EduTV: UM SISTEMA MULTIAGENTE PARA RECOMENDAÇÃO DE CONTEÚDOS EDUCACIONAIS PARA TV DIGITAL INTERATIVA

UNIVERSIDADE FEDERAL RURAL DO SEMI-RIDO
UNIVERSIDADE DO ESTADO DO RIO GRANDE DO NORTE

PROGRAMA DE PS-GRADUAO EM CINCIA DA
COMPUTAO
RAPHAEL DE CARVALHO MUNIZ
EduTV: UM SISTEMA MULTIAGENTE PARA

RECOMENDAO DE CONTEDOS EDUCACIONAIS
PARA TV DIGITAL INTERATIVA
MOSSOR RN
2013

Dissertao apresentada ao Programa de PsGraduao em Cincia da Computao

associao ampla entre a Universidade do Estado
do Rio Grande do Norte e a Universidade Federal
Rural do Semi-rido, para a obteno do ttulo de
Mestre em Cincia da Computao.
Orientador: Prof. Dr. Francisco Milton Mendes

Neto UFERSA.
Coorientador: Prof. Dr. Aquiles Medeiros Filgueira
Burlamaqui - UFRN
MOSSOR RN
2013
O contedo desta obra de inteira responsabilidade de seus autores
Dados Internacionais de Catalogao na Publicao (CIP)

Biblioteca Central Orlando Teixeira (BCOT)
Setor de Informao e Referncia
M966e Muniz, Raphael de Carvalho.

Edutv: um sistema multiagente para recomendao de
contedos educacionais para TV digital interativa. / Raphael de
Carvalho Muniz. -- Mossor, 2014
70f.: il.
Orientador: Prof. Dr. Francisco Milton Mendes Neto.
Co-orientador: Prof. Dr. Aquiles Medeiros F. Burlamaqui.
Dissertao (Mestrado em Cincia da Computao
Universidade Federal Rural do Semi-rido). Pr-Reitoria de
Ps-Graduao.
1. TV Digital interativa. 2.Objetos de Aprendizagem. 3.
Recomendao de Contedo. 4. T-SCORM. I. Titulo.
RN/UFERSA/BCOT
Bibliotecria: Keina Cristina Santos Sousa e Silva
CRB-15/120
CDD: 621.381

Dissertao apresentada ao Programa de PsGraduao em Cincia da Computao para a

obteno do ttulo de Mestre em Cincia da
Computao.
APROVADA EM: 25 / 02/ 2014.
Dedico este trabalho especialmente aos meus

pais Zidailson Vieira Muniz e Railma L. de
Carvalho Muniz, ao meu irmo Ramon de
Carvalho Muniz, e minha namorada
Mariuchy S. de Brito Paiva Franco
AGRADECIMENTOS
Primeiramente gostaria de agradecer a Deus e aos meus pais Railma e Zidailson,

por todo o amor e principalmente apoio sem o qual no teria conseguido realizar este
sonho. Apoio este que no se resume somente a este, mas a todos os momentos de
minha vida;
Ao meu Irmo Ramon e minha namorada Mariuchy pelo companheirismo e
compreenso;
Aos colegas do LES, pela prontido em sempre estar dispostos ajudar a sanar
qualquer dvida ou outro problema que pudesse encontrar;
Ao orientador Francisco Milton Mendes Neto que se mostrou um amigo, que
posso contar, no somente para me orientar em assuntos acadmicos, mas tambm em
qualquer problema que possa encontrar, seja ele pessoal ou profissional. Por toda
dedicao e compreenso empregada em me auxiliar. Espero ter atendido as
expectativas durante o desenvolvimento do projeto;
Ao coorientador e amigo Aquiles Medeiros Filgueira Burlamaqui, que ofereceu
todo o empenho e ajuda, os quais se mostraram essenciais para o desenvolvimento deste
trabalho;
Aos Professores da banca Rommel Wladimir de Lima e Ricardo Alexsandro de
Medeiros Valentim por terem aceitado o convite para contribuir com este trabalho;
E finalmente, CAPES, pelo apoio financeiro que viabilizou a concretizao
deste trabalho;
No sabendo que era impossvel, ele foi l e fez (Desconhecido).
RESUMO
O apoio de recursos tecnolgicos nos ambientes de ensino e aprendizagem tem

contribudo para torn-los mais eficientes e agradveis. Com este apoio tem se tornado
bastante comum a utilizao de recursos de mdias, antes exploradas somente para
entretenimento, para fins educacionais, entre elas a TV. A TV Digital interativa (TVDi)
oferece recursos que tornam possvel o desenvolvimento de uma infinidade de
aplicaes educacionais. No entanto, uma vez que a TV um dispositivo de distribuio
em massa, um fator agravante no uso dessa mdia para a educao a apresentao de
contedos (objetos de aprendizagem) inadequados de acordo com o conhecimento
prvio dos usurios e o tema de cursos em que esto matriculados. Este trabalho tenta
preencher essa lacuna propondo um ambiente educacional para TVDi, apoiado por um
padro adequado para a classificao de objetos de aprendizagem T-SCORM, com o
objetivo de recomendar contedos educacionais adequados para TVDi, de acordo com o
nvel de conhecimento dos usurios e adequao dos contedos ao curso em andamento.
Palavras-Chave: TV Digital interativa. Objetos de Aprendizagem. T-SCORM.
Recomendao de Contedo.
ABSTRACT
The support of technological resources in teaching and learning environments has

contributed to make them more efficient and enjoyable. Through this support has
become quite common to use media resources before explored only for entertainment
for educational purposes, among them the TV. The interactive Digital TV (iDTV)
provides resources that make possible the development of a plethora of educational
applications. However, since TV is a mass distribution device, an aggravating factor in
the use of this media for education is the presentation of contents (learning objects)
inadequate according to both the users' previous knowledge and the subject of courses
in which they are enrolled. This work tries to fill in this gap by proposing an educational
environment for iDTV, supported by an adequate standard for classification of learning
objects for T-learning, in order to deliver educational contents for iDTV, according to
users' knowledge level and suitability of contents to ongoing course
Keywords: Interactive Digital TV. Learning Objects. T-SCORM. Contents

Recommendation.
LISTA DE TABELAS
Tabela 1 - Tabela de associaes dos OAs com os grupos. .......................................... 50

Tabela 2 - Resultados da recomendao por nvel de dificuldade para Turma 1. .......... 57
Tabela 3 - Resultados da recomendao por nvel de dificuldade para Turma 2. .......... 57
Tabela 4 - Resultados da recomendao por nvel de dificuldade para Classe 3. .......... 58
Tabela 5 - Resultados da recomendao por nvel de afinidade para Turma 1. ............. 59
Tabela 8 - Resultados das recomendaes por nvel de afinidade e nvel de dificuldade.
................................................................................................................................... 62
LISTA DE FIGURAS
Figura 1 - Modelo de um sistema de TV Digital. Fonte: (MONTEZ; BECKER, 2005).

................................................................................................................................... 18
Figura 2 - t-learning, entre entretenimento puro e educao formal. Fonte: (ARIAS, et
al., 2008). ................................................................................................................... 20
Figura 3 - Pseudocdigo bsico de um algoritmo evolucionrio. Fonte: Adaptado de
(LINDEN, 2008) ......................................................................................................... 25
Figura 4 - Diagrama que posiciona as algoritmos evolucionrios como tcnica de busca.
Fonte: (LINDEN, 2008) .............................................................................................. 25
Figura 5 - Funo hipottica com um mximo local e outro global. Fonte: (LINDEN,
2008) .......................................................................................................................... 26
Figura 6 - Estrutura bsica de um AG. Fonte: (ZINI, 2009). ........................................ 27
Figura 7 - Viso de um agente padro. Fonte: Adaptado de (RUSSEL e NORVIG,
2003) .......................................................................................................................... 31
Figura 8 - Arquitetura da MAS-CommonKADS+. Fonte: Adaptado de (MORAIS II,
2010). ......................................................................................................................... 35
Figura 9 - Modelo de referncia FIPA para gerenciamento de agentes. Fonte: Adaptado
de (BELIFEMINE, CAIRE e GREENWOOD, 2007) .................................................. 37
Figura 10 - Formulrio do Moodle .............................................................................. 41
Figura 11 - Reproduo de vdeo no middleware Ginga-NCL ..................................... 42
Figura 12 - Abordagem baseada em agentes para recomendao de OAs para TVDi. .. 43
Figura 13 - T-SCORM ADAPTER ............................................................................. 44
Figura 14 - Modelo de papis dos agentes implementados........................................... 45
Figura 15 - Modelo de Agente do Agente de Contedo ............................................... 46
Figura 16 - Modelo de interao .................................................................................. 47
Figura 17 - Formulrio do Moodle: Nvel de Conhecimento ........................................ 49
Figura 18 - Representao do cromossomo. Fonte: (SILVA et al., 2013). .................... 52
Figura 19 - Cruzamento utilizando dois pontos de corte. Fonte: (SILVA, 2012). ......... 53
Figura 20 - Precision e recall no contexto dos motores de busca. Fonte:(CARACIOLO,
2011). ......................................................................................................................... 63
Figura 21 - Resultados para precision, recall e F1 do sistema de recomendao
proposto. ..................................................................................................................... 65
LISTA DE SIGLAS
ADL - Advanced Distributed Learning;

AML - Agent Modeling Language;
EaD - Educao a Distncia;
HD - High Definition;
IEEE - Institute of Electrical and Electronics Engineers;
LD Low Definition;
LES - Laboratrio de Engenharia de Software;
LMS - Learning Management System;
LOM - Learning Object Metadata;
LTSC - Learning Technology Standard Committee;
OA - Objeto de Aprendizagem;
SBTVD - Sistema Brasileiro de Televiso Digital;
SCORM - Shareable Content Object Reference Model;
SD - Standard Definition;
TVD - TV Digital;
TVDi - TV Digital Interativa;
UFERSA Universidade Federal Rural do Semi-rido;
XML - eXtensible Markup Language.
SUMRIO
INTRODUO.................................................................................................. 14
1.1
CONTEXTUALIZAO ............................................................................. 14
1.2
PROBLEMTICA ....................................................................................... 15
1.3
OBJETIVO GERAL ..................................................................................... 16
1.4
ORGANIZAO DA DISSERTAO ....................................................... 16
TV DIGITAL INTERATIVA ............................................................................ 17

2.1
EVOLUO DA TVDI ............................................................................... 17
2.2
T-LEARNING VS. E-LEARNING ............................................................... 19
OBJETOS DE APRENDIZAGEM ................................................................... 21

3.1
PADRES DE CLASSIFICAO DE OBJETOS DE APRENDIZAGEM .. 21
SISTEMAS DE RECOMENDAO ............................................................... 23
ALGORITMOS GENTICOS ......................................................................... 24

5.1
DESCRIO DE ALGORITMOS EVOLUCIONRIOS ............................ 24
5.2
DESCRIO DE ALGORITMOS GENTICOS ......................................... 26
5.2.1
6
Vantagens e Desvantagens dos Algoritmos Genticos ........................ 28
AGENTES INTELIGENTES E SISTEMAS MULTIAGENTE ...................... 30

6.1
CONCEITOS DE AGENTES ....................................................................... 30
6.2
TIPOS DE AGENTES .................................................................................. 31
6.3
SISTEMAS MULTIAGENTE ...................................................................... 32
6.3.1
Metodologias de Modelagem de Sistemas Multiagente.......................... 33
6.3.2
MAS-CommonKADS+ ............................................................................ 34
6.3.3
Gerenciamento e Comunicao entre Agentes ....................................... 36
EduTV: UM SISTEMA PARA RECOMENDAO DE CONTEDOS
EDUCACIONAIS PARA TV DIGITAL INTERATIVA ........................................ 39

7.1
FERRAMENTAS UTILIZADAS ................................................................. 39
7.1.1
LMS Moodle ........................................................................................ 39
7.1.2
Framework JADE................................................................................ 39
7.1.3
StarUML .............................................................................................. 40
7.2
DESCRIO DO AMBIENTE PROPOSTO ............................................... 40
7.3
T-SCORM ADAPTER ................................................................................. 43
7.4
MODELAGEM ............................................................................................ 44
MECANISMO DE RECOMENDAO .......................................................... 49

8.1
NVEL DE CONHECIMENTO .................................................................... 49
8.2
NVEL DE AFINIDADE .............................................................................. 50
8.3
ALGORITMO GENTICO .......................................................................... 51
VALIDAO E RESULTADOS ...................................................................... 54

9.1
ORGANIZAO DO EXPERIMENTO ...................................................... 54
9.1.1
Definio da Populao Inicial ............................................................ 54
9.1.2
Estruturao dos Contedos ............................................................... 54
9.1.3
Estruturao dos Perfis dos Estudantes.............................................. 55
9.1.4
Execuo e Resultados do Experimento .............................................. 56
10 CONSIDERAES FINAIS E TRABALHOS FUTUROS ............................. 66

REFERNCIAS ........................................................................................................ 68
14
1 INTRODUO
1.1 CONTEXTUALIZAO
Cada vez mais os recursos tecnolgicos tm contribudo para tornar o processo

de aprendizagem eficiente e agradvel. Tornou-se comum a utilizao de recursos de
mdia que j foram exploradas apenas para entretenimento, entre eles a televiso, com
objetivos educacionais. Assim, pesquisas sobre estratgias e ferramentas educacionais
relacionadas TV Digital Interativa (TVDi) tm crescido progressivamente no Brasil e
em outros pases (MONTEZ e BECKER, 2005).
Devido aos diferenciais que a TVDi possui, como j apresentar o sinal em vrias
cidades brasileiras, o apoio do Governo para sua adoo, sua interatividade com os
espectadores e ser um veculo de difuso em massa, possvel desenvolver uma srie de
aplicativos que podem ser integrados programao de qualquer canal digital. Porm,
para que isso seja possvel, os usurios precisam de uma tv analgica ligada a uma caixa
decodificadora de informao, chamada de set-top-box ou possuir uma tv com set-topbox integrado (MENDES NETO, 2013).
Assim, devido as barreiras geogrficas e financeiras enfrentadas por uma parcela
considervel de estudantes brasileiros, a TVDi surge como uma alternativa na oferta de
educao de qualidade. De acordo com Arias (2008), a TV est presente em quase todas
as casas e to simples e familiar que todo mundo se sente confortvel com isso.
A importncia da elaborao de normas, com a finalidade de melhorar a
especificao dos Objetos de Aprendizagem (OAs), refletida atravs do trabalho
realizado por organizaes respeitveis como IEEE e Global Learning Consortium, que
propuseram o padro Learning Object Metadata (LOM), que permite que os OAs sejam
classificados, reutilizados e encontrados corretamente pelos motores de busca (LOM,
2002).
O padro para a classificao de OAs conhecido como SCORM (Shareable
Content Object Reference Model), desenvolvido pela Advanced Distributed Learning
(ADL), tambm amplamente utilizado, e descreve como o contedo pode ser
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.
1.3 OBJETIVO GERAL
Este trabalho prope o desenvolvimento de um ambiente educacional para

TVDi, apoiado por um sistema multiagente capaz de recomendar contedos
educacionais para TVDi de acordo com o contexto dos usurios. A abordagem proposta
faz uso do padro para a classificao de objetos de aprendizagem T-SCORM, que
permite a construo e representao de conhecimento sobre OAs. A abordagem
proposta neste trabalho utiliza um Algoritmo Gentico (AG) para realizar a
recomendao de OAs.
1.4 ORGANIZAO DA DISSERTAO
O trabalho est organizado da seguinte forma: A Seo 2 descreve a TV Digital

Interativa. A Seo 3 apresenta definies sobre objetos de aprendizagem. A Seo 4
apresenta conceitos relacionados a sistemas de recomendao. A Seo 5 apresenta
definies sobre algoritmos genticos. A Seo 6 descreve conceitos importantes sobre
agentes inteligentes e sistemas multiagente, bem como suas metodologias de
modelagem. A Seo 7 descreve a abordagem proposta. A Seo 8 apresenta o
mecanismo de recomendao utilizado. A Seo 9 apresenta a validao e os resultados
da abordagem proposta. E, por fim, a Seo 10 apresenta as consideraes finais e os
trabalhos futuros.
17
2 TV DIGITAL INTERATIVA
Nesta seo sero apresentados aspectos relacionados TV Digital Interativa

(TVDi). A Subseo 2.1 relata sobre a evoluo da TVDi. A Subseo 2.2 apresenta um
comparativo entre as modalidades de aprendizagem t-learning e e-learning.
2.1 EVOLUO DA TVDI
Segundo Americo (2010), TV Digital Interativa consiste em qualquer tipo de

prestao de servio que facilite a comunicao de via dupla entre o usurio do sistema,
anteriormente tratado apenas como espectador, e os provedores de contedo.
Esta tecnologia vem sofrendo um grande processo de evoluo. A TVDi pode
transmitir canais com alta definio (high definition), de definio padro (standard
definition) ou baixa definio (low definition), assim como os canais de udio
associados, alm de transmitir fluxos de dados. Os fluxos de dados associados a
aplicativos podem ser executados a partir de terminais de televiso (set-top-box)
(MONTEZ e BECKER, 2005).
O impacto financeiro para os usurios causado pela implantao da TVDi no

to relevante, pois no exige a modificao do equipamento de televiso atual. Para ser
capaz de receber o sinal de TVDi, os usurios precisam, alm de um televisor
convencional, apenas de uma caixa decodificadora (set-top-box). De acordo com
Carneiro et al. (2012), o set-top-box corresponde a um dispositivo conectado ao
televisor responsvel pela recepo de sinais digitais por uma fonte de dados, que pode
ser pelo ar, cabo ou satlite. Ele pode converter sinais digitais em um formato capaz de
ser interpretado e exibido pelos equipamentos de TV atuais.
O set-top-box recebe os sinais digitais, que so convertidos em formatos
compatveis com aparelhos de TV analgicos. Estes sinais so obtidos a partir de canais
de udio e vdeo e fluxos de dados transmitidos pelas aplicaes de TVDi. H uma
camada de software sobre o set-top-box (middleware), responsvel pela interface entre
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.
Figura 1 - Modelo de um sistema de TV Digital. Fonte: (MONTEZ; BECKER, 2005).
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.
2.2 T-LEARNING VS. E-LEARNING
O surgimento de novas tecnologias para fins educacionais proporciona apoio ao

processo de ensino-aprendizagem, tornando-o mais agradvel, acessvel e eficaz.
Algumas tecnologias usadas antes para o entretenimento passaram a ser utilizadas para
auxiliar a aprendizagem, como, por exemplo, o uso de animaes e jogos interativos de
apoio aprendizagem (SANTOS, 2007).
Uma tecnologia utilizada anteriormente apenas para o entretenimento e,
atualmente, utilizada para fins educacionais a TV, que hoje atinge cerca de 96% dos
49,8 milhes de domiclios no Brasil (IBGE, 2010). A TV corresponde a uma
tecnologia considerada confivel pelo telespectador no que se refere transmisso de
contedo e facilidade de operao. Estas caractersticas so consideradas pontos
importantes para prover aprendizagem por meio da TVDi, ou seja, t-learning (REYLOPEZ et al., 2006).
No de hoje que servios educacionais so ofertados por meio da utilizao da
TV tradicional. Alguns exemplos que podem ser citados so: TV Escola2,
Telecurso20003, alm de documentrios e reportagens com contedo didtico. No
entanto, o diferencial apresentado por meio do advento da TVDi a possibilidade de
interatividade do usurio com o contedo apresentado.
Aprendizagem interativa a distncia atravs da TV Digital (EDWIN et al., 2012)

http://tvescola.mec.gov.br/
3
http://www.telecurso2000.org.br/
2
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).
Os recursos de interatividade da TVDi representam uma grande vantagem sobre

os programas de TV tradicionais usados para prover aprendizagem, pois apresentam
uma experincia de aprendizagem mais envolvente, permitindo que seus usurios
influenciem na apresentao do contedo, avaliem seus conhecimentos por meio de
testes de avaliao, etc (ARIAS, et al., 2008).
Segundo Arias et al.(2008), de modo geral, e-learning e t-learning devem ser
vistos como sulues complementares no processo de ensino-aprendizagem, uma vez
que oferecem para as necessidades de aprendizagem diferentes motivaes
21
3 OBJETOS DE APRENDIZAGEM
Objeto de Aprendizagem (OA) um termo utilizado para definir o contedo

disponibilizado no processo de ensino-aprendizagem dentro do contexto de Educao a
Distncia (EAD). O termo Objeto de Aprendizagem definido como sendo qualquer
entidade, digital ou no, que pode ser usada, reutilizada ou referenciada durante a
aprendizagem apoiada pela tecnologia (IEEE-LTSC-P1484.12, 2000).
Outra caracterstica dos OAs que eles podem ser reutilizados em diferentes
contextos de aprendizagem e combinados entre si, compondo outros OAs. De acordo
com Americo (2010), os OAs so considerados blocos de informao e tm as seguintes
caractersticas:
i)
Reutilizao - reutilizveis vrias vezes em vrios ambientes de

aprendizagem;
ii)
Capacidade de adaptao - adaptveis a qualquer ambiente de

aprendizagem;
iii)
Granularidade - contedo em pedaos para facilitar sua reutilizao;
iv)
Acessibilidade - facilmente acessvel pela Internet para ser usado em

vrios locais;
v)
Durabilidade
possibilidade
de
continuar
ser
utilizados,
independentemente da mudana de tecnologia; e

vi)
Interoperabilidade - a capacidade de operar atravs de uma variedade

de hardware, sistemas operacionais e navegadores, ou seja, permite a
troca efetiva entre os diferentes sistemas.
3.1 PADRES DE CLASSIFICAO DE OBJETOS DE APRENDIZAGEM
Tendo em vista a necessidade de classificao dos OAs, o Institute of Electrical

and Electronics Engineers (IEEE) desenvolveu uma proposta para catalogao de OAs,
denominada Learning Object Metadata (LOM).
Os metadados dos OAs possuem caractersticas que so utilizadas em sua
catalogao, sendo reutilizados posteriormente. Os metadados de um objeto de
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
Learning Management System (ADL, 2013)

eXtensible Markup Language (W3C, 2013)
23
4 SISTEMAS DE RECOMENDAO
Em decorrncia do avano ocorrido nos meios de distribuio de contedo, seja

ele servio ou informaes, por meio da Web, ocorrem situaes em que os usurios
possuem vrias opes de escolha, antes mesmo de ser capaz de selecionar uma opo
que atenda s suas necessidades (VIEIRA e NUNES, 2012). Os Sistemas de
Recomendao buscam suprimir os impactos causados por esta sobrecarga de
informao disponvel aos usurios. Por meio de repositrios e informaes sobre a
preferncia dos usurios, eles direcionam o contedo para indivduos com interesses
determinado potencial. Um dos desafios dos sistemas de recomendao indicar
produtos, servios e / ou informaes que melhor se adequam as reais expectativas dos
usurios (CAZELLA, REATEGUI e BEHAR, 2010).
Segundo Cazella, Reategui e Behar (2010), os sistemas de recomendao podem
ser classificados em trs tipos:
(i)
Baseado em contedo: Corresponde a recomendao efetuada por meio

de informaes obtidas a partir de usurios (perfil, comportamento, etc) e
seu histrico de escolhas.
(ii)
Baseado em Filtragem Colaborativa: Recomendao baseado em

filtragem colaborativa leva em considerao as escolhas feitas por
usurios que possuem caractersticas semelhantes.
(iii)
Hbrido: Corresponde a recomendao por meio da aplicao de tcnicas

utilizadas pela Recomendao Baseada em contedo e Recomendao
Baseada na Filtragem Colaborativa, com o objetivo de atingir um maior
nmero de possibilidades e para sugerir objetos que parecem no estar
diretamente relacionados (HUANG, et al., 2002).
A utilizao de sistemas de recomendao corresponde a uma abordagem

eficiente para que o usurio possa encontrar informaes de seu interesse na Web.
24
5 ALGORITMOS GENTICOS
Esta seo apresenta a fundamentao terica necessria para o entendimento do

funcionamento do algoritmo gentico desenvolvido no presente trabalho.
5.1 DESCRIO DE ALGORITMOS EVOLUCIONRIOS
Com o objetivo de obter melhor entendimento sobre algoritmos genticos, viu-se

a necessidade de uma definio sobre algoritmos evolucionrios, que correspondem a
algoritmos que fazem uso de modelos computacionais dos processos naturais de
evoluo como uma ferramenta para solucionar problemas (LINDEN, 2008; PETROLI
NETO, 2011).
Operadores genticos correspondem a aproximaes computacionais de
fenmenos vistos na natureza, como a reproduo sexuada, mutao gentica ou
qualquer outro que os programadores possam imaginar (LINDEN, 2008).
O comportamento padro dos algoritmos evolucionrios pode ser representado
resumidamente pelo pseudocdigo presente na Figura 3. Por meio do pseudocdigo
possvel notar que os algoritmos evolucionrios dependem consideravelmente de fatores
estocsticos (probabilsticos), tanto na fase de inicializao da populao quanto na fase
de evoluo, que corresponde fase onde acontece a seleo dos pais. Isto faz com que
seus resultados sejam raramente perfeitamente reproduzidos. Dessa forma, os
algoritmos evolucionrios no garantem que a soluo encontrada ser sempre a soluo
tima em cada uma dessas execues.
25
Figura 3 - Pseudocdigo bsico de um algoritmo evolucionrio. Fonte: Adaptado de (LINDEN,

2008)
Os algoritmos evolucionrios podem ser definidos como sendo heursticas, pois

no asseguram a obteno do melhor resultado possvel, uma vez que, para solucionar
alguns problemas, impossvel verificar, em tempo hbil, todas as possibilidades de
solues existentes. Este tipo de algoritmo apropriado para encontrar a soluo de
problemas cujos algoritmos so extraordinariamente lentos ou incapazes de obter uma
soluo (LINDEN, 2008).
Como pode ser visto na Figura 4, os algoritmos evolucionrios se posicionam
como uma tcnica de busca e fazem parte de um ramo da busca chamado de Tcnicas
Aleatrias-Guiadas. Por tanto, apesar de possurem componentes aleatrios, os
algoritmos evolucionrios fazem uso de informaes do estado corrente com o objetivo
de guiar a pesquisa, diferenciando-se assim de tcnicas puramente aleatrias.
Figura 4 - Diagrama que posiciona as algoritmos evolucionrios como tcnica de busca. Fonte:
(LINDEN, 2008)
26
5.2 DESCRIO DE ALGORITMOS GENTICOS
A recomendao de contedos educacionais apresentada no trabalho proposto

efetuada fazendo uso de Algoritmos Genticos (AG), que correspondem a um ramo dos
algoritmos evolucionrios e, por tanto, podem ser definidos como uma tcnica de busca
baseada em uma metfora do processo biolgico de evoluo natural (LINDEN, 2008).
Os AGs correspondem a tcnicas heursticas de otimizao global e se opem a
mtodos de subida de encosta (ou hill climbing), os quais possuem a caracterstica de
seguir a derivada de uma funo de forma a encontrar o mximo de uma funo, ficando
facilmente retidos em mximos locais e consequentemente no encontrando o mximo
global, como pode ser visto na Figura 5.
Figura 5 - Funo hipottica com um mximo local e outro global. Fonte: (LINDEN, 2008)
Os AGs no ficam estagnados simplesmente pelo fato de terem encontrado um

mximo local. Neste ponto, eles se assemelham com a evoluo natural, que pelo
motivo de ter encontrado um melhor indivduo de certo grupo no para de procurar
outros indivduos ainda melhores. O processo consiste em fazer competir um grupo de
indivduos, fazendo com que sobrevivam aqueles indivduos que so mais aptos
(LINDEN, 2008; PETROLI NETO, 2011).
AGs so responsveis por tentar encontrar uma soluo para os problemas que
no possuem algoritmos conhecidos. Em geral, o AG toma como entrada uma
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.
Figura 6 - Estrutura bsica de um AG. Fonte: (ZINI, 2009).
De acordo com Linden (2008), a execuo de um AG pode ser resumida nos

seguintes passos: a) Inicializa-se a populao de cromossomos; b) Avalia-se cada
cromossomo da populao; c) Seleciona-se os indivduos que iro assumir o papel de
pais para gerar novos cromossomos; d) Aplica-se as operaes de recombinao e
mutao, a fim de selecionar os indivduos como pais, criando uma nova gerao; e)
Elimina-se os cromossomos da gerao anterior; f) Avalia-se os cromossomos que
foram gerados e inseridos na populao; g) Se os cromossomos encontrados
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;
Criar Novas Populaes:

- Selecionar indivduos aptos para reproduo;
- Gerar descendentes com o operador gentico cruzamento;
- Mutao da nova populao;
- Avaliar a nova populao.
5.2.1
Vantagens e Desvantagens dos Algoritmos Genticos
Como visto nas subsees anteriores, um AG corresponde a uma tcnica de

busca que apresenta uma srie de vantagens em sua utilizao, dentre as quais podem
ser citadas (LINDEN, 2008; ZINI, 2009):
Correspondem a uma tcnica de busca aleatria-guiada. Possuem componentes

aleatrios, porm utilizam a informao da populao corrente para determinar o
prximo estado da busca, diferentemente de alguns mtodos de pesquisa;
No fazem uso apenas de informaes locais, portanto, no ficam

necessariamente presos em mximos locais. Esta caracterstica torna os AGs
tcnicas adequadas para funes de comportamento complexo;
Como correspondem a buscas direcionadas e inteligentes, consequentemente so

adequados a tratar problemas com espaos de busca muito grandes, que no
podem ser resolvidos com uso de tcnicas tradicionais;
29
Possuem fcil implementao e proporcionam maior flexibilidade no tratamento

do problema a ser resolvido.
Porm, possvel citar tambm algumas desvantagens do uso dos AGs
(LINDEN, 2008; ZINI, 2009):
Apresenta necessidade de um grande nmero de avaliaes de aptido, o que

acaba tornando o tempo de processamento maior que outros mtodos;
Dificuldade de encontrar um timo global exato;
Possui muitas possibilidades de configuraes, o que pode acabar complicando a

resoluo do problema que se est tratando.
Mesmo com as dificuldades encontradas, estas podem ser superadas por meio de
um estudo mais aprofundado dessa tcnica e do uso de equipamentos com maior poder
de processamento.
30
6
AGENTES INTELIGENTES E SISTEMAS MULTIAGENTE
Nesta seo sero apresentados conceitos relacionados a agentes e sistemas

multiagente. A Subseo 5.1 apresenta algumas definies importantes sobre agentes. A
Subseo 5.2 descreve os tipos de agentes inteligentes. A Subseo 5.3 traz conceitos
relacionados a sistemas multiagente.
6.1 CONCEITOS DE AGENTES
Um agente corresponde a tudo aquilo que pode ser considerado capaz de

perceber seu ambiente por meio de sensores e atuar sobre esse ambiente por meio de
atuadores (RUSSEL e NORVIG, 2003).
J segundo Artero (2009), agentes inteligentes correspondem a programas que
executam um conjunto de operaes no lugar de um usurio, utilizando uma
representao do conhecimento que contm os objetivos do usurio. Outra definio
deste autor afirma que agentes so programas que efetuam dilogos para negociar e
coordenar transferncias de informao.
Neste trabalho, um agente foi considerado como sendo uma entidade de software
que efetua a percepo do seu ambiente de forma autnoma e realiza uma ao sobre
este ambiente, de acordo com os conhecimentos internos que possui e a percepo do
prprio ambiente. Alm disso, so capazes de efetuar colaborao, realizando
comunicao entre si para alcanar um objetivo em comum. Esta definio pode ser
representada por meio da Figura 7.
31
Figura 7 - Viso de um agente padro. Fonte: Adaptado de (RUSSEL e NORVIG, 2003)
Outra caracterstica a ser levada em considerao a racionalidade do agente.

Quatro fatores influenciam a racionalidade, so eles: (i) Medida de desempenho que
define o critrio de sucesso do agente; (ii) Conhecimento prvio que o agente possui;
(iii) Aes que o agente pode realizar; (iv) Sequncia de percepes captadas pelo
agente at o momento (RUSSEL e NORVIG, 2003).
6.2 TIPOS DE AGENTES
Segundo Russel e Norvig (2003) e Artero (2009), podem ser citados

resumidamente cinco tipos de agentes:
i)
Agente tabela: corresponde estrutura mais simples de um agente, onde

todas as percepes e aes so relacionadas em uma tabela. O grande
problema dessa abordagem a necessidade de incluir todas as percepes e
aes possveis.
ii)
Agente reativo simples: seleciona aes a serem executadas com base

exclusivamente na percepo atual, no levando em considerao o histrico
de percepes. Como no possuem uma memria, esses agentes so
incapazes de planejar aes futuras.
iii)
Agente reativo baseado em modelo: tambm conhecido como agente reativo

com estado interno, este agente combina as informaes da percepo atual
com as provenientes do modelo para gerar a descrio atualizada do estado
32
atual. De posse dessas informaes, ele escolhe uma ao da mesma forma
que o agente reativo simples.
iv)
Agente baseado em objetivos: tambm chamado de agente cognitivo,

pondera suas aes levando em considerao a descrio do estado atual e os
objetivos a serem alcanados. Esse tipo de agente combina essas
informaes com aquelas sobre os resultados das aes possveis, podendo
escolher, dentre estas, a que lhe permita atingir mais rapidamente seus
objetivos.
v)
Agente baseado em utilidade: escolhe suas aes tentando sempre maximizar

uma funo de utilidade. Essa funo mapeia um estado (ou sequncia de
estados) em um nmero real, que descreve o grau de felicidade do agente
caso aquele estado seja alcanado.
Estes tipos bsicos de agentes podem ser convertidos em agentes com
aprendizado aplicando algoritmos de aprendizagem e, consequentemente, melhorando

seu desempenho (RUSSEL e NORVIG, 2003). Os agentes com aprendizado possuem
uma grande adaptabilidade s mudanas do ambiente, pois vo aprendendo com ele
(ARTERO, 2009).
6.3 SISTEMAS MULTIAGENTE
A partir do conceito de agente, possvel definir Sistema Multiagente (SMA).

Segundo Henderson-Sellers e Giorgini (2005), um SMA corresponde a um sistema
composto de agentes cooperativos ou competitivos que interagem entre si para atingir
um objetivo individual ou comum.
comum sua utilizao para transformar grandes problemas em problemas
menores e possibilitar que cada agente possa utilizar sua habilidade para tratar esses
pequenos problemas, modularizando o sistema e tornando mais fcil adicionar novas
funcionalidades atravs da incluso de novos agentes (ARTERO, 2009).
Uma arquitetura simples e bastante utilizada no controle dos agentes chamada
Quadro Negro. Nesta arquitetura, no necessria a comunicao direta entre
agentes, j que todas as comunicaes so feitas por meio da estrutura central de dados,
o quadro negro. Os agentes podem escrever informaes no quadro, assim como
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).
6.3.1 Metodologias de Modelagem de Sistemas Multiagente
Devido o surgimento da Programao Orientada a Agentes (POA), surgiram

vrias metodologias capazes de modelar sistemas multiagente, algumas delas so
descritas resumidamente a seguir:
(i)
Gaia: Corresponde a primeira metodologia proposta com a finalidade de

guiar o processo de desenvolvimento de SMAs, sendo aplicvel a uma
grande quantidade destes, lidando com caractersticas macro (sociedade)
e micro (agente) do sistema. Baseia-se em um conjunto de abstraes:
ambiente, papis, interaes, papis organizacionais e estruturas
organizacionais (ZAMBONELLI, JENNINGS e WOOLDRIDGE, 2005).
(ii)
Prometheus: Proporciona mecanismos para anlise e projeto de SMAs

baseados em arquiteturas BDI (Belief - Desire - Intention). Pode ser
dividida, de forma macro, em trs atividades: especificao de sistema,
projeto da arquitetura e projeto detalhado (PADGHAM e WINIKOFF,
2005).
(iii)
PASSI: Do ingls Process for Agent Societies Specification and

Implementation, utilizada no desenvolvimento de sistemas multiagente
aplicando conceitos extrados da orientao a objetos usando UML6.
Apresenta cinco modelos, so eles: de requisitos, de sociedade de
agentes, de implementao de agentes, de cdigo e de implantao.
Metodologia passo a passo que vai desde os requisitos at o cdigo
(CONSSENTINO, 2005).
http://www.uml.org
34
(iv)
MAS-CommonKADS: Corresponde a uma extenso da metodologia

CommonKADS (SCHREIBER, et al., 2000), com abordagem voltada
para modelagem de sistemas orientados a agentes. dividida nas fases
de conceituao, anlise, projeto, codificao, integrao, operao e
manuteno (IGLESIAS e GARIJO, 2005).
(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).
Apresentar um estudo comparativo detalhado sobre as metodologias de

modelagem de sistemas multiagente no faz parte do escopo deste trabalho. Por meio da
anlise dos principais pontos de cada metodologia apresentada, foi selecionada a
metodologia MAS-CommonKADS+ para desenvolver a modelagem do sistema
proposto, a qual ser melhor detalhada na Subseo 5.3.2.
6.3.2 MAS-CommonKADS+
MAS-CommonKADS+ consiste em uma metodologia para modelagem de

sistemas multiagente derivada da metodologia MAS-CommonKADS. Segundo Iglesias
e Garijo (2005), a metodologia MAS-CommonKADS utiliza tcnicas de modelagem
bem conhecidas,
tais como cartes CRC (Class-Responsibility-Collaborator),
diagramas de casos de uso, diagramas de sequncia de mensagens - MSC (Message

Sequence Charts) e SDL (Specification and Description Language) com novas
perspectivas dirigidas pela metfora dos agentes.
O ciclo de vida do desenvolvimento de software na metodologia MASCommonKADS segue as seguintes fases: Contextualizao, Anlise, Projeto,
Desenvolvimento e Teste, e Operao (IGLESIAS e GARIJO, 2005).
A metodologia MAS-CommonKADS+ prope a integrao da AML (Agent
Modeling Language) com a metodologia MAS-CommonKADS. Ela tambm sugere,
entre outras coisas, o uso de um modelo de interao para descrever todas as interaes
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+.
Figura 8 - Arquitetura da MAS-CommonKADS+. Fonte: Adaptado de (MORAIS II, 2010).
36
Como apresentado na Figura 8, a metodologia MAS-CommonKADS+, est
distribuda da seguinte forma:
(i)
Modelo de requisitos: Utilizado para descrever os requisitos do sistema,

sendo dividido em anlise de casos de uso e cenrios, anlise por
objetivos e anlise do ambiente.
(ii)
Modelo de papis: Tem como objetivo a identificao dos papis do

sistema e a representao de papis que realizam as tarefas descritas no
modelo de tarefas. Um papel corresponde a uma abstrao que define as
tarefas que um agente deve realizar dentro de uma organizao. Um
nico agente pode ser responsvel por vrios papis em um sistema.
(iii)
Modelo de recursos e objetos: Foi adicionado com o intuito de

possibilitar a modelagem de objetos e recursos, permitindo assim uma
melhor definio do sistema, visto que no era algo possvel de ser
modelado na MAS-CommonKADS.
(iv)
Modelo de organizao: Corresponde descrio da estrutura

organizacional de papis do sistema, e no mais a organizao de
agentes, como acontecia na MAS-CommonKADS.
(v)
Modelo de interao: Consiste na juno dos modelos de coordenao e

de comunicao da metodologia MAS-CommonKADS. Nele so
descritas, atravs da AML, todas as interaes entre agentes. Cada
interao deve obedecer a um protocolo de interao, o qual estabelece
como os agentes podem se comunicar.
(vi)
Modelo de agentes: Especifica os agentes, e por quais papis eles so

responsveis, as percepes, os atuadores, as condies de ativao e de
parada e a arquitetura do agente.
6.3.3 Gerenciamento e Comunicao entre Agentes
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.
Figura 9 - Modelo de referncia FIPA para gerenciamento de agentes. Fonte: Adaptado de

(BELIFEMINE, CAIRE e GREENWOOD, 2007)
Como visto na Figura 9, os componentes deste modelo so:

(i)
Agent Platform (AP): Responsvel por disponibilizar a infraestrutura

fsica mnima onde os agentes so executados. Consiste em mquinas,
38
sistemas operacionais e componentes para gerenciamento de agentes
FIPA.
(ii)
Agent Management System (AMS): Encarregado de gerenciar as

operaes tais como criao e destruio de agentes e por fiscalizar as
migraes dos agentes entre APs. Este componente obrigatrio em uma
AP. Uma AP apresenta apenas um AMS e, caso a AP seja formada por
vrias mquinas, o AMS ser a autoridade mxima entre elas. Cada
agente deve se registrar com o AMS para que possa obter um AID (Agent
Identifier), responsvel por identificar o agente de forma nica dentro da
AP. O AMS mantm um diretrio contendo todos os AIDs dos agentes e
seus respectivos estados, este servio chamado de pginas brancas.
(iii)
Agent: Corresponde a um processo computacional de uma AP que

oferece um ou mais servios computacionais, os quais podem ser
publicados como uma descrio de servio.
(iv)
Directory Facilitator (DF): Corresponde a um componente opcional

responsvel pelo servio de pginas amarelas. Este servio consiste em
uma lista de todos os agentes e seus respectivos servios oferecidos. O
agente que deseja publicar seus servios para outros agentes deve
encontrar um DF e requisitar o registro da descrio de seu servio. Alm
disso, os agentes podem retirar e modificar o seu prprio registro de um
DF e buscar por um registro de servio fornecido por outro agente.
(v)
Message Transport Service (MTS): Corresponde a um servio provido

por uma AP que possui o objetivo de transportar mensagens entre os
agentes em uma determinada AP e entre agentes localizados em APs
distintas. Tambm conhecido como ACC (Agent Communication
Channel).
39
7
EduTV: UM SISTEMA PARA RECOMENDAO DE CONTEDOS
EDUCACIONAIS PARA TV DIGITAL INTERATIVA
Esta seo descreve o ambiente de aprendizagem desenvolvido neste trabalho. A

Subseo 6.1 apresenta uma descrio das principais ferramentas utilizadas. A Subseo
6.2 traz uma descrio do ambiente de suporte aprendizagem desenvolvido.
7.1 FERRAMENTAS UTILIZADAS
As subsees a seguir apresentam informaes tcnicas sobre as principais

ferramentas utilizadas para o desenvolvimento do ambiente apresentado neste trabalho.
7.1.1 LMS Moodle
O Moodle (Modular Object-Oriented Dynamic Learning Environment) foi

escolhido como sistema de gerenciamento de aprendizagem, ou LMS, para validao
deste trabalho. Corresponde a uma ferramenta desenvolvida em PHP (PHP, 2013) e que
utiliza como base de dados o MySQL (MYSQL, 2013). distribudo livremente sobre a
licena GNU GPL (General Public License) (GPL, 2007) e utilizado para
disponibilizar cursos a distncia por meio da Web (MOODLE, 2013).
7.1.2 Framework JADE
O Framework JADE (Java Agent Development Framework) corresponde a uma

plataforma utilizada no desenvolvimento e execuo de sistemas multiagente dentro dos
padres FIPA para agentes inteligentes. Alm disso, JADE possui uma interface grfica
utilizada durante as fases de desenvolvimento e teste dos agentes (BELIFEMINE,
CAIRE e GREENWOOD, 2007).
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
O StarUML corresponde a um projeto Open Source que tem como objetivo

disponibilizar uma ferramenta de modelagem de software e uma plataforma que possa
substituir completamente ferramentas UML comerciais. Esta ferramenta permite que
sejam utilizadas vrias linguagens para desenvolvimento de mdulos para sua utilizao
(STARUML, 2011).
Morais II (2010) props uma extenso para o StarUML com a finalidade de
auxiliar o projeto de sistemas multiagente utilizando a metodologia MASCommonKADS+. A modelagem desenvolvida neste trabalho foi criada por meio desta
extenso.
7.2 DESCRIO DO AMBIENTE PROPOSTO
O ambiente desenvolvido consiste em um sistema multiagente que conta com

quatro agentes: o Agente Estudante, o Agente de Contedo, o Agente de Interface e o
Agente DF (Directory Facilitator). Comportamentos e caractersticas destes agentes so
apresentados a seguir.
O Agente Estudante responsvel por monitorar as atividades dos alunos no
Moodle7 e enviar informaes sobre o perfil da turma para o Agente de Contedo. Os
alunos fornecem essas informaes durante a inscrio no curso, atravs de um
formulrio web. Este conjunto de informaes corresponde ao perfil do usurio, o qual
armazenado inicialmente na Ontologia de Contexto Esttico. Este formulrio
apresentado na Figura 10.
Ambiente de Aprendizagem Moodle. http://www.moodle.org.br/
41
Figura 10 - Formulrio do Moodle
Por sua vez, o Agente de Contedo, ao receber as informaes sobre o perfil da

turma, encarregado de executar o algoritmo gentico com o objetivo de selecionar os
OAs mais adequados a serem recomendados.
Ao trmino da execuo do AG, o Agente de Contedo envia as informao dos
OAs que sero exibidos na TVDi para o Agente de Interface, o qual responsvel por
apresentar os OAs da melhor maneira possvel de acordo com as caractersticas de cada
OA.
A Figura 11 mostra uma exibio de vdeo na aplicao. Para simular a TVDi e
exibir os vdeos recomendados, foi utilizado o middleware Ginga-NCL, o que
corresponde a um subsistema do middleware Ginga. Optou-se pela utilizao do Ginga,
pelo fato de possuir o apoio do governo e ser padronizado, diferente de outras
tecnologias como as SmarTVs, que cada fabricante implementa suas prprias
tecnologias. Ele capaz de processar aplicaes declarativas NCL (Nested Context
Language) (ITU-T, 2009).
42
Figura 11 - Reproduo de vdeo no middleware Ginga-NCL
O Agente DF responsvel por gerenciar os servios prestados por cada agente

atravs do servio de pginas amarelas. Ao iniciar o sistema, todos os agentes devem
registrar os servios que cada um oferece no Agente DF, que responsvel por informar
aos outros agentes quais servios esto disponveis e os agentes que so capazes de
execut-los.
A abordagem baseada em agentes, proposta no presente trabalho, apresentada
na Figura 12.
43
Figura 12 - Abordagem baseada em agentes para recomendao de OAs para TVDi.
7.3 T-SCORM ADAPTER
A fim de melhor adaptar os OAs para o ambiente de ensino-aprendizagem

proposto, optou-se por usar o T-SCORM Adapter, que consiste em uma ferramenta,
desenvolvida por Silva (2012), capaz de adaptar os OAs para o padro t-learning, com o
objetivo de melhorar o suporte para pesquisa e navegao dos OAs.
Os OAs no padro SCORM possuem um arquivo XML, chamado
imsmanifest.xml, onde so armazenados seus metadados. Este arquivo responsvel por
armazenar todas as especificaes relacionadas ao OA em que est inserido. O TSCORM Adapter capaz de incluir na estrutura do imsmanifest.xml as tags que
facilitam o processo de busca e leitura do OA no ambiente de aprendizagem TVDi.
44
Figura 13 - T-SCORM ADAPTER
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
Ser apresentado nesta seo como os agentes, na abordagem proposta, foram

modelados e implementados. A metodologia escolhida para o desenvolvimento da
modelagem dos agentes foi a MAS-CommonKADS+, que consiste em uma
metodologia para modelagem de sistemas multiagente derivada da metodologia MASCommonKADS (MORAIS II, 2010).
A metodologia MAS-CommonKADS+ prope a integrao da AML (Agent
Modeling Language) com a metodologia MAS-CommonKADS. Ela tambm sugere,
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.
Figura 14 - Modelo de papis dos agentes implementados
No modelo de papis apresentado possvel representar as respectivas funes

de cada agente que compe o sistema multiagente do ambiente proposto.
Outro modelo utilizado nesta metodologia o modelo de agentes, que
responsvel por definir quais funes cada agente ir realizar, definindo a arquitetura de
agentes, seus objetivos e caractersticas, tais como dados de entrada, condies de
ativao do agente e tipos de informaes disponveis. A Figura 15 mostra este
diagrama para o Agente de Contedo.
46
Figura 15 - Modelo de Agente do Agente de Contedo
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
Figura 16 - Modelo de interao
A Figura 16 apresenta as trocas de informaes ocorridas no ambiente com o

foco nos agentes. O Agente Estudante carrega o perfil com as preferncias que esto
inseridas nas ontologias. Aps capturar o perfil cadastrado, o Agente Estudante envia as
preferncias do estudante ao Agente de Contedo, que encarregado de efetuar o
processo de recomendao e selecionar o OA mais adequado. Aps o processo de
seleo do OA, o Agente de Contedo encaminha o OA para o Agente de Interface, que
encarregado de apresentar o OA selecionado na TVDi. Como pode ser visto, o Agente
DF no foi representado neste modelo, j que sua funo apenas fornecer o servio de
pginas amarelas, j apresentado nas sees anteriores.
Como a exibio da TVDi se d em broadcast em uma determinada faixa de
canal, na abordagem proposta, o Moodle foi utilizado como forma de capturar as
informaes dos estudantes para poder efetuar o processo de recomendao. Em posse
dessas informaes, o sistema efetua a recomendao e s ento os vdeos so exibidos
em uma determinada faixa de canal durante um determinado perodo de tempo na
TVDi.
48
7.5 TRABALHOS RELACIONADOS
Em Lisboa et al. (2011), foi apresentada uma experincia de produo de

contedo educacional para TV digital, os problemas de comunicao e solues
relevantes para as equipes de produo que resultaram em categorias de comunicao.
Tambm foram apresentadas categorias analticas que precisam ser levadas em
considerao durante o processo de produo de contedos educativos para TVD e o
processo de formao de prossionais neste contexto.
Em Sousa Neto e Bezerra (2012), foi proposto o desenvolvimento de uma
ferramenta capaz de atribuir autonomia aos professores na criao de Objetos Digitais
de Aprendizagem. A ferramenta, intitulada DITV-Learning, capaz de criar objetos de
aprendizagem para TVDI, possibilitando abstrair conhecimentos tcnicos, por parte dos
professores, para a construo dos objetos de aprendizagem.
O presente trabalho apresenta uma proposta de ambiente que contm algumas
semelhanas com os ambientes mencionados acima. No entanto, o fator que o separa
dos outros propor recomendao de OAs adaptados para o ambiente que ser exibido,
que a TVDi, e ao contexto dos usurios. Fazendo uso de agentes de software em
combinao com pers de usurios baseados em ontologia, o ambiente recomenda, de
forma autnoma, por meio da utilizao de um algoritmo gentico, OAs adequados s
suas caractersticas pessoais e cognitivas.
49
8 MECANISMO DE RECOMENDAO
Nos ltimos anos, os sistemas de recomendao de contedos de aprendizagem

correspondem a um tema bastante abordado atualmente.
Com a finalidade de realizar a recomendao mais adequada de OAs por meio
de algoritmo gentico para um grupo de usurios, foi necessrio levar em considerao
caractersticas relevantes no processo de ensino-aprendizagem. Estas caractersticas so
descritas a seguir.
8.1
NVEL DE CONHECIMENTO
No ato da inscrio para um curso, os alunos preenchem um formulrio com

suas informaes pessoais. Um dos dados apresentados o nvel de conhecimento que o
aluno considera ter em relao ao curso que est inscrito, como pode ser visto na Figura
17.
Figura 17 - Formulrio do Moodle: 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)
Nos metadados de cada OA existe uma varivel que determina o nvel de

dificuldade do OA. Esta dificuldade pode variar entre fcil, mdio ou difcil. A fim de
calcular o grau de compatibilidade dos OAs com o curso, foi levado em considerao o
grau de relevncia entre o nvel de conhecimento do grupo e o grau de dificuldade do
OA. Para isso, associaes so feitas a fim de determinar o grau de relevncia de cada
OA, variando de 1 (no adequado) a 5 (totalmente adequado). Essas associaes so
representadas como no exemplo na Tabela 1.
Tabela 1 - Tabela de associaes dos OAs com os grupos.
Propriedades dos Estudantes
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.
8.2 NVEL DE AFINIDADE
Dependendo do repositrio de OAs utilizado para a aplicao de um curso,

provvel que haja vrios contedos educativos que no so adequados para serem
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).
8.3 ALGORITMO GENTICO
De acordo com Artero (2009), nos cromossomos de uma populao, os genes

podem ser representados de vrias formas, porm as mais comuns so representaes
com nmeros binrios, inteiros ou reais. No entanto, a mais utilizada a representao
binria, em que um indivduo representado por um vetor com 0's e 1's (LINDEN,
2008).
Neste trabalho optou-se por utilizar a representao binria, pois proporciona
uma melhor utilizao dos recursos de processamento, uma vez que a execuo do AG
cria vrias geraes. Essa representao tambm apresenta manipulao fcil e eficiente
de seus operadores genticos no cromossomo (PETROLI NETO, 2011).
Assim como em SILVA (2012), neste trabalho, cada indivduo da populao
(cromossomo) composto por cinquenta e um bits, como mostrado na Figura 18.
52
Figura 18 - Representao do cromossomo. Fonte: (SILVA et al., 2013).
Cada OA representado por 17 bits, em que os primeiros dez bits so usados

para identificao (ID) do OA e os ltimos sete bits representam a sua aptido, de modo
que cada cromossomo possui trs OAs. A identificao do OA corresponde posio
do objeto na tabela no banco de dados do Moodle e sua aptido corresponde soma das
caractersticas Nvel de Conhecimento e Nvel de Afinidade, mencionadas nas
subsees anteriores.
Neste trabalho, optou-se por selecionar aleatoriamente a populao inicial, pois
existem muitos trabalhos sobre a implementao de AG que mostram que a gerao da
populao inicial no uma fase crtica, no entanto, importante a populao ser
formada por indivduos diversos (ZINI, 2009).
Com a formao da populao inicial, deve ser utilizado um mecanismo para
efetuar a seleo dos pais, de acordo com a funo de aptido, para gerar a primeira
reproduo. Segundo Linden (2008), o mtodo mais utilizado para este fim a seleo
da roleta, o qual foi utilizado no presente trabalho. Este mtodo funciona atravs da
criao de uma roleta virtual em que cada indivduo recebe uma poro da roleta
proporcional sua funo de aptido. Em seguida, a roleta rodada e o indivduo
referente a poro em que a roleta parou selecionado. Consequentemente, os mais
aptos tm mais chances de serem selecionado para a reproduo.
Aps a seleo dos pais para reproduo, utilizado o operador de cruzamento
gentico para gerar os prximos indivduos da populao, o que pode gerar melhores
indivduos ou no. Este processo repetido vrias vezes at chegar a um resultado
satisfatrio (ZINI, 2009).
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.
Figura 19 - Cruzamento utilizando dois pontos de corte. Fonte: (SILVA, 2012).
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
Com a finalidade de avaliar as funcionalidades da ferramenta desenvolvida

foram realizados testes em laboratrio. Como ser apresentado nesta seo, o
mecanismo de recomendao de contedo apresentou resultados satisfatrios. O
processo de validao dos resultados foi realizado como descrito nas subsees
seguintes.
9.1 ORGANIZAO DO EXPERIMENTO
Esta subseo apresenta como o experimento foi organizado e estruturado.
9.1.1
Definio da Populao Inicial
Para realizao do experimento, foram criadas trs turmas para o curso

Inteligncia Artificial no Moodle, LMS utilizado no desenvolvimento do projeto. Cada
turma contendo perfis de 30 (trinta) alunos fictcios, totalizando 90 (noventa) alunos.
O repositrio de contedos utilizado continha 153 objetos de aprendizagem
(OAs) para TVDi (vdeos) e foram recomendados 2.868 (dois mil oitocentos e
cinquenta e oito) vdeos. Os OAs correspondem a vdeos selecionados aleatoriamente e
em seus metadados foram definidas as caractersticas levadas em considerao para
recomendao. A disposio destas caractersticas esto descritas na subseo a seguir.
9.1.2
Estruturao dos Contedos
Levando em considerao a varivel nvel de dificuldade, os OAs foram

dispostos da seguinte forma:
(i)
1/3 do total de OAs com nvel de dificuldade Difcil;
(ii)
1/3 do total de OAs com nvel de dificuldade Mdio;
55
(iii)
1/3 do total de OAs com nvel de dificuldade Fcil;
(iv)
E, se a diviso por 3 no for exata, o restante dos OAs no possua nvel

de dificuldade.
Levando em considerao a varivel nvel de afinidade com o curso, os OAs

foram dispostos da seguinte forma:
(i)
20% do total de OAs presente no repositrio com nvel de afinidade igual

a 5 (fortemente relacionado com o curso 4 ou mais palavras-chave
relacionadas ao curso);
(ii)

a 4 (relacionado ao curso trs palavras-chave relacionadas ao curso);
(iii)

a 3 (moderadamente relacionado ao curso 2 palavras-chave
relacionadas ao curso);
(iv)

a 2 (fracamente relacionado ao curso 1 palavra-chave relacionada ao
curso);
(v)

a 1 (no relacionado ao curso no apresenta palavras-chave
relacionadas ao curso).
9.1.3
Estruturao dos Perfis dos Estudantes
Com a finalidade de definir o nvel de conhecimento de cada turma em relao

ao assunto do curso ministrado, foi efetuado um calculo onde foi determinada a mdia
do nvel de conhecimento da turma, que poderia ser Alto, Mdio ou Baixo. As turmas
foram dispostas da seguinte forma:
(i)
Turma 1: Nvel de conhecimento Mdio, sendo composta por 5 alunos

com nvel de conhecimento Alto, 20 alunos com nvel de
conhecimento Mdio e 5 alunos com nvel de conhecimento Baixo;
56
(ii)
Turma 2: Nvel de conhecimento Alto, sendo composta por 15 alunos

com nvel de conhecimento Alto, 10 alunos com nvel de
conhecimento Mdio e 5 alunos com nvel de conhecimento Baixo;
(iii)
Turma 3: Nvel de conhecimento Baixo sobre o assunto ministrado no

curso, sendo composta por 5 alunos com nvel de conhecimento Alto,
10 alunos com nvel de conhecimento Mdio e 15 alunos com nvel de
conhecimento Baixo.
9.1.4
Execuo e Resultados do Experimento
Os contedos educacionais foram inseridos no repositrio do Moodle,

relacionados com a disciplina de Inteligncia Artificial do curso de graduao em
Cincias da Computao e o projeto foi alocado no servidor.
Conforme explicado na seo anterior, para cada recomendao realizada, o
agente de contedo escolhe o melhor cromossomo da populao gerada. Este
cromossomo contm trs genes, que correspondem a trs OAs. Ento, no total de testes
de recomendao realizados, 2.868 cromossomos foram recomendados e, como cada
cromossomo composto por 3 OAs, logo 8.604 OAs (vdeos) foram recomendados.
Os OAs foram recomendados de acordo com o nvel de afinidade e o nvel de
dificuldade, portanto, foram analisados os resultados obtidos para as duas
caractersticas, os quais foram analisados tanto separadamente como em conjunto.
Quanto ao nvel de dificuldade dos OAs e o nvel de conhecimento da turma, os
resultados dos testes de recomendao so apresentados a seguir:
(a) Para Turma 1:
Para a Classe 1, cujo o nvel de conhecimento da turma era mdio (ver
subseo 9.1.3), foram recomendados:
i.
441 OAs com nvel de dificuldade igual a difcil, correspondendo a

15,38% do total de recomendaes;
57
ii.
2.042 OAs com nvel de dificuldade igual a mdio, correspondendo a

iii. 378 OAs com nvel de dificuldade igual a fcil, correspondendo a

iv. 7 OAs que no foi definido nvel de dificuldade, correspondendo a
0,24% do total de recomendaes.
Os resultados esto resumidos na Tabela 2.
Tabela 2 - Resultados da recomendao por nvel de dificuldade para Turma 1.
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
(b) Para Turma 2:

Para a Turma 2, cujo nvel de conhecimento da turma era alto, foram
recomendados:
i.
2.194 OAs com nvel de dificuldade igual a difcil, correspondendo a

ii.
554 OAs com nvel de dificuldade igual a mdio, correspondendo a

iii. 107 OAs com nvel de dificuldade igual a fcil, correspondendo a

Tabela 3 - Resultados da recomendao por nvel de dificuldade para Turma 2.
Nvel de Dificuldade
(%)
Difcil
2.194
76,50
58
Mdio
554
19,32
Fcil
107
3,73
No definido
13
0,45
Total:
2.868
100
(c) Para Turma 3:

Para a Turma 3, cujo nvel de conhecimento da turma era baixo, foram
recomendados:
i.
201 OAs com nvel de dificuldade igual a difcil, correspondendo a

ii.
1.047 OAs com nvel de dificuldade igual a mdio, correspondendo a

iii. 1.600 OAs com nvel de dificuldade igual a fcil, correspondendo a

Tabela 4 - Resultados da recomendao por nvel de dificuldade para Classe 3.
Nvel de Dificuldade
(%)
Difcil
201
7,01
Mdio
1.047
36,51
Fcil
1.600
55,79
No definido
20
0,70
Total:
2.868
100
Quanto ao nvel de afinidade entre os OAs e o contedo do curso, os resultados

dos testes de recomendao so apresentados a seguir.
(a) Para Turma 1:
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.
No houve recomendao de OA com nvel de afinidade igual a 1, ou

seja, no relacionados ao curso.
Estes resultados esto resumidos na Tabela 5.

Tabela 5 - Resultados da recomendao por nvel de afinidade para Turma 1.
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
(b) Para Turma 2:

i. 2.198 OAs com nvel de afinidade igual a 5 (fortemente relacionados ao
curso), correspondendo a 76,64% do total de recomendaes;
ii. 572 OAs com nvel de afinidade igual a 4 (relacionados ao curso),
iii. 89 OAs com nvel de afinidade igual a 3 (moderadamente relacionados
ao curso), correspondendo a 3,10% do total de recomendaes;
iv. 9 OAs com nvel de afinidade igual a 2 (fracamente relacionado ao
60
v.
No houve recomendao de OA com nvel de afinidade igual a 1 (no

relacionados ao curso).
Nvel de Afinidade
(%)
2.198
76,64
Relacionados
572
19,94
89
3,10
0,32
No relacionados
0,0
Total:
2.868
100
(c) Para Turma 3:

i. 2.257 OAs com nvel de afinidade igual a 5 (fortemente relacionados ao
ii. 504 OAs com nvel de afinidade igual a 4 (relacionados ao curso),
iii. 97 OAs com nvel de afinidade igual a 3 (moderadamente relacionados
ao curso), correspondendo a 3,38% do total de recomendaes;
iv. 9 OAs com nvel de afinidade igual a 2 (fracamente relacionado ao
v.
1 OA com nvel de afinidade igual a 1 (no relacionados ao curso),

correspondendo a 0,03% do total de recomendaes.
Nvel de Afinidade
(%)
2.257
78,70
61
Relacionados
504
17,57
97
3,38
0,32
No relacionados
0,03
Total:
2.868
100
Vale lembrar que uma premissa do algoritmo gentico no garantir a soluo

tima do problema, por este motivo foram recomendados OAs no adequados ao curso.
Porm, este fator no compromete a eficcia do sistema, j que a quantidade desses OAs
irrisria, levando em considerao a populao total de recomendaes.
Como visto anteriormente, o AG proposto para efetuar a recomendao leva em
considerao tanto a afinidade entre os OAs e o contedo do curso como tambm a
relao entre o nvel de dificuldade dos OAs e o nvel de conhecimento da turma. Para
os trs casos de testes apresentados na validao, os resultados da recomendao,
considerando as caractersticas levadas em considerao simultaneamente, so
apresentados a seguir.
Para a Turma 1, cujo nvel de conhecimento era mdio, foram recomendados
1.989 vdeos com nvel de afinidade 5 (fortemente relacionados ao curso) ou 4
(relacionados ao curso) e com nvel de dificuldade mdio, correspondendo a 69,35%
do total de recomendaes.
Para a Turma 2, cujo nvel de conhecimento era alto, foram recomendados
2.111 vdeos com nvel de afinidade 5 (fortemente relacionados ao curo) ou 4
(relacionados ao curso) e com nvel de dificuldade difcil, correspondendo a 73,61%
do total de recomendaes.
Para a Turma 3, cujo nvel de conhecimento era baixo, foram recomendados
1.522 vdeos com nvel de afinidade 5 (fortemente relacionados ao curo) ou 4
(relacionados ao curso) e com nvel de dificuldade fcil, correspondendo a 53,07% do
total de recomendaes.
Estes resultados so apresentados resumidamente na Tabela 8.
62
Tabela 8 - Resultados das recomendaes por nvel de afinidade e nvel de dificuldade.
Turma
Nvel de afinidade
Nvel de dificuldade Recomendaes
5 ou 4
Mdio
1.989
69,35
5 ou 4
Difcil
2.111
73,61
5 ou 4
Fcil
1.522
53,07
Com a finalidade de efetuar uma validao sobre sistemas de recomendao,

muitos pesquisadores tm utilizado mtricas como precision (p) e recall (r) (SALEHI e
KMALABADI, 2012), (SALEHI, KMALABADI e GHOUSHCHI, 2012). Estas
correspondem a mtricas amplamente utilizadas com a finalidade de avaliar a utilidade
das recomendaes produzidas por um sistema de recomendao.
A mtrica precision corresponde proporo de resultados relevantes levando
em considerao alguma definio de recomendao relevante para o domnio do
problema (CARACIOLO, 2011). No caso do presente trabalho, correspondem aos OAs
com nvel de afinidade 4 ou 5 e nvel de dificuldade correspondente ao nvel de
conhecimento da turma. O resultado desta mtrica pode ser obtido por meio da Equao
2.
=
|{

|{
}{

}|
}|
(2)
A mtrica recall corresponde proporo de todos os resultados relevantes que

esto inseridos no topo das recomendaes relevantes (CARACIOLO, 2011). O
resultado para esta mtrica pode ser obtido por meio da Equao 3.
|{

|{
} {

}|
}|
(3)
Efetuando um comparativo entre as duas mtricas, elas podem ser definidas da

seguinte forma: precision corresponde a proporo de boas recomendaes, ou seja,
quanto do total que foi recomendado deveria realmente ser recomendado e recall
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.
Figura 20 - Precision e recall no contexto dos motores de busca. Fonte:(CARACIOLO,

2011).
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)
Levando em considerao que os documentos relevantes so os OAs

recomendados que, como visto na Tabela 8, possuem grau de afinidade 4 ou 5 e nvel de
dificuldade correspondente ao nvel de conhecimento da turma e aplicando as frmulas
apresentadas para cada turma, temos os seguintes resultados:
i.
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
O resumo dos resultados obtidos por meio da validao do sistema de

recomendao pode ser representado pela Figura 21.
65
120
100
(%)
80
60
40
20
0
Classe 1
Classe 2
Precision
Recall
Classe 3
F1
Figura 21 - Resultados para precision, recall e F1 do sistema de recomendao

proposto.
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
ADL. Advanced Distributed Learning. Co-Laboratories, Choosing a Learning

Management
System,
2013.
Disponivel
em:
<http://www.adlnet.gov/wpcontent/uploads/2013/05/Choosing an LMS.pdf.>. Acesso
em: Maio 2013.
ADVANCED Distributed Learning. Advanced distributed learning, 2013. Disponivel
em: <http://www.adlnet.org>.
AMRICO, M. TV Digital: Propostas Para o Desenvolvimento de Contedos em
Animao Para o Ensino de Cincias. Tese (Doutorado em Educao para a Cincia)
- Universidade Estadual Paulista. Bauru, SP, p. 213. 2010.
ARIAS, J. J. P. et al. Provision of distance learning services over interactive digital tv
with mhp. Computers & Education, v. 50, p. 927-949, 2008.
ARTERO, A. O. Inteligncia Articial - Teoria e Prtica. 1. ed. So Paulo: Livraria
da Fsica, 2009.
CARACIOLO, M. ARTIFICIAL INTELLIGENCE IN MOTION. Evaluating
Recommender Systems - Explaining F-Score, Recall and Precision using Real Data
Set
from
Apontador,
4
Maio
2011.
Disponivel
em:
<http://aimotion.blogspot.com.es/2011/05/evaluating-recommender-systems.html>.
Acesso em: 15 jun. 2013.
CARNEIRO, N. et al. Design decisions for a Brazilian t-commerce application. 16th
International Conference on Information Visualisation. 2 ed., Montpellier, 2012.
176-181.
EDWIN, M. et al. Multiplatform learning system based on interactive digital television
technologies, IDTV. XXXVIII Conferencia Latinoamericana En Informatica
(CLEI), Medellin, 2012. 1-10.
GOMES, A. S. et al. Design da Interao de Novos Produtos para TVD: Abordagens
qualitativas. Porto Alegre, RS: IHC, 2008.
IBGE. Instituto Brasileiro de Geograa e Estatstica, 2010. Disponivel em:
<http://www.ibge.gov.br/home/default.php>.
IEEE-LTSC-P1484.12. IEEE Learning Technology Standard. Learning Object
Metadata Working Document, 2000. Disponivel em: <http://ltsc.ieee.org/wg12>.
ITU-T. Nested Context Language (NCL) and Ginga-NCL for IPTV. [S.l.]. 2009.
LINDEN, R. Algoritmos Geneticos - Uma importante ferramenta da Inteligencia
Computacional. 2. ed. Rio de Janeiro, RJ: Brasport, 2008.
LISBOA, R. P. et al. Categorias Comunicacionais para Produo de Contedos
Educativos para Televiso Digital. XXII Simpsio Brasileiro de Informtica na
Educao, Aracaju, SE, 2011. 800-809.
69
LOM.
Learning
object
metadata,
2002.
<http://ltsc.ieee.org/wg12/20020612-nal-lom-draft.html>.
Disponivel
em:
MENDES NETO, F. M. Technology Platform Innovations and Forthcoming Trends

in Ubiquitous Learning. Hershey: IGI Global, 2013.
MONTEZ, C.; BECKER, V. TV Digital Interativa: Conceitos, desaos e perspectivas
para o Brasil. 2. ed. Florianpolis: Editora da UFSC, 2005.
MONTEZ, C.; BECKER, V. TV Digital Interativa: Conceitos, desafios e perspectivas
para o Brasil. 2. ed. [S.l.]: Editora da UFSC, 2005.
PETROLI NETO, S. Computao Evolutiva: desvendando os algoritmos genticos.
Ubiquidade - Revista de Estudos de Tecnologia da Informao e Comunicaes, v.
1, p. 34-35, 2011.
REY-LOPEZ, M.; FERNANDEZ-VILAS, A.; DIAZ-REDONDO, R. P. A model for
personalized learning through idtv. Adaptive Hypermedia and Adaptive WebBased
Systems Proceedings, Berlin, 4018, 2006. 457-461.
ROTHLAUF, F. Representations for Genetic and Evolutionary Algorithms. 2. ed.
Heidelberg: Springer, 2006.
SALEHI, M.; KMALABADI, I. N. A hybrid attribute-based recommender system.
International Conference on Future Computer Supported Education. IERI Procedia:
Elsevier. 2012. p. 565-570.
SALEHI, M.; KMALABADI, I. N.; GHOUSHCHI, M. B. G. A new recommendation
approach based on implicit attributes of learning material. International Conference
on Future Computer Supported Education. Procedia: Elsevier. 2012. p. 571-576.
SANTOS, D. T. Estudo de aplicativos de TVDi para educao a distncia.
Dissertao (Mestrado em Engenharia Eltrica) - UNICAMP. Campinas, SP, p. 98.
2007.
SILVA, F. M. T-SCORM: Uma Extenso do Padro SCORM para Apoiar o
Projeto de Contedos Educacionais para t-learning. Dissertao (Mestrado em
Cincias da Computao) - Universidade Federal Rural do Semi rido. Mossor, RN,
p. 75. 2012.
SILVA, F. M. et al. T-SCORM: An Extension of the SCORM Standard to Support the
Project of Educational Contents for t-learning. Creative Education, v. 3, p. 101-108,
2012.
SILVA, L. C. N. MobiLE: Um Ambiente Multiagente de Aprendizagem Mvel
para Apoiar a Recomendao Ubqua de Objetos de Aprendizagem. Dissertao
(Mestrado em Cincias da Computao) - Universidade Federal Rural do Semi Arido.
Mossor, RN, p. 107. 2012.
SILVA, L. C. N.; MENDES NETO, F. M.; JCOME JNIOR, L. MobiLE: Um
Ambiente Multiagente de Aprendizagem Mvel Baseado em Algoritmo Gentico para
Apoiar a Aprendizagem Ubqua. Revista Brasileira de Informtica na Educao
(RBIE), v. 21, 2013.
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.

EduTV: UM SISTEMA MULTIAGENTE PARA RECOMENDAÇÃO DE CONTEÚDOS EDUCACIONAIS PARA TV DIGITAL INTERATIVA

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

EduTV: UM SISTEMA MULTIAGENTE PARA RECOMENDAÇÃO DE CONTEÚDOS EDUCACIONAIS PARA TV DIGITAL INTERATIVA

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL RURAL DO SEMI-RIDO

UNIVERSIDADE DO ESTADO DO RIO GRANDE DO NORTE

RAPHAEL DE CARVALHO MUNIZ

EduTV: UM SISTEMA MULTIAGENTE PARA

RAPHAEL DE CARVALHO MUNIZ

EduTV: UM SISTEMA MULTIAGENTE PARA

Dissertao apresentada ao Programa de PsGraduao em Cincia da Computao

Orientador: Prof. Dr. Francisco Milton Mendes

O contedo desta obra de inteira responsabilidade de seus autores

Dados Internacionais de Catalogao na Publicao (CIP)

M966e Muniz, Raphael de Carvalho.

RAPHAEL DE CARVALHO MUNIZ

EduTV: UM SISTEMA MULTIAGENTE PARA

Dissertao apresentada ao Programa de PsGraduao em Cincia da Computao para a

APROVADA EM: 25 / 02/ 2014.

Dedico este trabalho especialmente aos meus

Primeiramente gostaria de agradecer a Deus e aos meus pais Railma e Zidailson,

No sabendo que era impossvel, ele foi l e fez (Desconhecido).

O apoio de recursos tecnolgicos nos ambientes de ensino e aprendizagem tem

The support of technological resources in teaching and learning environments has

Keywords: Interactive Digital TV. Learning Objects. T-SCORM. Contents

Tabela 1 - Tabela de associaes dos OAs com os grupos. .......................................... 50

Figura 1 - Modelo de um sistema de TV Digital. Fonte: (MONTEZ; BECKER, 2005).

ADL - Advanced Distributed Learning;

OBJETIVO GERAL ..................................................................................... 16

ORGANIZAO DA DISSERTAO ....................................................... 16

TV DIGITAL INTERATIVA ............................................................................ 17

EVOLUO DA TVDI ............................................................................... 17

T-LEARNING VS. E-LEARNING ............................................................... 19

OBJETOS DE APRENDIZAGEM ................................................................... 21

PADRES DE CLASSIFICAO DE OBJETOS DE APRENDIZAGEM .. 21

SISTEMAS DE RECOMENDAO ............................................................... 23

ALGORITMOS GENTICOS ......................................................................... 24

DESCRIO DE ALGORITMOS EVOLUCIONRIOS ............................ 24

DESCRIO DE ALGORITMOS GENTICOS ......................................... 26

Vantagens e Desvantagens dos Algoritmos Genticos ........................ 28

AGENTES INTELIGENTES E SISTEMAS MULTIAGENTE ...................... 30

CONCEITOS DE AGENTES ....................................................................... 30

TIPOS DE AGENTES .................................................................................. 31

SISTEMAS MULTIAGENTE ...................................................................... 32

Metodologias de Modelagem de Sistemas Multiagente.......................... 33

Gerenciamento e Comunicao entre Agentes ....................................... 36

EduTV: UM SISTEMA PARA RECOMENDAO DE CONTEDOS

EDUCACIONAIS PARA TV DIGITAL INTERATIVA ........................................ 39

FERRAMENTAS UTILIZADAS ................................................................. 39

LMS Moodle ........................................................................................ 39

DESCRIO DO AMBIENTE PROPOSTO ............................................... 40

T-SCORM ADAPTER ................................................................................. 43

MECANISMO DE RECOMENDAO .......................................................... 49

NVEL DE CONHECIMENTO .................................................................... 49

NVEL DE AFINIDADE .............................................................................. 50

ALGORITMO GENTICO .......................................................................... 51

VALIDAO E RESULTADOS ...................................................................... 54

ORGANIZAO DO EXPERIMENTO ...................................................... 54

Definio da Populao Inicial ............................................................ 54

Estruturao dos Contedos ............................................................... 54

Estruturao dos Perfis dos Estudantes.............................................. 55

Execuo e Resultados do Experimento .............................................. 56

10 CONSIDERAES FINAIS E TRABALHOS FUTUROS ............................. 66

Cada vez mais os recursos tecnolgicos tm contribudo para tornar o processo

1.3 OBJETIVO GERAL

Este trabalho prope o desenvolvimento de um ambiente educacional para

1.4 ORGANIZAO DA DISSERTAO

O trabalho est organizado da seguinte forma: A Seo 2 descreve a TV Digital