter sido obtida como concluso
numa tabela anterior.
6
3 Remova o facto que introduziu e insira o conjunto de premissas que permitam concluir esse
facto. Em alternativa, recomece o preenchimento da tabela e obtenha como concluso o facto que
introduziu.

1 Erro 6
3 O conceito e o instante correspondem a um facto que apesar de pertencer mesma instalao e painel
no est relacionado com o incidente (corresponde a um facto anterior ou posterior queles includos
na cadeia de inferncia).
5 O conceito e o instante so representados a vermelho
1 O facto que indicou, embora diga respeito ao mesmo painel, refere-se a um incidente distinto,
sem correlao no tempo
6
2 O instante que indicou diz respeito observao deste facto relativo a um outro incidente no
mesmo painel. Verifique o instante do facto que introduziu

1 Erro 7
3 O conceito e o instante correspondem a um facto que foi utilizado previamente como premissa na
mesma tabela (repetio de premissas).
204
5 O conceito e o instante so representados a vermelho
2 A premissa que introduziu repetida

1 Erro 8
3 Conceito correcto, instante incorrecto.
1 Verifique o instante da premissa que introduziu
Mensagem
SCADA
Verifique o instante da mensagem X proveniente da instalao I e painel P na lista de
mensagens SCADA
6
2
Concluso
intermdia
Verifique o instante do facto X referente instalao I e painel P na lista de
concluses j obtidas
2-Preencher item

Categoria de Padres de Erro de Premissas do Tipo 2 (Relaes Temporais)
Esta classe de padres de erro constituda pelos padres 9 a 15 que correspondem
aos padres de erro 9 a 15 do modo restrito.
No entanto, existe uma alterao a efectuar no algoritmo para determinar a razo da
impossibilidade de definir uma restrio temporal, usado no padro de erro 11 do modo
restrito. O conjunto de relaes temporais obtido no processo 1 do algoritmo apresentado
na Figura 7-9, deve incluir todas as premissas temporais presentes na cadeia de inferncia
do incidente. Esta alterao deve-se ao facto de que no modo livre o aluno pode introduzir
no conjunto de premissas da tabela premissas pertencentes a diferentes fases do
diagnstico, enquanto que no modo restrito estas premissas devem limitar-se quelas
includas na fase considerada.
A ausncia de ajuda procedimental do tipo O que fazer? no modo livre de
resoluo de problemas conduz a outra alterao nos padres de erro desta categoria, em
205
relao aos padres de erro do modo livre correspondentes. Assim, sempre que o valor do
atributo 7 dos padres de erro indicar que a ajuda do tipo O que fazer? deve passar a
estar disponvel, esta indicao substituda pela mudana do modo de resoluo de
problemas para o modo restrito.

Categoria de Padres de Erro de Concluso de Tabela
1 Erro 16
3 Ausncia de um ou mais conceitos no conjunto de premissas relevantes para a concluso (inclui
tambm os conceitos obrigatrios para que se possa alcanar a concluso apresentada estes
conceitos incluem as mensagens SCADA e as condies temporais que se encontram imediatamente a
montante da concluso apresentada). Este erro corresponde violao da restrio 2 (seco 7.4.1.1),
inerente s restries impostas no modo livre.
1 Verifique o conjunto de premissas. 6
2 Ainda no possvel obter a concluso da fase presente porque o conjunto de premissas est
incompleto.

1 Erro 17
3 Existncia de um conceito nas premissas da tabela que se encontra a jusante da concluso na cadeia de
inferncia. Este erro corresponde violao da restrio 3 (seco 7.4.1.1), inerente s restries
impostas no modo livre.
5 O item representado a vermelho
Assim que o aluno preencher uma nova premissa o campo de concluso limpo
1 Verifique o conjunto de premissas e a concluso que introduziu.
2 O conjunto de premissas contm um facto que s pode ser observado aps a obteno da
concluso que acabou de introduzir. A concluso deve depender das premissas.
6
3 Altere a concluso ou preencha a tabela de novo.

206

1 Erro 18
3 Conceito usado previamente como concluso em outra tabela (repetio da concluso).
1 Verifique a concluso que inseriu. 6
2 Anteriormente j obteve esta concluso em outra tabela.

1 Erro 19
3 Conceito correcto, instante incorrecto.
1 Verifique o instante da concluso que introduziu.
2 Verifique o instante do facto X, referente instalao Y e painel Z.
3 O instante do facto X corresponde ao instante da mensagem Y.
6
4 Deve seleccionar o instante da mensagem Y, que T.
2-Preencher o campo

7.5.2.1.5 Inferncia das Intenes do Aluno Aquando da Definio de Relaes
Temporais
Os erros presentes numa relao temporal podem dever-se essencialmente a um dos
seguintes motivos:
Os erros foram provocados pela falta de conhecimento acerca da relao temporal,
nomeadamente devido ao desconhecimento acerca de que factos devem ser
relacionados temporalmente e de que forma;
Os erros devem-se a uma distraco momentnea.
Na situao em que o operador se encontra a definir a ltima concluso temporal, o
tutor conduzir o operador de forma a que este alcance a relao temporal correcta. Por
207
outro lado, se existe mais do que uma relao temporal por definir, o tutor necessita de
centrar a sua ateno numa das relaes temporais, de forma a seleccionar o conjunto de
dicas mais adequadas para que o operador adquira o conceito envolvido.
No caso dos erros serem provocados pela falta de conhecimento acerca da relao
temporal, a ordem pela qual o tutor escolhe uma das relaes temporais no ser relevante.
Pelo contrrio, se os erros so devidos a uma distraco momentnea, o operador tem por
objectivo definir uma relao temporal bem definida. Neste caso, o tutor dever tentar
inferir qual a relao temporal presente no objectivo do operador. Perante esta situao, se
o tutor seleccionar de forma arbitrria uma outra relao temporal que no a pretendida
pelo operador, as dicas fornecidas pelo tutor podem tornar-se confusas.
A partir de uma entrada incorrecta do operador no fcil determinar a inteno
deste e muito menos detectar a razo subjacente ao erro.
A razo subjacente ao erro do aluno no fcil de detectar. No entanto, possvel
estimar qual a relao temporal que o operador pretende definir atravs da anlise da
entrada do operador e do conjunto de premissas temporais que se encontram por definir. A
abordagem adoptada para obter esta estimativa baseia-se na teoria da probabilidade
condicional. Atravs desta abordagem pretende-se determinar a probabilidade de cada uma
das relaes temporais em falta coincidir com a relao temporal que o operador pretende
definir. A probabilidade do operador pretender definir uma determinada relao temporal
condicionada pela observao da entrada do operador. No caso das relaes temporais, a
entrada do operador constituda pelos seguintes quatro componentes:
Duas variveis temporais (termos 1 e 2 do lado esquerdo da relao temporal);
Operador da relao temporal (existncia ou ausncia do operador mdulo);
Termo do lado direito da relao temporal (intervalo da relao temporal).
A observao destes componentes condiciona a probabilidade do operador
pretender definir cada uma das relaes temporais em falta.
Seja H
i
a hiptese da inteno do operador ser a representao do conceito c
i
. A
cada premissa temporal em falta corresponde uma hiptese H
i
. Considere-se ainda O como
sendo a entrada observada do operador. O conjunto de hipteses H
i
constitui o conjunto de
208
causas possveis para a entrada observada O. Pretende-se calcular a probabilidade de cada
uma das hipteses, que representam as vrias relaes temporais em falta, constituir a
inteno do operador dada a observao da entrada O. Portanto, P(H
i
|O) a probabilidade
da hiptese H
i
ser verdadeira perante a evidncia O, ou seja, a probabilidade da relao
temporal representada pela hiptese H
i
ser a causa da entrada observada O. Aplicando a
frmula de Bayes temos:
A constante k corresponde ao nmero de hipteses a considerar. P(O|H
i
) representa
a probabilidade da entrada observada O estar relacionada com o conceito representado por
H
i
, ou por outras palavras, representa a probabilidade da evidncia O ser observada se a
hiptese H
i
verdadeira. Esta probabilidade definida de forma emprica e traduz em que
medida que a entrada observada O representa a relao temporal representada por H
i
. Se
O coincidir com H
i
, ento P(O|H
i
)=1. No caso oposto, se O no apresentar qualquer
semelhana com H
i
, ento P(O|H
i
)=0. A definio da probabilidade P(O|H
i
) reflecte as
semelhanas existentes entre O e H
i
e obtida a partir da comparao dos componentes
que compem as relaes temporais e que foram apresentados anteriormente. A
probabilidade P(O|H
i
) estimada de forma emprica a partir da comparao entre os 4
componentes que compem O e H
i
. P(O|H
i
) estimada pela adio de uma parcela por
cada componente coincidente em O e H
i
. Assim, por cada componente coincidente em O e
H
i
, a P(O|H
i
) adicionado 0.3, no caso do componente comparado ser uma varivel
temporal, e 0.2 no caso do componente comparado constituir o operador temporal ou o
intervalo da relao temporal. Desta forma, atribui-se maior importncia s variveis
temporais em relao aos restantes componentes da relao temporal. Esta distino deve-
-se ao facto de que entre o conhecimento subjacente a qualquer relao temporal, o
conjunto de conceitos nela envolvidos e que caracterizado pelas variveis temporais,
considerado como sendo o conhecimento mais relevante. Este facto consistente com a
ordem pela qual o tutor tenta remediar os erros do aluno presentes numa relao temporal.
Perante a ocorrncia de vrios erros, o tutor comea por tentar remediar eventuais erros

(7.2)
( )
( ) ( )
( ) ( )
. k , 2, 1, i ,
H O P H P
H O P H P
O H P
k
1 j
j j
i i
i
K =
=
209
existentes nas variveis temporais e s depois considera os erros existentes no operador e
no intervalo da relao temporal. Por exemplo, se uma dada entrada observada O contiver
3 componentes coincidentes com uma relao temporal H
i
, correspondendo dois destes a
duas variveis temporais e o terceiro ao intervalo da relao temporal, ento P(O|H
i
)=0,8
(0.3+0.3+0.2). No que diz respeito s variveis temporais, a sua posio no lado esquerdo
da relao temporal no considerada, verificando-se apenas se esto ou no presentes. A
existncia eventual de troca de posio das variveis temporais tratada pelo padro de
erro 14.
P(H
i
) a probabilidade a priori da hiptese H
i
ser verdadeira na ausncia de
observao de qualquer entrada. Esta probabilidade estimada a partir do nvel de
conhecimento do operador em cada um dos conceitos representados pelo conjunto de
hipteses H
1
H
k
.
As variveis do modelo do operador representam a aptido do operador no que diz
respeito aplicao de cada um dos conceitos do domnio na tarefa de diagnstico de
incidentes. A estimativa da probabilidade P(H
i
) baseia-se no princpio de que existe maior
probabilidade do operador ter a tendncia de usar em primeiro lugar o conceito sobre o
qual detm maior domnio. Por exemplo, entre as hipteses H
1
e H
2
que representam a
utilizao dos conceitos c
1
e c
2
respectivamente, P(H
1
) (probabilidade do operador optar
por usar o conceito c
1
) ser maior do que P(H
2
) se o operador demonstrou anteriormente
ter mais conhecimento sobre o conceito c
1
do que sobre c
2
. Sendo K
ct
n
( ) 2
a varivel do
modelo do operador que contm a estimativa do nvel de conhecimento do operador acerca
do conceito temporal ct
n
e H
n
a hiptese do operador usar o conceito temporal ct
n
, a
estimativa da probabilidade a priori P(H
n
) ser:

2
So utilizados valores escalares, obtidos a partir dos vectores de crena usados para representar a estimativa
do nvel de conhecimento do operador acerca dos conceitos do domnio.
210

(7.3) ( )
=
k
ct
ct
n
k
n
K
K
H P
Se considerarmos que a probabilidade de cada uma das hipteses igual a (1/k),
obtm-se um formalismo alternativo:

(7.4)
( ) k
K
K
p que em , p
k
1
H P
k
ct
ct
ct ct n
k
n
n n
= =
em que p
ctn
o peso associado ao nvel de conhecimento do operador acerca do conceito
do domnio ct
n
.
A estimativa das probabilidades P(O|H
i
) e P(H
i
) poder vir a ser realizada com
maior rigor, atravs da utilizao de redes bayesianas construdas a partir de dados obtidos
da observao de um conjunto significativo de operadores. No entanto, as estimativas
utilizadas permitem obter bons resultados.
Como exemplo, considere-se a situao em que num conjunto de premissas existem
duas premissas temporais em falta (ct1 e ct2). A partir da observao da entrada do
operador pretende-se obter qual das duas premissas temporais tem maior probabilidade de
corresponder inteno do operador. A Figura 7-11 representa a situao e inclui quatro
entradas de relaes temporais possveis do operador.
30 T T
2 1

1
O
50 T T
2 1

2
O
30 T T
3 1

3
O
30 T T
1 2

4
O
( )
1 1
H O P
( )
2 4
H O P
30 T T
2 1
1 ct : H
1
30 T T
1 3
2 ct : H
2
Figura 7-11- Determinao da inteno do operador na definio de uma relao temporal
211
Considere-se ainda que a estimativa contida no modelo do aluno sobre o nvel de
conhecimento acerca dos conceitos temporais envolvidos ct1 e ct2 respectivamente
K
ct1
=0,6 e K
ct2
=0,2. A estimativa das probabilidades a priori P(H
n
) ser:
( )
( ) 25 , 0
2 , 0 6 , 0
2 , 0
K K
K
H P
75 , 0
2 , 0 6 , 0
6 , 0
K K
K
H P
2 1
2
2 1
1
ct ct
ct
2
ct ct
ct
1
=
+
=
+
=
=
+
=
+
=

As probabilidades condicionais so:
( )
( )
( )
( )
( )
( )
( )
( ) 7 , 0 2 , 0 2 , 0 3 , 0 H | 4 O P
8 , 0 2 , 0 3 , 0 3 , 0 H | O P
8 , 0 2 , 0 3 , 0 3 , 0 H | O P
7 , 0 2 , 0 2 , 0 3 , 0 H | O P
5 , 0 2 , 0 3 , 0 H | O P
6 , 0 3 , 0 3 , 0 H | O P
7 , 0 2 , 0 2 , 0 3 , 0 H | O P
8 , 0 2 , 0 3 , 0 3 , 0 H | O P
2
1 4
2 3
1 3
2 2
1 2
2 1
1 1
= + + =
= + + =
= + + =
= + + =
= + =
= + =
= + + =
= + + =

Aplicando a equao 7.2 obtm-se as seguintes probabilidades:
( )
( )
( )
( )
( )
( )
( )
( ) 23 , 0
7 , 0 25 , 0 8 , 0 75 , 0
7 , 0 25 , 0
O H P
77 , 0
7 , 0 25 , 0 8 , 0 75 , 0
8 , 0 75 , 0
O H P
28 , 0
8 , 0 25 , 0 7 , 0 75 , 0
8 , 0 25 , 0
O H P
72 , 0
8 , 0 25 , 0 7 , 0 75 , 0
7 , 0 75 , 0
O H P
22 , 0
5 , 0 25 , 0 6 , 0 75 , 0
5 , 0 25 , 0
O H P
78 , 0
5 , 0 25 , 0 6 , 0 75 , 0
6 , 0 75 , 0
O H P
23 , 0
7 , 0 25 , 0 8 , 0 75 , 0
7 , 0 25 , 0
O H P
77 , 0
7 , 0 25 , 0 8 , 0 75 , 0
8 , 0 75 , 0
O H P
4 2
4 1
3 2
3 1
2 2
2 1
1 2
1 1
=
+

=
=
+

=
=
+

=
=
+

=
=
+

=
=
+

=
=
+

=
=
+

=

212
No exemplo apresentado, a hiptese H
1
escolhida para qualquer uma das quatro
entradas do operador.
O algoritmo desenvolvido permite determinar a probabilidade do operador
pretender definir cada uma das relaes temporais em falta, condicionada pela entrada
observada do operador e pelo seu desempenho anterior em cada uma das relaes
temporais. As probabilidades definidas permitem seleccionar a relao temporal que tem
maior probabilidade de constituir a inteno do operador. Estas probabilidades fazem
sentido no caso do erro do operador se dever a uma distraco momentnea ou a um erro
de preenchimento do respectivo campo. No caso do erro do operador ser provocado pela
falta de conhecimento acerca das relaes temporais em falta, as probabilidades obtidas
pelo algoritmo serviro apenas para determinar entre as relaes temporais em falta, aquela
que se assemelha mais entrada do operador.
7.5.2.2 Ajuda Procedimental
Conforme foi referido anteriormente, este tipo de ajuda s oferecido no modo
restrito de resoluo de problemas. Os conceitos do domnio contm um conjunto de
ajudas que tm por objectivo conduzir o operador na utilizao de cada conceito. Estas
ajudas sero apresentadas a pedido do operador, atravs do boto O que fazer?. Este
boto encontra-se disponvel sempre que o boto O que est errado? no estiver
disponvel. O primeiro estar disponvel em duas situaes:
Quando no existe nenhuma entrada assinalada a vermelho, ou seja, na situao em
que o operador no cometeu qualquer erro mas no sabe qual o passo que deve dar
a seguir;
Quando o operador cometeu um erro e o tutor j lhe forneceu todas as ajudas
definidas no respectivo padro de erro.
Se o operador pedir ajuda sobre o que fazer a seguir, o tutor dever determinar
qual o prximo conceito que deve ser definido. Este poder ser uma premissa ou a
concluso da tabela se o conjunto de premissas estiver completo.
Para seleccionar uma premissa necessrio definir um conjunto de regras de
prioridade que permitam ao tutor conduzir o operador atravs de uma das premissas. Ao
213
contrrio do que acontece na concluso da tabela, o operador tem vrias alternativas para
preencher a tabela. A deciso do tutor deve ter em conta o conjunto de premissas ainda por
preencher e por outro lado, no caso de existir algum erro assinalado, o tipo de conceito
introduzido incorrectamente. Neste ltimo caso, provvel que o operador tenha inteno
de definir uma premissa do mesmo tipo. O algoritmo que se apresenta na Figura 7-12
define o procedimento utilizado para seleccionar uma premissa.

Pedido de
ajuda atravs
do boto "O
que fazer?"
Existe algum
erro assinalado?
Entre
o conjunto de
premissas em falta
existe alguma do
mesmo tipo do que
o erro?
Seleccionar uma das
premissas para
conduzir o operador
de acordo com as
regras de prioridade
N
Selecionar uma das
premissas do mesmo
tipo do conceito
introduzido de
acordo com as
regras de prioridade
S
S N
Determinar conjunto
de premissas em
falta
Limpar campo que
contenha erro, se
existir
O conj. de
premissas est
completo?
N
Apresentar ajudas
relacionadas com a
concluso correcta
S
Figura 7-12- Procedimento para seleco do conceito acerca do qual ser
apresentada ajuda
A prioridade entre os diferentes tipos de conceitos a seguinte: eventos, concluses
intermdias (factos internos) e relaes temporais. A prioridade entre conceitos do mesmo
tipo depende do tipo de conceito. Consideram-se dois casos:
Eventos e concluses intermdias a prioridade definida por ordem crescente do
instante associado ao conceito (T
1
, T
2
, ..., T
7
);
Relaes temporais so usados dois critrios:
214
atribuda prioridade relao temporal em que intervm a varivel temporal
que corresponde ao instante mais prximo do incio do incidente;
Em caso de empate no critrio anterior, usado o mesmo critrio sobre a
varivel que sobra.
No que diz respeito aos conceitos relacionados com eventos ou relaes temporais,
estes apenas so utilizados como premissas. No entanto, no que se refere aos conceitos do
tipo concluso intermdia, estes tanto podem ser utilizados como premissas, assim como
concluses das tabelas. Por este motivo, necessrio definir ajudas associadas a este tipo
de conceitos para ambos os casos: utilizao como premissa ou como concluso.

Ajudas Associadas aos Conceitos do Domnio quando Usados como Premissas
Para evitar uma listagem exaustiva, apresenta-se a seguir, a ttulo de exemplo, as
ajudas definidas para um conceito de cada tipo (evento, relao temporal e concluso
intermdia).

Conceito ce1 evento DISPARO 01 (Conceito de evento)
Etapa Aces do tutor
1 1-Apresentar dica: Procure a mensagem SCADA que identifica a ocorrncia de DISPARO
2 1-Apresentar dica: DISPARO 01, instante T1
2-Preencher item

Conceito ct1 relao temporal |T
1
-T
2
|30 (Conceito de relao temporal)
Etapa Aces do tutor
1 1-Apresentar dica: Relacione temporalmente os eventos de DISPARO e DISJUNTOR em
movimento
2 1-Apresentar dica: Os instantes dos eventos DISPARO e DISJUNTOR em movimento no
diferem mais do que 30 centsimos de segundo, ou seja |T
1
-T
2
|30
2-Preencher item

Conceito cs5 disparo trifsico no identificado (Conceito de concluso intermdia)
Etapa Aces do tutor
1 1-Apresentar dica: Procure a concluso j obtida de DISPARO TRIFSICO NO
IDENTIFICADO
215
2 1-Apresentar dica: DISPARO TRIFSICO NO IDENTIFICADO, instante T1
2-Preencher item

Ajudas Associadas aos Conceitos do Domnio quando Usados como Concluso de
Tabela
Este conjunto de ajudas s dever ser apresentado na situao em que o operador
completou o preenchimento do conjunto de premissas de uma tabela de predio. Deste
modo, se o operador pressiona o boto O que fazer? depois de ter seleccionado uma
concluso errada e se o conjunto de premissas no estiver completo, o tutor dever
seleccionar uma premissa para orientar o operador. Esta situao pode ocorrer se for
detectado um erro do tipo genrico (este tipo de erros detectado antes dos erros de
concluso de tabela).
No caso do operador no ter introduzido qualquer concluso, a ajuda apresentada
pelo tutor deve incluir, para alm da concluso correcta, uma justificao para a concluso
que relacione o conjunto de premissas com a concluso.
Em alternativa, se o operador tiver introduzido uma concluso errada, o tutor
dever apresentar, para alm da concluso correcta, uma explicao do tipo porque no.
Esta explicao permitir justificar porque razo a concluso obtida pelo operador no se
aplica ao conjunto de premissas.
As ajudas a apresentar pretendem conduzir o operador at ao conceito que constitui
a concluso correcta para a tabela. Como exemplo, apresenta-se a seguir as ajudas
relacionadas com a obteno da concluso disparo trifsico no identificado:

Conceito correcto cs5 disparo trifsico no identificado
Item seleccionado pelo
aluno como concluso
Etapa Aces do tutor
1 1-Apresentar explicao: Neste caso no possvel concluir um
disparo monofsico porque se verifica que o disjuntor abriu (evento
DISJUNTOR 10). A presena deste evento significa que todos os
plos do disjuntor abriram.
cs6
2 1-Apresentar soluo: DISPARO TRIFSICO NO
IDENTIFICADO, instante T
2-Preencher campo
216
1 1-Apresentar explicao: S possvel concluir que ocorreu uma
religao quando, aps o disparo, se verifica que o disjuntor fechou
(evento DISJUNTOR 01).
cs7, cs8
2-Preencher campo
1 1-Apresentar explicao: Nesta fase pretende-se caracterizar o
disparo em termos de fases envolvidas (disparo trifsico ou
monofsico).
cs9, cs10, cs11, cs12 e
cs13
2-Preencher campo
1 1-Apresentar mensagem: Tente definir a concluso da fase presente (nenhum item foi
seleccionado como
concluso)
2 1-Apresentar explicao: O conjunto de premissas conduz
concluso de DISPARO TRIFSICO NO IDENTIFICADO no
instante T
2-Preencher campo
1 1-Apresentar explicao: Nesta fase pretende-se caracterizar o
disparo em termos de fases envolvidas (disparo trifsico ou
monofsico).
nenhum dos anteriores
2-Preencher campo

7.5.3 Actualizao do Modelo do Operador em Funo das suas Entradas e da
Ajuda Fornecida
A actualizao das variveis do modelo do operador depende do seu desempenho
durante a resoluo dos problemas que lhe so propostos. O operador avaliado a partir da
aplicao de cada um dos conceitos do domnio no preenchimento das tabelas de predio.
Assim, quando o operador aplica um conceito correctamente, a varivel correspondente do
modelo do operador actualizada positivamente. O factor de actualizao positiva
determinado a partir do tempo utilizado pelo operador para inserir o conceito correcto.
Quanto menor for o tempo utilizado, maior ser o factor de actualizao positiva. Pelo
contrrio, a aplicao incorrecta de um conceito tem uma repercusso negativa na
actualizao da respectiva varivel do modelo do operador. A introduo de um conceito
217
errado considerada como uma evidncia de que o operador no sabe aplicar o conceito. A
repercusso negativa na actualizao das variveis impede que seja vantajoso para o
operador a utilizao de uma estratgia que assente na introduo de entradas at que a
resposta certa seja alcanada (ou seja, at que o respectivo campo seja apresentado a
verde). O factor de actualizao negativa depende do nmero de dicas apresentadas pelo
tutor aps a identificao do erro.
A existncia de deficincias no conhecimento do operador no constitui a nica
causa para a ocorrncia de erros. Os erros podem tambm ser causados por lapsos no
preenchimento da tabela, possivelmente devido a uma falha na manipulao da interface.
Este tipo de erros no deve ser considerado para a actualizao das variveis do modelo do
operador. Com o intuito de desprezar este tipo de erros utilizado o seguinte
procedimento: se a aplicao correcta de um conceito for precedida pela ocorrncia de um
erro e o operador no requer ajuda, a varivel do modelo do operador que corresponde ao
conceito aplicado incorrectamente no actualizada. Nesta situao a aplicao incorrecta
de um conceito desprezada porque, possivelmente, foi devida a uma falha na
manipulao da interface ou foi originada por um lapso momentneo.
O mecanismo utilizado para determinar o factor de actualizao (f.a.) das variveis
do modelo do operador apresentado na Tabela 7-7. A primeira coluna da tabela identifica
o estado do campo a preencher. Os estados possveis e as condies que desencadeiam a
transio entre estados so apresentados na Figura 7-13. A segunda coluna da tabela
contm a condio necessria para que o passo contido na terceira coluna seja efectuado.
O mecanismo apresentado para actualizao das variveis do modelo do operador
diz respeito actualizao de variveis cujos conceitos respectivos so aplicados de forma
explcita, durante a resoluo do problema e atravs do preenchimento das tabelas de
predio. No entanto, no modo livre de resoluo de problemas, o operador no obrigado
a mostrar todos os passos includos no seu raciocnio. Por outras palavras, a aplicao de
alguns conceitos, referentes a concluses intermdias, pode no ser observada. Neste caso,
o operador evidncia o conhecimento destes conceitos embora no sejam aplicados de
forma explcita. Uma vez que nesta situao a aplicao dos conceitos no observada, a
actualizao das respectivas variveis realizada no fim da resoluo de cada problema e
218
sempre que haja evidncia de que o operador fez trs utilizaes correctas do conceito de
forma no explcita.
Tabela 7-7- Determinao do factor de actualizao das variveis do modelo do operador
Estado Condio Aco
1 n_itens_incorrectos_introduzidos = 0
2 Conceito
incorrecto
introduzido
n_itens_incorrectos_introduzidos ++
3 Conceito
correcto
introduzido
Se o boto o que fazer? foi pressionado
Actualizar negativamente a varivel do modelo do operador que
corresponde ao conceito inserido correctamente, utilizando o seguinte factor
de actualizao:

Se n_itens_incorrectos>0
x: x conjunto de conceitos introduzidos incorrectamente, actualizar
negativamente a varivel do modelo do aluno que corresponde ao
conceito x, utilizando o seguinte factor de actualizao:

(Nota: +1 deve-se penalizao correspondente sinalizao do erro
resposta imediata do tutor)
Seno
Actualizar positivamente a varivel do modelo do operador que corresponde
ao conceito inserido correctamente, utilizando o tempo usado pelo operador
para inserir a resposta correcta na determinao do factor de actualizao

Se n_itens_incorrectos > 1 || (n_itens_incorrectos ==1 &&
n_dicas_tipo_o_que_est_errado > 0)
x: x conjunto de conceitos introduzidos incorrectamente, actualizar
negativamente a varivel do modelo do operador que corresponde ao
conceito x, utilizando o seguinte factor de actualizao:

(Nota: +1 deve-se penalizao correspondente sinalizao do erro, ou
seja resposta imediata do tutor)
o actualiza de mximo
1 o instanciad erro padro do dicas de total n
1 a apresentad dica ltima ndice
. a . f
+
+
=
1 o instanciad erro padro do dicas de total n
1 a apresentad dica ltima ndice
. a . f
+
+
=
conceito ao associadas dicas de total n
a apresentad dica ltima ndice
. a . f =
219
Campo vazio
(estado 1)
Campo preenchido
com conceito correcto
(representado a verde)
(estado 3)
Campo preenchido
com conceito
incorrecto
(representado a
vermelho)
(estado 2)
conceito correcto
introduzido
conceito incorrecto
introduzido
conceito correcto
introduzido
conceito
incorrecto
introduzido
boto "o que fazer?"
pressionado (este
boto est
disponvel quando
no existirem mais
dicas associadas ao
padro de erro
instanciado)
boto "o que est
errado?" pressionado
boto "o que fazer?"
pressionado
Figura 7-13- Representao dos estados do campo a preencher

7.6 Automatizao da Criao de Material Didctico
A preparao de sesses de treino constitui uma tarefa complexa e morosa. Em
ambiente industrial, normalmente, verifica-se que no existe pessoal dedicado
exclusivamente a tarefas de treino. No caso do sector elctrico, a preparao das sesses de
treino realizada em cooperao com os operadores mais experientes [Faria, 2000b; Faria,
2000c]. Estas tarefas assumem, por vezes, um papel secundrio, tendo em conta que as
pessoas mais indicadas para a sua realizao esto diariamente ocupadas com a operao
do sistema de energia. Uma das concluses obtidas pelo grupo de trabalho 38-06-05
organizado pela CIGR (Conseil International des Grands Rseaux lectriques),
denominado Applications of Expert Systems to Education and Training of Power System
Engineers [Susuki, 1994], foi que a preparao das sesses de treino no deve ocupar
muito tempo, de forma a no interromper drasticamente o trabalho normal dos peritos.
Um tutor inteligente ter sucesso em ambiente industrial se as tarefas de gerao e
manuteno das sesses de treino no requererem demasiado esforo e tempo (seco 2.8).
Nas seces 7.6.1 e 7.6.2 so apresentadas ferramentas que permitem automatizar, tanto
220
quanto possvel, a gerao dos problemas para as sesses de treino proporcionadas pelo
sistema desenvolvido.
7.6.1 Ferramenta para Gerao de Cenrios de Treino
A motivao para o desenvolvimento de uma aplicao de gerao automtica de
cenrios de treino surge da necessidade de obter material didctico, de forma to
automtica quanto possvel, para ser utilizado pelo sistema de treino de operadores dos
centros de controlo e conduo da rede elctrica de transporte nacional, operada pela Rede
Elctrica Nacional (REN) [Faria, 2000b; Faria, 2000c].
O material didctico a utilizar nas seces de treino, conduzidas pelo tutor
inteligente, constitudo por conjuntos de mensagens de alarme relacionadas entre si, que
definem determinado caso ocorrido na rede, e pelas concluses que permitem caracterizar
o caso. Por caso entende-se um conjunto de incidentes que esto relacionados entre si.
As mensagens de alarme que chegam ao centro de controlo e conduo so
armazenadas, assim como a anlise de cada um dos incidentes ocorridos. Desta forma,
mantido um histrico das ocorrncias na rede de transporte. A base de dados de incidentes
foi implementada em MS-ACCESS pela REN. A sua manuteno da responsabilidade da
REN e realizada pelos operadores do centro de controlo com a colaborao de um
supervisor. Como a ferramenta para gerao de cenrios de treino (GCT) utiliza
informao contida nesta base de dados, foi necessrio obter a informao relevante num
formato adequado ao seu processamento. Com esta finalidade, foi desenvolvido um
mdulo de pr-processamento.
A tarefa de construo dos cenrios de treino consiste, ento, em encontrar as
relaes existentes entre os diferentes incidentes e as respectivas mensagens de alarme. O
processo de construo dos cenrios de treino torna-se, assim, um processo moroso e
complicado, quando realizado manualmente, tendo em conta que o histrico das
ocorrncias na rede pode conter milhares de casos registados.
Para facilitar e automatizar tanto quanto possvel esta tarefa, foi desenvolvida uma
aplicao denominada Gerador de Cenrios de Treino (GCT). Esta aplicao foi
desenvolvida em linguagem C e dispe de uma base de conhecimento contendo o
conhecimento necessrio para definir os critrios usados no relacionamento dos incidentes.
A aplicao dispe ainda de informao acerca da topologia da rede.
221
7.6.1.1 Critrios Usados para Relacionar os Incidentes
A aplicao GCT utiliza dois critrios para relacionar incidentes. O primeiro um
critrio temporal usado para verificar se os incidentes esto temporalmente
correlacionados. O segundo um critrio geogrfico, usado para verificar se os incidentes
ocorrem em zonas comuns ou adjacentes. Considera-se que os incidentes de um conjunto
esto relacionados entre si, formando assim um caso, se ambos os critrios forem
satisfeitos.
7.6.1.1.1 Critrio Temporal
Este critrio define uma janela temporal em que os incidentes nela contidos esto
temporalmente correlacionados. Assim, se o intervalo entre dois incidentes for inferior a
determinado valor ento os incidentes esto temporalmente correlacionados e ambos
podero estar relacionados no mesmo caso se os restantes critrios forem satisfeitos.
7.6.1.1.2 Critrio Geogrfico
O critrio geogrfico utilizado para verificar se os incidentes se verificam na
mesma instalao ou em instalaes que estejam interligadas por linhas de transmisso.
Definem-se ento dois tipos de adjacncia: adjacncia directa e adjacncia indirecta.
Dois incidentes consideram-se adjacentes directamente se ocorrem na mesma
instalao. Neste caso consideram-se duas hipteses:
adjacncia directa no sentido estrito os incidentes ocorrem no mesmo painel ou
elemento da mesma instalao;
adjacncia directa no sentido lato os incidentes ocorrem na mesma instalao,
podendo, no entanto, ocorrer em painis distintos.
No que diz respeito adjacncia indirecta, pretende-se determinar os incidentes
que, embora no ocorrendo na mesma instalao, constituem um caso de incidente com
consequncias em vrias instalaes da rede. Pretende-se tratar os casos em que um ou
mais incidentes influenciam a ocorrncia de outros incidentes, dando origem propagao
dos incidentes e alargando, assim, a zona afectada da rede.
222
O critrio de adjacncia indirecta satisfeito se os incidentes que se tentam
relacionar ocorrem em instalaes que esto interligadas pelo menos por uma linha de
transmisso. Assim, tal como no critrio adjacncia directa, consideram-se aqui dois casos:
adjacncia indirecta no sentido estrito os incidentes ocorrem em painis de linha
(disjuntores de linha) que formam os extremos de uma linha que estabelea a
interligao entre as duas instalaes;
adjacncia indirecta no sentido lato os incidentes ocorrem em instalaes entre as
quais exista pelo menos uma linha de interligao, no sendo, no entanto,
necessrio que ocorram nos painis que formam os extremos da linha.
7.6.1.2 Parmetros de Configurao
Os parmetros de configurao utilizados para definir os critrios de
relacionamento de incidentes podem ser especificados pelo utilizador e guardados em
ficheiro para utilizaes posteriores.
O funcionamento do GCT pode ser configurado atravs da definio de quatro
parmetros:
critrio temporal diferena mxima de tempo entre dois incidentes para que estes
se considerem relacionados;
critrio de adjacncia directa hipteses de adjacncia directa no sentido estrito ou
no sentido lato;
critrio de adjacncia indirecta hipteses de adjacncia indirecta no sentido estrito
ou no sentido lato;
definio do incio e do fim do cenrio de treino definio da janela temporal
utilizada para isolar as mensagens de alarme que correspondem a cada caso.
O ltimo parmetro utilizado para configurar a aplicao de modo a que possam
ser introduzidas, no cenrio de treino, mensagens de alarme imediatamente anteriores
primeira mensagem de alarme ou imediatamente posteriores ltima mensagem de alarme
que constitui o caso.
223
Na Figura 7-14, onde se apresenta o aspecto geral da interface com o utilizador do
GCT, podem ver-se as opes de configurao da aplicao.

Figura 7-14- Interface com o utilizador do GCT
7.6.2 Ferramenta para Edio de Cenrios de Treino
Os cenrios de treino gerados pela aplicao GCT correspondem a casos reais de
incidente ocorridos na rede e registados num histrico de incidentes. No entanto, existe a
necessidade de preparar os operadores para outras possveis situaes de incidente que no
tenham ainda ocorrido ou sejam pouco comuns e nunca tenham sido registadas [Faria,
2000b; Faria, 2000c]. Surgiu, assim, a necessidade de uma aplicao capaz de gerar tais
casos ou de adaptar casos existentes, permitindo obter novos casos que no poderiam ser
gerados de forma automtica pela aplicao GCT.
A aplicao, denominada Editor de Cenrios de Treino (ECT) e desenvolvida em
PROLOG, permite criar novos cenrios de treino ou alterar cenrios j existentes. No caso
224
de alterao de um cenrio j existente, o utilizador pode remover, inserir ou alterar
incidentes.
Conforme referido na seco 7.6.1, um cenrio de treino definido por um
conjunto de incidentes que se encontram relacionados entre si. A construo ou alterao
de um cenrio de treino consiste na manipulao dos incidentes que compem o cenrio.
As operaes a efectuar sobre os incidentes compreendem a remoo, insero ou
alterao. Os incidentes so definidos por um conjunto de atributos que podem ser
especificados pelo utilizador da aplicao. Estes atributos compreendem:
data e hora de ocorrncia do incidente;
cdigo da instalao e do painel onde ocorre o incidente;
tipo de incidente;
fases envolvidas;
tipo de proteco;
data e hora do fim do incidente.
Aps a definio do conjunto de incidentes que compem o cenrio de treino, a
aplicao gera as mensagens de alarme que correspondem a cada um dos incidentes. Com
esta finalidade, o ECT dispe de uma base de conhecimento onde definido o conjunto de
mensagens de alarme e respectivas relaes temporais para cada tipo de incidente. Dado
que o raciocnio usado no diagnstico dos casos apresentados aos operadores assenta em
questes temporais, a relao temporal entre as vrias mensagens de alarme que definem
cada um dos incidentes torna-se uma questo fundamental para a gerao destas
mensagens.
O conhecimento que permite definir o conjunto de mensagens de alarme para cada
tipo de incidente est representado atravs de factos PROLOG, como se mostra no seguinte
exemplo:

225
incidente( ['DS', 'D1', 'D2', 'D3', 'D4'],
[
(disparo01, T1, 0, 0, 1.0),
(disjuntor_movimento, T2, 10, 30, 0.5),
(disjuntor_aberto, T3, 10, 30, 1.0)
],
[T3 > T2]).

O facto apresentado no exemplo contm 3 argumentos: uma lista de nomes pelos
quais um incidente identificado, uma lista com a definio de cada uma das mensagens
que compem o incidente e, finalmente, uma lista contendo as restries temporais entre os
instantes das vrias mensagens de alarme. Os elementos da lista de mensagens de alarme
so estruturas cujos elementos definem o tipo de mensagem, o instante da mensagem, o
incio e o fim do intervalo que conter o instante da mensagem e a probabilidade da
mensagem.
Nos casos reais existem factores que podem dificultar a interpretao das situaes
de emergncia na rede. Estes factores relacionam-se com a possibilidade de falhas nas
unidades remotas terminais, onde so geradas as mensagens de alarme, e no sistema de
transmisso das mensagens. O primeiro tipo de falhas pode originar a ausncia de algumas
mensagens de alarme, enquanto que o segundo tipo de falha pode introduzir atrasos em
algumas das mensagens de alarme, provocando inverses cronolgicas na sequncia
normal das mensagens.
O ECT permite simular o comportamento no determinstico do conjunto de
mensagens que define cada tipo de incidente. A possibilidade de ausncia de mensagens
modelada atravs da definio de uma probabilidade de ocorrncia para cada tipo de
mensagem de alarme. Esta probabilidade especificada no quinto argumento da estrutura
que define cada uma das mensagens.
O instante de cada uma das mensagens definido atravs de um intervalo relativo
ao instante de outra mensagem de alarme que compe o mesmo incidente ou relativo ao
incio do incidente. A possibilidade de inverso cronolgica das mensagens modelada
226
atravs da possibilidade de especificar um valor negativo para o incio do intervalo relativo
da mensagem. Consideremos o seguinte exemplo:

incidente( Lista_Tipos_Incidente,
[
,
(M1, T1, 10, 20, P1),
(M2, T2, T1+X, T1+Y, P2),

],
Lista_Restries_Temporais_Entre_Incidentes).

O tipo de incidente representado no exemplo composto por um conjunto de
mensagens de alarme, do qual fazem parte as mensagens M1 e M2, sendo habitualmente a
mensagem M1 anterior mensagem M2. A varivel T1, que define o instante da
mensagem M1, ser instanciado com um valor entre 10 e 20 centsimos de segundo gerado
aleatoriamente. Isto significa que o instante da mensagem M1 ser de 100 a 200
milisegundos aps o incio do incidente. O instante da mensagem M2, em relao ao
instante T1, ser definido por um valor gerado aleatoriamente e compreendido entre os
valores de X a Y, em milisegundos. Se X receber um valor negativo, ento o instante da
mensagem M2 pode ser anterior ao instante da mensagem M1. Se, agora, Y for substitudo
por um valor negativo, ento T2 ser inferior a T1 e, consequentemente, a mensagem M2
ser anterior a M1.
Outra questo que surge na composio de novos cenrios de treino prende-se com
o facto de manter a consistncia dos estados dos dispositivos envolvidos nos incidentes, ao
longo de todo o cenrio. Como exemplo consideremos que num cenrio de treino ocorre
um incidente do tipo Disparo Simples no instante T1. Num disparo deste tipo, a
proteco associada ao elemento onde ocorre o incidente no tentou uma religao, sendo
portanto o estado final do elemento aberto. Se o utilizador pretender inserir um novo
disparo num instante posterior a T1, a aplicao no dever permitir tal aco. Torna-se
evidente que para ocorrer um disparo, o elemento em questo tem que estar fechado no
227
instante imediatamente anterior. Verifica-se ento que a insero de novo disparo iria
tornar o cenrio de treino inconsistente, pois o elemento j se encontrava aberto antes que
ocorresse o novo disparo. O conhecimento necessrio manuteno da consistncia ao
longo do cenrio de treino est includo na base de conhecimento.
Depois de definidos os incidentes que compem um cenrio de treino, a aplicao
ter que criar as mensagens de alarme correspondentes. Por este motivo, a base de
conhecimento do ECT contm ainda informao sobre a composio de cada um dos
campos de cada um dos tipos de mensagens de alarme, nomeadamente os campos e
respectivos significados.
A Figura 7-15 apresenta o aspecto geral da interface com o utilizador do ECT.

Figura 7-15- Interface com o utilizador do ECT
7.7 Arquitectura do Sistema de Treino de Operadores
Aps a definio do modelo de treino de operadores de centros de controlo e
conduo de redes elctricas, segue-se a fase que enfatiza o sistema do ponto de vista do
software. Esta fase aproxima o desenvolvimento do ITS da sua realizao fsica como um
228
programa de computador. Nesta etapa, o ITS visto como um sistema de software. Aqui, o
modelo de treino transformado numa arquitectura coerente atravs da aplicao de
princpios de engenharia de software. O aspecto principal presente na definio da
arquitectura consiste em mant-la independente do formalismo de programao usado para
implementar o sistema de treino.
O objectivo desta seco o de apresentar a arquitectura do sistema de treino de
operadores de centros de controlo e conduo de redes elctricas e a sua integrao com o
sistema pericial SPARSE, usado como perito do domnio. A arquitectura do sistema de
treino apresentada na Figura 7-16. Esta arquitectura divide, essencialmente, os seus
componentes em dois tipos principais: mdulos e repositrios de conhecimento. Os
mdulos so processos activos que comunicam entre si para criar o comportamento
inteligente do sistema. Os repositrios de conhecimento, como o nome indica, so
armazns de conhecimento. O protocolo de comunicao adoptado por esta arquitectura
permite a comunicao entre qualquer par de mdulos do sistema.
Os mdulos que compem o sistema de treino e respectiva funo so os seguintes:
Mdulos de planeamento e instruo so os mdulos responsveis pela tomada de
decises pedaggicas do tutor; o mdulo de macro-adaptao define as decises
que antecedem o incio da sesso de treino e o mdulo de micro-adaptao
responsvel pela resposta s aces do operador durante a sesso de treino;
Mdulo de pesquisa de cenrios de treino responsvel pela pesquisa de um
cenrio de treino cujas caractersticas mais se aproximem daquelas definidas pelo
mdulo de macro-adaptao;
Mdulo de gerao do modelo especfico da situao criao do modelo que
descreve o processo de diagnstico de cada um dos incidentes includos no cenrio
de treino;
Mdulo de mapeamento entre os raciocnios do SPARSE e do operador
responsvel pela comparao entre o raciocnio obtido pelo SPARSE e o conjunto
de passos realizados pelo operador durante a resoluo do problema;

229
Sistema de Treino de Operadores
Mdulo Pedaggico
Planeamento e Instruo
Ambiente de Desenvolvimento de Cenrios de
Treino
GCT
Incidentes da
REN
Cenrio de Treino
(CT)
ECT
Biblioteca de
Casos
Supervisores do
Treino de
Operadores
Perito do Domnio
(SPARSE)
Biblioteca de
Cenrios de
Treino
(funcionamento accionado pelo SPARSE)
(funcionamento em modo autnomo)
Mdulo de
Macro-
-adaptao
Mdulo de
Micro-
-adaptao
Dicas
Associadas a
Erros
Dicas
Associadas a
Conceitos
Mdulo de
Gerao do
Modelo
Especfico da
Situao
Mdulo de
Pesquisa de CT
Padres de Erro
Regras para
Definio de
Caractersticas
do Problema
Modelo do
Domnio
Mdulo de
Gesto da
Interface com o
Operador
Mdulo de
Mapeamento
entre os
Raciocnos do
SPARSE e do
Operador
Inferncia do SPARSE
Modelo especfico da sit.
Concepes
erradas do
operador
Apresentao do
problema
Dicas e
resposta
s aces
do
operador
Modelos dos
Operadores
Mdulo de
Identificao de
Erros
Erros do
operador
Pedidos de ajuda
Avaliao do
conhecimento
do operador
Contedo
das tabelas
de
predio
Dicas apresentadas
e erros detectados
Dicas anteriores
Interface com o
Operador
Operador
Mdulo
Repositrio de conhecimento
Figura 7-16- Arquitectura do sistema de treino de operadores

230

Mdulo de identificao de erros responsvel pela obteno das concepes
erradas do operador a partir da comparao entre os erros do operador e os padres
de erros;
Mdulo de gesto da interface com o operador responsvel pela gesto da
informao apresentada ao operador e pela obteno das aces do operador.
7.7.1 Integrao entre o SPARSE e o Sistema de Treino de Operadores
O sistema pericial SPARSE utilizado pelo sistema de treino de operadores como
perito do domnio. Este fornece o diagnstico dos incidentes ocorridos na rede elctrica e a
inferncia desenvolvida para os obter. Os cenrios de treino utilizados pelo sistema de
treino de operadores so definidos por um conjunto de mensagens SCADA e pela
inferncia realizada pelo SPARSE, para cada um dos incidentes includos na situao
representada pelo conjunto de mensagens SCADA. Cada cadeia de inferncia contm os
seguintes tipos de conhecimento:
Factos externos (mensagens SCADA relevantes);
Factos internos (concluses intermdias e a concluso acerca do incidente);
Regras utilizadas no processo de inferncia.
O sistema de treino de operadores funciona em cooperao com o sistema pericial
SPARSE. Esta cooperao pode assumir uma de duas formas possveis, conduzindo a dois
modos de funcionamento do sistema de treino de operadores: modo de funcionamento
autnomo e modo de funcionamento accionado pelo SPARSE. No primeiro, o sistema de
treino de operadores funciona de forma autnoma, sem cooperao directa com o
SPARSE. Neste modo, o SPARSE utilizado previamente para construir os cenrios de
treino a partir dos casos gerados pelas pela ferramentas GCT e ECT (seco 7.6). O
mecanismo de planeamento e instruo, atravs do mdulo de macro-adaptao, define as
caractersticas do problema a propor ao operador. O mdulo de pesquisa de cenrios de
treino ir obter o cenrio de treino cujas caractersticas mais se aproximem daquelas
231
definidas pelo mdulo de macro-adaptao. Este modo de funcionamento ilustrado na
Figura 7-17.
(1) Informao acerca do cenrio de treino pretendido pelo tutor
(2) Definio do cenrio de treino seleccionado, cujas caractersticas se
aproximam tanto quanto possvel ao conjunto de especificaes definido por 1.
Mdulo Pedaggico
Planeamento da Instruo
Biblioteca de
Cenrios de
Treino
Mdulo de
Macro-
-adaptao
Mdulo de
Pesquisa de CT
(2)
(1)
(2)
Figura 7-17- Modo de funcionamento autnomo
No modo de funcionamento accionado pelo SPARSE, o sistema de treino de
operadores accionado pelo operador a partir da interface com o operador do SPARSE.
Neste modo de funcionamento, o cenrio de treino definido pelo operador atravs da
seleco de um conjunto de concluses apresentadas na janela de concluses do SPARSE.
Estas concluses referem-se ao diagnstico de incidentes, obtido pelo sistema pericial
SPARSE, e dizem respeito a incidentes ocorridos na rede elctrica. O cenrio definido
desta forma permite recriar uma situao de incidente recente para treino do operador em
perodos de menor actividade no centro de controlo e conduo. A Figura 7-18 apresenta
este modo de funcionamento do sistema de treino de operadores.

232

(1) Ordem de accionamento do tutor
(2) Pedido de envio de cenrio de treino (resposta a 1)
(3) Definio do cenrio de treino
Mdulo Pedaggico
Planeamento da Instruo
Perito do Domnio
(SPARSE)
Mdulo de
Macro-
-adaptao
Mdulo de
Pesquisa de CT
(3) (3)
(1)
(2)
Figura 7-18- Modo de funcionamento accionado pelo SPARSE

7.8 Modelo de Treino
O modelo de treino adoptado baseia-se na teoria que Ohlsson designou por teoria
de ensino de segunda ordem [Ohlsson, 1991]. Esta teoria tem recebido outras designaes,
tais como teoria de diagnstico/remediao [Putnam, 1987] ou teoria de ensino baseada no
erro [Littman, 1991]. Esta teoria assume que o aluno, neste caso o operador, possui uma
representao do modelo da tarefa que, no entanto, incompleta ou contm incorreces.
Neste contexto, segundo [Ohlsson, 1991], a funo do tutor criar o ambiente que permita
remediar as discrepncias existentes entre o modelo do operador e o modelo considerado
correcto.
O objectivo do sistema de treino permitir que o operador adquira um modelo
mental que lhe permita obter o diagnstico de incidentes da rede elctrica. Por outras
palavras, o operador deve ficar apto a desenvolver um modelo especfico da situao
correcto para um problema de diagnstico de incidentes. Neste contexto, o sistema de
treino no pretende transmitir um modelo atravs de um mtodo expositivo. Em vez disso,
espera-se que o operador adquira o conhecimento necessrio realizao desta tarefa
atravs da resoluo de problemas. Durante a resoluo de problemas, o sistema de treino
aproveita os erros cometidos pelo operador para remediar ou completar o conhecimento do
operador.
233
O modelo de treino descrito pode ser visto tambm segundo a perspectiva na qual a
aprendizagem descrita como um processo de ajuste do modelo do operador (afinao do
modelo model tuning). Alguns dos tutores inteligentes considerados clssicos, fazem uso
desta perspectiva, privilegiando, no entanto, os objectivos da fase de diagnstico. A
investigao subjacente ao desenvolvimento destes sistemas apontava na tentativa de
encontrar as razes que estavam por trs dos erros. No entanto, o actual estado da arte na
rea da IA no permite alcanar tal objectivo. O modelo de treino desenvolvido no mbito
deste trabalho usa uma perspectiva do operador mais pragmtica que satisfaz as
necessidades de diagnstico requeridas no contexto do treino fornecido.
Por outro lado, o modelo de interaco entre operador e sistema de treino baseia-se
tambm numa abordagem pragmtica. A utilizao de tabelas de predio como meio para
obter o raciocnio do operador supera as limitaes inerentes utilizao de interfaces de
linguagem natural.
Por fim, os aspectos prticos relacionados com a transio dos tutores inteligentes
para ambiente industrial assumem um aspecto primordial para o sucesso deste tipo de
aplicaes. Nomeadamente, a escassez de recursos humanos para a preparao de cenrios
de treino limita a utilizao efectiva dos sistemas de treino. Com o intuito de ultrapassar
esta limitao, o sistema de treino proposto inclui um conjunto de ferramentas que
minimizam a necessidade de afectar recursos humanos preparao dos cenrios de treino.
234

8 Concluses
8.1 Introduo
Nesta Dissertao apresentou-se um modelo de treino de operadores de centros de
controlo e conduo de redes de transporte de energia elctrica. Este modelo de treino tem
por finalidade proporcionar aos operadores um meio em que eles prprios possam adquirir
um modelo mental que lhes permita executar as tarefas de diagnstico de incidentes. O
ambiente de resoluo de problemas proporcionado permite aos operadores uma
aprendizagem activa.
As necessidades de treino dos operadores revelam-se particularmente importantes
quando se considera o carcter complexo da tarefa de diagnstico de incidentes. Nesta
rea, o treino da tarefa de diagnstico assume especial importncia uma vez que a tomada
de decises correctas, que tm por finalidade minimizar a propagao do incidente a reas
mais vastas, depende da correco do diagnstico. Por outro lado, o treino de operadores
pretende automatizar o processo de obteno do diagnstico de incidentes. De facto, para
alm da correco do diagnstico, a pronta execuo de manobras na rede constitui um
requisito fundamental para garantir a rpida reposio do servio. A rapidez alcanada
atravs da sistematizao e automatizao do processo de obteno do diagnstico.
O uso de tcnicas de Inteligncia Artificial no Ensino Assistido por Computador
originou o aparecimento de tutores inteligentes, os quais tm permitido obter sistemas de
treino eficazes. Na verdade, a flexibilidade apresentada pelos tutores inteligentes permite
obter ganhos de aprendizagem superiores queles que so alcanados atravs do treino
colectivo em sala de aula. A utilizao de um modelo do operador permite adaptar o treino
s necessidades especficas de cada operador. Esta adaptao verifica-se quer ao nvel do
235
apoio fornecido durante a sesso de treino, quer ao nvel da seleco do problema mais
adequado ao estado do conhecimento de cada operador.
O modelo de treino proposto no mbito desta Dissertao baseia-se na utilizao do
sistema pericial SPARSE como perito do domnio. O SPARSE permite simular o
raciocnio desenvolvido pelos operadores mais experientes. Este raciocnio em conjunto
com o modelo da tarefa, representado pelo modelo do domnio, permite conduzir o
operador no processo de obteno do diagnstico.
A orientao terica do modelo de treino tem por princpio ajudar o operador a
integrar o seu conhecimento acerca do domnio num modelo coerente que lhe permita
obter diagnsticos correctos. A aplicao desta orientao terica atribui maior nfase
remediao dos erros do operador. Estes erros representam dificuldades provocadas pela
existncia de imperfeies ou lacunas no conhecimento do operador. Os erros so, assim,
aproveitados como oportunidades para ajudar o operador a corrigir ou completar o seu
conhecimento.
8.2 Contributos e Originalidades
O modelo de treino de operadores desenvolvido apresenta alguns contributos
originais, relativamente a outros sistemas de treino baseados na tecnologia dos tutores
inteligentes, sendo as contribuies mais importantes ao nvel da aquisio do raciocnio
dos operadores.
A aquisio do diagnstico do operador , na verdade, um dos aspectos mais
importantes no desenvolvimento de um sistema de treino inteligente, nomeadamente,
porque permite:
identificar as suas dificuldades durante a execuo da tarefa e o contexto em que
ocorrem;
adaptar o apoio a fornecer, nomeadamente em termos das ajudas a apresentar;
avaliar o desempenho do operador;
orientar o operador atravs da construo de um modelo mental correcto de
execuo da tarefa.
236
Concluses
A abordagem utilizada neste trabalho para adquirir o raciocnio do operador assenta
na utilizao de tabelas de predio. Estas tabelas so usadas pelo operador para explicitar
o seu raciocnio. Por vezes tem sido apontada uma desvantagem a este tipo de interaco.
Nomeadamente, a informao presente nas tabelas pode fornecer ao operador uma ajuda
adicional, uma vez que esta informao pode recordar aspectos do conhecimento que
estejam esquecidos, os quais no se encontrariam presentes num situao real. Contudo,
esta limitao ultrapassada atravs da adaptao da prpria informao apresentada nos
menus e do respectivo nvel de detalhe, de acordo com o desempenho demonstrado pelo
operador.
A avaliao do raciocnio do operador realizada atravs da sua comparao com o
modelo especfico da situao. Este modelo obtido atravs da instanciao do modelo do
domnio com a inferncia obtida pelo sistema SPARSE. A comparao entre o raciocnio
do operador e o modelo especfico da situao permite identificar os erros que revelam
dificuldades do operador. Estes erros so aproveitados como oportunidades para corrigir as
deficincias contidas no raciocnio do operador. A comparao que realizada, ao
contrrio do que acontece em outros sistemas, no obriga a que o raciocnio do operador
siga uma sequncia de passos pr definida. Na verdade, o modelo especfico da situao
define o conjunto de restries que o raciocnio do operador no deve violar para que seja
considerado como correcto.
Os modos de resoluo de problemas disponveis no ambiente de treino permitem,
por um lado, grande flexibilidade na forma como o operador pode resolver os problemas e,
por outro lado, garantem a rigidez procedimental necessria para conduzir os operadores
menos experientes. A existncia do modo livre de resoluo de problemas permite que o
operador resolva os problemas sem ter que seguir uma estratgia rgida. Um operador
menos experiente poder utilizar um raciocnio mais detalhado, enquanto que um operador
mais experiente, que possua j um elevado nvel de automatizao da tarefa, poder
resolver o mesmo problema usando um conjunto reduzido de passos.
O facto de no existir obrigatoriedade na utilizao de uma estratgia previamente
definida constitui uma vantagem adicional. Nos sistemas em que existe tal obrigatoriedade,
para cada problema definido um conjunto de possveis estratgias de resoluo. Esta
237
necessidade torna mais difcil a construo dos problemas, o que se traduz na
disponibilidade de um nmero reduzido de problemas.
O sistema pericial SPARSE utilizado como perito do domnio, externo ao sistema
de treino. Este sistema permite simular o raciocnio desenvolvido pelos operadores mais
experientes. A utilizao de um perito do domnio independente facilita a migrao do
sistema de treino para outros ambientes de treino, como por exemplo ambientes que
apresentem necessidades de superviso e controlo de determinados tipos de ensaios e
processos de fabrico. Por outro lado, esta migrao facilitada pela estrutura modular da
arquitectura do sistema de treino proposto.
A utilizao de sistemas periciais como base de desenvolvimento de tutores
inteligentes tem sido comum. No entanto, a abordagem utilizada neste trabalho traduz uma
perspectiva diferente. Em abordagens mais tradicionais, a base de conhecimento do
sistema pericial para alm de fornecer conhecimento do domnio, tambm utilizada para
gerar explicaes. As explicaes fornecidas acompanham a estrutura das regras e o nvel
de detalhe normalmente no adequado s necessidades do aluno. Na tentativa de explicar
uma regra, o tutor apresenta tudo o que sabe acerca dessa mesma regra. A abordagem
seguida neste trabalho para apresentar ajuda ao operador baseia-se no comportamento dos
tutores humanos, que numa situao de impasse apresentam o mnimo de informao
possvel. O objectivo da ajuda fornecer uma pista para que o prprio operador ultrapasse
o impasse, garantindo-se, assim, uma aprendizagem activa. No caso do operador cometer
um erro, as ajudas apresentadas so geradas a partir do padro de erro correspondente. A
modelao dos padres de erro realizada atravs de um conjunto de nove atributos.
A ajuda a apresentar ao operador perante um erro cometido durante a definio de
relaes temporais apresenta uma dificuldade adicional. Nestes casos, a identificao do
erro no suficiente para gerar a ajuda a oferecer ao operador. Para que a dica a apresentar
seja eficaz, o sistema deve ter capacidade para inferir qual a inteno do operador e, em
particular, qual a relao temporal que o operador pretende definir. O mtodo desenvolvido
para obter tal inferncia baseia-se na utilizao de um modelo probabilstico.
A abordagem usada para a representao do conhecimento do domnio, ou seja, do
conhecimento a ensinar, baseia-se em guies (scripts). A adopo deste formalismo
consistente com o facto de que o processo de obteno do diagnstico de incidentes pode
238
Concluses
ser modelado atravs de sequncias de passos estereotipadas. Os guies so especialmente
adequados para a representao deste tipo de processos. A representao dos guies
atravs de grafos AND/OR faseados permite decompor a tarefa complexa de obteno de
diagnsticos em sub-tarefas mais simples. A utilizao de dois nveis de granularidade, um
nvel mais detalhado para principiantes e outro nvel com maior nvel de abstraco para
operadores experientes constitui outra particularidade desta abordagem. Estes nveis no
correspondem, no entanto, a duas formas rgidas de obteno de diagnsticos de
incidentes. Tal como foi referido anteriormente, o operador no obrigado a percorrer a
sequncia de passos representada em qualquer um destes nveis. Estes dois nveis
constituem, antes, dois limites do nvel de detalhe que pode ser usado pelo operador na
resoluo dos problemas que lhe so propostos.
O mecanismo de planeamento e instruo responsvel pela tomada de decises
pedaggicas. Este tipo de decises so divididas em dois nveis. O primeiro destes nveis
diz respeito s decises que precedem o incio da sesso de treino. As decises deste nvel
incluem a seleco dos tipos de incidentes, que melhor se adaptem ao padro de
conhecimentos e fraquezas que caracterizam o operador considerado, no momento da
seleco do problema a apresentar. O mecanismo utilizado para este efeito, baseado em
redes neuronais, constitui uma das contribuies originais deste trabalho. Este mecanismo
contribui para a capacidade do modelo de treino se adaptar ao ritmo particular de evoluo
de cada operador. Por outro lado, este mecanismo garante que a sequncia de tipos de
problemas seleccionados no montona, permitindo que se passe para outro tipo de
problemas sem que se tenha atingido o nvel de conhecimento mximo relativamente ao
anterior.
As decises acerca da resposta do tutor s dificuldades do operador encontram-se
entre as decises pedaggicas do segundo nvel. A abordagem adoptada constitui uma boa
soluo de compromisso entre as hipteses de resposta imediata e resposta retardada. Por
um lado, os erros do operador so assinalados a vermelho de forma imediata. Por outro
lado, as ajudas mais detalhadas acerca desses erros apenas sero apresentadas mediante
pedido explcito do operador. Desta forma garante-se que a resposta no oferecida ao
operador mediante o aparecimento da primeira dificuldade e, por outro lado, garante-se que
239
o operador no desperdia tempo a percorrer caminhos incorrectos que no o conduzem
soluo correcta.
Um dos objectivos deste trabalho era contribuir para a melhor aceitao dos
sistemas de treino em ambientes industriais. De facto, um dos principais obstculos
organizao de sesses de treino est relacionado com a necessidade de afectao de
recursos humanos, habitualmente dedicados a reas consideradas mais prioritrias, para a
preparao das sesses de treino. A implementao de um conjunto de ferramentas
dedicadas preparao de cenrios de treino, que requerem reduzida interveno humana,
constitui um contributo importante para a utilizao efectiva dos sistemas de treino.
Por fim, este trabalho representa uma contribuio importante no que diz respeito
aplicao da tecnologia dos tutores inteligentes ao treino de operadores na rea dos
Sistemas de Energia onde, tradicionalmente, se recorre utilizao de simuladores para a
realizao das tarefas de treino.
8.3 Limitaes e Perspectivas Futuras
O propsito desta seco referir algumas das limitaes do trabalho apresentado
nesta Dissertao e identificar algumas direces de trabalho futuro.
O algoritmo desenvolvido para efectuar a classificao dos tipos de incidentes em
funo da sua adequao ao padro de conhecimentos do operador utiliza, como entrada,
uma estimativa do nvel de conhecimento do operador em cada conceito do domnio. Esta
estimativa mantida no modelo do operador atravs de vectores de crena. No entanto, o
algoritmo requer a utilizao de valores escalares como entrada, o que obriga respectiva
converso dos vectores. Pretende-se desenvolver o algoritmo de forma a que os vectores
sejam utilizados directamente, uma vez que a converso efectuada implica perda de
informao.
Quanto ao modelo do operador, necessria a realizao de testes com a finalidade
de calibrar os parmetros usados pelo mecanismo de actualizao das variveis do modelo.
necessrio verificar se o ritmo de actualizao do modelo do operador coerente com a
evoluo do operador. Por exemplo, se a actualizao das variveis do modelo for
demasiado lenta, a sequncia de problemas seleccionados poder ser demasiado simples,
podendo provocar desinteresse no operador. A validao do desempenho do mecanismo de
240
Concluses
actualizao do modelo do operador poder ser feita atravs da comparao da avaliao
contida no modelo com uma autoavalio do operador.
Ainda no que diz respeito actualizao das variveis do modelo do operador, estas
so actualizadas sempre que o operador aplica o conceito do domnio correspondente de
forma correcta ou incorrecta. Por vezes, o operador evidencia que sabe aplicar
correctamente determinados conceitos, contudo, as variveis que correspondem a tais
conceitos no so imediatamente actualizadas. Isto corresponde situao em que o
operador atingiu um nvel significativo de automatizao da tarefa e omite alguns passos
intermdios. A adopo de um modelo do operador baseado numa rede de crena
bayesiana permitiria efectuar a actualizao de todas as variveis condicionalmente
dependentes da varivel que representa o conceito cuja aplicao foi observada. A
aplicao de tal modelo requereria, no entanto, a considerao de alguns factores tais como
o esforo de engenharia do conhecimento requerido para determinar o nvel de
dependncia entre variveis e o acrscimo de complexidade do mecanismo de actualizao
do modelo.
O sistema de treino desenvolvido utiliza um modelo do domnio baseado no
modelo funcional da tarefa de diagnstico dos operadores. A utilizao complementar de
outros modelos do domnio, nomeadamente um modelo funcional dos componentes da
rede elctrica, poderia melhorar o comportamento inteligente do tutor. A possibilidade do
tutor poder dar explicaes adicionais acerca da mesma situao, recorrendo a perspectivas
diferentes, poderia constituir uma mais valia. Por exemplo, a explicao acerca de uma
religao automtica de um disjuntor, em alternativa explicao baseada nas mensagens
SCADA, poderia ser feita em funo do modelo de funcionamento do sistema de
proteces e dos OPA (operadores automticos).
A funo do operador perante uma avaria na rede elctrica no se limita ao
diagnstico da situao. As manobras a realizar em resposta situao de avaria, em
funo do diagnstico da situao, so igualmente importantes. Por este motivo, seria
interessante complementar o modelo de treino com a vertente de treino de manobras de
reposio de servio. Neste sentido, a integrao de um simulador de rede, como o da
REN, com um sistema de treino inteligente poderia fornecer os meios necessrios para
avaliar a consequncia das manobras e consequentemente a validao das mesmas.
241
O modelo de treino independente do domnio. Seria interessante testar a sua
utilidade no desenvolvimento de tutores inteligentes para outros domnios. O objectivo de
longo prazo deste trabalho generalizar este modelo de treino com o intuito de
desenvolver uma teoria de treino suficientemente genrica para ser usada em vrias
situaes e domnios.
Para alm das limitaes e perspectivas futuras de trabalho que j foram citadas,
convm referir outras ideias que possam levar a novas direces de investigao. o que
iremos referir de seguida.
Um sistema de treino de operadores sustentado numa abordagem de tutores
inteligentes pode ser visto como um sistema multi-agente. Por um lado, ao nvel interno, a
arquitectura proposta neste trabalho para o tutor inteligente (Figura 7-16 da seco 7.7)
pode ser implementada atravs de uma abordagem multi-agente, no mbito da qual
poderamos considerar os seguintes agentes: micro-adaptao da instruo, macro-
-adaptao da instruo, pesquisa de cenrios de treino, deteco de erros, gerador do
modelo especfico da situao e gestor da interface com o operador. Por outro lado, e
nomeadamente se estivermos a considerar a problemtica da reposio em servio,
podemos considerar os agentes a um nvel diferente. Nesse caso, quer os componentes do
sistema elctrico de energia, quer os vrios operadores do centro de controlo e conduo
poderiam ser vistos como agentes. J foi dito que em caso de incidentes graves, que
originem apages totais ou parciais, fundamental a coordenao dos operadores com
vista reposio do funcionamento normal do sistema. Contudo, mesmo que o tutor
inteligente que foi desenvolvido neste trabalho estivesse preparado para lidar com a
questo da reposio em servio, tal no seria suficiente, visto que no haveria o treino
necessrio para suportar a coordenao entre operadores. nesse ponto que a abordagem
dos sistemas multi-agente pode ser interessante, visto que potencia o tratamento de
aspectos que tenham a ver com a coordenao entre diversos operadores. O operador
receberia o seu treino por parte do sistema interagindo com outros operadores, podendo
tais operadores ser reais ou simulados atravs de agentes, sendo, ainda, possvel dotar o
sistema com agentes que representem os operadores de diversos nveis de competncia.
Neste contexto, a actuao que um determinado operador dever ter perante um incidente
mais grave depender da competncia associada aos operadores que esto a conduzir a
242
Concluses
rede nesse momento (outros agentes). Esta uma direco que pretendemos desenvolver
no futuro e para a qual ser exigido o uso de mtodos prprios dos sistemas multi-agente,
bem como o uso de ferramentas que facilitem o desenvolvimento de tais sistemas (por
exemplo, a plataforma ZEUS da British Telecom ou a plataforma OAA do SRI).
Diversos estudos apontam para o facto de nas situaes crticas (eminncia de
acidentes de aviao, problemas em centrais nucleares, apages em Sistemas Elctricos de
Energia) o ser humano tomar decises pouco racionais que, ao invs de contribuirem para
resolver o problema, acabam por agrav-lo ainda mais. Muitas vezes, tais erros acabam por
ser cometidos por especialistas muito credenciados, que sem a presso associada s
situaes crticas, nunca os teriam cometido. Este aspecto tem a ver com a componente
emotiva do ser humano. De facto, um operador muito competente em termos tcnicos pode
ver o seu raciocnio bloqueado perante uma situao de incidente grave, acabando por
tomar decises erradas, enquanto que um operador menos experiente pode manter alguma
frieza perante tal situao grave, tendo uma actuao mais correcta. Ora, em ambiente de
treino os operadores sabem que no esto a lidar com situaes reais e os aspectos mais
negativos do comportamento emotivo dos operadores acaba por no surgir de modo
adequado. Dito de outra forma, no vulgar a incluso do comportamento emotivo no
modelo do operador. Cada vez mais a comunidade cientfica da Inteligncia Artificial d
mais importncia componente emotiva face componente racional, visto que mais
simples produzir sistemas inteligentes que modelem bem a componente racional do que a
componente emotiva. Mesmo em termos de neurologia temos assistido a um aumento da
importncia daquilo que se designa por inteligncia emocional. O tipo de problemas com o
qual lidamos neste trabalho parece ser especialmente adequado para ponderar a
componente emotiva dos operadores, sendo esta uma linha de investigao que ser
seguida em termos futuros.
Outro aspecto que importa realar que um tutor inteligente uma ferramenta que
se destina a ensinar, mas nada impede que tambm possa aprender. Para alm de terem de
aprender aspectos relacionados com os temas que ensinam, muitos professores vo
aprendendo ao longo do tempo a melhor maneira de transmitir os seus conhecimentos.
Concluem, por exemplo, que a aprendizagem de determinado assunto tem mais sucesso se
comear por ser efectuada com conceitos e definies, enquanto que outro assunto ser
243
melhor compreendido se comearmos por apresentar alguns exemplos simples. Essa
aprendizagem que os professores fazem a partir da interaco com os alunos um processo
que se vai aperfeioando e apurando ao longo do tempo. Contudo, a maioria dos tutores
inteligentes continua a ser constituda por ferramentas que no dispem de capacidades de
aprendizagem. Nesse sentido, um dos aspectos que se pretende desenvolver em termos
futuros corresponde ao uso da tecnologia da aprendizagem automtica (machine learning)
com vista a dotar os tutores inteligentes com capacidades de aprendizagem. Vrias
tecnologias de suporte podero ser consideradas, como, por exemplo, as redes neuronais, a
aprendizagem indutiva e o raciocnio baseado em casos.

244

Bibliografia
[Anderson, 1982] Anderson, J. R., Acquisition of Cognitive Skill, Psychological Review, n. 89,
369-406, 1982
[Anderson, 1983] Anderson, J. R., Acquisition of Proof Skills in Geometry, em Carbonell, J. G.,
Michalski, R. e Mitchell, T. (Ed.), Machine Learning: An Artificial Approach,
Tioga, Palo Alto, CA, 1983
[Anderson, 1984] Anderson, J. R., Farrell, R. e Sauers, R., Learning to Program in LISP, Cognitive
Sciences, 8, 87-129, 1984
[Anderson, 1988] Anderson, J. R., The Expert Module, em Polson, M. C. e Richardson, J. J. (Ed.),
Foundations of Intelligent Tutoring Systems, 21-53, Lawrence Erlbaum Associates,
Hillsdale, NJ, 1988
[Anderson, 1989] Anderson, J. R., Conrad, F. G. e Corbett, A. T., Skill Acquisition and the Lisp
Tutor, Cognitive Science, 13, 467-505, 1989
[Anderson, 1990] Anderson, J. R., Boyle, C. F., Corbett, A. T. e Lewis, M. W., Cognitive Modeling
and Intelligent Tutoring, em Clancey, W. J. e Soloway, E. (Ed.), Artificial
Intelligence and Learning Environments, 7-49, MIT / Elsevier Science Publishers,
Amsterdam, The Netherlands, 1990
[Anderson, 1993] Anderson, J. R., Rules of the Mind, Lawrence Erlbaum, Hillsdale, NJ, 1993
[Anderson, 1995] Anderson, J. R., Corbett, A. T., Koedinger, K. R. e Pelletier, R., Cognitive Tutors:
Lessons Learned, The Journal of the Learning Sciences, vol. 4, n. 2, 167-207, 1995
[Barr, 1976] Barr, A., Beard, M. e Atkinson, R. C., The Computer as a Tutorial Laboratory:
The Stanford BIP Project, International Journal of Man-Machine Studies, 8, 567-
596, 1976
[Beck, 1996] Beck, J., Stern, M. e Haugsjaa, E., Applications of AI in Education, Crossroads,
The ACM's First Electronic Publication, http://www.acm.org/crossroads/xrds3-
1/aied.html, 1996
[Beck, 1997] Beck, J., Stern, M. e Woolf, B. P., Using the Student Model to Control Problem
245
Dificulty, em Jameson, A., Paris, C. e Tasso, C. (Ed.), User Modeling:
Proceedings of the 6
th
International Conference (UM97), 277-288, Springer-Verlag,
New York, 1997
[Beck, 2000] Beck, J. E. e Woolf, B. P., High-Level Student Modeling with Machine Learning,
em Gauthier, G., Frasson, C. e VanLehn, K., Intelligent Tutoring Systems,
th
International Conference on Intelligent Tutoring Systems,
584-593, Montreal, Canada, Springer-Verlag, 19 a 23 de Junho de 2000
[Bezdek, 1996] Bezdek, J., A Review of Probabilistic, Fuzzy and Neural Models for Pattern
Recognition, em Chen, C. H. (Ed.), Fuzzy Logic and Neural Network Handbook,
2.1 2.33, IEEE Press, McGraw Hill, 1996
[Bloom, 1984] Bloom, B. S., The 2-Sigma Problem: The Search for Methods of Group Instruction
as Effective as One-to-one Tutoring, Educational Researcher, 13, 4-16, 1984
[Bloom, 1996] Bloom, C. P., Promoting the Transfer of Advanced Training Technologies,
Intelligent Tutoring Systems, Proceedings of the 3
td
International Conference on
Intelligent Tutoring Systems, Montreal, Canada, Springer-Verlag, 1-9, 12 a 14 de
Junho de 1996
[Bovair, 1990] Bovair, S., Kieras, D. E. e Polson, P. G., The Acquisition and Performance of
Text-Editing Skill: A Cognitive Complexity Analysis, Human Computer
Interaction, vol. 5, 1-48, 1990
[Breuker, 1990] Breuker, J., Conceptual Model of Intelligent Help System, em Breuker, J. (Ed.),
EUROHELP: Developing Intelligent Help Systems, 41-67, EC, Copenhaga, 1990
[Brown, 1975] Brown, J. S., Burton, R. R. e Bell, A. G., SOPHIE: A Step Towards a Reactive
Learning Environment, Man-Machine Studies, vol. 7, 675-696, 1975
[Brown, 1978] Brown, J.S. e Burton, R.R., Diagnostic Models for Procedural Bugs in Basic
Mathematical Skills, Cognitive Science, v. 2, 155-191, 1978
[Brown, 1982] Brown, J. S., Burton, R. R. e deKleer, J., Pedagogical, Natural Language and
Knowledge Engineering Techniques in SOPHIE I, II and III, em Sleeman, D. H. e
Brown, J. S. (Ed.), Intelligent Tutoring Systems, 227-282, Academic Press, NY,
1982
[Brown, 1983] Brown, J. S., Learning By Doing Revisited for Electronic Learning
Environments, em White, M. A. (Ed.), The Future of Electronic Learning,
Hillsdale, NJ, Lawrence Erlbaum Associates Publishers
[Brusilovsky, 1994] Brusilovsky, P. L. e Pesin, L., ISIS-Tutor: An Intelligent Learning Environment
for CDS/ISIS Users, em Levonen, J. J. e Tukianinen, M. T. (Ed.), Proceedings of
the Interdisciplinary Workshop on Complex Learning in Computer Environments,
Joensuu, Finland, 29-33, 1994
246
Bibliografia
[Brusilovsky, 2000] Brusilovsky, P. L., Adaptive Hypermedia: From Intelligent Tutoring Systems to
Web-Based Education, em Gauthier, G., Frasson, C. e VanLehn, K., Intelligent
Tutoring Systems, Proceedings of the 5
th
International Conference on Intelligent
Tutoring Systems, Montreal, Canada, Springer-Verlag, 1-7, 19 a 23 de Junho de
2000
[Buen-Rodrguez, 1996] Buen-Rodrguez, P., Morales, E. e Vadera, S., A Knowledge-Based Framework
for Learning, Applying and Consulting Engineering Procedures, em Frasson, C.,
Gauthier, G. e Lesgold, A. (Ed.), Intelligent Tutoring Systems, Proceedings of the
3
td
International Conference on Intelligent Tutoring Systems, Montreal, Canada,
Springer-Verlag, 392-400, 12 a 14 de Junho de 1996
[Burns, 1988] Burns, H. L. e Capps, C. G., Foundations of Intelligent Tutoring Systems, em
Polson, M. C. e Richardson, J. J. (Ed.), Foundations of Intelligent Tutoring
Systems, 21-53, Lawrence Erlbaum Associates, Hillsdale, NJ, 1988
[Burns, 1991] Burns, H. e Parlett, J. W., The Evolution of Intelligent Tutoring Systems:
Dimensions of Design, em Burns, H., Parlett, J. W. e Redfield, C. L. (Ed.),
Intelligent Tutoring Systems: Evolutions in Design, 1-11, Lawrence Erlbaum
Associates Publishers, Hillsdale, NJ, 1991
[Burton, 1982a] Burton, R. R. e Brown, J. S., An Investigation of Computer Coaching for Informal
Learning Activities, em Sleeman, D. e Brown, J. S. (Ed.), Intelligent Tutoring
Systems, 79-98, Academic Press, NY, 1982
[Burton, 1982b] Burton, R. R., Diagnosing Bugs in a Simple Procedural Skill, em Sleeman, D. e
Brown, J. S. (Ed.), Intelligent Tutoring Systems, 157-184, Academic Press, NY,
1982
[Camacho, 1989] Camacho R. e Oliveira E., A Shell for Expert Systems: First Prototype, Technical
Note do projecto ESPRIT ARCHON, UP/ARCHON/TN01, 1989
[Carbonell, 1970] Carbonell, R., AI in CAI: An Artificial Intelligence Approach to Computer Aided
Instruction, IEEE Transactions on Man-Machine Systems, 11, 4, 190-202, 1970
[Carbonell, 1973] Carbonell, J. R. e Collins, A. M., Natural Semantics in Artificial Intelligence, em
rd
IJCAI, Stanford, CA, IJCAI, 344-351, Agosto de 1973
[Carr, 1977] Carr, B. e Goldstein, I.P., Overlays: a Theory of Modelling for Computer Aided
Instruction, AI Memo 406, AI Laboratory, Massachusetts Institute of Technology,
1977
[Chan, 1996] Chan, T. W., Learning Companion Systems, Social Learning Systems, and
Intelligent Virtual Classroom, Journal of Artificial Intelligence in Education, 7, 2,
125-159, 1996
[Charniak, 1985] Charniak, E. e McDermott, D., Introduction to Artificial Intelligence, Reading,
247
MA, Addison-Wesley, 1985
[Cho, 1994] Cho, H. J., Park, J. K. e Lee, H. J., A Fuzzy Expert System for Fault Diagnosis of
Power Systems, Proceedings of the 1994 International Conference on Intelligent
Systems Applications To Power Systems (ISAP'94), 217, Montpellier, France, 5 a 9
de Setembro, 1994
[Cho, 1999] Cho, B., Michael, J., Rovick, A., Evens, M. A Curriculum Planning Model for an
Intelligent Tutoring System, Proceedings of the 12
th
International Florida AI
Research Society Conference (FLAIRS99), Orlando, Florida, 197- 201, Maio, 1999
[Cho, 2000] Cho, B., Dynamic Planning Models to Support Curriculum Planning and Multiple
Tutoring Protocols In Intelligent Tutoring Systems, Dissertao de Doutoramento,
Department of Computer Science and Applied Mathematics, Illinois Institute of
Technology, Chicago, Illinois, 2000
[CIGR, 1993] CIGR Task Force 38.06.03, Practical Use of Expert Systems in Planning and
Operation of Power Systems, lectra, n. 146, 30, 1993
[CIGR, 1995a] CIGR Task Force 38.06.02, Fault Diagnosis in Electric Power Systems Through
AI Techniques, lectra, n. 159, 50, 1995
[CIGR, 1995b] CIGR Task Force 38.06.06, Artificial Neural Networks for Power Systems,
lectra, n. 159, 76, 1995
[Clancey, 1982a] Clancey, W. J., GUIDON, em Barr, A. e Feigenbaum, E. A. (Ed.), The Handbook
of Artificial Intelligence, 267-278, William Kaufmann, Inc., Los Altos, CA, 1982
[Clancey, 1982b] Clancey, W. J., Tutoring Rules for Guiding a Case Method Dialog, em Sleeman,
D. H. e Brown, J. S. (Ed.), Intelligent Tutoring Systems, 201-225, Academic Press,
NY, 1982
[Clancey, 1983] Clancey, W., The Epistemology of a Rule-based Expert System A Framework
for Explanation, Artificial Intelligence, 20, 215-251, 1983
[Clancey, 1986] Clancey, W. J., Qualitative Student Models, Annual Review of Computer
Science, 1, 391-450, 1986
[Clancey, 1987] Clancey, W. J., Intelligent Tutoring Systems: A Tutorial Survey, Relatrio
Tcnico n. STAN-CS-87-1174, Stanford University, Palo Alto, CA, 1987
[Clancey, 1990] Clancey, W. J. e Soloway, E., Artificial Intelligence and Learning Environments:
Preface, em Clancey, W. J. e Soloway, E. (Ed.), Artificial Intelligence and
Learning Environments, 1-6, MIT / Elsevier Science Publishers, Amsterdam, the
Netherlands, 1990
[Clancey, 1993] Clancey, W. J., The Knowledge Level Reinterpreted: Modeling Socio-technical
Systems, em Ford, K. M. e Bradshaw, J. M. (Ed.), Knowledge Acquisition as
Modeling, John Wiley and Sons, Inc., New York, 1993
248
Bibliografia
[Collins, 1991] Collins, A. e Stevens, A. L., A Cognitive Theory of Inquiry Teaching, em
Goodyear, P. (Ed.), Teaching Knowledge and Intelligent Tutoring, 203-230,
Norwood, NJ, Ablex Publishing Corporation, 1991
[Conati, 1997] Conati, C., Gertner, A., VanLehn, K. e Druzdzel, M., On-line Student Modeling
for Coached Problem Solving Using Bayesian Networks, em Jameson, A., Paris,
C. e Tasso, C. (Ed.), User Modeling: Proceedings of the 6
th
International
Conference (UM97), 231-242, Springer-Verlag, New York, 1997
[Corbett, 2000] Corbett, A. e Trask, H., Instructional interventions in computer-based tutoring:
Differential impact on learning time and accuracy, Proceedings of the 2000
Conference on Computer Human Interaction, The Hague, Amsterdam, 97-104, 1 a 6
de Abril de 2000
[Costa, 1998] Costa, R., Rocha, A. e Santos, N., Questions and Perspectives on Intelligent
Tutoring Systems Development, 4th World Congress on Expert Systems
Application of Advanced Information Technologies, Workshop on Current Trends
and Applications of Artificial Intelligence in Education, 57-64, Mxico, 16-20
Maro, 1998
[DeJong, 1986] DeJong, G. F. e Mooney, R. J., Explantion-Based Learning: An Alternative
View, Machine Learning, 1, 2, 145-176, 1986
[deKleer, 1986] DeKleer, J., An Assumption-Based Truth Maintenance System, Artificial
Intelligence Journal, 28, 127-162, 1986
[Derry, 1988] Derry, S.J., Hawkes, L.W. e Ziegler, U., A Plan-Based Opportunistic Architecture
for Intelligent Tutoring, Proceedings of Intelligent Tutoring Systems, ITS-88,
Montreal, Quebec, Canada, 116-123, 1988
[Doyle, 1979] Doyle, J., A Truth Maintenance System, Artificial Intelligence Journal, 12, 231-
272, 1979
[Dyer, 1990] Dyer, M., Cullingford, R. e Alvarado, S., Scripts, em Shapiro, S. C. (Ed.),
Encyclopedia of Artificial Intelligence, 2, 980-994, John Wiley & Sons, 1990
[Eliot, 1996] Eliot, C., An Intelligent Tutoring System Based Upon Adaptive Simulation,
Dissertao de Doutoramento, University of Massachusetts, 1996
[El-Sheikh, 1999] El-Sheikh, E. e Sticklen, J., Leveraging a Task-Specific Approach for Intelligent
Tutoring System Generation: Comparing the Generic Tasks and KADS
Frameworks, em Imam, I., Kodratoff, Y., El-Dessouki, A. e Ali, M. (Ed.),
Multiple Approaches to Intelligent Systems, Proceedings of the 12
th
International
Conference on Industrial and Engineering Applications of Artificial Intelligence
and Expert Systems, Springer-Verlag, Cairo, Egypt, 809-819, Maio/Junho de 1999
[Erman, 1980] Erman, L., Hayes-Roth, F., Lesser, V. e Reddy, R., The Hearsay-II Speech
249
Understanding System: Integrating Knowledge to Resolve Uncertainty,
Computing Surveys, 12, 2, pg. 213-253, 1980
[Faria, 1996a] Faria, L., Desenvolvimento de uma Interface Grfica Adequada a Sistemas
Periciais Usados em Centros de Controlo e Conduo, Dissertao de Mestrado,
Departamento de Engenharia Electrotcnica e de Computadores, Faculdade de
Engenharia da Universidade do Porto, 1996.
[Faria, 1996b] Faria, L., Vale, Z. e Ramos, C., Interfaces Adaptativas para Sistemas Periciais
Usados nos Centros de Conduo de Redes Elctricas, (Artigo escolhido para
publicao na revista Electricidade de entre os que foram apresentados nas 4as
Jornadas Luso-Espanholas de Engenharia Electrotcnica), Electricidade, n
333/334,pg. 142-145, Maio/Junho, 1996
[Faria, 1998] Faria, L., Vale, Z. e Ramos, C., Aplicaes Inteligentes em Centros de Controlo:
Aspectos Relativos Interface e Actualizao do Conhecimento, ( (Artigo
escolhido para publicao na revista Electricidade de entre os que foram
apresentados nas 5
as
Jornadas Luso-Espanholas de Engenharia Electrotcnica),
Electricidade, n 352,pg. 43-47, Fevereiro, 1998
[Faria, 2000a] Faria, L., Vale, Z., Ramos, C. e Marques, A., Practical Aspects Concerning the
Development of an ITS for Control Centre Operators Training, IASTED
International Conference Artificial Intelligence and Soft Computing (ASC2000),
Banff, Alberta, Canad, pg. 427 a 433, 24 a 26 de Julho de 2000
[Faria, 2000b] Faria, L., Vale, Z., Ramos, C. e Marques, A., An ITS for Control Centre Operators
Training: Issues Concerning Knowledge Representation and Training Scenarios
Generation, 4
th
International Conference on Knowledge-Based Intelligent
Engineering Systems & Allied Technologies (KES2000), University of Brighton,
UK, pg. 129 a 132, 30 e 31 de Agosto e 1 de Setembro de 2000
[Faria, 2000c] Faria, L., Vale, Z., Ramos, C., Silva, A. e Marques, A., Training Scenarios
Generation Tools for an ITS to Control Center Operators, 5
th
International
Conference on Intelligent Tutoring Systems (ITS2000), Montral, Canad, pg.
652, 19 a 23 de Junho de 2000
[Faria, 2001a] Faria, L., Vale, Z., Ramos, C. e Marques, A., Knowledge Representation to
Support Learner Interaction in an ITS, International NAISO Congress on
Information Science Innovations (ISI2000), Symposium on Engineering of Natural
and Artificial Intelligent Systems (ENAIS2001), American University in Dubai,
U.A.E., pg. 675 a 681, 17 a 21 de Maro de 2001
[Faria, 2001b] Faria, L., Vale, Z., Ramos, C. e Marques, A., An ITS for Power System Staff
Training: Matching Knowledge Representation and Learner Interaction, IEEE
2001 International Conference on Intelligent Systems Applications To Power
250
Bibliografia
Systems (ISAP2001), Budapest, Hungria, 18 a 21 de Junho de 2001
[Faria, 2002] Faria, L., Vale, Z., Ramos, C. e Marques, A., Curriculum Planning to Control
Centre Operators Training, International Conference on Fuzzy Systems and Soft
Computational Intelligence in Management and Industrial Engineering (FSSCI-
MIE2002), Istambul, Turquia, 29 a 31 de Maio de 2002 (aceite para publicao)
[Fikes, 1971] Fikes, R. E. e Nilsson, N. J., STRIPS: A New Approach to the Application of
Theorem Proving to Problem Solving, Artificial Intelligence, 189-208, 2, 1971
[Finin, 1989] Finin, T. W., GUMS A General User Modelling Shell, em Kobsa, A. e
Wahlster, W. (Ed.), User Models in Dialog Systems, 411-430, Springer-Verlag,
Berlin, 1989
[Fink, 1991] Fink, P. K., The Role of Domain Knowledge in the Design of an Intelligent
Tutoring System, em Burns, H., Parlett, J. W. e Redfield, C. L. (Ed.), Intelligent
Tutoring Systems: Evolutions in Design, 195-224, Hillsdale, NJ, Lawrence
Erlbaum Associates, 1991
[Ford, 1993] Ford, K. M. e Bradshaw, J. M., Introduction: Knowledge Acquisition as
Modeling, em Ford, K. M. e Bradshaw, J. M. (Ed.), Knowledge Acquisition as
Modeling, John Wiley and Sons, Inc., New York, 1993
[Frasson, 1996a] Frasson, C., SAFARI, A University-Industry Cooperative Project, Montral,
Canad, 1996
[Frasson, 1996b] Frasson, C., Mengelle, T., Ameur, E. e Gouardres, G., An Actor-Based
Architecture for Intelligent Tutoring Systems, em Frasson, C., Gauthier, G. e
Lesgold, A. (Ed.), Intelligent Tutoring Systems, Proceedings of the 3
td
International
Conference on Intelligent Tutoring Systems, Montreal, Canada, Springer-Verlag,
57-65, 12 a 14 de Junho de 1996
[Frenken, 1997] Frenken, R., et al., Neural Networks, Fuzzy Logic and Genetic Algorithms in the
Electricity Supply Industry, International Journal of Engineering Intelligent
Systems for Electrical Engineering and Communications, vol. 5, n. 3, 127, 1997
[Gagn, 1992] Gagn, R. M., Briggs, L. e Wager, W., Principles of Instructional Design,
Harcourt Brace Jovanovich, Orlando, FL, 1992.
[Gagn, 1993] Gagn, R. M., Computer-Based Instructional Guidance, em Spector, J. M.,
Polson, M. C. e Muraida, D. J. (Ed.), Automating Instructional Design: Concepts
and Issues, Educational Technology Publications, Englewood Cliffs, NJ, 133-146,
1993
[Galdes, 1990] Galdes, D. K., An Empirical Study of Human Tutors: The Implications for
Intelligent Tutoring Systems, Dissertao de Doutoramento, Department of
Industrial and Systems Engineering, Ohio State University, Ohio, 1990
251
[Gertner, 2000] Gertner, A. S. e VanLehn, K., Andes: A Coached Solving Environment for
Physics, em Gauthier, G., Frasson, C. e VanLehn, K., Intelligent Tutoring
Systems, Proceedings of the 5
th
International Conference on Intelligent Tutoring
Systems, Montreal, Canada, Springer-Verlag, 133-142, 19 a 23 de Junho de 2000
[Goldstein, 1982] Goldstein, I. P., The Genetic Graph: A Representation for the Evolution of
Procedural Knowledge, em Sleeman, D. H. e Brown, J. S. (Ed.), Intelligent
Tutoring Systems, 51-77, Academic Press, NY, 1982
[Goodyear, 1991] Goodyear, P., Research on Teaching and the Design of Intelligent Tutoring
Systems, em Goodyear, P. (Ed.), Teaching Knowledge and Intelligent Tutoring, 3-
23, Norwood, NJ, Ablex Publishing Corporation, 1991
[Halff, 1988] Halff, H. M., Curriculum and Instruction in Automated Tutors, em Polson, M.
(Ed.), Foundations of Intelligent Tutoring Systems, 79-108, Lawrence Erlbaum
Associates, Hillsdale, NJ, 1988
[Halff, 1993a] Halff, H. M., Supporting Scenario- and Simulation-Based Instruction: Issues from
the Maintenance Domain, em Spector, J. M., Polson, M. C. e Muraida, D. J. (Ed.),
Automating Instructional Design: Concepts and Issues, Educational Technology
Publications, Englewood Cliffs, NJ, 231-248, 1993
[Halff, 1993b] Halff, H. M., Prospects for Automating Instructional Design, em Spector, J. M.,
Polson, M. C. e Muraida, D. J. (Ed.), Automating Instructional Design: Concepts
and Issues, Educational Technology Publications, Englewood Cliffs, NJ, 67-131,
1993
[Hollan, 1984] Hollan, J. D., Hutshins, E. L. e Weitzman, L., STEAMER: An Interactive
Inspectable Simulation-Based Training System, AI Magazine, vol. 5, n. 2, 15-27,
1984
[Holt, 1994] Holt, P., Dubs, S., Jones, M. e Greer, J., The State of Student Modelling, em
Greer, J. e McCalla, G. (Ed.), Student Modeling: The Key to Individualized
Knowledge-Based Instruction, 3-35, Springer-Verlag, Berlin, Germany, 1994
[Huang, 1991] Huang, X., McCalla, G. I., Greer, J. E. e Neufeld, E., Revising Deductive
Knowledge and Stereotypical Knowledge in a Student Model, User Modelling and
User Adapted Interaction, 1, 87-115, 1991
[Hume, 1995] Hume, G., Using Student Modelling to Determine When and How to Hint in an
Intelligent Tutoring System, Dissertao de Doutoramento, Department of
Computer Science, Illinois Institute of Technology, Chicago, Illinois, 1995
[Johnson, 1985] Johnson, W. L. e Soloway, E. M., PROUST: An Automatic Debugger for Pascal
Programs, em Revista Byte, 179-190, 10, 4, 1985
[Joolingen, 1996] Joolingen, W. V., Jong, T. D., Supporting the Authoring Process for Simulation-
252
Bibliografia
Based Discovery Learning, European Conference on Artificial Intelligence in
Education, http://cbl.leeds.ac.uk/~euroaied/papers/Joolingen/, Lisboa, Portugal, 30
de Setembro a 2 de Outubro, 1996
[Kass, 1989] Kass, R., Student Modelling in Intelligent Tutoring Systems Implications for
User Modelling, em Kobsa, A. e Wahlster, W. (Ed.), User Models in Dialog
Systems, 386-410, Springer-Verlag, Berlin, 1989
[Katz, 1992] Katz, S. Lesgold A., Eggan G., Gordin, M. e Greenberg, L., Self-Adjusting
Curriculum Planning in SHERLOCK II, em Tomek, I. (Ed.), Computer Assisted
Learning, 343-366, Berlin, Springer-Verlag, 1992
[Katz, 1994] Katz, S., Lesgold, A., Eggan, G. e Gordin, M., Modeling the Student in
SHERLOCK II, em Greer, J. e McCalla, G. (Ed.), Student Modeling: The Key to
Individualized Knowledge-Based Instruction, 99-125, Springer-Verlag, Berlin,
Germany, 1994
[Katz, 1996] Katz, S., Lesgold, A., Eggan, G. e Greenberg, L., Towards the Design of more
Effective Advisors for Learning-by-doing Systems, em Frasson, C., Gauthier, G. e
Lesgold, A. (Ed.), Intelligent Tutoring Systems, Proceedings of the 3
td
International
Conference on Intelligent Tutoring Systems, Montreal, Canada, Springer-Verlag,
641-649, 12 a 14 de Junho de 1996
[Kay, 2000] Kay, J., Stereotypes, Student Models and Scrutability, em Gauthier, G., Frasson,
C. e VanLehn, K., Intelligent Tutoring Systems, Proceedings of the 5
th
International
Conference on Intelligent Tutoring Systems, 19-39, Montreal, Canada, Springer-
Verlag, 19 a 23 de Junho de 2000
[Kearsley, 1990] Kearsley, G., Overview, em Kearsley, G. (Ed.), Artificial Intelligence and
Instruction: Applications and Methods, Reading, MA, Addison-Wesley Publishing
Company, 3-10, 1990
[Kezunovic, 1996] Kezunovic, M., et al., Fault Analysis Using Intelligent Systems, IEEE Power
Engineering Review, vol. 16, no. 6, 7, 1996
[Khosla, 1994] Khosla, R. e Dillon, T. S., A Neuro-Expert System Approach to Power Systems
Problems, International Journal of Engineering Intelligent Systems for Electrical
Engineering and Communications, vol. 2, n. 1, 71, 1994
[Khuwaja, 1994] Khuwaja, R. A., A Model of Tutoring: Facilitating Knowledge Integration Using
Multiple Models of the Domain, Dissertao de Doutoramento, Department of
Computer Science and Applied Mathematics, Illinois Institute of Technology,
Chicago, Illinois, 1994
[Kintsch, 1993] Kintsch, E., Principles of Instruction from Research on Human Cognition, em
Spector, J. M., Polson, M. C. e Muraida, D. J. (Ed.), Automating Instructional
Design: Concepts and Issues, Educational Technology Publications, Englewood
253
Cliffs, NJ, 23-42, 1993
[Kohonen, 1988] Kohonen, T., Self-Organization and Associative Memory, Springer-Verlag,
Berlim, 1988
[Kyllonen, 1988] Kyllonen, P. C. e Shute, V. J., A Taxonomy of Learning Skills, em Ackerman, P.,
Sternberg, R. e Glaser, R., Learning and Individual Differences, 117-163, W. H.
Freeman, San Francisco, 1988
[Lajoie, 1989] Lajoie, S. P., Lesgold, A. et al., A Procedural Guide to the Avionics
Troubleshooting Tutor Development Process, Relatrio Tcnico, Learning
Research and Development Center, University of Pittsburgh, Pittsburgh, 1989
[Lajoie, 1992] Lajoie, S. P. e Lesgold, A., Apprenticeship Training in the Workplace: Computer-
Coached Practice Environment as a New Form of Apprenticeship, em Intelligent
Instruction by Computer, Farr, M. J. e Psotka, J. (Ed.), Taylor & Francis,
Washington, DC, 15-36, 1992
[Langley, 1984] Langley, P., Ohlsson, S. e Sage, S., A Machine Learning Approach to Student
Modelling, Relatrio Tcnico n. CMU-RI-TR-84-7, The Robotics Institute,
Carnegie - Mellon University, 1984
[Lelouche, 2000] Lelouche, R., A Collection of Pedagogical Agents for Intelligent Educational
Systems, em Gauthier, G., Frasson, C. e VanLehn, K., Intelligent Tutoring
th
[Lesgold, 1989] Lesgold, A., Ivill-Friel, J. e Bonar, J., Towards Intelligent Tutoring Systems for
Testing, em Resnick, L. B. (Ed.), Knowing, Learning and Instruction: Essays in
Honor of Robert Glaser, 337-360, Lawrence Erlbaum Associates Publishers,
Hillsdale, NJ, 1989
[Lesgold, 1992] Lesgold, A., Lajoie, S., Bunzo, M. e Eggan, G., Sherlock: A Coached Practice
Environment for an Electronics Troubleshooting Job, em Larkin, J. e Chabay, R.
(Ed.), Computer Assisted Instruction and Intelligent Tutoring Systems: Shared
Goals and Complementary Approaches, 201-238, Lawrence Erlbaum Associates,
Hillsdale, NJ, 1992
[Lewis, 1990] Lewis, M. W., Milson, R. e Anderson, J. R., Designing an intelligent authoring
system for high school mathematics, em Kearsey, G. (Ed.), Artificial Intelligence
and Instruction: Applications and Methods, Reading, MA, Addison-Wesley
Publishing Company, 1990
[Littman, 1991] Littman, D., Tutorial Planning Schemas, em Goodyear, P. (Ed.), Teaching
Knowledge and Intelligent Tutoring, 107-122, Ablex Publishing, Norwood, NJ,
1991
254
Bibliografia
[Liu, 1993] Liu, C. C., et al., A Tutorial Course on Knowledge-Based System Techniques with
Applications to Power Systems, IEEE, Piscataway, 1993
[Major, 1995] Major, N., REDEEM: Creating Reusable Intelligent Courseware, em Greer, J.
(Ed.), Proceedings of the International Conference on Artificial Intelligence in
Education, AACE, Charlottesville, VA, 75-82, Agosto de 1995
[Malheiro, 1999] Malheiro, N., et al., Enabling Client-Server Explanation Facilities in a Real-Time
Expert System, Proceedings of the 12
th
International Conference on Industrial &
Engineering Applications of Artificial Intelligence & Expert Systems (IEA/AIE-
99), 331, Cairo, Egipt, 31 de Maio a 3 de Junho, 1999
[McCalla, 1992a] McCalla, G. I., The Search for Adaptability, Flexibility and Individualization:
Approaches to Curriculum in Intelligent Tutoring Systems, em Jones, M. e Winne,
P. H. (Ed.), Adaptive Learning Environments: Foundations and Frontiers, Springer-
Verlag, Berlin, Germany, 91-121, 1992
[McCalla, 1992b] McCalla, G. I., The Centrality of Student Modelling to Intelligent Tutoring, em
Costa, E. (Ed.), New Directions for Intelligent Tutoring Systems, Springer-Verlag,
Berlin, Germany, 107-131, 1992
[McCalla, 1992c] McCalla, G. I. e Greer J. E., Granularity-Based Reasoning and Belief Revision in
Student Models, em Costa, E. (Ed.), New Directions for Intelligent Tutoring
Systems, Springer-Verlag, Berlin, Germany, 39-62, 1992
[McCalla, 1994] McCalla, G. I. e Greer, J. E., Granularity-Based Reasoning and Belief Revision in
Student Models, em Greer, J. e McCalla, G. (Ed.), Student Modeling: The Key to
Individualized Knowledge-Based Instruction, 39-62, Springer-Verlag, Berlin,
Germany, 1994
[Merrill, 1992] Merrill, D. C., Reiser, B. J., Ranney, M. e Trafton, J. G., Effective Tutoring
Techniques: A Comparison of Human Tutors and Intelligent Tutoring Systems,
The Journal of the Learning Sciences, vol. 2, n. 3, 277-306, 1992
[Merrill, 1993] Merril, M. D., An Integrated Model for Automating Instructional Design and
Delivery, em Spector, J. M., Polson, M. C. e Muraida, D. J. (Ed.), Automating
Instructional Design: Concepts and Issues, Educational Technology Publications,
Englewood Cliffs, NJ, 147-190, 1993
[Miller, 2000] Miller, M. S., Yin, J., Volz, R. A., Ioerger, T. R. e Yen, J., Training Teams with
Collaborative Agents, em Gauthier, G., Frasson, C. e VanLehn, K., Intelligent
th
Tutoring Systems, Montreal, Canada, Springer-Verlag, 63-72, 19 a 23 de Junho de
2000
[Min, 2001] Min, S. W., et al., Fuzzy Expert System for Fault Section Diagnosis Considering
the Operating Sequences, Proceedings of The 2001 International Conference on
255
Intelligent Systems Applications To Power Systems (ISAP 2001), Budapest,
Hungary, 17 a 21 de Junho, 2001
[Minsky, 1975] Minsky, M., Framework for Representing Knowledge, em Winston, P. (Ed.), The
Psychology of Computer Vision, McGraw-Hill, New York, 1975
[Minsky, 1977] Minsky, M., Frame-System Theory, em Johnson-Laird, P. e Wason, P. (Ed.),
Thinking: Readings in Cognitive Science, MIT Press, MA, 1977
[Mitrovic, 1998] Mitrovic, A., Experiences in Implementing Constraint-Based Modeling in
SQLTutor, em Goettl, B. P., Halff, H. M., Redfield, C. L. e Shute, V. J. (Ed.),
th
Intelligent Tutoring System (ITS98), San Antonio, Texas, 414423, Springer-
Verlag, Berlin, 1998
[Mitrovic, 2000] Mitrovic, A. e Suraweera, P., Evaluating an Animated Pedagogical Agent, em
Gauthier, G., Frasson, C. e VanLehn, K., Intelligent Tutoring Systems, Proceedings
of the 5
th
International Conference on Intelligent Tutoring Systems, Springer-
Verlag, Montreal, Canada, 73-82, 19 a 23 de Junho de 2000
[Morawski, 1989] Morawski, P., Understanding Bayesian Belief Networks, AI Expert, Maio, 44-48,
1989
[Mouta, 1996] Mouta F., Ambiente de Desenvolvimento de Sistemas Multi-
-Agente para Controlo e Superviso de Processos em Aplicaes Distribudas,
Dissertao de Doutoramento em Engenharia Electrotcnica e Computadores,
Faculdade de Engenharia da Universidade do Porto, 1996
[Murray, 1988a] Murray, W.R., Control for Intelligent Tutoring Systems: A Comparison of
Blackboard Architecture and Discourse Management Networks, Research Report
R-6267, FMC Corporation, Santa Clara, California, 1988
[Murray, 1988b] Murray, W.R., Dynamic Instructional Planning in BB1 Blackboard Architecture,
Research Report R-6168, FMC Corporation, Santa Clara, California, 1988
[Murray, 1993] Murray, T. e Woolf, B. P., Design and Implementation of an Intelligent
Multimedia Tutor, em AAAI93 Tutorial, 1993
[Murray, 1996] Murray, T., Having It All, Maybe: Design Tradeoffs in ITS Authoring Tools, em
Frasson, C., Gauthier, G. e Lesgold, A. (Ed.), Intelligent Tutoring Systems,
td
Montreal, Canada, Springer-Verlag, 93-101, 12 a 14 de Junho de 1996
[Murray, 1998] Murray, T., Authoring Knowledge-Based Tutors: Tools for Content, Instructional
Strategy, Student Model and Interface Design, The Journal of the Learning
Sciences, vol. 7, n. 1, 5-64, 1998
[Nkambou, 1996a] Nkambou, R., Modlisation des Connaissances de la Matire dans un Systme
256
Bibliografia
Tutoriel Intelligent: Modles, Outils et Applications, Dissertao de
Doutoramento, Dpartment dInformatique et de Recherche Oprationnelle, Facult
des Arts et des Sciences, Universit de Montral, Montral, 1996
[Nkambou, 1996b] Nkambou, R. E Gauthier, G., Un Modle de Reprsentation du Curriculum dans
un STI, em Frasson, C., Gauthier, G. e Lesgold, A. (Ed.), Intelligent Tutoring
td
[Norman, 1983] Norman, D. A., Some Observations on Mental Models, em Gentner, D. e Stevens,
A. L. (Ed.), Mental Models, 7-14, Lawrence Erlbaum Associates Publishers,
Hillsdale, NJ, 1983
[ONeil, 1991] ONeil, H. F., Slawson, D. A. e Baker, E. L., Design of a Domain-Independent
Problem- Solving Instructional Strategy for Intelligent Computer-Assisted
Instruction, em Burns, H., Parlett, J. W. e Redfield, C. L. (Ed.), Intelligent
Tutoring Systems: Evolutions in Design, Hillsdale, NJ, Lawrence Erlbaum
Associates, 69-103, 1991
[Ohlsson, 1987] Ohlsson, S., Some Principles of Intelligent Tutoring, em Lawler, R. e Yazdani,
M. (Ed.), AI and Education: Learning Environments and Intelligent Tutoring
Systems, 203-237, Ablex Publishing, Norwood, NJ, 1987
[Ohlsson, 1991] Ohlsson, S., Knowledge Requirements for Teaching: The Case of Fractions, em
Goodyear, P. (Ed.), Teaching Knowledge and Intelligent Tutoring, 25-59, Ablex
Publishing, Norwood, NJ, 1991
[Ohlsson, 1994] Ohlsson, S., Constraint-Based Student Modelling, em Greer, J. e McCalla, G.
(Ed.), Student Modeling: The Key to Individualized Knowledge-Based Instruction,
167-189, Springer-Verlag, Berlin, Germany, 1994
[Okamoto, 2000] Okamoto, T. e Kasai, T., The Collaborative System with Situated Agents for
Activating Observation Learning, em Gauthier, G., Frasson, C. e VanLehn, K.,
th
Intelligent Tutoring Systems, Montreal, Canada, Springer-Verlag, 93-102, 19 a 23
de Junho de 2000
[Olde, 1999] Olde, B. A., Hoeffner, J., Chipman, P., Graesser, A. C. e T.R. Group, A
Connectionist Model for Part of Speech Tagging, Proceedings of the 12
th
International Florida AI Research Society Conference (FLAIRS99), Orlando,
Florida, 172-176, Maio, 1999
[Oliveira, 1991] Oliveira E. e Camacho R., A Shell for Cooperating Expert Systems, Expert
Systems International Journal, vol. 8, n. 2, pg. 75-85, Learned Information,
Oxford, UK, Maio, 1991
[Papert, 1980] Papert, S., Mindstorms: Children, Computers and Powerful Ideas, Basic Books,
257
New York, NY, 1980
[Pearl, 1988] Pearl, J., Probabilistic Reasoning in Intelligent Systems: Networks of Plausible
Inference, Morgan Kaufmann, Los Altos, CA, 1988
[Pirolli, 1991] Pirolli, P. e Russel, D. M., Instructional Design Environment: Technology to
Support Design Problem Solving, Instructional Science, vol. 19, n. 2, 121-144,
1991
[Polson, 1993] Polson, M. C., Task analysis for an automated instructional design advisor, em
Spector, J. M., Polson, M. C. e Muraida, D. J. (Ed.), Automating Instructional
Design: Concepts and Issues, Educational Technology Publications, Englewood
Cliffs, NJ, 219-229, 1993
[Putnam, 1987] Putnam, R. T., Structuring and Adjusting Contents for Students: A Study of Live
and Simulated Tutoring of Addition, American Educational Research Journal, 24,
1, 13-48, 1987
[Quillian, 1968] Quillian, R., Semantic Memory, em Minsky, M. (Ed.), Semantic Information
Processing, Cambridge, MA, MIT Press, 1968
[Quinlan, 1986] Quinlan, J. R., Induction of Decision Trees, Machine Learning, 1, 1, 1986
[Ragnemalm, 1996a] Ragnemalm, E., Collaborative Dialogue with a Learning Companion as a Source
of Information on Student Reasoning, em Frasson, C., Gauthier, G. e Lesgold, A.
(Ed.), Intelligent Tutoring Systems, Proceedings of the 3
td
International Conference
on Intelligent Tutoring Systems, Montreal, Canada, Springer-Verlag, 650-658, 12 a
14 de Junho de 1996
[Ragnemalm, 1996b] Ragnemalm, E. L., Student Diagnosis in Practice: Bridging a Gap, User Modeling
and User-Adapted Interaction, 5, 93-116, 1996
[Redfield, 1991] Redfield, C. L., Steuck, K., The Future of Intelligent Tutoring Systems, em
Burns, H., Parlett, J. W. e Redfield, C. L. (Ed.), Intelligent Tutoring Systems:
Evolutions in Design, Hillsdale, NJ, Lawrence Erlbaum Associates, 265-284, 1991
[Reigeluth, 1983] Reigeluth, C. M., Instructional Design Theories and Models: An Overview of their
Current Status, Hillsdale, NJ, Lawrence Erlbaum Associates, 1983
[Reiser, 1985] Reiser, B. J., Anderson, J. R. e Farrell, R. G., Dynamic Student Modeling in an
Intelligent Tutor for LISP programming, Proceedings of the 9
th
Joint Conference
on Artificial Intelligence, Los Angeles, CA, Morgan Kaufmann, 8-14, 1985
[Reiser, 1991] Reiser, B. J., Beekelaar, R., Tyle, A. e Merrill, D. C., GIL: Scaffolding learning to
program with reasoning-congruent representations, Proceedings of the
International Conference of the Learning Sciences, Evanston, Ill: Association for
the Advancement of Computing in Education, 1991
[Rich, 1991] Rich, E. e Knight, K., Artificial Intelligence, New York, McGraw-Hill, 1991
258
Bibliografia
[Romiszowski, 1984] Romiszowski, A. J., Producing Instructional Systems, Kogan Page Ltd, Londres,
1984
[Russell, 1988] Russell, D. M., IDE: The Interpreter em Psotka, J., Massey, L.D. e Mutter, S.A.
(Ed.), Intelligent Tutoring Systems: Lessons Learned, 323-349, Lawrence Erlbaum
Publishers, Hillsdale, New Jersey, 1988
[Sandberg, 1987] Sandberg, J. A. C., Coaching Strategies for Help Systems: EUROHELP,
rd
International Conference on Artificial Intelligence and
Education AICOM, vol. 0, 51-53, 1987
[Schank, 1977] Schank, R. C. e Abelson, R. P., Scripts, Plans, Goals and Understanding,
Erlbaum, Hillsdale, NJ, 1977
[Sekine, 1993] Sekine, Y., Takahashi, K. e Kurihara, I., Training Simulators for Power System
Operation in Power Utilities of Japan, Athens Power Tech, Atenas, Grcia, 675-
680, 5-8 Setembro, 1993
[Self, 1974] Self, J., Student Models in Computer-Aided Instruction, Man-Machine Studies, v.
6, 261-276, 1974
[Self, 1988] Self, J., Artificial Intelligence and Human Learning: Intelligent Computer-aided
Instruction, Chapman & Hall Computing, Londres, 1988
[Self, 1992] Self, J., Bypassing the Intractable Problem of Student Modelling, em Frasson, C.,
Gauthier, G. e McCalla, G. (Ed.), Intelligent Tutoring Systems, Proceedings of the
2
nd
International Conference on Intelligent Tutoring Systems, 18-24, Springer-
Verlag, 1992
[Self, 1994] Self, J. A., Formal Approaches to Student Modelling, em Greer, J. e McCalla, G.
(Ed.), Student Modeling: The Key to Individualized Knowledge-Based Instruction,
295-352, Springer-Verlag, Berlin, Germany, 1994
[Shortliffe, 1976] Shortliffe, E. H., Computer-based Medical Consultations: MYCIN, American
Elsevier, New York, 1976
[Shute, 1990] Shute, V. J. e Regian J. W., Rose Garden Promises of Intelligent Tutoring
Systems: Blossom or Thorn?, Proceedings from the Space Operations,
Applications and Research Symposium, Albuquerque, NM, 1990
[Silva, 2001] Silva, A., Faria, L., Vale, Z., Ramos, C. e Marques, A., User Modelling
Concerning Control Centre Operators Training, IEEE Porto Power Tech 2001
(IEEE PPT2001), Porto, Portugal, 10 a 13 de Setembro, 2001
[Sleeman, 1982] Sleeman, D. H. e Brown, J. S., Intelligent Tutoring Systems, Academic Press,
New York, 1982
[Sleeman, 1991] Sleeman, D. H., Ward, R. D., Kelly, E., Martinak, R. e Moore, J., An Overview of
Recent Studies with PIXIE, em Goodyear, P. (Ed.), Teaching Knowledge and
259
Intelligent Tutoring, 173-185, Ablex Publishing Company, Norwood, NJ, 1991
[Sowa, 1984] Sowa, J. F., Conceptual Structures, Reading, MA, Addison-Wesley, 1984
[Sowa, 1991] Sowa, J. F., Principles of Semantic Networks Explorations in the Representation
of Knowledge, San Mateo, CA, Morgan Kaufman Publishers, 1991
[Spector, 1993] Spector, J. M., Introduction, em Spector, J. M., Polson, M. C. e Muraida, D. J.
(Ed.), Automating Instructional Design: Concepts and Issues, Educational
Technology Publications, Englewood Cliffs, NJ, 191-212, 1993
[Stenzel, 1998] Stenzel, J. e Zimmer, K., Comparison of a Rule-Based Expert System and
Artificial Neural Networks for Alarm Processing in Power Systems, Proceedings
of the International Conference on Electrical Power Systems Operation and
Management (EPSOM'98), Zurich, Suia, 23 a 25 de Setembro, 1998
[Stevens, 1977] Stevens, A. L. E Collins, A., The Goal Structure of a Socratic Tutor, Proceedings
of the National ACM Conference, 250-263, Seattle, WA, Association for Computer
Machinery, 1977
[Stevens, 1982] Stevens, A., Collins, A. e Goldin, S. E., Misconceptions in Students
Understanding, em Sleeman, D. e Brown, J. S. (Ed.), Intelligent Tutoring Systems,
13-24, Academic Press, New York, 1982
[Susuki, 1994] Susuki, H. et al, Applications of Expert Systems to Education and Training of
Power System Engineers, Working Group 38-06-05, CIGR, 1994
[Tang, 1996] Tang, S. K., Dillon, T. S. e Khosla, R., Application of an Integrated Fuzzy
Knowledge-Based, Connectionistic Architecture for Fault Diagnosis in Power
Systems, Proceedings of the 1996 International Conference on Intelligent Systems
Applications To Power Systems (ISAP'96), 188, Orlando, USA, 28 de Janeiro a 2
de Fevereiro, 1996
[Tennyson, 1993] Tennyson, R. D., A Framework for Automating Instructional Design, em Spector,
J. M., Polson, M. C. e Muraida, D. J. (Ed.), Automating Instructional Design:
Concepts and Issues, Educational Technology Publications, Englewood Cliffs, NJ,
191-212, 1993
[Towne, 1992] Towne, D. e Munro, A., Supporting Diverse Instructional Strategies in a
Simulation-Oriented Training Environment, em Regian, J e Shute, V. (Ed.),
Cognitive Approaches to Automated Instruction, Lawrence Erlbaum, Hillsdale, NJ,
107-134, 1992
[Uresti, 2000] Uresti, J. A. R., Should I Teach My Computer Peer? Some Issues in Teaching a
Learning Companion, em Gauthier, G., Frasson, C. e VanLehn, K., Intelligent
th
Tutoring Systems, Montreal, Canada, Springer-Verlag, 103-112, 19 a 23 de Junho
260
Bibliografia
de 2000
[Vale, 1993a] Vale, Z., Processamento Inteligente de Alarmes e Apoio Anlise de Avarias e
Reposio de Servio em Sistemas Elctricos de Energia, Dissertao de
Doutoramento, Departamento de Engenharia Electrotcnica e de Computadores,
Faculdade de Engenharia, Universidade do Porto, Porto, 1993
[Vale, 1993b] Vale, Z. e Moura, A., An Expert System with Temporal Reasoning for Alarm
Processing in Power System Control Centers, IEEE Transactions on Power
Systems, vol. 8, no. 3, 1307, 1993
[Vale, 1994a] Vale, Z., Intelligent Tutoring Systems for Power System Control Centers, 1994
IEEE International Conference on Systems, Man and Cybernetics, pg. 1832-1837,
San Antonio, E.U.A., 1994
[Vale, 1994b] Vale, Z. A., et al., SPARSE - An Expert System for Alarm Processing and
Operator Assistance in Substations Control Centers, ACM Applied Computing
Review, vol. 2, no 2, 18, 1994
[Vale, 1997a] Vale, Z., Ramos, C., Faria L., User Interfaces for Control Center Applications,
The 1997 International Conference on Intelligent Systems Applications To Power
Systems (ISAP'97), Seoul, Korea, pg. 14-18, 1997
[Vale, 1997b] Vale, Z., Moura, A., Fernandes, M., Marques, A., Rosado, C. e Ramos, C.,
SPARSE: An Intelligent Alarm Processor and Operator Assistant, IEEE Expert,
vol.12, no. 3, Special Track on AI Applications in the Electric Power Industry, pg.
86-93, 1997
[Vale, 1998a] Vale, Z., Fernandes, M., Rosado, C., Marques, A., Ramos, C. e Faria, L., Better
KBS for Real-time Applications in Power System Control Centers: the Experience
of SPARSE Project Computers in Industry, Elsevier, n 37, pg. 97-111, 1998
[Vale, 1998b] Vale, Z., Ramos, C., Silva, A., Faria, L., Santos, J., Fernandes, M., Rosado, C. e
Marques, A., SOCRATES An Integrated Intelligent System for Power System
Control Center Operator Assistance and Training, IASTED International
Conference on Artificial Intelligence and Soft Computing, Cancun, Mxico, pg.
27-30 de Maio, 1998
[Vale, 1999a] Vale, Z. A. e Ramos, C., Reasoning About Time in AI Applications for Power
Control Centers, International Journal of Engineering Intelligent Systems for
Electrical Engineering and Communications, vol. 7, no. 2, 91, 1999
[Vale, 1999b] Vale, Z., Santos, J., Faria, L., Ramos, C. e Marques, A., VERITAS A
Verification Tool for Knowledge-Based Systems for Power System Control
Centres, 13th Power Systems Computation Conference (PSCC), Trondheim,
Noroega, vol 2, pg. 959-965, 28 de Junho a 2 de Julho de 1999
261
[Vale, 2001a] Vale, Z., Ramos, C., Faria, L., Malheiro, N., Marques, A. e Rosado, C., Real-Time
Inference for Knowledge-Based Applications in Power System Control Centers,
(Artigo escolhido para publicao na revista SAMS de entre os que foram
apresentados na ACIDCA2000), SAMS - Journal Systems Analysis-Modelling-
Simulation, Gordon & Breach Science Publishers, 2001
[Vale, 2001b] Vale, Z. A., et al., TEMPUS: A Knowledge Automatic Extraction Tool,
Proceedings of the 2001 International Conference on Intelligent Systems
Applications To Power Systems (ISAP 2001), 329, Budapest, Hungary, June 18-21,
2001
[VanLehn, 1987] VanLehn, K., Learning One Subprocedure per Lesson, Artificial Intelligence, 1,
31, 1-40, 1987
[VanLehn, 1988] VanLenh, K., Student Modeling, em Polson, M. C. e Richardson, J. J. (Ed.),
Foundations of Intelligent Tutoring Systems, 57-78, Lawrence Erlbaum Associates,
Hillsdale, NJ, 1988
[VanLehn, 1996] VanLehn, K., Conceptual and Meta Learning During Coached Problem Solving,
em Frasson, C., Gauthier, G. e Lesgold, A. (Ed.), Intelligent Tutoring Systems,
td
[VanLehn, 2000] VanLehn, K., Freedman, R., Jordan, P., Murray, C., Osan, R., Ringenberg, M.,
Ros, C., Schulze, K, Shelby, R., Treacy, D., Weinstein, A. e Wintersgill, M.,
Fading and Deeping: The Next Steps for Andes and other Model-Tracing Tutors,
em Gauthier, G., Frasson, C. e VanLehn, K., Intelligent Tutoring Systems,
th
[Waterman, 1986] Waterman, D., A Guide to Expert Systems, Reading, MA, Addison-Wesley, 1986
[Wenger, 1987] Wenger, E., Artificial Intelligence and Tutoring Systems: Computational and
Cognitive Approach to the Communication of Knowledge, Los Altos, CA, Morgan
Kaufmann Publishers, Inc., 1987
[Wescourt, 1977] Wescourt, K., Beard, M. e Gould, L., Knowledge-Based Adaptive Curriculum
Sequencing for CAI: Application of a Network Representation, Proceedings of the
National ACM Conference, 234-240, Seattle, 1977
[White, 1990] White, B. Y. e Frederiksen, J. R., Causal Model Progressions as a Foundation for
Intelligent Learning Environments, em Clancey, W. J. e Soloway, E. (Ed.),
Artificial Intelligence and Learning Environments, 99-157, MIT / Elsevier Science
Publishers, Amsterdam, the Netherlands, 1990
[Wielinga, 1992] Wielinga, B., Schreiber, A., et al., KADS: A Modeling Approach to Knowledge
Engineering, Knowledge Acquisition, vol. 4, n. 1, 5-54, 1992
262
Bibliografia
[Woo, 1991a] Woo, C. W., Instructional Planning in an Intelligent Tutoring System: Combining
Global Lesson Plans with Local Discourse Control, Dissertao de Doutoramento,
Department of Computer Science and Applied Mathematics, Illinois Institute of
Technology, Chicago, Illinois, 1991
[Woo, 1991b] Woo, C. W., Evens, M., Michael, J. A. e Rovick, A. A., Dynamic Instructional
Planning for an Intelligent Physiology Tutoring System, Proceedings of the 4
th
IEEE Symposium on Computer-Based Medical Systems, 226-233, Baltimore, IEEE
Computer Society Press, 1991
[Wooldridge, 1995] Wooldridge, M. e Jennings, N., Intelligent Agents: Theory and Practice, The
Knowledge Engineering Review, v. 15, n. 2, 115-152, 1995
[Woolf, 1984] Woolf, B., Context Dependent Planning in a Machine Tutor, Dissertao de
Doutoramento, University of Massachusetts, Amherst, Massachusetts, 1984
[Woolf, 1985] Woolf, B. e McDonald, D. D., Building a Computer Tutor: Design Issues, AEDS
Monitor, 23, 10-18, 1985
[Woolf, 1988] Woolf, B., Intelligent Tutoring Systems: A Survey, em Shrobe, H. E. e American
Association for Artificial Intelligence (Ed.), Exploring Artificial Intelligence, San
Mateo, CA, Morgan Kaufmann Publishers, Inc, 1-43, 1988
[Woolf, 1992a] Woolf, B. P., Building Knowledge Based Tutors, em Tomek, I. (Ed.), Computer
Assisted Learning, 46-60, Berlin, Springer-Verlag, 1992
[Woolf, 1992b] Woolf, B. P., Towards a Computational Model of Tutoring, em Jones, M. e
Winne, P. H. (Ed.), Adaptive Learning Environments: Foundations and Frontiers,
Springer-Verlag, Berlin, Germany, 209-231, 1992
[Woolf, 1994] Woolf, B. P. e Murray, T., Using Machine Learning to Advise a Student Model,
em Greer, J. e McCalla, G. (Ed.), Student Modeling: The Key to Individualized
Knowledge-Based Instruction, 127-146, Springer-Verlag, Berlin, Germany, 1994
[Zadeh, 1965] Zadeh, L., Fuzzy Sets, Information and Control, 8, 1965
[Zapata-Rivera, 2000] Zapata-Rivera, J. D. e Greer, J. E., Inspecting and Visualizing Distributed
Bayesian Student Models, em Gauthier, G., Frasson, C. e VanLehn, K., Intelligent
th
Tutoring Systems, 544-553, Montreal, Canada, Springer-Verlag, 19 a 23 de Junho
de 2000
[Zhang, 1996] Zhang, D. M. e Alem, L., Using Case-Based Reasoning for Exercise Design
Simulation-Based Training, em Frasson, C., Gauthier, G. e Lesgold, A. (Ed.),
td
Intelligent Tutoring Systems, Montreal, Canada, Springer-Verlag, 560-568, 12 a 14
de Junho de 1996
263
[Zhou, 2000] Zhou, Y., Building a New Student Model to Support Adaptive Tutoring in a
Natural Language Dialogue System, Dissertao de Doutoramento, Department of
Computer Science and Applied Mathematics, Illinois Institute of Technology,
Chicago, Illinois, 2000
264

Anexo A - Sistema Pericial SPARSE
No presente anexo apresentado o sistema pericial SPARSE [Vale, 1993b; Vale,
1994b; Vale, 1997b], um sistema baseado em conhecimento para o processamento de
alarmes e apoio aos operadores na reposio de servio na rede portuguesa de transporte de
energia elctrica.
A.1 Introduo
O SPARSE [Vale, 1993b; Vale, 1994b; Vale, 1997b] um sistema baseado em
conhecimento, desenvolvido para um centro de controlo e conduo (CC) da rede
portuguesa de transporte de energia elctrica, operada pela REN (Rede Elctrica Nacional,
SA). O sistema SPARSE fornece apoio aos operadores do CC na anlise de incidentes e na
reposio do servio.
A funo dos operadores dos CC da REN executar manobras na rede elctrica e
supervisionar o sistema elctrico de energia. O papel destes operadores assume maior
importncia durante situaes crticas de incidente. Nestes casos, os operadores devem
obter o diagnstico da situao e executar as medidas correctivas, no perodo mais curto
possvel, de forma a minimizar as consequncias do incidente e repor o sistema no estado
normal de funcionamento. Os operadores obtm o diagnstico da situao atravs da
anlise da informao que chega ao CC; neste processo, as mensagens de alarme assumem
um papel importante.
O SPARSE foi desenvolvido em PROLOG e C e encontra-se instalado em
mquinas SUN e ALPHAstation.
A-1
A Figura A-1 apresenta a organizao do software do SPARSE.
Motor de
Inferncia
Mdulo de
Manuteno do
Conhecimento
Mdulo de
Verificao e
Validao
Base de
Conhecimento
Factos Regras
Meta-Regras
Interface
(software)
Eventos
Comandos
Editor de
Conhecimento
Interface Inteligente e Adaptativa
Mdulo de
Explicaes
Mdulo de
Aprendizagem e
Aquisio
Conhecimento

Figura A-1- Organizao do software do SPARSE

Com o objectivo de fornecer ao SPARSE informao em tempo-real, foi
desenvolvida uma aplicao TTLOGW que funciona nas mquinas responsveis pelo
SCADA. A aplicao TTLOGW adquire a informao de uma lista de mensagens datadas,
denominada TTLOG. Esta aplicao est implementada em FORTRAN e inclui as
seguintes funcionalidades:
Destinando-se o SPARSE anlise de incidentes, a informao enviada em condies
normais de funcionamento da rede diz respeito a mudanas de estado (por exemplo,
mudanas de estado de disjuntores e seccionadores e mudanas do estado de operao
das subestaes);
Em condies de incidente, toda a informao que chega ao CC enviada para o
SPARSE;
Quando a aplicao TTLOGW ou as mquinas so iniciadas, a aplicao TTLOGW
envia ao SPARSE o protocolo de estado. Este protocolo inclui todos os estados
relevantes da rede considerada, sendo as mensagens correspondentes datadas com a
data actual do sistema;
A-2
Sistema Pericial SPARSE
No caso de falha de comunicao ou falha nas RTU (Remote Terminal Unit), gerada
a mensagem Falha de RTU com a data actual do sistema. Quando a falha
ultrapassada, gerada a mensagem RTU em funcionamento e o protocolo de estado
da subestao correspondente enviado para o SPARSE;
Quando ocorrem vrias falhas em RTU num curto perodo, o protocolo de estado no
gerado;
Quando surgem mensagens repetidas, a aplicao TTLOGW detecta esta situao e
deixa de envi-las para o SPARSE, enviando apenas uma mensagem a reportar este
facto. Quando a repetio desaparece, a aplicao TTLOGW envia uma nova
mensagem.
No que diz respeito informao da lista TTLOG, necessrio realar que apesar
das mensagens da lista TTLOG serem datadas nas RTU, estas mensagens chegam ao CC
com um atraso e no necessariamente por ordem cronolgica.
A aplicao que estabelece a ligao entre a aplicao baseada em conhecimento e
o sistema SCADA constitui um aspecto importante no desenvolvimento de aplicaes
baseadas em conhecimento para CC. De facto, o desenvolvimento da aplicao TTLOGW
exigiu um elevado nvel de conhecimento acerca do sistema SCADA. importante que
este tipo de aplicao seja desenvolvido em paralelo com a aplicao baseada em
conhecimento e no apenas quando a aplicao baseada em conhecimento se encontra
quase completamente desenvolvida. De facto, esta interface com o sistema SCADA pode
impor vrias e severas restries que devem ser consideradas durante o desenvolvimento
da aplicao baseada em conhecimento.
A.2 Base de Conhecimento
O desenvolvimento do SPARSE requereu vrios tipos de conhecimento:
Conhecimento acerca do sistema elctrico de energia e da topologia da rede
considerada (por exemplo, centrais de produo de energia, subestaes e linhas);
Conhecimento acerca dos alarmes gerados (lista de alarmes);
Conhecimento acerca do sistema de transmisso de informao (por exemplo, a forma
como a informao transmitida);
A-3
Conhecimento relativo interpretao dos alarmes.
A base de conhecimento do SPARSE inclui todos estes tipos de conhecimento.
Sempre que possvel, o conhecimento convertido automaticamente a partir do
conhecimento existente no CC. As mensagens so tratadas por um mdulo de pr-
-processamento, desenvolvido em linguagem C. Este mdulo converte as mensagens em
factos PROLOG que so enviados ao SPARSE e que os processa em tempo real.
Este pr-processador uniformiza a informao contida em cada campo da
mensagem e converte a data e hora da mensagem num elemento numrico, tornando mais
fcil o tratamento de problemas temporais. Este pr-processador tem capacidade para tratar
mais de 500 mensagens por segundo.
O conhecimento includo na base de regras tanto de natureza tcnica como de
natureza emprica. O conhecimento tcnico modela o comportamento do sistema elctrico
de energia e do sistema de transmisso de informao. O conhecimento emprico foi obtido
a partir dos peritos mais experientes dos CC da REN e permite um processamento mais
rpido das mensagens de alarme.
Um dos aspectos mais importantes includos na base de regras est relacionado com
as questes temporais. De facto, as questes temporais assumem um papel preponderante
na interpretao de alarmes relacionados com a ocorrncia de eventos e tambm na
transmisso de informao para os CC. Assim, as regras do SPARSE incluem as
caractersticas necessrias no que diz respeito considerao das questes temporais [Vale,
1999a].
O lado esquerdo (LHS) das regras pode conter uma disjuno de conjunes de
vrias condies. O lado direito (RHS) contm as aces/concluses a tomar se o LHS
verificado. Consideremos a seguinte regra:
regra xx: 'EXEMPLO' :
[
[C1 e C2 e C3]
ou
[C4 e C5]
]
==>
[A1,A2].
A-4
As condies consideradas no LHS (C1 a C5 neste exemplo) podem ser de um dos
seguintes tipos:
Um facto cuja veracidade deve ser provada;
Uma condio temporal.
As aces/concluses a tomar (A1 a A2 neste exemplo) podem ser de um dos
seguintes tipos:
Criao de factos (concluses a inserir na base de conhecimento);
Eliminao de factos (concluses a remover da base de conhecimento);
Interaco com a interface com o utilizador.
Consideremos uma verso simplificada da regra que diz respeito a um disparo
trifsico com religao:
regra d8: Disparo trifsico com religao
[[mensagem(Data1,Hora1,[Inst1,Painel1,[Inst2,NL]],'>>>> DISPARO', 'INCIO') at T1
e
mensagem(Data2,Hora2,[Inst1,Painel1,[Inst2,NL,'DISJUNTOR']],'DISJUNTOR','ABERTO')
at T2
e
painel_em_servio(Inst1,Painel1)
e
condio(mod_dif_tempo_menor_ou_igual (T2,T1,150))
e
mensagem(Data3,Hora3,[Inst1,Painel1,[Inst2,NL,'DISJUNTOR']],'DISJUNTOR','FECHADO
') at T3
e
condio(dif_tempo_menor_ou_igual(T3, T2, 500))]] ==>
[retira_facto(disjuntor_fechado(_,_,_,Inst1,Painel1,Inst2,NL),_,T2),
cria_facto(disjuntor_aberto(Data2,Hora2,disparo,Inst1,Painel1,Inst2,NL),T2),
retira_facto(disjuntor_aberto(_,_,_,Inst1,Painel1,Inst2,NL),_, T3),
cria_facto(disjuntor_fechado(Data3,Hora3,religao,Inst1,Painel1,Inst2,NL),T3)].
As mensagens includas no LHS desta regra indicam que o disjuntor considerado
abriu no instante T1 e fechou no instante T2. A abertura do disjuntor pode estar associada
ao disparo descrito pela primeira mensagem considerada no LHS. Contudo, esta associao
A-5
s considerada vlida quando os instantes destes dois eventos no diferirem mais do que
150 milisegundos. Isto expresso pela primeira condio temporal do LHS. A segunda
condio temporal do LHS indica que se o disjuntor fechado num perodo de 500
milisegundos aps a sua abertura, considerando-se que este fecho se fica a dever a uma
religao rpida. Este tipo de religao muito usual nos sistemas elctricos, permitindo
um aumento da fiabilidade da rede atravs da resoluo de falhas sem necessidade de
interveno humana.
A.3 Motor de Inferncia
O motor de inferncia do SPARSE foi desenvolvido em PROLOG e C
especialmente para esta aplicao. Este motor de inferncia permite um processamento
eficiente das mensagens de alarme em tempo real, tendo capacidade para tratar mais de
1200 mensagens de alarme por minuto.
No desenvolvimento do motor de inferncia foram considerados os seguintes
aspectos:
A quantidade de informao envolvida muito grande;
O processamento deve ser realizado em tempo real, de acordo com o ritmo de chegada
da informao;
A anlise envolve raciocnio temporal complexo;
O sistema elctrico de energia encontra-se em constante evoluo, requerendo
raciocnio no-montono.
O motor de inferncia do SPARSE foi concebido como uma aplicao data-driven:
a aplicao activada pela chegada de nova informao.
As mensagens SCADA e as concluses obtidas pelo SPARSE so representadas
por factos. Estes factos so usados para inferir novas concluses. A chegada de novos
factos provoca o escalonamento de um conjunto de regras a disparar. Este conjunto de
regras determinado de acordo com o meta-conhecimento includo na base de regras do
SPARSE.
O facto seguinte:
trigger(NF,NR,T1,T2).
A-6
significa que a regra NR deve ser disparada a partir do instante T1 at ao instante T2,
devido chegada do facto nmero NF.
O meta-conhecimento utilizado para tornar o processo de inferncia mais
eficiente. Este conhecimento permite lidar com alguns requisitos inerentes ao raciocnio
temporal, fornecendo a possibilidade de introduzir um atraso no disparo das regras. A
introduo deste atraso realizado de forma inteligente, atravs do uso de conhecimento
emprico e tcnico relativo interpretao temporal da informao de tempo-real. Esta
caracterstica permite, por um lado, considerar atrasos na transmisso de informao e, por
outro lado, distinguir situaes a partir de consideraes temporais.
O meta-conhecimento representado por factos com o seguinte formato:
facto_dispara_regras( F, [(R1, TiR1, TfR1), (R2, TiR2, TFR2), ] ).
onde:
F o tipo de facto que origina o disparo das regras R1, R2, ...;
R1 a primeira regra escalonada para disparar;
TiR1 o instante (relativo ao instante actual) a partir do qual o disparo da regra R1 deve
ser tentado;
TfR1 o instante (relativo ao instante actual) at ao qual o disparo da regra R1 deve ser
tentado;
R2 a segunda regra escalonada para disparar;
...
Esta informao mantida numa estrutura que apoia o escalonamento de um
nmero varivel de regras.
O raciocnio temporal assume um papel fundamental na interpretao dos eventos
no sistema elctrico de energia. O sistema baseado em conhecimento deve estar apto a
compreender a evoluo temporal dos eventos. Por outro lado, deve estar apto a reproduzir
os eventos ocorridos, a partir das mensagens SCADA recebidas, mesmo quando estas
mensagens no chegam pela ordem cronolgica correcta.
O SPARSE usa listas datadas onde cada mensagem contm a respectiva data e
hora. Esta informao adicionada mensagem no seu local de origem (subestao ou
CC).
A-7
Para que o SPARSE esteja apto a interpretar a sequncia de eventos ocorridos na
rede, a aplicao deve ser capaz de estabelecer relaes entre as mensagens SCADA e
tolerar alguma inexactido nas relaes temporais entre mensagens e na ordem de chegada
das mensagens.
A considerao destes aspectos deve ter em conta o facto de que o processamento
deve ser feito em tempo real. Isto significa que o raciocnio envolvido no deve ser
demasiado complexo ou demasiado exigente em termos de tempo de processamento
requerido.
O SPARSE utiliza conhecimento tcnico e emprico para definir as relaes entre
mensagens SCADA para a caracterizao dos incidentes. O conhecimento acerca do
sistema usado para adquirir e transmitir informao tambm usado para se considerar a
sua influncia na chegada da informao ao CC.
O motor de inferncia do SPARSE utiliza duas abordagens diferentes para
tratamento dos aspectos temporais:
Introduo de atrasos no disparo das regras;
Introduo de consideraes temporais no LHS das regras:
Associao de um instante a cada facto;
Considerao de condies temporais.
A anlise das relaes temporais realizada atravs de um conjunto de predicados
temporais.
A.4 Mdulos Complementares
O SPARSE dispe de um conjunto de mdulos complementares com funes
distintas. Este conjunto de mdulos forma um ambiente multi-agente, onde os vrios
mdulos constituem processos diferentes que comunicam entre si. O SPARSE integra os
seguintes mdulos:
Interface com o utilizador inteligente e adaptativa [Vale, 1997a] interface com o
utilizador com capacidade para se adaptar ao estado de explorao da rede;
Mdulo de explicaes [Malheiro, 1999] utilizado para gerar explicaes acerca das
concluses obtidas pelo SPARSE;
A-8
Mdulo de aprendizagem automtica [Vale, 2001b] utilizado para ajustar as
constantes temporais usadas nas condies temporais;
Mdulo de verificao e validao [Vale, 1999b] validao do SPARSE e verificao
formal para deteco de eventuais anomalias existentes na base de conhecimento.
A.5 Exemplo
Nesta seco apresentado um pequeno exemplo baseado num incidente real. Este
incidente gerou um conjunto de mensagens, a partir do qual foram seleccionadas as
seguintes:

25.01 02:24:30,294 SCN 622 LCNV.N.GAIA Proteccoes >>Disp
25.01 02:24:30,294 SCN 622 LCNV.N.GAIA Alarme urgente Inicio
25.01 02:24:30,294 SCN 622 LCNV.N.GAIA Alarme urgente Fim
25.01 02:24:30,294 SCN 622 LCNV.N.GAIA Disjuntor Aberto
25.01 02:24:30,507 SCN Chamada de residente Inicio
25.01 02:24:30,507 SCN 622 LCNV.N.GAIA Tensao zero Inicio
25.01 02:24:31 SCN 613 LCNPEDROSO2 Corrente 1080.7 A Inicio Alta 1000.0
25.01 02:24:31 SCN 613 LCNPEDROSO2 Corrente 1080.7 A Inicio M_Alta 1000.0
25.01 02:24:31,231 SED 630 LEDPDR/VNG/ Tensao zero Inicio
25.01 02:24:32,622 SCN OPA Em marcha Inicio
25.01 02:24:33 SCT B2 60kV Tensao 61.3 kV Inicio Baixa 62.7
25.01 02:24:33 SCT B2 60kV Tensao 61.3 kV Inicio M_Baix 62.7
25.01 02:24:33 SCT B2 60kV Tensao 65.5 kV Fim Baixa 62.7
25.01 02:24:33 SCT B2 60kV Tensao 65.5 kV Fim M_Baix 62.7
25.01 02:24:36 SCN 216 TR2 Pot.Aparen 109.2 MVA Fim Alta 120.0
25.01 02:24:36 SCN 216 TR2 Pot.Aparen 109.2 MVA Fim M_Alta 120.0
25.01 02:24:37 SCN 218 TR3 Pot.Aparen 115.2 MVA Fim Alta 120.0
25.01 02:24:37 SCN 218 TR3 Pot.Aparen 115.2 MVA Fim M_Alta 120.0
25.01 02:24:37,760 SCT 604 LCTMATOSIN2 Tensao zero Inicio
25.01 02:24:38 SCN 613 LCNPEDROSO2 Corrente 138.3 A Fim Alta 1000.0
25.01 02:24:38 SCN 613 LCNPEDROSO2 Corrente 138.3 A Fim M_Alta 1000.0
25.01 02:24:46 SRR TR4 Tomada No. 07
25.01 02:24:49,666 CAG G2 AGC_Setpoint_minimo Inicio
25.01 02:25:00,027 SCN 622 LCNV.N.GAIA Disjuntor Fechado
25.01 02:25:00,027 SCN 622 LCNV.N.GAIA Tensao zero Fim

Estas mensagens correspondem a um disparo simples na linha SCN V.N.Gaia. A
Figura A-2 apresenta as concluses obtidas pelo SPARSE.

A-9

Figura A-2- Interface com o utilizador do SPARSE
A-10

Anexo B - Lista de Conceitos do Domnio
Neste anexo apresentada a lista de conceitos que compem o modelo do domnio
usado pelo sistema de treino de operadores de centros de controlo e conduo de redes
elctricas. Para cada conceito so apresentados a sua descrio e os instantes a eles
associados.

Conceitos de relao temporal (ctN)
Identificao
do conceito
Relao temporal Descrio
ct1 |T
1
-T
2
|<=30
Mdulo da diferena entre os instantes de disparo e de
disjuntor em movimento menor ou igual a 30 centsimos de
segundo
ct2 T
3
-T
1
<=30
Diferena entre os instantes de disjuntor aberto e de disparo
menor ou igual a 30 centsimos de segundo
ct3 |T
4
-T
3
|<=50
Mdulo da diferena entre os instantes de disjuntor fechado
(religao) e de disjuntor aberto menor ou igual a 50
centsimos de segundo
ct4 |T
4
-T
2
|<=100
Mdulo da diferena entre os instantes de disjuntor fechado
(religao) e de disjuntor em movimento menor ou igual a
100 centsimos de segundo
ct5 T
5
-T
4
<=500
Diferena entre os instantes de disparo (2 disparo) e de
disjuntor fechado (religao) menor ou igual a 500
centsimos de segundo
ct6 |T
ext1
-T
ext2
|<=300
Mdulo da diferena entre os instantes referentes aos factos
de concluso dos dois extremos de uma linha menor ou igual
a 300 centsimos de segundo

B-1
Conceitos de estado (csN)
Identificao
do conceito
Instante Descrio
cs5 T1/T5
Disparo trifsico no identificado
cs6 T1
Disparo monofsico no identificado
cs7 T4
Religao rpida trifsica
cs8 T4
Religao rpida monofsica
cs9 T1
Disparo trifsico do tipo DS
cs10 T4
Disparo trifsico do tipo DtR
cs11 T4
Disparo monofsico do tipo DmR
cs12 T5
Disparo trifsico do tipo DtD
cs13 T5
Disparo monofsico do tipo DmD

Conceitos de regra (crN)
Identificao
do conceito
Identificao da
regra (SPARSE)
Descrio
cr3 d1
Disparo trifsico com mensagem de disjuntor em movimento
cr4 d2
Disparo trifsico sem mensagem de disjuntor em movimento
cr6 d4
Religao trifsica
cr7 d5
Religao monofsica
cr8 d6
Religao trifsica mal sucedida
cr9 d7
Religao monofsica mal sucedida
cr10 d8
Religao trifsica bem sucedida
cr11 d9
Religao monofsica bem sucedida
cr12 d10
Disparo simples
cr13 d21
Disparo nos dois extremos
cr14 d22
Disparo num s extremo

B-2
Lista de Conceitos do Domnio
Conceitos de evento (ceN)
Identificao
do conceito
Instante
Mensagem
SCADA
Descrio
ce1 T1 DISPARO 01
Mensagem de disparo de disjuntor
ce2 T4 DISJUNTOR 01
Mensagem de disjuntor fechado
ce3 T3 DISJUNTOR 10
Mensagem de disjuntor aberto
ce4 T2 DISJUNTOR 00
Mensagem de disjuntor em movimento

Conceitos de concluso (ccN)
Identificao
do conceito
Instante Descrio
cc1 max(T
ext1
, T
ext2
)
Disparo nos dois estremos dos tipos X e Y
cc2 T
ext1
Disparo num s extremo do tipo X

B-3

Luiz 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

Luiz PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Luiz Felipe Rocha de Faria

Treino e Apoio a Operadores de Centros de Controlo e

Você também pode gostar