Fundamentos de ITS

Prévia do material em texto

PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO GRANDE DO SUL 
FACULDADE DE INFORMÁTICA 
PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO 
 
Tópicos Avançados II 
Inteligência Artificial Aplicada á Educação 
 
 
 
 
 
 
 
 
 
 
Fundamentos de 
Sistemas Tutores Inteligentes 
 
Prof.a. Lucia Maria Martins Giraffa 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Obs.: Este material foi produzido tendo por base trabalhos anteriores da autora 
[GIR95] [GIR97], os quais foram compilados, revisados e ampliados de maneira a 
proporcionar visão detalhada da área de abrangência e permitir o estudo das 
estratégias de ensino utilizadas nos ambientes de ensino-aprendizagem 
computadorizados, especialmente de ILE’s e ITS. 
 
 
 
 
2 
Sumário 
 
 
 
LISTA DE ABREVIATURAS ................................................................................................................... 3 
1 CAI X ICAI ............................................................................................................................................. 4 
2 ABORDAGEM TRADICIONAL DE ITS ........................................................................................... 9 
2.1 O clássico SCHOLAR .................................................................................................................. 10 
2.2 Os sucessores do SCHOLAR ....................................................................................................... 12 
2.3 Um retrospectiva dos ITS nas duas últimas décadas ................................................................. 13 
2.4 Exemplo de ITS com uso de multimídia ..................................................................................... 22 
2.5 Exemplos de ITS em ambientes de rede ..................................................................................... 24 
2.6 Onde encontrar descrição de ITS - impressos ........................................................................... 25 
3 ARQUITETURAS DE ITS .................................................................................................................. 26 
3.1 Base de conhecimento do domínio ............................................................................................. 27 
3.2 Modelo do aluno ......................................................................................................................... 28 
3.3 Estratégias de ensino ................................................................................................................... 32 
3.4 Métodos e Técnicas de ensino ..................................................................................................... 36 
3.5 Currículo e instrução ................................................................................................................. 38 
3.6 Módulo de controle ................................................................................................................... 44 
3.7 Interface ...................................................................................................................................... 44 
4 EXTENSÕES NA ARQUITETURA DO SISTEMA TUTOR .......................................................... 46 
5 ABORDAGEM DE AGENTES PARA ITS ....................................................................................... 51 
5.1 AGENTE ............................................................................................................................................. 53 
5.2 AMBIENTE ......................................................................................................................................... 55 
5.3 A COMPOSIÇÃO DOS AGENTES ....................................................................................................... 55 
5.3.1 Estados Mentais ....................................................................................................................... 55 
6 ITS COM ARQUITETURA DE AGENTES ..................................................................................... 67 
7 BIBLIOGRAFIA .................................................................................................................................. 69 
 
 
 
 
3 
 
LISTA DE ABREVIATURAS 
 
AI-ED Artificial Intelligence in Education 
CAI Computed Aided Instruction 
CC Ciência da Computação 
CPGCC Curso de Pós-Graduação em CC 
DLE Distribuited Learning Environment (Ambientes de Ensino Distribuídos) 
IA Inteligência Artificial 
IAD Inteligência Artificial Distribuída 
IA-ED Inteligência Artificial e Educação 
IBM International Bussiness Machine 
ICAI Intelligent Computed Assisted Instruction 
II Instituto de Informática 
ITS Intelligent Tutoring Systems 
ILE Intelligent Learning Environment 
MAS Multi Agents Systems 
OOP Oriented Object Programming (Programação Orientada a Objetos) 
PC Personal Computer 
PUCRS Pontifícia Universidade Católica do Rio Grande do Sul 
STI Sistemas Tutores Inteligentes 
SMA Sistemas Multi-Agentes 
UFRGS Universidade Federal do Rio Grande do Sul 
WWW WORLD WIDE WEB 
 
 
 
 
 
4 
 
1 CAI X ICAI 
 
A tendência dos bons programas de CAI é utilizar as técnicas de IA e fazer com que o 
software deixe de ser um mero virador de páginas eletrônico1 e se torne um elemento 
mais ativo no processo de interação com o aluno. A idéia geral consiste em aplicar 
técnicas e métodos de Inteligência Artificial em sistemas CAI, surgindo assim os 
sistemas ICAI, cujo nome mais utilizado na literatura é ITS ou STI. 
 
Além disto os ICAI utilizam técnicas de IA para analisar os padrões de erro, analisar o 
estilo e a capacidade de aprendizagem do aluno e, oferecer instrução especial sobre o 
conceito em que o aluno está apresentando dificuldade [SAV91]. Além do mais a 
comunicação pode realizar-se com um conjunto mais ou menos amplo de linguagem 
natural. 
 
Uma derivação dos ITS são os ambientes denominados de ILE ou ainda Sistema 
Tutores Cooperativos ou Sistemas de Aprendizagem Social [COS96b]. Um ILE pode 
ser entendido como uma combinação de aspectos das categorias ITS e Micromundo. 
 
Os sistemas computacionais que utilizam técnicas de IA no seu projeto, sejam eles de 
que modalidade for, constituem-se objeto de pesquisa da área de IA-ED. 
 
A nível de aprendizagem com enfoque em Ciência da Computação, um dos principais 
pontos de contato - se não o principal - entre as áreas de Aprendizagem de Máquina 
(Machine Learning - ML) e Sistemas Tutores Inteligentes, segundo VIC & OLI 
[VIC92], localize-se em um nível teórico, ou seja, um nível de princípios gerais que 
descrevem os processos de ensino-aprendizagem em sistemas computacionais, de um 
lado e que direcionem a construção de sistemas que ensinam/aprendem, de outro. 
 
Self [SEL90], propõe a criação de uma disciplina chamada "Matética Computacional" 
(do grego "manthanein" = aprender), cujo papel seria, entre outros, o de estudar estes 
princípios teóricos. Uma definição provisória do termo "Matética Computacional" (MC) 
seria: "o estudo da aprendizagem, e de como ela pode ser promovida, utilizando as 
técnicas, conceitos e metodologias da Ciência da Computação e Inteligência Artificial". 
 
Segundo [VIC92], um ponto a ser estudado em Matética Computacional, e que refletiria 
um nível concreto a vinculação conceitual entre aprendizagem e ensino por computador, 
é a inclusão, na arquitetura básica de um tutor inteligente, de um módulo de 
aprendizagem. Este módulo tem a função de permitir a alteração/ampliação/adaptação 
das duas principais bases de conhecimento componentes do tutor: a base do domínio e o 
modelo do aluno. Isto ficará mais claro nas seções seguintes onde a arquitetura de um 
ITS será explicada de forma detalhada, tanto na abordagem tradicional, quanto na 
abordagem de agentes.1 Este termo virador de páginas eletrônico aparece com freqüência na literatura da área e é utilizado 
como uma crítica aos programas CAI que apenas usam o meio eletrônico para fazer o mesmo que era 
realizado no papel, sem nenhum ganho significativo a nível de ensino-aprendizagem. 
 
 
 
5 
 
As diferenças mais profundas entre os ICAI2 e os CAI tradicionais estão na forma com 
que se concebe o seu projeto. Os CAI induzem o aluno a uma resposta correta mediante 
uma série de estímulos cuidadosamente planejados e os ICAI pretendem simular alguma 
das capacidades cognitivas do aluno e utilizar estes resultados como base das decisões 
pedagógicas a tomar. 
 
Muitos bons programas de CAI permitem ao aluno vivenciar uma série de simulações 
numéricas, física ou biológicas que podem ser examinadas e testadas. Mas a vantagem 
de se usar uma técnica de modelagem qualitativa (característica de uma técnica de IA) é 
que podemos simular o processo de solução do problema. Desta forma podemos 
permitir que o aluno utilize um modelo de resolução de problemas e que este possa 
servir de base para se entender como o aluno resolve os problemas propostos, utilizando 
parcialmente a assistência do ambiente. 
 
Aos CAI se critica principalmente sua incapacidade por manter um diálogo aberto com	
  
o aluno. No caso dos ITS se pretende que o próprio computador adote uma forma de 
conduta inteligente que permita controlar o processo de aquisição do conhecimento por 
parte do aluno. Assim, segundo [SLE82], os ITS são programas de computador que 
utilizam técnicas procedentes da IA para representar o conhecimento e levar a termo 
uma interação com o aluno. A programação com técnicas de IA permite uma 
excepcional graduação da generalidade [CLA90]. 
 
O objetivo fundamental dos ITS é proporcionar uma instrução adaptada ao aluno, tanto 
em conteúdo como na forma, superando desta maneira alguns dos problemas mais 
cruciais do software educativo na atualidade. Os ITS se comportariam de forma mais 
próxima a um professor humano ou um comportamento mais próximo possível disto. 
Porém, a realidade está muito distante de alcançar tais propósitos. Existem muitas 
razões para que isto ocorra: temos limitações a nível de hardware e software que não 
nos permitem colocar dispositivos que possam trabalhar com aspectos relativos aos 
sentidos do olfato, tato e visão. Um professor humano pode e leva em consideração 
estes estímulos para poder organizar seu trabalho junto ao aluno e, além disto, utiliza as 
saídas deste sentidos para fins de feeback do aluno. O fato é que desconhecemos a 
maneira com que nós humanos efetivamente processamos informação dentro de nosso 
cérebro. 
 
Temos um conjunto de teorias (umas mais trabalhadas e do que outras) mas não temos 
ainda uma resposta de como armazenamos, processamos e recuperamos informações no 
nosso cérebro e como isto é trabalhado pela nossa mente. Isto é vital para a construção 
de um modelo de aluno e por conseqüência importantíssimo para construção de um ITS. 
Segundo Asanome [ASA91], a dificuldade na construção deste modelo se encontra na 
falta de conhecimentos necessários para modelar o processo de aprendizagem do aluno. 
As dificuldades em implementar o que já conhecemos, a respeito do processamento de 
informação humano, com os ambientes que dispomos (Prolog, Lisp, CLIPS e outras) 
têm apresentado restrições que implicam numa quebra do modelo mental humano para 
 
2 ICAI e ITS estão sendo utilizados como sinônimos. 
 
 
 
6 
um modelo computacional, com perdas significativas de qualidade. Esta é uma questão 
que continuará em aberto até que surjam alternativas a nível de modelagem e 
implementação. 	
  
Os CAI e os ITS aparentemente se situam em um tipo similar de aplicação em 
educação. Afim de salientarmos diferenças e pontos em comum apresentamos a Tabela 
1. 
 
TABELA 1 - CAI x ICAI 
 
Aspecto CAI ITS 
Origem Educação Ciência da Computação 
Bases Teóricas Skinner(behaviorista) Psicologia Cognitivista 
Estruturação e Funções Uma única estrutura 
algoritmicamente pré-definida, 
onde o aluno não influi na 
sequenciação. 
Estrutura subdividida em 
módulos cuja sequenciação se 
dá em função das resposta do 
aluno. 
Estruturação do 
Conhecimento 
Algorítmica Heurística 
Modelagem do Aluno Avaliam a última resposta.3 Tentam avaliar todas as 
respostas do aluno durante a 
interação. 
Modalidades Tutorial, exercício e prática, 
simulação e jogos educativos 
Socrático4, ambiente interativo5 
diálogo bidirecional 6 e guia7. 
 
 
Observemos que os projetos de software educacionais, de ambas as categorias, se 
caracterizam por serem atividades interdisciplinares e multidisciplinares. Para se 
projetar e desenvolver um bom software educacional devemos compor uma equipe de 
especialistas no assunto a ser trabalhado. Necessitamos de informatas para viabilizar o 
trabalho no computador, pedagogos e psicólogos para auxiliarem na definição do 
ambiente e na linguagem a ser utilizada em função do público-alvo e finalmente contar 
com a assessoria de especialistas em programação visual (comunicação) para garantir a 
qualidade plástica do ambiente. 
 
Se um projeto de software educacional não prever uma equipe inter e multidisciplinar 
(inclusive a nível de Ciência da Computação usando especialistas de IA, Computação 
Gráfica, Engenharia de Software, e outros, conforme a necessidade) ele perde no 
aspecto técnico (implementação) ou no aspecto pedagógico (valor do programa como 
 
3As ações do programa estão baseadas na última resposta do aluno, considerando-se apenas V 
(verdadeira) ou F (falsa). Não são tratadas as dúvidas e incertezas. 
4Pretendem proporcionar instrução através de diálogo com os alunos e detectam erros. 
5Trabalham um determinado assunto através de da interação com o aluno, utilizando a abordagem de 
diagnóstico desse aluno. 
6Utilizam um ambiente interativo com diálogo entre o aluno e o tutor, podendo haver alterações no 
comportamento do tutor face as respostas do usuário (aluno). 
7Alguns ITS funcionam como guias do aluno e não se utilizam de um diálogo e sim apresentam o 
conteúdo de outra forma. 
 
 
 
7 
ferramenta de apoio ao processo de ensino-aprendizagem). A IA é uma área tipicamente 
interdisciplinar e com atividades multidisciplinares e, sendo assim, os ITS trazem 
consigo esta forte característica reforçada duplamente. 
 
Tanto em IA como na construção de ITS em particular, o modelo básico baseado em 
regras e que Anderson [AND83] chama de "arquiteturas baseadas em esquemas" e que 
aparece na literatura com nomes tais como "frame systems", "slot and filler data bases" 
e Based Reasoning [SHA89] é o mais usado. Entretanto existem vários sistemas que 
usam redes semântica [GOL82] ou mesmos híbridos [VIC90]. 
 
Nos ITS o ensino é apoiado sobre uma grande base de conhecimento a respeito do tema 
a ser ensinado, construída por um especialista, a partir da qual o sistema interage com o 
aluno como um tutor computadorizado com o poder indutivo similar a um professor hu-
mano, onde segundo Silveira [SIL92] a modelagem cognitiva é constante e progressiva. 
 
Segundo Viccari [VIC90], os ITS são programas que, interagindo com o aluno 
modificam suas bases de conhecimento, percebem as intervenções do aluno, possuem a 
capacidade de aprender e adaptar as estratégias de ensino de acordo com o desenrolar do 
diálogo com o aluno. Caracterizam-se principalmente por construir um Modelo 
Cognitivo do Aluno, através da interação, e, através da formulação e comprovação de 
hipótese sobre o estilo cognitivo do aluno, sobre o seu procedimento, o seu nível de 
conhecimento do assunto e suas estratégias de aprendizagem e na capacidade de 
formular uma estratégias de ensino-aprendizagem adequadaao aluno e à situação do 
momento . 
 
Para ser inteligente, um tutor deve ser flexível, isto é, ter capacidade para aprender com 
o meio ambiente e atualizar seu conhecimento[VIC90]. 
 
No processo de ensino através de um tutor inteligente o aluno aprende fazendo. 
 
Esta abordagem vem ao encontro das modernas correntes da Educação[CHA91] que 
estão privilegiando e incentivando a troca de paradigma: o tradicional, o modelo do 
ensino, centrado no professor, pelo novo, centrado no aluno e baseado no "aprender a 
aprender", onde o aspeto da meta-cognição passa a ser relevante. 
 
A meta-cognição sobre o processo de aquisição do conhecimento muda a forma de 
como se encarar a aprendizagem e, transforma visão de mera transferência de conteúdos 
do professor para o aluno, para fornecer-lhe condições e habilidades que lhe permitam 
explorar o seu meio, comparar e sintetizar conhecimentos. 
 
As formas só fazem sentido na medida em que viabilizam o domínio de determinados 
conteúdos e o que se precisa são novas formas de tratar o processo de aquisição de 
conhecimento [SAV91]. O que se propõem é uma mudança nas estratégias de ensino 
utilizando os conteúdos como uma forma e do aluno dominar o método e entender o 
processo a fim de que possa fazer transferência deste aprendizado para novas situações. 
 
 
 
 
8 
Segundo HENDLEY [HEN92], o uso de técnicas de IA na construção de software 
educacionais se torna cada vez mais importante e seu estudo fará com que os mesmos 
tenham mais qualidade, destacando em particular: 
 
- Os componentes de IA precisam ser integrados nos sistemas e estes estão longe do 
trivial no que concerne a implementação; 
 
- A modelagem do domínio do conhecimento, particularmente no que se relaciona às 
habilidades trabalhadas proceduralmente e de forma acessível ao estudante são bem 
difíceis. Se um sistema é usado para provar um nível do problema, então isto pode ser 
visto como uma fonte de resolução do problema e os resultados podem ser usados pelo 
módulo de ensino; 
 
- O uso de técnicas de IA no que diz respeito aos aspetos pedagógicos estão longe de 
serem bem eficazes. Se os sistemas tiverem uma estrutura que os permitam construir 
uma estrutura com uma estratégia explícita de navegação selecionada a partir do aluno, 
os resultados serão mais eficazes; 
 
- Tornar o conhecimento explícito e facilmente modificável para que o comportamento 
dos sistemas seja mais consistente e racional. Ao estudante pode ser permitido que ele 
interaja com a base de conhecimento lendo, depurando, estendendo ou acrescentando 
mais informações. 
 
Dentro das Ciências do Artificial contrapondo com as Ciências Naturais, a Informática é 
o que de mais natural se tem, uma vez que trata do estudo da maneira com que o 
homem resolve problemas e como se pode substituir por máquinas o seu esforço mental. 
A IA seria uma etapa para esta substituição[VAC91]. 
 
Acrescentar um I à sigla CAI não significa apenas agregar técnicas de IA para a 
construção de sistemas tutores e sim trabalhar de forma interdisciplinar com as 
conquistas que as outras áreas de pesquisa obtiveram em relação ao conhecimento da 
comunicação inteligente, da psicologia e da pedagogia. 
 
 
 
 
9 
2 ABORDAGEM TRADICIONAL DE ITS 
 
Os programas do tipo CAI surgiram na década de 50 e foram utilizadas técnicas e 
equipamentos que na época representavam as crença sobre como se deveria utilizar o 
computador como recurso pedagógico. Na década de 60 surgiram técnicas para decidir 
qual o conteúdo a ser apresentado ao estudante com base em sua resposta anterior. 
Assim, não apenas o aluno obtinha realimentação, como nos programas lineares, mas 
também o próprio sistema podia adaptar sua atuação às respostas do aluno. No entanto, 
isso tornou a criação do material instrucional um processo mais complexo, levando ao 
surgimento de linguagens próprias para especificação desses materiais ("author 
languages") que deram origem as atuais ferramentas de autoria para desenvolvimento de 
aplicações educacionais tais como o Toolbook, Linkway Live e outros. 
 
O objetivo dos CAI é construir material instrucional que permitisse um curso otimizado 
para cada estudante. Os primeiros programas foram viradores de página eletrônicos que 
imprimiam textos e exemplos preparados previamente, exercícios, e problemas cujas 
respostas e comentários estavam previamente armazenados para responder ao aluno, 
independente do tipo de aluno que usava o ambiente. O programa sempre se comporta 
igual e não leva em consideração o perfil do aluno, a quantidade de vezes que ele usou o 
programa ou seus pré-requisitos. 
 
Na década de 70 surgiram sistemas chamados generativos, capazes de gerar 
automaticamente o material instrucional, no todo ou em parte. Essa abordagem foi 
bastante utilizada em domínios como Aritmética, onde é possível gerar problemas 
numéricos aleatórios e resolvê-los automaticamente, comparando a solução do sistema 
com a do estudante. No entanto, mesmo bons sistemas generativos não eram capazes de 
responder a perguntas mais profundas do estudante a respeito de como foi obtida a 
solução, pois não possuíam uma representação do processo de resolução dos problemas 
propostos; ou seja, o sistema solucionava os problemas através de algoritmos que nada 
tinham a ver com a forma como é ensinado às pessoas, não podendo fornecer uma 
explicação didaticamente útil da solução. 
 
Os ITS surgiram, nesta época, como uma tentativa de superar algumas das limitações 
dos sistemas generativos. Este primeiro estágio dos ITS compreende o período dos anos 
70 até o início dos anos 80 e, como salienta [COS96], o objetivo principal era explorar 
métodos e técnicas de IA emergentes aplicadas ao aprendizado e instrução. A equipe 
era composta, basicamente, por técnicos em computação ou cientistas cognitivos e a 
tecnologia utilizada era a dos computadores disponíveis na época (lembrar que os PC 
não existiam) e as poucas linguagens de IA. A grande contribuição desta época foi a 
mudança no paradigma de projeto e construção de ambientes educacionais fora da 
proposta CAI e a exploração do funcionamento técnico dos ITS. 
 
Por volta dos anos 70, alguns autores como Carbonell e Sleeman começaram a observar 
que os programas de CAI possuíam estrutura de transmissão de conhecimento de caráter 
seqüencial, previamente determinadas e, por conseqüência, eles tinham a incapacidade 
de adaptação real às necessidades e estilo individual dos alunos. Propuseram um sistema 
que incorporava técnicas de IA a fim de tentar criar um ambiente que levasse em 
 
 
 
10 
consideração os diversos estilos cognitivos de cada aluno que utilizasse o programa. A 
este tipo de software denominaram de Tutores Inteligentes, ou Sistemas Tutores 
Inteligentes. 
 
No segundo estágio dos ITS, a segunda metade da década de 80, as pesquisas se 
concentraram em verificar as questões envolvendo o aspecto pedagógico, ou seja, o seu 
valor instrucional. Nesta etapa a equipe de trabalho começou a contar com a 
colaboração de especialistas em Educação, especificamente em instrução via-
computador e nesta época os PC já estavam começando a se disseminar e as linguagens 
sofreram evolução para se adaptarem aos novos ambientes de hardware. Lembrar que 
com a explosão dos microcomputadores PC começa uma nova concepção a nível de 
pesquisa de ferramentas (software) e começa a utilização de linguagens para fins gerais 
para a implementação dos ITS. Neste período os ITS apresentaram um grande avanço 
no que diz respeito á eficácia instrucional. 
 
O terceiro estágio, compreende a década dos anos 90, onde os pesquisadores estão 
explorando ambientes e variáveis instrucionais específicas utilizando equipes 
interdisciplinares para realizar atividades multidisciplinares. Isto se faz necessário 
devido ao avanço das ciências afins com a IA, tais como:Psicologia Cognitiva, 
Neurofisiologia, Neuropsicopedagogia e a própria CC que disponibilizou as tecnologias 
de hipermídia e poderosa s linguagens nos paradigmas de OOP e agentes. 
 
Segundo [BUR91] e [COS96] a contribuição deste estágio deve ser o desenvolvimento 
de novas teorias e estratégias instrucionais, posição que reforçamos pois o que temos 
implementados hoje a nível de ITS , onde as estratégias de ensino (módulo tutor do ITS) 
são fixas e em número reduzido, na maioria se restringindo a somente uma. 
 
Burns [BUR91], salienta que a pesquisa em ITS, especialmente a envolvendo as teorias 
de ensino-aprendizagem devem contemplar as estratégias de ensino (levando em conta 
as diferenças individuais). 
 
Apresentaremos a seguir a descrição de alguns projetos envolvendo ITS que são muito 
relevantes para entendermos o histórico e a evolução das pesquisas na área. A 
apresentação tenta seguir um padrão cronológico ascendente, embora seja necessário, 
algumas vezes, irmos adiante e retroceder cronologicamente nas datas afim de melhor 
explicar as conseqüências e implicações de determinados projetos. Como o objetivo de 
nosso trabalho é estudar estratégias de ensino utilizadas nos projetos dos ITS, o texto 
apresenta considerações sobre a maneira com que as questões instrucionais foram 
tratadas nos ITS abaixo relacionados. Cabe salientar que alguns exemplos se encontram 
mais detalhados em função do detalhamento encontrado em livros e artigos 
relacionados. 
 
2.1 O clássico SCHOLAR 
 
Os ITS possuem um marco histórico chamado SCHOLAR, considerado o clássico dos 
ITS. Foi projetado e construído pela equipe do Prof. Jaime Carbonell, no BBN Bolt 
 
 
 
11 
Beranek and Newman Inc.- laboratório de pesquisa em Cambridge, Massachussets, no 
início da década de 70. 
 
Devido a sua importância histórica e o mesmo servir de base para todos os trabalhos que 
se seguiram, iremos nos deter na sua apresentação, ao passo que os demais ITS a serem 
citados serão abordados apenas nas suas características gerais, a fim de criarmos uma 
cronologia e podermos observar o avanço nas pesquisas em ITS. 
 
O SCHOLAR é um sistema tutorial que pode conduzir um diálogo de inciativa mista 
com o aluno. Seu objetivo é o ensino de geografia da América do Sul e o conhecimento 
está representado por uma rede semântica em cujos nodos estão os objetos e conceitos 
geográficos. Foi o responsável pelo lançamento de um novo paradigma. e utilizava o 
método socrático como estratégia tutorial. 
 
No método socrático, o tutor ensina o aluno através de uma abordagem de exposição 
indireta, que consiste na oferta, ao aluno, de questões sucessivas que visa formular 
princípios gerais baseados em casos particulares para ele poder analisar e avaliar 
hipóteses, descobrir contradições e finalmente fazer inferências corretas. 
 
Exemplo de uso da estratégia do método socrático no SCHOLAR de Carbonell: 
...... 
SCHOLAR: O planalto central e leste da Argentina é.... 
Aluno: Chaco 
SCHOLAR: Não. O planalto nordeste da Argentina é Chaco. O planalto central e leste 
da Argentina é os Pampas. 
Aluno: Chaco é no Chile? 
SCHOLAR: Não. O Chaco é na Argentina, Paraguai e Bolívia, não no Chile. 
Aluno: Os Andes é uma região do Chile? 
SCHOLAR: Bem, você está quase certo. mais especificamente a região do Chile é o 
Andes Sul 
...... 
 
A base do domínio foi montada utilizando regras de produção, o que é bastante usual 
neste tipo de tutor. A seguir, apresentamos um exemplo de uma regra para um tutor 
Socrático: 
 
Regra X: Forma geral da regra para um fator insuficiente 
 
SE o aluno der uma explanação com um fator ou mais fatores que não são suficientes 
ENTÃO formule uma assertiva para uma regra geral com os fatores dados e pergunte 
para o aluno se a regra está correta. 
Razão para uso: Forçar o aluno a prestar atenção nos fatores causais. 
 
Exemplo: 
Se o estudante der água como razão para crescer arroz na China, pergunte a ele : 
“Você acha que em qualquer lugar com muita água pode crescer arroz?” 
[COL77, Apud in WEN87,p.40] 
 
 
 
12 
 
 O SCHOLAR utiliza módulos separados para analisar gramaticalmente os pares dados 
como resposta e discutir os erros detectados, reportando fatos que distinguem a resposta 
do estudante da resposta correta armazenada. A fim de evitar redundâncias as respostas 
corretas do aluno são armazenadas e verificadas. 
 
O SCHOLAR foi objeto de muito estudo e novas versões foram construídas mas ele não 
foi amplamente utilizado, exceto num sistema on-line de consulta inteligente chamado 
NLS-SCHOLAR, desenvolvido por Grignetti e colaboradores e usado como um tutor 
assistente para alunos em diferentes tipos de conhecimento. A razão disto deve-se, em 
parte, às limitações das redes semânticas em representar conhecimento procedural, 
salientando que para representar o diálogo com o aluno em PLN (Processamento 
Linguagem Natural ) foram utilizadas regras de produção . 
 
Para melhorar a habilidade do SCHOLAR conduzir diálogos tutoriais, Collins et al.[ 
COL75,Apud in WEN87], decidiram analisar os protocolos dos diálogos humanos 
versus os protocolos dos diálogos do tutor. Esta análise trouxe algumas melhorias para 
versão subsequente do SCHOLAR, como por exemplo a estratégia de selecionar 
randômicamente os novos tópicos foi substituída por organizar os tópicos por 
importância para cada aluno e agendar um tempo proporcional a cada um deles. Quando 
o tempo expira ou o tópico é exaustivamente explorado pelo aluno, o tutor passa para 
próximo tópico. Uma observação importante foi a questão envolvendo a revisão de um 
tópico, a qual é bastante usual nos tutores humanos. Outra extensão importante foi 
possibilidade de discutir e comparar os erros do aluno. 
 
Para que isto fosse possível, um novo módulo para tratamento e detecção dos erros foi 
agregado ao sistema. 
 
Desde a época do SCHOLAR a modelagem do aluno não é feita de forma ideal ou 
completa constituindo-se numa grande desvantagem em relação ao tutor humano que 
possui capacidade de observação sensitiva, faz inferências sobre o comportamento do 
aluno e suas características, utilizando estes resultados para fazer o ajuste nas suas 
estratégias de ensino. 
 
2.2 Os sucessores do SCHOLAR 
 
Depois de fazer um estudo sobre o método socrático e analisar os resultados do 
SCHOLAR, Collins apresentou um conjunto de 24 regras que podem ser utilizadas para 
conduzir o diálogo nos ITS socráticos. Estas regras podem ser categorizadas formando 
uma taxinomia para ITS socráticos. As regras inicias foram adaptadas e foram geradas 
aproximadamente 60 regras que procuravam montar uma sofisticada estratégia tutorial 
levando em consideração o tipo de aluno que usa o tutor 
 
Para testar este conjunto de regras tutorias, Collins criou o projeto WHY - para fazer um 
tutor socrático, que utilizava scripts hierárquicos para representar seqüências de eventos. 
Seu objetivo era que este tipo de representação poderia capturar as relações temporais e 
causais entre os eventos e as respostas do aluno. 
 
 
 
13 
 
Este trabalho não foi muito bem reconhecido na literatura por se tratar de uma 
abordagem muito teórica e apresentar dois grandes problemas: os objetivos menores (ou 
locais) do aluno não são contemplados nas regras e os scripts não são suficientes para 
explicar os mecanismos envolvidos no processo geral e no estabelecimento (ou não) de 
concepções erradas do aluno. 
 
O projeto SOPHIE- SOPHisticated Instrucional Environment, coordenado por Brown & 
Burton, é de uma certa maneira uma reminiscência do SCHOLAR. O projeto se baseia 
no tutor METEOROLOGY usado para ensinar predições meteorológicas. 
 
A idéia do SOPHIE é a de oferecer um ambiente no qual o aluno possa testar suas 
idéias, tê-las criticadas e receber orientação através do ambiente de aprendizagem 
reativo. Funcionacomo um laboratório onde o aluno tem a chance de aplicar seus 
conhecimentos e receber feedback. A estratégia tutorial se baseia em avaliação de 
hipóteses. 
 
O domínio da primeira versão constituiu-se numa coleção de problemas com circuitos 
elétricos. O ambiente é utilizado até hoje numa versão de jogo onde os participantes 
discutem os prováveis erros que ocorrem no projeto de circuitos. 
 
 
A partir do SOPHIE, foram criados os projetos: SOPHIE I, SOPHIE II, SOPHIE III 
(1982), desenvolvidos posteriormente nos laboratórios do MIT, em Palo Alto, e nos 
Laboratórios da Xerox. 
 
2.3 Um retrospectiva dos ITS nas duas últimas décadas 
 
Os primeiros tutores usando a teoria socrática apresentavam muitas limitações e sendo 
assim, foram adicionadas regras associadas a determinadas condições na busca de obter 
melhorias significativas no seu desempenho junto ao aluno. Estas regras acarretaram 
vantagens tais como: resolver conflitos quando muitas ações são associadas a uma 
condição e introduzir referências para os objetivos gerais do aluno, embora não 
pudessem descobri-los. Stevens e Collins [WEN87], analisaram os protocolos das 
sessões tutoriais com auxílio de professores e pediram que eles descrevessem quais 
seriam suas estratégias se tivessem de orientar os alunos no terminal. Isto permitiu que 
fosse constatado dois objetivos gerais dos professores: refinar o modelo causal do aluno 
e identificar procedimentos que gerenciasse este modelo a fim de fazer predições sobre 
ele. 
 
No entanto, ocorreu um problema: os múltiplos pontos de vista dos especialistas para 
conceber a base de domínio (conhecimento a ser trabalhado pelo tutor). As diferenças 
constatadas eram: estruturas espaciais, descrição física dos princípios e explicação de 
metáforas. A interpretação dos diferentes pontos de vista em um modelo físico guia a 
noção de modelos mentais e como elas eram diversas ficava difícil construir um modelo 
para ser usado no ambiente. 
 
 
 
 
14 
Um modelo mental pode ser definido como uma representação interna de um sistema 
físico, por uma pessoa ou um programa, para raciocinar a respeito dos processos 
envolvidos no sistema. A diferença entre um modelo e um ponto de vista é que o 
modelo é executável como uma forma de simulação o que revela o seu poder predictivo. 
Comparado com os scripts, os modelos tem a vantagem de ser executados com 
diferentes alternativas, enquanto nos scripts todas as alternativas devem ser 
explicitamente representadas. Como as simulações envolvem objetos e seus papéis, os 
modelos mentais incluem o ponto de vista tradicional de um modo natural. 
 
Devido a complexidade do domínio escolhido para o projeto SOPHIE surgiram 
projetos separados para investigar vários tópicos relacionados, em um domínio 
específico. 
 
As atividades contidas na resolução de problemas foram exploradas no projeto WEST 
(um jogo para testar habilidades aritméticas), o modelo do aluno no projetos 
BUGGY(Burton 82), DEBUGGY, IDEBBUGGY( análise de protocolos de aluno 
utiliza para resolver problemas que requerem manipulação algébrica)8e o projeto 
BLOCKS, tutor de Brown & Burton, baseado num jogo de manipulação matemática que 
usa o conceito de blocos de atributos para exercitar as habilidades dedutivas dos alunos 
para resolver problemas, que tinha por objetivo analisar o problemas entre a teoria e a 
informação. 
 
O projeto BUGGY, baseado no modelo BUGGY pode diagnosticar um problema 
usando por base termos de um conjunto de sub-habilidades e suas variantes, mas elas 
tem de derivar automaticamente de habilidades primitivas corretas, ou seja, a partir da 
observação do que é correto se retira uma série de indicadores de prováveis erros e 
habilidades cognitivas associadas a eles. A teoria REPAIR proposta por John Seely 
Brown e Hurt VanLehn em 1980 é uma extensão da teoria BUGGY, a fim de tentar 
explicar melhor o raciocínio do aluno. Ambas as teorias se mostraram deficientes neste 
aspecto e uma nova abordagem aparece com a teoria STEP proposta com Brown e 
VanLehn, em 1983, onde propõem uma rede de planejamento para explicar o raciocínio 
intrínseco em um procedimento. 
 
 Em 1987, VanLehn propôs o SIERRA que visava juntar as abordagens das teorias 
BUGGY e STEP. O SIERRA consiste em dois módulos onde um é o módulo de 
aprendizagem baseado em técnicas de IA e um módulo resolvedor de problemas 
baseado na teoria REPAIR. 
 
Em 1981, tem início do projeto STEAMER, da equipe de Stevens et al. O STEAMER é 
uma ferramenta instrucional para treinar engenheiros que irão operar grandes navios, 
onde as plantas de propulsão são muito complexas e fazem com que os engenheiros 
invistam anos para obter o domínio e as habilidades necessárias para o seu manuseio. 
Funciona através da descrição de dispositivos abstratos, utilizando procedimentos cuja 
grande novidade, na época, era a utilização de interfaces gráficas. 
 
8BUGGY- o nome do projeto foi baseado no jargão de Ciência da Computação, o “bug” que significa um 
erro. O BUGGY usa uma rede procedural para decompor habilidades em subprocedimentos que são 
unidos em uma estrutura de subobjetvos. 
 
 
 
15 
 
O veículo virtual criado para auxiliar o desenvolvimento do aluno foi desenvolvido 
utilizando um acurado modelo mental onde a interatividade, a simulação e inspeção são 
baseadas em computação gráfica. 
 
O projeto QUEST-Qualitative Understanding of Electrical System Troubleshooting, foi 
um projeto conduzido por Barbara White e John Frederiksen, nos laboratórios da BBN. 
O projeto baseou-se na tese de doutorado de White, a qual estava inserida no contexto 
do projeto LOGO (explicada adiante) onde foi construído um jogo para ensinar às 
crianças os conceitos de força e aceleração da mecânica newtoniana. O ambiente possui 
interfaces gráficas e seu objetivo é fazer com que o aluno entendesse os princípios que 
gerenciam o comportamento dos circuitos e se tornar capaz de prever os problemas 
decorrentes do comportamento dos componentes de um circuito elétrico. O projeto 
QUEST pode ser considerado um descendente direto do SOPHIE devido a 
representação interna foi influenciada pelo modelo qualitativo usado por Kleer e Brown, 
a similaridade entre os domínios e a abordagem pedagógica. 
 
O projeto LOGO, criado por Papert no final da década de 70 nos laboratórios do MIT, 
não é usualmente citado quando se fala no histórico dos ITS. Embora o projeto LOGO 
não utilize programação de IA para construir sistemas tutoriais, o projeto todo está 
profundamente influenciado por metodologias e conceitos de IA. O projeto nasceu da 
influência como resultado da pesquisa de Papert, interessado na questão do ensino de 
Matemática e influenciado pelas idéia de Piaget, o que torna o LOGO essencialmente 
epistemológico, ou seja, é mais importante ajudar a criança aprender a construir e 
depurar suas próprias teorias do que ensinar teorias que julgamos corretas. 
 
Os resultados obtidos no projeto LOGO mostram dados importantes auxiliaram a 
desenvolver conceitos a partir das experiências pessoais das crianças e na importância 
da depuração de erros para a construção de conceitos. 
 
Estes resultados originaram uma série de outros projetos que se basearam no modelo 
cognitivo. Entre eles salientamos: o jogo WUSOR (Ira Goldstein e Brian Carr) e suas 
versões, WUSOR I, WUSOR II e WUSOR III cujo projeto utiliza lógica e raciocínio 
probabilístico, para auxiliar o jogador a sobreviver e enfrentar as criaturas terríveis 
chamadas de Wumps que vivem num mundo cheio de cavernas e esconderijos, o 
objetivo do usuário é sobreviver e eliminar as criaturas. Outro projeto derivado é o 
SPADE-O, um editor de programação orientada a planos para incentivar o uso de boas 
estratégias de design tornando explícito o processo de decisão para pessoas que 
necessitem desenvolver programas.Olhsson e Langley apresentam em 1984 o ACM, Automated Cognitive Modelling que 
propõem uma abordagem única para o problema da lista de diagnóstico, eliminado a 
necessidade de uma biblioteca de “bugs”. O seu interesse em técnicas de Machine 
Learning permitiu que eles propusessem um procedimento para o modelo do 
estudante/aluno, como sendo uma instância do problema de aprendizagem. 
 
 
 
 
16 
O projeto ADVISOR construído em 1977/78 por Michael Genesereth, em sua tese de 
doutorado, tem por objetivo foi construir um construtor on-line num ambiente reativo 
(com feedback inteligente a moda do SOPHIE), utilizando planos e crenças. A base do 
domínio era o pacote de matemática complexa MACSYMA9. 
 
O projeto MENO(Soloway et al.), iniciado no final dos anos setenta e foi até o final dos 
anos oitenta (MENO-I e MENO-II), foi um projeto ambicioso de construir um ITS para 
ensinar alunos inciantes na linguagem Pascal. O seu objetivo era diagnosticar erros não-
sintáticos em pequenos programas e associar estes erros aos níveis de concepções 
erradas do aluno, ou seja, se buscava identificar qual o conceito que o aluno não 
aprendeu bem através do tipo de erro que ele cometeu. O projeto envolveu muitas teses 
de doutorado e um dos produtos obtidos foi o MENO-TUTOR de Woolf (1984), que 
gerenciava diálogos em tutores genéricos. 
 
Ainda nesta linha, o projeto BRIDGE desenvolveu um ITS que utilizava planos e 
buscava identificar os estágios contidos no desenvolvimento de planos, quando um 
aluno programa. 
 
Gentner e Norman [Apud in HAL88], desenvolveram um tutor chamado de COACH, 
que monitorava a aprendizagem dos alunos numa linguagem bastante simples chamada 
de FLOW. COACH foi projetado para monitor os alunos cada vez que eles 
pressionassem uma tecla em tempo real. O ITS acabou não sendo totalmente 
implementado em tempo real devido a uma série de restrições de hardware e software 
encontrados na época. Mas o seu valor está nos resultados do estudo da obtenção do 
protocolo de trabalho do aluno. O tutor possui um modelo do curso estruturado na 
linguagem FLOW e este modelo era naturalmente hierárquico, com esquemas de 
representação em alto nível, para os capítulos e manuais e, num nível mais baixo, 
esquemas individuais para as teclas pressionadas. Foi implementado o modelo do aluno 
a nível top-down (model tracing) e a bottom-up (Issue-based) (vide item 3.2.2.3). 
COACH é um exemplo de que um modelo sofisticado de aluno e um módulo 
especialista podem contribuir para um ITS. 
 
O sistema ATTENDING [WAT86, Apud in COS96] é um ITS desenvolvido na 
Universidade de Medicina de Yale10 no início dos anos 80 e tem como objetivo instruir 
alunos em especialização na área de Anestesiologia. O sistema apresenta ao aluno um 
paciente hipotético submetido a uma cirurgia e analisa o plano de gerenciamento da 
anestesia, definido pelo aluno. O ATTENDING baseia sua análise na assessoria aos 
riscos envolvidos no contexto dos problemas médicos do paciente. O sistema produz 
uma crítica, na forma de comentário, em linguagem corrente. 
 
O projeto PROUST de Soloway & Johnson, em 1984, utiliza planos baseado em 
diagnóstico e em intenções. A partir do background dos erros do aluno e sua concepções 
erradas, o PROUST pretendia reconstruir o programa tendo por base a idéia inicial do 
 
9MACSYMA- Foi um dos primeiros SE (sistemas especialistas) a ser implementado. É utilizado até hoje 
como um resolvedor de equações integrais e diferenciais. O conhecimento ainda era embutido no código 
do programa [ABE94]. 
10 http://www.yale.edu/index/html 
 
 
 
17 
aluno e explorando seus erros. O PROUST funciona como um depurador para os 
programas em Pascal. 
 
O projeto GUIDON (Clancey et al.) visa construir um ITS para avaliar as facilidades 
pedagógicas do MYCIN11 e descobrir o conhecimento adicional que o sistema exigirá e 
tentar expressar estratégias tutoriais de maneira que as mesmas independam do domínio. 
 
GUIDON se difere dos demais programas de IA pela natureza de seu domínio 
(diagnóstico médico) e na maneira de capturar o conhecimento do especialista através 
do uso de uma arquitetura baseada em sistemas especialistas. 
 
O estudante é modelado por superposição (overlay12), i.é, o seu modelo é um 
subconjunto de regras que constituem o domínio. 
 
O grupo de pesquisa da Carnegie-Mellon University, chefiado por Anderson começou a 
trabalhar na pesquisa de ITS de forma indireta. O grupo trabalhou durante anos na 
pesquisa de um teoria geral da cognição (ACT-Adaptive Control of Thought), com 
ênfase em aquisição de habilidades. 
 
A teoria ACT assume que as funções cognitivas podem ser representadas por regras de 
produção e que o conhecimento é primeiramente adquirido, de forma declarada, através 
de instruções e tem de ser convertidos em procedimentos através da experiência. O 
mecanismo básico de aprendizagem é chamado de compilação de conhecimento e se 
apresenta de duas formas: proceduralização (um determinado conhecimento é 
convertido em uma produção específica para resolver um determinada classe de casos) e 
a composição de regra (dentro das quais poucas regras são usadas em seqüência para 
atingir determinado objetivo e são combina em uma regra única que combina seus 
efeitos). Foi criado um modelo computacional chamado de GRAPES, para testar esta 
teoria. 
 
Mais adiante foram construídos dois ITS: GEOMETRY (geometria do segundo grau) e 
o LISP (provador para ensino da linguagem de programação LISP-LISt Processing). 
 
Brown apresentou em 1983 o ALGEBRALAND, um ambiente experimental para 
resolução de problemas de álgebra do segundo grau. 
 
Hutchins e seus colegas [HUN82;HUN84, Apud in HAL88], desenvolveram um sistema 
denominado MANBOARD para auxiliar o treinamento de problemas em operações 
navais. Os procedimentos foram mostrados em gráficos onde os navios estavam 
colocados em coordenadas geográficas e ficava claro a necessidade de conhecimentos 
básicos de geometria para entendê-los. 
 
 
11MYCIN- Um sistemas especialista para diagnose e tratamento de bactérias no sangue e meningite. Usa 
regras de produção como forma de representação de conhecimento e usa o raciocínio para trás a partir do 
objetivo considerado como hipótese inicial. explica as razões de sua decisões através da recuperação das 
regras utilizadas e fornece a bibliografia do assunto. [ABE94] 
12 Vide item 3.2.2 
 
 
 
18 
Em 1990, Viccari, apresentou o TUTOR-PROLOG, um tutor baseado no modelo 
cognitivo que visa ensinar um subconjunto da linguagem PROLOG, através da geração 
automática de exemplos organizados em níveis de complexidade. A categorização 
destes níveis foi estruturada para poder permitir que os diferentes graus de 
conhecimento, por parte do aluno, possam ser identificados e selecionados.. Este tutor 
foi implementado em ARITYPROLOG e funciona em ambiente de microcomputadores 
do tipo IBM-PC. 
 
Utiliza um modelo híbrido para tratar da questão instrucional (método socrático e a 
exploração direta, com uso de tentativa e erro). As estratégias de ensino são 
representadas por planos que permitem apresentar o material instrucional em três níveis: 
modelo ideal, modelo detalhado e modelo avançado. Possui um ambiente separado em : 
• tutorial: apresenta os conteúdos baseado em programação e lógica. Utiliza um 
subconjunto da linguagem PROLOG; 
• depuração de programas: neste módulo o aluno pode fazer pequenos programas a 
através da correção automática de erros sintáticos e semânticos e do auxílio de um 
interpretador explica ao aluno o porque dos seu erros; 
• consulta a base de dados: é utilizado para pegar exemplos a serem apresentados para 
o aluno. 
Uma versão mais atual, onde o enfoque principal é a depuração inteligente, foi 
implementada para Estação de TrabalhoSparks SUN. 
 
O laboratórios de Recurso Humanos da Força Aérea dos estados Unidos, filiado à 
NASA, desenvolveu o sistema INFLITE [BUR91],que é um ITS que treina alunos num 
simulador de F-16 usando apenas instrumentos. Escrito na linguagem C e usando o shell 
especialista CLIPS13 . O sistema foi projetado inicialmente para ser operado com um 
joystick, mas suporta um teclado. Requer um sintetizador de voz capaz de converter 
caracteres ASCII em discursos articulados. Possui um módulo especialista onde está 
colocado o conhecimento retirado de peritos. A interface possui os equipamentos 
encontrados num painel de F-16 e permite que o aluno tome suas decisões em função da 
missão (objetivo) que recebeu. O aluno não é penalizado por seus erros e sim o tutor 
mostra alternativas melhores de solução. 
 
Silveira [SIL92] desenvolveu um ITS denominado de ELETROTUTOR, cujo objetivo é 
auxiliar o ensino de tópicos de eletricidade, Lei de Ohm e temas relacionados, para 
alunos do terceiro ano do segundo grau e cursos de eletricidade básica. O conteúdo está 
dividido em oito unidades onde existe um texto base, uma estrutura de geração de 
exemplos e uma estrutura de geração de exercícios. Os conteúdos são apresentados em 
telas e os exemplos são estáticos, não-interativos e os exercícios são do tipo V 
(verdadeiro) ou F (falso). Se o aluno erra a resposta correta é apresentada antes do novo 
exercício. Os problemas propostos ao aluno são escolhidos randômicamente a partir de 
um arquivo de exercícios. O tutor faz um diagnóstico inicial, com perguntas, a fim de 
levantar o perfil do aluno, após faz um plano de trabalho que o aluno pode ou não 
aceitar. Os textos e os exercícios mudam em função da atuação do aluno. As estratégias 
são de sempre selecionar exemplo e respectivos exercícios e monitora o trabalho do 
 
13 CLIPS- C Language Integrated Production Systems, desenvolvido na NASA. 
 
 
 
19 
aluno. O protótipo implementado em Arity-Prolog serviu para avaliar o desempenho de 
um sistema tutorial no contexto do ensino de física e está sendo utilizado como base 
para o projeto ELETROTUTOR-II (vide item 3.1.5). Possui uma interface de 
comunicação, encarregada das interações com o aluno. A comunicação se dá por meio 
de menus, de caixas de diálogos e de respostas escritas. As lições foram estruturadas em 
forma de telas que são apresentadas seqüencialmente, e estas são formadas por 
pequenos textos implementados através de janelas ou frames criadas pelo Prolog. As 
telas usam o recurso de justaposição e superposição 
 
O CICSIM-TUTOR [SUK93, KHU93, Apud in COS96] é um ITS que ensina alunos de 
medicina do primeiro ano a dominar o comportamento do reflexo barorecptor (parte do 
sistema cardiovascular responsável por manter a pressão arterial). O sistema ensina ao 
aluno as mudanças que se localizam em sete importantes variáveis do sistema 
cardiovascular durante as repostas-diretas, respostas-reflexas e respostas constantes 
oferecidas pelo paciente. Está sendo desenvolvido no Instituto de tecnologia de Illionois 
e no Rush Medicall College. 
 
O ambiente para implementação de ITS criado por [DIR93], denominado de RUI - 
Representations for Understanding Images, é um sistema com três níveis integrados e 
possui uma metodologia e um modelo para implementação de ITS que necessitam 
utilizar ambientes altamente visuais. O processo envolvendo o design do ITS (aplicação, 
uma vez que o RUI é uma ferramenta ) envolve dois níveis: conceitual e produção. O 
terceiro nível, o de instrução, objetiva a comunicação do especialista com o aluno. 
 
Baseado no RUI, estão sendo desenvolvidos vários projetos de ITS e alguns dos 
resultados obtidos são: 
 
• XRAY-TUTOR : seu objetivo é ensinar anormalidades nas radiografias do peito. Foi 
a primeira base de conhecimento projetada com o RUI. 
• MR1-TUTOR1: o objetivo deste ITS é ensinar os diferentes tipos de lesões no 
cérebro através de imagens de ressonância magnética digitalizadas. 
• MR1-TUTOR2: é uma especialização do anterior e se dedica a um determinado tipo 
de anomalia do cérebro relativa a um tipo de tumor que afeta apenas o cerebelo. 
• CT-TUTOR: o seu objetivo é auxiliar no estudo de anormalidades no abdome 
humano, envolvendo os aneurismas. 
 
Nos meados de 92 teve inicio o projeto de Sistemas Tutores para o Ensino de 
Matemática, no ICMSC-USP (Universidade de São Paulo), envolvendo pesquisadores 
das áreas de computação, educação e educação matemática [HAS95]. Consiste em 
investigar, projetar e implementar ferramentas e protótipos de Sistemas Tutores 
Inteligentes em subdomínios matemáticos. Muitas dissertações de mestrado e trabalhos 
de iniciação científica estão vinculados a este projeto que possui dois subprojetos: 
 
• TEGRAM: é um sistema tutor para o ensino de geometria plana, em que o estudante 
(primeiro e segundo graus) é estimulado a aprender via a realização de atividades 
baseadas totalmente na manipulação das peças do Tangram (jogo chinês). 
 
 
 
20 
• TOOTEMA: se prevê a criação de uma arquitetura genérica para permitir a troca de 
subdomínios. A ferramenta TOOTEMA permite a construção automática de sistemas 
tutores a partir de uma arquitetura básica subjacente (ARQTEMA). 
 
A comunicação do usuário com o sistema, pois o ambiente é interativo, foi investigada 
num projeto à parte denominado INTEMA. O projeto está em andamento. 
 
O SAMMERR - Sistema para Aprendizado do mapeamento do Modelo E/R para 
Relacional, desenvolvido no II/PUCRS [GAS96], é um ITS voltado para alunos de 
graduação do Curso de bacharelado do II/PUCRS na disciplina de Banco de Dados e 
tem por objetivo ensinar ao aluno a realização do mapeamento de uma maneira simples 
e objetiva, colocando a sua disposição conceitos básicos de Banco de Dados, com 
ênfase no Modelo Entidade-Relacionamento e Modelo Relacional. Além disto oferece 
os passos necessários para a realização do mapeamento, utilizando para tanto, técnicas 
de ITS. O protótipo está concluindo e sendo utilizado em sala de aula. 
 
O SISAUTOR [PAV95] é um sistema de autoria, cujo objetivo é possibilitar a 
construção de tutores hipermídia para o ensino de Cardiologia. Possui dois estados: 
Autoria (onde é feita a edição das telas) e Leitura (onde é feita a consulta e avaliação, 
não estando disponíveis as ferramentas de edição). O módulo de Autoria se divide em : 
módulo de Apresentação, módulo Casos, módulo Tutor e módulo de Mapa. Devido à 
pouca flexibilidade do módulo Casos, foi criado o projeto SISAUTOR-Expert para que 
seja possível a construção de ITS Hipermídia. No estado atual do projeto, segundo 
[WER96], foi implementado o SEC-TUTOR, baseado num sistema especialista já 
existente para o ensino de cardiologia (SEC - Sistema Especialista em Cardiologia) e 
seu objetivo é ensinar alunos de medicina a diagnosticar infarto agudo do miocárdio em 
situações de emergência, correspondendo a um ITS. 
 
Rogers [ROG95] apresenta o projeto de implementação e desenvolvimento de um ITS 
multimídia para suporte ao treinamento dos técnicos do Boeing Defense and Space 
Group, da Clark Atlanta University. O projeto está integrado num escopo maior 
denominado de NDI - NonDestructive Inspecrution, que envolve a detecção de ruídos 
(estalos) e imperfeições em partes de aviões, usando técnicas que não destruam a parte 
examinada. Os métodos convencionais de NDI incluem radiografias, ultra-sons e 
correntes elétricas que penetram nas partes investigadas. 
 
O ELETROTUTOR-II é um ITS desenvolvido em linguagem HTML versão 3, que 
permite o uso de frames, tornado a interface mais agradável e proporcionando ao aluno, 
segundo [SIL96], o controle do processo através de menu. Mantém a estrutura original 
do ELETROTUTOR (vide item 3.1.3) e cada unidade foi desenvolvida como um 
conjunto de páginas HTML, contendo textos e as figuras queconstituem seu domínio. O 
projeto se encontra em fase final de desenvolvimento no CPGCC/UFRGS. 
 
O CIRCSIM-Tutor [FRE96] é um ITS baseado em linguagem natural para auxiliar os 
alunos de medicina a entender os conceitos fisiologia cardíaca relacionados com a 
pressão cardíaca no corpo humano. O sistema visa gerar sugestões verbais para os 
estudantes. Para tanto foi desenvolvida uma metodologia onde um planejador de textos 
 
 
 
21 
dentro de um ITS funciona como um planejador de textos-problema. Estes textos são 
obtidos por um operador que atua numa biblioteca de planos. O texto controlado pelo 
operador de planos abrange toda a conversação com o aluno, desde os diálogos iniciais. 
Constrangimentos no operador de planos podem ser usados para que outras fontes de 
conhecimento sejam ativadas, tais como base do domínio, histórico do diálogo com o 
aluno e o modelo do aluno. Esta técnica de constrangimento é muito utilizada nos ITS 
quando um dos seus módulos está sofrendo constrangimentos e não consegue realizar a 
tarefa de auxiliar o aluno, outro módulo é ativado para sanar esta deficiência. O sistema 
foi baseado nas versões anteriores onde o diálogo entre o aluno e o ambiente se dava 
através do teclado. Modelos de conversações humanas e resultados dos diálogos dos 
alunos com o ambiente foram analisados e os resultados serviram de base para a 
elaboração da metodologia TIPS onde os planos são usados em diferentes agentes14 para 
explicar a mesma situação. Desta maneira, o problema de se explicar sempre da mesma 
maneira ao aluno uma dada situação é contornado. 
 
O ambiente SHERLOCK II é uma simulação computadorizada onde são apresentados 
uma série de exercícios com grau de dificuldade crescente. O domínio do sistema o 
avião de combate F15, mais especificamente os problemas que podem apresentar os 
seus componentes ao decolar, voar e pousar. Foi projetado para o treinamento de 
técnicos que trabalham nos testes de diagnostico para detecção de falhas e possíveis 
mal-funcionamentos na aeronave. 
 
A característica mais importante do SHERLOCH II é que o estudante pode pedir auxílio 
a qualquer momento e o princípio do ambiente é a aprendizagem com responsabilidade, 
i.e., os estudantes têm o controle do tipo de ajuda recebido e seu detalhamento. Estão 
disponíveis três tipos de orientações: como testar, como isto funciona e dados técnicos. 
Sendo que a parte principal do sistema são os dois primeiros tipos de orientação (como 
testar e como isto funciona). Os alunos podem aumentar o grau de detalhamento do 
treinamento através de menus ou re-selecionar uma sugestão fornecida a ele. Utiliza a 
metodologia aprender-fazendo (vide capítulo 4) e resolve dois problemas importantes a 
nível de projeto de ITS: o controle por parte do aluno da informação recebida e o tipo de 
informação recebida, facilitando a integração entre conhecimento procedural e 
conceitual. Os tópicos do conteúdos foram colocados na forma de um hipertexto. 
 
O projeto OLI [RET96] é um ITS que usa a metodologia de ensino através de debate 
entre o usuário e o sistema. Ensinar em domínios onde existe muita controvérsia pode 
ser problemático, como por exemplo no ensino de Direito, onde o professor deve 
encorajar o aluno a explorar pontos de vista diferentes e até mesmo contraditórios. No 
caso dos ITS quando o aluno discorda do tutor muitas vezes é assumido que isto se trata 
de uma incompreensão ou desconhecimento por parte deste. Mas quando se deseja que 
as posições do aluno sejam debatidas pelo tutor a questão se torna muito complexa. O 
projeto é baseado numa estrutura de argumentação que fica num meta-nível. Esta 
técnica foi sugerida por Haggith em 1995 (Apud in RET96) e foi adaptado para explorar 
e manejar com inconsistências. O ambiente suporta múltiplas estratégias de ensino e 
desempenha o papel de um instrutor ou de Advogado do Diabo. Na abordagem de 
 
14 O ambiente foi projetado numa arquitetura MAS. 
 
 
 
22 
Advogado do Diabo o usuário debate com o sistema num tópico controverso e ambas as 
partes tentam defender suas opiniões usando argumentos de suporte. O sistema faz o 
papel de Advogado do Diabo e tenta se opor ao ponto de vista do aluno ao mesmo 
tempo que vai apresentando o conhecimento que deseja que o aluno adquira. 
 
Existe um uma série de limitações na versão atual do sistema, como por exemplo o 
Diabo uso sempre o mesmo tipo de argumento usado pelo usuário. O método de ensino 
é uma inovação, a nível de ITS, permitindo ao estudante um conhecimento global do 
domínio de forma a evitar que ele pule para uma conclusão sem ter analisado várias 
opiniões do domínio. 
 
2.4 Exemplo de ITS com uso de multimídia 
 
O projeto SAFARI do Departamento de Informática e pesquisa operacional da 
Universidade de Montreal, envolve um grande número de protótipos de ILE’s para 
aplicações profissionais. O ambiente SICULE ( Surgical Intensive Care Unit Learning 
Environment) [ALE96] é a extensão do projeto SICU (Surgical Intensive Care Unit) 
onde uma equipe diversificada de estudantes de enfermagem, técnicos, residentes e 
médicos especialistas podem aprender através da simulação de uma intervenção 
cirúrgica. No momento o projeto visa o treinamento e aperfeiçoamento de enfermeiros. 
O ambiente é rico em eventos relacionados ao paciente que sofre a intervenção cirúrgica 
e o usuário faz parte de uma equipe de atendimento e tem de estar atento às tomadas de 
decisão dos colegas e dos dados que aparecem sobre o paciente. 
 
A arquitetura do ambiente envolve três tipos de conhecimento: 
• ambiental: equipamento biomédicos e ferramentas utilizadas nos protocolos de 
terapia; O conhecimento está colocado de forma estrutural, funcional e operacional. As 
duas primeiras categorias aparecem implícitas nos modelos de simulação enquanto a 
parte operacional aparece em grafos de tarefas. 
• médico: essencial para a atendimento adequado dos pacientes que chegam ao SICU, 
para que se possa interpretar as informações e decidir se é ou não necessário uma 
intervenção. Existem duas categorias distintas: 
a) os casos gerais, que incluem os protocolos de atendimento de pacientes e as 
intervenções terapêuticas. Isto é necessário para que as enfermeiras executem avaliações 
periódicas no paciente e realizem os protocolos terapêuticos. Os protocolos são 
representados por grafos de tarefas. O diagnóstico é feito através de um módulo 
especialista; 
b) os casos específicos: inclui a descrição das condições do paciente ao chegar no 
SICU, o diagnostico médico e o plano de terapia. A descrição do caso é apresentada na 
forma de um texto e a base do módulo especialista é feita com regras. 
 
O ambiente possui um módulo de informações onde são apresentados os cursos com 
ilustrações multimídia para demonstrar os procedimentos e como realizá-los. O papel do 
tutor que atua junto da simulação é de um orientador que faz críticas, dá avisos e emite 
sugestões e avisos para o usuário, ao longo da simulação. O usuário pode usar o 
SICULE de três maneiras: exploração livre (usando uma simulação ou um modelo), 
demonstração (interativa ou não-interativa) e resolução de problemas com diferentes 
 
 
 
23 
tipos de orientação. No estágio atual do protótipo não existe integração dos outros 
módulos com o modelo do aluno. Sua avaliação é feita com testes de escolha simples, 
auto-avaliação e questões de múltipla escolha, onde são contados apenas os acertos 
obtidos. Os procedimentos são pré-fixados e o aluno seleciona aquele que deseja e não 
existe uma seleção feita pelo sistema em função da situação de aprendizagem e do tipo 
de aluno que está utilizando o ambiente. 
 
Slator [SLA96] apresenta uma aplicação pedagógica na forma de um ambiente de 
simulação multimídia onde o aluno aprende através da competição com outros 
jogadores.O ambiente é um jogo onde o aluno aprende princípios de microeconomia 
onde a estratégia é aprender através da aprendizagem de papéis e possui as seguintes 
características: 
• Trabalha em ambiente de rede; 
• Suporta vários usuários jogando ao mesmo tempo; 
• Baseia-se em simulações; 
• Possui interações multimídia (incluindo vídeos e sons interativos); 
 
A premissa do jogo é que o jogador (aluno) herda uma quantia de dinheiro de um velho 
tio, com a condição de ir para a cidade de Springfield e entrar na economia de varejo 
tomando conta da loja da família. Desta maneira, logo após iniciar o jogo, o jogador 
assume o papel de dono da loja. 
 
A arquitetura para simulação dos papéis virtuais foi projetada para atender os seguintes 
critérios: 
1. O papel do jogador deve ser explicitado para o contexto do jogo; 
2. O sucesso do jogador em aprender o seu papel no ambiente é diretamente associado 
ao seu sucesso no jogo; 
3. As atitudes dos jogadores produzem um efeito “real” no ambiente de simulação e 
este reage imediatamente; 
4. O ambiente pode ser ativo ou passivo, mas o jogador sempre está no controle da 
experiência; 
5. O ambiente é rico em detalhes, complexo e pleno de detalhes interessantes; 
6. A complexidade do ambiente foi determinada em função dos objetivos de ensino e 
alguns elementos foram colocados apenas para deixar o ambiente mais divertido e 
agradável; 
7. As interfaces são fáceis e o ambiente possui ícones e metáforas quase como se fosse 
uma foto real e os jogadores são levados a uma imersão do seu papel no ambiente; 
8. Os jogadores possuem um Help sensível ao contexto, que pode ser ativado de 
qualquer parte do ambiente. 
 
O sistema foi projetado para ensinar os princípios de marketing que devem ou podem 
ser usados em vendas. Tudo que o estudante necessita está disponível na forma de 
dispositivo de vídeo e num help on-line. O resultado do jogo é medido na quantidade de 
vezes que ele aumentou sua herança. 
 
A cidade de Springfield é simulada através da construção de uma interface voltada ao 
usuário utilizando uma MOO( MUD, Multi-User Domain ,Object-Oriented). As MUD’s 
 
 
 
24 
são lugares de encontro eletrônico baseados em textos onde os jogadores constróem 
sociedades e ambientes fantasia e podem interagir uns com os outros. Tecnicamente, 
uma MUD é um banco de dados multiusuário e com mensagens do sistema. Os 
componentes básicos são “salas” com saídas, conteúdos e jogadores. As MUD’s 
suportam a interação das mensagens dos jogadores (simultaneamente) requeridas num 
ambiente de se encontram vários jogadores 
 
A cidade é percorrida a partir da visualização do mapa geral, o qual está dividido em 
oito bairros. Cada loja da cidade é visível no mapa e implementada como uma “sala” 
onde aparece toda a região ao seu redor. Os jogadores têm de cuidar a concorrência das 
outras lojas e as necessidades da sua vizinhança. Os jogadores podem visitar os diversos 
lugares da cidade e, se tiverem problemas econômicos, podem solicitar empréstimos 
através do banco local , situado no centro da cidade. 
 
O ambiente possui muitos ícones, uma vez que estes são parte importante da informação 
(são as metáforas) e as informações associadas à estes são fotos realísticas , de maneira 
a proporcionar uma situação consistente e com mais credibilidade. 
 
2.5 Exemplos de ITS em ambientes de rede 
 
O desenvolvimento da tecnologia de redes, segundo [SIL96], o aperfeiçoamento dos 
meios de comunicação, protocolos e das técnicas de processamento distribuído faz com 
que cada vez mais se utilize estes ambientes para fins educacionais. 
 
A INTERNET e seus serviços adicionam novos componentes para o processo de 
ensino-aprendizagem : possibilidade de troca de informações e aprendizagem 
cooperativa, busca e recuperação em locais independente de barreiras físicas, velocidade 
de propagação e disseminação do conhecimento existente e em produção. As novas 
tecnologias estão ampliando as dimensões do ensino tradicional suportado por 
computador e fazendo com que a pesquisa em DLE evolua de forma acelerada. Os DLE 
se caracterizam pela arquitetura distribuída numa arquitetura cliente-servidor típica 
destes ambientes (vide SIL96, p.13-15). 
 
Atualmente já existem alguns exemplos de ITS para serem utilizados na rede WWW 
(ou simplesmente WEB) e iremos apresentar os ITS e ferramentas que obtivemos 
utilizando os endereços apresentados no item 3.1.8. 
 
O sistema CALAT15 (Computer Aided Learning and Authoring environment for Tele-
education) [NAK96] é um sistema instrucional tipo ITS usando a INTERNET, numa 
arquitetura cliente/servidor. Baseia-se no tutor CAIRNEY [FUK95] que é uma 
ferramenta multimídia para construção de ITS. CAIRNEY é marca registrada da Nippon 
Telegraph and Telephone Corporation e foi desenvolvido nos laboratórios na NTT 
Network Information Systems. Possui um módulo autor que suporta multimídia e 
pequenas simulações através de um biblioteca de ferramentas pré-disponíveis. Suporta 
aplicações em ambiente Windows e trabalha com múltiplas janelas. No módulo tutor é 
 
15 calat@isl.ntt.co.jp 
 
 
 
25 
apresentado o courseware criado no módulo autor onde o estudante escolhe entre 
diferentes estilos a forma como gostaria de estudar. 
 
Já existem disponíveis na rede, através da homepage do projeto (vide item 3.1.8), uma 
série de exemplos utilizando estas ferramentas. 
 
O projeto LEAP16 - Learn Explore And Practice é resultante do esforço cooperativo 
entre a US WEST Advanced Technologies, Learning systems, and Mass Markets para 
desenvolver uma plataforma de ITS multimídia capaz de permitir uma bordagem 
inteligente e prática de como deve se dar o contato entre o funcionário e o cliente. Com 
este ambiente, rico em possibilidades multimídia, o LEAP proporciona atividades de 
aprendizagem muito realistas através dos seus cenários e dos processos de simulação. 
 
O projeto ELM-ART (ELM Adaptive Remote Tutor) é um ITS na WWW para suportar 
o ensino da linguagem de programação LISP. O ELM-ART é baseado no ELM-PE 
[BRU96] e pode ser considerado um livro texto inteligente e on-line integrado com um 
ambiente resolvedor de problemas. Apresenta os materiais através de recursos 
hipermídia e se difere dos demais hiperlivros da rede por dois aspectos: o ELM-ART 
conhece o material que está apresentado ao aluno e o assiste e o segundo aspecto é que 
os exemplos e problemas se constituem em experiências vivas onde o aluno pode 
investigar todos os problemas de forma on-line. Através do seu browser (navegador) ele 
permite oportunidades diferenciadas ao aluno. Possui o tradicional problema inerente 
em todo ambiente hipermídia que é a possibilidade do aluno ficar perdido no hiper-
espaço e não conseguir coordenar seus objetivos iniciais com as informações coletadas, 
devido ao grande volume de ligações (links) que ele pode acessar. 
 
2.6 Onde encontrar descrição de ITS - impressos 
 
Decidimos colocar este item para facilitar o acesso às fontes utilizadas neste trabalho, de 
maneira que aqueles que se iniciam na área ou nela trabalham possam agilizar o seus 
procedimentos de pesquisa. 
 
Em 82, Sleeman e Brown publicaram uma edição especial do International Journal of 
Man-Machine Studies na forma de um livro que batizou a área com seu nome mais 
conhecido: Intelligent Tutoring Systems [SLE 82]. 
 
Em 87, Etienne Wenger[WEN87] publicou um survey apresentando a descrição dos 
ITS, desde de seu o SCHOLAR até os experimentos feitos em 1986. 
 
Em 88, outro livro foi publicado, sob a supervisåo de Self: Artificial Intelligence and 
Human Learning [SEL88]. A partir deste último, é possível perceber o estado da arte 
em sistemas tutores inteligentes e algumas de suas perspectivas e direções futuras. 
 
 
16 randall@advtech.uswest.com26 
O International Journal Computers & Education da Elsevier17 e a revista AI-Artificial 
Intelligence18 apresentam uma série de artigos sobre ITS. Na revista AI encontramos 
artigos desde o ano de 1977, onde encontramos o artigo pioneiro de John Self com 
muitas considerações sobre ITS e atualmente encontramos muitos tópicos relacionados 
com agentes. 
 
Outra publicação interessante de ser consultada é a MINDS and MACHINES, Journal 
for Artificial Intelligence, Philosophy, and Cognitive Science19 . 
 
3 ARQUITETURAS DE ITS 
 
As arquiteturas de sistemas tutores inteligentes variam de uma implementação para 
outra e segundo os autores (BARR&FEIGENBAUM[BAR82]; Yazdani[YAZ87];Self 
[SEL88];Viccari[VIC90]; Oliveira[OLI94]) possuem uma organização básica com 
alguns componentes funcionais que podem ser observados na maioria dos casos. A 
FIGURA 1 apresenta esta concepção modular dos ITS. 
 
17Elsevier Science ltd. Bampfylde Street, Exeter EX1 2AH, U.K. 
Editors: Dr.Michael R. Kibby mike@turing.ac.uk 
 Professor Rachel Heller sheller@seas.gwu.edu 
18Elsevier Science B.V. P.O. box 521, 1000 AM Amsterdam, Netherlands 
Editors: Dabiel G. Bobrow e Michael Brady 
19Kluwer Academic Publisher, P.O., Box 17 AA Dordrecht, Netherlands 
 
 
 
27 
 
 
 
 Usuário 
 
 
 Interface 
 
Estratégias de Ensino Controle Modelo do 
 Aluno 
 
 Base do Domínio 
 
FIGURA 1- Arquitetura tradicional de um ITS 
 
3.1 Base de conhecimento do domínio 
 
O modelo de domínio é o componente especialista do tutor, constituído pelo material 
instrucional, por uma sistemática geração de exemplos, pela formulação de diagnósticos 
e pelos processos de simulação. Contém o conhecimento sobre o domínio que se deseja 
ensinar ao estudante. Vários modelos de representação de conhecimento podem ser 
usados aqui: redes semânticas, frames, scripts, regras de produção, OOP, entre outras. A 
escolha deve recair sobre aquele método que melhor e mais facilmente atenda os 
requisitos de representação e manipulação do raciocínio. Segundo [HAS95], uma 
escolha inadequada pode comprometer todo o desempenho do sistema, uma vez que 
este módulo deve ser capaz de determinar, entre outras coisas, a complexidade e 
consequentemente a forma de apresentação dos conceitos da área de conhecimento em 
questão. 
 
O material instrucional é organizado, geralmente, numa taxinomia que prevê níveis 
crescentes de complexidade. As tarefas são organizadas utilizando uma estrutura de 
árvore e formadas dinamicamente, de acordo com a interação e o trabalho do aluno. 
 
A estratégia de ensino a ser utilizada vai depender do modelo do aluno definido, como 
veremos mais adiante. 
 
A base de conhecimentos do domínio é um componente chave do sistema tutor 
inteligente; ali está representado o material instrucional - ou seja, o conteúdo que o tutor 
deverá ministrar. O fato desse conteúdo ser armazenado em uma base de conhecimento 
- e não em uma base de dados convencional - é um dos fatores que determinam a 
diferença entre um ITS e um CAI convencional. A base de conhecimentos deve facultar 
 
 
 
28 
ao sistema a possibilidade de raciocinar sobre a estrutura do conteúdo a ser ministrado, 
permitindo-lhe então ser mais do que um simples "virador de página eletrônico". 
 
Uma conseqüência evidente desta importância funcional é que a representação de 
conhecimento utilizada determina fortemente o comportamento do sistema tutor. Como 
em todos os sistemas baseados em conhecimento, a forma de representação dependerá, 
via de regra, do domínio de aplicação considerado. Por outro lado, o tipo de 
manipulação a ser efetuada pelo sistema tutor também influencia a forma de 
representação do conhecimento. Com base nisso, Woolf [WOO88] estabelece uma 
distinção entre sistemas tutores fortes e fracos. Um sistema tutor fraco deve ser capaz de 
ministrar o conteúdo, propor questões a serem resolvidas pelo aluno e 
reconhecer/corrigir erros. Um sistema tutor forte deve, além disto, ser capaz de resolver 
as mesmas questões que propõe ao aluno - ou seja, deve ser capaz de, além de ministrar 
o conteúdo, utilizá-lo na resolução de problemas. A decisão de construir um sistema 
tutor forte ou fraco influencia a representação do conhecimento do domínio. 
 
Tipicamente, nos casos em que o domínio é de natureza descritiva e teórica (por 
exemplo, geografia ou física), a representação utilizada é declarativa (em geral redes 
semânticas ou linguagens de "frames"). Já nos casos em que o domínio é orientado a 
uma tarefa (por exemplo, programação Pascal), a representação tende a ser procedural - 
tipicamente regras de produção. Woolf [WOO88] denomina essas duas categorias de 
conhecimento conceitual e conhecimento procedural, e acrescenta uma terceira 
categoria chamada conhecimento heurístico. O conhecimento heurístico descreve 
maneiras de utilizar o conhecimento (procedural ou declarativo) na resolução de 
problemas. Pode-se dizer que a sua presença distingue o sistema tutor forte do fraco. 
 
O embasamento cognitivo da representação utilizada na base de conhecimento do 
domínio e no modelo do aluno reflete o caráter multidisciplinar dos sistemas tutores 
inteligentes enquanto área de pesquisa. Ohlsson [OHL87], Clancey [CLA89] e Self 
[SEL90], entre outros, também apontam a necessidade de buscar premissas 
psicológicas, epistemológicas e pedagógicas para a construção de sistemas tutores 
inteligentes. O fato de tais premissas (muitas vezes assumidas inconscientemente) 
estarem geralmente implícitas na estrutura do tutor é mais um reflexo da mesma falta de 
fundamentação teórica geral que foi comentada anteriormente. A teoria cognitiva 
utilizada por Anderson pode parecer simplista ao advogar modelos mentais totalmente 
embasados em regras de produção, no entanto, é um dos poucos trabalhos a explicitar 
seu embasamento psicológico. Para uma discussão sobre teorias cognitivas aplicáveis à 
representação computacional do conhecimento, ver [WOO88]. 
 
3.2 Modelo do aluno 
 
Este módulo representa o conhecimento e as habilidades cognitivas do aluno em um 
dado momento. É constituído por dados estáticos e dados dinâmicos[VIC90] que serão 
de fundamental importância para o tutor poder comprovar hipóteses a respeito do aluno. 
Contém uma representação do estado do conhecimento do aluno no momento que 
interage com o ITS. A partir desse modelo e do conteúdo a ser ensinado, o sistema deve 
ser capaz de inferir a melhor estratégia de ensino a ser utilizada em seguida. Um modelo 
 
 
 
29 
realista do aluno implica numa atualização dinâmica à medida que o sistema avalia o 
desempenho do estudante. 
 
Os dados dinâmicos referem-se ao desempenho do aluno face a questões formuladas 
pelo tutor e confrontadas com as hipóteses elaboradas pelo aluno, face ao uso que o 
aluno faz do sistema e face aos novos conhecimentos que o aluno pode vir a ensinar ao 
tutor. 
 
Muitas técnicas são utilizadas para construir o modelo do aluno como por exemplo: 
 
- incluir um reconhecimento de padrões aplicados à história das respostas fornecidas por 
ele; 
- comparar a conduta do aluno com a de um especialista e verificar os pontos em 
comum; 
- colocar as preferências do aluno; 
- seus objetivos particulares; 
- coisas que ele sempre costuma esquecer quando interage com o tutor; 
- indicação dos seus objetivos particulares. 
 
O modelo do aluno, segundo [COS96], pode ser representado apoiando-se em alguns 
modelos de descrição, sendo eles: 
 
• Modelo diferencial: onde a resposta do aluno é comparada com a base de 
conhecimento. Esta modelagem, segundo [DAM95b], se compara a performance do 
especialista com a do estudante e não o conhecimento deles. A modelagem por 
diferenciação divide o conhecimento em duas