SISTEMA MULTIAGENTES PARA INDEXAÇÃO E RECUPERAÇÃO APLICADO A OBJETOS DE APRENDIZAGEM

Transcrição

1 1 SISTEMA MULTIAGENTES PARA INDEXAÇÃO E RECUPERAÇÃO APLICADO A OBJETOS DE APRENDIZAGEM MULTI-AGENT SYSTEM TO INDEXING AND RECOVERING APPLIED TO LEARNING OBJECTS Jonas Vian 1 Universidade Federal de Santa Catarina, SC Ricardo Azambuja Silveira 2 Universidade Federal de Santa Catarina, SC Renato Fileto 3 Universidade Federal de Santa Catarina, SC Resumo O desenvolvimento de sistemas orientados a agentes tem objetivo de explorar habilidades sociais em agentes de software e assim buscar soluções mais inteligentes para problemas computacionais. Uma das áreas onde este paradigma pode ser aplicado é o E-learning, onde a produção de conteúdos de aprendizagem, na forma de objetos de aprendizagem possui alto custo e a reutilização de objetos já existentes é dificultada pela heterogeneidade. Este trabalho apresenta um sistema multiagentes para recuperação e indexação de objetos de aprendizagem em repositórios distintos e contendo objetos descritos com diferentes padrões de metadados. Palavras-chave: Objetos de Aprendizagem, Sistemas Multiagentes, Interoperabilidade. Abstract Agent-based system development has the intention for to find smarter solutions for computational problems, exploring the social skills in software agents. One field where this model can be applied is that of E-learning, since the production of learning content in the form of learning objects is high cost. Moreover, heterogeneity hampers reuse of these objects. Therefore, this article presents a multiagents system for indexing and recovery of learning objects in different repositories, which contain objects described using different metadata standards. Key words: Learning Objects, Multi-Agent Systens, Interoperability. 1 jonas.vian@inf.ufsc.br 2 silveira@inf.ufsc.br 3 fileto@inf.ufsc.br

2 2 1. Introdução O modelo de ensino e treinamento suportado por tecnologia, chamado E-learning, proporciona flexibilidade e interatividade ao processo de ensino aprendizagem. A produção de conteúdos de aprendizagem para utilização em E-learning, tem custo tanto financeiro como de tempo. Por isso a possibilidade de reutilização de conteúdos de aprendizagens já produzidos, tem despertado o interesse de grupos de pesquisas, organizações e instituições ao redor do mundo. Com intuito de organizar e reutilizar conteúdos de aprendizagem produzidos surgiu à idéia de objetos de aprendizagem (Learning Objects - LO). Porém a diversidade de padrões e especificações para produção e armazenamento de objetos de aprendizagem dificultam a interoperabilidade entre aplicações que armazenam os objetos de aprendizagem e aplicações que desejam reutilizar os objetos já produzidos. Na Internet existem vários repositórios de objetos de aprendizagem criados com um objetivo em particular, contendo objetos descritos com diferentes padrões de metadados e sem a preocupação com a interoperabilidade. Assim o cenário de recuperação e reutilização de objetos de aprendizagem é heterogêneo, distribuído e dinâmico, justificando a aplicação de agentes de software. Este trabalho propõe um sistema multiagentes para indexação e recuperação de objetos de aprendizagem em repositórios distribuídos, independente do padrão de metadados utilizados, com intuito de proporcionar maior reutilização de objetos de aprendizagem. 2. Trabalhos Relacionados Em Currier (2008) são apresentadas as principais atividades visionadas pelos grupos de pesquisa que buscam melhorar e padronizar os conjuntos de metadados para conteúdos de aprendizagem, e mostra que apesar do grande esforço na criação de um padrão internacional de metadados para objetos de aprendizagem a heterogeneidade ainda existe e continuará existindo. O trabalho de Nash (2005) apresenta o estado da arte em objetos de aprendizagem, o papel do repositório de objetos de aprendizagem bem como é feita a recuperação de objetos de aprendizagem em alguns repositórios existentes, mostrando que os métodos de recuperação atuais estão longe de satisfazer as necessidades dos usuários e também mostrando quais são os grandes desafios a serem superados na área de objetos de aprendizagem. Zheng et al.(2008) propõe um sistema para transformação de objetos de aprendizagem descritos com um determinado padrão de metadados em objetos de aprendizagem com outros padrões de metadados, isso poderia resolver o problema de compartilhamento de objetos de aprendizagem, pois um mesmo objeto estaria descrito em vários formatos, porém causa replicação de conteúdo além de grande retrabalho para transformação dos objetos já existentes. O trabalho de Laclavík et al.(2006) apresenta o agente AgentOWL, onde agentes de software são capazes de raciocinar a partir de ontologias em OWL (Web Ontology Language), o que permite agentes de software atuarem de forma mais inteligente e levando em consideração aspectos semânticos do ambiente onde atuam.

3 3 Nos trabalhos de Peng et al.(2005) e Wang et al.(2004), foi utilizado a abordagem de sistemas multiagentes para indexação e recuperação de informação na web. Os trabalhos de Carbonaro (2008) e Lee et al.(2006) utilizam ontologias para recuperação de informações voltada para ambientes de aprendizagem, inclusive na recuperação de objetos de aprendizagem, porém em áreas bem específicas e não visando a interoperabilidade e reutilização de objetos de aprendizagem. 3. Objetos de Aprendizagem Existem várias definições para objetos de aprendizagem, uma das mais utilizadas é do IEEE-LTSC (2002) todo material digital ou não que possa ser utilizado, reutilizado e referenciado no processo de ensino aprendizado apoiado por tecnologia. Para objetos de aprendizagem serem localizados e reutilizados é preciso que sejam descritos por um conjunto de metadados. O conteúdo de aprendizagem e os seus metadados, que não necessariamente necessitam estar fisicamente em um mesmo lugar, formam o objeto de aprendizagem. Objetos de aprendizagem devem ser armazenados em repositórios, cuja finalidade é armazenar, organizar e permitir os objetos de aprendizagem serem encontrados e utilizados. Vários grupos de pesquisas ao redor do mundo e envolvendo instituições renomadas tem estudado e proposto especificações para objetos de aprendizagem, por exemplo, ADL (Advanced Distributed Learning), Ariadne Foundation, AICC (Aviation Industry CBT (Computer-Based Training) Committee), Dublin Core Metadata Initiative, IEEE-LTSC (Institute of Electrical and Electronics Engineers - Learning Technology Standards Committee), IMS (Instructional Management Systems) Global Learning Consortium e ISO (International Organization for Standardization). Entre estas especificações estão: os conjuntos de metadados utilizados para descrever objetos de aprendizagem como AICC Metadata, Dublin Core, LOM (Learning Objects Metadata), IMS LRM (Learning Resource Metadata), ISO MLR (Metadata for Learning Resources), modelos para organização de metadados de objetos de aprendizagem em estrutura XML (Extensible Markup Language), como IMS Content Packaging Specification e modelos de referencia para construção de objetos de aprendizagem como ADL SCORM (Advanced Distributed Learning Sharable Content Object Reference Model). Metadados são informações que descrevem um recurso para possibilitar sua contextualização IEEE-LTSC (2002). No âmbito de objetos de aprendizagem os metadados são utilizados para possibilitar a recuperação e a reutilização dos mesmos. Entre os conjuntos de metadados existentes, surgiu inicialmente o Dublin core que foi proposto para descrever qualquer conteúdo na Web. A partir do Dublin core surgiram outras iniciativas mais voltadas a conteúdos de aprendizagem, como o LOM em 2002, cujo desenvolvimento foi iniciado por IMS Global Learning Consortium e Ariadne Foundation. Outros grupos de pesquisa também têm proposto conjuntos de metadados para descrever objetos de aprendizagens, entre estes, estão o comitê JTC1/SC36 da ISO e o grupo da AICC. Apesar de pontos de vista diferente todas estas organizações e grupos de pesquisa já manifestam interesse em cooperar na busca de correlações entre seus conjuntos de metadados.

4 4 4. Sistemas Multiagentes Conforme Wooldridge (2002), um agente é um sistema computacional que está situado em um ambiente, onde é capaz de realizar ações autônomas de forma a atingir os objetivos projetados. A definição de Bradshaw (1997), diz que agente é uma entidade de software que funciona de forma contínua e autônoma em um ambiente em particular, geralmente habitado por outros agentes, e que seja capaz de intervir em seu ambiente de forma flexível e inteligente, sem requerer intervenção ou orientação humana constante. De um modo ideal, que funcione continuamente por longos períodos de tempo. Agentes são capazes de perceber o ambiente através de sensores, e agir nesse ambiente através de atuadores. Também podem ter capacidade de aprender com as experiências, cooperar, comunicar-se com outros agentes e mover-se de um lugar para outro, Wooldridge (2002). Quanto ao comportamento de um agente, podem ser classificodos em reativos, cógnitos, BDI (Biliefs, Desires, Intentions) e híbridos. Um sistema multiagentes segundo Wooldridge (2002) é uma rede fracamente acoplada de solucionadores de problemas que trabalham em conjunto para resolver problemas que vão além da sua capacidade individual. Estes solucionadores de problemas são essencialmente autônomos, distribuídos e muitas vezes heterogêneos em sua natureza. Sistemas multiagentes são uma subárea da inteligência artificial distribuída que visa suprir deficiências da inteligência artificial clássica. Os agentes em um sistema multiagentes devem desempenhar as seguintes funções: cooperação, resolução de conflitos, negociação, comprometimento, interação e comunicação que é a características chave de sistemas multiagentes. A comunicação é permitida pela troca de mensagens entre os agentes utilizando uma linguagem comum. As linguagens desenvolvidas para comunicação de agentes têm sido diretamente influenciadas pela teoria dos atos de fala, que permite além da transmissão de informação expressar a intenção da informação. 5. Sistema Proposto Aplicações que desejam reutilizar objetos de aprendizagem de diferentes repositórios devem lidar com a heterogeneidade gerada pelo uso de diferentes padrões de metadados na descrição de objetos de aprendizagem. O objetivo do sistema proposto é proporcionar a reutilização de objetos de aprendizagem, sendo capaz de indexar e recuperar objetos de aprendizagem em diferentes repositórios abstraindo do usuário. Uma correlação que mapeia as diferenças entre os principais padrões de metadados é gerada e permite que agentes de software consigam interpretar a descrição de metadados em objetos de aprendizagem independente do padrão utilizado. A Tabela 1, mostra um exemplo de como alguns elementos de metadados de padrões diferentes se relacionam e a heterogeneidade existente nos rótulos de metadados, sendo que a finalidade do elemento é a mesma.

5 5 Tabela 1: Correlação entre elementos de metadados Fonte: do Autor. LOM Dublin Core IMS LRM ISO MLR AICC Metadata Title Title Title Title Title Description Description Description Description Description Keyword Subject Keyword Subject Keyword Contribute, role Contributor, Creator, Publisher Contribute, Role Contributor, Role Contribute, Role Format Format Format Format Format A figura 1 mostra o esquema do sistema multiagentes proposto para indexação e recuperação de objetos de aprendizagem (OA), localizados em repositórios (Rep 01, Rep 02,..., Rep n) distintos, e descritos com padrões de metadados diferentes. Figura 1: Esquema do Sistema Proposto Fonte: do Autor. O mapeamento resultante da correlação entre os diferentes padrões de metadados é utilizada por agentes Indexadores, cujo comportamento permite acessar os metadados descritos para objetos de aprendizagem em um repositório e efetuar a indexação destes objetos utilizando técnicas de recuperação de informação. Através da interface de busca o usuário solicita objetos de aprendizagem, informando os parâmetros

6 6 desejados. O comportamento do agente Recuperador permite receber solicitações dos usuários, tratar as solicitações com auxilio de uma Ontologia de Domínio e enviar mensagens, utilizando a linguagem FIPA ACL (Foundation for Intelligent Physical Agents - Agent Communication Language) aos agentes Indexadores ativos, requisitando objetos de aprendizagem relacionados à solicitação. Agentes Indexadores possuem comportamento capaz de processar as mensagens, localizar em seus índices objetos de aprendizagem relacionados à requisição e enviar mensagens ao agente Recuperador informando sobre os objetos de aprendizagem encontrados. O agente Recuperador então processa as mensagens recebidas dos agentes Indexadores e mostra ao usuário os objetos encontrados em uma ordem de relevância e opções para o refinamento da busca. 5.1 Desenvolvimento Com o levantamento teórico sobre objetos de aprendizagem e padrões de metadados foi possível elaborar o mapeamento entre os diferentes padrões de metadados, e modelar o sistema multiagentes. Para modelagem do sistema multiagentes é utilizada a metodologia O-MASE, e os diagramas são desenhados a partir do plugin do Eclipse AgentTool III, este plugin permite a construção de uma série de diagramas que possibilitam modelar os aspectos definidos pela metodologia utilizada. A Figura 2 apresenta o diagrama de Agentes com os dois tipos de agentes que o sistema possui, bem como os protocolos de comunicação entre eles e as capacidades, serviços e papéis que cada um implementa. O detalhamento dos protocolos, serviços, papéis e capacidades são modelados em diagramas específicos disponíveis no AgentTool III. Figura 1: Diagrama de Agentes Fonte: do Autor. O agente indexador possui comportamento capaz de recuperar os metadados de um objeto de aprendizagem, localizado em um repositório, independente do padrão de metadados utilizado para descrevê-los. Com a estrutura que mapeia as diferenças entre os padrões de metadados e a capacidade de acessar a descrição de metadados

7 7 dos objetos de aprendizagem é possível extrair o conteúdo dos metadados. De posse do conteúdo dos elementos de metadados o agente é capaz de tratar esse conteúdo e utilizar a técnica Modelo de Espaço Vetorial, para calcular o peso dos conceitos existentes no conteúdo, e assim efetuar a indexação do objeto de aprendizagem. O agente recuperador possui comportamento capaz de receber da interface de busca, os conceitos informados pelo usuário na sua operação de busca, fazer o devido tratamento nestes conceitos e com auxilio da Ontologia de domínio fazer a correlação semântica destes conceitos enriquecendo assim a busca. Feito o tratamento nos conceitos informados pelo usuário o agente recuperador envia mensagem contendo os conceitos pertinentes a busca, utilizando a linguagem de agentes FIPA ACL, para todos os agentes indexadores ativos. Os agentes indexadores recebem a mensagem do agente recuperador, efetuam a busca em seus índices e retornam mensagens utilizando a mesma linguagem de agentes, informando os objetos encontrados. O agente recuperador analisa todas as mensagens retornadas, pelos agentes indexadores e organiza os objetos encontrados de acordo com a relevância de cada um, baseado no peso de conceitos dos objetos de aprendizagem calculado na indexação, após organizados os objetos de aprendizagem são apresentados ao usuário que poderá requisitar algum dos objetos apresentados, solicitar mais detalhes de algum objeto ou refazer sua busca. 6. Conclusões O uso de objetos de aprendizagem em ambientes de e-learning é de extrema importância e tem despertado grande interesse da comunidade científica. Porém a diversidade de especificações e padrões produzidos na área tem trazido problemas para reutilização dos objetos de aprendizagem já produzidos, justamente pela heterogeneidade impossibilitar a interoperabilidade entre aplicações e repositórios. A proposta apresentada traz uma solução para o problema encontrado na reutilização de objetos de aprendizagem, pois o mapeamento das diferenças entre os diversos padrões de metadados, utilizado por um sistema multiagentes, permite a interoperabilidade entre diferentes repositórios. Além de proporcionar a reutilização de objetos de aprendizagem de diferentes repositórios, pretende-se melhorar a precisão e a cobertura na recuperação dos objetos através da indexação dos objetos contidos no repositório, também melhorar o desempenho da recuperação, realizando a busca no índice invés de diretamente nos metadados dos objetos. A solução apresentada para o cenário de recuperação e reutilização de objetos de aprendizagem, após testado e avaliado, poderá ser aplicado em outros cenários onde exista heterogeneidade e seja necessário interoperabilidade. O cenário apresentado também pode ser integrado a um LMS (Learning Management System), para que os objetos recuperados possam ser utilizados diretamente em um processo de ensino aprendizagem. 7. Referências Bibliográficas Advanced Distributed Learning. Disponível em: Acessado em: dez/2008.

8 Ariadne Foundation. Disponível em: Acessado em: dez/2008. BRADSHAW, J. M. An introduction to software agents. Massachusetts- MIT Press. (1997) CARBONARO, A. Ontology-based Video Retrieval in a Semantic based Learning Environment. Journal of e-learning and Knowledge Society.(2008) CURRIER. S. Metadata for Learning Resources: An Update on Standards Activity for Disponível em: Acessado em dez/2008. Dublin Core Metadata Initiative. Disponível em: Acessado em: dez/2008. EUZENAT, J. and SHVAIKO, P. Ontology Matching. Springer-Verlag Berlin Heidelberg.. (2007) IEEE Learning Technology Standards Committee. Disponível em: Acessado em jan/2009. IMS Global Learning Consortium. Disponível em: Acessado em: dez/2008. International Organization for Standardization, Management and delivery of learning, education and training. Disponível em: Acessado em: jan/2009. LACLAVÍK, M., BALOGH, Z., BABÍK, M. and HLUCHÝ, L. AGENTOWL: Semantic Knowledge Model and Agent Architecture. In Computing and Informatics. Vol. 25, pp (2006) LEE, M., TSAI, K. H. and WANG, T. An Ontological Approach for Semantic-Aware Learning Object Retrieval. International Conference on Advanced Learning Technologies. (2006) NASH, S. S. Learning Objects, Learning Object Repositories, and Learning Theory: Preliminary Best Practices for Online Courses. Interdisciplinary Journal of Knowledge and Learning Objects.(2005) PENG, L., COLLIER, R., MUR, A., LILLIS, D., TOOLAN, F. and DUNNION, J. A Self-configuring Agent-Based Document Indexing System. Springer, Heidelberg. (2005) WOOLDRIDGE, M. J. An Introduction to Multiagent Systems. John Wiley & Sons - Chichester, England.(2002) WANG, Y. and SHAKSHUKI, E. (2004) A Multi-agent System for Semantic Information Retrieval. Springer, Heidelberg. ZHENG, L., LIU, Y., WANG, J. and YANG, F. Multiple Standards Compatible Learning Resource Management. Eighth IEEE International Conference on Advanced Learning Technologies ICALT (2008) 8