Baixe o app para aproveitar ainda mais
Prévia do material em texto
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO GRANDE DO SUL FACULDADE DE INFORMÁTICA PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO Sistemas Tutores Inteligentes Multiagentes modelados com a metodologia para Engenharia de Sistemas Multiagentes MaSE por Willian Bolzan Dissertação apresentada como requisito parcial à obtenção do grau de Mestre em Ciência da Computação. Orientador: Profª. Dra. Lucia Maria Martins Giraffa Porto Alegre, novembro de 2002 II À minha família. III Agradecimentos Gostaria de agradecer, primeiramente e especialmente, à minha mãe, Rosangela, por todo seu apoio e confiança, especialmente, desde quando decidi "sair de casa" em busca de um futuro melhor para todos. Obrigado por ser minha mãe e por desdobrar-se e fazer, também, o papel de pai. Eu sou o que sou graças a senhora. Obrigado!. À minha querida namorada, Simone, por todo amor e compreensão, principalmente nos momentos em que estive ausente. Muito obrigado, meu "bicho", por me fazer muito feliz. À minha orientadora, a Profª. Dra. Lucia Maria Martins Giraffa, pela constante e valiosa orientação, por todos os conselhos e palavras de motivação e, sobretudo, por toda ajuda e apoio dispensados. Mais do que uma orientadora, fostes uma grande amiga. Nunca vou esquecer o que fizeste por mim. Obrigado!. À toda minha família: pais, irmãos, avós, tios e primos, por toda ajuda, força e confiança. À todos meus amigos, pela amizade e companheirismo. Valeu!. À todos meus inesquecíveis colegas e amigos da graduação, especialmente ao Cleverton S. Vale "Kbeça", Cristiano R. Moreira "Bozana", Viviane M. Goi, e a todos àqueles que me ajudaram de uma maneira ou de outra a concluir essa etapa da minha vida. São nas horas difíceis que vemos quem são nossos verdadeiros amigos. Aos meus inesquecíveis colegas que tornaram-se verdadeiros amigos no PPGCC: Alexandre Amory, Andréa Konzen, Eduardo Rödel, Karina Benato, Luciano Cassol, Leonardo Castanheira, Flávia P. Carvalho, Leticia dos Santos Machado, Luiz Augusto Sangoi Pizzato, Leonardo Sewald Cunha, Luciano Ramis, Rafael Granada, Sheila Maria, Roberto Zannoni. Pelas festas e churrascos inesquecíveis, especialmente na "Casa dos Mestrandos". Que o tempo e a distância física não esmoreça essa amizade. Aos companheiros do esquadrão Killer Lattices (#KL#): "Aarzak", "Avagina", "Gen. Bin Laden", "Milch Cow", "Virgulino", "Gen. Killer Z", "Imortal", "Granadator", "Oshires", "Lara Croft", em nossas emocionantes partidas de "D" e, também, na Superliga Killer Lattices de Freestyle Pebolin. Aos colegas da turma de 2000 e 2002 do PPGCC, pelas novas amizades conquistadas. Aos funcionários e ao copo docente PUCRS/FACIN/PPGCC, especialmente, à Profa. Adja Andrade pelas importantes contribuições. À CAPES por viabilizar este trabalho através de seu suporte financeiro. IV Sumário LISTA DE ABREVIATURAS........................................................................................VI LISTA DE FIGURAS................................................................................................. VIII LISTA DE TABELAS .....................................................................................................X LISTA DE QUADROS ................................................................................................. XI RESUMO .....................................................................................................................XII ABSTRACT ................................................................................................................ XIII 1 INTRODUÇÃO ....................................................................................................... 1 1.1 CONTEXTO 2 1.2 O PROBLEMA CONSIDERADO NESTA PESQUISA 2 1.3 DELIMITAÇÃO DO ESTUDO 3 1.4 QUESTÃO DE PESQUISA 4 1.4.1 Hipóteses 4 1.5 OBJETIVOS 4 1.5.1 Objetivos específicos 4 1.6 TRABALHOS CORRELATOS 5 1.7 ORGANIZAÇÃO DO TEXTO 5 2 SISTEMAS MULTIAGENTES E SISTEMAS TUTORES INTELIGENTES .....7 2.1 STI MULTIAGENTES 11 2.1.1 WHITE RABBIT 12 2.1.2 LeCS 14 2.1.3 LANCA 15 2.1.4 Baguera 16 2.1.5 I-Help 16 2.1.6 The Explanation Agent 18 2.1.7 AME-A 19 2.1.8 Eletrotutor 20 2.1.9 Um modelo computacional baseado na teoria de Vygotsky 22 2.2 ESTUDO COMPARATIVO SOBRE OS AMBIENTES SELECIONADOS 23 2.2.1 Resultado da análise comparativa 26 3 METODOLOGIAS PARA DESENVOLVIMENTO DE SMA............................ 29 3.1 METODOLOGIAS E ABORDAGENS PARA O DESENVOLVIMENTO DE SMA 29 3.1.1 Abordagens 29 3.1.1.1 Extensões das metodologias OO 30 3.1.1.2 Extensões das metodologias da EC 32 V 3.2 METODOLOGIAS PARA SMA 33 3.2.1 Gaia 34 3.2.2 MaSE 36 3.2.2.1 agentTool 41 3.3 MASE COMO METODOLOGIA DE REFERÊNCIA 46 4 STI MODELADOS COM METODOLOGIAS PARA SMA................................. 49 4.1 ESTUDO DE CASO 50 4.1.1 Construção de um Agente Pedagógico de Diagnóstico para a Aprendizagem Colaborativa 51 4.1.1.1 Agente Diagnóstico 53 4.2 APLICANDO MASE AO ESTUDO 53 4.2.1 Análise 55 4.2.1.1 Capturando Objetivos 55 4.2.1.2 Aplicando Use Cases 58 4.2.1.3 Refinando Papéis 65 4.2.2 Projeto 71 4.2.2.1 Criando Classes de Agentes 72 4.2.2.2 Construindo Conversações 73 4.2.2.3 Montando Classes de Agentes 75 4.2.2.4 Projeto do Sistema 78 5 CONSIDERAÇÕES FINAIS................................................................................. 81 5.1 LIMITAÇÕES E TRABALHOS FUTUROS 83 5.2 RESULTADOS OBTIDOS 85 REFERÊNCIAS BIBLIOGRÁFICAS........................................................................... 87 VI Lista de Abreviaturas AAII Australian Artificial Inteligence Institute ACL Agent Comunication Language AEIO Agent, Environment, Interactions, Organisation AFIT Air Force Institute of Technology AOSE Agent-Oriented Software Engineering ARCHON ARchitecture for Cooperative Heterogeneous ON-line systems AUML Agent Unified Modelling Language BDI Beliefs, Desires and Intentions CAI Computer Assisted Instruction CBR Case Based Resoning CBR Case Based Resoning CoMoMAS Contribution to Knowledge Modelling in a Multi-Agent Framework DESIRE framework for DEsign and Specification of Interacting REasoning components EC Engenharia do Conhecimento ES Engenharia de Software EURESCOM European Institute for Research and Strategic Studies in Telecommunications FACIN Faculdade de Informática IA Inteligência Artificial IAD Inteligência Artificial Distribuída IAED Inteligência Artificial Aplicada à Educação IE Informática na Educação ILE Intelligent Learning Environment ITS Intelligent Tutoring System KQML Knowledge Query and Manipulation Language VII LAN Local Area Network LeCS Learning from Case Studies MASB Multi-Agent Scenario-Based Method MaSE Multiagent Systems Engineering MASP Multi-Agent Systems develoPment MCOE Multi Cooperative Environment OA Orientado a Agente OMG Object Management Group OMT Object Modelling Technique OO Orientação a Objeto OOSE Object Oriented Software Engineering PGIE Pós-Graduação em Informática na Educação PPGC Programa de Pós-Graduação em Computação PPGCC Programa de Pós-Graduação em Ciência da Computação PUCRS Pontifícia Universidade Católica do Rio Grande do Sul RDD Responsability Driving Desing RPC Remote Procedure Calls SMA Sistemas Multiagentes SODA Societies in Open and Distributed spaces STI Sistemas Tutores Inteligentes UFRGS UniversidadeFederal do Rio Grande do Sul UFSC Universidade Federal de Santa Catarina UML Unified Modelling Language W-MCOE Web-Multi Cooperative Environment WWW Wide World Web ZPD Zone of Proximal Development VIII Lista de Figuras FIGURA 1: CONTEXTO DA PESQUISA ......................................................................................................................................2 FIGURA 2: ARQUITETURA CLÁSSICA DE UM STI..................................................................................................................11 FIGURA 3: ARQUITETURA GERAL DO SISTEMA WHITE RABBIT........................................................................................13 FIGURA 4: ARQUITETURA DO SISTEMA LECS ......................................................................................................................14 FIGURA 5: ARQUITETURA DO SISTEMA LANCA.................................................................................................................15 FIGURA 6: ARQUITETURA DO SISTEMA I-HELP ...................................................................................................................18 FIGURA 7: ARQUITETURA DO AMBIENTE EXPLANATION AGENT...................................................................................19 FIGURA 8: ARQUITETURA DO AGENTE EXPLICAÇÃO........................................................................................................19 FIGURA 9: ARQUITETURA DO AMBIENTE AME-A..............................................................................................................20 FIGURA 10: ARQUITETURA DO AMBIENTE ELETROTUTOR III.........................................................................................21 FIGURA 11: ARQUITETURA DO AMBIENTE PROPOSTO POR [AND2001] ........................................................................23 FIGURA 12: SUBDIVISÃO DE UM AGENTE PEDAGÓGICO NO PROCESSO DE ENSINO-APRENDIZAGEM....................26 FIGURA 13: COMPONENTES BÁSICOS DA METODOLOGIA GAIA.....................................................................................34 FIGURA 14: VISÃO GERAL DA METODOLOGIA MASE [WOOD2000].............................................................................36 FIGURA 15: DIAGRAMA DE HIERARQUIA DE OBJETIVOS [WOOD2000]........................................................................37 FIGURA 16: DIAGRAMA DE SEQÜÊNCIA [WOOD2000] ....................................................................................................37 FIGURA 17: MODELO DE PAPEL TRADICIONAL [WOOD2000]........................................................................................38 FIGURA 18: DIAGRAMA DE CLASSES DOS AGENTES [WOOD2000].................................................................................39 FIGURA 19: DIAGRAMA DE COMUNICAÇÃO ENTRE CLASSES (INICIATOR) [WOOD2000]..........................................39 FIGURA 20: DIAGRAMA DE COMUNICAÇÃO ENTRE CLASSES (RESPONDER) [WOOD2000].......................................39 FIGURA 21: CLASSE DE AGENTE GENÉRICA COM ARQUITETURA REATIVA [WOOD2000] ........................................40 FIGURA 22: DIAGRAMA DE DISPOSIÇÃO [WOOD2000]....................................................................................................41 FIGURA 23: INTERFACE GRÁFICA DA FERRAMENTA AGENTTOOL ..................................................................................41 FIGURA 24: DIAGRAMA DE HIERARQUIA DE OBJETIVOS ................................................................................................42 FIGURA 25: DIAGRAMA DE USE CASE...................................................................................................................................43 FIGURA 26: DIAGRAMA DE SEQÜÊNCIA ...............................................................................................................................43 FIGURA 27: DIAGRAMA DE CLASSES DE AGENTES.............................................................................................................44 FIGURA 28: DIAGRAMA DE CLASSES DOS AGENTES ..........................................................................................................44 FIGURA 29: DIAGRAMA DE TAREFAS ....................................................................................................................................45 FIGURA 30: DIAGRAMA DE MONTAGEM ..............................................................................................................................45 FIGURA 31: DIAGRAMA DE IMPLANTAÇÃO ..........................................................................................................................46 FIGURA 32: CICLO DE TUTORAÇÃO E COREOGRAFIA .......................................................................................................49 FIGURA 33: CONTEXTO DA PROPOSTA .................................................................................................................................50 FIGURA 34: ARQUITETURA MULTIAGENTE [AND2001B].................................................................................................52 FIGURA 35: USE CASE - AGENTE DIAGNÓSTICO [AND2001A].......................................................................................54 FIGURA 36: ESTUDO DE CASO - DIAGRAMA DE HIERARQUIA DE OBJETIVOS .............................................................57 FIGURA 37: ESTUDO DE CASO - USE CASES ........................................................................................................................58 FIGURA 38: DIAGRAMA DE USE CASE - UML .....................................................................................................................59 IX FIGURA 39: ESTUDO DE CASO - DIAGRAMA DE SEQÜÊNCIA (USE CASE 1: REGISTRAR COMPORTAMENTO DO GRUPO) ............................................................................................................................................................................60 FIGURA 40: ESTUDO DE CASO - DIAGRAMA DE SEQÜÊNCIA (USE CASE 2: AVALIAR ZPD).....................................61 FIGURA 41: ESTUDO DE CASO - DIAGRAMA DE SEQÜÊNCIA (USE CASE 3: CRIAR MODELO DO GRUPO).............62 FIGURA 42: ESTUDO DE CASO - DIAGRAMA DE SEQÜÊNCIA (USE CASE 4: INFORMAR APOIO (SCAFFOLD)) .......63 FIGURA 43: ESTUDO DE CASO - DIAGRAMA DE SEQÜÊNCIA (USE CASE 5: PROCESSO DE DIAGNOSTICO) ...........65 FIGURA 44: ESTUDO DE CASE - DIAGRAMA DE PAPÉIS ....................................................................................................66 FIGURA 45: ESTUDO DE CASE - DIAGRAMA DE PAPÉIS (REFINAMENTO 1) ..................................................................67 FIGURA 46: ESTUDO DE CASE - DIAGRAMA DE PAPÉIS (REFINAMENTO 2 ).................................................................67 FIGURA 47: ESTUDO DE CASO - DIAGRAMA DE TAREFAS CONCORRENTES.................................................................68 FIGURA 48: DIAGRAMA DE TAREFAS CONCORRENTES .....................................................................................................69 FIGURA 49: ESTUDO DE CASO - DIAGRAMA DE CLASSES DE AGENTES ........................................................................73 FIGURA 50: ESTUDO DE CASO - DIAGRAMA DE CONVERSAÇÕES (REMETENTE) ........................................................74 FIGURA 51: ESTUDO DE CASO - DIAGRAMA DE CONVERSAÇÕES (DESTINATÁRIO) ...................................................74 FIGURA 52: ESTUDO DE CASO - DIAGRAMA DE ARQUITETURA DE AGENTE...............................................................76 FIGURA 53: TELA PARA ARMAZENAR E RECUPERAR OBJETOS ..........................................................................................77 FIGURA 54: ESTUDODE CASO - DIAGRAMA DE IMPLANTAÇÃO......................................................................................78 FIGURA 55: EXEMPLO DE GERAÇÃO DE CÓDIGO AUTOMÁTICO .....................................................................................79 X Lista de Tabelas TABELA 1: CONCEITOS ABSTRATOS E CONCRETOS NA METODOLOGIA GAIA.............................................................34 XI Lista de Quadros QUADRO 1: QUADRO COMPARATIVO SOBRE OS AMBIENTES SELECIONADOS...............................................................25 QUADRO 2: DESCRIÇÃO TEXTUAL DO USE CASE ................................................................................................................56 XII Resumo Este trabalho apresenta resultados da pesquisa de mestrado que busca investigar requisitos e características que uma metodologia deve oferecer que possibilite a modelagem de Sistemas Tutores Inteligentes (STI) Multiagentes. Uma vez que, este tipo de aplicação educacional se constitui como um Sistema Multiagente (SMA), foi selecionada uma metodologia de referência denominada MaSE (Multi-agent System Engineering), proposta por Wood [WOOD2000], e com o objetivo de verificar a aplicação da metodologia proposta foi desenvolvida a simulação de um estudo de caso baseado no trabalho de Andrade [ANDR2001], a fim de que os requisitos e particularidades desta aplicação pudessem ser estudados. Os resultados obtidos através do processo de simulação permitiram validar a aplicação da metodologia como instrumento de modelagem do ciclo de tutoração presentes em STI multiagentes. Para contextualizar esta pesquisa, foi realizada, uma revisão bibliográfica dos principais STI que utilizam a tecnologia de agentes em seu projeto, com o objetivo de identificar alguns aspectos específicos em seu desenvolvimento. E, também, uma pesquisa sobre metodologias para o desenvolvimento de Sistemas Multiagentes, a fim de obter uma maior fundamentação e reunir subsídios para auxiliar no desenvolvimento dessa pesquisa. Estes resultados podem ser acessados em [BOL2001, BOL2002]. Palavras Chave: Sistemas Multiagentes, Sistemas Tutores Inteligentes, Engenharia de Software, Metodologias XIII Abstract This work presents the research results concerning to the set of requirements and characteristics desirable into a methodology in order to model Multiagent Intelligent Tutoring Systems (ITS). The methodology named MaSE (Multiagent System Engineering), proposed by Wood [WOOD2000], was selected as a reference to support our investigations. In order to better understand the limitations and potential of such methodology, a case study was developed based on Andrade's work [ANDR2001]. It able us to define the MaSE requirements and particularities. The Mediator agent was modelled using the set of tools related to MaSE. This experiment show us good results and point out the potential of such methodology to model and design multiagents ITS. In order to better contextualize this research, a bibliographical revision related to ITS and methodologies for Multi-agent System's design were developed. These results were summarised in this text, and a full version can be obtained in [BOL2001, BOL2002]. Keywords: Multiagent Systems, Intelligent Tutoring Systems, Software Engineering, Methodologies 1 Introdução Com o advento da Informática e a evolução do hardware e das ferramentas de software, surgiu uma nova técnica que revolucionou o processo de ensino/aprendizagem: a auto- instrução, que possibilitou a veiculação de uma vasta gama de informações de forma mais dinâmica do que os métodos de educação convencionais. Com o surgimento da Internet, redes e sistemas distribuídos, observa-se que os ambientes destinados ao ensino começaram a ser projetados em uma escala diferente. Passa-se a ter sistemas de maior porte, de maior complexidade de concepção e modelagem, e que trazem de forma intrínseca as mesmas características e problemas de outras aplicações que se utilizam destas mesmas tecnologias, como o caso dos Sistemas de Informação. Os Sistemas Tutores Inteligentes (STI) são programas educacionais projetados para oferecer algum tipo de auxílio personalizado ao aluno, considerando o processo de aprendizagem de um determinado conteúdo. Modelar e implementar um STI envolve aspectos de Engenharia de Software e aspectos pedagógicos associados a organização e manipulação do conteúdo a ser apresentado para o aluno. Nos últimos anos, observa-se a tendência de utilização/aplicação da tecnologia de agentes a fim de ampliar as possibilidades de se fazer esta assistência personalizada ao aluno. Quando aplicamos a tecnologia de agentes em STI, estes passam a ser considerados, também, como Sistemas Multiagentes (SMA). Entretanto, por se tratarem de software educacionais, precisam ser tratados de forma diferenciada devido a suas características peculiares. Portanto, a adaptação e/ou criação de ferramentas e metodologias mais específicas para STI é um campo de pesquisa novo, relevante e com diversificadas potencialidades investigativas. Utilizamos a expressão "tecnologia de agentes", ao invés de "paradigma de agentes" porque ainda não existe consenso na área de Inteligência Artificial (IA) para este novo padrão. Segundo Kuhn [KUH1997], paradigmas são as realizações científicas universalmente reconhecidas que, durante algum tempo, fornecem problemas e soluções modulares para a comunidade de praticantes de uma ciência. Portanto, tecnologia de agentes ainda não pode ser definido desta forma por não ter uma especificação, um modelo padrão totalmente estabelecido e aceito. 2 1.1 Contexto Este trabalho de pesquisa envolve diversas áreas do conhecimento, especialmente, a área de Inteligência Artificial Distribuída (IAD), especificamente na área de SMA. Além de incluir características interdisciplinares tanto da própria área de Inteligência Artificial (IA), Informática na Educação (IE), bem como, da área de Engenharia de Software (ES). A Figura 1 tem como objetivo representar o contexto desta pesquisa. Pode-se observar que, a pesquisa sobre STI Multiagentes, representado pelo retângulo mais escuro, é intrinsecamente interdisciplinar, abrangendo as três grandes áreas: Inteligência Artificial, Informática na Educação e Engenharia de Software. Engenharia de Software Inteligência Artificial Inteligência Artificial Distribuída Sistemas Multiagentes Informática na Educação Sistemas Tutores Inteligentes STI Multiagentes Figura 1: Contexto da Pesquisa Este trabalho está inserido no contexto do projeto MASP (MultiAgent System develoPment)1 onde busca-se a especificação de uma metodologia e uma linguagem de modelagem para sistemas multiagentes e o conjunto de atividades a serem desenvolvidas para a construção de um sistema baseado nesta tecnologia. 1.2 O Problema considerado nesta pesquisa Dos primeiros programas educacionais em modalidade CAI (Computer Assisted Instruction)2 aos atuais ambientes de aprendizagem cooperativos na Web que se utilizam da tecnologia de agentes, observa-se a crescente complexidade do projeto destes softwares educacionais. 3 O volume de informações a serem modeladas e tratadas cresceu de forma significativa. Projetar um software educacional não é mais uma tarefa que pode ser feita de forma empírica. É necessário planejar e usar formalismos e especificações que garantam a qualidade e confiabilidade ao sistema e, também, permita o reutilização de seus componentes. Logo, existe a necessidade de se utilizar ou de desenvolver uma metodologia que permita a especificação de taisambientes, visando qualidade, tanto em nível pedagógico, bem como, computacional. A carência de tais metodologias, que permitam a modelagem destes sistemas constitui-se na principal motivação deste trabalho. 1.3 Delimitação do estudo Para a elaboração da proposta, adotou-se alguns pressupostos para que a proposta seja exeqüível em um tempo compatível com uma dissertação de mestrado. Como o desenvolvimento de STI é um processo que exige uma equipe interdisciplinar, atendendo aspectos referentes à modelagem de conteúdo, modelagem de estratégias de ensino e aspectos referentes ao projeto da interface gráfica, existe a necessidade de uma abordagem interdisciplinar para a execução do trabalho de pesquisa. Como estamos tratando de questões envolvendo STI multiagentes, faz-se necessário o estudo de metodologias para se modelar SMA, interações entre agentes e, escolha de um estudo de caso que permitisse avaliar os aspectos relacionados com aplicações educacionais, especificamente STI. Esta proposta concentra-se em modelar os aspectos relacionados a interação entre os agentes ou sociedade de agentes que compõem o STI. Especificamente, pretende-se modelar a assistência que o tutor presta ao aluno. As interações são o aspecto mais importante que acontecem no ciclo de tutoração dos STI [GIR1999, GOU2001]. Para realizar a modelagem dessas interações adotou-se uma metodologia de referência denominada MaSE (Multiagent Systems Engineering), proposta por Wood [WOOD2000]. A partir deste estudo, verificar-se-á se existe ou não a necessidade de se propor extensões para a metodologia MaSE. Uma vez que, propor uma metodologia nova e específica para STI não pareceu exeqüível no tempo disponível. Além do fato que para se propor uma nova 1 MASP - Desenvolvimento de Sistemas Multiagentes - http://www.inf.pucrs.br/~giraffa/masp/ 2 CAI - Instrução Assistida por Computador 4 metodologia existe a necessidade de se comparar trabalhos correlatos, identificar reais necessidades e carências na área, que justifiquem tal esforço. 1.4 Questão de pesquisa Tendo em vista o contexto do problema e a delimitação do estudo descrito acima, emerge a seguinte questão de pesquisa: Que inclusões/adaptações devem ser feitas à metodologia MaSE, a fim de poder-se especificar as características e funcionalidades dos STI multiagentes? 1.4.1 Hipóteses As hipóteses associadas à questão de pesquisa são: Hipótese 1 - Os Agentes Pedagógicos se dividem em 2 grupos: Assistentes e Executores de Tarefas; Hipótese 2 - Os Assistentes possuem funcionalidades específicas que não costumam aparecer em sistemas convencionais. Daí a necessidade de se adaptar a notação da metodologia MaSE para sua especificação; Hipótese 3 - Os Executores de Tarefas podem ser modelados da mesma forma que outros agentes de SMA voltados para outras áreas de aplicação; Hipótese 4 - Uma metodologia que permita a especificação das interações e papéis dos agentes em um SMA poderá ser adaptada para modelar STI Multiagentes. Hipótese 5 - As adaptações necessárias, se houverem, serão a nível dos diagramas, uma vez que precisam expressar o ciclo de tutoração existente entre os agentes. 1.5 Objetivos Investigar a possibilidade de uso de metodologia MaSE para modelagem e projeto de STI Multiagentes. 1.5.1 Objetivos específicos O objetivo geral pode ser desdobrado nos seguintes objetivos específicos: 5 1. Levantamento do referencial teórico sobre STI, SMA e metodologias, a fim de aprofundar os conhecimentos sobre esses domínios; 2. Aprofundar o estudo sobre a proposta de [WOOD2000] relativa à metodolgogia MaSE; 3. Propor eventuais adaptações na MaSE para especificação de STI com arquitetura multiagente; 4. Elaborar um estudo de caso para ser utilizado como teste para investigação proposta. 1.6 Trabalhos Correlatos Nesta seção apresenta-se alguns trabalhos que de alguma forma estão relacionados ao nosso foco de pesquisa. Um outro trabalho que busca um primeiro passo na definição de uma metodologia para a construção de STI multiagentes pode se encontrado na pesquisa realizada por Costa [COS2002], onde é apresentado um framework e também introduz uma metodologia baseada na modelagem do domínio do conhecimento para o projeto de STI em um ambiente de aprendizagem à distância, que adotam uma abordagem multiagente. Segundo Costa [COS2002], este trabalho faz parte de um projeto chamado MathNet, que é concebido para o projeto de desenvolvimento de ambientes de aprendizagem à distancia baseado numa abordagem multiagente. A idéia central da pesquisa de Costa é definir e desenvolver um ambiente que forneça meios efetivos para envolver aprendizes e professores humanos com o sistema tutor em interações cooperativas produtivas. Especificamente neste trabalho, [COS2002], o foco está na sociedade de agentes. Isto é, como projetar um agente tutor na sociedade de acordo com o framework proposto. Desta forma, a pesquisa de Costa foca-se na definição de uma metodologia para a construção de STI multiagente pela definição de cada um dos agentes tutores que fazem parte da sociedade. Nota-se que este campo de pesquisa é altamente promissor visto a pouquíssima quantidade de trabalhos encontrados que tratam de metodologias para a construção de STI. 1.7 Organização do texto Este trabalho está estruturado em seis capítulos. 6 O Capítulo 2 apresenta o referencial teórico, onde são apresentados os conteúdos associados a esta pesquisa envolvendo SMA e STI. Apresenta-se algumas justificativas para a aplicação da tecnologia de SMA em STI. Apresenta-se, também, um resumo do estudo sobre os STI que utilizam a tecnologia de agentes no seu projeto. O capítulo 3, ainda relacionado ao referencial teórico, apresenta algumas considerações sobre metodologias para o desenvolvimento de SMA. Este capítulo é um resumo de um amplo estudo realizado pelo autor. O capítulo 4 descreve, primeiramente, a proposta para a modelagem de STI Multiagentes. Em seguida, apresenta-se a descrição da arquitetura proposta por Andrade [AND2001b], trabalho escolhido para servir como estudo de caso. O capítulo 5 apresenta as considerações finais, descrevendo as contribuições, limitações deste trabalho e os trabalhos futuros a serem desenvolvidos a partir destes resultados. O capítulo 6 apresenta a bibliografia utilizada para a redação deste volume. 2 Sistemas Multiagentes e Sistemas Tutores Inteligentes A abordagem de agentes se preocupa em estudar o comportamento de uma sociedade constituída por agentes, que possuem como característica principal a autonomia e, têm como objetivo realizar tarefas que não são possíveis de serem realizadas individualmente. Segundo Russell & Norvig [RUS1995], um agente é um sistema capaz de perceber através de sensores as informações do ambiente onde está inserido e reagir, neste mesmo ambiente, através de atuadores. Segundo Woodridge [WOO1995], um agente pode ser definido como uma entidade de software que exibe um comportamento autônomo, que está situado em algum ambiente sobre o qual é capaz de realizar ações para alcançar seus próprios objetivos. Um agente é um software que possui um conjunto de propriedades específicas associadas ao seu objetivo/papel na sociedade multiagente onde está inserido. O seu objetivo/papel vai determinar as propriedades que deve ter. Porém, já existe consenso na comunidade de IAD que um agente deve ter no mínimo: autonomia, reatividade e habilidade social (comunicar-se com outros agentes do ambiente). Numa abordagem clássicapara a área de agentes encontramos a definição de Wooldridge [WOO1995], que visualiza um agente como sendo uma entidade com capacidade de resolução de problemas encapsulada. Neste contexto, define-se agente como tendo as seguintes propriedades: - autonomia: executam a maior parte de suas ações sem interferência direta de agentes humanos ou de outros agentes computacionais, possuindo controle total sobre suas ações e estado interno; - habilidade social: por impossibilidade de resolução de certos problemas ou por outro tipo de conveniência, interagem com outros agentes (humanos ou computacionais), para completarem a resolução de seus problemas, ou ainda para auxiliarem outros agentes; - capacidade de reação: percebem e reagem à alterações no ambiente em que estiverem inseridos; - capacidade pró-ativa: agentes, do tipo deliberativo, além de atuar em resposta às alterações ocorridas em seu ambiente, apresentam um comportamento orientado a objetivos, tomando iniciativas quando julgarem apropriado (no caso, aplicado apenas aos agentes cognitivos). A adoção da tecnologia de agentes e a utilização de uma metodologia de análise e projeto orientada a agentes na concepção de uma solução baseada em agentes traz diversos benefícios que podem ser analisados sob diferentes aspectos. Esses benefícios podem ser 8 mensurados do ponto de vista da qualidade da solução proposta, ou seja, do produto. Bem como, o processo de desenvolvimento do software, na forma de uma metodologia mais adequada garantindo, assim, maior segurança e confiabilidade ao desenvolvedor. Do ponto de vista da Engenharia de Software, a utilização de métodos e técnicas que valorizem o conceito de agente como uma poderosa abstração para compreensão e modelagem do mundo real, reduzindo a complexidade da fase de análise, remetendo o esforço do processo de desenvolvimento de software para as etapas de projeto e implementação. Nesse aspecto, o ganho da seleção da tecnologia de agentes é representado pela redução da lacuna existente entre o mundo real e o seu modelo. Desta forma, vários aspectos relacionados a agentes podem ser vantajosos no desenvolvimento de STI, como por exemplo: a cooperação que os agentes do STI. Segundo [JEN1996], a justificativa de aplicação da tecnologia de agentes na concepção de Sistemas de Informação é justificada quando o problema possui as seguintes características: - o domínio envolve distribuição intrínseca dos dados, capacidade de resolução de problemas e responsabilidades; - necessidade de manter a autonomia de subpartes, sem a perda da estrutura organizacional; - complexidade nas interações, incluindo negociação, compartilhamento de informação e coordenação; - impossibilidade de descrição da solução do problema a priori, devido à possibilidade de pertubações em tempo real no ambiente e processos de negócio de natureza dinâmica. O Instituto Europeu de pesquisa e Estudos Estratégicos em Telecomunicações (European Institute for Research and Strategic Studies in Telecommunications - EURESCOM) definiu os seguintes critérios para ajudar o desenvolvedor decidir se a utilização da abordagem multiagente é apropriada ou não ao seu projeto. Um dos objetivos do projeto é definir um guia para a identificação de áreas de aplicação onde a abordagem multiagente é mais adequada do que outras abordagens. Segundo este projeto, a abordagem multiagente é adequada na seguintes situações [OMA2001]: - os tipos de comunicações necessárias são diversas e complexas; - quando o sistema deve ter um bom desempenho em situações onde não é prático e possível especificar seu comportamento prévio; - envolvendo negociação, cooperação e competição entre diferentes entidades; - quando o sistema deve agir autonomamente; 9 - quando é esperado que o sistema seja expandido ou modificado. Logo, os softwares educacionais podem se utilizar da tecnologia de agentes porque possuem todas essas características. As propostas de utilização de arquiteturas SMA em STI trazem uma grande vantagem em relação as arquiteturas tradicionais de STI por apresentarem uma flexibilidade maior no tratamento dos elementos que compõem o sistema. Além disso, o fato de usarmos agentes para modelar os seus componentes possibilita o agrupamento da arquitetura tradicional (um módulo = um agente) ou na explosão de cada módulo em vários agentes [GIR2001]. Segundo Giraffa [GIR2001], a modelagem de STI numa arquitetura funcional de agentes é mais do que uma abordagem generalista. Teoricamente a modelagem não apresenta limites para o número de agentes que podem participar do processo de aquisição do conhecimento. Processo este que ocorre através de negociação dos papéis dos agentes tanto tutores, como aprendizes. Existem diversos exemplos na literatura sobre a utilização de agentes em sistemas educacionais. Segundo Shoham [SHO1993], uma sociedade de agentes para aprender e ensinar pode ser a solução para a construção de ambientes de ensino e aprendizagem, se os agentes trabalham de uma maneira concorrente e autônoma para alcançar seus objetivos. Os agentes em um ambiente de ensino/aprendizagem são considerados autônomos porque: as atividades dos agentes individuais não requerem constante supervisão externa (humana), e não há (ou deveria haver) autoridade central projetada para controlar todas as interações desempenhadas entre os agentes. Segundo Gürer [GUR1998], o uso de agentes na concepção de sistemas educacionais traz algumas vantagens, tais como: reagir às ações do usuário, credibilidade, modelagem de sistemas colaborativos multi-usuário e modularidade, pelo fato de que cada agente é um módulo único e independente do outro ficando mais fácil adicionar outros agentes a estes sistemas . Para Giraffa [GIR1999] as vantagens são as seguintes: - conhecimento pode ser distribuído entre vários “tutores”, cada um com suas crenças, desejos, objetivos, emoções e planos de ação. Esta distribuição cria maiores oportunidades de variar técnicas pedagógicas; - o aprendiz interage com um tutor de forma mais flexível; - aprendiz pode passar conhecimentos ao tutor que serão repassados a outros aprendizes. Conforme Webber [WEB2001], as tecnologias baseadas na Web em conjunto com metodologias multiagentes formam uma nova tendência na modelagem e desenvolvimento de 10 ambientes de aprendizagem. A Educação baseada na Web tem sido extensivamente pesquisada, onde os benefícios de aprendizagem são grandes. Como por exemplo, alcance da informação sem condicionamento ao espaço físico, facilidade de atualizar o conteúdo, etc. Entretanto, as metodologias multiagentes tem surgido com uma alternativa para conceber aplicações de aprendizagem distribuída, devido ao conjunto de características inerentes ao conceito de SMA e as peculiaridades de uma sociedade de agentes. A principal razão para isto deve-se ao fato que esta tecnologia lida muito bem com aplicações criticas, tais como: distância, cooperação entre diferentes entidades e integração de diferentes componentes de software. Segundo Vassileva [VAS2001], no futuro, os ambientes da aprendizagem estarão acessíveis a qualquer lugar e a qualquer hora. Os estudantes desses ambientes estarão distribuídos no espaço e no tempo. Logo, trabalhos que utilizam arquiteturas multiagentes oferecem uma promissora abordagem para o projeto desses ambientes, desde que estes ambientes sejam distribuídos. Com a modularidade e a uniformidade dos agentes e com a padronização dos protocolos de interação, o nível de escalabilidade e interoperação podem ser alcançados, o que não pode ser conseguido tão facilmente com o uso de outras técnicas. As arquiteturas multiagentespermitem o constante crescimento e a heterogeneidade do ambiente de software. Atualmente, não há muitos ambientes distribuídos de aprendizagem baseados em arquiteturas multiagentes. Isto deve-se a vários fatores: - A complexidade em modelar e implementar STI e ambientes de ensino- aprendizagem inteligentes. Sua arquitetura é mais complexa e a modelagem dos seus componentes e inter-relações é demorada, necessitando de uma grande quantidade de trabalho cooperativo em equipe interdisciplinar; - A tecnologia de agentes aplicada a tais ambientes pode ser considerada como um fato mais recente. Trabalhos mais significativos remontam aos últimos 5 anos de pesquisa. Os princípios dos sistemas multiagentes têm mostrado um potencial bastante adequados ao desenvolvimento de sistemas de ensino, devido ao fato de a natureza do problema de ensino-aprendizagem ser mais facilmente resolvido de forma cooperativa, [BIC1998]. Além disso, ambientes de ensino baseados em arquiteturas multiagentes possibilitam suportar o desenvolvimento de sistemas de forma mais robusta, mais rápida e com menores custos. 11 2.1 STI Multiagentes Segundo Wenger [WEN1987], STI são sistemas computacionais com modelos de conteúdo instrucionais que especificam o que ensinar e estratégias de ensino que especificam como ensinar. Murray [MUR1999], ressalta como um dos objetivos dos STI, é ser capaz de modelar complexos comportamentos de ensino, os quais devem se adaptar às necessidades do estudante, à situação de aprendizagem e ao assunto da instrução. Para Kearsley [KEA1987], os STIs fazem parte de um campo interdisciplinar envolvendo Ciência da Computação, Psicologia cognitiva e Educação. Apesar de haver diversas arquiteturas para STI, segundo [YAZ1987, SEL1988, VIC1990, OLI1994, GIR1999], há um consenso quanto aos componentes básicos que um STI apresenta: Módulo do Aluno, Módulo Tutor, Módulo de Domínio e Interface. A Figura 2, apresenta a arquitetura multipartida onde os módulos estão representados com suas inter- relações e em seguida há uma pequena descrição dos módulos que compõe a arquitetura clássica de um STI: Módulo Domínio Interface Módulo Aluno Módulo Tutor Aluno Figura 2: Arquitetura clássica de um STI Módulo do Aluno: este módulo armazena informações específicas para cada estudante de forma individual. No mínimo, este módulo deve manter um histórico sobre como o estudante está trabalhando no material em questão. É interessante também manter registro sobre os erros do estudante, [THI1999]. Segundo [GIR2001], o módulo do aluno representa o conhecimento e as habilidades cognitivas do aluno em um dado momento. Contém uma representação do estado do conhecimento do aluno no momento qu interage com o STI. A partir desse modelo e do conteúdo representado na base do domínio, o sistema deve ser capaz de inferir a melhor estratégia de ação a ser utilizada para cada aluno. Módulo Tutorial: O módulo tutorial, ou módulo pedagógico oferece uma metodologia para o processo de aprendizado. Possui o conhecimento sobre as estratégias e táticas para selecioná-las em função das características do aluno. As entradas deste módulo são fornecidas pelo Módulo do Aluno. 12 Módulo de Domínio: O módulo de domínio armazena a informação que o tutor está ensinando. A modelagem do conhecimento a ser disponibilizado é de grande importância para o sucesso do sistema como um todo. Deve-se procurar uma representação do conhecimento que esteja preparada para o crescimento incremental do domínio. Interface: Intermedia a interação entre o tutor e o aluno. Segundo [THI1999], a complexidade para a implementação deste módulo é bastante variável, podendo ser desde simples janelas de diálogo até linguagem natural e reconhecimento de voz. Outra questão a ser considerada é a aplicação de realidade virtual para permitir uma imersão total do estudante no sistema. Nas seguintes seções, descreve-se, brevemente, alguns STI desenvolvidos com a utilização da tecnologia de agentes. Este levantamento tem como finalidade principal, fornecer elementos para uma análise a fim de identificar padrões utilizados no desenvolvimento destes sistemas. Maiores detalhes podem ser obtidos em [BOL2001, BOL2002a]. 2.1.1 WHITE RABBIT White Rabbit [THI2000] é um sistema desenvolvido pelo Departamento de Informática e Pesquisa Operacional da Universidade de Montreal (Montreal – Canadá), este sistema tem como objetivo aumentar a cooperação entre um grupo de pessoas pela análise de suas conversações. Cada usuário é assistido por um agente inteligente o qual estabelece um perfil de seus interesses. Com o comportamento móvel e autônomo o agente pesquisa agente pessoais de outros usuários, a fim de encontrar aquele que tenham interesses comuns e então os colocam em contato. Um agente Mediador é usado para facilitar a comunicação entre os agentes pessoais e para realizar agrupamentos nos perfis que eles tenham recolhidos. Esta abordagem usa agentes inteligentes para descobrir os interesses particulares de um grupo de pessoas trabalhando em um domínio particular com a intenção de colocá-los em contato para aumentar o nível de cooperação. Os agente analisam a conversação entre os usuários através de um chat para construir para cada um deles, um perfil de seus interesses. A Figura 3 apresenta a arquitetura geral do sistema. 13 User 2User 1 User n Base de Conhecimento Servidor de Chat Agentes Endereço dos Agentes Base de Perfis Object Space Voyager Kohonen Map Agente Mediador Figura 3: Arquitetura geral do sistema White Rabbit O perfil do usuário contém todas as informações relevantes sobre o interesse do usuário na escolha do domínio, o qual permitirá aos agentes encontrar similaridades e consequentemente realizar agrupamentos coerentes. O módulo de aprendizagem é responsável por modificar o perfil do usuário fazendo-o mais acurado e mais realista. O perfil do usuário é composto por um conjunto de informações ponderadas, isto é, cada um deles possui um peso associado ao contexto onde estão inseridos. Isto permite um ajuste mais personalizado e detalhado do aluno. Dois aspectos demonstram a mobilidade e autonomia dos agentes. Primeiro, a analise da discussão dos usuários pelos agentes pessoais. Depois de ter analisado e atualizado os perfis dos clientes, o agente vai para uma outra máquina conectada a rede e encontra outros agentes. A segunda importante evidência da mobilidade acontece quando o usuário pergunta para o segundo usuário quem é o membro do mesmo grupo, como determinado pelo agente mediador. Neste momento a requisição do agente do usuário (A) usará a sua autonomia para mover-se e encontrar o agente associado ao cliente (B). Então o agente (A) terá possibilidade de questionar mais sobre o agente (B). Se o agente )B) aceitar as requisições, então o agente (B) dará ao agente (A) as informações pessoais (nome real, e-mail, descrição do projeto, etc) Estas duas situações demonstram a força alcançada pela mobilidade e autonomia dos agentes, a qual permite considerável redução do número de mensagens transmitidas na rede, desta maneira o risco de sobrecarga na rede e falta de recursos são reduzidas. Mesmo quando o número de agentes pessoais é alto (o número de agente é igual ao número de usuários) 14 2.1.2 LeCS O LeCS (Learning from Case Studies) foi desenvolvido pelo Departamento de Computação e Estatística da Universidade Federal de Santa Catarina - UFSC (Santa Catarina – Brasil), em conjunto com a Universidade do Vale do Itajaí (Univali) e a Unidade de Aprendizagem Baseada em Computadorda Universidade de Lees (Leeds – UK), LeCS é um sistema inteligente de aprendizagem à distância, o qual, segundo [ROS2000], possui uma arquitetura baseada em um Sistema Federativo de agentes. A Figura 4 descreve a arquitetura e a estrutura da comunicação usada, a qual estabelece que a comunicação não acontece diretamente entre os agentes, mas através de um Facilitador (Facilitator). O Facilitator é um programa especial (implementado como um agente) que guarda a informação sobre cada agente no sistema e é responsável pelo roteamento dessas mensagens, trabalhando como um broker. Há dois banco de dados implementados: o primeiro é o próprio Facilitator que armazena todas informações necessárias para rotear as mensagens, e o segundo é um mecanismo de logs que armazena todas as trocas de mensagens. A arquitetura inclui três classes de agentes: Agente Interface, Agente de Informação e Agente Conselheiro. Facilitator Information Agent Advising Agent Interface Agent (User 1) Interface Agent (User 2) Interface Agent (User n) Logs . . . : KQML Figura 4: Arquitetura do sistema LeCS Comunicação dos agentes está baseada na Agent Comunication Language (ACL) e as mensagens trocadas entre os agentes usam o formato da Knowledge Query and Manipulation Language (KQML). Segundo Rosatelli [ROS2000], o LeCS pode ser caracterizado como um sistema inteligente para o ensino a distância. LeCS dá suporte à aprendizagem colaborativa através da World Wide Web (WWW) usando o método de ensinar com estudos de casos (Case Based 15 Resoning - CBR). O cenário de aprendizado para o uso do sistema é um grupo de alunos que está geograficamente disperso, cursando uma disciplina (por exemplo engenharia, medicina, administração, etc.) de um curso a distância onde o método de aprender através de estudos de casos. O sistema inclui as ferramentas necessárias para desenvolver a solução para um determinado caso (a ser modelado pelo professor) e desempenha funções que dão apoio ao processo de aprendizado. 2.1.3 LANCA No projeto LANCA [FRA1998], os autores procuram expor o porque do uso de agentes inteligente em STI e como podem ser adaptados para aprendizagem à distância. O projeto foi desenvolvido pelo grupo do Departamento de Informática e Pesquisa Operacional da Universidade de Montreal (Montreal – Canadá) e da Unidade de Informática da Universidade de Pau (Bayonne – França). LANCA apresenta as principais características dos agentes para um ambiente de aprendizagem à distância, bem como suas funções em ambientes distribuídos. Propõe, também uma arquitetura para o ambiente com a especificação dos papéis dos diferentes agentes inteligentes que compõem a sociedade. A arquitetura proposta inclui quatro agentes cognitivos: pedagogical agent, dialog agent, negotiating agent e o moderator agent, Figura 5. INTERNET Complementary Explanations Base Dialog Agent Dialog Agent Dialog Agent Pedagocical Agent Pedagocical Agent Pedagocical Agent Learner LearnerLearner ITS process ITS process ITS process ... Mediator Negotiating Agent Negotiating Agent Negotiating Agent MarketWeb Explanations Base Courseware S Y N C R H O N O U S L E A R N I N G A S Y N C R H O N O U S L E A R N I N G Figura 5: Arquitetura do sistema LANCA 16 2.1.4 Baguera O projeto Baguera [WEB2001], foi desenvolvido pela Universidade de Grenoble (Grenoble – França), cujo objetivo é desenvolver uma fundamentação teórica e metodológica para guiar a concepção e modelagem de ambientes de aprendizagem. A plataforma Baguera está fundamentada no princípio que a função educacional do sistema está nas interações organizadas entre os componentes: agentes e humanos e, não meramente na funcionalidade de uma de suas partes. O primeiro resultado desse projeto inclui uma arquitetura multiagente baseada na Web para ambientes de aprendizagem e um protótipo para a aprendizagem de geometria. A plataforma Baguera foi desenvolvida usando JatLite3. Cada agente foi estendido por um módulo de interação que fornece suporte ao gerenciamento de protocolos entre os agentes. Os agentes possuem habilidade de comunicar-se com outros agentes, raciocinar e tomar decisões. A comunicação entre agentes está baseado na Teoria dos Atos de Fala , em adequação com o padrão FIPA-ACL4. A arquitetura multiagente da plataforma Baguera foi concebida pela metodologia AEIO (Agent, Environment, Interactions, Organisation), uma metodologia para a análise e projeto orientados a agentes proposta por Demazeau [DEM1995]. Como resultado desse processo, estudantes e professores interagem com diferentes agentes. Cada estudante é apoiado por três agentes artificiais, que são: Companion Student (Companheiro do Estudante), Tutor Agent (Tutor) e Mediator Agent (Agente Mediador). O protótipo do ambiente para a ensinar prova de uma determinada geometria está baseado na plataforma multiagente apresentada. Os usuários podem ter acesso ao ambiente de aprendizagem através de qualquer browser que suporta Applets Java, acessando a seguinte URL: http://www.baghera.imag.fr. 2.1.5 I-Help O I-Help [VAS2001] foi desenvolvido pela Universidade de Saskatchewan – Canadá), este projeto descreve uma infra-estrutura multiagente para o I-Help, um ambiente de aprendizagem baseado na Web para auxiliar aprendizes na solução de problemas. O sistema contém uma variedade de recursos da aprendizagem, fóruns, materiais on-line, chat, etc. 3 http://java.stanford.edu 4 http://www.fipa.org 17 Para ilustrar a funcionalidade do I-Help imaginemos o seguinte cenário. Um estudante tem uma questão e este delega a tarefa de encontrar ajuda a seu agente pessoal. O agente pessoal tenta encontrar um outro agente (agente de aplicação ou um outro agente pessoal) que ofereça os recursos da informação relacionados ao pedido da ajuda. Podem ser também recursos humanos (representado no sistema por seus agentes pessoais), isto é, os estudantes que estão online e são capazes de ajudar a solucionar a questão. O sistema I-Help é baseado em uma arquitetura multiagente, consistindo em agentes pessoais (usuários e humanos) e em agentes de aplicação, Figura 5. Estes agentes usam uma ontologia e uma linguagem de comunicação comum. Cada agente controla recursos específicos do usuário (ou da aplicação) que ele representa, incluindo por exemplo, os conhecimentos do usuário sobre determinados conceitos, ou os materiais instrutivos que pertencem a uma aplicação. Os agentes usam seus recursos para conseguir os objetivos de seus usuários, seus próprios objetivos, e objetivos de outros agentes. Todos os agentes são autônomos. Cada agente possui um modelo de seu usuário e de outros agentes que ele encontrou e negociou. Os agentes comunicam-se com outros agente e com Agentes Matchmaker (combinadores) para procurar por recursos apropriados para seus usuários, dependendo do tópico da ajuda requisitada. Se um recurso eletrônico for encontrado (representado por agentes de aplicação), o agente pessoal apropria-se do recurso e apresenta-o ao usuário em um browser. A ajuda é arranjada (negociada) inteiramente pelos agentes pessoais, livrando o aprendiz da necessidade de negociar e pensar sobre o “custo” da ajuda. Desta maneira os agentes pessoais negociam a ajuda de seus usuários em um “mercado virtual de ajuda”. Arquiteturas multiagentes envolvem vários níveis de organização, incluindo negociação entre os agentes. Desta maneira, consegue-se um sistema distribuído, multi-usuário, multiaplicação,adaptável e auto-organizado que suporta alocação de recursos de ajuda (outros usuários, aplicações e informações). 18 Figura 6: Arquitetura do sistema I-Help 2.1.6 The Explanation Agent O Explanantion Agent ou Agente de Explicações de [ZOU2000], desenvolvido pelo Departamento de Informática e Pesquisa Operacional da Universidade de Montreal (Montreal – Canadá), tem como objetivo principal prover respostas ou explicações sobre o conteúdo com maior qualidade, identificando problemas que possam ocorrer durante o processo de explicação ou resolução de problemas. Ele tem dois objetivos específicos: descobrir a fonte do mal entendimento do aprendiz através do modelo do estudante, e ajudar o projetista do curso a adaptar suas explicações de acordo com estas observações. É utilizado a teoria de Mapas Conceituais para estruturar as explicação em uma representação formal. Esta representação é usada pelo Agente Explicação para fazer suas deduções sobre conceitos mal entendidos pelo aprendiz. O termo Agentes Pedagógicos, é usado para referir-se a agentes criados para ajudar pessoas iniciantes no processo de aprendizagem, por meio da interação com o aprendiz. Agentes Pedagógicos exibem um conjunto de características: Eles podem adaptar suas interações à necessidades do aprendiz, e o estado corrente do ambiente. Eles podem colaborar com aprendizes e outros agentes e são capazes de providenciar um contínuo feedback ao aprendiz. E eles podem mostra-se como figuras vivas, introduzindo emoções e aspectos sociais em suas interações e ralações com o aprendiz. 19 A arquitetura do ambiente de aprendizagem é uma arquitetura cliente-servidor dividida em duas partes, como mostra a Figura 7. Ambiente de Aprendizagem Editor do ambiente • Cursos • Exercícios • Explicações Editor de Explicações Projetista do curso Processo de Recomendação Modelo de domínio Agente Modelo do estudante Servidor Modelo do Estudante Agente Explicação Módulo Diálogo: Curso e Ambiente de Exercícios Interface do Aprendiz Aprendiz Figura 7: Arquitetura do ambiente Explanation Agent A arquitetura do agente é dividida em camadas. Uma de cognição, outra de explicação e outra de percepção, Figura 8. Cada uma sintetizando uma ou várias das características do agente. As características do agente são: reatividade, mobilidade, autonomia, aprendizagem, dedução e capacidade de compreensão. Aprendiz Módulo de ExplicaçãoAnalisador AçãoPercepção 1 4 32 C: Camada de Cognição B: Camada de Explicação A: Camada de Percepção Figura 8: Arquitetura do Agente Explicação 2.1.7 AME-A AME-A [DAM1997] é um ambiente multiagente de ensino-aprendizagem, no qual se propõe o estudo e o desenvolvimento de um sistema educacional interativo para o ensino à distância. A proposta é o ensino genérico e adaptável às características psico-pedagógicas do aprendiz. 20 As características principais do sistema são a aprendizagem estática e a aprendizagem dinâmica. A aprendizagem estática corresponde a primeira interação do aprendiz com o ambiente, onde um agente modela o aprendiz conforme suas características afetivas, motivação e nível de conhecimento. A aprendizagem dinâmica ocorre durante a interação, quando é validado o modelo de aluno e estratégias pedagógicas em vigor. Este ambiente utiliza a abordagem de sistemas multiagentes conforme mostra a Figura 9. Cada agente trabalha concorrentemente, realizando suas tarefas e trocando mensagens entre si, com o intuito de que o aprendiz atinja uma aprendizagem efetiva. As características psico- pedagógicas são relevantes para o ensino adaptado e viabilizam a apresentação do material instrucional de uma maneira individualizada. Agente Humano Agente Seleciona_Estratégia Agente Aprendizagem_Não Supervisionada Promove_Interação Agente Ferra- mentas_Para_Professor Agente Modela_Aprendiz Agente Orienta_Aprendizagem Agente Analisa_Aprendizagem Agente Orienta_Avaliação Figura 9: Arquitetura do ambiente AME-A Cada agente é responsável por suas tarefas e agem continuamente no ambiente, com a finalidade de cooperar para promover uma aprendizagem inteligente e adaptável às características dos aprendizes. A análise deste ambiente mostrou a possibilidade de utilização de múltiplas estratégias de ensino, selecionadas em função de parâmetros que o agente recebe de outros agentes. 2.1.8 Eletrotutor O Eletrotutor III é a 3º versão do STI Eletrotutor proposto por Silveira [SIL1992], em sua dissertação de mestrado. Esta 3º versão foi desenvolvida no Instituto de Informática da Universidade Federal do Rio Grande do Sul (UFRGS), por [BIC1998]. O Eletrotutor III implementa um ambiente distribuído de ensino-aprendizagem inteligente (Intelligent Learning Environment - ILE) baseado em uma arquitetura multiagente, na qual os agentes possuem as 21 seguintes características: perceber dinamicamente as condições do ambiente; tomar decisões para afetar condições do ambiente; interpretar percepções, resolver problemas, extrair inferências e determinar ações. O ambiente Eletrotutor aborda o conteúdo constituído por alguns capítulos de Eletrodinâmica, um capítulo da Física que estuda alguns fenômenos da Eletricidade e aborda as relações entre algumas grandezas elétricas como Corrente Elétrica, Tensão, ou Diferença de Potencial, Resistência e Potência Elétrica. A sociedade de agentes é composta por sete agentes, onde cada um deles possui uma função específica e como objetivo principal tem-se o aprendizado do aluno. Neste ambiente é de vital importância a coordenação do comportamento dos agentes e da maneira pela qual eles compartilham seus conhecimentos, objetivos, habilidades e seus planos para, em conjunto, tomar as ações necessárias para solucionar um problema. Para que diferentes agentes autônomos possam cooperar mutuamente a fim de atingirem seus objetivos é necessário que a sociedade possua organização (arquitetura) e comunicação. A organização diz respeito à natureza e à função da sociedade e de seus elementos constituintes e a comunicação é o principal instrumento que os agentes utilizam para desenvolver a coordenação de suas ações. A fim de poder atuar sobre o ambiente, cada agente possui uma representação interna parcial do mundo que o rodeia. Para isso, empregou-se a metáfora de estados mentais para modelar a base de conhecimento que representa os estados do ambiente onde o agente está inserido. A sociedade de agentes proposta na terceira versão do Eletrotutor contém agentes autônomos que comunicam-se uns com outros, cada agente possui funções e objetivos dentro de sua especialidade. A Figura 10 representa a arquitetura elaborada neste trabalho. Figura 10: Arquitetura do ambiente Eletrotutor III 22 O ambiente de aprendizado inteligente proposto, seguindo a Figura 15 contém um agente responsável pela recuperação do conhecimento do domínio sobre cada ponto a ser apresentado ao aluno, agentes responsáveis pela tarefa de propor exercícios e avaliação de respostas, exemplos ao aluno e atividades extras. 2.1.9 Um modelo computacional baseado na teoria de Vygotsky Este trabalho está sendo desenvolvido no programa de Pós-Graduação em Informática na Educação (PGIE) - UFRGS, Programa de Pós-Graduação em Computação (PPGC) - UFRGS e Faculdade de Informática (FACIN) - PUCRS. O trabalho propõe um framework para uso da Tecnologia da Informação na educação. Está baseado na teoria sócio-cultural interacionista de Vygotsky e é projetado como uma sociedade multiagente para suportar a aprendizagem a distância. Segundo [AND2000, AND2001], o objetivo destetrabalho é propor um ambiente que privilegie a colaboração como forma de interação social através do uso de linguagens, símbolos e sinais. Para suportar essa aprendizagem colaborativa existe uma sociedade formada de agentes artificiais: Agentes ZPD (Zone of Proximal Development), Agente Mediador, Agente Semiótico e Agente Social. Para suportar o modelo coletivo de aprendizagem a distância, foi utilizada a teoria de Vygotsky, como base da fundamentação teórica da proposta. Um importante conceito nesta teoria é que as atividades mentais são baseadas em relacionamentos sociais entre o indivíduo e o ambiente e este relacionamento é mediado por um sistema simbólico. Um outro conceito fundamental nesta teoria é a Zone of Proximal Development (ZPD) – Zona de Desenvolvimento Próximal. Onde o nível de desenvolvimento do aluno: o Level of Real Development (LRD) que refere-se as funções que o usuário já processou e o Level Potencial Development (LPD) que determina as funções que ele pode desenvolver. A Figura 11 apresenta a sociedade de agentes proposta por [AND2000, AND2001]. 23 Student Model Group Models Social Agent Semiotic Agent ZPD Agent Mediating Agent WWW Exercises Examples Student Student Model Mediating Agent Student Student Model Mediating Agent Student .... Student ZPD Agent ZPD Agent Agent that represents the student Agent that represents the student Agent that represents the student Figura 11: Arquitetura do ambiente proposto por [AND2001] O modelo pedagógico desta pesquisa está baseado numa forma colaborativa de aprendizagem que é obtido através da interação social. As interações podem ser de vários tipos, considerando critérios tais como: temporalidade, número de participantes, reciprocidade, hierarquias. E, até critérios baseados em comportamentos: personalidade, motivação, estado emocional, etc. O sistema é composto por quatro tipos de agentes artificiais: o Agente ZPD, o Agente Mediador, o Agente Social e o Agente Semiótico, e por agentes humanos (Estudantes ou aprendizes). Maiores detalhes podem ser obtidos no capítulo 4, seção 4.1. 2.2 Estudo comparativo sobre os ambientes selecionados O estudo comparativo dos ambientes identificados na seção anterior foram organizados em um quadro comparativo (Quadro 1) onde são destacados o conjunto de aspectos considerados relevantes para este estudo. Estes aspectos permitiram identificar o conjunto de requisitos utilizados pelos autores para modelar/implementar os ambientes inteligentes que utilizam a tecnologia de agentes. O preenchimento do quadro segue a seguinte convenção: cada célula possui uma descrição de como o STI atende este critério (por exemplo, "KQML" para o critério "Comunicação entre os agentes"). No caso do critério Atividades dos Agentes (Tipo, Nome e atividade) inserimos os símbolos: ? e/ou ?, para indicar o tipo de agente, de acordo com as características que apresentam em relação às atividades que desempenham no ambiente de 24 ensino-aprendizagem. O símbolo ? identifica que o agente em questão é do tipo Executor de Tarefas e o símbolo ? identifica que o agente é tipo Assistente. Utiliza-se o símbolo (?) para indicar, simplificadamente, a dúvida dos autores deste texto (autor e orientadora) com relação ao posicionamento do STI em relação à um determinado aspecto. E, também, pelo fato de não conseguirmos, a partir das informações disponíveis nos textos e/ou figuras obter conclusões mais efetivas. Em alguns casos coloca-se a interpretação a partir das informações disponíveis por julgar-se que o conjunto de indicadores permitia um alto grau de certeza. Os itens que foram considerados relevantes para compor o quadro comparativo são: - Objetivo: visa identificar o objetivo do ambiente; - Domínio: visa identificar o conteúdo a ser trabalhado no sistema; - Quantidade, nome e atividades dos agentes: visa identificar o número de agentes associados e respectivas atividades dentro da sociedade multiagente; - Comunicação: visa identificar se existe ou não um padrão utilizado para a comunicação entre os agentes; - Linguagem/Ferramenta de desenvolvimento: visa identificar o tipo de ambiente utilizado para implementar os ambientes; - Arquitetura SMA: visa identificar se os autores utilizaram ou explicitaram o tipo de arquitetura para a sociedade de agentes que está relacionada com a proposta do ambiente; - Estratégias de Ensino: visa identificar o tipo de estratégias de ensino utilizada para auxiliar a promover a aprendizagem do conteúdo (domínio) nos usuários dos ambientes; - Modelo do Aluno: visa identificar o tipo de modelo do aluno criado/desenvolvido a partir das interações do sistema com o usuário em função dos modelos encontrados na literatura de STI; - Interface Gráfica: visa identificar se o sistema utiliza ou não interfaces gráficas e o grau de adaptabilidade que oferece ao usuário; - Ferramentas auxiliares: visa identificar quais as ferramentas auxiliares mais utilizadas em ambientes de ensino-aprendizagem. W hi te R ab bi t Le CS AM E -A La nc a Ba gu er a E xp la na tio n Ag en t E le tro tu to r I- H el p M od el o de V yg ot sk y O bj et iv o A um en ta r a co op er aç ão e nt re um gr up o de pe ss oa s pe la an áli se d e s ua s c on ve rs aç õe s. D ar s up or te à a pr en di za ge m co lab or at iv a at ra vé s da W W W . Pr op õe -s e ao e ns in o ge né ric o e ad ap tá ve l às ca ra ct er íst ica s ps ico -p ed ag óg ica s d o ap re nd iz Ex po r q ue a ge nt es in te lig en te s em S TI p od em s er a da pt ad os pa ra ap re nd iz ag em à d ist ân cia D es en vo lv er um a fu nd am en ta çã o te ór ica e m et od ol óg ica pa ra gu iar a co nc ep çã o e m od ela ge m d e am bi en te s d e a pr en di za ge m . Pr ov er re sp os ta s ou ex pl ica çõ es s ob re o c on te úd o co m m aio r qu ali da de , id en tif ica nd o pr ob lem as q ue po ss am oc or re r du ra nt e o pr oc es so de ex pl ica çã o ou re so lu çã o de p ro bl em as . D es en vo lv er u m i ns tru m en to pa ra ve rif ica r a ef icá cia d o us o de d ife re nt es a bo rd ag en s de a m bi en te s de e ns in o po r co m pu ta do r n a e sc ol a A ux ili ar e stu da nt es n a so lu çã o de p ro bl em as at ra vé s d a W eb Pr op or um am bi en te qu e pr iv ile gi e a co lab or aç ão c om o fo rm a de in te ra çã o so cia l at ra vé s do u so d e lin gu ag en s, sím bo lo s e si na is. D om ín io In de pe nd en te d e d om ín io In de pe nd en ted e d om ín io In de pe nd en te d e d om ín io In de pe nd en te d e d om ín io In de pe nd en te d e d om ín io In de pe nd en te d e d om ín io Fí sic a ( El et ro di nâ m in ca ) In de pe nd en te d e d om ín io In de pe nd en te d e d om ín io Q ua nt id ad e de a ge nt es 2 3 8 4 5 1 pa ra ca da u su ár io d o sis te m a 7 3 5 At iv id ad es d os ag en te s (T ip o, n om e e at iv id ad e) ? A ge nt e P es so al: re sp on sá ve l p or o bt er in fo rm aç õe s d os al un os ; ge re nc iar a in te rfa ce g rá fic a, et c. ? A ge nt e M ed iad or : fa cil ita a co m un ica çã o en tre os ag en te s pe ss oa is; g er en cia o pr oc es so d e clu ste rin g pa ra a co ns tru çã o do m od elo do alu no , e tc . ? A ge nt e In te rfa ce : ar m az en a as in fo rm aç õe s ob tid as p ela i nt er aç ão c om a in te rfa ce d o am bi en te ; r ea liz a in te rv en çõ es s ob re o te m po e pa rti cip aç ão , e tc . ? A ge nt e In fo rm aç ão : lid a co m o do m ín io e o co nh ec im en to p ed ag óg ico . ? A ge nt e Co ns elh eir o: re ali za in te rv en çõ es qu an do um m al en te nd im en to do alu no é pe rc eb id o. ? A ge nt e A pr en di za ge m N ão _S up er vi sio na da : g er en cia a a pr en di za ge m li vr e ( se m su pe rv isã o) . ? A ge nt e Pr om ov e In te ra çã o: au xi lia na in te ra çã o do pa rti cip an te s (A lu no e pr of es so re s) . ? A ge nt e Fe rr am en ta s Pa ra Pr of es so r: or ien ta r o pr of es so r e ar m az en ar o m at er ial do cu rs o. ? A ge nt e M od ela A pr ed iz : pe rs on ali za o e ns in o co nf or m e o m od elo d o alu no . ? A ge nt e Se lec io na Es tra té gi a: se le cio na a es tra té gi a ap ro pr iad a co nf or m e o pe rfi l d o alu no . ? A ge nt e O rie nt a A pr en di za ge m : bu sc a e ap re se nt a o m at er ial d e en sin o. ? A ge nt e O rie nt a A va lia çã o: au xi lia no pr oc es so de av ali aç ão . ? A ge nt e A na lis a A pr en di za ge m : an ali sa e ve rif ica a ap re nd iz ag em du ra nt e a in te ra çã o. ? A ge nt e Pe da gó gi co : su pe rv isi on ar a ap re nd iz ag em . ? A ge nt e D iál og o: f or ne ce aju da e ex pl ica çã o ao al un o. ? A ge nt e N eg oc iad or : ne go cia i nf or m aç õe s na W eb co m o ut ro s a ge nt es . ? A ge nt e M od er ad or : a va lia r e m elh or ar a f un cio na lid ad e do si ste m a. ? A ge nt e Co m pa nh eir o do Es tu da nt e: m on ito ra a s aç õe s do es tu da nt e, et c. ? A ge nt e Tu to r: m od ela a s aç õe s d o alu no , e tc . ? A ge nt e M ed iad or : in te rm ed ia as so lu çõ es do alu no c om u m S ol uc io na do r ap ro pr iad o, et c. ? A ge nt e Co m pa nh eir o do Pr of es so r: in te rfa ce do sis te m a co m o pr of es so r, au xi lia o p ro fe ss or s ob re o pr oc es so de ap re nd iz ag em , et c. ? A ge nt e A ss ist en te : a ge nt e pe ss oa l do p ro fe ss or , au xi lia na di str ib ui çã o de no va s at iv id ad es , e tc . ? ? A ge nt e Ex pl ica çã o: ap re se nt a ex pl ica çõ es ad ap ta da s ao m od elo do ap re nd iz . ? A ge nt e G er en cia do r D om ín io : re cu pe ra in fo rm aç õe s re fe re nt es ao do m ín io , e tc . ? A ge nt e G er en cia do r de Ex er cíc io : p ro põ e ex er cíc io s e av ali a r es po sta s. ? A ge nt e G er en cia do r de Ex em pl o: a pr es en ta e xe m pl os ao al un o. ? A ge nt e G er en cia do r de A tiv id ad es : pr op õe a tiv id ad es ex tra s a o alu no . ? A ge nt e G er en cia do r do M od elo d o A lu no : c on str ói e m an té m o m od elo d o es ta do co gn iti vo d o alu no . ? A ge nt e In te rfa ce : c on tro la a i nt er fa ce d o am bi en te . ? A ge nt e G er en cia do r de Co m un ica çã o: ge re nc ia a in te rfa ce d o am bi en te c om o s de m ais ag en te s. ? ? A ge nt e Pe ss oa l: co nt ro la re cu rs os e sp ec ífi co s do s us uá rio s (a lu no s ou pr of es so re s) ? ? A ge nt e de A pl ica çã o: co nt ro la re cu rs os e sp ec ífi co s da s a pl ica çõ es . ? A ge nt e ZP D : r es po ns áv el po r ob se rv ar o de se nv ol vi m en to e pr op or at iv id ad es . ? A ge nt e M ed iad or : é re sp on sá ve l pe la in te rfa ce en tre o si ste m a e o e stu da nt e. ? A ge nt e So cia l: es ta be lec e a in te gr aç ão da so cie da de e co ns tró i m od elo s de g ru po s de es tu da nt
Compartilhar