[DISSERTAÇÃO] GEOSIMULAÇÃO TUTORADA, UM ESTUDO DE CASO NA SEGURANÇA PÚBLICA - Jose Eurico de Vasconcelos Filho

Prévia do material em texto

FUNDAÇÃO EDSON QUEIROZ 
UNIVERSIDADE DE FORTALEZA – UNIFOR 
 
 
 
 
 
 
 
 
 
José Eurico de Vasconcelos Filho 
 
 
 
 
 
 
 
GEOSIMULAÇÃO TUTORADA: 
UM ESTUDO DE CASO NA SEGURANÇA PÚBLICA 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Fortaleza - CE 
 2005 
 
 
 
FUNDAÇÃO EDSON QUEIROZ 
UNIVERSIDADE DE FORTALEZA – UNIFOR 
 
 
 
 
 
 
 
 
 
José Eurico de Vasconcelos Filho 
 
 
 
 
GEOSIMULAÇÃO TUTORADA: 
UM ESTUDO DE CASO NA SEGURANÇA PÚBLICA 
 
 
 
Dissertação submetida ao corpo 
docente do curso de Mestrado em 
Informática Aplicada da Universidade 
de Fortaleza como parte dos requisitos 
necessários para a obtenção do título 
de Mestre em Informática Aplicada. 
 
 
 
 
 
Orientador: Prof. D.Sc. João José Vasco Peixoto Furtado 
 
 
 
 
Fortaleza - CE 
 2005 
 
 
José Eurico de Vasconcelos Filho 
 
GEOSIMULAÇÃO TUTORADA: 
UM ESTUDO DE CASO NA SEGURANÇA PÚBLICA 
 
 
Data de Aprovação: _________________ 
 
 
 
Banca Examinadora: 
 
 
 
 _________________________________ 
Prof. D.Sc. João José Vasco Furtado 
(Presidente da Banca – Universidade de Fortaleza) 
 
 
 
 
______________________________________ 
Profa. Dra. Rosa Maria Vicari 
(Membro – Universidade Federal do Rio Grande do Sul) 
 
 
 
______________________________________ 
Prof. D.Sc. Fernando Antonio de Carvalho Gomes 
(Membro – Universidade Federal do Ceará) 
 
 
 
 
 
 
 
 
 
 
 Vasconcelos Filho, José Eurico de. 
 
Geosimulação Tutorada: um Estudo de Caso na Segurança 
Pública. Fortaleza. Universidade de Fortaleza (UNIFOR). 
Dissertação de Mestrado. 2006. 
 
xiii, 120p.: 29,7cm (MIA/UNIFOR, M.Sc. Informática Aplicada) 
 
1. Sistemas Multiagente 
2. Simulação 
3. Sistemas Tutores Inteligentes 
 
I.MIA/UNIFOR II. TÍTULO(série) 
 
 iv
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
A meu Senhor, aos meus pais e à 
minha esposa. 
 
 v
 
AGRADECIMENTOS 
O incentivo de seguir vem de todo e qualquer lugar, de toda e qualquer 
pessoa. O que vemos e ouvimos é mera questão de interpretação, nós fazemos a 
realidade e a tornamos inimiga ou amiga. Apenas nós temos esse poder que nos 
foi dado por Deus. Por este motivo, agradeço principalmente aos descrentes, pois 
sua descrença me motiva a continuar nos momentos difíceis, agradeço aos que 
acreditam, pois abrandam meu caminho e minhas decisões, e agradeço também 
aos que nem entendem, pois me fazem querer ser diferente. 
Temos um papel a cumprir, sementes a espalhar, e temos o poder de 
escolher se queremos ou não semear, em se querendo, semearemos apenas 
ervas daninhas ou árvores frutíferas. Só não podemos esquecer que 
conviveremos com o fruto de nossas decisões. 
Dos que acreditaram, agradeço especialmente: 
A meus pais que cumpriram com sobras seus papéis de pais amorosos e 
educadores. A minhas irmãs que me ensinaram que a vida é mudança e a minha 
namorada, noiva e esposa que durante todo este trajeto foi um baluarte nesta 
empreitada. 
Ao meu orientador Vasco Furtado, que é, sem dúvida alguma, merecedor 
deste adjetivo e papel em todos os seus sentidos, e que se em algum momento 
não acreditou verdadeiramente, mentiu tão bem que me fez acreditar. 
A toda a equipe que compõe a célula de engenharia do conhecimento, em 
especial a equipe ExpertCop, a quem devo muito do que aqui está descrito. 
A Fundação Cearense de Apoio ao Desenvolvimento Científico e 
Tecnológico – FUNCAP, que concedeu o suporte financeiro. 
E antes de todos, ao Senhor, de quem provém toda a força que me move e 
motiva. 
 vi
 
Resumo da dissertação apresentada ao MIA/UNIFOR como parte dos requisitos 
para a obtenção do grau de mestre em Informática Aplicada (M.Sc.). 
 
 
GEOSIMULAÇÃO TUTORADA: 
UM ESTUDO DE CASO NA SEGURANÇA PÚBLICA 
 
 
José Eurico de Vasconcelos Filho 
 
Dezembro / 2005 
 
 
 
Orientador: D.Sc. João José Vasco Peixoto Furtado 
Programa: Informática Aplicada 
 
 
A compreensão das atividades e fenômenos urbanos é de suma 
importância para a sociedade como um todo, em especial para os órgãos 
responsáveis pela gestão pública. Estas atividades são caracterizadas por sua 
complexidade e conseqüente dificuldade de estudo e treinamento. Torna-se 
necessário o desenvolvimento de ferramentas que viabilizem o estudo/ 
treinamento destas atividades de modo a possibilitar sua compreensão. Neste 
trabalho, propõe-se uma arquitetura para a construção de ferramentas voltadas ao 
estudo e treinamento de atividades urbanas: a arquitetura para Sistemas 
Geosimuladores Tutores Inteligentes – SGTI. SGTI contempla um geosimulador 
multiagente apoiado por um tutor inteligente para dar suporte ao usuário na 
compreensão do modelo estudado. De forma a avaliar a proposta de SGTI e 
oferecer uma ferramenta para o setor de segurança pública, desenvolveu-se um 
sistema de treinamento, tendo como foco a problemática atual da criminalidade 
urbana, o sistema ExpertCop. ExpertCop foi desenvolvido com o objetivo de 
auxiliar os oficiais da polícia no treinamento da atividade urbana de alocação de 
recursos. O sistema implementa as propostas de SGTI, utilizando a geosimulação 
do processo estudado em um conjunto de passos estruturados, sob a forma de 
jogo, de modo a colaborar e motivar o aprendizado do aluno, e um agente tutor 
oferecendo suporte ao aluno na compreensão do modelo proposto. O suporte é 
oferecido por meio de explicações do comportamento emergente da simulação 
(macro-nível) e explicações individuais dos eventos simulados (micro-nível). A 
avaliação do sistema foi feita aplicando-o em um curso para oficiais de polícia, 
onde os resultados obtidos mostram a eficácia da proposta. 
 
 
Palavras – chave: Geosimulação. Sistemas Multiagente. Tutores Inteligentes. 
Segurança Pública. 
 vii
 
Abstract of the dissertation presented to MIA/UNIFOR as partial fulfillment of the 
requirements for the degree of Master of Applied Information Science (M.Sc.). 
 
 
TUTORED GEOSIMULATION: 
A CASE STUDY ON PUBLIC SAFETY 
 
 
José Eurico de Vasconcelos Filho 
 
December / 2005 
 
 
Advisor: João José Vasco Peixoto Furtado, D.Sc. 
Program: Applied Information Science 
 
 
The comprehension of urban activities and phenomena is of the utmost 
importance for society as a whole, in particular for those agencies responsible for 
public administration. Such activities are characterized by their complexity and 
therefore their difficulty in terms of study and training. Tools must be developed in 
order to make studying/training for these activities feasible, in a way as to provide 
the means for such comprehension. In this paper, an architecture is proposed for 
the construction of tools geared toward study and training in urban activities: the 
architecture for Intelligent Tutorial Geosimulator Systems, or ITGS. ITGS 
contemplate a multi-agent geosimulator supported by an intelligent tutor to help 
the user to better understand the model studied. In order to evaluate the proposal 
of ITGS and to offer a tool for the public safety sector, a training system was 
developed—the ExpertCop system—focused on the current problem of urban 
crime. ExpertCop was developed with the aim of assisting the training of police 
officers in the urban activity of police resources allocation. The system implements 
the proposals of ITGS by using geosimulation of the process studied through a set 
of structured steps, in the form of a computer game, in order to enhance and 
motivate the student’s learning process, as well as a tutorial agent offering support 
to the student in understanding the model proposed. Support is offered by means 
of explanations of the simulation’s emergent behavior (macro-level) and the 
individual explanations of the simulated events (micro-level). The system was 
evaluated by applying it during a course for police officers, whereby the results 
obtained demonstrated the effectiveness of the proposal. 
 
Keywords: Geosimulation. Multi-agent Systems. Intelligent Tutors. Public Safety. 
 viii
 
LISTA DEFIGURAS 
FIGURA 1: PROJETO DE SMA (SICHMAN ET AL, 2002). ...........................................22 
FIGURA 2: EXEMPLO DE SUPERPOSIÇÃO DE CAMADAS (WWW.GIS.COM/WHATISGIS/). .....24 
FIGURA 3: IMAGEM 2D GERADA A PARTIR DE UM SIG..................................................25 
FIGURA 4: ARQUITETURA DE UM STI (GIRAFFA; BOLZAN, 2002). ...........................27 
FIGURA 5: PASSOS SEGUNDO KOLB PARA O FAVORECIMENTO DO APRENDIZADO. ..........31 
FIGURA 6: PROCESSO DE DESCOBERTA DE CONHECIMENTO (FAYYAD ET AL, 1996). ...34 
FIGURA 7: DIVISÃO DE UM CONCEITO GENÉRICO EM CONCEITOS MAIS ESPECÍFICOS.......37 
FIGURA 8: CENÁRIO 3D PROVENIENTE DO SIMULADOR SECUREVI. ...........................43 
FIGURA 9: INTERFACE DO SISTEMA BC2010. .............................................................44 
FIGURA 10: INTERAÇÃO ENTRE USUÁRIO, BC2010 E STI. ..........................................45 
FIGURA 11: SUCESSIVOS EXEMPLOS DE POSICIONAMENTO E ADEQUAÇÃO DE PAPÉIS. ...46 
FIGURA 12: INTERFACE DO SISTEMA SMAP...............................................................48 
FIGURA 13: ARQUITETURA DO SISTEMA DEFACTO. ..................................................50 
FIGURA 14: LOGVIEWER OU DICE, AMBIENTE GRÁFICO..............................................51 
FIGURA 15: INTERFACE DO SISTEMA PRIME CLIMB......................................................53 
FIGURA 16: PROCESSO DE TREINAMENTO, ARMAZENAMENTO, ANÁLISE E ADAPTAÇÃO EM 
UM SISTEMA TUTOR...........................................................................................55 
FIGURA 17: ARQUITETURA SGTI. .............................................................................61 
FIGURA 18: PASSOS PARA UM MELHOR PROCESSO DE APRENDIZADO...........................66 
FIGURA 19: EVOLUÇÃO DAS INTERFACES DE EXPERTCOP...........................................71 
FIGURA 22: MOVIMENTAÇÃO DE UMA EQUIPE POLICIAL NO MAPA.................................78 
FIGURA 23: NÍVEIS DE PERCEPÇÃO DO CRIMINOSO......................................................81 
FIGURA 24: ARQUITETURA INTERNA DO AGENTE CRIMINOSO........................................83 
FIGURA 25: SELEÇÃO DOS DADOS PARA CÁLCULO DOS TOTAIS DE EVENTO PARA UM DADO 
PERÍODO. .........................................................................................................87 
FIGURA 26: ASSOCIAÇÃO ENTRE CARACTERÍSTICAS DA ÁREA E TIPOS DE EVENTOS. ......88 
FIGURA 27: PROCESSO PARA EXPLICAÇÕES EM MICRO-NÍVEL......................................91 
FIGURA 28: EXPLICAÇÕES ADAPTATIVAS EM MICRO-NÍVEL...........................................92 
FIGURA 29: PROCESSO DE EXPLICAÇÃO EM MACRO-NÍVEL POR MEIO DE DICAS. ............93 
FIGURA 31: INTERFACE DE ALOCAÇÃO DE RECURSOS. ................................................96 
FIGURA 32: INTERFACE DE ANÁLISE DOS RESULTADOS................................................96 
FIGURA 33: FLUXO PARA A UTILIZAÇÃO DE EXPERTCOP..............................................97 
FIGURA 34: ARQUITETURA TECNOLÓGICA DE EXPERTCOP..........................................98 
FIGURA 35: FERRAMENTA PROTÉGÉ EXIBINDO ONTOLOGIAS E REGRAS DO DOMÍNIO DE 
EXPERTCOP. .................................................................................................100 
 ix
 
FIGURA 36: MÉDIAS DE RESULTADOS ANTES E DEPOIS DA UTILIZAÇÃO DO APOIO 
PEDAGÓGICO DO SISTEMA. ..............................................................................104 
 x
 
LISTA DE TABELAS, GRÁFICOS E ALGORITMOS 
TABELA 1: RESUMO DA ANÁLISE DOS SISTEMAS DE ACORDO COM UM CONJUNTO DE 
CARACTERÍSTICAS. ...........................................................................................57 
TABELA 2: RISCO POR TIPO DE CRIME E ALVO.............................................................80 
TABELA 3: RELAÇÃO ENTRE VITIMA E VALOR DO ESPÓLIO. ...........................................82 
TABELA 4: RELAÇÃO ENTRE OS TIPOS DE CRIME E OS PERCENTUAIS PARA....................86 
TABELA 5: RELAÇÃO ENTRE MÉDIAS DE ACESSOS A CADA TIPO DE AUXÍLIO E MÉDIAS DE 
RESULTADOS OBTIDOS (ABAIXO E ACIMA DA MÉDIA GERAL). ................................104
 
GRÁFICO 1: AVALIAÇÃO DA SEGUNDA COLETA DE CRENÇAS. .....................................102 
GRÁFICO 2: GRÁFICO DE DISPERSÃO RELACIONANDO NÚMERO DE ACESSOS A AUXÍLIOS E 
MÉDIA DE RESULTADOS. ..................................................................................103 
 
ALGORITMO 1: ALGORITMO, EM PORTUGUÊS ESTRUTURADO, DEMONSTRANDO O 
FUNCIONAMENTO DO PATRULHAMENTO DAS EQUIPES POLICIAIS. ...........................78 
 xi
SUMÁRIO 
1 INTRODUÇÃO...................................................................................................15 
1.1 MOTIVAÇÃO ...............................................................................................15 
1.2 PROBLEMA.................................................................................................16 
1.3 PROPOSTA E OBJETIVO...........................................................................18 
1.4 ESTRUTURA DO TRABALHO ....................................................................19 
2 CONCEITOS BÁSICOS.....................................................................................21 
2.1 INTRODUÇÃO.............................................................................................21 
2.2 SISTEMAS MULTIAGENTE ........................................................................21 
2.2.1 Simulação multiagente..........................................................................22 
2.3 SISTEMAS DE INFORMAÇÃO GEOGRÁFICA...........................................23 
2.3.1 Sistemas de Informação Geográfica e Simulação Multiagente.............25 
2.4 SISTEMAS TUTORES INTELIGENTES......................................................26 
2.4.1 Módulo do Domínio ...............................................................................27 
2.4.2 Módulo do Aluno ...................................................................................28 
2.4.3 Módulo Tutor .........................................................................................28 
2.4.4 Interface ................................................................................................29 
2.4.5 Agentes e STI .......................................................................................29 
2.4.6 STI, simuladores e jogos educativos.....................................................30 
2.5 DESCOBERTA DE CONHECIMENTO EM BASE DE DADOS ...................33 
2.5.1 Mineração de dados..............................................................................34 
2.5.2 Algoritmos de Agrupamento (clustering) ...............................................35 
2.5.3 Mineração de Dados Aplicada a STI e Simulação ................................37 
2.6 EXPLICAÇÃO EM SISTEMAS BASEADOS EM CONHECIMENTO...........38 
2.7 CONCLUSÃO..............................................................................................39 
3 TRABALHOS CORRELATOS...........................................................................40 
3.1 INTRODUÇÃO.............................................................................................40 
3.2 REVISÃO BIBLIOGRÁFICA ........................................................................40 
3.2.1 Simuladores para Treinamento .............................................................41 
3.2.2 Jogos Educativos e Tutores..................................................................52 
3.2.3 Outras Propostas e Sistemas................................................................55 
3.3 ANÁLISE .....................................................................................................56 
3.3.1 Quadros Analíticos................................................................................56 
 13
4. A ARQUITETURA DE SISTEMAS GEOSIMULADORES TUTORES 
INTELIGENTES ....................................................................................................60 
4.1GEOSIMULAÇÃO TUTORADA...................................................................60 
4.1.1 Interface Usuário...................................................................................61 
4.1.2 Sistema de Informações Geográficas (SIG).........................................61 
4.1.3 Base de Dados do Sistema...................................................................62 
4.1.4 Plataforma Multiagente .........................................................................62 
4.1.5 Proposta Pedagógica em SGTI.............................................................65 
4.1.6 Modelagem do domínio em SGTI .........................................................67 
5. O SISTEMA EXPERTCOP ...............................................................................68 
5.1 INTRODUÇÃO.............................................................................................68 
5.2 MOTIVAÇÃO ...............................................................................................68 
5.3 OBJETIVOS DA APLICAÇÃO .....................................................................69 
5.4 A PROPOSTA DE EXPERTCOP ................................................................70 
5.5 A ARQUITETURA DE EXPERTCOP...........................................................70 
5.5.1 Interface Usuário...................................................................................70 
5.5.2 Sistema de Informações Geográficas (SIG)..........................................71 
5.5.3 Base de Dados do Sistema...................................................................71 
5.5.4 A Plataforma Multiagente em ExpertCop ..............................................72 
5.6 PROPOSTA PEDAGÓGICA DE EXPERTCOP...........................................89 
5.6.1 Simulação pedagógica participativa......................................................89 
5.6.2 O Agente Pedagógico ...........................................................................90 
5.7 FUNCIONAMENTO DE EXPERTCOP ........................................................95 
5.8 ABORDAGEM TECNOLÓGICA EM EXPERTCOP.....................................98 
5.9 AVALIAÇÃO DE EXPERTCOP .................................................................100 
5.9.1 Metodologia.........................................................................................101 
5.9.2 Análises e Resultados.........................................................................102 
CONCLUSÃO .....................................................................................................107 
CONSIDERAÇÕES FINAIS E CONCLUSÃO..................................................107 
CONTRIBUIÇÕES...........................................................................................108 
Contribuição Social ......................................................................................108 
Contribuição Técnica ...................................................................................108 
Contribuição Acadêmica ..............................................................................108 
TRABALHOS FUTUROS.................................................................................109 
REFERÊNCIAS BIBLIOGRÁFICAS...................................................................111 
APÊNDICE..........................................................................................................118 
APÊNDICE A – FOLHAS DE LEVANTAMENTO APLICADAS NO TREINAMENTO COM 
EXPERTCOP ......................................................................................................119 
 
 14
APÊNDICE B – CASOS DE USO DO SISTEMA EXPERTCOP...................................122 
APÊNDICE C – EXEMPLO DA UTILIZAÇÃO DE EXPERTCOP ..................................125 
APÊNDICE D – EXEMPLO DE UTILIZAÇÃO DO APOIO PEDAGÓGICO EM MICRO-NÍVEL DE 
EXPERTCOP. .....................................................................................................129 
 
 15
 1 INTRODUÇÃO 
1.1 MOTIVAÇÃO 
Atividades ou eventos urbanos são processos dinâmicos que envolvem, em 
geral, um número elevado de entidades heterogêneas (pessoas, ambiente e 
recursos) que se relacionam temporal e geograficamente. Estas características as 
definem como atividades complexas e tornam difícil o estudo, análise e, 
conseqüentemente, a compreensão destas atividades (FOREST, 1990). 
As dificuldades quanto ao estudo prático, inerentes às atividades urbanas, 
tornam-se um problema, já que a compreensão destas atividades é de suma 
importância, pois a gerência de setores como economia, recursos naturais, 
urbanismo, saúde e segurança pública, é fortemente dependente da compreensão 
das relações, processos e efeitos destas atividades (BILLARI; PRSKAWETZ, 
2003), (GILBERT; CONTE, 1995), (KHUWAJA et al, 1996). 
O paradigma de Sistemas Multiagente - SMA tem sido adotado na 
modelagem de atividades e sistemas ditos complexos (KHUWAJA et al, 1996) 
(GILBERT; CONTE, 1995). Essa aplicabilidade se deve à capacidade dos 
sistemas multiagente de representarem individualmente o comportamento das 
diferentes entidades que compõem um domínio, por meio da abstração de 
agentes de software. Em especial, a área de simulação multiagente agrega os 
SMA à simulação computacional (SICHMAN et al, 2002), (FERBER, 1999), 
possibilitando não só a modelagem das entidades e de seus comportamentos, 
mas também a representação das entidades dentro da dinâmica de suas 
relações, permitindo assim o estudo do comportamento dos sistemas complexos 
temporalmente. 
 O processo de simulação, em especial a simulação multiagente, é um 
artifício adotado para o estudo de domínios e atividades de difícil estudo prático. 
São construídos modelos da realidade a ser estudada, tornando 
 
 16
possível testar, mensurar, avaliar, prever, treinar atividades ou fenômenos por 
meio do processo de simulação computacional. Na área educacional em especial, 
a simulação computacional vem sendo adotada com sucesso como ferramenta de 
ensino, dentre outros motivos, por possibilitar ao aluno “aprender fazendo” 
(PIAGET, 1976). 
Simular possibilita o estudo de atividades e fenômenos sem os possíveis 
custos, riscos ou danos que essas atividades poderiam trazer ao ambiente real, 
além de permitir a simulação de longos períodos em escala reduzida de tempo. 
Desastres naturais e urbanos, migração de pessoas, atentados terroristas, 
crescimento urbano, criminalidade e epidemias são exemplos de fenômenos e 
atividades que têm seu estudo prático ou in-loco impraticáveis. Sua 
impraticabilidade se deve ao fato de envolverem altos custos ou riscos, causarem 
danos ao ambiente, se desenvolverem em períodos extensos, serem 
geograficamente dispersos ou por ocorrerem de forma inesperada. 
Outro aspecto relevante, referente às atividades ou eventos urbanos está 
na influência que o ambiente físico exerce nas relações e processos destas 
atividades. Esta influência torna necessária a manipulação e representação 
detalhada das características deste ambiente físico, sendo, por este motivo, 
comum a utilização de Sistemas de Informações Geográficas (SIG) como 
ferramenta de representação e manipulação dos ambientes geográficos que 
compõem estes sistemas (WU, 2000, 2002, 2003). 
A agregação de sistemas de informação geográfica e simulação 
multiagente para o estudo de fenômenos e atividades em ambientes urbanos 
caracterizam o que Benenson e Torrens chamaram de geosimulação 
(BENENSON;TORRENS, 2004). 
1.2 PROBLEMA 
Modelar, representar e simular as atividades urbanas por meio de 
geosimuladores permite o estudo e análise destas atividades, mas não garante 
que elas serão compreendidas pelo usuário apenas pelo processo de 
geosimulação. A complexidade das relações entre as entidades que compõem 
 
 17
estas atividades e o comportamento global que emerge destas relações tornam 
difícil a compreensão do processo de simulação e conseqüentemente deseus 
resultados. Este problema é particularmente relevante em se tratando do uso de 
simulação para fins educacionais, onde o objetivo da simulação ou geosimulação 
é unicamente pedagógico. Torna-se necessário que haja algum tipo de suporte 
que auxilie o usuário na compreensão da simulação, tanto no nível do 
comportamento individual das entidades que compõem o modelo (micro), como 
no nível do comportamento emergente do sistema gerado a partir das interações 
entre as entidades e o ambiente (macro). 
Realizou-se pesquisa bibliográfica na área de simuladores computacionais 
para fins educacionais e de treinamento, jogos e sistemas tutores com o objetivo 
de identificar propostas e ferramentas de suporte oferecidas ao usuário para a 
compreensão do objeto simulado. Observou-se que apesar de haver propostas de 
novos modelos, desenvolvimento de camadas pedagógicas e a utilização de 
Sistemas Tutores Inteligentes (STI), dando apoio a simuladores (MANN; BATTEN, 
2002) (GIBBONS et al, 2001) (BENENSON; TORRENS, 2004) (DRAMAN, 1991), 
há carência de estratégias de apoio pedagógico ao usuário que sejam mais 
efetivas e específicas. Principalmente no que diz respeito à interação do usuário 
com o sistema e na compreensão da dinâmica do processo de simulação ou 
geosimulação como um todo, abordando seus níveis macro e micro. A pesquisa 
possibilitou a identificação das premissas que nortearam esta proposta. São elas: 
 A aplicação do “aprender fazendo“ como método de estudo de 
atividades práticas; 
 No caso das atividades urbanas que envolvem em geral riscos, custos 
ou longos períodos de estudo, a simulação computacional torna-se boa 
estratégia para aplicação do “aprender fazendo”; 
 A importância de motivar o aluno na utilização de ferramentas de 
ensino; 
 A necessidade de dar suporte ao aluno na compreensão do modelo de 
simulação proposto para o domínio; 
 A importância de uma representação e manipulação adequada do 
 
 18
modelo como um todo, especialmente das características do ambiente 
físico do domínio estudado; 
1.3 PROPOSTA E OBJETIVO 
Este trabalho define uma arquitetura para Sistemas Geosimuladores 
Tutores Inteligentes - SGTI. SGTI é uma proposta de especialização dos sistemas 
tutores inteligentes para o desenvolvimento de sistemas educacionais voltados 
para o estudo de atividades urbanas. O objetivo principal da proposta é oferecer 
uma estrutura pedagógica voltada para dar suporte ao usuário na compreensão 
do modelo proposto. Este suporte é oferecido agregando à estrutura de 
geosimulação um agente tutor (Agente Pedagógico) dotado de estratégias de 
apoio pedagógico ao aluno e um agente gerador de eventos que torna o processo 
de simulação dinâmico e voltado para as necessidades do aluno. 
De forma a avaliar a proposta de SGTI e oferecer uma ferramenta para o 
setor de segurança pública, desenvolveu-se um sistema de treinamento, tendo 
como foco a problemática atual da criminalidade urbana. O sistema ExpertCop foi 
desenvolvido a partir da proposta de SGTI, tendo como objetivo auxiliar os oficiais 
da polícia no treinamento da atividade urbana de alocação de recursos. O sistema 
implementa as propostas pedagógicas descritas em SGTI, utilizando: 
 A Simulação multiagente do processo estudado, permitindo ao 
estudante “aprender fazendo”, evitando riscos, custos ou longos 
períodos de estudo que são comuns às atividades e fenômenos 
urbanos; 
 Um conjunto de passos, a partir dos quais o processo de simulação se 
desenvolve, colaborando com o aprendizado do aluno (KOLB, 1984); 
 A estrutura de jogos como estratégia de motivação e desafio ao 
estudante; 
 Disponibilizando ferramentas que permitam ao estudante uma análise 
estatística dos resultados provenientes do processo de simulação; 
 Utilizando um Sistema de Informações Geográficas - SIG na 
 
 19
representação e manipulação do ambiente físico do modelo proposto; 
 E de forma inovadora, um agente tutor dando apoio ao aluno na 
compreensão do modelo proposto por meio de explicações: em macro-
nível; explicando o comportamento emergente da simulação por meio 
do processo de mineração dos resultados simulados, e em micro-nível; 
explicando individualmente os eventos simulados, a partir da explicação 
do processo cognitivo de tomada de decisão dos agentes do domínio da 
aplicação. 
 
A alocação de recursos é uma atividade chave para o setor de segurança 
pública, sendo por meio dela que os gerentes da polícia traçam estratégias de 
policiamento preventivo para uma dada região. A atividade trata da alocação das 
equipes policiais disponíveis em horários e pontos específicos da cidade com o 
intuito de minimizar a criminalidade. ExpertCop solicita do usuário um plano de 
alocação de recursos e simula como a criminalidade se comporta frente ao 
policiamento alocado. O objetivo da ferramenta é permitir que os usuários, 
policiais da academia entendam os fatores envolvidos na atividade de alocação 
de recursos, aprendam seu processo pela prática simulada e reflitam sobre as 
causas-efeito de suas alocações e o reflexo destas nos níveis criminais. 
1.4 ESTRUTURA DO TRABALHO 
Este trabalho, além desta introdução, é composto por seis partes, descritas, 
resumidamente, a seguir. 
 Capítulo 2 - Conceitos Básicos: Neste capítulo apresentam-se as 
tecnologias, conceitos e abordagens que norteiam esta proposta. 
Descrevem-se os sistemas multiagente, aprofundando-se nos 
simuladores multiagente. Em seguida aborda-se os sistemas de 
informação geográfica e sua interação com simuladores multiagente 
definindo a geosimulação. Apresentam-se os sistemas tutores 
inteligentes e suas aplicações. Trata-se das técnicas de mineração de 
 
 20
dados na descoberta do conhecimento e dos algoritmos que as 
implementam. Por fim aborda-se explicação em sistemas baseados em 
conhecimento; 
 Capítulo 3 - Trabalhos Correlatos: Este capítulo contempla o trabalho 
de revisão bibliográfica onde foi pesquisado e analisado um conjunto de 
sistemas e propostas considerado significativo para o contexto de 
pesquisa do trabalho. Cada sistema e proposta foram analisados de 
acordo com um conjunto de critérios específicos, sendo o resultado 
apresentado em um quadro analítico que nos permitiu avaliar as 
propostas apresentadas; 
 Capítulo 4 - A Arquitetura SGTI: Aqui é apresentada a proposta 
nascida a partir da revisão bibliográfica e dos problemas identificados. 
Uma arquitetura para sistemas geosimuladores tutoriais inteligentes. 
Como as técnicas de simulação multiagente, sistemas de informação 
geográfica e sistemas tutores inteligentes são agregados, de forma a 
constituir uma arquitetura para a construção de sistemas educativos. 
Cada parte que compõem a arquitetura é descrita individualmente; 
 Capítulo 5 - Estudo de Caso: O Capítulo 5 apresenta a aplicação da 
arquitetura SGTI no desenvolvimento de um sistema de treinamento 
para o setor de segurança pública, ExpertCop. É demonstrado como 
cada módulo da arquitetura é implementada, além do funcionamento da 
ferramenta, sua aplicação e avaliação como ferramenta de apoio em um 
curso desenvolvido para os órgãos de segurança pública; 
 Conclusão, Contribuições e Trabalhos Futuros: Conclui-se o 
trabalho, ressaltando as contribuições, problemas encontrados e 
perspectivas futuras para o trabalho aqui apresentado; 
 Referências Bibliográficas: Apresentam-se os trabalhos bibliográficos 
pesquisados ou que de alguma forma deram suporte. 
 
 21
2 CONCEITOS BÁSICOS 
2.1 INTRODUÇÃO 
Neste capítulo descrevem-se os principais conceitos que favorecem a 
compreensão da proposta apresentada neste trabalho. Na seção 2.2 abordam-se 
os sistemas multiagente em especial os simuladores multiagente. A seção 2.3 
trata dos sistemas de informação geográfica e sua conexão com os simuladores 
multiagente na definição dos geosimuladores. Os sistemas tutores inteligentes, 
arquitetura, abordagensa aplicações são descritos na seção 2.4. Em 2.5 é 
abordada a descoberta de conhecimento em base de dados, seu histórico e 
algoritmos, em especial o algoritmo de formação incremental de conceitos 
COBWEB. Em 2.6 aborda-se a explicação em sistemas baseados em 
conhecimento. Por fim, na seção 2.7, conclui-se o capítulo. 
2.2 SISTEMAS MULTIAGENTE 
Os sistemas multiagente do inglês Multi-Agent Systems (MAS), surgiram 
em meados da década de 80 (FERBER, 1999) constituindo uma subárea de 
pesquisa da Inteligência Artificial Distribuída (IAD). Estes sistemas caracterizam-
se pela utilização de uma abordagem bottom-up (FERBER, 1999), partindo de 
uma sociedade de agentes que interagem de forma dinâmica e autônoma na 
resolução de problemas ou objetivos em um dado domínio. A Figura 1 descreve o 
projeto de um SMA. 
Os SMA podem ser definidos como sistemas compostos por um conjunto 
de agentes que interagem em um mesmo ambiente em busca de cumprir 
objetivos individuais e/ou coletivos. 
Estes agentes podem variar em número, objetivos, em grau de inteligência 
e de conhecimento sobre o ambiente e sobre os outros agentes. A interação pode 
 
 22
ocorrer de forma direta ou indireta, e motivada por competição ou cooperação. O 
ambiente, por sua vez, pode ser físico ou virtual, estático ou dinâmico, discreto ou 
contínuo, determinístico ou estocástico (RUSSELL; NORVIG, 1995). 
 
Figura 1: Projeto de SMA (SICHMAN et al, 2002). 
 
As aplicações destes sistemas são as mais diversas, sendo suas possíveis 
aplicações classificadas por Ferber em resolução de problemas (distribuídos), 
simulação multiagente, construção de mundos ou ambientes artificiais, robótica 
coletiva e projeto de sistemas (FERBER, 1999). Aborda-se a seguir a simulação 
multiagente que será utilizada como parte da proposta apresentada no presente 
trabalho. 
2.2.1 Simulação multiagente 
O processo de simulação visa à representação de um fenômeno por meio 
de outro. Simular é útil para compreender, testar, mensurar, avaliar, prever, 
avaliar desempenho, educar, provar, descobrir, treinar, diminuir riscos e custos. 
Aplicações práticas de ferramentas de simulação podem ser vistas em todas as 
áreas do conhecimento, industrial, científica, educacional e comercial. Na área da 
pesquisa científica, pesquisadores de várias disciplinas (física, química, biologia, 
ecologia, economia, ciências sociais) constroem modelos da realidade a ser 
estudada e testam sua validade por meio de simulações computacionais. 
Inicialmente, as simulações eram estruturadas com base em modelos 
estocásticos onde as variáveis a serem estudadas e suas relações eram 
 
 23
representadas por meio de funções e equações matemáticas (VOLTERA, 1926). 
Do ponto de vista dos fenômenos sociais, este paradigma de simulação apresenta 
algumas falhas como: 
 Impossibilidade de representar a relação entre indivíduo e todo (micro-
macro); 
 Complexidade e pouco realismo dos parâmetros; 
 Ausência da representação de comportamentos individuais e 
heterogêneos das entidades que compõem o domínio; 
 Impossibilidade de representar múltiplas tarefas ou atividades; 
 Ausência de informação qualitativa. 
 Os sistemas multiagente possibilitaram reduzir estes problemas, 
apresentando uma nova forma de se entender e modelar sistemas de simulação. 
Os SMA possibilitam representar individualmente as entidades (componentes, 
variáveis, atores) do domínio simulado, cada qual com seu comportamento 
específico. Isso se deve à autonomia, pró-atividade, representatividade, dentre 
outras características inerentes aos agentes que compõem os SMA (KHUWAJA et 
al, 1996) (GILBERT; CONTE, 1995). Em virtude da aplicabilidade dos SMA à 
área de simulação, surge o conceito de simulação multiagente do inglês Multi-
Agent Based Simulation (MABS) que se baseia na idéia de representar 
computacionalmente o comportamento das partes que compõem o ambiente 
simulado para tentar compreender o todo. 
As ciências sociais foram uma das áreas especialmente beneficiadas pela 
simulação multiagente. Os fenômenos sociais estudados nesta área adequam-se 
perfeitamente à proposta dos simuladores multiagente, já que os fenômenos 
partem da interação de entidades complexas e heterogêneas: os seres humanos. 
2.3 SISTEMAS DE INFORMAÇÃO GEOGRÁFICA 
Sistemas de Informação Geográfica do inglês Geographical Information 
Systems (GIS) são sistemas de informação, baseados em computador, utilizados 
 
 24
para o armazenamento, recuperação, representação, mapeamento, exibição e 
análise de dados geográficos. Apesar das primeiras pesquisas propriamente 
sobre SIG iniciaram-se por volta do final dos anos 50, os primeiros sistemas 
apareceram apenas no final da década de 70. Os SIG trouxeram o poder 
computacional para o tratamento de informações geográficas, beneficiando todas 
as áreas relacionadas e áreas que de alguma forma necessitavam manipular 
informações referentes às regiões geográficas. As aplicações destes sistemas são 
bastante abrangentes indo da área comercial à pesquisa. Estes sistemas 
oferecem a possibilidade da manipulação de mapas representando áreas 
geográficas em escala, trabalhando especificamente com as características 
geográficas relevantes ao problema estudado. SIG como Geomedia (GEOMEDIA, 
2005) e Geotools (GEOTOOLS, 2005) permitem a manipulação de camadas que 
representam aspectos geográficos de alguma região estudada. Na Figura 2 é 
possível observar um ambiente geográfico representado por um conjunto de 
perspectivas (layers) apresentadas separadamente. 
 
 
ENTIDADES VIVAS 
VIAS DE TRAFEGO 
AGRUPAMENTOS 
TOPOGRAFIA 
USO DA TERRA 
AMBIENTE REAL 
Figura 2: Exemplo de superposição de camadas (www.gis.com/whatisgis/). 
 
 
http://www.gis.com/whatisgis/
 25
 Estas camadas podem representar aspectos específicos como hidrografia, 
vias de fluxo de veículos (eixo de ruas) ou a geologia da região. Outra 
possibilidade é a representação de fenômenos ocorridos sobre as regiões 
estudadas, como a demarcação de pontos ou áreas onde ocorreram algum tipo 
de fenômeno social, econômico, político ou natural. Um exemplo prático de 
representação de fenômeno social se dá no mapeamento criminal de áreas onde 
os crimes se distribuem de acordo com sua posição geográfica (Figura 3). 
Quando agrupadas (sobrepostas) estas camadas representam o ambiente 
geográfico como um todo. As áreas estudadas podem ser exibidas em duas 
dimensões (2D) ou em três dimensões (3D), ficando a exibição de acordo com a 
ferramenta e com a necessidade do domínio. A Figura 3, por exemplo, mostra o 
mapeamento criminal em uma cidade em um mapa de eixo de ruas 2D. 
 
 Figura 3: Imagem 2D gerada a partir de um SIG 
 representando o mapeamento de crimes em uma área. 
 
2.3.1 Sistemas de Informação Geográfica e Simulação 
Multiagente 
Um dos grandes desafios da ciência da geo-informação é o 
desenvolvimento de técnicas e abstrações que sejam capazes de representar 
adequadamente fenômenos dinâmicos (CÂMARA et al, 2003). 
A simulação multiagente, quando agregada aos SIG, possibilita a 
 
 26
representação da dinamicidade dos fenômenos. Os SIG geram mapas em escala 
reduzida das áreas geográficas a serem estudadas, representando o ambiente 
físico dos fenômenos estudados. Enquanto a simulação multiagente possibilita a 
representação das entidades que atuam neste ambiente dentro da dinâmica do 
fenômeno estudado. Há um mutualismo entre SIG e simulação multiagente. Os 
SIG não só representam o ambiente geográfico estudado por meio de mapas, 
mas permitem a manipulação dos mapas e das características que os compõem, 
trazendo realismo e precisão aos simuladores. A simulação multiagente por sua 
vez oferece a representação da dinâmica entre as entidades que compõem o 
fenômeno estudado. Agregados possibilitam a representação das entidades e de 
sua dinâmica com o ambiente no domínio estudado.É comum a utilização de SIG em simulações nos domínios social, ecológico 
e urbano (WU, 2002) (GIMBLETT, 2002), porém, simulações em qualquer 
domínio que necessitem de uma representação do ambiente geográfico estudado 
podem utilizar os SIG. 
O termo “Geosimulação” foi proposto pelos pesquisadores Benenson e 
Torrens (2004) para representar uma proposta de agregação de simulação 
multiagente e sistemas de informações geográficas, visando a oferecer uma 
estrutura para o desenvolvimento de sistemas para simulação de áreas 
geográficas urbanas. De acordo com os autores, a proposta da Geosimulação se 
distingue de outras propostas de metodologias de simulação exatamente pelo 
enfoque no “geo”, na representação e manipulação da parte geográfica do 
ambiente simulado. Por este motivo a proposta de geosimulação torna-se 
adequada ao estudo de sistemas sociais e urbanos, sendo assim peça importante 
à proposta deste trabalho. 
2.4 SISTEMAS TUTORES INTELIGENTES 
Os trabalhos de Carbonell na década de 70 incorporavam técnicas de IA 
como apoio a programas destinados a auxiliar no processo de ensino-
aprendizagem, tornando-se um marco nos STI. Sua proposta era levar em 
consideração a forma como o professor estrutura e desenvolve o conteúdo em 
 
 27
sala de aula, considerando o perfil dos alunos no sistema de ensino, adaptando 
assim o processo de ensino a este perfil. Fruto de suas pesquisas, o sistema 
SCHOLAR (CARBONELL, 1970), assim como o WHY e SOPHIE (WENGER, 
1987), estão entre os primeiros sistemas tutores inteligentes. 
Podemos dizer que adaptação é o princípio pedagógico que rege a 
concepção de um STI. Os STI são sistemas com modelos de conteúdo 
instrucionais que especificam o que ensinar e estratégias de ensino que 
especificam como ensinar. 
De acordo com Kaplan e Rock (1995), estes sistemas são compostos por 
módulo do aluno, módulo tutor, módulo do domínio e Interface com o usuário. A 
Figura 4 apresenta a arquitetura proposta para um STI. Há variações desta 
arquitetura, mas, de um modo geral, em todas há um consenso sobre os 
componentes apresentados a seguir. 
 
 
Figura 4: Arquitetura de um STI (GIRAFFA; BOLZAN, 2002). 
 
2.4.1 Módulo do Domínio 
No módulo do domínio é armazenado ou representado o conhecimento a 
ser apresentado ao aluno pelo módulo tutor. Este módulo contém as informações 
acerca de um determinado domínio. A forma como este conhecimento é 
representado e estruturado é fundamental para um bom acesso, apresentação, 
reuso e incremento das informações armazenadas. Há diversas técnicas para 
 
 28
representação do conhecimento sobre o domínio, como as redes semânticas de 
SCHOLAR, scripts de WHY ou a representação procedural de SOPHIE. 
2.4.2 Módulo do Aluno 
Este módulo armazena o perfil do aluno, suas características e 
preferências, visando a identificar individualmente cada aluno com suas 
específicas necessidades, durante o processo de ensino-aprendizagem. 
Informações como resultados, erros, preferências e habilidades podem ser 
guardadas neste módulo, visando criar um perfil individual do aluno que utiliza o 
sistema. A partir desse modelo e do conteúdo representado na base do domínio, 
o sistema deve ser capaz de inferir a estratégia de ação mais adequada a ser 
utilizada para cada aluno durante a utilização do sistema. 
2.4.3 Módulo Tutor 
O módulo tutor ou pedagógico é responsável por passar ao aluno o 
conteúdo do domínio estudado (representado no módulo do domínio). Para tal, 
utiliza-se de estratégias e técnicas pedagógicas selecionadas de acordo com o 
conteúdo a ser transmitido e o perfil do aluno, representado no módulo do aluno, 
visando assim facilitar o processo de aprendizagem. Há várias estratégias 
passiveis de serem adotadas como: 
 Abordagem socrática ou dialética: baseada em diálogos e levantamento 
de questões ao estudante, como no sistema SCHOLAR e no sistema 
WHY; 
 Coaching (treinador): nesta abordagem, o estudante fica à vontade para 
acionar o apoio, quando achar necessário. O sistema SOPHIE 
apresenta um bom exemplo de coaching; 
 Hipertextos: nestes sistemas o apoio pedagógico é dado ao usuário sob 
a forma de hipertextos, mediante os quais o usuário pode navegar na 
ajuda em diferentes níveis conceituais de acordo com suas 
necessidades; 
 Abordagem de dicas (hints): o tutor oferece ao usuário dicas durante o 
 
 29
processo ou ao fim do mesmo que levam o usuário a refletir sobre suas 
ações no sistema. 
 Abordagem prática (Learning by doing): o estudante é encorajado a 
buscar informações e deduzir orientações a partir do modelo do 
domínio. 
2.4.4 Interface 
A interface faz o intermédio entre o sistema e o aluno, por este motivo é 
importante a ergonomia, objetividade e atratividade da interface. Ela poderá 
facilitar ou inviabilizar o sucesso do sistema como um todo. Há diversas formas e 
níveis de complexidade no desenvolvimento da interface, podendo ir desde 
interfaces textuais simples a sistemas simuladores baseados em realidade virtual. 
2.4.5 Agentes e STI 
De acordo com Claude Frasson (FRASSON et al, 2000), “Uma das mais 
promissoras aplicações de agentes autônomos está provavelmente na educação 
e treinamento”. As características pertinentes aos agentes de software como 
mobilidade, representatividade, aprendizado e autonomia trazem vantagens na 
construção e atuação dos STI. 
Os agentes podem trazer flexibilidade ao sistema, representando, 
compondo e integrando os módulos de um STI. Agentes podem aprender a partir 
da interação com o aluno, e modelar mais facilmente o perfil deste. Os agentes 
podem assumir as responsabilidades do módulo tutor, agregando-se a interfaces 
animadas e interativas, sendo dotados de estratégias pedagógicas, visando a 
uma melhor explanação do conteúdo estudado. Há agentes dotados das mais 
diversas estratégias, como sondar os passos do estudante durante a utilização do 
sistema e identificar momentos em que o usuário demonstra estar em dificuldades 
de modo a oferecerem ajuda ou correção específica. Ou ainda adotar técnicas 
como mineração de dados para identificar nas interações do usuário com o 
sistema, padrões de comportamento. 
Há diversos trabalhos de pesquisa focados na integração dos sistemas STI 
e sistemas baseados em agentes (LESTER, VICARI e PARAGUASSU, 2004). 
 
 30
2.4.6 STI, simuladores e jogos educativos 
Os STI modelados como jogos educativos têm um grande potencial para o 
processo de ensino e aprendizagem, por despertarem naturalmente o interesse 
dos alunos durante o processo de ensino. Dentro do paradigma de jogos, os STI 
adotam a estratégia prática ou learning by doing. O jogo tem um caráter de 
desafio e conquista, despertando nos alunos motivação, estímulo, curiosidade e 
interesse. Essas características pertinentes aos jogos podem ser aproveitadas 
como estratégias pedagógicas na construção de ferramentas educacionais. 
O jogo permite ao aluno construir seu conhecimento de maneira lúdica e 
prazerosa. Segundo Piaget (1976), o jogo tem uma relação estreita com a 
construção da inteligência e possui uma efetiva influência como instrumento 
incentivador e motivador no processo de ensino e aprendizagem. Os jogos 
educativos computadorizados são elaborados de forma a, divertindo os alunos, 
aumentar a chance de aprendizagem de conceitos, conteúdos e habilidades 
embutidas no jogo. 
Para Vieira (1994), os jogos educativos podem explorar aspectos como: 
 Propiciar o lúdico por meio de jogos de exercício, simbólicos e de 
construção; 
 Favorecer a aquisição de condutas cognitivas por meio de jogos que 
apelam para o raciocínio prático, a discriminação e a associação de 
idéias; 
 Ajudar no desenvolvimento de habilidades funcionais por meio de jogos 
que exploram a aplicação de regras, a localização, a destreza, a 
rapidez, a força e a concentração; 
 Propiciar trabalhos sociais com a realização de atividades de 
participação coletivaem busca da socialização; 
 Auxiliar na aquisição de condutas afetivas em jogos que ajudam a 
desenvolver a confiança, a autonomia e a iniciativa. 
Jogos simuladores (gamming simulation) representam experiências reais 
em ambiente virtuais ou simulados, propiciando o aprendizado experimental. 
 
 31
Pode haver, porém, um caráter negativo na aplicação dos jogos como 
estratégia de apoio pedagógico ao aluno. Os jogos têm em geral um objetivo bem 
definido onde o usuário deve superar marcas, ganhar de alguém ou de si próprio. 
Desta forma, o usuário pode voltar-se apenas para a obtenção dos resultados, 
elaborando macetes e estratégias decoradas. O aluno pode perder o foco no 
processo e modelo de simulação, é onde estão os conceitos a serem aprendidos. 
É necessário que o foco esteja no processo, que os resultados sejam fruto da 
compreensão do que ocorreu durante o processo. É também importante que este 
processo seja dinâmico, para que o aluno possa passar por ele diversas vezes e 
encontrar sempre novas motivações. 
No aprendizado experimental, a experiência direta é tida como fundamental 
para o processo de aprendizado. Ulrich apud Dewey (1997) afirma que toda 
educação genuína é proveniente da experiência. Os Jogos simuladores permitem 
essa experiência prática com o foco do estudo, o “aprender fazendo”. De acordo 
com Kolb (1984), o aprendizado é favorecido quando se dá dentro de quatro 
passos sucessivos, como mostrado na Figura 5: 
 
Figura 5: Passos segundo Kolb para o favorecimento do aprendizado. 
 
 Experiência concreta: Obtida na vida real ou por ambientes simulados 
ou virtuais; 
 Observações e reflexões: Após a experiência, segue-se a fase de 
 
 32
reflexão em que a experiência é recriada na mente do aluno e todas 
suas facetas são vistas em perspectivas diferentes da inicialmente 
vivenciada; 
 Conceitualização e abstração: Nesta fase, a experiência é comparada 
com experiências absorvidas anteriormente e examinada de acordo 
com estruturas-padrão e significados existentes. Aqui são formados os 
conceitos abstratos e novo conhecimento é gerado; 
 Experimentação ativa: Os novos conceitos formados são utilizados em 
novas estratégias na abordagem do problema. 
 
Estas fases propostas por Kolb, para o favorecimento do processo de 
aprendizagem, podem ser obtidas a partir da interação do usuário com um jogo 
simulador. A experiência concreta é vivenciada pelo usuário por meio da interação 
com a simulação do ambiente ou atividade em estudo proposta pelo jogo. 
Os jogos simuladores têm diversas características que os tornam 
favoráveis ao processo de ensino. Para uma melhor adequação de seu propósito 
original, o entretenimento, ao propósito pedagógico, é necessário que haja uma 
adequação, dando um maior suporte ao usuário na compreensão dos fatos 
simulados e dos resultados obtidos, auxiliando assim no processo de 
aprendizado. Esta adequação traz aos jogos a necessidade da inserção de 
tutores inteligentes (ANGELIDES; SIEMER, 1994) de forma a possibilitar, dar 
suporte ao usuário durante este processo. Há diversos trabalhos agregando STI a 
jogos e simuladores (ANGELIDES; SIEMER, 1994, 1995) (MARTENS; 
HIMMELSPACH, 2005) de forma a torná-los efetivamente ferramentas 
pedagógicas. Estes trabalhos mostram a necessidade e viabilidade desta 
agregação, além de propor frameworks específicos para a construção de jogos 
tutorados. A agregação da proposta de jogos simuladores e de STI oferece 
ferramentas necessárias para o cumprimento dos objetivos almejados no presente 
trabalho. 
 
 
 33
2.5 DESCOBERTA DE CONHECIMENTO EM BASE DE 
DADOS 
A identificação de relações ou padrões a partir de dados armazenados 
pode não ser uma tarefa trivial, principalmente quando há um grande volume de 
dados a ser analisado. Por este motivo, novas técnicas e ferramentas 
computacionais tornaram-se necessárias para dar suporte a esta extração de 
conhecimento a partir de dados armazenados. Estas técnicas e ferramentas 
englobam o campo de descoberta de conhecimento em base de dados do inglês 
Knowledge Discovery in Databases (KDD). 
O termo KDD refere-se ao processo automatizado de extração de 
conhecimento a partir de banco de dados. Fayyad (FAYYAD et al, 1996) define 
KDD como um processo não trivial de identificação de padrões válidos a partir de 
dados armazenados. KDD evoluiu, e continua evoluindo, da interseção da 
pesquisa nas áreas de banco de dados, aprendizado de máquina, 
reconhecimento de padrões, estatística, aquisição de conhecimento e 
visualização de dados. Os sistemas KDD incorporam teorias, algoritmos e 
métodos de todos estes campos, dando um enfoque ao processo global de 
descoberta de conhecimento e em como os dados são armazenados (data 
warehouse) e acessados. 
O processo de KDD envolve basicamente cinco fases. A primeira é a 
seleção dos dados, na qual é selecionado, a partir da base de dados, um 
subconjunto de dados a partir dos quais se quer realizar o processo de 
descoberta de conhecimento. A segunda fase é o pré-processamento dos dados, 
onde são realizadas operações para remoção de ruídos e redundâncias. A 
terceira fase, transformação consiste em aplicar, quando necessário, alguma 
transformação linear ou mesmo não linear nos dados, de forma a encontrar 
aqueles mais relevantes para o problema em estudo. Nesta etapa, geralmente 
são aplicadas técnicas de redução de dimensionalidade e de projeção dos dados. 
A quarta fase ou etapa é a de mineração. Esta fase se dá com a utilização de 
algoritmos de aprendizado de máquina para a descoberta de agrupamentos, 
classificações e associações nos dados. A última fase é a análise dos dados 
 
 34
gerados, onde os agrupamentos e classificações são analisados geralmente com 
o apoio de um especialista no domínio, de forma a identificar os padrões e 
classificações úteis e colocá-los de forma compreensível para o usuário final. O 
processo de descoberta de conhecimento é interativo e, em geral, envolve 
diversos laços de repetição dentro de uma mesma etapa e também entre fases, 
até que um resultado útil seja alcançado. A Figura 6 exibe as fases do processo 
de KDD. 
 
Figura 6: Processo de descoberta de conhecimento (FAYYAD et al, 1996). 
 
2.5.1 Mineração de dados 
Mineração de Dados (Data mining) é um dos sub-processos da descoberta 
de conhecimento, consistindo em um processo analítico de exploração de dados 
na busca de padrões consistentes e/ou relacionamentos sistemáticos entre 
variáveis. Existem diversas estratégias utilizadas no processo de mineração de 
dados, cada uma com um enfoque específico. Dentre os principais métodos de 
descoberta estão: classificação, agrupamento, associação, regressão e predição. 
Nestas estratégias, o objetivo é generalizar o conhecimento adquirido para 
identificar novas ocorrências do fenômeno. Em cada uma destas estratégias, 
diferentes técnicas e algoritmos podem ser aplicados. Aborda-se a seguir a 
 
 35
estratégia de agrupamento. 
2.5.2 Algoritmos de Agrupamento (clustering) 
Uma das estratégias utilizadas na mineração de dados é o agrupamento 
(agregação). Esta estratégia consiste na busca de similaridades entre os 
dados/objetos, de modo a separá-los em classes ou categorias (clusters) que 
agrupem as características em comum, separando-o dos demais. A principal 
diferença entre esta abordagem e a de classificação é que em agregação não se 
tem conhecimento prévio sobre a quantidade ou tipo das classes nem a possível 
pertinência dos exemplos usados na modelagem (algoritmos não-
supervisionados). Enquanto na classificação (algoritmos supervisionados) há 
apenas uma classificação dos exemplos de acordo com as classes previamente 
definidas. Devido à sua característica de geração dinâmica das classes, a partir 
das características dos exemplos, os algoritmos de agregação são mais 
indicados, quando não há a presença do especialista para a definiçãoprévia das 
classes. 
Neste trabalho, focar-se-á a classe dos algoritmos não-supervisionados em 
virtude da ausência de um especialista no processo de geração de conhecimento. 
Verificou-se ainda que nesta classe de algoritmos há os que realizam um 
processo de formação de categorias através do agrupamento conceitual de 
entidades, conceptual clustering (MICHALSKI, 1983). Trata-se da categorização 
de entidades em função de suas propriedades. Os algoritmos incrementais, em 
particular, são conhecidos como sistemas de formação de conceitos (FISHER, 
1987; LEBOWITZ, 1987), pois as categorias são representadas por conceitos que 
explicam o agrupamento das entidades. 
Smith e Medin (1981) propuseram uma abordagem baseada em noções da 
psicologia cognitiva, chamada conceitos probabilísticos. A representação de um 
conceito probabilístico consiste de uma lista de pares atributo/valor associados a 
uma probabilidade de ocorrência. Esta probabilidade (predictability) é a 
probabilidade condicional de que uma observação possua um atributo A com um 
valor V, dado que esta observação pertence ao conceito C, P (A = V | C). 
 
 36
O uso de uma função para mensurar a qualidade de uma hierarquia de 
conceitos representou um avanço para a área de formação automática de 
conceitos, assim como o uso de conceitos probabilísticos na sua representação 
facilitou o entendimento do método de clustering utilizado. COBWEB (FISHER, 
1987) é uma abordagem que aplica essas idéias em sua implementação. Isso a 
transformou em representante típico dos sistemas de formação de conceitos 
probabilísticos. 
Através de uma função de avaliação, COBWEB faz uso de uma heurística 
de criação de conceitos. 
As entidades em COBWEB são representadas como uma observação de 
um conjunto de suas propriedades. Uma propriedade de uma entidade é formada 
por um atributo da entidade e seu respectivo valor. Na hierarquia construída pelo 
algoritmo, cada nó é um conceito que representa uma categoria. Na Figura 7 
elaborou-se um exemplo de uma pequena árvore composta por quatro nós 
(conceitos) gerada por COBWEB a partir de cinco exemplos. Cada conceito C é 
composto por três colunas, representando sucessivamente a descrição do atributo 
A, o valor V e a probabilidade condicional P de uma entidade fazem parte de um 
conceito ou categoria (P (A = V | C)). Podemos ver que o nó raiz contém o 
conceito mais genérico, o conceito animais, abrangendo todos os exemplos (5 
exemplos) avaliados. A partir deste conceito, COBWEB identificou três outros 
conceitos mais especializados: o conceito 1 que representa os mamíferos, o 
conceito 2 que representa os peixes e o conceito 3 que representa as aves. 
A primeira coluna de cada conceito da figura é composta pelos atributos 
cobertura e coração. A segunda coluna é composta pelos possíveis valores para 
os atributos: pêlo, pena ou escama para o atributo cobertura e quatro ou duas 
cavidades para o atributo coração. A terceira e última coluna é composta pela 
probabilidade de ocorrência deste valor para o atributo no conceito. 
 
 37
 
Figura 7: Divisão de um conceito genérico em conceitos mais específicos 
 
Ainda utilizando o exemplo exibido na Figura 7, caso um sexto exemplo 
(observação) fosse acrescentado aos exemplos previamente existentes, 
COBWEB avaliaria o conceito, buscando incorporá-lo à árvore existente. O 
processo de incorporação de um exemplo é baseado na classificação do mesmo 
através de uma caminhada na estrutura hierárquica. 
2.5.3 Mineração de Dados Aplicada a STI e Simulação 
A mineração de dados é utilizada nas mais diversas áreas, os sistemas 
tutores e simuladores não seriam uma exceção. Nos STI, os algoritmos de 
mineração são utilizados para descobrir padrões de comportamento de usuários 
registrados em arquivo de log durante a utilização do sistema. Estes padrões 
podem vir a identificar uma má estruturação do conteúdo, podem servir para 
identificar o nível do estudante ou mesmo identificar se há uma má utilização do 
tutor (MERCERON et al, 2001) (MERCERON; YACEF, 2003, 2004). Em 
simuladores, a mineração pode servir para identificar os padrões de 
comportamento a partir dos eventos simulados, permitindo assim auxiliar o 
usuário na compreensão do processo de simulação (FURTADO; 
VASCONCELOS, 2005). 
Como podemos ver, o processo de mineração de dados pode ser aplicado 
de diversas formas, nos mais diversos contextos, para identificar ou explicitar um 
 
 38
comportamento, tendência ou padrão. 
2.6 EXPLICAÇÃO EM SISTEMAS BASEADOS EM 
CONHECIMENTO 
Fensel et al (2003) definem Sistemas Baseados em Conhecimento - SBCs 
como sistemas de computador desenvolvidos para resolver problemas complexos 
fazendo uso de conhecimento. 
Em virtude da complexidade das tarefas as quais estes sistemas se 
propõem a solucionar, há a necessidade de credibilidade em seu processo, não 
sendo interessante que o sistema funcione como uma caixa preta. Esta 
credibilidade pode ser alcançada através da explicação dos processos utilizados 
nos SBCs de modo que os usuários entendam as estratégias e assim confiem e 
entendam as respostas. Em especial, os SBCs que fazem uso de Problem Solving 
Methods – PSMs, Métodos de resolução de problema que descrevem os passos 
de raciocínio e conhecimentos utilizados na resolução tarefas com uso intensivo 
de conhecimento, tais como planejamento, diagnóstico, configuração e avaliação, 
são desenvolvidos de acordo com a visão do especialista, tornando-se difícil para 
usuários inexperientes entender as estratégias de raciocínio complexas. Outro 
caso que reforça a necessidade da explicação é que em sistemas de ensino que 
usam SBCs para simular comportamentos inteligentes, os estudantes (usuários) 
precisam entender o processo de raciocínio para que tais sistemas realmente 
possibilitem seu aprendizado. 
Na década de 80, formalizaram-se propostas de “Explicação em SBSc”, 
tendo os trabalhos de Swartout (1983), Buchanan e Shortliffe (1984) e Clancey 
(1986) papel significativo no desbravar desta área, firmando-a como área 
independente e significativa de pesquisa. 
Trabalhos nesta área vêm evoluindo. Inicialmente pelo simples trace das 
regras utilizadas no processo de inferência em MYCIN, passando a utilização de 
meta-regras na representação explícita das estratégias de resolução do problema 
em NEOMYCIN (CLANCEY, 1986) e evoluindo em uma série de trabalhos que 
aprimoraram e adaptaram o processo de explicação (SHANKAR; MUSEN, 1998) 
(RICHARDS, 2000) (MOORE; SWARTOUR, 1991) (PINHEIRO; FURTADO, 
 
 39
2004). Estes trabalhos são importantes para a proposta de apoio ao aluno por 
meio de explicações que será apresentada como parte dos objetivos deste 
trabalho. 
2.7 CONCLUSÃO 
A partir dos temas expostos, pode-se concluir que geosimulação é uma 
proposta de agregação da simulação multiagente e sistemas de informação 
geográfica para a simulação de fenômenos, em especial, fenômenos sociais. A 
geosimulação une a possibilidade de modelagem, representação e simulação de 
sistemas e atividades complexas oferecidas pelos SMA à manipulação e 
representação precisas do ambiente físico oferecida pelos SIG. 
Observamos que os STI são desenvolvidos visando oferecer auxílio aos 
usuários na utilização e compreensão de ferramentas computacionais, podendo 
assim ser utilizado como auxílio ao usuário na compreensão do processo de 
simulação ou de geosimulação. 
Apresentou-se a descoberta de conhecimento em base de dados, em 
especial a mineração de dados e os algoritmos de agrupamento, como meio de 
descobrir informações relevantes e de difícil percepção, e como utilizá-los junto a 
sistemas tutores para dar suporte ao usuário. Ressaltou-se também a importância 
da explicação dos processos como meio de prover credibilidade e compreensão 
em sistemas baseados em conhecimento. 
 
 40
3 TRABALHOS CORRELATOS 
3.1 INTRODUÇÃO 
Este trabalho de pesquisase motiva no tema de informática educativa e na 
busca de soluções para o desenvolvimento de sistemas com este fim. Mais 
especificamente os objetivos do presente trabalho são: a concepção de uma 
arquitetura pedagógica adequada para a construção de ferramentas 
computacionais voltadas para o estudo de fenômenos urbanos e treinamento de 
atividades realizadas neste contexto, e sua aplicação no desenvolvimento de um 
sistema de treinamento para o setor de segurança pública. Neste capítulo, faz-se 
uma revisão bibliográfica de modo a identificar e avaliar diferentes propostas para 
a problemática identificada. Avaliam-se, dentre um conjunto de sistemas e 
propostas para treinamento e ensino, as técnicas, estratégias e tecnologias 
adotadas. Um conjunto de critérios, considerados importantes para a 
contextualização e avaliação pedagógica das propostas, foi adotado no processo 
de avaliação. São eles: domínio estudado, abordagem utilizada, modelagem do 
domínio e técnicas, interação usuário modelo e suporte ao aluno. 
3.2 REVISÃO BIBLIOGRÁFICA 
Desenvolveu-se pesquisa bibliográfica em um conjunto de sistemas 
educativos, buscando identificar e avaliar as propostas, abordagens e arquiteturas 
de auxílio ao usuário na compreensão dos modelos propostos. 
Há uma extensa bibliografia no que diz respeito à utilização de sistemas 
computacionais como ferramenta de ensino. Várias classificações baseadas nas 
mais diversas características podem ser encontradas (GALVÃO et al, 2000) 
(TAJRA, 2000) (TEIXEIRA, 2005). Dentro deste contexto, buscou-se identificar as 
abordagens que contribuam com conceitos, modelos e propostas tecnológicas 
 
 41
adequadas para a construção de ferramentas de treinamento para fenômenos ou 
atividades urbanas. Dentre as classificações, os simuladores de treinamento, os 
jogos educativos e os tutores mostram-se adequados ao nosso propósito, por 
serem utilizados para o treinamento e estudo de atividades práticas e/ou terem 
um propósito educacional. 
Apresentar-se-á a seguir um enfoque em propostas de simuladores de 
treinamento, jogos educativos e tutores, fazendo uma análise dentro dos critérios 
domínio estudado, modelagem do domínio e técnicas, meios de interação entre 
usuário e modelo e suporte pedagógico ao aluno. 
3.2.1 Simuladores para Treinamento 
Analisa-se a seguir um subconjunto das propostas estudadas que podem 
se enquadrar sob algum aspecto ao nosso objetivo. 
3.2.1.1 O Sistema SECUREVI 
Domínio: SECUREVI (QUERREC et al, 2004) é um sistema simulador que 
visa apoiar o treinamento de oficiais do corpo de bombeiros no gerenciamento 
operacional e no comando das atividades de combate a incêndios. 
Modelagem: SECUREVI é implementado a partir de MASCARET, um 
modelo proposto pelos mesmos autores que possibilita o desenvolvimento de 
ferramentas para treinamento de equipes em atividades colaborativas e 
procedimentais em ambientes físicos. MASCARET utiliza a simulação multiagente 
para a representação das entidades que compõem o domínio, oferecendo uma 
representação tridimensional do ambiente simulado. 
Interação usuário-modelo: A proposta do sistema é que os alunos atuem 
como um agente externo, fazendo o papel de chefes de equipes, intervindo 
durante o incidente simulado. A intervenção se dá pela definição (configuração via 
interface) de equipes que atuarão na resolução dos incidentes e de como estas 
equipes são organizadas para resolver problemas específicos, o número de seus 
componentes, sua estrutura organizacional e os recursos de que dispõe. A 
organização das equipes pode ser feita no início da simulação ou dinamicamente 
durante o processo de simulação. No caso do incidente ser um vazamento de 
 
 42
gás, o aluno deve selecionar as equipes específicas mais adequadas para este 
tipo de problema, visando resguardar as pessoas e estruturas próximas do lugar, 
e findar o vazamento. O processo de simulação ocorre em um ambiente gráfico 
3D dando ao aluno a possibilidade de lidar com os incidentes, como incêndios e 
vazamentos de gás, com riqueza de detalhes visuais. A Figura 8 mostra um 
cenário do ambiente virtual tridimensional de SECUREVI. O sistema é dotado de 
um agente treinador, que toma parte da simulação, causando disfunções 
(incidentes) que motivam o processo de treinamento na simulação, ajudando 
alunos ou executando algum papel em algum grupo. Já os alunos devem seguir 
um plano de intervenção, pedir a execução de procedimentos para equipes e 
relatar a situação para seu líder. 
Abordagem pedagógica: De acordo com os autores, SECUREVI e seu 
modelo MASCARET não apresentam uma proposta pedagógica formalizada. O 
agente treinador assume parcialmente a função de tutor (coach), dando 
direcionamento ao processo de simulação e assistência aos alunos, mas os 
autores não definem claramente como são modeladas e implementadas suas 
funcionalidades. Não há também modelo do estudante contemplado no sistema. 
Observações: O sistema é uma proposta interessante ao ensino e 
treinamento de uma atividade complexa. Há a necessidade de se estabelecer 
objetivos pedagógicos e meios para alcançá-los e mensurá-los. Quanto à 
validação do sistema, não são apresentados testes realizados com o sistema 
dentro de seu contexto de aplicação nem avaliações quanto à efetividade da 
ferramenta quanto aos objetivos propostos. 
 
 
 43
 
Figura 8: Cenário 3D proveniente do simulador SECUREVI. 
 
3.2.1.2 Battle Command 2010 (BC2010) 
Domínio: BC2010 (STOTTLER & JENSEN, 2002) é um jogo de treinamento 
utilizado por militares estudantes do Curso de Preparação para Comando do 
Colégio do Comando Geral de Staff, sediado no Forte Leavenworth, Kansas, 
EUA, para treinamento de tomada de decisões táticas. 
Modelagem: BC2010 é um jogo simulador cujo objetivo é a avaliação das 
habilidades dos alunos no planejamento e execução de operações táticas de 
brigada. O jogo simula batalhas durante as quais o aluno pode interagir com sua 
brigada efetuando dinamicamente decisões táticas. 
Interação usuário-modelo: Uma vez selecionada a missão, tanto o 
planejamento, a execução dos planos e posteriores alterações nos planos são 
feitos por meio de uma interface intuitiva de jogo contemplada por um mapa 2-D e 
um ambiente 3-D que provêem uma representação realística do mundo simulado. 
Na Figura 9 é apresentada a interface do jogo, na qual vemos o ambiente 2-D 
representando um campo de batalha e os menus com as ferramentas do sistema. 
 
 44
 
Figura 9: Interface do sistema BC2010. 
 
Abordagem pedagógica: Um STI previamente existente foi adaptado a 
BC2010 pelos autores de modo a minimizar a necessidade do acompanhamento 
humano no apoio aos alunos durante o processo de simulação em BC2010. A 
proposta de atuação do STI junto ao estudante na utilização da ferramenta é 
apresentada na Figura 10. 
O aluno define no sistema, via interface e ferramentas gráficas, suas “áreas 
funcionais de batalha”, que representam os planos iniciais de atuação de tropas 
no ambiente físico da missão selecionada; estes planos são então repassados ao 
STI e revisados de forma a identificar aspectos negativos. Estas críticas são 
repassadas ao usuário sob a forma de anotações textuais e gráficas, permitindo 
ao usuário um re-planejamento. Após este fase, vem a execução dos planos (já 
revisados e corrigidos). Durante a execução o usuário visualiza os dados 2D e 3D 
simulados e interage dinamicamente com o sistema durante o processo, inserindo 
dados de comando. Em paralelo a este processo, o simulador envia os dados 
sobre a interação do aluno com o simulador para o STI. Após a execução da 
simulação, o usuário recebe do BC2010 os resultados do seu planejamento e 
interação tática, e do STI comentários, avaliando os resultados. 
 
 45
 
Detalhes dos 
planos 
Dados 
internos
Avaliação
Avaliação
Planejamento
Execução 
Planos
Avaliação 
do STI 
Dados 
2D e 3D 
AvaliaçãoApós Ação 
Dados de 
comando 
2D e 3D 
Avaliação do
STI 
 
Resultados 
da base 
STI
Figura 10: Interação entre usuário, BC2010 e STI. 
 
Para a crítica ao plano inicialmente elaborado pelo aluno, o STI é 
alimentado por um especialista com dois tipos de avaliações: Dados sobre 
posicionamentos e direcionamentos geográficos corretos com uma tolerância 
definida; Dados sobre a adequação dos papéis atribuídos para cada unidade na 
coordenação com os outros elementos existentes no ambiente. Na Figura 11, são 
apresentados sucessivamente um exemplo correto de plano descrito por um 
especialista, um exemplo que falha no primeiro tipo de avaliação proposto por um 
aluno e um outro exemplo que falha no segundo tipo de avaliação também 
proposto por um aluno. Os círculos pontilhados representam os objetivos a serem 
alcançados, as setas, o percurso a ser seguido e os quadrados as companhias, 
subunidade composta entre 100 e 150 homens comandados por um capitão. 
 
 46
 
Figura 11: Sucessivos exemplos de posicionamento e adequação de papéis. 
 
Quanto à avaliação do desempenho a partir dos resultados, o STI observa 
o cumprimento de determinados estados da simulação que envolve 
posicionamentos e orientações em relação a outros elementos co-existentes. 
Estas avaliações são feitas por meio de uma máquina de estados finitos que 
verifica o estado final apresentado em relação a estes estados “meta”, 
previamente definidas por um especialista. 
Observações: Os exemplos apresentados são por demais simples 
deixando transparecer que o sistema mais parece um conjunto finito e estruturado 
de propostas do especialista associadas a um conjunto de respostas gráficas 
corretas. Não foi apresentado pelos autores nenhum tipo de validação da 
ferramenta. Também não há um comparativo se a incorporação do STI trouxe 
melhorias nos resultados dos alunos ou na compreensão dos objetivos. 
3.2.1.3 O Sistema SMAP 
Domínio: Ohmori et al (2003) desenvolveu um trabalho de pesquisa, 
objetivando agregar as vicissitudes dos SIG à modelagem de jogos simuladores. 
Nesta pesquisa, foi desenvolvido o sistema SMAP (Simulation Model for Activity 
Planning). SMAP visa estudar os padrões de atividades diárias (translado) dos 
consumidores de meia-idade, considerando as limitações físicas destas pessoas, 
e como estes consumidores reagem a mudanças no ambiente. Os dados 
utilizados para servir de base para o modelo da simulação foram coletados em 
pesquisa de campo onde idosos foram sondados durante certo período. 
Modelagem: O sistema é modelado sob a forma de um jogo simulador 
baseado em um SIG. 
Interação usuário-modelo: O modelo é dotado de um gerador de padrões 
de atividades que tem como base informações sobre os padrões (espaço-
 
 47
temporais) de comportamento de fluxo urbano de consumidores de meia idade, 
mediante aos meios de transportes e vias de acesso disponíveis. O gerador 
simula o comportamento (fluxo) dos consumidores no ambiente, representado 
graficamente pelo SIG. O usuário interage com a ferramenta, observando os 
padrões gerados e alterando as condições de transporte e de disponibilidade dos 
recursos de modo a analisar como os compradores reagem às mudanças. A 
Figura 12 mostra a interface do sistema SMAP e suas diversas janelas de 
acompanhamento e análise. 
Abordagem pedagógica: Não há uma proposta pedagógica formal. 
Observações: Apesar de não haver proposta pedagógica formalizada, o 
que pressupõe que o usuário por si só compreenderá o modelo e resultados, há 
componentes que permitem ao usuário um acompanhamento espaço-temporal da 
simulação e de seus dados. Ohmori afirma que jogos simuladores baseados em 
SIG são aplicáveis ao estudo de qualquer tipo de padrão de atividades. Com o 
apoio do SIG tornaram-se possível a visualização e, conseqüentemente, a análise 
espaço-temporal dos padrões e comportamentos gerados. 
 
 
 
 48
 Inicio de oportunidade 
engajada / comprometida 
com a atividade alvo. 
Representação de padrões 
de movimentação de X na 
linha do tempo. 
Representação de padrões 
de movimentação de Y na 
linha do tempo. 
 
Representação de padrões de 
movimentação de x no mapa 
Geoprocessado. 
Atividade alvo. 
 
Figura 12: Interface do sistema SMAP. 
 
 
3.2.1.4 DEFACTO System 
Domínio: O sistema DEFACTO (Demonstrador da coordenação flexível e 
eficaz de equipes de agentes de forma onipresente) (SCHURR et al, 2005) tem 
como objetivo oferecer treinamento a comandantes do corpo de bombeiros na 
coordenação de equipes frente a incidentes críticos (desastres), além de permitir 
a avaliação de estratégias de respostas a estes incidentes. 
Modelagem: O sistema é composto por um sistema multiagente no qual 
são modelados os atores do domínio (bombeiros) com seus respectivos 
comportamentos e por mapas 2-D e 3-D que representam o ambiente geográfico 
onde ocorrem os eventos simulados e onde atuarão os agentes, durante o 
processo de simulação. 
 
 49
Interação usuário-modelo: O treinamento se dá por meio de simulações de 
desastres (incêndios) em pontos específicos das regiões geográficas 
representadas pelos mapas. O usuário atua no sistema como coordenador de 
equipes, definindo estratégias de abordagem aos incidentes que serão 
implementadas por agentes autônomos, sendo possível com isso o treinamento 
efetivo de técnicas de coordenação e alocação de equipes. 
DEFACTO é composto por três componentes principais: Visualizador 
Onipresente, Framework proxy e Interação Flexível. A Figura 13 mostra os 
componentes da arquitetura de Defacto. 
O Visualizador Onipresente contempla a interface gráfica do sistema, 
composto por um visualizador 3-D (modo de navegação) que permite a 
visualização do ambiente simulado e da atuação dos agentes (mapa) em 
diferentes perspectivas (onipresença) e um visualizador 2-D (modo de alocação) 
que permite a interação do usuário na definição das estratégias. 
O framework proxy implementa durante o processo de simulação a 
estratégia de coordenação e atuação da equipe. Cada membro da equipe tem seu 
proxy, ou seja, sua estratégia de atuação junto da equipe. 
A Interação Flexível é implementada pelo ajuste autônomo da autonomia 
dos agentes, que em determinado momento da simulação passam ao usuário a 
determinação da ação a ser tomada frente à situação. 
Abordagem pedagógica: Os autores não propõem uma abordagem 
pedagógica. 
Observações: A proposta dos autores tem seu foco voltado para a 
interação flexível e dinâmica entre usuário e sistema como estratégia de 
pedagógica. Os autores não se preocupam com a possibilidade de o usuário não 
conseguir relacionar ou interpretar suas ações frente aos resultados obtidos, o 
que pode vir a impossibilitar a obtenção dos resultados da ferramenta. 
 
 50
 
Coordenador 
de Equipes Visualizador Onipresente
Navegação Alocação 
Cenário 
Equipe
Figura 13: Arquitetura do sistema DEFACTO. 
 
 
3.2.1.5 RobocupRescue Simulation 
Domínio: O projeto de Simulação RoboCupRescue é parte do grupo de 
pesquisas da liga RoboCup e RobocupRescue (ROBOCUP, 2005). Seus objetivos 
são a pesquisa e o desenvolvimento de ferramentas que dêem suporte à tomada 
de decisão em situações de emergência em ambientes urbanos, por meio da 
análise de informações sobre desastres, sistemas de planejamento, simulações e 
interfaces gráficas. 
Modelagem: A partir de uma rede de computadores, foi desenvolvido um 
ambiente genérico de simulação de desastres urbanos. Agentes heterogêneos 
inteligentes (SMA) tais como bombeiros, policiais, vítimas, dentre outros atores 
comuns a este domínio, conduzem ações de busca e salvamento neste mundo 
virtual. A simulação permite a investigação em áreas como Inteligência Artificial e 
Robótica, na definição de estratégias de comportamento (planejamento 
multiagente, planejamento em tempo real, interação entre agentes heterogêneos). 
Em termos de investigação de desastres, RoboCupRescue