AS-MCOE: Tutor inteligente modelado em AgentSpeak(L)

Transcrição

1 AS-MCOE: Tutor inteligente modelado em AgentSpeak(L) Rodrigo R. V. Goulart, Alexandre O. Zamberlam 1 FEEVALE, PROPTEC, Grupo de Pesquisa em TI Novo Hamburgo, RS, Brasil {rodrigo, alexz}@feevale.br Resumo. Este artigo relata a investigação e partes da implementação realizadas no projeto AS-MCOE, que tem como objetivo avaliar a utilização de tutores inteligentes no ensino de ecologia, dando continuidade ao trabalho desenvolvido no ambiente MCOE. O tutor e os agentes dessas propostas estão sendo implementados com a técnica BDI (Belief, Desire and Intention) por meio da linguagem AgentSpeak(L) e do interpretador Jason. Esses agentes estão inseridos em um jogo, construído através da Golden T Game Engine (GTGE), kit de desenvolvimento em Java para jogos. 1. Introdução O projeto AS-MCOE (AgentSpeak(L) MCOE) se caracteriza pela investigação científica dos avanços pedagógicos e tecnológicos decorrentes da utilização de técnicas de Inteligência Artificial no ensino de crianças, jovens e adultos. O objeto dessa pesquisa são os jogos educacionais, os quais destacam-se pela popularidade e inserção na comunidade infanto-juvenil, e que até o presente momento não agregam a tutoria artificial como um diferencial comercial e/ou pedagógico. A finalidade desse projeto é desenvolver um estudo sobre aplicação de uma técnica de IA, intitulada BDI (Believes, Desires and Intentions ou Crenças, Desejos e Intenções), em um jogo educacional e avaliar o processo de desenvolvimento e aplicação do mesmo com alunos do ensino fundamental. O tema do jogo, proposto inicialmente por Lúcia Giraffa em [Giraffa 1999], é de ecologia e baseia-se na interação entre um personagem, comandado pelo aluno, e a cadeia alimentar de um lago, composta por personagens artificiais inteligentes. O objetivo é manter o equilíbrio da cadeia por meio de poderes ou ferramentas que o personagem possui, e as dificuldades relacionadas ao jogo e/ou ao conteúdo são avaliadas por um Tutor Artificial que envia mensagens com dicas e explicações ao aluno. Neste trabalho, a modelagem utilizada por Giraffa, proposta por Móra em [Móra 2000], será substituída pela de [Rao 1996], cuja linguagem, a AgentSpeak(L), foi implementada por [Hübner et al. 2004]. Esses novos recursos viabilizaram a reimplementação dos experimentos realizados por Giraffa e a sua posterior avaliação. Além disso, novas recursos foram utilizadas para o desenvolvimento do jogo: a linguagem Java e o engine para jogos GTGE. Finalmente, para uma melhor compreensão do apresentado, este artigo está dividido em 7 seções. A próxima detalha o ambiente MCOE, sua estrutura, seus componentes e sua evolução. A seção 3 aborda agentes cognitivos baseados em estados mentais (BDI), conceitos e o contexto na IA. Na seção 4, é detalhada a linguagem de especificação AgentSpeak(L), bem como o interpretador Jason, ferramentas de operacionalização da máquina de inferência do comportamento dos agentes no jogo.

2 A seção 5 apresenta o engine GTGE, responsável pelo o ambiente do jogo, ou seja, a jogabilidade. Na seção 6, é detalhada a arquitetura do jogo com o engine e o interpretador Jason. Finalmente na seção 7, as considerações finais. 2. MCOE Este projeto faz parte de um conjunto de pesquisas sobre softwares educacionais inteligentes realizadas nos últimos dez anos. O eixo principal de todas elas é o Multi Cooperative Environment - MCOE, proposto em [Giraffa 1999] que descreve um ambiente composto por um jogo de ecologia e um tutor inteligente. A pesquisa teve início em 1996 com o jogo Eco-lógico, que foi um trabalho de conclusão de curso de graduação, construído com ToolBook [ASYMETRIX 1994] e que trabalhava somente com a apresentação de uma cadeia alimentar, exibindo conceitos e algumas relações. Em 1998, iniciou-se o projeto MCOE, no qual o jogo apresenta ao jogador (aluno) um ambiente em que aparecem inúmeros problemas. Ao longo de sua interação com o programa, o aluno deve solucioná-los, por meio de seu conhecimento prévio e pelo uso de ferramentas que combinadas auxiliarão na construção de um estratégia de ação. O jogo, cuja interface é apresentada na Figura 1 é composto por um lago onde existe um ecossistema formado por peixes, plantas, água e microrganismos com um sistema de reprodução em equilíbrio, até a intervenção de poluentes que provocam alterações no seu estado normal. Esses poluentes aparecem de forma aleatória ao longo do jogo e são combatidos através de ferramentas do personagem, escolhidas livremente por cada aluno, que pode interagir com um colega para construir uma estratégia comum para resolver o problema da poluição do lago. O jogo foi concebido para alunos que estejam freqüentando a 3 a e 4 a séries do primeiro grau (ensino fundamental). Ele pode, entretanto, ser utilizado também por crianças de outras faixas etárias através da configurações de seus parâmetros e da utilização de uma metodologia que permita a contextualização do ambiente nas atividades realizadas pelos alunos. O jogo foi construído em Visual C++ e com o pacote de APIs DirectX. Já o tutor, que foi construído obedecendo o paradigma de agentes cognitivos baseados em estados mentais BDI, especificado e implementado por meio do ambiente X-BDI [Móra 2000], avalia o relacionamento do jogador com o jogo, propriamente dito, auxiliando o aluno com mensagens de ajuda. O trabalho desenvolvido por Giraffa [Giraffa 1999], reservou-se a explorar o ensino da conscientização ecológica com o auxílio de um tutor artificial através de um ambiente que utiliza a metáfora de jogos. O problema abordado e as soluções apresentadas trouxeram desafios para serem trabalhados. Em seguida foi desenvolvido o RL-MCOE [Callegari 1999]. Nesse trabalho é apresentada uma proposta de ampliação da arquitetura multiagente reativa descrita em [Giraffa 1999], através de uma técnica de aprendizagem por reforço (W-Learning). Essa técnica trouxe resultados que ampliaram a capacidade de exploração do ambiente de jogo, pois os agentes reativos (peixes) aprenderam novos comportamentos. Em 2001, foi apresentado o E-MCOE [Goulart 2002], que propõe a introdução

3 Figura 1. O jogo MCOE. de um agente mediador no MCOE, mediando as trocas de informações entre o jogo e o tutor. Essa funcionalidade também utilizou agentes reativos modelados com a técnica de aprendizagem por reforço proposta em [Callegari 1999]. Porém, os agentes aluno e tutor foram codificados de acordo com o modelo BDI de agentes cognitivos. Nesse trabalho, então, foram levadas em consideração tarefas/processos externos que normalmente são tratados no módulo tutor. Esses processos externos permitem distribuir a complexidade da modelagem e supervisão do conjunto de informações entre a interação dos agentes. Finalmente, em 2005, iniciou-se o projeto AS-MCOE, que, conforme já descrito anteriormente, tem como objetivo avaliar a utilização de tutores inteligentes no ensino de ecologia, dando continuidade ao trabalho desenvolvido no ambiente MCOE. Porém, o tutor e os agentes dessas propostas estão sendo implementados por meio da linguagem AgentSpeak(L) e do interpretador Jason. Os agentes desse estudo estão inseridos em um jogo, construído através da Golden T Game Engine (GTGE). Assim, para melhor compreensão da teoria de agentes apresentada, na próxima seção são abordados os conceitos relacionados a agentes cognitivos baseados em estados mentais BDI. 3. Agentes Cognitivos O paradigma orientado a agentes permite um nível de abstração que não é usual nas metodologias tradicionais de modelagem e implementação, isto é, torna explícitas, no

4 sistema, certas funcionalidades que antes ficavam apenas subentendidas. À medida em que as aplicações tornam-se maiores e mais complexas, é necessário que se utilize níveis de abstração que permitam representar os problemas e suas soluções da forma mais natural possível. Os agentes, como entidades autônomas com capacidade de planejar suas ações, reagir e interagir entre si em busca de soluções para problemas, fornecem recursos para atingir esse nível (mais alto) de abstração [Zamberlam 2001]. O que caracteriza o agente numa visão mais ampla, conforme em [Giraffa 1999], são as interações que ele realiza com o ambiente e os processos internos que possibilitam a realização dessas interações. A especificação de quais e como são esses processos internos é chamada de arquitetura do agente. Dentre as arquiteturas existentes, há a de agentes cognitivos (deliberativos). Um agente cognitivo é um agente racional que possui alguma representação explícita de seu conhecimento e objetivos. Um agente pode ser mais cognitivo do que outro, conforme o grau de racionalidade explícita de seu comportamento [Oliveira 1996]. Nesse contexto de arquiteturas de agentes cognitivos, há também as arquiteturas baseadas em estados mentais, que adotam uma perspectiva psicológica para definir a estrutura dos agentes, que são entidades cujo estado é constituído de componentes mentais tais como crenças, desejos, capacidades, escolhas e compromissos. Dentro das arquiteturas baseadas em estados mentais, encontra-se a abordagem BDI (Belief, Desire and Intention). Conforme Wooldridge [Wooldridge 2000], é um modelo consolidado, por ser amplamente estudado. A idéia básica desta abordagem é descrever o processamento interno de um agente utilizando um conjunto elementar de estados mentais como crença, desejo, intenção e na definição de uma estrutura de controle através da qual o agente seleciona racionalmente o curso de suas ações. Algumas abordagens de arquitetura BDI agregam as noções de planos e objetivos, como por exemplo, os trabalhos de Bratman [Bratman 1984, Bratman et al. 1987, Bratman 1989, Bratman 1990], Rao e Georgeff [Rao and Georgeff 1992], Cohen e Levesque [Cohen and Levesque 1987]. As crenças de um agente referem-se ao que o agente acredita sobre o ambiente em que se encontra, sobre os outros agentes e sobre si mesmo [Bratman et al. 1987, Bratman 1989]. É o conhecimento do ambiente de forma explícita, podendo ser incompleto ou incorreto. Os desejos de um agente referem-se aos estados que o agente deseja atingir (objetivos). Os desejos, num dado momento, podem: estar em conflito com as crenças do agente; ser, simultaneamente, conflitantes com outros desejos; não causar diretamente as ações, mas podem, potencialmente, gerar suas ocorrências, deixando por conta das intenções a realização de tais ações. As intenções referem-se a um conjunto de objetivos que o agente deliberou alcançar e que, para tanto, exigiram um comprometimento do agente para realização de determinadas ações ou tarefas [Bratman et al. 1987]. O processo de inferência de um agente BDI inclui, conforme em [Hübner et al. 2004]: atualizar crenças, a partir de percepções do ambiente; definir os objetivos possíveis; deliberar sobre os objetivos que vai tentar alcançar para confirmar as intenções; agir com base nas intençõs assumidas.

5 Existem algumas linguagens e ferramentas que possibilitam a modelagem e a programação de agentes BDI, neste trabalho são abordados:(i) a linguagem AgentSpeak(L); (i) o interpretador Jason e (iii) o ambiente X-BDI. 4. AgentSpeak(L) A Linguagem AgentSpeak(L), proposta por [Rao 1996], é uma extensão da programação lógica para a construção de agentes BDI em sistemas de planejamento reativos (reactive planning systems). Sistemas de planejamento reativos são sistemas que estão permanentemente em execução, reagindo a eventos que ocorrem no ambiente em que estão situados através da execução de planos que se encontram em uma biblioteca de planos parcialmente instanciados [Bordini and Vieira 2003]. Essa linguagem permite realizar verificações formais, validando os modelos especificados/definidos em aplicações. Segundo [Rao 1996], um agente AgentSpeak corresponde a especificação de um conjunto de crenças e um conjunto de planos. As informações sobre os desejos (os estados futuros a serem atingidos), além das alternativas disponíveis ao agente para ativar as intenções (atingir seus objetivos), estão implicitamente representadas nos planos [Hübner et al. 2004]. Planos são referências às ações básicas de agentes no ambiente, ou seja, um plano determina uma forma de atingir um determinado objetivo (cabeça do plano). Formado por um gatilho de evento (denotando o propósito do plano), seguido pela conjunção de crenças (literais), representando o contexto (conseqüência lógica das crenças correntes do agente para um plano aplicável). O restante do plano é composto por ações básicas, que o agente deve executar, e/ou subplanos (realizações ou testes de verificação), isto é, objetivos intermediários que deve tentar atingir, para que o plano tenha sucesso. A satisfação de uma pré-condição e a ocorrência de um evento ativador são as condições para que um plano possa entrar em execução [Hübner et al. 2004]. Além disso, para a implementação de um agente AgentSpeak é necessária especificação das funções de seleção de eventos, planos aplicáveis e intenções do mesmo. As mudanças dos ambiente, os objetivos e as intenções do agente podem representar um número significativo de alternativas viáveis de seleção a cada ciclo de execução do sistema, caracterizando um problema de escalonamento. As funções de seleção não são de responsabilidade da linguagem mas do programador, pois elas podem ser únicas para cada agente. Cabe ao ambiente de execução do programa determinar os critérios para selecionar, entre os planos habilitados a execução, aquele que será executado a seguir. Para exemplificar a modelagem de planos, o exemplo de código a seguir descreve o comportamento de um peixe em perseguir e comer outro peixe de acordo com posição e o tipo de presa a sua volta. +percebe(peixep, DIRECAO): fome <- mover(direcao). +colisao(id, peixep): fome <- comer(id). Considere um peixe de tamanho médio que percebe outro de tamanho pequeno (+percebe(peixep,direcao)) numa determinada direção. Considerando seu contexto

6 atual (fome), seu plano consiste basicamente em se mover na mesma direção de sua presa (mover(direcao)), cuja ação básica será executada no ambiente. Além disso, conforme [Hübner et al. 2004], um agente AgentSpeak é composto por: +crença e -crença são eventos que acrescentam (+) ou removem (-) crenças do conjungo de crenças do agente;!objetivo e?objetivo são objetivos que o agente precisa alcançar (!) através da realização de um sub-plano, ou verificar se já consta como alcançado (?), examinando suas crenças; ação é qualquer ação interna ou externa, disponibilizada pelo interpretador para o agente Interpretador Jason O interpretador Jason, proposto por Hübner em [Hübner et al. 2004], é um sistema para modelagem e execução de agentes AgentSpeak. Nele é possível descrever planos, crenças e o ambiente em que os agentes estão inseridos. Ele é distribuído na forma de um plugin da IDE Jedit 1, que viabiliza mecanismos para facilitar a configuração, codificação e execução de um Sistema MultiAgente - SMA (MultiAgent System). O Jason pode ser executado em três diferentes modos. O modo normal executa o SMA de forma contínua, ao contrário do modo debug, que executa passo-a-passo a cada ciclo de raciocínio dos agentes. Além disso, o sistema desenvolvido pode ser integrado a outro sistema, de forma a implementar apenas o raciocínio de agentes inseridos no desenvolvido. Isso viabiliza, por exemplo, a comunicação de agentes com sistemas legados utilizando protocolos de comunicação diferenciados. Conforme Hübner [Hübner et al. 2004], Jason é um interpretador completamente desenvolvido e consolidado para versões de AgentSpeak(L) com atos de fala (speechact) para a comunicação entre agentes. Através do ambiente SACI (Simple Agent Communication Infrastructure), o sistema multiagente Jason pode ser utilizado em redes de computadores. Outra importante característica em relação a outros interpretadores de agentes BDI, é que ele foi implementado na linguagem Java, está disponível em código aberto (Open Source) e distribuído sobre a licença GNU LGPL. 5. GTGE Segundo [Studios 2006] o engine GTGE é uma biblioteca/api de programação multiplataforma para o desenvolvimento de jogos escrita na linguagem Java. Ela fornece um conjunto de rotinas de alto nível para programação orientada a jogos, a fim de que o programador tenha fácil acesso a recursos de hardware, como placas aceleradoras de vídeo e som, e rotinas de jogos comuns, como detecção de colisões e o comportamento de personagens. 6. AS-MCOE Nesta seção são apresentadas as etapas que compõem a metodologia empregada na modelagem, implementação e avaliação do projeto. 1

7 6.1. Especificação dos atributos do jogo O desenvolvimento de um jogo implica na especificação detalhada dos personagens, suas ações e percepções, além das leis que regem o ambiente. Neste caso, as ações e percepções são determinadas pelo papel de cada personagem. Um peixe pode, por exemplo, se mover e perseguir outros seres que sejam considerados alimento. Um personagem poluidor (que não é inteligente) e as ferramentas ou poderes do jogador influenciam a saúde da cadeia alimentar, e todos esses fatores determinam o grau de limpeza do lago, representado no jogo por um objeto chamado ecômetro (medidor), calculado a partir da média da energia dos seres vivos. Parte dessas heurísticas é apresentada na Tabela 1 de acordo com um estudo realizado por especialistas apresentado em [Giraffa 1999]. Retirada Reposição Personagem vs. Interventor Lixo Urbando Pesca predatória Esgoto doméstico Pescar em área permitida Devolver peixes em reprodução Peixe Pequeno Peixe Médio Peixe Grande Plantas Tabela 1. Retirada e reposição de energia [Giraffa 1999] Modelagem e implementação de uma interface de software entre o engine GTGE e o interpretador Jason A integração do engine GTGE e do interpretador Jason é modelada e implementada por meio da troca de mensagens entre o Kernel, que representa o ambiente numa implementação Jason, e o Jogo, que estende a classe Game do pacote GTGE. A Figura 2 apresenta o diagrama que descreve os classes de objetos que implementam os conceitos, atributos e relacionamentos do jogo. A classe Kernel representa o tratamento das ações e percepções dos agentes num ambiente AgentSpeak. Ela troca mensagens com a classe Jogo que modifica o estado do jogo, modelado pelas demais classes (Ambiente, SerVivo, etc). Por outro lado, essas alterações geram, eventualmente, novas percepções que são então transmitidas ao Kernel. Cada personagem inteligente (SerVivo, Tutor ou Aluno), representado graficamente pela GTGE, infere novas ações a partir das percepções fornecidas pelo engine Implementação do jogo O jogo é implementado seguindo as especificações de jogabilidade, interface gráfica e help online utilizados no projeto MCOE. Apenas o design gráfico foi aprimorado com o auxílio de profissionais da área de comunicação que fazem parte da instituição de ensino em que a pesquisa é realizada. A Figura 3 ilustra o protótipo desenvolvido. Para esse jogo foram desenvolvidos mecanismos específicos para o tema em questão. A cadeia alimentar exige que os personagens possuam um área de percepção, de tal forma que possam decidir as ações a serem tomadas. Por exemplo, um peixe de tamanho Grande (vermelho ou a direita na imagem) persegue peixes de tamanho Médio (verde ou a esquerda da figura) quando ele está com fome e estes estão dentro de sua áera de percepção. A avaliação da área de percepção de cada personagem é feita durante o update de cada quadro da animação.

8 ??;K? %)$ B 3) :C!. : CD &. -! 3$!C $ EF$ :G BH+I K L!2 68 ". - %$ M- $!N B )!O B -% & 9 $ +P B - * D %$ J 05 Q / " R $. S% $. " :. T'. C&(U%.!T('!. C * B $ & 9 $ %P :-& Y -- *-! $ & 9 $ +P B-& *- $ $ $ 9% $ 3B- %$ & 9% $! *. V B-! $ -! $ O & 9% $! ] - - :.!T('!. C 7+ 0!<!=(2 8 > :.!T('!. C R $ %. b%8 8 " Y --& ] -- " %* %M-C $ EZ M!-C %$ *: $ B :!B - & 9 $ %P(: $ B :!B - U $ B :B-%P -,Y! -& 9 $ %! )! A/!0 ". :-&,!--. ) Y $ *. : $ / & *-! $ Z6[2 8 8 " BC!O+. $ 9+ $ \% - " ] --& ] - - " :. T('!. C&(U%.!T('!. C "# )!C- M -&('!)!C- M - " )& O ) " %U -. ) C - $ O %U -. ) C-%$ " ^ 9A:$ * $ %U $ -! _ Ì 9 $ +P :-& *$ -! %$ U $ - _ Ia 9 $ *. V B- $ - # )C - M - * $!O %U -. ) C-%$ +U -. ) C- $ ( B -!O%. )-% :! $ - *O%. )-& P B-& /!0 *-! %$ " %U -. ) C - $ BC %!O+. $ d 8 e2 L " % $ C - ),. " -(,--. " :! $ B :!B-& 9A:$ C B - %V+ $ f! C *$ -! %V+ $ f! C& =(!> %c 0 / ". :-&,- -. ) Y $ *. : $ A/8 8 7% 2 > Ẍ $ C $ -!O%, 7%8 2 W 8 *-! $ C% $ B-& 7 8% 5 0 /8 6 " 9;: $! "!# $ $ % &(' $ $ *)+' $ $ % # $ $ &,--. Figura 2. Diagrama de classes Modelagem e implementação em AgentSpeak(L) dos personagens agentes da cadeia alimentar Os personagens, que fazem parte da cadeia alimentar, foram modelados e implementados de diferentes formas ao longo dos projetos apresentados na seção 2. Em [Callegari 1999] a cadeia alimentar aprende como se comportar ao longo jogo, o que exige um tempo para se estabilizar. No AS-MCOE os personagens inteligentes são modelados em AgentSpeak(L) para que estes desempenhem o seu comportamento desde o primeiro instante de jogo, sem comprometer a simulação e o realismo do mesmo. O exemplo de código da seção 4, descreve os planos de um peixe Grande para perseguir um peixe Médio Remodelagem do tutor inteligente proposto em [Giraffa 1999] utilizando a linguagem AgentSpeak(L) O tutor inteligente proposto por Giraffa foi traduzido para a linguagem AgentSpeak(L), onde questões particulares de ambas as linguagem tiveram de ser avaliadas. Na linguagem X-BDI, onde o tutor foi originalmente modelado, os desejos são codificados de forma explícita e os planos que permitem realizar estes desejos são crenças que se tornam realidade mediante a um conjunto de condições. O código a seguir exemplifica o desejo do tutor em ajudar os alunos. DES(tutor, ajudar_alunos). BEL(tutor, ajudar_alunos) if BEL(tutor, envia_mensagem).

9 Figura 3. O protótipo AS-MCOE. O tutor deseja ajudar os alunos (DES(tutor, ajudar alunos)) e a maneira de concretizar este desejo é acreditar que ele envia mensagens BEL(tutor, envia mensagem) para os alunos quando for necessário. Para isso, o código a seguir exemplifica um exemplo que concretiza a crença do envio de mensagens. BEL(tutor, envia_mensagem) if BEL(tutor, next(bel(aluno, receber_ajuda))), BEL(energia_ecomentro (Ee)), Ee >= 70, Mensagem(16). A crença de que o tutor enviou uma mensagem (BEL(tutor, envia mensagem)) torna-se verdadeira quando as seguintes condições são satisfeitas: (i) o aluno deseja receber ajuda (BEL(aluno, receber ajuda)), (ii) o nível do ecômetro é bom e está acima ou igual a 70 e (iii) a ação de enviar mensagem número 16 foi realizada. Observa-se que a crença de que o aluno deseja receber ajuda é uma condição futura, colocando um gatilho (trigger) nessa crença. Para modelar os desejos e crenças do tutor e demais agentes em AgentSpeak(L), deve-se considerar que não há uma representação explícita de desejos nessa linguagem. Desejos são, em AgentSpeak(L), objetivos que podem ser realizados por planos subplanos, ou seja, planos que são ativados por eventos internos. +ajuda[source(aluno)] : energia_ecometro(ee) & Ee >= 70 <- mensagem(16). A sintaxe do código anterior descreve um plano para o evento externo em que o aluno (source(aluno)), que também é considerado um agente, solicita ajuda do tutor. Este então verifica as pré-condições para auxiliar o aluno e então envia uma mensagem Especificação de um modelo de experimento em sala de aula e avaliação dos resultados. Por fim, um experimento em sala de aula está sendo elaborado com a finalidade de avaliar o aprendizado dos alunos com o jogo, e será composto pelas seguintes etapas:

10 1. Avaliar os alunos antes do experimento: com o auxilio dos professores de biologia (e/ou disciplinas corespondentes ou relacionadas) desenvolver o conteúdo de ecologia abordado na pesquisa e elaborar uma avaliação que identifique pontualmente o conteúdo; 2. Experimento: desenvolver e aplicar um experimento em laboratório com uma turma de alunos (cujo ano colegial será definido). O experimento compreende nas seguintes atividades: (a) Jogar: disponibilizar o jogo produzido por esta pesquisa aos alunos sob condições controladas de: tempo, coleta de dados sobre a interação; e (b) Avaliacao do jogo: compreende a coleta de informações sobre as dificuldades e qualidades apresentadas pelo jogo, por meio da observação e relato dos alunos durante as atividades. 7. Considerações Finais Este artigo apresenta uma proposta de tradução de um tutor inteligente modelado na linguagem X-BDI para a linguagem AgentSpeak(L) e a modelagem do comportamento de seres vivos de uma cadeia alimentar nessa mesma linguagem. O ambiente multiagente implementado neste trabalho baseia-se no paradigma dos jogos eletrônicos e se utiliza de um engine de jogos para sua codificação rápida. O engine GTGE viabilizou, além da prototipação rápida, um incremento da performance e da qualidade de interação, assim como uma melhor integração para com o ambiente de implementação de agentes BDI. O projeto AS-MCOE está desenvolvendo experimentos em sala de aula para avaliação do jogo e do sistema multiagente implementado, que no entanto não puderam ser relatados neste artigo até finalização do mesmo. Referências ASYMETRIX (1994). ToolBook : user manual. Bellevue, WA. Bordini, R. H. and Vieira, R. (2003). Linguagens de programação orientas a agentes: uma instrodução baseada em agentspeak(l). Revista de Informática Teórica e Aplicada, X(1):7 38. Bratman, M. (1984). Two faces of intention. The Philosophical Review, v.93, n.3, pages Bratman, M. (1989). What is intention? In Cohen, Morgan and Pollack, eds. Intetions in Comunication. MIT Press. Bratman, M. (1990). Intention, plans and practical reason. Harvard University Press, Cambridge, MA. Bratman, M., Israel, D., and Pollack, M. (1987). Toward an architecture for resourcebounded agents. Stanford University, Stanford. Callegari, D. A. (1999). Aplicando aprendizagem por reforço a uma arquitetura multiagente para suporte ao ensino de educação ambiental. Master s thesis, PPGCC/PUCRS, Porto Alegre.

11 Cohen, P. and Levesque, H. J. (1987). Intention = choice + commitment. In NATIONAL CONFERENCE ON AI, Berlin. Springer-Verlag. Giraffa, L. M. M. (1999). Uma Arquitetura de tutor utilizando estados mentais. Tese de doutorado., CPGCC/UFRGS, Porto Alegre. Goulart, R. R. V. (2002). Utilizando a tecnologia de agentes na construção de sistemas tutores inteligentes em ambiente inteligente. Master s thesis, PUCRS, Porto Alegre, Brasil. Defesa em dezembro de Hübner, J., Bordini, R., and Vieira, R. (2004). Introdução ao desenvolvimento de sistemas multiagentes com jason. In XII Escola de Informática da SBC, volume 2, pages 51 89, Guarapuava. UNICENTRO. Móra, M. D. C. (2000). Um modelo formal e executavel de agentes BDI. Tese de doutorado., CPGCC/UFRGS, Porto Alegre. Oliveira, F. (1996). Inteligência artificial distribuída. In IV Escola regional de informática, Canoas, RS. Sociedade Brasileira de Computação. Rao, A. S. (1996). AgentSpeak(L): BDI agents speak out in a logical computable language. In van Hoe, R., editor, Seventh European Workshop on Modelling Autonomous Agents in a Multi-Agent World, Eindhoven, The Netherlands. Rao, A. S. and Georgeff, M. P. (1992). An abstract architecture for rational agents. In International Conference on Principles of Knowledge Representation and Reasoning - KR, 3., pages Morgan Kaufman. Studios, G. T. (2006). Golden t game engine. [Online; accessed 27-Junho-2006]. Wooldridge, M. (2000). Reasoning about rational agents. The MIT Press, London. Zamberlam, A. D. O. (2001). Em direção a uma técnica para a programação orientada a bdi. Master s thesis, PPGCC/PUCRS, Porto Alegre.