UNIVERSIDADE ESTADUAL DE MONTES CLAROS - UNIMONTES

Centro de Ciências Exatas e Tecnológicas - CCET

Departamento de Ciências da Computação - DCC
Curso de Bacharelado em Sistemas de Informação

Hugo Luciano e Sousa Leal

Raimundo Sebastião Teodoro Santana

PROPOSTA DE MODELO FUZZY PARA AVALIAÇÃO

DOS CURSOS DE UMA IES NA PERSPECTIVA
DISCENTE

Montes Claros - MG
Dezembro/2015.
 Hugo Luciano de Sousa Leal
Raimundo Sebastião Teodoro Santana

PROPOSTA DE MODELO FUZZY PARA AVALIAÇÃO

DOS CURSOS DE UMA IES NA PERSPECTIVA
DISCENTE

Projeto de Pesquisa apresentado ao Curso

de Sistemas de Informação da Universidade
Estadual de Montes Claros como exigência
para obtenção de nota na disciplina
Informática na Educação.

Orientadora: Prof.ª. Patrícia Takaki.

Montes Claros - MG
Dezembro/2015.
 LISTA DE FIGURA
Figura 1 - Funções de pertinência para a variável temperatura. .............................................. 12
Figura 2 - Estrutura de um Sistema Fuzzy .............................................................................. 13
Figura 3 - Sistema de inferência Fuzzy ................................................................................... 14
Figura 4 - Arquitetura do sistema fuzzy .................................................................................. 16
 SUMÁRIO
1. INTRODUÇÃO .................................................................................................................. 5
2. TEMA E PROBLEMA ....................................................................................................... 6
2.1. Tema ............................................................................................................................ 6
2.2. Problema ...................................................................................................................... 6
3. OBJETIVOS ....................................................................................................................... 7
3.1. Objetivo Geral .............................................................................................................. 7
3.2. Objetivos Específicos .................................................................................................. 7
4. JUSTIFICATIVA ................................................................................................................ 8
5. FUNDAMENTAÇÃO TEÓRICA ...................................................................................... 9
5.1. A Avaliação da Educação Superior Brasileira ............................................................. 9
5.2. Auto-avaliação de Curso de graduação...................................................................... 10
5.3. Lógica Fuzzy.............................................................................................................. 11
5.4. MatLab - Fuzzy Logical Toolbox .............................................................................. 14
6. PROCEDIMENTOS METODOLÓGICOS ...................................................................... 15
6.1. Definição da arquitetura do sistema Fuzzy ................................................................ 15
6.2. Geração das regras de inferência ............................................................................... 16
6.3. Desenvolvimento de questionário para levantamento da base de entradas ............... 17
7. CRONOGRAMA DE ATIVIDADES ................................................................................ 1
REFERÊNCIAS ......................................................................................................................... 1
1. INTRODUÇÃO

Este trabalho consiste no desenvolvimento de um sistema de inferência Fuzzy como

ferramenta para mensuração da qualidade de cursos de graduação de uma IES, sob a ótica do
acadêmico.
O sistema tem como entradas variáveis linguísticas que representam as percepções dos
acadêmicos quanto a algumas das principais questões que envolvem a qualidade de cursos
superiores. As entradas consistem em mensurações numéricas dos fatores julgados de maior
peso para a desenvolvimento da educação em ambiente acadêmico, conforme disposto pelo
ministério da educação. De forma simplificada, as entradas são processadas e é dada uma
saída que infere a qualidade do curso nas seguintes classificações: ‘Muito bom’, ‘Bom’,
‘Regular’, ‘Ruim’.
2. TEMA E PROBLEMA

Nesta seção, são apresentados o tema e o problema do projeto.

2.1. Tema

Utilização da Lógica Fuzzy em contextos educacionais.

2.2. Problema

Como inferir a qualidade de um curso de uma IES de modo a colaborar com a gestão
da universidade na promoção de melhorias para seus cursos?
3. OBJETIVOS

Nos itens a seguir, são descritos os objetivos gerais e específicos que pretende-se
atingir com o trabalho.

3.1. Objetivo Geral

Prover Sistema Fuzzy que infira a qualidade dos cursos de uma IES e apoie ações que
visem a melhoria destes.

3.2. Objetivos Específicos

• Definir dimensões a serem analisadas;

• Modelar sistema de inferência fuzzy;
• Gerar base de regras;
4. JUSTIFICATIVA

Saber como o curso é “visto” pelos acadêmicos é de essencial importância para

identificar possíveis pontos falhos no oferecimento do ensino superior.
Com os vários métodos de ensino empregados na transmissão de conhecimento,
grades curriculares oferecidas - que podem não está atendendo os anseios dos alunos - a
infraestrutura que inviabilizam o desenvolvimento prático, são fatores de suma importância
que, analisadas na perspectiva do discente, leva a identificação da situação do curso,
conforme apresentado por VIANNA (2003).
VIANNA (2003) afirma que a “[..] avaliação gera conhecimentos fundamentais para o
planejamento e para a ação institucional”, ressalta que uma avaliação bem conduzida, reflete
impactos no processo educacional do “pensar” e “agir” dos acadêmicos.
Desta forma, ter um sistema que melhor infere a situação curso, mediante várias
variáveis de carácter subjetivos, vai além da simples quantificação, perpassa, por exemplo,
“X” porcento dos respondentes avaliaram como BOM, ou o contrário.
Justifica-se a importância do projeto, desta forma, perante os benefícios listados
anteriormente, pois, ter um sistema que gerencie a subjetividade de forma confiável (como os
sistemas nebulosos conseguem) proporcionaria aos gestores planejar as ações baseados nesses
resultados.
5. FUNDAMENTAÇÃO TEÓRICA

Os assuntos abordados adiante explanam tópicos chaves que subsidiam o

entendimento da temática abordado pelo projeto.

5.1. A Avaliação da Educação Superior Brasileira

A educação superior brasileira, na última década, tem apresentado crescente expansão.

Como pode ser observado no Censo de 2013, em que Instituições de Ensino Superior (IES)
brasileiras eram totalizadas com 2,4 mil instituições que ofereciam mais de 32 mil cursos de
graduação. Levando em consideração esses dados e a crescente presença dos cursos de
Educação à Distância (EAD), esse quadro, nos dias atuais, é expressivamente maior.
Diante do crescente aumento de IES e, consequentemente, do aumento de cursos de
graduação, ferramentas que verifiquem a qualidade desses cursos ofertados são necessárias,
como proposto FONTAN (2008).
Segundo o Ministério da Educação (órgão fiscalizador e autorizador de curso de
graduação no Brasil), quando os cursos são avaliados, o que se deve considerar são as
orientações descritas no documento de “Instrumento de Avaliação de Cursos de
Graduação”, de 2012 (Dois Mil e Doze). O documento atribui conceitos de 1 a 5, em ordem
crescente, aos indicadores e dimensões que pretende-se analisar, conforme descrição no
Quadro 1.

Tabela 1 - Atribuição de Conceitos aplicados as dimensões analisadas

Conceito Descrição

1 Não Existente

2 Insuficiente

3 Suficiente

4 Muito Bom

5 Excelente

Fonte: Ministério da Educação (2012, p.1).

 Como observado por FONTAN (2008), um procedimento em especial de avaliação
refere-se à auto-avaliação institucional, instrumento que a própria IES pode empregar.
Segundo Fontan (2008, p.2), a auto-avaliação constitui-se de um poderoso e
importante instrumento de auxílio da identificação de fragilidades e potencialidades. Levando
isso em consideração, quando há o envolvimento dos discentes, que representam os
beneficiados diretos das melhorias dos cursos, gera informações estratégicas à instituição.
É preciso ressaltar, como mostrado por FONTAN (2008), a existência de inúmeras
possibilidades de avaliações empregadas. Atualmente, a avaliação realizada pelo MEC é feito
pelo “Sistema Nacional de Avaliação da Educação Superior (SEAES)”, criado pela Lei n°
10.861, de 14 de abril de 2004.
Uma subavaliação do SEAES é o “famoso” exame ENADE (prova aplicável aos
acadêmicos, iniciantes e finais, de cursos de graduações), que se preocupa em avaliar o
conhecimento dos discentes, atribuindo ao curso uma nota que varia de 0 a 5. Entretanto,
indaga-se a capacidade de tal modelo de aferir a opinião dos discentes perante a oferta dos
cursos, ou seja, a inexistência da auto-avaliação institucional de cursos perante a perspectiva
do acadêmico.

5.2. Auto-avaliação de Curso de graduação

A importância da auto-avaliação institucional é, conforme VIANNA (2003), além

de ser um mecanismo informativo leva ao autoconhecimento da situação do curso. Essa
ferramenta permite identificar as necessidades e os desafios da instituição através dos
agentes mais beneficiados nesse processo de melhoria, os discentes.
A universidade está subdividida em suas pró-reitorias, departamentos, centros, dentre
outros subdivisões. Avaliá-la perante sua composição geral, torna-se um desafio mediante sua
complexidade e dinamicidade, mas é necessário. VIANNA (2003) afirma que função da
universidade, em primeira instância, é a promoção da profissionalização. Conforme essa
questão, o autor propõe que a avaliação seja por curso, partindo do mais fundamental para o
mais amplo, realizada pelos acadêmicos dos cursos.
VIANNA (2003) argumenta, ainda, que, para um aluno poder avaliar o seu curso o
mesmo precisa ter capacidades de questionar a utilidade de alguns aspectos referentes à
assuntos necessários para sua formação, ou seja, ter adquirido a capacidade de avaliar os
métodos empregados para a sua aprendizagem (vivência acadêmica). No entanto, levando
em consideração os variados tipos de aprendizagem (FULANO, 2010, p.10), e a
especificidade com que cada indivíduo julga melhor aprender, avaliar essas subjetividades é
um desafio.
Desta forma, VIANNA (2003) considera alguns pontos e propõem que alguns
aspectos merecem atenção na auto-avaliarão pelo discente, sendo: planejamento das
atividades, aprofundamento técnico das áreas curriculares, relevância dos assuntos
tratados, nível das apresentações, bibliografia indicada, estruturação dos trabalhos
práticos.
Esses pontos contextuais de cursos, citados, são pontos fundamentais que podem ser
utilizados para aferir a situação dos cursos na perspectiva dos discentes. Da mesma forma, o
ministério da educação, através do instrumento de avaliação de curso de graduação (MEC,
2012), analisa três dimensões importantes: Organização didático-pedagógica, Corpo
docente e tutorial e infraestrutura.

5.3. Lógica Fuzzy

Também chamada de lógica nebulosa, a lógica fuzzy está centrada na imprecisão que
algumas variáveis podem assumir (BAR, 2004), ou seja, o grau de pertinência de uma
variável. Quando analisadas as possibilidades de valores dessas variáveis, nota-se que as
mesmas perpassam as possibilidades do “SIM” ou do “NÃO”, encontrados na lógica
booleana. Rignel et al (2011, p.17) conceitua lógica fuzzy, conforme a seguir:

O conceito fuzzy pode ser entendido como uma situação em que não é
possível responder simplesmente "sim" ou "não". Mesmo conhecendo as informações
necessárias sobre a situação, dizer algo entre "sim" e "não", como "talvez" ou
"quase", torna-se mais apropriado.

O primeiro relato de publicação sobre a lógica “fuzzy”, segundo BAR (2004)

aconteceram em 1965, publicada pelo professor Lotfi Asker Zadeh, da universidade de
Berkeley. A lógica ganhou evidência e despertou interesse posterior a década de 70 - década
na qual foi amplamente utilizada na aplicação industrial.
Diferente da lógica booleana, a lógica fuzzy admite valores entre 0 e 1. A lógica
classifica um dado através do grau de pertinência com que o mesmo pertence a uma
determinada classe.
 Grau de pertinência, desta forma, pode ser entendido, de forma simplificada, como a
confiança com o qual o dado analisado pertence a uma variável linguística. Mais
precisamente, RIGNEL et al (2011) referenciando Silva (2005), a exemplifica dizendo que
“[...] uma pertinência de 0.5 pode representar meio verdade, logo 0.9 e 0.1, representam quase
verdade e quase falso, respectivamente [...]”.

Figura 1 - Funções de pertinência para a variável temperatura.

Fonte: Rignel et al (2011)

A Figura 1 é a representação da temperatura conforme três variáveis linguística: baixa

(B), média (M) e alta (A).
Observa-se que uma temperatura menor ou igual a 25º, possui grau de equivalente a 1,
ou seja, 100% de chance de pertencer a a temperatura como B. Essa mesma temperatura,
possui, pertinência 0 para M e A. O que o sistema fuzzy tentar fazer é melhor identificar,
baseado nos graus de pertinências, possibilidades que a variável pode representar.
VELOSO et al (2012) afirmam que a técnica utilizada pela lógica fuzzy se baseia-se
em um “raciocínio aproximado ao invés de exato e com isso é possível avaliar as variáveis
que envolvem o problema de maneira qualitativa em vários níveis e classificações”, conforme
tratado mais adiante, nas regras de inferência.

5.3.1 Sistemas fuzzy

Um sistema nebuloso, segundo VELOSO et al (2012), usando de Sandri e Correa

(1999), utiliza-se da descrição de regras lógicas a fim de se ter um controle do algoritmo.
Essas regras tentam fazer, assim como a experiência humana, a heurística do conjunto
analisado.
 Um sistema fuzzy pode ser subdividido em três operações básicas que inter-
relacionam, conforme a Figura 2.

Figura 2 - Estrutura de um Sistema Fuzzy

Fonte: VELOSO et al (2012)

A primeira etapa, conforme VELOSO et al (2012), é a fuzzyficação. Este processo é

responsável pela transformação dos valores físicos das entradas de forma a ficarem
compatível com as regras de controle fuzzy, ou seja, transformadas em representações das
variáveis linguísticas no conjunto nebuloso NETTO (2005, p.8).
A etapa seguinte é a de gerar regras de inferência. Essa etapa consiste em elaborar
uma base de regras de forma que se consiga classificar o universo de variáveis ou, identificar
os padrões do conjunto de dados apresentados. Essas regras obedecem ao tipo “se-então”,
conforme NETTO (2005), e, geralmente, são elaboradas por um especialista. O que se tenta
imitar é a heurística do modelo mental de classificação do especialista. Assim, VELOSO et al
(2012), afirma que o número de regras deve garantir que exista ao menos que trate as entradas
apresentadas, não podendo haver contradição entre as regras.
Por último, a etapa de defuzzyficação, que consiste na conversão de um número fuzzy
em um número real, em uma variável linguística, sendo considerado o inverso da
fuzzyficação.
 5.4. MatLab - Fuzzy Logical Toolbox

O software MatLab, através da Tollbox de Lógica Fuzzy, disponibilizam funções

destinadas a criação, análise e projeto de sistemas baseados em lógica difusa (MatLab, 2015),
fornecendo métodos e funcionalidades, para a criação desses sistemas difusos.
A seguir, características do Tollbox de Lógica Fuzzy e a interface gráfica (Figura 3)
para gerar tais sistemas de inferência.

● Projeto distorcido app Logic para a construção de sistemas de inferência fuzzy

e visualização e análise de resultados
● Define funções de pertinência para a criação de sistemas de inferência fuzzy
● Suporte para AND, OR e NOT lógicos em regras definidas pelo usuário
● Mamdani e Sugeno padrão do tipo sistemas de inferência fuzzy
● Função de pertinência automatizada para moldar através de técnicas de
aprendizagem agrupamento neuroadaptativo e difusos
● Capacidade de incorporar um sistema de inferência fuzzy em um modelo
Simulink
● Capacidade de gerar código C incorporável ou stand-alone executáveis em
motores de inferência fuzzy

Figura 3 - Sistema de inferência Fuzzy

Fonte: Própria, utilizando o software MATLAB, v. 7.14.0.739
6. PROCEDIMENTOS METODOLÓGICOS

Os procedimentos metodológicos serão realizados respeitando quatro fases, a saber:

Definição da arquitetura do sistema Fuzzy; Geração das regras de inferência;
Desenvolvimento e aplicação de questionário para levantamento da base de entrada;
Aplicação da base de entrada ao sistema Fuzzy e análise dos resultados.

6.1. Definição da arquitetura do sistema Fuzzy

Para desenvolvimento deste trabalho, será utilizado o Fuzzy toolbox do Matlab. As

variáveis de entrada são:

● ‘vlGrade’, que inferirá a visão das acadêmicos sobre o quão adequada está a
grade curricular do curso, envolvendo a importância das disciplinas e suas
ementas;
● ‘vlDidatica’ que tratará o desempenho dos professores como norteadores dos
estudos e facilitadores do processo de aprendizagem, avaliando seu
conhecimento, formação e capacidade de influenciar os acadêmicos nos
estudos;
● ‘vlMetAvaliacao’ que retratará o quão eficientes e adequados são os métodos
de avaliação do aproveitamento dos acadêmicos;
● ‘vlInfraestrutura’ que remete a satisfação dos acadêmicos quanto aos
laboratórios, ferramentas e estruturas necessárias para bom aproveitamento do
curso;
● ‘vlCoordenação’ que retrata e satisfação quanto ao apoio, presença e influência
da coordenação de curso, de modo a familiarizar o acadêmico com sua área
através de meios externo à sala de aula;

Os fatores serão mensurados respeitando escala numérica natural gradativa de 1 a 10,

a escala de Likert. As entradas passarão pelo processo de fuzzyficação, serão submetidas às
regras de inferência e resultarão em uma saída numérica defuzzyficada. A saída numérica
passará pelo processo de fuzzyficação, o que a classificará de acordo com as variáveis
linguísticas ‘Muito bom’, ‘Bom’, ‘Regular’, ‘Ruim’. A figura a seguir ilustra a arquitetura do
sistema fuzzy.

Figura 4 - Arquitetura do sistema fuzzy

Fonte: Própria, 2015

6.2. Geração das regras de inferência

A base de regras foi gerada pela própria equipe deste trabalho, definidas segundo sua
percepção de pesos das variáveis de entrada. Foram criadas 51 regras, que podem ser
analisadas no anexo 1. A tabela a baixa mostra algumas das regras criadas, considerando
operador ‘AND’.
 Tabela 2 – Regra de inferência
vlGrade vlDidatica vlInfraestrutura vlCoordenação vlMetAvaliacao Resultado

Muito bom Muito bom Muito bom Muito bom Muito bom Muito bom

Bom Muito bom Muito bom Muito bom Muito bom Muito bom

Regular Muito bom Muito bom Muito bom Muito bom Bom

Ruim Muito bom Muito bom Muito bom Muito bom Regular
Fonte: Própria, 2015

6.3. Desenvolvimento de questionário para levantamento da base de entradas

O questionário mencionado utilizará os recursos do Google Forms para obtenção dos

dados desejados. Será aplicado aos acadêmicos do curso de Sistema de Informação da
Unimontes via e-mail. O formulário é acessível através do link:
https://docs.google.com/forms/d/1_LduzAWW4wDxbcEf7omSMCV80dNEcd6wuswB8gT_k
ME/viewform.
7. CRONOGRAMA DE ATIVIDADES

ATIVIDADES Jan/16 Fev/16 Mar/16 Abr/16

Geração das regras de inferência X
Desenvolvimento e aplicação de questionário para levantamento da base de
X
entrada
Aplicação da base de entrada ao sistema Fuzzy X
Análise dos resultados X
Redação do Trabalho X X X X
REFERÊNCIAS

FONTAN, E. A. Procedimento para auto-avaliação de cursos universitários segundo a

percepção de docentes, discentes e técnicos administrativos. Campos dos Goytacazes,
2008. xiv, 164f. : il. . Disponível em: < http://livros01.livrosgratis.com.br/cp115991.pdf>
Acesso em: 26 dez. 2015.

Inep. Instrumento de Avaliação de Cursos de Graduação presencial e a distância.

Brasilia, Maio de 2012. Disponível em: <
http://download.inep.gov.br/educacao_superior/avaliacao_cursos_graduacao/instrumentos/20
12/instrumento_com_alteracoes_maio_12.pdf
> Acesso em: 26 dez. 2015.

VIANNA, H. M. Avaliação de Cursos pelos Aluno: considerações. Estudos em Avaliação

Educacional, n. 29. Disponível em: <
http://quod.lib.umich.edu/j/jep/3336451.0007.104?view=text;rgn=main> Acesso em: 26 out.
2015.

RIGNEL, D. G. S. Uma introdução a lógica fuzzy. Vol. 01 – Nr. 01 – 2011. Disponível em:
< http://www.logicafuzzy.com.br/wp-
content/uploads/2013/04/uma_introducao_a_logica_fuzzy.pdf
> Acesso em: 23 dez. 2015.

VELOSO, R. R; GONÇALVES, A. V.; JÚNIOR, E. M. S.; MONTEIRO, I. C. B. LÓGICA

FUZZY APLICADA À AVALIAÇÃO DA SATISFAÇÃO DE PACIENTES DO
CAETAN. Revista Clique – Volume 1 – Número 1 – Agosto de 2012. Disponível em:
<http://www.ccet.unimontes.br/revistaclique/index.php/rclique/article/download/9/7> Acesso
em: 23 dez. 2015.

NETTO, J. C. Controladores Nebulosos Aplicados a Processos Industriais: Estudo

Comparativo de Métodos de Sintonia. Juiz de Fora, agosto de 2015. Disponível em:
<http://www.ufjf.br/ppee/files/2008/12/211043.pdf> Acesso em: 23 dez. 2015.
ANEXO I - Tabela de regras de inferência

vlGrade vlDidatica vlInfraestrutura vlCoordenação vlMetAvaliacao Resultado

Muito bom Muito bom Muito bom Muito bom Muito bom Muito bom

Bom Muito bom Muito bom Muito bom Muito bom Muito bom

Regular Muito bom Muito bom Muito bom Muito bom Bom

Ruim Muito bom Muito bom Muito bom Muito bom Regular

Muito bom Bom Muito bom Muito bom Muito bom Muito bom

Bom Bom Muito bom Muito bom Muito bom Bom

Regular Bom Muito bom Muito bom Muito bom Regular

Ruim Bom Muito bom Muito bom Muito bom Regular

Muito bom Regular Muito bom Muito bom Muito bom Bom

Bom Regular Muito bom Muito bom Muito bom Regular

Regular Regular Muito bom Muito bom Muito bom Regular

Ruim Regular Muito bom Muito bom Muito bom Ruim

Muito bom Ruim Muito bom Muito bom Muito bom Ruim

Bom Ruim Muito bom Muito bom Muito bom Ruim

Regular Ruim Muito bom Muito bom Muito bom Ruim

Ruim Ruim Muito bom Muito bom Muito bom Ruim

Muito bom Muito bom Bom Muito bom Muito bom Muito bom

Bom Bom Bom Muito bom Muito bom Bom

Regular Regular Bom Muito bom Muito bom Regular

Ruim Ruim Bom Muito bom Muito bom Ruim

Muito bom Muito bom Regular Muito bom Muito bom Muito bom

Bom Bom Regular Muito bom Muito bom Bom

Regular Regular Regular Muito bom Muito bom Regular

Ruim Ruim Regular Muito bom Muito bom Ruim

Muito bom Muito bom Ruim Muito bom Muito bom Bom

Bom Bom Ruim Muito bom Muito bom Regular

Regular Regular Ruim Muito bom Muito bom Ruim

Ruim Ruim Ruim Muito bom Muito bom Ruim

Muito bom Muito bom Muito bom Bom Muito bom Muito bom

Bom Bom Bom Bom Muito bom Bom

Regular Regular Regular Bom Muito bom Regular

Ruim Ruim Ruim Bom Muito bom Ruim

Muito bom Muito bom Muito bom Regular Muito bom Muito bom

Bom Bom Bom Regular Muito bom Bom

Regular Regular Regular Regular Muito bom Regular

Ruim Ruim Ruim Regular Muito bom Ruim

Muito bom Muito bom Muito bom Ruim Muito bom Muito bom

Bom Bom Bom Ruim Muito bom Bom

Regular Regular Regular Ruim Muito bom Regular

Ruim Ruim Ruim Ruim Muito bom Ruim

Muito bom Muito bom Muito bom Muito bom Bom Muito bom

Bom Bom Bom Bom Bom Bom

Regular Regular Regular Regular Bom Regular

Ruim Ruim Ruim Ruim Bom Ruim

Muito bom Muito bom Muito bom Muito bom Regular Muito bom

Bom Bom Bom Bom Regular Bom

Regular Regular Regular Regular Regular Regular

Ruim Ruim Ruim Ruim Ruim Ruim

Muito bom Muito bom Muito bom Muito bom Ruim Bom

Bom Bom Bom Bom Ruim Regular

Regular Regular Regular Regular Ruim Ruim