Escolar Documentos
Profissional Documentos
Cultura Documentos
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Modelao dos Operadores dos Centros de Controlo e Conduo
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Modelao dos Operadores dos Centros de Controlo e Conduo
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Modelao dos Operadores dos Centros de Controlo e Conduo
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
[DS, DS, DS, DtR, DtR,
DmR, DmR, DmR, DtD]
[DS, DS, DS, DtR, DtR,
DmR, DmR, DmR, DtD,
DtD, DmR, DtD, DmD,
DmD, DmD, DmD,
DmD, DtR, DtR, DmR,
DtR, DS, DS, DtD]
[DS, DS, DS, DtR, DtR,
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
1 Erro 2
2 Erros genricos
3 O conceito refere-se a outra instalao. Apenas se considera o conceito. O instante no considerado.
4 Introduo do conceito
5 O conceito representado a vermelho
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
7 Disponibilizar boto O que fazer?
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.
4 Introduo do conceito
5 O conceito representado a vermelho
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
7 Disponibilizar boto O que fazer?
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.
4 Introduo do conceito
5 O conceito representado a vermelho
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
7 Disponibilizar boto O que fazer?
193
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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.
4 Introduo do conceito
5 O conceito representado a vermelho
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
7 Disponibilizar boto O que fazer?
1 Erro 6
2 Erros de premissas do tipo 1 (mensagens SCADA e concluses intermdias)
3 O conceito introduzido foi utilizado previamente como premissa na mesma tabela (repetio de
premissas). O instante no considerado (apenas no modo restrito).
4 Introduo do conceito
5 O conceito representado a vermelho
1 Observe atentamente o conjunto de premissas 6
2 A premissa que introduziu repetida
7 Disponibilizar boto O que fazer?
1 Erro 7
2 Erros de premissas do tipo 1 (mensagens SCADA e concluses intermdias)
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
7 Disponibilizar boto O que fazer?
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
2 Erros de premissas do tipo 1 (mensagens SCADA e concluses intermdias)
3 O conceito est correcto mas o instante est errado
4 Introduo do instante
5 O instante representado a vermelho
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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)
5 O conceito representado a vermelho
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
2 Erros de premissas do tipo 2 (relaes temporais)
3 Relao temporal utilizada previamente como premissa na mesma tabela (repetio de premissas)
4 Introduo do conceito (operador, variveis e intervalo da relao)
5 O conceito representado a vermelho
1 Observe atentamente o conjunto de premissas 6
2 A relao temporal que introduziu repetida
7 1-Limpar campo que contm o erro
2-Disponibilizar boto O que fazer?
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
1 Erro 11
2 Erros de premissas do tipo 2 (relaes temporais)
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))
4 Introduo do conceito (operador, variveis e intervalo da relao)
5 O conceito representado a vermelho
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
2-Disponibilizar boto O que fazer?
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
2 Erros de premissas do tipo 2 (relaes temporais)
3 Variveis temporais erradas (uma ou ambas as variveis esto erradas, sendo no entanto possvel
definir pelo menos uma relao temporal)
4 Introduo do conceito (operador, variveis e intervalo da relao)
5 O conceito representado a vermelho
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
2 Erros de premissas do tipo 2 (relaes temporais)
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
mdulo). As variveis esto correctas.
4 Introduo do conceito (operador, variveis e intervalo da relao)
5 O conceito representado a vermelho
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.
7 1-Apresentar mensagem: A relao temporal X
2-Preencher o campo
1 Erro 14
2 Erros de premissas do tipo 2 (relaes temporais)
3 Erro na ordem das variveis temporais (no caso da relao temporal no incluir o operador mdulo)
4 Introduo do conceito (operador, variveis e intervalo da relao)
5 O conceito representado a vermelho
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.
7 1-Apresentar mensagem: A relao temporal X
2-Preencher campo
1 Erro 15
2 Erros de premissas do tipo 2 (relaes temporais)
3 Erro no termo do lado direito da relao temporal (limite do intervalo da relao temporal)
4 Introduo do conceito (operador, variveis e intervalo da relao)
5 O conceito representado a vermelho
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.
7 1-Apresentar mensagem: A relao temporal X
2-Preencher campo
200
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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.
4 Introduo do conceito
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
2-Disponibilizar boto O que fazer?
1 Erro 17
2 Erros de concluso de tabela
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.
5 O conceito representado a vermelho
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
2-Disponibilizar boto O que fazer?
1 Erro 18
2 Erros de concluso de tabela
3 O conceito est correcto mas o instante est errado
4 Introduo do instante
5 O instante representado a vermelho
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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.
4 Introduo do conceito
5 O conceito representado a vermelho
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.
4 Introduo do conceito
5 O conceito representado a vermelho
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
7 Passar ao modo restrito
202
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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.
4 Introduo do conceito
5 O conceito representado a vermelho
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
7 Passar ao modo restrito
Categoria de Padres de Erro de Premissas do Tipo 1 (Mensagens SCADA e
Concluses Intermdias)
1 Erro 4
2 Erros de premissas do tipo 1 (mensagens SCADA e concluses intermdias)
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.
4 Introduo do conceito
5 O conceito representado a vermelho
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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.
7 Passar ao modo restrito
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.
4 Introduo do conceito
5 O conceito representado a vermelho
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.
7 Passar ao modo restrito
1 Erro 6
2 Erros de premissas do tipo 1 (mensagens SCADA e concluses intermdias)
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).
4 Introduo do instante
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
7 Passar ao modo restrito
1 Erro 7
2 Erros de premissas do tipo 1 (mensagens SCADA e concluses intermdias)
3 O conceito e o instante correspondem a um facto que foi utilizado previamente como premissa na
mesma tabela (repetio de premissas).
204
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
4 Introduo do instante
5 O conceito e o instante so representados a vermelho
1 Observe atentamente o conjunto de premissas 6
2 A premissa que introduziu repetida
7 Passar ao modo restrito
1 Erro 8
2 Erros de premissas do tipo 1 (mensagens SCADA e concluses intermdias)
3 Conceito correcto, instante incorrecto.
4 Introduo do instante
5 O instante representado a vermelho
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 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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
2 Erros de concluso de tabela
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.
4 Introduo do conceito
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 Passar ao modo restrito
1 Erro 17
2 Erros de concluso de tabela
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.
4 Introduo do conceito
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.
7 Passar ao modo restrito
206
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
1 Erro 18
2 Erros de concluso de tabela
3 Conceito usado previamente como concluso em outra tabela (repetio da concluso).
4 Introduo do conceito
5 1-O conceito representado a vermelho
2-Assim que o operador preencher uma nova premissa o campo de concluso limpo
1 Verifique a concluso que inseriu. 6
2 Anteriormente j obteve esta concluso em outra tabela.
7 Passar ao modo restrito
1 Erro 19
2 Erros de concluso de tabela
3 Conceito correcto, instante incorrecto.
4 Introduo do instante
5 O instante representado a vermelho
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 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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
(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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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 1-Apresentar soluo: DISPARO TRIFSICO NO
IDENTIFICADO, 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).
cs9, cs10, cs11, cs12 e
cs13
2 1-Apresentar soluo: DISPARO TRIFSICO NO
IDENTIFICADO, instante T
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 1-Apresentar soluo: DISPARO TRIFSICO NO
IDENTIFICADO, instante T
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
+
+
=
o actualiza de mximo
1 o instanciad erro padro do dicas de total n
1 a apresentad dica ltima ndice
. a . f
+
+
=
o actualiza de mximo
conceito ao associadas dicas de total n
a apresentad dica ltima ndice
. a . f =
219
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema de Treino de Operadores: Ensino Adaptativo de Diagnstico de Incidentes
(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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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,
Proceedings of the 5
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
Proceedings of the 3
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
[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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Systems, Proceedings of the 5
th
International Conference on Intelligent Tutoring
Systems, Montreal, Canada, Springer-Verlag, 143-152, 19 a 23 de Junho de 2000
[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
Tutoring Systems, Proceedings of the 5
th
International Conference on Intelligent
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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.),
Intelligent Tutoring Systems, Proceedings of the 4
th
International Conference on
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,
Proceedings of the 3
td
International Conference on Intelligent Tutoring Systems,
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
Systems, Proceedings of the 3
td
International Conference on Intelligent Tutoring
Systems, Montreal, Canada, Springer-Verlag, 420-429, 12 a 14 de Junho de 1996
[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.,
Intelligent Tutoring Systems, Proceedings of the 5
th
International Conference on
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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,
Proceedings of the 3
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Tutoring Systems, Proceedings of the 5
th
International Conference on Intelligent
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
[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,
Proceedings of the 3
td
International Conference on Intelligent Tutoring Systems,
Montreal, Canada, Springer-Verlag, 29-47, 12 a 14 de Junho de 1996
[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,
Proceedings of the 5
th
International Conference on Intelligent Tutoring Systems,
Montreal, Canada, Springer-Verlag, 474-483, 19 a 23 de Junho de 2000
[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
Tutoring Systems, Proceedings of the 5
th
International Conference on Intelligent
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.),
Intelligent Tutoring Systems, Proceedings of the 3
td
International Conference on
Intelligent Tutoring Systems, Montreal, Canada, Springer-Verlag, 560-568, 12 a 14
de Junho de 1996
263
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
[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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema Pericial SPARSE
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema Pericial SPARSE
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Sistema Pericial SPARSE
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 02:24:49,666 CAG G1 AGC_Setpoint_minimo Inicio
25.01 02:24:50,265 CAG G3 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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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
Treino e Apoio a Operadores de Centros de Controlo e Conduo de Redes Elctricas
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