INSTITUTO SUPERIOR DE EDUCAÇÃO DO RIO DE JANEIRO - ISERJ

CURSO SUPERIOR: GRADUAÇÃO - LICENCIATURA EM PEDAGOGIA

COORDENAÇÃO DE PESQUISA E EXTENSÃO

VALÉRIA RIBEIRO RODRIGUES

O USO DE SISTEMAS TUTORES INTELIGENTES COMO MEIO DE

PERSONALIZAÇÃO DA APRENDIZAGEM

RIO DE JANEIRO
2019
INSTITUTO SUPERIOR DE EDUCAÇÃO DO RIO DE JANEIRO - ISERJ
CURSO SUPERIOR: GRADUAÇÃO - LICENCIATURA EM PEDAGOGIA
COORDENAÇÃO DE PESQUISA E EXTENSÃO

VALÉRIA RIBEIRO RODRIGUES

O USO DE SISTEMAS TUTORES INTELIGENTES COMO MEIO DE

PERSONALIZAÇÃO DA APRENDIZAGEM

Trabalho de Conclusão de Curso

apresentado ao Curso de Pedagogia do
Instituto Superior de Educação do Rio de
Janeiro, como requisito parcial à obtenção
do título de Pedagoga.
Orientadora: Profª Dra. Keite Silva de Melo

RIO DE JANEIRO
2019
INSTITUTO SUPERIOR DE EDUCAÇÃO DO RIO DE JANEIRO - ISERJ
CURSO SUPERIOR: GRADUAÇÃO - LICENCIATURA EM PEDAGOGIA
COORDENAÇÃO DE PESQUISA E EXTENSÃO

Ficha Catalográfica

Rodrigues, Valéria Ribeiro.

O uso de sistemas tutores inteligentes como

meio de personalização da aprendizagem.
Valéria Ribeiro Rodrigues. Rio de Janeiro,
2019.
57 f.

Orientador: Profa Dra Keite Silva de Melo

Trabalho de Conclusão de Curso

(Licenciatura em Pedagogia) - Instituto
Superior de Educação do Rio de Janeiro, Rio
de Janeiro.
Bibliografia: f 55-57.
 INSTITUTO SUPERIOR DE EDUCAÇÃO DO RIO DE JANEIRO - ISERJ
CURSO SUPERIOR: GRADUAÇÃO - LICENCIATURA EM PEDAGOGIA
COORDENAÇÃO DE PESQUISA E EXTENSÃO

O USO DE SISTEMAS TUTORES INTELIGENTES COMO MEIO DE

PERSONALIZAÇÃO DA APRENDIZAGEM

Trabalho de Conclusão de Curso apresentado ao

Curso de Pedagogia do Instituto Superior de
Educação do Rio de Janeiro, como requisito parcial
à obtenção do título de Pedagoga.
Orientadora: Profa Dra Keite Silva de Melo.

Data de aprovação: _______ de ___________________de ____________

Banca Examinadora:

_____________________________________________
Profa Dra Keite Silva de Melo (orientadora)
Instituto Superior de Educação do Rio de Janeiro (ISERJ)

_____________________________________________
Profa Dra Andréa Villela Mafra da Silva
Instituto Superior de Educação do Rio de Janeiro (ISERJ)

_____________________________________________
Profa Dra Lucy de Almeida Oliveira
Instituto Superior de Educação do Rio de Janeiro (ISERJ)
DEDICATÓRIA

Dedico esse trabalho primeiramente a

Deus que sempre direcionou a minha
vida, ao meu marido e aos meus filhos
em quem encontrei forças e razão para
chegar até aqui.
 AGRADECIMENTOS

Sou grata a todos os professores que contribuíram com a minha trajetória

acadêmica, especialmente a Profa Dra Keite Silva de Melo, responsável pela orientação do
presente trabalho. Obrigada, por esclarecer tantas dúvidas e ser tão atenciosa e paciente.
Obrigada, por me fazer acreditar que sou muito mais capaz do que eu imaginava ser.
Obrigada, pela confiança que tantas vezes me dedicou. Manifesto aqui minha gratidão
eterna por compartilhar sua sabedoria, seu tempo e seu amor por essa profissão.
Agradeço a Profa Dra Lucy de Almeida Oliveira, que participou de uma etapa muito
importante da minha formação, como coordenadora do Projeto de Residência Pedagógica
e a Profa Dra Andréa Villela Mafra da Silva, que me deu oportunidade de iniciar a minha
formação como Pesquisadora.
Agradeço ao meu pai, que acreditou em mim, que me aconselhou, que me olhou
com tanta admiração e carinho, e foi o meu maior incentivador nessa jornada.
A minha mãe, irmã e sobrinhos que me ajudaram a cuidar dos meus filhos, me
auxiliando nessa caminhada.
Ao meu marido e melhor amigo, que se desdobrou em esforços para me ajudar
durante toda a minha formação, especialmente durante a elaboração desse trabalho e
que me apoia em todos os momentos das nossas vidas.
Aos meus filhos que sempre foram a grande razão da minha persistência, o
exemplo que desejo dar a eles, é o que me dá forças para seguir.
As amigas, que nunca negaram palavras de força, incentivo e otimismo ao longo do
percurso acadêmico. Os momentos que compartilhamos, construindo juntas os nossos
saberes e práticas pedagógicas, fizeram valer cada dia ao longo desses anos. Muito
obrigada!
 LISTA DE ILUSTRAÇÕES

Figura 1: Adaptado de Bloom (1994) - Desempenho da Tutoria Um-pra-Um (Mastery

Learning) .............................................................................................................................31
Figura 2: Elaboração própria - Arquitetura simplificada de um sistema tutor inteligente ....33
Figura 3 Interface de cálculo do MDC, no editor HTML. ....................................................44
Figura 4 Interface de cálculo do MDC. ...............................................................................45
Figura 5 Grafo de comportamento. .....................................................................................45
Figura 6 Grafo de comportamento correto. ........................................................................46
Figura 7 Grafo de comportamento (botão Done). ...............................................................46
Figura 8 Opção de escolha para indicar um passo incorreto. ............................................47
Figura 9 Inserção de dica para um passo incorreto. ..........................................................47
Figura 10: Inserção de dica para um passo incorreto. .......................................................48
Figura 11: Inserção de dica para um passo incorreto. .......................................................48
Figura 12: Grafo de comportamento depois da inserção dos passos incorretos. ..............49
Figura 13: Opções do Modo Autor (Demonstrate). .............................................................49
Figura 14: Teste do Tutor. ..................................................................................................50
Figura 15: Opção para inserção de Feedback. ..................................................................50
Figura 16: Inserção de Feedback. ......................................................................................51
Figura 17: Como o aluno visualiza as dicas na interface ...................................................51
Figura 18: Inserção de Skills (Habilidades). .......................................................................52
Figura 19: Interface que apresenta a janela de habilidades. ..............................................52
 LISTA DE ABREVIATURAS E SIGLAS

ABNT Associação Brasileira de Normas Técnicas

AVA Ambientes Virtuais de Aprendizagem
a.C antes de Cristo
CAI Instruções Assistidas por Computador
CTAT Cognitive Tutor Authoring Tools
EAD Ensino a Distância
FORPROTEC Grupo de Pesquisa Tecnologia e Formação de Professores
IA Inteligência Artificial
IAEd Inteligência Artificial aplicada à Educação
IBM International Business Machines Corporation
ICAI Instruções Inteligentes Assistidas por Computador
GPS General Problem Solver
HTML Linguagem de Marcação de Hipertexto
LDB Lei de Diretrizes e Bases da Educação
MIT Instituto de Tecnologia de Massachusetts
PARFOR Programa Nacional de Formação de Professores da Educação Básica
STI Sistemas Tutores Inteligentes
TICs Tecnologias da Informação e Comunicação
USP Universidade de São Paulo
 SUMÁRIO

APRESENTAÇÃO .................................................................................................... 12
INTRODUÇÃO .......................................................................................................... 14
1 UM POUCO DA HISTÓRIA DA INTELIGÊNCIA ARTIFICIAL ......................... 19
2 O QUE É A INTELIGÊNCIA ARTIFICIAL? ....................................................... 22
2.1 Agindo de forma humana ............................................................................ 22
2.2 Pensando de forma humana ....................................................................... 23
2.3 Pensando racionalmente ............................................................................. 24
2.4 Agindo racionalmente .................................................................................. 25
2.5 Inteligência Artificial na Educação (IAEd).................................................. 26
3 SISTEMAS TUTORES INTELIGENTES ........................................................... 29
3.1 Modelos ......................................................................................................... 32
3.2 Modelo do aluno ........................................................................................... 33
3.3 Modelo de Domínio ...................................................................................... 35
3.4 Modelo Pedagógico...................................................................................... 35
3.5 Modelo de Interface ...................................................................................... 37
3.6 Modelo de aluno aberto ............................................................................... 38
4.1 Outer Loop ......................................................................................................... 40
4.2 Inner Loop .......................................................................................................... 41
4.3 Implementação de um STI - utilizando CTAT ................................................. 42
CONCLUSÃO ........................................................................................................... 53
REFERÊNCIAS BIBLIOGRÁFICAS......................................................................... 55
 RESUMO

RODRIGUES, Valéria Ribeiro. O uso de sistemas tutores inteligentes como meio

de personalização da aprendizagem. 2019. 57 f. Trabalho de Conclusão de Curso
Pedagogia – Instituto Superior de Educação do Rio de Janeiro, Rio de Janeiro, 2019.
Orientadora: Profª Dra Keite Silva de Melo.

O presente trabalho tem por objetivo demonstrar as aplicações dos Sistemas

Tutores Inteligentes (STI) em uma proposta de ensino e aprendizagem. Esse estudo
busca ampliar as concepções da comunidade docente quanto aos avanços,
especialmente, os ligados ao campo da Inteligência Artificial em relação aos
processos educativos. Os tutores inteligentes têm sua história originada na área da
Inteligência Artificial (IA), portanto, apresentamos uma introdução acerca do campo
da Inteligência Artificial, bem como uma revisão histórica do seu desenvolvimento e
de sua relação com a educação. Em seguida, descrevemos a arquitetura básica dos
Sistemas Tutores Inteligentes e suas principais características. Os Sistemas Tutores
Inteligentes são softwares desenvolvidos para serem associados à Ambientes
Virtuais de Aprendizagem (AVA) e buscam recriar as estruturas do ensino oferecido
nesses ambientes, que são apresentadas em sequências fixas o que desfavorece os
estilos individuais de aprendizagem dos estudantes. Com o avanço das tecnologias
em conjunto com as ciências cognitivas, foi possível aprimorar os softwares
educacionais e torná-los capazes de compreender e armazenar os dados da
interação do aluno com o sistema. Os STI aprendem com esses dados e agem de
forma inteligente por meio de técnicas da IA, proporcionando portanto, uma
aprendizagem mais voltada às especificidades de aprendizagem dos alunos. Para
esse estudo foi realizada uma pesquisa bibliográfica, que permitiu compreender as
mudanças que aconteceram desde o surgimento dos Sistemas Tutores Inteligentes,
às considerações de que esses seriam possíveis substitutos dos professores
humanos, a alguns trabalhos recentes que consideram a relação de colaboração
entre sistema e professores. Notou-se que a maior parte dos artigos e teses em
língua portuguesa foram escritos por profissionais da área de tecnologias, o que
corrobora com a necessidade de um maior envolvimento dos profissionais que se
dedicam a estudar os processos de ensino e aprendizagem, em estudos e
pesquisas referentes a implementação de Sistemas Tutores Inteligentes. Esse
trabalho considerou as possibilidades dos STI de auxiliarem os professores que
atendem a um grande quantitativo de alunos em sala de aula, desse modo, há
colaboração entre sistema e professor, possibilitando aos alunos alcançarem um
melhor desempenho, através de feedbacks imediatos, bem como, do
acompanhamento individual dos estudantes enquanto realizam as tarefas e
principalmente, por meio das possibilidades de estimular a autonomia e a reflexão
dos alunos durante a aprendizagem. Por fim, com a finalidade de exemplificar o
funcionamento dos STI demonstramos o passo a passo da incorporação de dados
na criação de um Sistema Tutor Inteligente, utilizando o software CTAT (Cognitive
Tutor Authoring Tools).

Palavras-chave: Aprendizagem personalizada, Ambientes Virtuais de Aprendizagem,

Sistemas Tutores Inteligentes.
 ABSTRACT

The present work aims to demonstrate the applications of Intelligent Tutoring

Systems (ITS) in a proposal for teaching and learning. This study seeks to expand
the conceptions of the teaching community regarding advances, especially those
linked to the field of Artificial Intelligence about educational processes. Intelligent
tutors have their history originated in the area of Artificial Intelligence (AI), so we
present an introduction about the field of Artificial Intelligence, as well as a historical
review of its development and its relationship with education. Next, we describe the
basic architecture of Intelligent Tutor Systems and their main features. Intelligent
Tutor systems are software designed to be associated with Virtual Learning
Environments (VLE) and seek to recreate the teaching structures offered in these
environments, which are presented in fixed sequences that disfavors the individual
learning styles of students. With the advancement of technologies in conjunction with
cognitive sciences, it was possible to improve educational software and make them
able to understand and store data from student interaction with the system. ITS
learns from this data and acts intelligently through AI techniques, thus providing
learning more focused on student learning specificities. For this study, bibliographic
research was conducted, which allowed us to understand the changes that have
occurred since the emergence of Intelligent Tutor Systems, to the considerations that
these would be possible substitutes for human teachers, to some recent work that
considers the relationship of collaboration between system and teachers. It was
noted that most articles and theses in Portuguese were written by professionals in
the field of technologies, which corroborates the need for greater involvement of
professionals who are dedicated to studying teaching and learning processes, in
studies and research on the implementation of Intelligent Tutor Systems. This study
considered the possibilities of ITS to assist teachers who serve a large number of
students in the classroom, thus, there is collaboration between system and teacher,
enabling students to achieve better performance, through immediate feedback, as
well as individual monitoring of students while performing tasks and especially
through the possibilities of stimulating the autonomy and reflection of students during
learning. Finally, to exemplify the functioning of ITS, we demonstrated the step by
step of incorporating data in the creation of an Intelligent Tutor System, using the
CTAT (Cognitive Tutor Authoring Tools).

Keywords: Personalized Learning, Virtual Learning Environments, Intelligent Tutor

Systems.
APRESENTAÇÃO

A motivação para o presente trabalho teve início mediante ao convite da Profa

Dra Keite Silva de Melo, responsável por lecionar a disciplina TIC (Tecnologias da
Informação e Comunicação) e Educação, no Instituto Superior de Educação do Rio
de Janeiro. A proposta referia-se a ministração de uma oficina relativa a alguns
aplicativos, cujos usos podem ser associados ao planejamento educacional, visando
promover aos discentes do curso de Pedagogia da Instituição um aprendizado
prático a respeito de como utilizar em sala de aula alguns instrumentos tecnológicos,
que possibilitam ao professor aproximar a aula à realidade dos alunos,
considerando-os em seu contexto, no qual há uma grande influência digital.
As oficinas foram ofertadas aos alunos do primeiro período, no ano de 2018.
Os aplicativos escolhidos foram: a) o Kahoot – plataforma e aplicativo voltados ao
ensino por meio de jogos de aprendizagem e b) o Pixton – ferramenta web de
autoria, que pode ser utilizada para criação de histórias em quadrinhos. Quando
associada ao processo de aprendizagem constitui uma nova forma de expressar
ideias, contar histórias e de estimular a criatividade dos alunos.
Os resultados desse trabalho seriam utilizados, em um primeiro momento,
para compor o meu trabalho de conclusão de curso. No entanto, seguido a esse
acontecimento e por já possuir uma outra graduação, iniciei um curso de pós-
graduação na área de Tecnologias aplicadas à Educação, pela Universidade de São
Paulo (USP). Portanto, diante do contato com outras leituras que corroboraram à
aquisição de novos conhecimentos, da observação de uma crescente influência da
área das tecnologias no campo da Educação e da crescente necessidade de
formação dos professores para promoção dessa nova realidade, irrompeu a
motivação para esse estudo.
Outro fator que contribuiu para a escolha do tema, refere-se à participação no
grupo de Pesquisas FORPROTEC/CNPq (Grupo de Pesquisa Tecnologia e
Formação de Professores). O grupo desenvolveu no ano de 2013, um Ambiente
Virtual de Aprendizagem (AVA) que é utilizado pela Instituição, com a finalidade de
oferecer algumas disciplinas e cursos de extensão na modalidade EAD (Ensino a
Distância) aos alunos da graduação e do PARFOR (Programa Nacional de
Formação de Professores da Educação Básica). Uma iniciativa implementada no
AVA/ISERJ estará recebendo o Prêmio Paulo Freire, em 2019, na categoria
“Experiência Pedagógica no Ensino a Distância”, como reconhecimento pelo seu
trabalho nesse campo, o que evidencia a importância desse Ambiente de
Aprendizagem. Sendo assim, esse trabalho pretende ramificar-se em oficinas que
visam compartilhar os conhecimentos adquiridos a respeito dos Sistemas Tutores
Inteligentes com os futuros docentes desta Instituição de ensino, bem como em
pesquisas que busquem resultados sobre a implementação dos Sistemas Tutores
Inteligentes, associados a esse ambiente virtual de aprendizagem e da mesma
maneira, com relação aos efeitos relativos à sua intervenção nos processos de
aprendizagem dos discentes do curso de formação de Professores do Instituto
Superior de Educação do Rio de Janeiro.
 14

INTRODUÇÃO

Desde que os computadores se tornaram acessíveis a um número maior de

pessoas, bem como o acesso à internet e o uso de tecnologias digitais se difundiram,
foi possível recriar os tradicionais espaços de aprendizagem e dentre essas novas
formas de ensinar e aprender, estão os Ambientes de Aprendizagem baseados na
internet. O desenvolvimento da Internet em 1990, segundo Kenski (2015), foi
essencial para impulsionar os primeiros projetos de construção de Ambientes de
Aprendizagem destinados à educação.
Os programas educacionais desenvolvidos em ambientes virtuais, ou
ambientes virtuais de aprendizagem (AVA), diante desse cenário, se expandiram e
ganharam espaço e reconhecimento no âmbito educacional. A lei das Diretrizes e
Bases da Educação (LBD 9394/96) em seus artigos 32º e 62º, prevê em suas
orientações, o uso do ensino a distância para subsidiar cursos de graduação, bem
como para promover atividades complementares à aprendizagem nas etapas do
Ensino Fundamental (BRASIL, 1996). Portanto, respeitando-se o que está previsto na
Legislação, esses ambientes podem ser implementados em sistemas de educação
desenvolvidos para funcionar totalmente a distância, assim como podem estar
associados ao ensino presencial, possibilitando novas práticas educacionais e
ampliando as oportunidades de aprendizagem.
Atualmente, o avanço das tecnologias tanto em termos de hardware como
software, tem contribuído para a melhoria no desenvolvimento dos sistemas voltados
à Educação. No entanto, alguns ambientes virtuais de aprendizagem ainda podem
ser considerados extremamente conteudistas, com grandes exigências de leituras
descontextualizadas da prática, além de apresentarem pouca interação e pouco grau
de personalização da aprendizagem. Desse modo, embora a educação em ambientes
virtuais esteja bastante difundida, muitos estudantes ainda demonstram alguma
rejeição com relação ao ensino mediado por computador. Esse aspecto, pode estar
relacionado a alguns fatores como o fato de as instituições, geralmente, utilizarem
sistemas de instrução, nos quais o professor tem a função de gerenciar a inserção
dos conteúdos do curso, mas as interações aluno-professor e aluno-aluno ocorrerem
apenas por meio de fóruns, bem como o acompanhamento e a avaliação do aluno
serem realizadas em geral, mediante análise de respostas às questões propostas no
ambiente.
 15

Os avanços no campo das tecnologias em conjunto com as ciências cognitivas,

têm gerado mudanças nos sistemas desenvolvidos para apoiar a aprendizagem,
possibilitando estratégias mais eficazes de ensino e maior capacidade de conferir
personalização à aprendizagem. Com o objetivo de aprimorar os softwares
educacionais, e promover o ensino apoiado em computadores de modo a atender a
características individuais de aprendizagem dos alunos, técnicas da área de
Inteligência Artificial (IA) foram associadas a esses sistemas, permitindo a superação
de algumas de suas limitações. Segundo Woolf (2008):

[...] a confluência da Internet, Inteligência Artificial e ciências cognitivas

oferece uma oportunidade que é qualitativamente diferente das tecnologias
precedentes e se move além de simplesmente replicar os processos de
ensino existentes1. (WOOLF, 2008, p. 3).
Nesse contexto, surgiram os ICAI – (Instruções Assistidas por Computador
Inteligentes), sistemas que fazem uso de técnicas da IA para alcançar uma
aprendizagem voltada às especificidades dos alunos, uma vez que esses sistemas
possuem a capacidade de considerar os estilos individuais de aprendizagem dos
estudantes. Anteriormente, os softwares pedagógicos foram classificados por CAI –
Instruções Assistidas por Computador. Os CAI são softwares de desenvolvimento de
atividades com tutoriais, nos quais os conteúdos são entregues ao aluno seguindo
uma sequência pré-definida. Esse planejamento definido no sistema deve ser seguido
por todos os alunos, o que desfavorece a personalização da aprendizagem. De
acordo com Viccari (1990):

Os primeiros sistemas tinham poucas capacidades cognitivas e obrigavam o

aluno a actuar de forma passiva, isto é, a sua participação resumia-se a
seleção de alternativas. O modelo da apresentação não podia ser alterado: o
sistema agia da mesma forma com todos os alunos (ensino programado
linearmente). (VICCARI, 1990, p. 15).
O outro grupo classificado como ICAI, corresponde aos Sistemas Tutores
Inteligentes (STI), com capacidade para interagir, compreender e armazenar dados
da interação do aprendiz com o sistema, além de acompanhar o progresso dos
alunos, realizar a seleção de conteúdos que correspondam às suas necessidades de
aprendizagem e fornecer feedbacks a cada passo da resolução de tarefas,
envolvendo para isso, o uso de técnicas de IA. No entanto, é importante compreender
que a utilização de IA no desenvolvimento de sistemas de computadores voltados aos
processos de ensino-aprendizagem, ainda encontram limitações, tanto quanto aos

1
Tradução livre de: […] the confluence of the Internet, artificial intelligence, and cognitive science provides an
opportunity that is qualitatively different from that of preceding technologies and moves beyond simply duplicating
existing teaching processes.
 16

aspectos relativos às limitações dos Hardwares e Softwares, quanto com relação a

uma melhor compreensão dos aspectos cognitivos dos alunos. Outro fator relevante
refere-se à necessidade de considerar a relação entre a aprendizagem e os estados
emocionais e afetivos desses estudantes. No que se refere às limitações desses
sistemas, Giraffa (1999), ressalta que o que temos são adaptações de técnicas das
áreas da Psicologia, da Educação e das Tecnologias, contudo, a relação desses três
campos vem aproximando esses softwares cada vez mais dos estados mentais
humanos e tornando os STI instrumentos que podem ser utilizados pelos professores
no planejamento de atividades nos AVA.
Se considerarmos que em nosso atual sistema de educação, um professor
atende em média turmas com aproximadamente trinta alunos, cada um com
necessidades e estilos de aprendizagem diferentes, o que requer do professor tempo
para compreender as características individuais de seus alunos e para o preparo de
atividades que atendam de forma mais efetiva a cada um deles, poderemos notar que
os sistemas tutores, nesse contexto, podem servir como um instrumento de apoio,
principalmente, por sua capacidade de medir habilidades e de conduzir o aluno no
processo de aprendizagem, por meio de dicas e feedbacks, os quais são planejados
e inseridos previamente no sistema pelo professor, que continua sendo, desse modo,
o responsável pelo processo de ensino.
De acordo com Woolf (2008), os professores aprendem sobre os alunos na
interação que acontece entre eles, observando suas expressões faciais, linguagem
corporal, tom de voz e nessa relação percebem suas características, habilidades,
motivações, interesses, e desse modo são capazes de adaptar dinamicamente suas
estratégias às necessidades individuais de aprendizado dos alunos. As máquinas
ainda estão distantes de serem substitutos nas relações de afetividade humana, e na
interação aluno-professor. Os professores humanos são capazes de detectar as
características de afetividade e de responder as emoções dos alunos, no entanto,
vale ressaltar que alguns estudos estão sendo realizados com a finalidade de permitir
aos tutores artificiais uma melhor compreensão dos estados afetivos dos estudantes.
Nos estudos atuais sobre STI encontramos trabalhos que propõem arquiteturas
multiagentes, para implementação de estados mentais afetivos. Giraffa (1999), e
pesquisadores brasileiros como Jaques, Nunes, Isotani e Bittencourt (2012), da área
de computação afetiva aplicada à Educação, apresentaram trabalhos que consideram
os estados afetivos dos alunos, como emoções e personalidade, para construção de
sistemas tutores que promovam instruções individualizadas ao estudante. Reis,
 17

Jaques e Isotani (2018), realizaram um Mapeamento Sistemático referente aos

mecanismos de detecção de emoções utilizados pelos Sistemas Tutores e dentre
eles estão: (i) dados comportamentais, ou seja, as ações observáveis do usuário no
sistema (por exemplo, opções escolhidas, erros e acertos de exercícios, pedido de
ajuda, velocidade de digitação, entre outros). (ii) expressões faciais (iii) sinais
fisiológicos (batimentos cardíacos, tensão muscular, condutividade da pele,
respiração); (iv) linguística (expressões vocais, volume e intensidade da voz).
A maior parte dos estudos analisados para realização desse trabalho, como os
citados acima, foram escritos por profissionais da área da computação, mas como
vimos esse é um campo multidisciplinar, sendo assim, propomos a importância de
ampliar o conhecimento da comunidade docente, no que diz respeito aos trabalhos
que vêm sendo implementados pelas áreas que estudam o uso de tecnologias
voltadas à Educação, como é o caso dos STI, visando uma maior participação do
campo da Pedagogia nesses estudos e pesquisas.
É importante ressaltar que a proposta desse trabalho se relaciona ao fato de os
sistemas tutores poderem proporcionar aos professores uma melhor utilização do seu
tempo, uma vez que facilitam a compreensão das necessidades pedagógicas
individuais dos alunos por meio de informações que são armazenadas na interação
do estudante com o sistema. Desse modo, auxiliam a formação de um diagnóstico
referente ao desempenho e as dificuldades do aluno. Raabe e Giraffa (2006),
demonstram que a presença dos professores associada a esses sistemas, tornou
possível acompanhar os alunos com problemas de aprendizagem, resultando em
uma melhora em seus resultados. Desse modo, a figura de STI de substituição dos
professores dá lugar a uma relação de colaboração entre sistema e professor.
Portanto, os tutores inteligentes, na perspectiva desse estudo não constituem meio de
substituição dos professores, mas consistem em instrumentos de apoio aos
processos de aprendizagem, tanto em ambientes on-line, como associados ao ensino
presencial.
Nesse sentido, no primeiro capítulo apresentamos um breve resumo da história
da Inteligência Artificial (IA). No segundo capítulo, buscamos elaborar o conceito de
IA e expor alguns exemplos cotidianos de suas aplicabilidades, com a finalidade de
aproximar os leitores de uma maior compreensão a respeito da relação entre os
diversos campos do conhecimento e os usos de sistemas dotados de Inteligência
Artificial. Além disso, abordamos os objetivos, os quais o campo de estudos da
Inteligência Artificial aplicada à Educação (IAEd) visa alcançar por meio, por exemplo,
 18

do desenvolvimento de sistemas como: a) os Tutores Inteligentes, que promovem

uma maior personalização à aprendizagem; b) a Mineração de dados, que vem
auxiliando a interpretação de dados em grandes quantidades e desse modo,
orientando principalmente a tomada de decisões, por parte de gestores e professores.
No terceiro capítulo conceituamos os Sistemas Tutores Inteligentes e
apresentamos a sua arquitetura, composta por Modelos que correspondem ao
conhecimento do aluno, ao conhecimento de domínio e ao conhecimento pedagógico.
No quarto capítulo descrevemos os mecanismos de funcionamento desses
sistemas e demonstramos por meio de exemplo prático a construção de um Sistema
Tutor Inteligente utilizando o software CTAT (Cognitive Tutor Authoring Tools), desse
modo, é apresentado o passo a passo para criação das etapas que correspondem
aos Modelos que integram o sistema. O quinto capítulo é composto pelas conclusões
a respeito de todo o trabalho.
 19

1 UM POUCO DA HISTÓRIA DA INTELIGÊNCIA ARTIFICIAL

Os Sistemas Tutores Inteligentes têm sua história originada no final dos anos
50 e início dos anos 60, como ramificação da área da Inteligência Artificial (IA).
Pesquisadores como John McCarthy, Allen Newel e Alan Turing buscavam comprovar
que os computadores eram capazes de pensar como os humanos.
John McCarthy é considerado um dos fundadores da IA. Em 1956 MCCarthy
reuniu pesquisadores em um seminário que não trouxe grandes mudanças para as
pesquisas, mas aproximou os principais nomes da história da Inteligência Artificial. A
construção de uma máquina com características inteligentes foi a motivação para o
evento:

Propusemos que um estudo de dois meses e dez homens sobre inteligência

artificial fosse realizado durante o verão de 1956 no Dartmouth College, em
Hanover, New Hampshire. O estudo era para prosseguir com a conjetura
básica de que cada aspecto da aprendizagem ou qualquer outra
característica da inteligência pode, em princípio, ser descrita tão
precisamente a ponto de ser construída uma máquina para simulá-la. Será
realizada uma tentativa para descobrir como fazer com que as máquinas
usem a linguagem, a partir de abstrações e conceitos, resolvam os tipos de
problemas hoje reservados aos seres humanos e se aperfeiçoem. Achamos
que poderá haver avanço significativo em um ou mais desses problemas se
um grupo cuidadosamente selecionado de cientistas trabalhar em conjunto
durante o verão. (NORVIG; RUSSELL, 2003, p. 42).

Havia participantes da Universidade de Princeton, da IBM (International

Business Machines Corporation) 2 e do Instituto de Tecnologia de Massachusetts
3
(MIT). No entanto, dois pesquisadores do Instituto Carnegie de Tecnologia
chamaram a atenção, Allan Newell e Herbert Simon. Posteriormente eles viriam a
desenvolver o “General Problem Solver” (solucionador de problemas gerais) ou GPS.
O programa utilizava ações semelhantes as dos seres humanos para resolver
problemas e foi provavelmente o primeiro sistema que se aproximou do “pensar de
forma humana”. Em 1957, Herbert Simon descreveu o que acreditava que a IA seria
capaz de realizar:

Não é meu objetivo surpreendê-los ou chocá-los, mas o modo mais simples

de resumir tudo isso é dizer que agora existem no mundo máquinas que
pensam, aprendem e criam. Além disso, sua capacidade de realizar essas
atividades está crescendo rapidamente até o ponto — em um futuro visível —
no qual a variedade de problemas com que elas poderão lidar será

2
Empresa dos Estados Unidos voltada para a área de informática.
3
Atualmente, Universidade Carnegie Mellon - Instituição privada de ensino e pesquisa, localizada na cidade de
Pittsburgh, no estado da Pensilvânia nos Estados Unidos.
 20

correspondente à variedade de problemas com os quais lida a mente

humana. (NORVIG; RUSSELL, 2003, p. 45).
Os estudos no campo da IA estavam em andamento e os seus primeiros anos
foram de conquistas, mas estas estavam limitadas aos poucos recursos da época. Os
computadores eram considerados apenas máquinas capazes de efetuar operações
aritméticas, não se acreditava que esses pudessem realizar atividades inteligentes,
contudo, aos poucos, os pesquisadores foram demonstrando as suas
potencialidades. A Inteligência Artificial (IA), nesse contexto e de acordo com Norvig e
Russell (2003) era definida como “o único campo a tentar construir máquinas que
funcionarão de forma autônoma em ambientes complexos e mutáveis”, buscando
desde o princípio “a ideia de reproduzir faculdades humanas como criatividade, auto
aperfeiçoamento e uso da linguagem”. (NORVIG; RUSSELL, 2003, p. 42)
Em 1956, a Inteligência Artificial foi reconhecida como ciência e de acordo com
Norvig e Russell (2003), sua fundamentação apoiou-se em várias disciplinas como
Filosofia, Matemática, Linguística, Psicologia, Engenharia de Computadores, entre
outras. As principais influências desses campos, segundo os autores, estão descritas
a seguir:
a) Os matemáticos forneceram as ferramentas para manipular declarações de
certeza lógica, bem como declarações incertas e probabilísticas. Eles também
definiram a base para a compreensão da computação e do raciocínio sobre
algoritmos.
b) Os economistas formalizaram o problema de tomar decisões que maximizam o
resultado esperado para o tomador de decisões.
c) Os neurocientistas descobriram alguns fatos sobre como a mente trabalha e a
forma como ela se assemelha e se diferencia dos computadores.
d) Os psicólogos adotaram a ideia de que os seres humanos e os animais podem
ser considerados máquinas de processamento de informações.
e) Os linguistas mostraram que o uso da linguagem se ajusta a esse modelo.
f) Os engenheiros de computação forneceram máquinas cada vez mais
poderosas que tornam possíveis às aplicações de IA.
Essas influências consolidaram o fato de que a IA encontrou conformidade
entre várias disciplinas, sendo de fato um campo multidisciplinar, visto que sua
funcionalidade é utilizada por diversas áreas e a sua formação foi orientada por
contribuições de vários campos do conhecimento.
 21

Essa foi uma breve introdução que apresentamos sobre a IA, que é portanto,
um campo que tem buscado compreender a inteligência humana, seguindo
basicamente quatro abordagens, que serão descritas no capítulo a seguir. No
entanto, é importante ressaltar que o objetivo desse estudo não é aprofundar-se nos
conceitos de Inteligência Artificial e sim compreender e conhecer o uso de Sistemas
Inteligentes, no que se refere à sua aplicabilidade nos contextos de ensino e
aprendizagem.
 22

2 O QUE É A INTELIGÊNCIA ARTIFICIAL?

O conceito de Inteligência Artificial (IA) é de difícil definição. Atualmente,

muitas tecnologias consideradas anteriormente como IA, estão sendo incorporadas a
coisas que se tornam comuns e então deixam de ser chamadas de IA, passando a
ser um programa qualquer, de acordo com Bostrom (2006), professor da
Universidade de Oxford. O fato é que a Inteligência Artificial está presente nos dias
atuais em diversas ações cotidianas. Os chatbots, por exemplo, são robôs de bate-
papo utilizados por muitos bancos para o atendimento ao cliente, outro serviço
frequente, que se apoia no uso de IA são as recomendações que recebemos
baseadas em nossas pesquisas na internet. Mais exemplos de aplicações que
contam com técnicas de IA são: os automóveis que interagem por meio de voz, uma
vez que para atender a essa função precisam compreender a linguagem natural,
podemos apontar ainda, o Museu do Amanhã no Rio de Janeiro, que possui uma
assistente virtual, a IRIS, que ao final da visita conversa com o público sobre o que
aprendeu no Museu. Desse modo, podemos perceber que diversas áreas estão
tornando suas operações cada vez mais personalizadas com o auxílio da IA, e que
essas interações também estão sendo pensadas com relação à Educação.
A IA impacta diversas áreas e como vimos anteriormente, recebe contribuições
de muitas áreas do conhecimento. Desse modo, a sua natureza interdisciplinar faz
com que seja difícil chegar a uma única definição, uma vez que essas várias áreas
lhe dão perspectivas e terminologias diferentes, conforme cada área. Contudo, as
definições de IA, de acordo com Norvig e Russell (2003), em geral baseiam-se na
relação de três instâncias: raciocínio, pensamento e comportamento, dispostas em
quatro abordagens: “pensando como um humano” e “agindo como seres humanos”,
que se baseiam no desempenho humano. E “pensando racionalmente” e “agindo
racionalmente”, que se baseiam na racionalidade.

2.1 Agindo de forma humana

Na década de 50, Alan Turing, conhecido como “o pai da computação” criou o

Teste de Turing. O teste foi extremamente importante para definir o que é o agir de
forma humana ou o que seria um comportamento inteligente para uma máquina.
 23

De acordo com Norvig e Russel (2003), o teste consistia em um interrogador

humano realizar perguntas escritas e entregá-las simultaneamente a uma máquina e
a uma pessoa. O computador passava no teste, caso o interrogador não pudesse
distinguir se as respostas foram dadas por uma pessoa ou por um computador, então,
tínhamos um computador inteligente.
Logo, para passar no teste de Turing, o computador deveria ser capaz de se
comunicar através do processamento de linguagem natural, ou seja, estar apto a
compreender a pergunta para dar uma resposta; além de ter que representar o
conhecimento, isto é, ter um modelo mental para armazenar as informações, ser
capaz de raciocinar de forma automatizada, usar o que sabe para responder e
finalmente, utilizar aprendizagem de máquina para o reconhecimento de padrões, de
modo que ao ser exposto a novos dados, fosse capaz de adaptações.

2.2 Pensando de forma humana

A IA busca criar um modelo no qual uma máquina possa pensar de forma

inteligente, ou seja, que corresponda ao pensamento humano e para isso é preciso
entender o funcionamento real das mentes humanas. Os estudos associados à IA
visam a automação das atividades humanas, visto que os programas também podem
tomar decisões e realizar comportamentos a partir de um conjunto de informações,
assim como os humanos.
No entanto, para isso é preciso primeiramente entender como o pensamento
humano acontece, desde como fazemos a associação do nosso pensamento com
alguma atividade e o processo de tomada de decisões que realizamos, até a
externalização do comportamento. Portanto, para que a IA consiga fazer essa
simulação, é preciso que entenda o funcionamento da mente humana. Segundo
Norvig e Russell (2003) isso é possível:

[...] através da introspecção — procurando captar nossos próprios

pensamentos à medida que eles se desenvolvem; através de experimentos
psicológicos; observando uma pessoa em ação; e através de imagens
cerebrais, observando o cérebro em ação. (NORVIG; RUSSELL, 2003, p.
26).
E como podemos transpor a forma de pensar humana para o computador?
Criando um modelo cognitivo. Um dos processos possíveis para criar o modelo
cognitivo, é comparar o curso do raciocínio computacional com o do raciocínio
humano para resolver o mesmo problema, por exemplo, podemos pensar em um jogo
 24

de xadrez e no modo como podemos fazer para que o computador pense de forma
similar a um mestre desse jogo e, desse modo, realize jogadas inteligentes.
De acordo com Woolf (2008), o campo das ciências cognitivas em conjunto
com a IA, buscam criar modelos computacionais capazes de construir teorias
precisas e testáveis do pensar humano:

As ciências cognitivas investigam como entidades inteligentes, sejam elas

humanas ou computacionais, interagem com seu ambiente, adquirem
conhecimento para tomar decisões e resolver problemas. Esta definição está
inteiramente relacionada com a IA, que se preocupa com a concepção de
sistemas que exibem características inteligentes, como aprendizagem,
raciocínio, resolução de problemas e compreensão da linguagem.4 (WOOLF,
2008, p. 43).

Portanto, a Inteligência Artificial segundo a autora, tem por objetivo

desenvolver sistemas que modelem as atividades cognitivas5 e tenham capacidade
para compreender a linguagem natural.

2.3 Pensando racionalmente

Segundo Norvig e Russell (2003), a IA foi concebida desde 400 a.C, quando
filósofos acreditavam que uma máquina poderia ter aspectos semelhantes ao
funcionamento da mente humana. Nesse caso, existe uma concepção de que a
mente opera na codificação do conhecimento em uma linguagem compreendida
internamente e o pensamento determina as ações correspondentes que serão
realizadas.
O silogismo de Aristóteles foi o primeiro passo para o desenvolvimento da
Lógica. De acordo com Norvig e Russell (2003), essa foi uma das primeiras tentativas
de padronizar o raciocínio lógico, ou seja, o “pensamento correto” (NORVIG;
RUSSELL, 2003, p. 27). Os autores usaram como exemplo a premissa de Aristóteles:
“Sócrates é um homem; todos os homens são mortais; então, Sócrates é mortal”
(NORVIG; RUSSELL, 2003, p. 27). Portanto, para os estudiosos do campo da Lógica,

4
Tradução livre de: Cognitive science investigates how intelligent entities, whether human or computer, interact with
their environment, acquire knowledge, remember, and use knowledge to make decisions and solve problems. This
definition is closely related to that for AI, which is concerned with designing systems that exhibit intelligent
characteristics, such as learning, reasoning, solving problems, and understanding language.
5
Cognição refere-se às atividades e processos de formação do conhecimento. A cognição relaciona-se aos
mecanismos mentais que utilizamos para organizar, classificar e interpretar as informações sensoriais. Os
processos cognitivos abrangem memória, atenção, resolução de problemas, tomada de decisões, raciocínio e
linguagem.
 25

a partir de um conjunto de premissas escritas em uma notação formal, formava-se um

raciocínio e chegava-se a um conjunto de conclusões. Desse modo, surge o
pensamento de que os programas poderiam resolver qualquer problema descrito em
notação lógica, para o qual existisse uma solução, Contudo, Norvig e Russell (2003)
se preocupavam com a possibilidade de não haver uma única solução e nesse caso,
o programa entraria em um tipo de laço infinito.
Certamente, existiam entraves para essa abordagem como, por exemplo, no
que se referia às preocupações dos autores sobre descrever informações não formais
em notação lógica, particularmente diante de possíveis incertezas (i.e. se as
informações não fossem suficientes para a tomada de decisão), que poderiam
esgotar os recursos computacionais, mesmo se tratando de problemas com apenas
algumas centenas de possibilidades. Existia então, uma concepção de que resolver
um problema na teoria era diferente de resolvê-lo na prática.
No contexto atual, podemos dizer que, o ponto de vista “pensando
racionalmente” (NORVIG; RUSSELL, 2003, p. 25), refere-se à possibilidade de criar
modelos computacionais capazes de tomar decisões, a partir de um conjunto de
entradas retornar um conjunto de saídas, semelhante ao raciocínio lógico humano.

2.4 Agindo racionalmente

O agente é algo que age. Segundo Norvig & Russell (2003), um agente nos
termos da IA deve ter autonomia, perceber seu ambiente, adaptar-se aos novos
dados e agir para alcançar o melhor resultado ou o melhor resultado possível, se as
informações não forem suficientes para a tomada de decisão. O agente racional deve
agir racionalmente de modo a concluir a ação e agir com base nessa conclusão para
atingir os objetivos. Estudos de Sistemas Tutores Inteligentes que possuem a
modelagem de agentes ou sociedades de agentes, podem ser vistos em pesquisas
realizadas por Giraffa e Viccari (1996), Costa (1997), Goulart e Giraffa (2001) e
Bolzan e Giraffa (2002).
De acordo com Norvig e Russell (2003), essa abordagem é mais geral e mais
vantajosa com relação às abordagens “do pensamento”6, uma vez que a inferência
correta é apenas uma entre as possibilidades e os agentes podem gerar modelos

6
Abordagens do pensamento refere-se a: "pensando como um humano" e "pensando racionalmente".
 26

para alcançar a racionalidade. Essa abordagem também é mais suscetível a métodos

científicos, do que estratégias ligadas ao pensamento ou ao comportamento humano.
O que foi apresentado até aqui referiu-se a uma breve introdução ao conceito
de Inteligência Artificial, para que, independente do conhecimento técnico na área
computacional, possamos nos aproximar de uma definição para IA e assim
prosseguirmos com a abordagem sobre os Sistemas Tutores Inteligentes e sua
relação com a aprendizagem.

2.5 Inteligência Artificial na Educação (IAEd)

A IAEd ou Inteligência Artificial aplicada à educação é um campo multi e

interdisciplinar permeado por diversas áreas do conhecimento. Sua principal
característica é fazer uso da IA na construção de sistemas voltados aos processos de
ensino-aprendizagem, de acordo com o relatório Tendências em Inteligência Artificial
na Educação no período de 2017 a 2030.7
Seu objetivo é desenvolver ambientes flexíveis, personalizados, que apoiem a
aprendizagem em todos os seus aspectos, suas características e possibilidades de
adaptação ao aprendiz. Suas aplicações são muito favoráveis à necessidade
crescente do campo da Educação, quanto à personalização da aprendizagem. Woolf
(2008) expõe a fundamentação da relação entre a IA e os demais campos do
conhecimento da seguinte forma:

Uma característica do campo da IA e da educação é usar a inteligência para

raciocinar sobre o ensino e a aprendizagem. Representando o que, quando e
como ensinar requer fundamentação necessária dentro de várias disciplinas
acadêmicas, incluindo ciência da computação, psicologia e educação. 8
(WOOLF, 2008, p. 42).
Os campos da Educação, Psicologia, Neurociência, Antropologia, entre outros,
estudam como as pessoas aprendem do ponto de vista químico, cerebral, contextual
e cultural, visto que a aprendizagem pode ser vista de diferentes perspectivas, e é
nesse ponto onde entra a IA, auxiliando de maneira transversal, ou seja, a tecnologia
não é utilizada para definir aprendizagem, mas para auxiliar a compreensão de como

7
Pesquisa elaborada pelo Sesi e Senai sobre as Tendências em inteligência artificial na educação no período de
2017 a 2030 (Viccari, Tendências em inteligência artificial na educação no período de 2017 a 2030, 2018).
8
Tradução livre de: One hallmark of the field of AI and education is using intelligence to reason about teaching and
learning. Representing what, when, and how to teach requires grounding from within several academic disciplines,
including computer science, psychology, and education.
 27

a aprendizagem acontece e de como podemos ensinar, de modo a tornar a

aprendizagem mais efetiva.
A IAEd tem auxiliado o entendimento de processos de aprendizagem (como
ela ocorre), por meio de softwares que analisam dados e geram informações sobre
aspectos sócio econômicos, histórico de desempenho do aluno, suas preferências, e
como esses conjuntos influenciam na aprendizagem.
Podemos citar como exemplo, um professor que deseja organizar grupos de
alunos de acordo com a forma como preferem fazer os trabalhos. Algumas
possibilidades seriam: fazer trabalho em grupo ou individual, responder a fóruns,
fazer os trabalhos em casa ou na escola.
Outro exemplo de análise de dados seria computar informações de alunos que
estudam em ambientes on-line de aprendizagem, como: notas, participação nos
fóruns, realização de listas de exercícios, acesso ao ambiente, leitura de materiais
obrigatórios e complementares, tendo como objetivo identificar quais alunos
possuem, por exemplo, tendência a retenção e/ou abandono.
Essas informações geram dados que são armazenados em planilhas e são
aplicadas técnicas de mineração de dados, com o objetivo de gerar resultados
referentes quanto às melhores formas de agrupamento para os alunos. No primeiro
caso ou no segundo caso são realizadas comparações dos comportamentos dos
alunos com o histórico de dados armazenados no sistema, com a finalidade de
encontrar padrões que identifiquem quais alunos são mais propensos à retenção ou
ao abandono. A mineração de dados educacionais é uma dentre as várias técnicas
utilizadas pela IA, que vem auxiliando a educação, uma vez que por meio dessa
análise de dados, os professores e gestores podem planejar ações de intervenção, de
modo a evitar que diversas situações como as usadas nesse exemplo - retenção e
abandono - se concretizem.
As abordagens baseadas em aprendizagem de máquina (ramo da IA, baseado
no conceito de que sistemas podem aprender com os dados, reconhecer padrões e
tomar decisões com pouca interferência humana), trazem portanto, novas
possibilidades à tomada de decisões, visto que essas técnicas também podem ser
aplicadas aos processos de aprendizagem que não envolvem tecnologia, auxiliando
sobretudo, professores e gestores na tomada de decisões. Nesse sentindo a
tecnologia auxilia, no que se refere à compreensão e delineamento dos aspectos do
processo de aprendizagem.
 28

As técnicas de mineração de dados, embora não sejam o foco desse trabalho,

são bastante relevantes, uma vez que podem ser utilizadas para buscar um melhor
entendimento dos processos educativos. Portanto, conceituaremos a mineração de
dados, mais adiante, devido a sua relação com os STI e com a Educação.
Até esse ponto, notamos que a literatura do campo associa softwares
inteligentes como aqueles capazes de interagir com o mundo, de modo que
consideramos que somente um humano pode fazer. Logo, a IAEd depende de dois
fatores: conhecimento do mundo e algoritmos para processar esse conhecimento. Os
algoritmos9 usados pela IAEd são os responsáveis por processar o conhecimento dos
modelos que representam o conhecimento do aluno, o conhecimento do especialista
e o conhecimento pedagógico, que serão apresentados no próximo capítulo.

9
A Ciência da Computação entende algoritmo como um conjunto de passos para que um programa de
computador possa realizar uma tarefa. Para a Inteligência Artificial, um algoritmo pode ser um conjunto de passos
que resolve um problema complexo ou que aprende por meio de exemplos a resolver problemas complexos.
Podemos fazer uma analogia com uma receita de bolo, assim como seguimos o passo a passo da receita para
alcançar o objetivo final que é um bolo delicioso, um algoritmo é uma sequência de passos para solução de um
problema.
 29

3 SISTEMAS TUTORES INTELIGENTES

Os sistemas tutores inteligentes são ambientes inteligentes de ensino que

proporcionam individualização da aprendizagem, podendo torná-lo mais
personalizado, contextualizado e eficaz. De acordo com Raabe (2005):

Os Sistemas Tutores Inteligentes (STI) são programas computacionais

dedicados ao ensino, que utilizam técnicas da Inteligência Artificial. Sua
principal característica é a flexibilização proporcionada frente às
necessidades de aprendizagem de um determinado aluno. (RAABE, 2005, p.
24).
Os primeiros softwares pedagógicos foram classificados como CAI –
Instruções Assistidas por Computador – são softwares de desenvolvimento de
atividades com tutoriais, em que a solução dos problemas é analisada com relação à
solução de um especialista e os conteúdos são entregues ao aluno seguindo uma
sequência pré-definida, aspectos esses que não favorecem a reflexão sobre o
processo de aprendizagem e tampouco as interações do aluno nesse contexto. O
segundo grupo, os ICAI (Intelligent Computer Aided Instruction10), faz uso de técnicas
da IA para alcançar uma aprendizagem voltada as especificidades dos alunos, ou
seja, um sistema que diferente dos CAI, leva em consideração os estilos individuais
de aprendizagem dos alunos.
O grupo de softwares classificados como CAI (Computer Aided Instruction11),
não apresentam relações de adequação, uma vez que os conteúdos são modelados
em sequência fixas, planejadas e entregues a diferentes alunos, porém seguindo uma
mesma ordem, sendo assim, não levam em consideração os estilos pessoais de
aprendizagem e consequentemente não favorecerem a reflexão quanto às possíveis
soluções para os problemas.
Os CAI são as tecnologias tradicionais, sua principal diferença com relação às
tecnologias baseadas em IA, diz respeito a linearidade com a qual o conhecimento é
apresentado, ou seja, nenhum fator modifica a programação previamente planejada.
Além disso não consideram o conhecimento prévio que o aluno possui, tampouco as
interações deste com o sistema, portanto, sua principal desvantagem está
relacionada ao fato de que não possuem possibilidades de adaptação e
personalização da aprendizagem. A vantagem dos ICAI, desse modo, está na

10
Tradução livre de: Instruções Inteligentes Assistidas por Computador.
11
Tradução livre de: Instruções Assistidas por Computador.
 30

capacidade destes de distribuírem instruções correspondentes às especificidades e

às demandas dos estudantes.
Os STI são softwares educacionais que se enquadram nos grupos de
softwares ICAI, termo encontrado em Woolf (2008). Sua classificação se dá pela
capacidade de simular as habilidades cognitivas dos estudantes e adaptar as
decisões pedagógicas de acordo com o resultado da interação entre o aluno e a
interface. Os STI podem adaptar a aprendizagem, por exemplo, apresentando
relatórios das dificuldades do aluno, fornecendo dicas, feedbacks e variando os níveis
de complexidade das tarefas.
Portanto, os sistemas tutores inteligentes, que compõe os ICAI, utilizam
técnicas de IA, no desenvolvimento de ambientes computadorizados de ensino-
aprendizagem, que se adaptam e se modificam, através da intervenção do aluno. Sua
função é ensinar um determinado conteúdo levando em conta o fato de que os
estudantes aprendem de formas diferentes. Segundo Woolf (2008) os exercícios
precisam envolver os estudantes, não basta apresentar recursos multimídia, como
vídeos, sons, imagens e animações, uma vez que a aprendizagem não se dá
“apertando botões”, o material deve ser envolvente, engajador e principalmente ser
adaptável às diferentes necessidades de aprendizagem.
Com relação a relevância de personalização da aprendizagem, estudos
realizados por Bloom (1984), constataram um aumento significativo no desempenho
dos alunos, na forma de ensino um-para-um. Os STI podem proporcionar essa
metodologia de ensino conhecida como “one-to-one tutoring”12, na qual há um tutor
para cada aluno.

12
Tutoria um-pra-um (um professor para cada aluno).
 31

Bloom 2 Sigma
TUTORIA + MASTERY LEARNING 98%
BURKE (1983)
ANNIA (1981)
ESTUDOS DE
TUTORIA:

MASTERY LEARNING 84%

CONVENCIONAL 50%

0% 20% 40% 60% 80% 100%

Percentual de Equivalência

Figura 1: Adaptado de Bloom (1984) - Desempenho da Tutoria Um-pra-Um e Mastery Learning13

Seus estudos concluíram que estudantes nessas circunstâncias apresentaram

maior desempenho, em comparação ao ensino disponibilizado por um professor, em
uma sala de aula com cerca de 30 alunos. No entanto, essa condição de ensino, um
professor para cada aluno, é inviável para a maior parte das escolas no mundo,
devido aos custos elevados para implementá-la, sendo assim, os Sistemas Tutores
inteligentes são vistos como meio possível para tornar o ensino mais próximo desse
contexto.
De acordo com Woolf (2008) atividades construtivistas são melhor
implementadas com o apoio de ambientes mediados por tecnologia, uma vez que a
aprendizagem em sala de aula é organizada por tempos e lugares e os professores
são responsáveis por classes com um número excessivo de estudantes, situações
que lhes dificultam o atendimento das necessidades específicas de seus alunos,
porque esse aspecto demanda tempo e atenção extra.
Nessa perspectiva, os STI apresentam potencial para auxiliar os professores
em seu objetivo de levar os alunos a alcançarem melhor desempenho, por meio de
capacidades e comportamentos dos tutores inteligentes que utilizam algoritmos ou
técnicas provindas da área de IA, para representar o conhecimento dos estudantes,
permitindo uma visão mais clara e ampla de como a aprendizagem acontece e desse
modo fornecendo apoio ao professor, no que se refere ao seu planejamento e
reflexão de suas práticas.

13
Método de ensino idealizado por Bloom (1968) é uma estratégia educacional que visa proporcionar o
nivelamento e equilíbrio entre as habilidades e conhecimentos dos estudantes. O método busca distribuir o
conteúdo em unidades e apresentá-lo ao aluno, de acordo com seu nível de conhecimento. Os estudantes só
avançam para o próximo nível, depois de alcançarem um estágio designado de “maestria”.
 32

3.1 Modelos

OS CAI foram os primeiros passos da criação dos Tutores Inteligentes.

Segundo Gavidia e Andrade (2003), seu desenvolvimento foi baseado na abordagem
comportamentalista (Behaviorista) de Skinner. Segundo a teoria de Skinner, as
pessoas respondem a estímulos e reforços positivos gerando respostas positivas.
Nesse contexto, o erro era considerado um reforço negativo, sendo assim, os
programas recompensavam apenas respostas certas. Os softwares do tipo CAI
apresentam questões aos alunos, esperando levá-los a um dado comportamento
como resposta. Em geral, analisam a resposta do aluno com base no conhecimento
do professor e desse modo, em uma análise pedagógica, podemos notar que esses
sistemas se assemelham à ideia de transmissão do conhecimento, onde o aluno e o
sistema desempenham um papel passivo no processo de aprendizagem.
Na década de 70, novas teorias de aprendizagem se fortaleceram, como o
Construtivismo de Piaget e a Psicologia Cognitiva. Em paralelo, os avanços no campo
da IA, fizeram surgir os ICAI (Instruções Assistidas por Computador Inteligentes),
softwares que utilizam técnicas de IA para representar o conhecimento nos Tutores
Inteligentes e possuem estruturas diferenciadas para trabalhar os processos de
aprendizagem. De acordo com Costa (1997), o aprimoramento dos CAI, com o
advento da IA, combinados à Psicologia e a Educação deram origem aos ICAI, cuja
principal característica é a representação do conhecimento em Modelos que
respondam às seguintes questões:
• O que ensinar?
• A quem ensinar?
• Como ensinar?
Os Modelos de arquitetura dos STI são um conjunto do conhecimento do
conteúdo a ser aprendido; do conhecimento individual do aluno; de representações
das abordagens pedagógicas de ensino e das interações entre o aluno e a interface.
Nesse contexto, podemos concluir que, para que um aluno aprenda precisamos no
mínimo de três condições: entender o aluno, (i.e. ter informações sobre o aluno),
selecionar o conteúdo que queremos ensinar e de práticas pedagógicas, que
representam a forma como ensinar. Com base nesses aspectos a arquitetura de um
sistema tutor segundo Woolf (2008), possui os seguintes elementos:
 33

a) Domínio do conhecimento – representa o conhecimento do especialista,

conhecimento procedural, relacionado à execução de tarefas.
b) Conhecimento do Aluno – contém informações sobre o conhecimento do
aluno. Armazena informações sobre seus equívocos, tempo gasto para
resolver problemas, dicas solicitadas, respostas corretas, entre outros.
c) Conhecimento do Tutor – define a estratégia de ensino e possui a codificação
do raciocínio para que o sistema ofereça o feedback.
d) Comunicação – responsável pelo gerenciamento da comunicação. Pode ser
representado por interfaces gráficas, agentes animados ou mecanismos de
diálogos.

Figura 2: Arquitetura simplificada de um sistema tutor inteligente.

Fonte: Elaboração própria.

Nos próximos tópicos serão descritos de forma mais detalhada os diferentes

modelos: Modelo do aluno, Modelo do domínio, Modelo pedagógico (tutor) e
Interface.

3.2 Modelo do aluno

Através do modelo do aluno, os STI são capazes de compreender e realizar o

mapeamento do conhecimento e das habilidades cognitivas do estudante. Esses
dados são armazenados e utilizados pelo sistema com o propósito de adequar-se às
caraterísticas e necessidades de cada aprendiz. Segundo Woolf (2008), o modelo
 34

observa o conhecimento do estudante e o armazena no modelo do aluno. A razão

para modelar o conhecimento do aluno, é: “[...] garantir que o sistema tenha
conhecimento de princípios sobre cada aluno para que ele possa responder
efetivamente, envolver o interesse dos alunos e promover a aprendizagem” 14
(WOOLF, 2008, p.50).
Segundo Gavidia e Andrade (2003) o modelo do aluno deve armazenar o
conhecimento do aluno, no momento em que ele interage com o sistema. O modelo
do aluno registra informações relativas ao seu conhecimento prévio, solicitações de
dicas, tempo de realização das tarefas, pontuações em avaliações e ações
relacionadas a acertos e erros, para que, a partir da combinação entre esse modelo e
o conteúdo armazenado no modelo de domínio, a apresentação dos componentes de
ensino atendam à demanda do aluno. Esse modelo é constantemente atualizado por
meio de técnicas de mineração de dados, e é desse modo que a aprendizagem vai
sendo moldada às características e necessidades do aluno.
A Mineração de dados é uma área que tem por objetivo utilizar métodos de
exploração em um conjunto com grandes quantidades de dados educacionais e fazer
relações entre eles para gerar novos conhecimentos, os quais podem auxiliar de
forma significativa quanto à tomada de decisões. De acordo com Baker, Isotani, e
Carvalho (2011):

Assim, é possível compreender de forma mais eficaz e adequada os alunos,

como eles aprendem, o papel do contexto na qual a aprendizagem ocorre,
além de outros fatores que influenciam a aprendizagem. Por exemplo, é
possível identificar em que situação um tipo de abordagem instrucional (e.g.
aprendizagem individual ou colaborativa) proporciona melhores benefícios
educacionais ao aluno. Também é possível verificar se o aluno está
desmotivado ou confuso e, assim, personalizar o ambiente e os métodos de
ensino para oferecer melhores condições de aprendizagem. (BAKER;
ISOTANI; CARVALHO, 2011 p. 4).
Outras técnicas utilizadas no Modelo do Aluno estão relacionadas a comparar
as soluções do aluno com as do especialista, a reconhecer padrões de respostas do
aprendiz e a representar suas preferências. A habilidade de um sistema tutor
inteligente depende do nível de conhecimento do aluno representado no sistema e
das técnicas que incorporam as novas informações a seu respeito. Um modelo do
aluno eficaz sabe o que o aluno conhece e o que pode vir a conhecer e essas são

14
Tradução livre de: […] to ensure that the system has principled knowledge about each student so it can respond
effectively, engage student’s interest, and promote learning.
 35

informações necessárias para que o sistema possa ordenar o conteúdo e modelar a

aprendizagem.

3.3 Modelo de Domínio

São modelos capazes de representar o conhecimento do especialista, ou seja,

representam o desempenho de um especialista em uma determinada área de estudo
incorporada ao sistema, como a resolução de problemas de Matemática ou de Física
(Woolf, 2008). O modelo de domínio contém o conhecimento do que se deseja
ensinar.
A construção do modelo do domínio possui extrema importância, uma vez que
o sistema compara o modelo de aprendizagem relativo ao modelo do aluno, com o
modelo do domínio relativo ao conhecimento. Segundo Giraffa e Viccari (1996), o
modelo de domínio, é um banco de dados composto pelo conteúdo (material
instrucional) e por um conjunto de exemplos, usados para formar diagnósticos, uma
vez que as informações sobre as realizações do aluno, antigas ou atuais, seu estado
afetivo e emocional e se solicitou feedback, são representações que poderão ser
utilizadas tanto pelo Modelo de Domínio, como pelo Modelo Pedagógico, para
escolher qual a próxima tarefa mais adequada ao processo de aprendizagem do
aluno, ou seja, qual o conteúdo mais apropriado a ser entregue ao aluno,
considerando, suas necessidades individuais. Essas informações também alimentam
o modelo do aluno, tornando-o cada vez mais inteligente, portanto, há uma ligação
intrínseca entre esses modelos.

3.4 Modelo Pedagógico

O modelo pedagógico, também chamado pela literatura como Modelo Tutor é a

representação do conhecimento relativo a “como ensinar”. O modelo pedagógico ou
tutor é o responsável por tomar decisões de quais técnicas instrucionais,
metodologias e estratégias de ensino, serão adequadas a apresentar um conteúdo a
um aluno específico com sucesso.
Dentre as técnicas de aprendizagem que foram agrupadas por Woolf (2008),
estão as Teoria de Aprendizagem Construtivista. A visão fundamentada no
construtivismo representou uma perspectiva mais ampla, pois passa a entender a
 36

existência da subjetividade do conhecimento. Logo, o modelo baseado em unidades

sequenciais às quais os alunos deveriam percorrer para aprender, passou a não
corresponder à visão construtivista.
Um dos principais nomes do Construtivismo, Piaget, dedicou-se a investigar
como o conhecimento é construído. De acordo com Davis e Oliveira (1994), Piaget
definiu o desenvolvimento como um processo de equilibrações sucessivas, ou seja,
uma constante busca por equilíbrio.
Segundo as autoras, para Piaget o desenvolvimento cognitivo ocorre por meio
de processos de equilibrações e desiquilíbrios – a mudança de algum elemento do
ambiente provoca a mudança do estado de repouso e causa um desiquilíbrio, para
alcançar novamente o equilíbrio, ocorrendo os processos de:
a) assimilação – a partir de experiências anteriores são atribuídas novas
significações aos elementos do ambiente, com os quais a interação
ocorre;
b) acomodação – reestabelecimento do equilíbrio, os processos são
simultâneos e impulsionam as mudanças no indivíduo.
Portanto, de acordo com essa teoria, o conhecimento se constrói por etapas e
o desenvolvimento é quem vai determinar a aprendizagem (aquisição do
conhecimento). Os fatores para que a aprendizagem ocorra são internos e o
professor é responsável por estimular o aluno, observando seu tempo de
desenvolvimento.
Segundo Zabala (1998), a concepção construtivista considera que nossa
estrutura cognitiva é formada por esquemas de conhecimento, que contém a
representação do conhecimento sobre algo num determinado momento da vida.
Esses esquemas vão se modificando e se adaptando à realidade, conforme vão
sendo revisados. Com relação ao conhecimento do aluno, Zabala (1998), assim
descreve o processo de aprendizagem, conforme a visão construtivista:

A natureza dos esquemas de conhecimento de um aluno depende de seu

nível de desenvolvimento e dos conhecimentos prévios que pôde construir; a
situação de aprendizagem pode ser concebida como um processo de
comparação, de revisão e de construção de esquemas de conhecimentos
sobre os conteúdos escolares. (ZABALA, 1998, p.37).
Sendo assim, a aprendizagem é uma construção pessoal, que permite atribuir
significado a um componente de conhecimento a partir de experiências prévias e das
contribuições de quem aprende e de quem ensina. Nesse contexto, o professor deve
 37

apresentar novos desafios de forma adequada aos níveis de desenvolvimento dos

alunos, e mediar as suas dificuldades, visando o alcance de sua autonomia.
Com relação aos impactos da mudança de paradigmas na Educação, podemos
ressaltar que Akhras e Self (2002) compreendem que atualmente os sistemas
inteligentes buscam criar ambientes mais flexíveis, aliados a teoria construtivista.
Modelos mais abertos, onde o aluno possua mais controle sobre os componentes de
estudo, por meio da exploração e da descoberta. De acordo com a visão
construtivista, o modelo do aluno deve levar em consideração as intervenções do
aluno em seu processo de aprendizagem.
Um STI construtivista deve favorecer os alunos a tirarem as suas conclusões,
incentivando o raciocínio e fornecendo assistência ao aluno conforme surgirem as
suas dúvidas. Nesses modelos, as atividades não devem estar isoladas umas das
outras, as sequências devem ser apresentadas dentro de um contexto e estar abertas
para que o aluno escolha o caminho que deseja percorrer, de acordo com suas
necessidades e habilidades. O objetivo maior desses sistemas não é determinar a
forma como o aluno deve aprender, e sim levar o aprendiz a refletir sobre o processo
de aprendizagem, o que se difere de levá-lo a memorização de conceitos.

3.5 Modelo de Interface

A comunicação do aprendiz com o sistema tutor é feita por meio de uma

interface gráfica. A interface é o principal meio de interação entre o usuário e o
sistema, ela é responsável por traduzir para a linguagem do usuário as
representações internas do sistema e o mesmo em sentido oposto; e por monitorar o
desempenho do aluno por meio das suas respostas. O nível de interação que esta
proporciona ao usuário é fundamental para o sucesso de qualquer aplicação, portanto
a relação entre a interface e o usuário deve ser simples e favorável ao processo de
aprendizagem.
O Modelo de Interface deve apresentar o conteúdo de forma a engajar o aluno,
portanto sua ação no ambiente deve ser facilitada, bem como os limites de tempo de
resposta devem ser respeitados e a monitoração do progresso do aluno, deve ser
realizada em segundo plano (background), evitando gastos cognitivos excedentes.
Nesse sentido Giraffa e Viccari (1996), descrevem os seguintes objetivos para o
modelo de interface:
 38

a) Usar recursos que estimulem o aluno, evitando entediá-lo;

b) Permitir a interferência do estudante no diálogo;
c) Tempo de resposta dentro de limites aceitáveis;
d) Monitorar o desempenho em “background”.
Outra característica importante desse Modelo é a análise constante das
interações do aluno com a interface e apresentação de feedbacks que o auxiliem a
progredir na realização das atividades propostas.
Os professores apoiam o aprendizado de muitas maneiras e uma delas é por
meio de feedbacks, contudo em uma sala de aula tradicional, o professor após a
entrega dos trabalhos, pode demorar semanas para corrigi-los e assim poder dar o
feedback. De acordo com Woolf (2008), os feedbacks nos STI podem ser:
a) imediatos - ideais para alunos com baixo rendimento;
b) tardios - indicados para tarefas complexas e alunos com níveis mais
elevados de desempenho.
Os feedbacks podem ser relativos a esclarecer dúvidas com mensagens
corretivas, informando como melhorar a resposta, ao invés de apenas informar se a
solução está certa ou errada, ou podem fornecer exemplos, o que reduz o tempo para
resolução de problemas mais complexos.
O feedback também auxilia o estudante na capacidade de reflexão sobre seu
processo de aprendizagem. Isso acontece porque ao recebê-lo, o estudante pode
refletir sobre seu desempenho e sobre como melhorá-lo. Segundo Woolf (2008), uma
das necessidades dos alunos é a de ser motivado, portanto, os feedbacks fornecem
constantemente informações sobre a proximidade ou o distanciamento do objetivo de
aprendizagem. Assim, os estudantes podem empreender mais esforços para diminuir
a lacuna entre o resultado pretendido e o real, o que corresponderá a uma melhora
nos resultados de aprendizagem.

3.6 Modelo de aluno aberto

Alguns tutores inteligentes incluem o Modelo de Aluno Aberto, onde o sistema

expõe as informações sobre o aluno (i.e. o que acha que o aluno sabe ou não, os
seus acertos, seus enganos). De acordo com Ferreira, et al (2018):
 39

Os modelos abertos buscam ampliar a capacidade dos MEs 15 tradicionais,

permitindo que a informação, que antes era tratada somente internamente
pelo sistema agora possa ser disponibilizada de forma aberta para todos os
envolvidos no processo. (FERREIRA et al, 2018, p. 1334)
Os dados abertos permitem ao aluno visualizar informações sobre sua
aprendizagem e desempenho, como por exemplo, suas habilidades ou necessidades
de empreender mais esforços para alcançar o domínio referente a determinado
componente de estudo. Portanto, para os alunos os principais benefícios desse
Modelo é a possibilidade de poder refletir sobre o seu aprendizado, enquanto para os
professores, esse fator auxilia a compreensão de como os alunos se comportam
durante o processo de aprendizagem. Ao longo do tempo, o acesso a essas
informações que dizem respeito as características de aprendizagem dos alunos,
proporciona uma maior compreensão tanto quanto ao desenvolvimento de
habilidades como quanto aos aspectos nos quais os alunos precisam melhorar o seu
desempenho. Desse modo, além de dar subsídios aos professores para que possam
adequar as suas práticas, permite um melhor acompanhamento dos processos de
ensino quando associados à Ambientes de Aprendizagem Virtual, resultando em uma
aprendizagem mais eficaz, personalizada e contextualizada.
Nesse capítulo vimos o conceito dos Sistemas Tutores Inteligentes e como a
sua arquitetura está estruturada em Modelos que buscam principalmente, representar
o conhecimento do aluno, o conhecimento do especialista e o conhecimento
pedagógico. Discorremos a respeito da relação desses sistemas com correntes
teóricas que dizem respeito aos processos de aprendizagem e sobre as
possibilidades que os STI possuem de auxiliar a sua personalização. No capítulo a
seguir, demonstraremos o funcionamento e a construção de um Sistema Tutor
Inteligente, por meio de um exemplo prático que contém a descrição do passo a
passo de criação das etapas correspondentes aos Modelos que o compõe.

15
Modelos de Estudante (MEs) refere-se à denominação utilizada em algumas literaturas, correspondente ao
Modelo do Aluno.
 40

4 FUNCIONAMENTO DOS SISTEMAS TUTORES INTELIGENTES

Nesse capítulo, descrevemos brevemente os mecanismos de loop (laços) que

são estruturas internas dos STI, que irão definir o seu funcionamento. Vanlehn (2006)
organiza o funcionamento dos STI em duas interações: laço externo (outer loop) e
laço interno (inner loop).

4.1 Outer Loop

O Outer Loop (laço externo) está relacionado à seleção de tarefas. A principal

responsabilidade do laço externo é a definição da sequência de tarefas a serem
apresentadas ao aluno de forma inteligente. Vanlehn (2006), descreve quatro
métodos básicos para seleção de tarefas:
a) a mais básica possui um menu para que o aluno possa selecionar a
tarefa;
b) na próxima, as tarefas são atribuídas ao aluno em uma sequência fixa;
c) o terceiro método consiste em o sistema atribuir tarefas de uma
mesma unidade até que o aluno domine seu conteúdo. Esse método,
denominado mastery learning, estrutura o currículo por níveis de
dificuldade;
d) o último método denominado macroadaption consiste na atribuição de
tarefas de acordo com uma estimativa que o sistema faz do
conhecimento dominado pelo aluno e das tarefas do componente de
conhecimento, selecionando assim, tarefas adequadas ao nível de
conhecimento do aluno.
O último método é o que mais se aproxima da apresentação de tarefas de
forma inteligente ao aluno, visto que considera as interações do usuário com o
sistema, possibilitando, assim, a escolha da sequência que melhor se adeque às
necessidades de aprendizagem do estudante.
 41

4.2 Inner Loop

O Inner Loop está relacionado aos passos do aluno dentro de uma tarefa,
sendo o responsável por monitorar a realização da tarefa pelo estudante. De acordo
com Vanlehn (2006), os serviços mais comuns no inner loop são:
a) Dicas: podem ser solicitadas pelo aluno ou apontadas pelo tutor. Podem servir
para revisar conceitos ou apontar o passo a passo para resolver uma etapa.
b) Feedbacks: Podem ser dados feedbacks mínimos como: correto ou incorreto.
Ou feedbacks relacionados a passos específicos, que demonstram em que
passo o erro aconteceu, com o objetivo de evitar reincidências. Os feedbacks
podem ocorrer após a conclusão da tarefa; quando forem solicitados ou após a
execução de passos da tarefa.
c) Avaliação do conhecimento: Pode servir para avaliar tanto o conhecimento
do aluno, como a competência do sistema tutor. Pode ser: refinada - indicar a
competência do aluno para cada componente da tarefa ou grosseira - indicar
a competência geral do aluno.
d) Revisão da solução: Alguns sistemas podem optar por um manter um diálogo
com o aluno depois que este complete a resolução da tarefa, considerando
que feedbacks e dicas durante o processo podem fazer com que o aluno deixe
de desenvolver algumas habilidades meta-cognitivas, uma vez que o sistema
aponta seus erros e oferece dicas que suprem a necessidade de rever o
conteúdo.
Esses mecanismos descritos pelo autor fazem parte dos processos que
permitem aos STI tornarem a aprendizagem mais personalizada, por meio de dicas,
feedbacks e do armazenamento e análise de dados referentes à interação do aluno
com o sistema. Esses fatores devem ser previamente planejados pelo professor e
inseridos no sistema, buscando não só atender as características e necessidades
individuais dos alunos, mas também levá-los a uma maior reflexão sobre a
construção de sua aprendizagem e ao mesmo tempo viabilizar ao docente a
compreensão de como essa aprendizagem ocorre, de forma mais clara e objetiva.
Na seção a seguir veremos de que maneira algumas dessas funções são
implementadas, mediante a construção de um Sistema Tutor Inteligente.
 42

4.3 Implementação de um STI - utilizando CTAT

Essa etapa destina-se a descrever o passo a passo referente ao

desenvolvimento de um Sistema Tutor Inteligente. O objetivo é demonstrar como os
tutores funcionam e como podemos construir o nosso próprio tutor. Para demonstrar
esse processo utilizaremos o CTAT (Cognitive Tutor Authoring Tools), que é uma
ferramenta gratuita, desenvolvida por pesquisadores da Universidade Carnegie
Mellon e cuja documentação foi recentemente traduzida para o Português-Brasileiro,
por uma equipe da Universidade de São Paulo (USP). A documentação em português
pode ser acessada pelo link https://github.com/sisotani/CTAT/wiki.
A escolha do CTAT deve-se ao fato de ser uma ferramenta que permite a não
especialistas da área da computação, desenvolverem Sistemas Tutores Inteligentes
para apoiar os seus alunos no processo de aprendizagem. Reforçamos que o uso de
sistemas tutores inteligentes deve permitir ao aluno realizar não apenas uma ação
para solucionar a tarefa, mas também promover a sua reflexão durante o processo de
aprendizagem.
O CTAT possibilita a criação de Tutores rastreadores de padrão (exemplo-
tracing tutor), esses tutores utilizam uma única representação do problema, ou seja,
modelam o aprendizado do aluno ao realizar uma única tarefa (inner loop) dentre as
várias tarefas (outer loop) que são realizadas, com o objetivo de que o aluno alcance
habilidades relativas ao componente de conhecimento que se deseja ensinar. Os
Tutores rastreadores de padrão requerem autoria específica do problema, portanto, o
professor utilizará a plataforma para construir o passo a passo da tarefa, incluir dicas
e definir erros comuns, com o objetivo de auxiliar os seus alunos em sua
aprendizagem.
Etapas para construção de um Tutor Inteligente no CTAT:
1. Definir o objetivo;
2. Realizar a análise de tarefas;
3. Criar a interface;
4. Construir um grafo de comportamento por meio de demonstração;
5. Incluir dicas e componentes de conhecimento;
6. Incluir passos incorretos e respectivos feedbacks;
7. Testar o grafo.
 43

O professor inicialmente define o objetivo de aprendizagem, ou seja, o que

espera que o aluno seja capaz de realizar ao final dessa etapa. Em seguida, analisa o
passo a passo necessário para que o aluno realize a tarefa, dessa análise serão
extraídas as ações e os componentes de conhecimento. Desse modo, o resultado da
análise de tarefas, corresponderá ao nosso modelo do domínio e o Grafo de
comportamento (i.e. dicas e feedbacks) corresponderá ao nosso Modelo pedagógico.
O grafo armazena os dados inseridos pelo professor relativos à solução do
problema; as dicas relacionadas à ajuda que o aluno receberá quando apresentar
dúvidas ou não souber qual a ação necessária para resolver o problema e os
feedbacks que serão apresentados em caso de ações anteriormente definidas pelo
professor como incorretas. O Modelo do aluno e os processos de aferição, já estão
implementados no CTAT, uma vez que o uso da plataforma não requer programação.
Por fim, para representar o Modelo de Aluno aberto, o Modelo do Aluno irá utilizar os
componentes de conhecimento do Modelo de Domínio, para indicar o grau de
conhecimento do estudante.
Um tutor rastreador de padrões construído com o CTAT é formado por uma
interface que será utilizada pelo estudante e pelo grafo de comportamento, que é
gerado a partir da demonstração do comportamento do tutor, ou seja, o
comportamento na solução dos problemas/tarefas. O tutor rastreador de padrões
armazena o passo a passo para solução de um problema em um grafo de
comportamento.
O primeiro passo para construção desse tutor foi a construção da interface,
que é desenvolvida no editor de HTML 16 do CTAT 17 em seguida definimos o
comportamento pedagógico para o tutor e, por fim, incluímos os componentes de
conhecimento que permitem gerar o modelo aberto do aluno.
A seguir demonstramos a Interface desenvolvida para o cálculo do Máximo
Divisor Comum. Ao construir uma Interface é importante adicionar componentes que
permitam ao aluno: finalizar o problema, solicitar dicas, e receber feedback imediato
do tutor, caso cometa algum erro. Nessa interface foram inseridos componentes de
entrada de texto, janela de sugestão, botão de sugestão (Hint), botão de feito (Done)
e janela de habilidades. A interface finalizada é mostrada abaixo:

16
Linguagem de Marcação de Hipertexto.
17
http://cdn.ctat.cs.cmu.edu/html-editor/editor.html
 44

Figura 3 Interface de cálculo do MDC, no editor HTML.

Uma vez construída a interface, o próximo passo foi criar o grafo de

comportamento no CTAT. A interface criada no Editor de HTML do CTAT, deve ser
inicializada pelo CTAT, assim a inserção dos dados referentes às ações do aluno
para solucionar o problema, será armazenada. O primeiro dado a ser inserido no
grafo é definindo como estado inicial (start state) do problema, se refere aos dados
iniciais do problema (a declaração do problema), fornecidos pelo professor, sendo o
primeiro nó no grafo). O próximo passo será demonstrar as ações para solucionar o
problema, cada etapa demonstrada no grafo será registrada como um "link" (a linha
que conecta dois nós) e os estados serão representados por nós. Para cada
interação, o CTAT criará um novo link entre o nó atual e o nó seguinte.
O tutor compara as ações do aluno com as etapas registradas pelo professor
no grafo: se a ação do aluno for uma ação representada como correta, o tutor marca
a ação do aluno como correta (o tutor utiliza a cor verde para essas ações) e permite
que o aluno avance para próxima etapa; se a ação do aluno corresponder a uma
ação representada no grafo como incorreta, ou caso a ação não tenha representação
no grafo, o tutor exibirá a cor vermelha, indicando uma ação incorreta. O tutor
também armazena a ordem de realização das etapas e todas as interações do aluno
com a interface.
 45

Grafo de Comportamento com a demonstração de uma solução correta para o

problema, cada etapa/ação realizada é representada como um caminho no gráfico:

Figura 4 Interface de cálculo do MDC.

O CTAT registrará o comportamento demonstrado na forma de um grafo.

Grafo de comportamento por demonstração:

Figura 5 Grafo de comportamento.

 46

É possível demonstrar caminhos alternativos de solução (caminhos que são

corretos, mas não são o preferencial):

Figura 6 Grafo de comportamento correto.

Figura 7 Grafo de comportamento (botão Done).

 47

O professor pode demonstrar passos incorretos que os alunos comumente

realizam. Assim, o tutor pode reconhecer um erro e indicar quando uma etapa/passo
incorreta/o é realizada pelo aluno. As entradas incorretas que não tenham sido
demonstradas pelo professor, também serão indicadas pelo tutor (recebem a cor
vermelha), mas as etapas incorretas definidas no grafo permitem ao tutor fornecer
uma mensagem de erro personalizada, de modo que o aluno possa refletir sobre a
ação realizada e encontrar a ação correta para aquela etapa.

Figura 8 Opção de escolha para indicar um passo incorreto.

Figura 9 Inserção de dica para um passo incorreto.

 48

A etiqueta do link muda da cor verde para vermelha, indicando uma etapa
incorreta.

Figura 10: Inserção de dica para um passo incorreto.

Figura 11: Inserção de dica para um passo incorreto.

 49

Figura 12: Grafo de comportamento depois da inserção dos passos incorretos.

Além do modo Start State, o CTAT possui o modo Demonstrate, no qual o

professor demonstra a resolução da tarefa através do preenchimento do passo a
passo referente à solução do problema. Os dados são inseridos na interface do aluno
e as interações realizadas são registradas no grafo de comportamento, que está
conectado à interface do estudante. E o modo Test Tutor, o qual o professor pode
testar como o seu tutor se comportará ao ser utilizado pelos alunos. No modo teste, o
professor pode simular as ações do estudante tentando resolver o problema.

Figura 13: Opções do Modo Autor (Demonstrate).

 50

Teste realizado na interface do aluno que demonstra uma ação incorreta e a

dica fornecida pelo tutor:

Figura 14: Teste do Tutor.

O professor pode fornecer feedbacks quando o aluno executa uma ação

incorreta ou anexar dicas que serão exibidas caso o aluno solicite uma sugestão.
Essas dicas geralmente são solicitadas quando o aluno não sabe como prosseguir ou
quando possui dúvidas. O professor pode registrar vários níveis de dicas para auxiliar
o aluno, até que o mesmo execute o passo necessário, ou seja, até que sua dúvida
seja completamente sanada.

Figura 15: Opção para inserção de Feedback.

 51

Figura 16: Inserção de Feedback.

Figura 17: Como o aluno visualiza as dicas na interface

Nesta etapa, o professor deve inserir nos links do grafo de comportamento, os

nomes das habilidades (skills). As habilidades se referem aos conhecimentos
específicos que se espera que o aluno possua para resolver o problema. Ao usar um
tutor rastreador de padrões, os nomes e as entradas das habilidades serão usados
para rastrear o conhecimento do estudante. Desse modo, é possível utilizar esses
dados para reconhecer, por exemplo, o conhecimento prévio do aluno em novas
situações de aprendizagem.
 52

Figura 18: Inserção de Skills (Habilidades).

Figura 19: Interface que apresenta a janela de habilidades.

A confecção dessa etapa do projeto teve por finalidade demonstrar o passo a

passo da construção de um Sistema Tutor Inteligente, por meio do software CTAT,
apresentando na prática o funcionamento de alguns conceitos expostos nesse
trabalho, para isso exemplificamos os processos referentes a construção da Interface,
Modelo de domínio, Modelo Pedagógico, Modelo do Aluno e Modelo de Aluno aberto.
O sistema desenvolvido demonstra a etapa de estruturação de uma única tarefa,
contudo, a constituição de um STI visando a sua utilização, é composta por vários
exercícios sobre o conteúdo a ser ensinado. Esse conjunto de tarefas,
posteriormente, deve ser adicionado a um Ambiente virtual de aprendizagem (AVA),
viabilizando desse modo a sua aplicabilidade em situações de aprendizagem.
 53

CONCLUSÃO

Um aspecto relevante nesse contexto é o fato de que a Educação, bem como

as várias áreas do conhecimento estão buscando um alinhamento com as
possibilidades que o avanço das tecnologias digitais pode proporcionar. Os
Ambientes virtuais de aprendizagem (AVA) se expandiram a partir do surgimento da
Internet, na década de 90, embora somente nas duas últimas décadas, ganharam
maior visibilidade e reconhecimento no âmbito educacional. Contudo, em paralelo a
esse processo aconteceram mudanças de paradigmas na Educação e as novas
correntes teóricas ampliaram não apenas as concepções sobre a aprendizagem e as
práticas educativas, mas também proporcionaram a reflexão quanto aos meios
necessários para que essas se desenvolvam.
Por meio da reflexão a respeito desse novo contexto, o presente trabalho
buscou analisar os Sistemas Tutores Inteligentes, como um dos instrumentos, cuja
associação de técnicas da área de Inteligência Artificial tornou possível uma maior
personalização do ensino em ambientes virtuais de aprendizagem.
Desse modo, primeiramente, apresentamos um breve resumo da definição de
Inteligência Artificial (IA), com a finalidade de que independente do conhecimento
técnico na área computacional, fosse possível aos leitores uma aproximação ao
conceito de IA, promovendo assim, uma maior compreensão no que se refere aos
Sistemas Tutores Inteligentes e a sua relação com os processos de ensino-
aprendizagem. A principal vantagem que esses sistemas apresentam ao serem
associados aos Ambientes Virtuais de Aprendizagem, diz respeito à capacidade que
possuem de interagir, compreender e armazenar os dados da relação do aluno com a
interface, além de acompanhar o seu progresso e desse modo, as informações das
interações do estudante com os STI, que são utilizadas para promover uma
aprendizagem que busca atender às especificidades do estudante, por meio da
análise e registro das suas características individuais de aprendizagem, conforme
interagem com a interface.
O estudo ressaltou a importância da relação de afetividade entre professores e
alunos no processo de aprendizagem. Igualmente, em ambientes virtuais, deve-se
buscar propostas de atividades que ampliem essas formas de interação, observando-
se, sobretudo o papel do professor como responsável por todo o planejamento e
reflexões sobre a construção da aprendizagem de seus alunos. No entanto,
acrescentamos informações referentes a estudos relativos a associações de
 54

instrumentos que permitem aos softwares educacionais detectar os estados

afetivos/emoções dos estudantes.
Nesse sentido, o trabalho situou-se, principalmente, no que se refere às
possibilidades dos STI em auxiliar os professores nas situações de aprendizagem,
através da implementação desses sistemas em Ambientes Virtuais de Aprendizagem
que forneçam aos alunos tarefas que correspondam às suas necessidades individuais
de aprendizagem e promovam reflexão quanto ao seu desempenho, por meio de
dicas e feedbacks, e aos docentes, que favoreçam as suas decisões tanto em relação
ao seu planejamento quanto a sua prática, na busca por elevar o desempenho de
seus alunos.
Os Sistemas Tutores são softwares utilizados em processos de ensino-
aprendizagem e com esse objetivo utilizam-se de técnicas da IA para representar o
conhecimento. Sua estrutura está definida em Modelos, que devem responder as
questões relativas: ao que ensinar, a quem ensinar e como ensinar. Com a finalidade
de atender a essa necessidade, a arquitetura dos STI, é composta por um conjunto
de Modelos que representam o conteúdo a ser aprendido, o conhecimento do aluno,
as estratégias e técnicas relativas às representações das abordagens pedagógicas e
as interações entre o aluno e a interface.
Portanto, embora existam importantes trabalhos sobre os Sistemas Tutores
Inteligentes, esse ainda é um campo muito fértil de investigação multidisciplinar, o
que nos leva à reflexão sobre a importância de termos profissionais da Educação
aptos a participar desse processo e especialmente de pesquisas que tenham como
finalidade a implementação desses sistemas, de modo que consigam de fato atender
as especificidades dos alunos, por meio da compreensão de quem são esses alunos,
o que sabem, o que precisam saber e quais estratégias pedagógicas necessárias
para que a aprendizagem efetivamente aconteça.
 55

REFERÊNCIAS BIBLIOGRÁFICAS

AKHRAS, F. N., & SELF, J. A. Beyond intelligent tutoring systems: Situations,

interactions, processes and affordances. Instructional Science, 30, pp. 1-30, 2002.
Disponível em: doi:10.1023/A:1013544300305. Acesso em: 02 jun, 2019.
BAKER, R., ISOTANI, S., & CARVALHO, A. Mineração de Dados Educacionais:
Oportunidades para o Brasil. Revista Brasileira de Informática na Educação, 19(2),
2011. Disponível em: doi: 10.5753/RBIE.2011.19.02.03. Acesso em: 20 mai, 2019.
BITTENCOURT, I., COSTA, E., GUILHERME, J., FONSECA, B., & NUNES, C.
Sistema de Autoria para Construção de Ambientes Interativos de Aprendizagem
Baseada em Agentes. Revista Brasileira de Informática na Educação, Volume 15 -
Número 1, 2007.
BLOOM, B. S. The 2 Sigma Problem: The Search for Methods of Group Instruction as
Effective as One-to-One Tutoring. Educational Researcher, 13(6), pp. 4-16, 1984.
BOLZAN, W., & GIRAFFA, L. M. Estudo Comparativo sobre Sistemas Tutores
Inteligentes Multiagentes Web. XI Seminário de Computação PUC-RS, 2002.
BOSTROM, N. CNN.com - AI set to exceed human brain power. 2006. Disponível:
<http://edition.cnn.com/2006/TECH/science/07/24/ai.bostrom/> Acesso em: 22 jun,
2019.
BRASIL.LDB. Lei 9394/96 – Lei de Diretrizes e Bases da Educação Nacional.
Estabelece as diretrizes e bases da Educação Nacional. Brasília : MEC, 1996. Acesso
em agosto de 2019. Disponível em L9394:
<http://www.planalto.gov.br/ccivil_03/leis/l9394.htm>. Acesso em: 12 set, 2019.
CAMPOS, F. C., ROCHA, A. R., & CAMPOS, G. H. Design Instrucional e
Construtivismo: Em busca de modelos para o desenvolvimento de software.
Brasília: IV Congresso RIBIE, 1998.
COSTA, E. d. Um modelo de ambiente interativo de aprendizagem baseado
numa arquitetura multi-agentes. Paraíba: Universidade Federal da Paraíba, 1997.
COSTA, R. M., & WERNECK, V. M. Sistemas Tutoriais: Aplicação das
Tecnologias de Hipermídia e de Inteligência Artificial em Educação.
COPE/Sistemas/UFRJ, Rio de Janeiro,1997.
DAVIS, C., & OLIVEIRA, Z. d. Psicologia na Educação (2ª ed.). São Paulo: Cortez
Editora,1994.
FERREIRA, H., PACHECO, G., ARAÚJO, R., DORÇA, F., & CATTELAN, R. OSM-V:
um Modelo Aberto de Estudante para Visualização de Desempenho em Sistemas
Adaptativos e Inteligentes para Educação. Brazilian Symposium on Computers in
Education. Simpósio Brasileiro de Informática na Educação (SBIE), p. 1333, 2018.
Disponível em: doi:<http://dx.doi.org/10.5753/cbie.sbie.2018.1333>. Acesso em: 15
out, 2019.
GAVIDIA, J. J., & ANDRADE, L. C. Sistemas Tutores Inteligentes. Universidade
Federal do Rio de Janeiro, Rio de Janeiro, 2003.
GIRAFFA, L. M. Uma arquitetura de tutor utilizando estados mentais. Tese de
Doutorado, Universidade Federal do Rio Grande do Sul, Instituto de Informática,
Porto Alegre, 1999.
 56

GIRAFFA, L. M., & VICCARI, R. M. Estratégias de Ensino em Sistemas Tutores

Inteligentes Modelados através da Tecnologia de Agentes. Revista Brasileira de
Informática na Educação, 1999.
GOULART, R. R., & GIRAFFA, L. M. Utilizando a tecnologia de agentes na
construção de Sistemas Tutores inteligentes em ambiente interativo. (B. S.
SBIE), Produtor), 2001. Disponível em <https://www.br-
ie.org/pub/index.php/sbie/article/view/154>. Acesso em: 8 jun, 2019.
JAQUES, P., NUNES, M., ISOTANI, S., & BITTENCOURT, I. Computação Afetiva
aplicada à Educação: Dotando Sistemas Tutores Inteligentes de Habilidades Sociais.
Anais do DesafiE - Workshop de Desafios da Computação Aplicada à Educação
CSBC 2012. Curitiba: Sociedade Brasileira de Computação, 2012.
KENSKI, V. M. A urgência de propostas inovadoras para a formação de professores
para todos os níveis de ensino. Revista Diálogo Educacional, 15(45), 423-441,
2015.
LEITE, M. D. Arquitetura para remediação de erros baseada em mútiplas
representações externas. Curitiba: Universidade Federal do Paraná, 2013.
LUCKIN, R. H. Inteligência Sem Limites: Um argumento para IA na Educação.
Material adaptado. Intelligence Unleashed. An argument for AI in Education. London:
Pearson, 2016. Disponível em: <http://discovery.ucl.ac.uk/1475756/Creative
Commons>. Acesso em: 09 mai, 2019.
MUSA, D. L., BICA, F., OLIVEIRA, J. P., & VICARI, R. M. XII Simpósio Brasileiro de
Informática na Educação - SBIE - UFES, pp. 200-206, 2001.
NORVIG, P., & RUSSELL, S. Inteligência artificial: Tradução da 3a Edição. Elsevier
Brasil, 2003.
POZZEBON, E. Tutor Inteligente Adaptável Conforme as Preferências do
Aprendiz. Universidade Federal de Santa Catarina, Florianópolis, 2003.
RAABE, A. L. Uma Proposta de Arquitetura de SistemaTutor Inteligente baseada
na Teoria das Experiências de Aprendizagem Mediadas. UNIVERSIDADE
FEDERAL DO RIO GRANDE DO SUL, 2005. Disponível em:
doi:http://dx.doi.org/10.5753/cbie.sbie.2006.278-287. Acesso em: 24 mai, 2019.
RAABE, A. L., & GIRAFFA, L. M. Uma Arquitetura de Tutor para Promover
Experiências de Aprendizagem Mediadas. pp. 278-287, 2006.
REIS, H. M., MAILLARD, J., AUGUSTIN, P., & ISOTANI, S. Sistemas Tutores
Inteligentes que Detectam as Emoções dos Estudantes: um Mapeamento
Sistemático. 26(3), p. 76, 2018.
SEFFRIN, H., RUBI, G., & JAQUES, P. O Modelo Cognitivo do Sistema Tutor
Inteligente PAT2Math. Anais do XXII SBIE - XVII WIE, 2011.
VANLEHN, K. The Behavior of Tutoring Systems. International Journal of Artificial
Intelligence in Education, 16, pp. 227-265, 2006.
VICCARI, R. M. Tutor inteligente para a programação em lógica : idealização,
projecto e desenvolvimento. Universidade de Coimbra, Coimbra, 1990.
VICCARI, R. M. Tendências em inteligência artificial na educação no período de
2017 a 2030. Brasília: SENAI, Serviço Social da Indústria, 2018.
 57

VICCARI, R. M., & GIRAFFA, L. M. Sistemas Tutores Inteligentes: Abordagem

Tradicional x Abordagem de Agentes. XIII SBIA - Simpósio Brasileiro de
Inteligência Artificial. Berlim: Springer Verlag, 1996.
WOOLF, B. P. Building Intelligent Interactive Tutors, Student-Centered
Strategies for Revolutionizing E-Learning (1ª ed.). San Francisco, CA, USA:
Morgan Kaufmann Publishers Inc, 2008.
ZABALA, A. A prática educativa: como ensinar. Porto Alegre: Artmed, 1998.