Escolar Documentos
Profissional Documentos
Cultura Documentos
MOSSOR RN
2013
MOSSOR RN
2013
CDD: 621.381
AGRADECIMENTOS
RESUMO
ABSTRACT
LISTA DE TABELAS
LISTA DE FIGURAS
LISTA DE SIGLAS
SUMRIO
INTRODUO.................................................................................................. 14
1.1
CONTEXTUALIZAO ............................................................................. 14
1.2
PROBLEMTICA ....................................................................................... 15
1.3
1.4
2.2
5.2
5.2.1
6
6.2
6.3
6.3.1
6.3.2
MAS-CommonKADS+ ............................................................................ 34
6.3.3
7.1.1
7.1.2
Framework JADE................................................................................ 39
7.1.3
StarUML .............................................................................................. 40
7.2
7.3
7.4
MODELAGEM ............................................................................................ 44
8.2
8.3
9.1.1
9.1.2
9.1.3
9.1.4
14
1 INTRODUO
1.1 CONTEXTUALIZAO
15
modelado e como os ambientes de gerenciamento de aprendizagem devem lidar com
esse contedo para tornar vivel sua reutilizao (ADL, 2013).
1.2 PROBLEMTICA
Devido sua popularidade no Brasil, a televiso surge como uma boa soluo na
veiculao de informaes de qualidade e contedo interativo. Mas isso s possvel
devido ao processo de digitalizao, o qual permite que, alm de udio e vdeo,
aplicaes interativas possam ser executadas. Esse processo est se tornando realidade
devido aos avanos nas telecomunicaes e iniciativa do Governo Federal, com o
desenvolvimento do Sistema Brasileiro de Televiso Digital (SBTVD), que so fatores
fundamentais na consolidao da TVDi no pas (SANTOS, 2007).
Tendo em vista sua crescente adoo e implantao, a TVDi surge como
ferramenta de auxilio no processo de ensino-aprendizagem e uma possvel aplicao
para esta tecnologia a veiculao de OAs para cursos de EaD. Entretanto, para que
seja possvel o fornecimento adequado deste tipo de contedo viu-se a necessidade da
criao de um padro capaz de adaptar os OAs para TVDi (SILVA et al., 2012; SILVA,
2012; SILVA et al., 2011). Uma vez seguindo este padro para adaptao dos OAs para
TVDi, possvel melhor classificar os OAs, permitindo uma busca com resultados mais
fiis aos esperados.
No entanto, existe o problema de como ajustar o contedo a ser ensinado, de
modo a suportar melhor sua busca e navegao para torn-los disponveis na plataforma
TVDi a fim de apresentar uma aprendizagem efetiva e personalizada. Outro problema
que se coloca neste contexto como fazer com que os OAs tornem-se mais adequados
por meio de sua especificao em SCORM, visando a apresentao adequada para
TVDi.
Com a proposta de tornar os OAs mais adequados por meios da sua
especificao em SCORM, visando uma melhor apresentao na TVDi, foi
desenvolvida uma extenso para esse padro, chamada T-SCORM, que visa
proporcionar melhor apoio para pesquisa e visualizao de contedo educacional para
16
TVDi, melhorando a especificao e a classificao de OAs (SILVA, 2012; SILVA et.
al., 2012).
No entanto, apesar da criao do padro para suportar OAs para TVDi, no
havia um ambiente computacional capaz de suportar este padro, a fim de contemplar s
caractersticas especficas da TVDi, e recomendar contedos de acordo com o nvel de
conhecimento dos usurios e adequao dos contedos aos cursos nos quais estes
usurios esto matriculados.
17
2 TV DIGITAL INTERATIVA
18
aplicativos digitais interativos e o sistema operacional que controla o hardware do settop-box, em que as aplicaes so executadas (MONTEZ e BECKER, 2005).
Segundo Montez e Becker (2005), de forma geral, o modo de transmisso da TV
Digital Interativa composto por trs componentes principais: (i) um difusor, que
corresponde ao responsvel por prover o contedo a ser transmitido e dar suporte s
interaes dos telespectadores; (ii) um receptor, responsvel por receber o contedo e
oferecer a possibilidade ao telespectador de reagir ou interagir com o difusor; e (iii) um
meio de difuso, que habilita a comunicao entre o difusor e o receptor. Este modelo
pode ser representado resumidamente pela Figura 1.
Para fortalecer a incluso digital no Brasil, uma das aes do governo brasileiro
foi a criao do Decreto Presidencial N 4901 em 26 de novembro de 2003, que fundou
o Sistema Brasileiro de TV Digital (SBTVD). Aspectos sociais relacionados com o uso
de aplicativos por um grupo de usurios, considerando as especificaes e estilos de
interao que podem ser realizados, orientam o design de servios para TVDi. Apesar
do trabalho realizado, ainda no h contribuies suficientes relacionadas com a
concepo de novos produtos para TVDi (GOMES, et al., 2008).
19
As vantagens apresentadas pela TVDi e a expanso do SBTVD abrem
possibilidades para o desenvolvimento de aplicaes educacionais inovadoras para
TVDi, ou seja, para modalidade de ensino-aprendizagem conhecida como t-learning1.
Segundo Lima (2011), a TVDi pode se tornar uma poderosa ferramenta de
incluso social, digital e de democratizao da informao e do saber, pois o decreto
que regulamentou a transmisso digital no Brasil prev que parte dos canais que estaro
disponveis sejam destinados a EaD.
20
Segundo Arias et. al. (2008), as modalidades de aprendizagem e-learning e tlearning possuem escopos diferentes. A modalidade de aprendizagem e-learning
adequada a ambientes que possuem educao formal, com metodologias bem definidas
para aplicao de grades curriculares, enquanto que a modalidade t-learning mais
aplicada a uma abordagem informal, que permita efetuar a aprendizagem por meio do
entretenimento. Esta relao entre as modalidades de aprendizagem apresentada na
Figura 2.
Figura 2 - t-learning, entre entretenimento puro e educao formal. Fonte: (ARIAS, et al.,
2008).
21
3 OBJETOS DE APRENDIZAGEM
ii)
iii)
iv)
v)
Durabilidade
possibilidade
de
continuar
ser
utilizados,
22
aprendizagem descrevem caractersticas relevantes que so utilizadas para sua
catalogao em repositrios de OAs reutilizveis. Estes OAs podem ser recuperados
posteriormente pelos motores de busca ou utilizados por um LMS4 para compor as
unidades de aprendizagem.
Uma das motivaes que levaram necessidade de um sistema de cadastramento
de OAs so os resultados no satisfatrios que se obtm ao tentar recuperar material
suficiente para compor uma unidade de aprendizagem. Isso ocorre porque nos atuais
motores de busca populares na internet nem sempre possvel expressar fielmente os
requisitos que devem nortear a pesquisa e, como resultado, so recuperadas muitas
referncias apontando para materiais que no so apropriados, utilizveis ou mesmo
passveis de utilizao.
Na arquitetura proposta neste trabalho, utilizada uma extenso do padro
SCORM, chamado T-SCORM, que visa proporcionar melhor suporte para pesquisa e
visualizao de OAs com contedo educacional para TVDi, melhorando a especificao
e classificao dos OAs.
De acordo com Silva, et al. (2012), a principal vantagem apresentada na
utilizao do T-SCORM que ele permite a busca de informaes contidas nos
metadados dos OAs com contedos educacionais criados especificamente para o tlearning. Esta busca executada dentro do arquivo imsmanifest.xml, que corresponde
representao de um OA atravs de XML5.
O imsmanifest.xml corresponde a um arquivo que contm os componentes e
recursos com marcadores de todas as caractersticas relacionadas com SCORM. O
padro T-SCORM enriquece o arquivo imsmanifest.xml com informaes relacionadas
a TVDi, adaptando os OAs a este novo ambiente.
4
5
23
4 SISTEMAS DE RECOMENDAO
(ii)
(iii)
24
5 ALGORITMOS GENTICOS
25
Figura 4 - Diagrama que posiciona as algoritmos evolucionrios como tcnica de busca. Fonte:
(LINDEN, 2008)
26
5.2 DESCRIO DE ALGORITMOS GENTICOS
Figura 5 - Funo hipottica com um mximo local e outro global. Fonte: (LINDEN, 2008)
27
populao inicial e os indivduos mais adequados so selecionados para a soluo do
problema, de acordo com os critrios de avaliao. Se os indivduos selecionados no
so os melhores, feita uma nova combinao (ARTERO, 2009). A estrutura bsica de
um AG est representada na Figura 6.
28
representam a soluo esperada para o problema ou o nmero mximo de geraes foi
alcanado, ou o AG no conseguiu mostrar mais progresso, a execuo terminada.
Caso contrrio, a execuo retorna para o passo c.
Segundo Rothlauf (2006), as funcionalidades bsicas de um AG tradicional so
muito simples. Aps a criao e avaliao da populao inicial, o AG responsvel pela
criao de novas geraes. As novas geraes so criadas por meio da recombinao de
indivduos selecionados de acordo com sua funo de fitness (aptido). Dessa forma, os
passos para a gerao da estrutura de base de um AG so:
Inicializar Populao:
- Criar populao inicial;
- Avaliar indivduos da populao inicial;
5.2.1
29
um estudo mais aprofundado dessa tcnica e do uso de equipamentos com maior poder
de processamento.
30
6
31
ii)
iii)
32
atual. De posse dessas informaes, ele escolhe uma ao da mesma forma
que o agente reativo simples.
iv)
v)
33
tambm podem ler informaes escritas por outros agentes (ARTERO, 2009). Esta
arquitetura foi utilizada no presente trabalho.
Pode-se adotar tambm uma arquitetura de comunicao direta entre os agentes,
porm, este tipo de arquitetura obriga os agentes a possurem uma identificao precisa,
como um nome nico no sistema, alm de adotar algum protocolo de comunicao entre
eles (ARTERO, 2009).
(ii)
(iii)
http://www.uml.org
34
(iv)
(v)
MAS-CommonKADS+: Consiste na extenso da metodologia MASCommonKADS que adiciona novos conceitos e modelos e estende a
AML (Agent Modeling Language) (CERVENKA e TRENCANSKY,
2007) para suportar os recursos inseridos na nova metodologia
(MORAIS II, 2010).
6.3.2 MAS-CommonKADS+
35
entre os agentes atravs da AML. Este modelo representado por diagramas de
interao, como diagramas de sequncia e diagramas de comunicao, utilizando
diagramas AML (MORAIS II, 2010).
Alm dos modelos presentes na metodologia MAS-CommonKADS, foram
adicionados a metodologia MAS-CommonKADS+ os modelos de requisitos, de papis
e de recursos, enquanto que os modelos de organizao, de interao e de projeto foram
alterados, com o intuito de complementar a especificao dos diagramas da AML. O
modelo de agentes foi o modelo que sofreu mais modificaes, tornando possvel a
representao do comportamento interno do agente, demonstrando como ele ir
perceber e atuar no ambiente de acordo com seus comportamentos e planos (MORAIS
II, 2010). A Figura 8 apresenta a arquitetura da metodologia MAS-CommonKADS+.
36
Como apresentado na Figura 8, a metodologia MAS-CommonKADS+, est
distribuda da seguinte forma:
(i)
(ii)
(iii)
(iv)
(v)
(vi)
Para que haja de fato uma colaborao entre agentes de extrema importncia
que eles possam se comunicar entre si. Os agentes em um SMA efetuam comunicao
entre si fazendo uso das chamadas linguagens de comunicao. A linguagem de
comunicao entre agentes mais utilizada atualmente a FIPA ACL (Agent
37
Communication Language). Suas principais caractersticas so a possibilidade de
utilizar linguagens de contedos diferentes e o gerenciamento de conversaes atravs
de protocolos de interao predefinidos (BELIFEMINE, CAIRE e GREENWOOD,
2007).
FIPA (Foundation for Intelligent Physical Agents) corresponde a um conjunto
de padres da IEEE Computer Society cujo objetivo promover as tecnologias baseadas
em agentes, a interoperabilidade desses padres com outras tecnologias, a interoperao
de agentes heterogneos e os servios que eles podem representar (FIPA, 2013). FIPA
define ainda um modelo lgico de referncia para gerenciamento dos agentes. Desta
forma, as plataformas que atendem sua especificao devem implementar esse
modelo, possibilitando assim criao, registro, localizao, comunicao, migrao e
operao dos agentes (BELIFEMINE, CAIRE e GREENWOOD, 2007). A Figura 9
mostra os componentes desse modelo.
38
sistemas operacionais e componentes para gerenciamento de agentes
FIPA.
(ii)
(iii)
(iv)
(v)
39
7
40
Com relao ao padro FIPA, JADE implementa a especificao completa de
gerenciamento de agentes, incluindo os servios de MAS, DF, MTS e ACC, como visto
na Subseo 5.3.3.
7.1.3 StarUML
41
42
43
44
Como pode ser visto na Figura 13, a ferramenta consiste em um formulrio que
preenchido pelo usurio, passando informaes sobre o OA. Estas informaes so
includas na estrutura do imsmanifest.xml. So informaes como: (i) objetivo, (ii) tipo,
(iii) palavras-chave, (iv) apoio QoS, (v) necessidade de pagamento, (vi) possui suporte
extenso padro, (vii) existem servios interativos disponveis, (viii) possui
interpretao semntica, (ix) direitos autorais e outras restries.
7.4 MODELAGEM
45
entre outras coisas, o uso de um modelo de interao para descrever todas as interaes
entre os agentes atravs da AML. Este modelo representado por diagramas de
interao, como diagramas de sequncia e diagramas de comunicao, utilizando
diagramas AML (MORAIS II, 2010).
O modelo de papis mostra as funes que cada agente pode executar no
sistema. Esses papis so responsveis pelo cumprimento das tarefas existentes no
modelo de tarefa. O diagrama na Figura 14 mostra o modelo de papis para os agentes
da abordagem proposta.
46
Como pode ser visto na Figura 15 utiliza a funo sensor para receber o perfil do
estudante do Agente estudante e a funo atuador para executar o processo de busca
pelo OA mais adequado para ser efetuada a recomendao.
O Agente de Contedo corresponde a um agente baseado em utilidade, j que o
mesmo faz uso do algoritmo gentico para efetuar a recomendao e tenta sempre
maximizar a funo de utilidade (fitness).
A Figura 16 apresenta, atravs do modelo de interao, as trocas de informaes
ocorridas no sistema, desde a autenticao do usurio junto ao Agente Estudante at a
apresentao do objeto na TVDi, realizada pelo Agente de Interface.
47
48
7.5 TRABALHOS RELACIONADOS
49
8 MECANISMO DE RECOMENDAO
8.1
NVEL DE CONHECIMENTO
50
Com o grau de conhecimento de cada usurio, pode-se determinar o grau de
conhecimento de um grupo de usurios (classe) por meio de uma mdia aritmtica
simples, que pode ser representada pela Equao 1, onde n o nmero de usurios e NC
o nvel de conhecimento.
()
(1)
Propriedades do OAs
Classe
Nvel de Conhecimento
Dificuldade
Pertinncia
Baixo
Fcil
Alto
Fcil
Como pode ser visto na Tabela 1, para o Grupo 1, que possui baixo nvel de
conhecimento, foi designado grau de pertinncia 5 para um OA com dificuldade fcil.
No entanto, o mesmo OA recebeu grau de pertinncia 1 para o Grupo 2, que tem alto
nvel de conhecimento, ou seja, no adequado.
51
recomendados de acordo com o contedo do curso em andamento. Ento, importante
definir o grau de afinidade dos contedos com o curso.
Os OAs presentes no repositrio esto no padro T-SCORM, que mostra, em
seus metadados, palavras-chave relevantes sobre o assunto do OA. Por meio dessas
palavras-chave, possvel verificar o nvel de afinidade do OA com o curso.
Por meio destas palavras-chave possvel verificar a relao destes termos com
um curso e, consequentemente, determinar automaticamente o nvel de afinidade do
contedo com o curso. O nvel de afinidade dado por uma escala em que atribudo
um peso 5 (cinco) para o OA com maior incidncia de palavras-chave relacionadas ao
curso. Para os outros OAs presentes no repositrio so atribudos pesos
proporcionalmente menores.
Esta varivel determina o grau de afinidade do contedo com o curso, que pode
variar de 1 (no relacionado com o curso) a 5 (fortemente relacionado com o curso).
52
53
Por meio deste operador feito cruzamento do material gentico de dois pais
selecionados pelo mtodo da roleta. O objetivo gerar indivduos melhores do que os
seus pais atravs da combinao de informaes genticas.
Como o cromossomo utilizado formado por trs genes (trs OAs), utilizou-se a
estratgia de corte multiponto com dois pontos de corte para cada indivduo. Neste
processo, os bits para a esquerda do Corte1 do Pai1 so enviados para o primeiro filho e
os bits entre o primeiro e segundo corte do mesmo pai so enviados para o segundo
filho. Os bits aps o segundo corte do Pai1 permanecem no Filho1. O segundo filho
formado pelos bits restantes (SILVA, 2012). A Figura 19 mostra um exemplo.
Como cada indivduo tem 51 bits com trs OAs e cada OA tem 17 bits, o
primeiro corte em cada indivduo feito aps o 17 bit e o segundo corte feito aps o
34 bit. O limite de 50 geraes foi adotado como critrio de parada do algoritmo.
54
9 VALIDAO E RESULTADOS
9.1.1
9.1.2
(ii)
55
(iii)
(iv)
(ii)
(iii)
(iv)
(v)
9.1.3
56
(ii)
(iii)
9.1.4
57
ii.
Nvel de Dificuldade
Quantidade de recomendaes
(%)
Difcil
441
15,38
Mdio
2.042
71,20
Fcil
378
13,18
No definido
0,24
Total:
2.868
100
ii.
Nvel de Dificuldade
Quantidade de recomendaes
(%)
Difcil
2.194
76,50
58
Mdio
554
19,32
Fcil
107
3,73
No definido
13
0,45
Total:
2.868
100
ii.
Nvel de Dificuldade
Quantidade de recomendaes
(%)
Difcil
201
7,01
Mdio
1.047
36,51
Fcil
1.600
55,79
No definido
20
0,70
Total:
2.868
100
59
i. 2.353 OAs com nvel de afinidade igual a 5, ou seja, fortemente
relacionados ao curso, correspondendo a 82,04% do total de
recomendaes;
ii. 457 OAs com nvel de afinidade igual a 4, ou seja, relacionados ao curso,
correspondendo a 15,93% do total de recomendaes;
iii. 57 OAs com nvel de afinidade igual a 3, ou seja, moderadamente
relacionados ao
curso,
correspondendo
a 1,99% do
total de
recomendaes;
iv. 1 OA com nvel de afinidade igual a 2, ou seja, fracamente relacionado
ao curso, correspondendo a 0,03% do total de recomendaes;
v.
Nvel de Afinidade
Quantidade Recomendaes
(%)
Fortemente relacionados
2.353
82,05
Relacionados
457
15,93
Moderadamente relacionados
57
1,99
Fracamente relacionados
0,03
No relacionados
0,0
Total:
2.868
100
60
v.
Nvel de Afinidade
Quantidade Recomendaes
(%)
Fortemente relacionados
2.198
76,64
Relacionados
572
19,94
Moderadamente relacionados
89
3,10
Fracamente relacionados
0,32
No relacionados
0,0
Total:
2.868
100
Nvel de Afinidade
Quantidade Recomendaes
(%)
Fortemente relacionados
2.257
78,70
61
Relacionados
504
17,57
Moderadamente relacionados
97
3,38
Fracamente relacionados
0,32
No relacionados
0,03
Total:
2.868
100
62
Tabela 8 - Resultados das recomendaes por nvel de afinidade e nvel de dificuldade.
Turma
Nvel de afinidade
5 ou 4
Mdio
1.989
69,35
5 ou 4
Difcil
2.111
73,61
5 ou 4
Fcil
1.522
53,07
|{
|{
}{
}|
}|
(2)
|{
|{
} {
}|
}|
(3)
63
corresponde a proporo de boas recomendaes que aparecem no topo das
recomendaes, ou seja, quanto do que deveria ser recomendado foi realmente
recomendado. A Figura 20 ilustra um exemplo dessas mtricas.
Uma vez que comum alcanar recall igual a 100%, onde todos os documentos
recomendados so relevantes, o recall em si no suficiente para efetuar uma validao
sobre o sistema de recomendao. Por este motivo, necessrio calcular tambm
precision, que corresponde ao nmero de documentos no relevantes que foram
recomendados. E, alm disso, aplicar a mtrica F-measure (ou F1 score) que combina
recall e precision (SALEHI e KMALABADI, 2012), (SALEHI, KMALABADI e
GHOUSHCHI, 2012). Esta mtrica pode ser representada por meio da Equao 4.
1=2
(4)
Para Turma 1:
=
|{1989} {2868}|
|{1989}|
=
= 0,69
|{2868}|
|{2868}|
64
|{1989} {2868}|
|{1989}|
=
=1
|{1989}|
|{1989}|
1=2
ii.
Para Turma 2:
|{2111} {2868}|
|{2111}|
=
= 0,74
|{2868}|
|{2868}|
|{2111} {2868}|
|{2111}|
=
=1
|{2111}|
|{2111}|
1=2
iii.
0,69 1
=2
= 0,82
+
0,69 + 1
0,74 1
=2
= 0,85
+
0,74 + 1
Para Turma 3:
|{1522} {2868}|
|{1522}|
=
= 0,53
|{2868}|
|{2868}|
|{1522} {2868}|
|{1522}|
=
=1
|{1522}|
|{1522}|
1=2
0,53 1
=2
= 0,69
+
0,53 + 1
65
120
100
(%)
80
60
40
20
0
Classe 1
Classe 2
Precision
Recall
Classe 3
F1
Como pode ser visto em Arias et. al.(2008), o sistema de recomendao proposto
obteve resultados compatveis com resultados de precision e recall de diferentes
estratgias para recomendao de cursos. Os resultados da avaliao mostram que a
nossa abordagem fornece grande qualidade nas recomendaes, alcanando melhores
resultados em recall e tambm bons resultados em precision e F1.
66
10 CONSIDERAES FINAIS E TRABALHOS FUTUROS
Neste trabalho, foi apresentada uma abordagem baseada em agentes para TVDi,
apoiada por um padro adequado para classificao de OAs voltados para t-learning,
com a finalidade de recomendar contedos educativos, de acordo com o nvel de
conhecimento dos usurios e adequao do contedo para o curso em andamento. Por
meio do T-Scorm Adapter, este padro capaz de adaptar os OAs para TVDi,
facilitando a busca e navegao destes objetos. A abordagem proposta tem como
objetivo tornar o ambiente de aprendizagem mais adequado s necessidades de cada
aluno.
Conforme apresentado na seo anterior, foram realizados testes em laboratrio
e a abordagem proposta apresentou resultados satisfatrios. Quanto relao entre os
OAs e o contedo do curso ofertado: (i) para a Turma 1, 82,05% dos vdeos
recomendados foram fortemente relacionados ao curso e apenas 0,03% foram
fracamente relacionados ao curso; (ii) para a Turma 2, 76,64% dos OAs recomendados
foram fortemente relacionados ao curso e apenas 0,32% fracamente relacionados ao
curso; e (iii) para a Turma 3, 78,70% dos OAs recomendados foram fortemente
relacionados ao curso e somente 0,32% fracamente relacionados ao curso.
Outro resultado expressivo foi o percentual de objetos recomendados de acordo
com o nvel de conhecimento dos alunos. Para a Turma 1, que possua nvel de
conhecimento mdio, 71,20% dos OAs recomendados possua nvel de dificuldade
mdio. Para a Turma 2, que possua nvel de conhecimento alto, 76,50% dos OAs
recomendados possua nvel de dificuldade difcil. Para a Turma 3, que possua nvel
de conhecimento baixo, 55,79% dos OAs recomendados possua nvel de dificuldade
fcil.
Levando em considerao simultaneamente a relao entre os OAs e o contedo
do curso, bem como o nvel de conhecimento da turma e o nvel de dificuldade dos
OAs, a recomendao tambm apresentou bons resultados. Para as turmas 1, 2 e 3, as
porcentagens de boas recomendaes foram, respectivamente, 69,35%, 73,61% e
53,07%.
67
Como trabalho futuro, pretende-se desenvolver uma implementao mais
robusta da arquitetura proposta e realizar uma avaliao com base em questionrios com
alunos reais, com o objetivo de obter melhor feedback sobre a usabilidade do ambiente
proposto e seu impacto sobre a aprendizagem dos alunos. Pretende-se tambm efetuar
uma validao quanto performance do sistema, verificando o tempo real para efetuar
uma recomendao e, consequentemente, avaliar possveis melhorias.
Alm disso, temos a inteno de trabalhar o enriquecimento dinmico do perfil
da turma por meio da avaliao da interao dos alunos com os contedos apresentados
na TVDi. Assim, o nvel de conhecimento da turma ser calculado automaticamente,
influenciando a recomendao dos vdeos para os alunos.
Alm disso, pretende-se desenvolver uma funo para captar informaes
dinmicas sobre os alunos obtidas por meio de avaliaes ao final de cada OA
recomendado, como forma de avaliar o conhecimento dos alunos. Estas novas
informaes sobre os estudantes obtidas por meio das avaliaes feitas ao final de cada
OA apresentado formo o perfil dinmico dos estudantes, os quais sero armazenados
na Ontologia de Contexto Dinmico. O primeiro OA recomendado ser compatvel com
o nvel de conhecimento fornecido pela turma em seu perfil esttico, enquanto que o
nvel do prximo OA depender da interao posterior entre os alunos e o OA
recomendado anteriormente, o que ser alcanado atravs das atividades desenvolvidas
no final de cada OA.
68
REFERNCIAS
69
LOM.
Learning
object
metadata,
2002.
<http://ltsc.ieee.org/wg12/20020612-nal-lom-draft.html>.
Disponivel
em:
70
SOUSA NETO, F. A.; BEZERRA, E. P. DITV-Learning: Uma Ferramenta de Autoria
Criao de Objetos Digitais de Aprendizagem para Televiso Digital Interativa. XXIII
Simpsio Brasileiro de Informtica na Educao, Rio de Janeiro, RJ, 2012.
W3C. World Wide Web Consortium. XML Technology, 2013. Disponivel em:
<http://www.w3.org/standards/xml/>.
ZINI, E. O. C. Algoritmo Gentico Especializado na Resoluo de Problemas com
Variveis Contnuas e Altamente Restritos. Dissertao (Mestrado em Engenharia
Eltrica) - Universidade Estadual Paulista (UNESP). Ilha Solteira, SP, p. 149. 2009.