Sistema Tutor Inteligente baseado em Aprendizado por Reforço

Transcrição

1 UNIVERSIDADE FEDERAL DE GOIÁS ESCOLA DE ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO GRUPO PIRENEUS ULISSES RODRIGUES AFONSECA Sistema Tutor Inteligente baseado em Aprendizado por Reforço Goiânia 2007

2 Livros Grátis Milhares de livros grátis para download.

3 ULISSES RODRIGUES AFONSECA Sistema Tutor Inteligente baseado em Aprendizado por Reforço Dissertação apresentada ao Programa de Pós Graduação do Escola de Engenharia Elétrica e de Computação da Universidade Federal de Goiás, como requisito parcial para obtenção do título de Mestre em Engenharia Elétrica e de Computação. Área de concentração: Engenharia da Computação Ĺinha de pesquisa: Sistemas Inteligentes Orientador: Prof. Weber Martins, PhD. Co Orientador: Prof. Lauro E. Guimarães Nalini, Dr. Goiânia 2007

4 ULISSES RODRIGUES AFONSECA Sistema Tutor Inteligente baseado em Aprendizado por Reforço Dissertação defendida no Programa de Pós Graduação do Escola de Engenharia Elétrica e de Computação da Universidade Federal de Goiás como requisito parcial para obtenção do título de Mestre em Engenharia Elétrica e de Computação, aprovada em 15 de Setembro de 2007, pela Banca Examinadora constituída pelos professores: Prof. Weber Martins Escola de Engenharia Elétrica e de Computação UFG Presidente da Banca Prof. Lauro E. Guimarães Nalini Departamento de Psicologia UCG Prof. Gelson da Cruz Júnior EEEC UFG Prof. Edna Lúcia Flores FEELT UFU

5 Todos os direitos reservados. É proibida a reprodução total ou parcial do trabalho sem autorização da universidade, do autor e do orientador. Ulisses Rodrigues Afonseca

6 Dedico este trabalho a minha família, por aceitarem se privar de nossos bons momentos enquanto eu realizava minha busca pela realização pessoal.

7 Agradecimentos Meus agradescimentos ao Weber pelos ensinamentos, orientação e paciência. Ao co-orientador Lauro pelas preciosas informações sobre Psicologia. Aos amigos do Pireneus Fernando, Viviane, Lena, e Delermando pelas dicas, sugestões, conselhos e bons momentos no laboratório. Aos funcionários da UFG pelos serviços prestados. Aos alunos da FASAM e da UCG pela participação na coleta de dados. Aos amigos Eugênio, Marcio, Olegário, Piero e José Olimpio pelas sugestões, conselhos e esclarecimentos durante o desenvolvimento do trabalho. À Juliane pela ajuda nas correções finais do texto.

8 Life is like playing a violin in public and learning the instrument as one goes on. Samuel Butler, escritor inglês ( ).

9 Resumo AFONSECA, Ulisses R.. Sistema Tutor Inteligente baseado em Aprendizado por Reforço. Goiânia, p. Dissertação de Mestrado. Grupo Pireneus, Escola de Engenharia Elétrica e de Computação, Universidade Federal de Goiás. Em Sistemas Tutores Inteligentes (STI), várias técnicas de Inteligência Computacional têm sido empregadas para fornecer ensino individualizado e maiores ganhos de conhecimento ao aluno. Esta trabalho apresenta o desenvolvimento de um Sistema Tutor Inteligente inédito baseado em Aprendizado por Reforço: proposta, implementação e avaliação empírica. A implementação combina o método Softmax de escolha de ações com o sumário do histórico de navegação do aluno. O Aprendizado por Reforço é usado para determinar um plano de curso dinâmico que considera a história de navegação pessoal do estudante e seu desempenho. Experimentos comparam o sistema proposto à navegação livre (onde o estudante escolhe como navegar no conteúdo do curso sem qualquer ajuda externa). A análise estatística dos dados coletados mostrou resultados promissores comparados a outros STI híbridos mais complexos, baseados em redes neurais perceptrons de multi-camadas. Palavras chave Sistema Tutor Inteligente, Aprendizado por Reforço.

10 Abstract AFONSECA, Ulisses R.. Smart Tutoring Systems based on Reinforcement Learning. Goiânia, p. MSc. Dissertation. Grupo Pireneus, Escola de Engenharia Elétrica e de Computação, Universidade Federal de Goiás. In Intelligent Tutoring Systems (ITS), several techniques from Computational Intelligence have been employed to provide individualized tuition and higher knowledge gains. This work presents the development of a novel Intelligent Tutoring System based on Reinforcement Learning: proposal, implementation and empirical evaluation. The implementation employs the softmax method to choose actions together with historical user navigation data. Reinforcement Learning is used to determine a dynamic course plan that takes into account the student s personal navigation history and his performance. Empirical experiments have compared the proposed system to free navigation (where students choose how to navigate on the course contents without any external guidance). Statistical analysis of collected data has shown promising results compared to other more complex hybrid ITS based on Multilayer Perceptrons. Keywords Smart Tutoring, Reinforcement Learning.

11 Sumário Lista de Figuras 12 Lista de Tabelas 14 1 Introdução Tema Problemas e Hipóteses Objetivos Justificativa Visão Geral 4 2 Tecnologia e Educação Introdução Educação a Distância Aprendizagem Aberta e à Distância Internet na Educação a Distância Instrução Assistida por Computador Problemas Apresentados pela IAC Conclusão 14 3 Sistemas Educacionais Inteligentes Introdução Sistemas Tutores Inteligentes Tarefas dos STI Arquitetura dos Sistemas Tutores Inteligentes Sistemas Tutores Inteligentes baseados em Redes Neurais 17 Sistema Tutor Inteligente baseado em múltiplas RNAs 19 Sistema Tutor Inteligente Híbrido Baseado Em Características Psicológicas 19 Sistema Tutor Inteligente Híbrido Baseado Em Estilos de Aprendizagem 20 AutoTutor, um STI usando linguagem natural e RNA Sistemas Tutores Inteligentes baseados em Agentes 21 Sistema Tutor Inteligente utilizando Agentes Lógicos (WLOG) 23 Um Assistente Inteligente para o Ensino das Seções Cônicas (STI Cônica) 23 Sistema Tutor Inteligente Multi-agente (MATHTUTOR) Sistemas Tutores Inteligentes baseados em Sistemas Fuzzy 26

12 Sistema Tutor Inteligente para Aprendizado de JAVA (JITS) Sistemas Tutores Inteligentes utilizando Aprendizado por Reforço 28 Proposta de BENNANE para a Aplicação do Aprendizado por Reforço em STI 28 Proposta de GUELPELI, RIBEIRO e OMAR para modelagem autônoma de aprendiz Sistemas Educacionais Hipertexto Adaptativos Conclusão 31 4 Aprendizado por Reforco Introdução Elementos do aprendizado por reforço Exploração do problema Retorno e Desconto Aplicação da Técnica ao Problema Mecanismos de Aprendizado por Reforço Métodos de Valor-de-Ação Controle ótimo e programação dinâmica 39 Processo de Decisão Markoviano 40 Cálculo da política ótima 41 As interações para obter a política ótima Métodos de Monte Carlo Aprendizado por diferença temporal: TD e Q-learning Conclusão 44 5 Sistema Proposto Introdução Estratégia pedagógica Plano de Curso Modelagem do Ambiente Modelo do ambiente Função de Valor das Ações Reforço Para o Aluno Avaliação do Aluno Especificação do Algoritmo de Reforço Conclusão 52 6 Experimento e Resultados Introdução Material Pedagógico Definição dos Reforços Para o Algoritmo e Para o Aluno Simulação da Temperatura e do Caimento Comportamento do sistema simulado Escolha da temperatura Escolha do caimento Avaliação do Desempenho do Aluno 61

13 6.6 Sistema Tutor Livre Implementação Dos Sistemas Tutores Livre e Inteligente Seleção das Variáveis Coletadas Critérios para a Adoção das Amostras Coletadas Coleta de Dados Análise dos Resultados Análise Descritiva Análise inferencial 69 Nota Inicial 70 Ganho normalizado 71 Quantidade de níveis visitados 71 Tempo necessário para visitar todos os contextos 72 Nota no teste final Conclusão 73 7 Conclusão Principais Contribuições Sugestões para trabalhos futuros 77 Referências Bibliográficas 78 A Outros modelos desenvolvidos 81 A.1 Modelo intermediário 81 A.2 Modelo completo 81

14 Lista de Figuras 2.1 Representação da estratégia pedagógica do tutorial clássico Representação da estratégia pedagógica do tutorial focado em atividades Representação da estratégia pedagógica do tutorial customizado Representação da estratégia pedagógica do tutorial de avanço por conhecimento Representação da estratégia pedagógica do tutorial exploratório Representação da estratégia pedagógica do tutorial gerador de lições Componentes do IES Representação do neurônio artificial Exemplo de um Perceptron de Múltiplas Camadas Estratégia pedagógica do STI implementado por CARVALHO Estratégia pedagógica do STI implementado por MELO, adaptado de [Melo et al. 2005] Arquitetura do STI implementado por MATTEO, BAROGLIO e PATTI, adaptado de [Baldoni, Baroglio e Patti 2004] Arquitetura do STI implementado por ZEFERINO e outros, adaptado de [Zeferino, Rapkiewicz e Morales 2004] Arquitetura do MATHTUTOR, um STI multi-agente, adaptado de [Cardoso et al. 2004] Exemplo de funções de pertinência. Adaptado de [Kasabov 1996], página Interação dos componentes do STI usando Aprendizado por Reforço. Adaptado de [Bennane 2002] Limites do agente no Aprendizado por Reforço Interação Agente-Ambiente em Aprendizado por Reforço Exemplo de uma distribuição de Gibbs Exemplo de um grafo para um Processo Markoviano Estratégia pedagógica utilizando contextos e níveis onde a seta representa um caminho percorrido Representação básica da estratégia pedagógica para a técnica de RL quando o aluno já visitou três níveis de um contexto Avaliação do aluno - pré-teste, teste final e exercícios em cada nível. 50

15 6.1 Simulação (média de mil repetições) onde o aluno acerta todos os exercícios Simulação (média de mil repetições) onde o aluno escolhe sempre a opção parcialmente correta Simulação (média de mil repetições) onde o aluno sempre erra as questões Simulação (média de mil repetições) onde o aluno sempre responde que não sabe Média da quantidade total de níveis visitados (mil repetições) Média da quantidade total de recompensas (mil repetições) Média de níveis visitados: simulação (1000 interações) para a temperatura de 1 a 15 com caimento de 1% Simulação (1000 interações) com a temperatura 2 onde o aluno erra todos os exercícios Arquitetura do Sistema Proposto Quantidade de níveis visitados no módulo livre e no módulo inteligente Porcentagem de erros por contexto nos módulos livre e inteligente Média da nota por contexto no módulo livre e inteligente (com e sem desconto). 69 A.1 Modelo intermediário da estratégia pedagógica para as técnicas de RL. 81 A.2 Modelo completo da estratégia pedagógica para as técnicas de RL. 82

16 Lista de Tabelas 5.1 Representação do acúmulo de recompensas Definição dos reforços Definição da pontuação no pré-teste e no teste final Número de coletas (quantidade de alunos) para os módulos livre e inteligente Estatísticas das notas nas tutorias livre e inteligente Estatísticas dos ganhos absoluto e normalizado na tutoria livre e inteligente Estatísticas do STL e do STI baseado nas características psicológicas - Adaptado da Tabela 2, página 92 [Melo et al. 2005] Estatísticas do STL e do STI baseado no estilo de aprendizagem - Adaptado da Tabela 2, página 89 [Meireles et al. 2005] Diferença no ganho do STI e STL obtida nos sistemas de MELO, MEIREIRES e o sistema proposto Resumo da quantidade de níveis visitados por contexto, nota final obtida e porcentagem de erros nos exercícios Teste t - nota inicial presumindo variâncias diferentes Teste t - ganho normalizado presumindo variâncias diferentes Teste t - quantidade de níveis visitados por contexto presumindo variâncias diferentes Teste t - tempo necessário para visitar todos os contextos por contexto presumindo variâncias diferentes Teste t - média de nota por nível visitado presumindo variâncias diferentes. 74

17 Introdução CAPÍTULO 1 Este capítulo apresenta o tema e sua delimitação, o problema selecionado, as hipóteses respondidas, os objetivos e a justificativa deste trabalho. Finalmente é descrita uma visão geral da estrutura do trabalho e dos seus capítulos. 1.1 Tema O tema deste trabalho é Sistemas Tutores Inteligentes (STI). STI proporcionam um ensino individualizado em que o aluno é um agente ativo no processo de aprendizagem. Em STI são aplicados seis grandes áreas de conhecimento (Psicologia, Lingüística, Inteligência Artificial, Neurociência, Antropologia e Filosofia) para criar um modelo de ensino que considera, no processo, o conhecimento prévio do aluno sobre o tema a ser aprendido, sua habilidade com ferramentas de informática e suas capacidades cognitivas. Em STI, este trabalho delimita-se ao uso do Aprendizado por Reforço (RL, do inglês Reinforcement Learning), uma técnica de aprendizado de máquina, como mecanismo de individualização da aprendizagem. Existem vários métodos para implementar RL e dentre eles o escolhido para a implementação foi o softmax. Para a utilização desta técnica, o ambiente de aprendizado foi modelado para representar as respostas dos alunos como reforços (recompensas) e as possíveis opções de navegação na estratégia pedagógica como ações a serem automaticamente escolhidas. A finalidade do softmax é escolher a próxima atividade em que o aluno obtém melhor desempenho e que no final da tutoria, apresente maior retenção de conhecimento.

18 1.2 Problemas e Hipóteses Problemas e Hipóteses O problema selecionado para este trabalho é verificar a aplicabilidade das técnicas de Aprendizado por Reforço, especificamente o método softmax de seleção de ações, em Sistemas Tutores Inteligentes para proporcionar melhoria na aquisição de conhecimento do aluno 1. Este trabalho responde a três hipóteses, sendo elas: 1. Se o Aprendizado por Reforço pode ser utilizado para guiar o aluno na tutoria inteligente 2, então a aquisição de conhecimento obtida pelos alunos com essa técnica é superior a obtida pelos alunos na tutoria livre O uso da tutoria inteligente reduz a quantidade de fragmentos que o aprendiz necessita visitar em relação a tutoria livre; 3. Na tutoria inteligente, o tempo de aprendizado é menor em relação a tutoria livre. 1.3 Objetivos O principal objetivo deste trabalho é aplicar técnicas de Aprendizado por Reforço para determinar dinamicamente um plano de ensino para cada aluno conduzindo-o ao melhor aproveitamento possível (melhor aquisição de conhecimento). O plano de ensino é a determinação de uma seqüência de informações (como texto, imagens e perguntas) que são apresentadas ao aprendiz e que normalmente é determinado para um grupo de pessoas (turma). RL pode ser utilizado para guiar cada aluno de forma personalizada pelo conteúdo enquanto o sistema é utilizado. Os objetivos específicos são: melhorar o aproveitamento (aquisição) do conteúdo a ser aprendido; reduzir o tempo gasto na aprendizagem; 1 A aquisição de conhecimento do aluno refere-se ao aprendizado de novos conceitos. Existe ainda a aquisição de conhecimento das técnicas de Inteligência Artificial para representar o aluno ou seu conhecimento. 2 Tutoria Inteligente é o processo de guiar o aluno no conteúdo a ser aprendido de forma automática pelo Sistema Tutor Inteligente. 3 Tutoria Livre é o processo onde o aluno escolhe o próximo conteúdo a ser visitado e quando avançar para o próximo tópico.

19 1.4 Justificativa 3 reduzir a quantidade de fragmentos do conteúdo necessário para aprender; comparar os resultados do sistema proposto com outras ferramentas baseadas em Redes Neurais Artificiais; avaliação empírica da utilização de técnicas de Aprendizado por Reforço em STI. 1.4 Justificativa A computação introduziu novas maneiras de disponibilizar o conhecimento. Existem várias opções como os diversos formatos de livros digitais 4, documentos em hipertexto, imagens, sons e softwares educacionais. Estas ferramentas são apenas extensões de livros e fornecem o material didático da mesma forma que eles. Elas apresentam o conteúdo estruturado em capítulos e tópicos de forma seqüencial. Fica a critério do aluno e das restrições de navegabilidade da ferramenta como o aprendiz navega pelo conteúdo. Independentemente de como o material é disponibilizado nessas ferramentas, muitos conceitos podem não ser aprendidos pela falta de subjetividade da ferramenta ou pela incapacidade do aluno de utilizar o conteúdo de forma eficiente. Ferramentas que determinam um plano de curso (seqüência de textos, imagens, perguntas, exemplos, etc) individualizado e dinâmico podem aumentar o desempenho do aluno. Estas ferramentas podem considerar, por exemplo, a individualidade do aluno em relação a capacidade cognitiva, estilo de aprendizagem, características psicológicas ou seu histórico de aprendizado. O conteúdo pode ser dirigido de forma exclusiva, proporcionando um melhor aproveitamento. Para criar as ferramentas de ensino personalizado são utilizadas técnicas de Inteligência Artificial. Elas já são aplicadas em diversas áreas e permitem aos sistemas computacionais a adaptação dinâmica ao problema apresentando bons resultados. Uma dessas técnicas, classificada como aprendizado de máquina, é o Aprendizado por Reforço. Ela pode ser utilizada para guiar o aluno de forma individualizada e potencializar a aquisição de conhecimento. Ao contrário de outras técnicas, são dispensados os longos ques- 4 São exemplos de formatos de livros digitais: Portable Document Format (PDF), Docbook, Postscrit, Plucker, arquivos de ajuda do Windows, etc.

20 1.5 Visão Geral 4 tionários de estilo de aprendizagem, de perfil psicológico e de habilidades com computadores. As ferramentas adaptativas podem ser utilizadas pelos professores como auxílio às suas aulas e, principalmente, em Educação Aberta ou à Distância. A educação agora é continuada 5 e em grande escala e necessita-se de atualização profissional, independente da área de atuação. A informática é um dos mecanismo mais eficientes para disponibilizar essa educação auxiliado pela Internet e pelo o uso de documentos hipertexto e ferramentas em ambiente web. Pode-se beneficiar o aprendizado neste contexto ao agregar os mecanismos de individualização do ensino proporcinoados pelas técnicas de Inteligência Artificial. 1.5 Visão Geral Os Capítulos 2, 3 e 4 apresentam o embasamento teórico para o desenvolvimento deste trabalho. O segundo capítulo aborda como a educação e a tecnologia se integram para oferecer melhores condições no âmbito da comunicação interpessoal e no desenvolvimento de ferramentas para auxiliar o aprendizado. No terceiro capítulo são tratados os diferentes tipos de softwares educacionais que integram técnicas de Inteligência Artificial para individualizar o processo de aprendizado. No quarto capítulo é explicado o Aprendizado por Reforço, a técnica de aprendizado de máquina utilizada neste trabalho e seus diferentes algoritmos com foco no método escolhido para integrar a solução, o softmax. Os Capítulos 5 e 6 apresentam o desenvolvimento deste trabalho. O capítulo 5 descreve a solução proposta para responder as hipóteses levantadas sob o aspecto científico. No sexto capítulo o experimento é delineado e são fornecidas as estatísticas descritivas dos dados coletados e uma série de generalizações utilizando-se basicamente o teste t de Student para responder as hipóteses levantadas. O Capítulo 7 conclui este trabalho e aponta suas principais contribuições. São listadas algumas sugestões para trabalhos futuros como continuação desta pesquisa ou para a constituição de novas pesquisas sobre a aplicação de Aprendizado por Reforço em Sistema Tutores Inteligentes. 5 Outro termo utilizado para educação continuada é "educação para a vida".

21 Tecnologia e Educação CAPÍTULO Introdução Este capítulo apresenta a incorporação da tecnologia na educação. São abordadas as aplicações da tecnologia na Educação Presencial, na Educação à Distância e na Aprendizagem Aberta e a Distância. O uso da Internet na Educação à Distância é explorado seguido da Instrução Assistida por Computador e os problemas em sua aplicação. O ensino presencial é ainda o mais utilizado e se caracteriza pela presença simultânea do instrutor (professor, orientador, etc) e do aprendiz em espaço e tempo [Belloni 1999, Meireles et al. 2005]. Porém, hoje necessitamos de uma educação ao longo da vida, pois a formação básica não é mais suficiente. As condições sócio-econômicas exigem mudanças nos sistemas educacionais e a educação passou a ser integrada aos locais de trabalho e às expectativas de vida dos indivíduos [Belloni 1999]. A Educação à Distância (EaD) surgiu como uma forma de superar os problemas modernos dos sistemas de ensino. Foi a partir da modernidade, com o desenvolvimento de mídias de massa (impresso, sinais eletrônicos), que a EaD vem se firmando como uma proposta viável. Agora, é uma modalidade de educação adequada para atender às demandas educacionais modernas [Belloni 1999]. As tecnologias de comunicação são integradas à educação, produzindo ferramentas e métodos que a modificaram. No primeiro momento, os meios de comunicação em massa (rádio e TV) permitiram a disseminação do conhecimento ajudando a popularizar a EaD, paralelamente, o sistema de telefonia permitiu o contato intersubjetivo entre o professor e os alunos. Inúmeras experiências são relatadas em todo o mundo, como exemplo a TV Escola no Brasil. As tecnologias da informação (TI) permitiram o desenvolvimento de programas de computador que auxiliam nas aulas ou substituem os

22 2.2 Educação a Distância 6 professores em algumas tarefas. Agora, o homem vive a era da informação, uma revolução provocada pela TI, em que a Internet tornou-se um meio promissor e em alguns momentos necessária para a Educação à Distância. A rede mundial de computadores permite a distribuição de conteúdo de forma eficiente, desde textos e imagens a vídeos de alta qualidade. Existem mecanismos de comunicação interpessoal ou em grupo de forma off-line ( ) e on-line (chat, áudio conferências e vídeo conferências). Estamos vivenciando as tentativas de uso de técnicas da Inteligência Artificial como mecanismo para considerar as experiências, o conhecimento prévio e as habilidades do aprendiz. 2.2 Educação a Distância Com as limitações do modelo de ensino presencial e frente às possibilidades oferecidas pelo desenvolvimento tecnológico, educadores e psicólogos desenvolveram uma alternativa educacional, a Educação a Distância (EaD) [Meireles et al. 2005]. A EaD surgiu em meados do século passado, aproximadamente em 1940, impulsionada pelo desenvolvimento dos meios de transporte e comunicação (trens, correio) [Belloni 1999]. O modelo é baseado na idéia de que parte do processo ensino-apredizagem poderia dispensar a presença física do agente transmissor junto aos aprendizes [Meireles et al. 2005]. A EaD foi definida de várias maneiras mas basicamente pelo que ela não é [Belloni 1999]. Dentre as características de consenso na definição, seguem algumas: a separação do agente transmissor e do aprendiz no tempo ou espaço [Meireles et al. 2005], porém, a separação entre o professor e o aluno em termos de tempo talvez seja a mais importante [Belloni 1999]; o controle do rítmo de estudo pelo aprendiz (aprendizagem autodirigida) [Meireles et al. 2005] e [Belloni 1999]; a comunicação não contínua entre o aprendiz e o agente transmissor [Meireles et al. 2005]; No modelo de EaD, o sucesso do estudante depende em grande parte de sua motivação e condições de estudo. Os alunos são na maioria adultos de 25 a 40 anos que trabalham e estudam em tempo parcial. Outros fatores importantes são o uso de meios tecnológicos e a existência de uma estrutura organizacional complexa. Segundo BELLONI, na EaD quem ensina é a instituição e não o professor e a relação entre professor e estudante é, além de

23 2.2 Educação a Distância 7 auxiliada pelos meios tecnológicos, caracterizada por regras técnicas e não mais por normas sociais [Belloni 1999], em que: não existe praticamente nenhum conhecimento das necessidades do aprendiz; a relação é construída por orientações e diretivas e não pelo contato pessoal; busca-se os objetivos pela eficiência e não pela interação pessoal. Na EaD, uma nova distribuição do trabalho é necessária. No ensino presencial as funções dos docentes constitem em selecionar, organizar e transmitir o conhecimento e realizar contatos pessoais e coletivos em sala de aula ou atendimento individual (orientação e conselho). As novas atividades do professor no ensino a distância são: 1. preparação e autoria de unidades curriculares (cursos) e de textos que constituem a base dos materiais pedagógicos realizados em diferentes suportes - o professor é um autor que seleciona conteúdos e elabora textos em formatos explicativos; 2. atividades e tutoria a distância mediada por diversos meios acessíveis. Segundo [Belloni 1999], pode-se classificar as funções do professor em EaD como: professor formador: orienta o estudo e a aprendizagem (função didática pedagógica); conceptor e realizador de cursos e materiais: prepara planos de estudo, currículos e programas, seleciona conteúdos, elabora textos - tem função didática de transmissão do conhecimento; professor pesquisador: orienta e participa das pesquisas dos alunos; professor tutor: orienta o aluno em seus estudos na disciplina; "tecnólogo educacional": responsável pela organização pedagógica dos conteúdos e a adequação deles aos suportes técnicos a serem utilizados; professor "recurso": responde às perguntas dos estudantes com relação aos conteúdos de uma disciplina e organiza os estudos e as avaliações; monitor: coordena e orienta as atividades de exploração presencial.

24 2.3 Aprendizagem Aberta e à Distância 8 A integração das novas tecnologias de informação e comunicação na educação deixou de ser apenas um meio de melhorar a eficiência dos sistemas e apresenta-se como ferramenta pedagógica na formação dos indivíduos. BELLONI indica a tendência da EaD a se tornar um elemento regular dos sistemas educativos para atender a crescente demanda e assumir grande importância, especialmente no ensino pós-secundário (população adulta), ensino superior regular e formação contínua (fruto da obsolência gerada pela tecnologia) [Belloni 1999]. A tecnologia utilizada na EaD desde seu surgimento permite distinguir três gerações. A primeira é a do ensino por correspondência do final do século XIX impulsionada pelo desenvolvimento dos caminhos de ferro que apresentam uma interação lenta entre o aluno e o professor e um alto grau de autonomia em relação ao local de estudo. A segunda etapa é a do ensino multimeios à distância dos anos 60 que destaca-se pelo uso do material impresso e os meios de comunicação audiovisuais (antena ou cassete), que tiveram muitos fracassos nas televisões escolares e bons resultados na educação popular. A terceira e última geração teve início nos anos 90 com o desenvolvimento da TI que hoje implica em mudanças radicais no modo de ensinar e aprender cujas unidades de curso são concebidas sob a forma de programas interativos informatizados (que tendem a substituir as unidades de cursos impressos). Atualmente conta-se com redes telemáticas com amplas potencialidades (banco de dados, , listas de discussão, sites etc), unidades CDROM didáticos e de divulgação científica e de cultura geral. No ensino por correspondência e por multimeios à distância, a interação é pequena, apesar dos serviços de apoio como a tutoria e aconselhamento por telefone e encontros pessoais. O processo de aprendizagem vivido do estudante não é claro e disponível ao orientador. A TI trouxe novas formas de comunicação interpessoal e em grupo que, inclusive, permitem a intersubjetividade torna-se um meio promissor para a EaD e para o processo de tutoria e auxilio dos alunos. 2.3 Aprendizagem Aberta e à Distância A Aprendizagem Aberta e à Distancia (AAD) 1 tem coerência com as transformações sociais e econômicas. É definida pela abertura relacionada ao acesso, lugar e rítmo de estudo. Diferente da EaD que a 1 Ou ODL, do inglês Open Distance Learning.

25 2.3 Aprendizagem Aberta e à Distância 9 não-contigüidade e não-simultaneidade são elementos centrais, na AAD a característica marcante é a autonomia do estudante. Os atendimentos são presenciais e não presenciais, com uso enfático dos meios de comunicação para aumentar a eficácia do sistema. O aprendiz é o elemento central no processo de aprendizagem e existe ênfase excessiva nos processos de ensino (estrutura da organização, planejamento, concepção de metodologias, produção de materiais, etc) e pouco destaque no processo de aprendizagem (características e necessidades dos estudantes, modelos e condições de estudo, níveis de motivação). A idéia da auto-aprendizagem é crucial para à Educação a Distância. A intersubjetividade pessoal entre professores e alunos e entre os estudantes promove, permanentemente, a motivação educacional. É na EaD que pode-se desenvolver a educação aberta e flexível [Belloni 1999]. Segundo BELLONI, a pedagogia e a tecnologia sempre foram elementos fundamentais e inseparáveis da educação [Belloni 1999]. As instituições educacionais não poderão mais deixar de integrar as ferramentas tecnológicas, sob pena de se tornarem obsoletas ou perderem contato com as novas gerações. A autora ainda cita que o ensino e a aprendizagem centrados no estudante é fundamental e deve-se integrar na concepção de metodologias, nas estratégias e nos materiais de ensino as características socioculturais, conhecimento e experiências do aluno. Assim será possível criar condições de auto-aprendizagem. Na AAD os cursos são modularizados. São apresentados pequenos módulos autônomos, que não perdem relevância científica e utilidade didática, em menus de temas relevantes que oferecem aos estudantes amplas possibilidades de escolha. Mesmo assim os alunos encontram dificuldade ao: responderem às exigências de autonomia; gerirem o tempo; planejarem o estudo; lidarem com a autodireção necessária à aprendizagem autônoma; Na aprendizagem autônoma, o processo de aprendizagem é centrado no aprendiz que é autônomo, gestor de seu processo de aprendizagem e capaz de se autodirigir e de auto-regular esse processo. Então, esse modelo é apropriado a adultos com maturidade e motivação, possuindo um mínimo de habilidade de estudo [Belloni 1999]. As experiências dos alunos devem ser aproveitadas e é necessário buscar caminhos para a elaboração de métodos e estratégias de ensino que

26 2.4 Internet na Educação a Distância 10 levem em consideração a situação de aprendizagem autônoma dos estudantes. Deve ser considerado no processo o conhecimento já acumulado. 2.4 Internet na Educação a Distância A EaD depende mais do suporte técnico em comunicação que a educação convencional. Esse suporte é necessário ao disponibilizar o material de estudo e na comunicação interpessoal 2. A Internet como meio de mediação combina a flexibilidade da interação humana com a independência no tempo e no espaço e, ainda oferece: interação 3 simultânea e não-simultânea entre o professor e o aluno e entre os alunos com chat 4, e grupo de discussão; interatividade 5 com materiais de boa qualidade e de grande variedade via WEB sites. Na aprendizagem à distância, a interação pessoal é importante e pode ser feita nesse ambiente, utilizando um sistema computacional com várias possibilidades interativas para busca e intercâmbio de informações. Outra característica importante destes sistemas é a possibilidade de sua adaptação as características do aprendiz. Segundo BAL- DONI, este é um tópico atual de pesquisa que vem atraindo muita atenção [Baldoni, Baroglio e Patti 2004]. 2.5 Instrução Assistida por Computador A tecnologia da informação passou a oferecer inúmeras possibilidades à educação. As aplicações educacionais desenvolvidas com esta tecnologia foram classificadas como aplicações de Instrução Assitida por Computador 6 (IAC). Existem diversos software educacionais classificados da seguinte forma: 2 A comunicação entre o professor e o aluno em EaD é indireta. 3 Ação recíproca entre duas ou mais pessoas onde ocorre intersubjetividade 4 Conversa online utilizando texto ou voz com um software de computador. 5 Potencialidade técnica oferecida por determinados meios como a possibilidade do usuário agir sobre a máquina e de receber uma retroação da máquina sobre algum elemento. 6 A sigla CAI, do inglês Computer-Assited Instruction, também é muito utilizada.

27 2.5 Instrução Assistida por Computador 11 sistema tutor: software que assume o papel de um professor apresentando conceitos e avançando em níveis diferenciados ao avaliar respostas do estudante, o modelo é baseado em Instrução Programada 7 ; ferramentas: aplicada a tarefas como construção de gráficos auxiliando a aprendizagem; simulador: software que simula um sistema real ou imaginário; jogos educativos: utilização do computador como forma lúdica no aprendizado. A IAC surgiu com bases na Instrução Programada (IP). Teve sua origem na área educacional, influenciada pela teoria comportamentalista de Skinner. Sua abordagem é centrada no professor em que o aluno deve receber explicações expositivas para depois exercitá-las no computador. Existem vários aspectos dos softwares educacionais de IAC que devem ser avaliados ou questionados. Como estes softwares têm a finalidade educacional, detalhes podem afetar direta ou indiretamente a aprendizagem dos conceitos ou situações pretendidos. Por exemplo, falhas no software podem interromper o aprendizado. Erros cometidos nos princípios de design dificultam o processo de uso do software. Formas incoerentes de implementar os conceitos prejudicam a aprendizagem [Peres e Meira 2003]. Os softwares educacionais fornecem ao aluno o conteúdo em diversos níveis, exemplos, atividades e exercícios. Existem várias estratégias pedagógicas para apresentar todo esse conteúdo ao aluno. Seguem algumas concepções de estratégias pedagógicas aplicadas a diferentes ferramentas: tutorial clássico: o conteúdo é apresentado em três níveis de dificuldade e em cada nível o aluno é submetido a exemplos e a prática, como mostra a Figura 2.1; tutorial com foco em atividades: como apresentado na Figura 2.2, utiliza-se antes da atividade uma preparação com conhecimentos e motivações iniciais; 7 Instrução Programada é a expressão técnica que designa um conjunto de procedimentos de ensino caracterizado pela subdivisão do contéudo a ser aprendido em pequenas partes, apresentação gradual dessas partes em passos sucessivos conforme o ritmo de aprendizagem do aprendiz e o contingenciamento de consequências positivas para respostas corretas em cada parte. A Instrução Programada é uma aplicação tecnológica dos princípios de aprendizagem operante, tendo sido desenvolvida e extensivamente estudada pelo psicólogo behaviorista B. F. Skinner.

28 2.5 Instrução Assistida por Computador 12 Figura 2.1: Representação da estratégia pedagógica do tutorial clássico. Figura 2.2: Representação da estratégia pedagógica do tutorial focado em atividades. tutorial customizado: o aprendiz tem a oportunidade de escolher caminhos (diferentes conteúdos) durante a aprendizagem onde um deles pode ser um teste que determina o próximo conteúdo, como ilustrado na Figura 2.3; tutorial de avanço por conhecimento: o aprendiz pode omitir conteúdos previamente conhecidos, ele é submetido a testes de dificuldade progressiva para determinar o ponto de entrada na seqüência a ser aprendida, como mostrado na ilustrado na Figura 2.4;

29 2.5 Instrução Assistida por Computador 13 Figura 2.3: Representação da estratégia pedagógica do tutorial customizado. Figura 2.4: Representação da estratégia pedagógica do tutorial de avanço por conhecimento. tutorial exploratório: um cardápio de documento, banco de dados e outras fontes de informações são oferecidos ao estudante, como ilustrado na Figura 2.5; Figura 2.5: Representação da estratégia pedagógica do tutorial exploratório. tutorial gerador de lições: o resultado de um teste define a seqüência personalizada de tópicos a serem exposto ao aprendiz, como mostrado na Figura 2.6.

30 2.6 Problemas Apresentados pela IAC 14 Figura 2.6: Representação da estratégia pedagógica do tutorial gerador de lições. 2.6 Problemas Apresentados pela IAC Toda a tecnologia aplicada aos softwares de Instrução Assistida por Computador acaba resultando em uma extensão dos livros didáticos. Essas ferramentas não consideram as diferenças entre os alunos em relação às suas características pessoais e suas experiências. São ferramentas para a transmissão de conhecimento. Com base na IAC e nas técnicas de Inteligência Artificial, surge a Instrução Inteligente Assistida por Computador, que tenta considerar no processo de aprendizado, as habilidades do aprendiz, seu conhecimento prévio e sua capacidade cognitiva. 2.7 Conclusão Este capítulo apresentou uma revisão de como as tecnologias de comunicação e informação foram integradas à educação. Essas tecnologias produzem ferramentas e métodos para a comunicação interpessoal, disseminação do conhecimento, auxilio nas aulas e automação de algumas tarefas no ensino. Agora, a Inteligência Artificial é empregada nessas ferramentas para personalizar o processo de ensino-aprendizagem.

31 CAPÍTULO 3 Sistemas Educacionais Inteligentes 3.1 Introdução Este capítulo apresenta os Sistemas Educacionais Inteligentes. Inicialmente, as características desses softwares são apresentadas e em seguida eles são classificados em Sistemas Tutores Inteligentes e Sistemas Educacionais Hipertexto Adaptativos. São apresentados exemplos utilizando diferentes ténicas de Inteligência Artificial. Na década de 1970, iníciou a aplicação de técnicas de Inteligência Artificial nos software de Instrução Assistida por Computador, dando origem aos softwares de Instrução Inteligente Assistida por Computador (ICAI, do inglês Intelligent Computer Assisted Instruction) ou Sistemas Tutores Inteligentes (STI). Eles foram desenvolvidos em software stand-alone ou baseados em web. Outro tipo é o Sistema Educacional Hipermídia Adaptativo (AEHS, do inglês Adaptive Educational Hypermedia Systems) desenvolvido especificamente para a WEB e que adiciona a apresentação e a navegação inteligente [Prentzas e Hatzilygeroudis 2002]. A categoria de softwares inteligentes para educação é chamada de Sistemas Educacionais Inteligentes (IES, do inglês Intelligent Educational Systems). Os principais componentes do Sistemas Educacionais Inteligentes estão representados na Figura 3.1 e são descritos abaixo: Figura 3.1: Componentes do IES.

32 3.2 Sistemas Tutores Inteligentes 16 domínio de conhecimento: é o conteúdo a ser aprendido, constituído de texto, imagens, sons, exercícios, etc; modelo do usuário: é uma representação do aprendiz, podem ser utilizadas as características psicológicas, perfil de aprendizagem, conhecimento prévio do conteúdo, diferença de seu conhecimento com o do sistema, capacidade cognitiva e estado mental, histórico de navegação, etc; modelo pedagógico: é constituído pela estratégia pedagógica escolhida; interface com usuário: um mecanismo para apresentar os diversos tipos de conteúdo e de perceber as interações com o sistema. 3.2 Sistemas Tutores Inteligentes Os Sistemas Tutores Inteligentes têm origens na área da Ciência da Computação e base teórica na Psicologia Cognitivista. A estrutura básica do conteúdo a ser aprendido é dividida em módulos e é baseada em heurísticas. A seqüência de estudo do material didático depende das características do aluno e de sua modelagem que tenta avaliar as respostas durante a interação com o sistema. Com o objetivo de personalizar o ensino e tornar a ferramenta adaptativa, são aplicadas técnicas de Inteligência Artificial Tarefas dos STI São várias as tarefas dos Sistemas Tutores Inteligente e o conjunto é normalmente determinado pelo mecanismo de individualização do aluno. Dentre as principais tarefas, destacam-se: a extração das características do aluno e o armazenamento e manutenção delas; a seleção do conteúdo a ser apresentado conforme o estado atual do modelo do aluno, o domínio de conhecimento disponível; a elaboração de um histórico das ações dos usuários que pode ser utilizado na tomada de decisão ou para a avaliação por um instrutor; Arquitetura dos Sistemas Tutores Inteligentes Não existe uma arquitetura padronizada para a implementação dos Sistemas Tutores Inteligentes. A modularização é diferente, de-

33 3.2 Sistemas Tutores Inteligentes 17 pendendo de como o conhecimento é armazenado, da técnica de IA utilizada e da forma de modelar o aluno. Mas, freqüentemente, segundo MELO e BOLZAN/GIRAFFA, os sistemas tutores apresentam [Melo et al. 2005, Bolzan e Giraffa 2002]: Módulo da base de domínio: contém o material institucional a ser ensinado e, em alguns casos, um sistema de geração de exemplos, processo de simulação e formulação de diagnósticos; Módulo do modelo do aluno: é responsável por representar o conhecimento e as habilidade cognitivas do usuário em um determinado momento e deve armazenar, ao menos, o histórico de como o aluno está utilizando o material; Módulo tutorial ou de estratégia de ensino: contém uma representação do modelo pedagógico e é responsável pelo plano de apresentação do material instrucional; Módulo de interface: realiza a interface com o usuário e apresenta o conteúdo nas diversas formas e recebe informações como resposta de exercícios e avaliações; Módulo de controle: realiza a coordenação do tutor como promover a troca de informações, realizar o acesso a base de dados, armazenar o histórico de sessões e realizar comunicação com programas externos Sistemas Tutores Inteligentes baseados em Redes Neurais As Redes Neurais Artificiais (RNA) são utilizadas como mecanismo de individualização de ensino em STI para agregar informações subjetivas. Elas permitem agregar, à tutoria, informações subjetivas como perfil psicológico e estilo de aprendizagem além de realizar tarefas como classificação de conteúdo, etc. As RNAs consistem em um conjunto de elementos chamados neurônios artificiais, conectados, formando um mecanismo de processamento distribuído e paralelo que tem propensão para armazenar conhecimento experimental e torná-lo disponível [Haykin 1998]. Os neurônios artificiais são unidades de processamento simples cuja estrutura é similar ao neurônio biológico humano. As conexões entre os neurônios são chamadas sinápses e cada uma possui um peso. Os pesos é que representam o conhecimento que é adquirido

34 3.2 Sistemas Tutores Inteligentes 18 por um procedimento de aprendizado chamado algoritmo de aprendizagem. A Figura 3.2 apresenta um neurônio artificial chamado de Perceptron. É um modelo proposto por McCulloch e Pitts em Ele é composto pelas entradas (i), pelos pesos (w), pela saída (o), pelo somador (Σ) e por uma função de ativação ( ). O processamento é realizado pelo somador e pela função de ativação. O somador soma os sinais de entradas ponderados pelas sinápses enquanto a função de ativação restringe a amplitude da saída de um neurônio, normalmente a um intervalo fechado [0, 1] ou [ 1, 1]. Figura 3.2: Representação do neurônio artificial. Um arranjo ou arquitetura comum para criar uma Rede Neural Artificial é o Perceptron de Multi Camada (ou MLP, do inglês Multi-Layer Perceptron). O desenvolvimento do MLP solucionou a incapacidade do Perceptron de tratar dados não linearmente separáveis. O MLP é composto por múltiplas camadas de neurônios, onde a primeira é chamada Camada de Entrada e a última, Camada de Saída. A camada ou conjunto de camadas intermediárias são simplesmente chamadas de "Camada oculta". A Figura 3.3 apresenta um exemplo de MLP com dois neurônios na camada de entrada, um na camada de saída e duas camadas intermediárias com três e quatro neurônios compondo a camada oculta. O algoritmo de aprendizagem utilizado para treinar uma rede neural artificial está diretamente relacionado com a arquitetura da rede. O algorimo mais aplicado ao Multi-Layer Perceptron é o backpropagation [Haykin 1998, Sutton e Barto 1998].

35 3.2 Sistemas Tutores Inteligentes 19 Figura 3.3: Exemplo de um Perceptron de Múltiplas Camadas. Sistema Tutor Inteligente baseado em múltiplas RNAs ALENCAR realizou investigações sobre a aplicação de redes neurais em Sistema Tutores Inteligentes demonstrando a capacidade de uma RNA extrair padrões que poderiam ser utilizados para auxiliar na navegação [Alencar 2000]. Em 2002, MARTINS e CARVALHO implementaram uma melhoria na proposta de ALENCAR utilizando um modelo pedagógico no qual o material didático é dividido vários contextos (pequenos trechos ou unidades do curso) e cada contexto em cinco níveis distintos: facilitado, médio, avançado, perguntas freqüentes e exemplos [Martins e Carvalho 2004]. O sistema inteligente é responsável por encaminhar o aluno pelos níveis de cada contexto e pelos contextos, utilizando generalizações produzidas por um conjunto de redes neurais. Sistema Tutor Inteligente Híbrido Baseado Em Características Psicológicas Em 2005, MELO propôs um Sistema Tutor Inteligente que utiliza generalizações feitas por uma rede neural a partir das características psicológicas, do conhecimento prévio do aluno e de sua familiaridade com o ambiente WEB [Melo et al. 2005]. O trabalho desenvolvido foi uma melhoria do sistema proposto por CARVALHO, utilizando apenas uma rede neural para todo o tutor. Além da rede neural, também são utilizados um conjunto de regras simbólicas para complementar a decisão de navegação resultante do processamento

36 3.2 Sistemas Tutores Inteligentes 20 Figura 3.4: Estratégia pedagógica do STI implementado por CARVALHO. da rede neural. As regras são fornecidas por especialistas com experiência em docência o que fornece maior credibilidade às decisões do STI. A Figura 3.5 apresenta a arquitetura do sistema inteligente: Figura 3.5: Estratégia pedagógica do STI implementado por MELO, adaptado de [Melo et al. 2005]. Sistema Tutor Inteligente Híbrido Baseado Em Estilos de Aprendizagem Em 2005, MEIRELES realizou uma modificação no STI de MELO, substituindo o modelo do aluno (características psicológicas) por estilos de aprendizagem [Meireles et al. 2005]. O estilo de aprendizagem, um termo da

37 3.2 Sistemas Tutores Inteligentes 21 Psicologia, descreve como cada estudante começa a se concentrar, processar e reter novas informações. Para obter as características do estilo de aprendizagem de cada aluno, foi utilizado o Questionário de Estilo de Aprendizagem, com 80 questões para descobrir suas tendências gerais de comportamento que mede o estilo de aprendizagem individual. AutoTutor, um STI usando linguagem natural e RNA GRAIG e outros desenvolveram um Sistema Tutor Inteligente que simula o padrão de discurso e dialogo entre tutores humanos [Graig et al. 2007]. O sistema produz diálogos que são sensíveis ao conhecimento do aprendiz de forma a melhorar o seu nível de compreensão. Este sistema é composto por sete módulos, sendo eles: Indexador (Curriculum Script): organiza os tópicos e conteúdos do tutorial; Analisador de Linguagem/Léxico (Language Extration): analisa as palavras escritas pelo aprendiz utilizando o teclado; Classificador de Discurso (Speech act classification): segmenta e classifica o conteúdo produzido pelo aprendiz, utilizando uma rede neural, em uma das categorias de fala modeladas no sistema; Analisador Semântico (Latent semantic analysis): compara a diferença entre dois textos usando técnicas estatísticas; Seletor de Tópico (Topic Selection): seleciona o próximo tópico usando regras Fuzzy; Gerador de Diálogo (Dialog movie generator): gera os diálogos em cada turno ao final da interação do usuário; Interface de Diálogo (Animated Agent Module): mostra o diálogo em uma forma mais convencional aos humanos Sistemas Tutores Inteligentes baseados em Agentes Segundo NORVIG e RUSSEL, um agente é qualquer coisa que pode perceber seu ambiente usando sensores e agir utilizando efetuadores. Um agente inteligente tenta realizar ações corretas no ambiente para tentar atingir um objetivo. Durante sua interação com o ambiente, ele avalia seu desempenho pelo sucesso de suas ações [Russell e Norvig 1995].

38 3.2 Sistemas Tutores Inteligentes 22 O agente inteligente é autônomo, mapeia estados em ações e atualiza seus estados internos enquanto interage com o ambiente. O processo de tomada de decisão (escolha das ações) normalmente é realizado utilizando raciocínio com conhecimento. São utilizados, por exemplo, as técnicas de raciocínio baseado em casos 1 e sistemas baseados em conhecimento 2. O conhecimento nos agentes inteligentes pode ser a representação das regras de especialistas, os casos (exemplos) ou o conhecimento aprendido durante sua interação com o ambiente. O processo de inferência é uma cadeia de combinações. Os dois mecanismos utilizados para inferência são chamados de encadeamento para frente e encadeamento para trás. No primeiro, o processo é iniciado com o fornecimento de dados e no segundo com a definição de um objetivo. No encadeamento para frente, todos os dados disponíveis em um determinado momento são aplicados a todas as regras possíveis para inferir o máximo de conclusões. O processo é realizado novamente se forem produzidas conclusões úteis a alguma regra ou quando um novo conhecimento é disponibilizado. No encadeamento para trás, o processo de inferência é iniciando quando um objetivo é identificado. As regras que possuem este objetivo como antecedente são disparadas. As informações necessárias para essas regras são recuperadas da base de dados. O processo é repetido enquanto o objetivo não for atingido. Existem várias propostas e implementações de Sistemas Tutores Inteligentes baseadas em agentes inteligentes. Estes sistemas são desenvolvidos, normalmente, utilizando ferramentas disponíveis para a implementação de agentes ou sistemas especialistas como o DyLOG 3, JESS 4, CLIPS 5 e Fuzzy- CLIPS 6 (que integra a lógica fuzzy 7 ao CLIPS). Existem também abordagens utilizando sistemas multi-agentes e 1 Solução de novos problemas utilizando o conhecimento de problemas e soluções similares. 2 Solução de problemas utilizando regras extraídas de humanos expecialistas em um determinado problema. 3 DyLOG é uma linguagem lógica para a modelagem e programação de agentes inteligents. 4 JESS é um ambiente para o desenvolvimento de agentes inteligentes utilizando conhecimento em forma de regras. 5 CLIPS é uma ferramenta para a reprentação de conhecimento e raciocínio basedo em regras. 6 FuzzyCLIPS é uma extensão do CLIPS que integra ao sistema de representação e ao raciocínio os conceitos de conjuntos fuzzy e lógica fuzzy. 7 A lógica fuzzy é um método de raciocínio com expressões lógicas que descrevem a pertinencia em conjuntos fuzzy enquanto estes constituem um meio para especificar o quanto um objeto satisfaz uma descrição vaga [Russell e Norvig 1995].