Apoio Significativo de um Assistente Virtual Inteligente no Processo de Aprendizagem em Programação Wanderley Akira Shiguti, Vandor Roberto Vilardi Rissoli Universidade Católica de Brasília (UCB) QS 07 Lote 01 EPCT 71966-700 Taguatinga DF Apoio: Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) wanderleys@ucb.br, vandorissoli@gmail.com Abstract. This work shows the achieved results using a Intelligent Teaching Assistant (ITA). This assistant incorporates Subsumption Theory concept and Fuzzy Logic, promoting the attendance realistic cognitive situation of each student. The obtained results using this assistant on graduation teaching environment demonstrated its feasibility for improving the teaching and learning of Computer Programming. Resumo. Este artigo apresenta os resultados alcançados com o uso de um Assistente Virtual de Ensino Inteligente. Tal assistente incorpora o conceito da Teoria da Aprendizagem Significativa e a Lógica Fuzzy, provendo um acompanhamento mais realista da situação cognitiva de cada aluno. Os resultados obtidos com a utilização desse assistente, em ambiente de ensino superior, demonstram a viabilidade do mesmo para a melhoria do processo de ensino-aprendizagem na área de Programação de Computadores. 1. Introdução A utilização de softwares como recurso de suporte às atividades educacionais humanas acontece desde a década de 50. Nestes primeiros softwares educacionais, classificados como CAI (Computer Aided Instruction), não existiam preocupações relativas à aprendizagem, pois estes se mantinham com o foco no ensino. Sua evolução foi modificando tal característica que culminou no uso de técnicas provenientes da Inteligência Artificial (ICAI - Intelligent Computer Aided Instruction). Estas técnicas foram aplicadas, principalmente, na verificação do estilo e da capacidade de aprendizagem individual de seus estudantes, promovendo uma adaptação coerente com a situação cognitiva detectada por estes softwares (ICAI) (Giraffa, 2009). Entre os ICAI se destacam os Sistemas Tutores Inteligentes (STI), que procuram adequar estratégias de ensino às necessidades de aprendizagem individuais de seus usuários-estudantes. Estes sistemas respeitam a idiossincrasia inerente aos diferentes aprendizes, fornecendo-lhes apoio educacional durante seu ensino-aprendizagem. No entanto, certas características e evoluções na arquitetura tradicional deste tipo de software vêm proporcionando maior subsídio aos principais envolvidos neste processo educacional (discentes e docentes), privilegiando, ainda mais, o ensino-aprendizagem personalizado, com suporte contextualizado aos docentes durante todo período de aprendizagem de seus estudantes.
Os softwares educacionais que colaboram com o ensino-aprendizagem e fornecem assistência aos discentes e docentes são classificados como assistentes virtuais (ITA - Intelligent Teaching Assistant) e correspondem a um tipo de STI. Assim, como os demais softwares educacionais, o ITA também enfrenta dificuldades para realizar a modelagem mais completa de seus estudantes, sendo as principais decorrentes dos limites ainda existentes nos recursos tecnológicos de interação e coleta de alguns tipos de dados relevantes na comunicação humana (Yacef, 2002). Com intuito de diminuir estas dificuldades, este trabalho propõe uma variação na arquitetura ITA, envolvendo apoio significativo ao ensino-aprendizagem de cada estudante e o envolvimento de novos colaboradores humanos. Esta nova proposta tem sido empregada em ambientes reais de ensino superior, no curso de Ciência da Computação, sendo promissores os resultados alcançados na área de Programação Computacional. Este artigo está organizado em 6 seções. A seção 2 apresenta os principais aspectos relacionados ao uso de tecnologia na Educação e os fundamentos dos STI. A seção 3 aborda os principais aspectos de uma das categorias dos STI, sendo proposta uma variação em sua arquitetura tradicional. Na seção 4 é descrito o experimento realizado e a integração da metodologia usada com a Lógica Fuzzy. A seção 5 apresenta os resultados obtidos neste experimento, sendo na seção 6 relatadas as principais considerações sobre estes resultados. As referências bibliográficas são relacionadas ao final deste artigo. 2. Tecnologia na Educação O uso de recursos tecnológicos nas atividades educacionais vai se consolidando como mecanismo necessário para a realidade da sociedade atual, que já os utiliza em várias situações cotidianas. Entretanto, o emprego destes recursos, em atividades de formação e assimilação de novos conhecimentos, exige o compromisso consciente e responsável dos principais envolvidos (aluno e professor) para o estabelecimento de um ambiente colaborativo agradável de ensino que garanta motivação e a qualidade da aprendizagem. Essa predisposição dos envolvidos é fundamental ao êxito do ensinoaprendizagem, não sendo, somente ela, suficiente ao sucesso deste processo. Outro aspecto relevante é a aplicação da metodologia educacional adequada aos objetivos da aprendizagem de determinado conteúdo. A identificação desta metodologia consiste no fator mais importante ao sucesso do ensino-aprendizagem, pois resultará na utilização de técnicas pedagógicas coerentes com a expectativa de assimilação de um novo saber. Sintonizado com estas técnicas educacionais serão empregados os recursos tecnológicos condizentes com as necessidades de aprendizagem dos estudantes, que os utilizarão como instrumentos de apoio significativo para esta aprendizagem. O processo rápido de evolução tecnológica tem disponibilizado recursos de software para atender, e até inovar, abordagens educacionais condizentes com várias exigências metodológicas. Destacam-se, entre estes softwares educacionais, os STI que possuem certa versatilidade e adaptação de sua arquitetura tradicional às necessidades de ensino para as diferentes áreas de conhecimento.
Este tipo de sistema possui uma arquitetura modular, constituída de 4 módulos principais (Domínio, Aprendiz, Pedagógico, Controle), além da interface de interação com seus usuários. Um STI emprega técnicas de Inteligência Artificial aliando as informações provenientes de seus módulos e disponibilizando um ambiente adequado aos diversos estilos e situações cognitivas de aprendizagem. Em sua arquitetura tradicional o módulo Domínio é responsável pelo conteúdo abordado durante o ensino-aprendizagem, enquanto que o módulo Aprendiz armazena as interações realizadas, individualmente, por seus estudantes. Por meio destes dados o módulo Controle efetua uma análise sobre a situação destes usuários e envolve o módulo Pedagógico para identificar a melhor forma de atuação junto ao estudante, respeitando as características da metodologia educacional adotada e representada neste módulo. A interface no STI é utilizada para prover um ambiente de interação seguro e intuitivo, a fim de facilitar a operação deste sistema por seus usuários, sem a necessidade de maior esforço cognitivo em seu uso. Assim, os estudantes podem se manter empenhados na assimilação do conteúdo fornecido pelo módulo do Domínio, enquanto o Controle manipula, de forma independente, os dados contidos nos outros módulos e infere a situação cognitiva de cada estudante. Esta arquitetura do STI está na Figura 1. Figura 1. Representação da arquitetura tradicional dos STI. Este tipo de sistema pode ser empregado em qualquer modalidade de ensino (presencial, semipresencial ou a distância), se mantendo coerente com os aspectos educacionais disponíveis em seu módulo Pedagógico, em conformidade com os resultados obtidos nas interações individuais dos estudantes (modelagem dos alunos). Esta capacidade de adaptação às particulares de cada aprendiz, confere ao STI características de inteligência, lhe possibilitando raciocinar sobre seus dados armazenados em diferentes módulos e inferir uma nova informação ( conhecimento ) sobre a atual situação cognitiva do estudante. Diante deste raciocínio, esses sistemas se tornam capazes de aprender, cada vez mais, com as novas interações dos estudantes, atualizando assim seu conhecimento sobre eles (Rissoli, 2007). Apesar da evolução destas tecnologias educacionais, os recursos que proporcionam interação entre o STI e seus usuários ainda permanecem distantes das necessidades de obtenção de dados que sejam indicativos completos da real situação de aprendizagem de cada estudante. Esta dificuldade corresponde a um fator limitante aos STI e resultam na elaboração de modelos incompletos para alguns aprendizes. No entanto, com grande capacidade de observação sensitiva, muito além da realidade tecnológica atual, o agente humano consegue captar muitas outras informações relacionadas à situação de aprendizagem de outros indivíduos, podendo usar destas
capturas para inferir, de forma mais segura e completa, qual a estratégia educacional adequada a ser empregada com cada aprendiz (Viccari, 2003). Dessa forma, o envolvimento do professor, como agente humano e participante deste processo, é essencial na superação desta dificuldade tecnológica do STI, além de lhe possibilitar o acompanhamento dos resultados alcançados por cada aprendiz em interação com este sistema. Estas características de assistência, aos principais envolvidos no ensino-aprendizagem, identificam uma categoria de STI, conhecida como Assistente Virtual de Ensino Inteligente (Yacef, 2002). 3. Assistente Virtual de Ensino Inteligente O software classificado como Assistente Virtual de Ensino Inteligente (ITA) corresponde a uma arquitetura de STI, que realiza tarefas mais simples e trabalha com modelos não tão complexos em sua arquitetura. No entanto, seu processamento realiza atividades essenciais ao acompanhamento individual dos estudantes, além do fornecimento de assistência ao docente envolvido neste processo. Este agente humano ainda fornece orientação pedagógica complementar ao ITA sobre as ações que o assistente virtual pode realizar com alguns de seus usuários-aprendizes (Rissoli, 2007). Geralmente, o ITA não adota estratégias invasivas, se mantendo em uma conduta baseada na ideia de monitoramento que acompanha os resultados obtidos por cada estudante, evitando efetuar muitas intervenções, ao menos quando solicitadas pelo próprio aprendiz. A postura do ITA ainda incentiva o uso mais coerente dos recursos disponíveis em seu próprio ambiente, deixando o aprendiz também refletir sobre os estudos e atividades a serem exploradas durante sua aprendizagem. A arquitetura do ITA, representada na Figura 2, compreende os módulos existentes no STI, mas agrega recursos de assistência ao docente, ampliando suas alternativas de interação e responsabilidades com os diagnósticos efetuados entre seus módulos, além de propiciar a interação do professor com o módulo de controle. Figura 2. Representação simplificada da arquitetura ITA. Na maioria destes sistemas a participação do docente, como único agente humano colaborador, interfere na atuação do ITA, que realiza sua atividade de assistência aos estudantes de forma direcionada as expectativas pessoais da aprendizagem do próprio professor. Esta situação pode induzir os estudantes a convergirem para o mesmo caminho de aprendizagem percorrido pelo docente, durante sua construção individual de conhecimento relacionado a um conteúdo a ser assimilado. Dessa forma, torna-se essencial o envolvimento de outros agentes humanos que possam coletar dados e
informações difíceis de serem obtidas por meios tecnológicos e que contribuam com a análise mais completa e adequada à inferência do assistente virtual. Diante deste aspecto preocupante, que interfere no respeito à idiossincrasia de cada aprendiz, este trabalho propõe uma modificação na arquitetura ITA da Figura 2. Esta proposta agrega novos agentes humanos que colaborarão com a obtenção de dados relevantes para elaboração de um modelo mais completo da realidade cognitiva de cada aprendiz, pois possibilitará a interpretação de dados provenientes de novos focos de observação e acompanhamento colaborativo com a evolução dos aprendizes. Este novo agente está mais próximo à realidade dos estudantes, sendo também um estudante, porém, com maior experiência sobre o conteúdo que o envolverá na atividade de apoio educacional. Várias instituições de ensino utilizam este tipo de apoio, atualmente conhecido como Monitoria Estudantil, que envolve estudantes mais experientes (monitores) no auxílio da aprendizagem dos novatos. Normalmente, esta atividade de monitoria acontece através de um contato direto entre estes estudantes (experiente e novato) e possibilita uma evolução rápida do novo aprendiz sobre o conteúdo trabalhado com o professor em sala de aula e com o monitor em atividades extraclasse. O reconhecimento desta atividade vem do século XIX, tendo o educador suíço Pestalozzi como seu principal precursor. Apesar das diferenças existentes entre a monitoria iniciada com Pestalozzi e as atuais, esta atividade de auxílio pedagógico ainda se estabelece como importante recurso educacional para o ensino que objetiva, insistentemente, a aprendizagem como seu principal indicador de sucesso. Pestalozzi entendia que quanto mais perto da realidade dos aprendizes o educador estivesse, mais fácil seria sua instrução e, consequentemente, seu aprendizado (Lopes, 1981). Essa realidade é observada pelas instituições de ensino atuais e possível de ser incorporada pela tecnologia ITA. Para isso, esta tecnologia ofereceria recursos interativos aos seus novos agentes humanos (monitores), almejando obter outros dados relacionados aos seus aprendizes, sendo estes dados complementares aos fornecidos pelo professor e pelo próprio estudante em interação com o ITA. A participação de outros agentes humanos possibilita uma maior coleta de dados significativos às inferências do ITA, sendo expressivo o fator de complementação que envolve a obtenção de dados a partir de pontos de vista diferentes: professor observa os estudantes em sala de aula; monitor acompanha-os também em atividades extraclasse. De maneira similar ao docente, mas condizente com as atividades realizadas pelos monitores, o ITA também lhes oferece suporte coerente à situação cognitiva de cada estudante. A Figura 3 apresenta a proposta desta arquitetura incluindo o módulo Monitoria e sua interface de interação. Esta diversidade de observações e acompanhamento da aprendizagem individual de cada estudante enriquece o conteúdo armazenado pelo ITA e propicia um diagnóstico bem mais elaborado pelo assistente virtual na perspectiva de realizar o ensino mais sintonizado com a realidade da aprendizagem detectada por meio da colaboração docente e dos monitores envolvidos.
A inclusão deste módulo no ITA ainda amplia as possibilidades de assistência dos monitores aos estudantes, que podem ser atendidos presencialmente ou a distância, nos dias e horários pré-definidos ou marcados especificamente com cada aprendiz. Figura 3. A representação da arquitetura ITA com o novo módulo Monitoria. Estas duas formas de atendimento são assistidas pelo ITA que confia aos monitores a responsabilidade de atender aos estudantes adequadamente e registrar os dados mais relevantes ao apoio coerente das atividades docentes e do próprio assistente. 4. Experimento A realidade do ensino superior em uma área essencial à formação de futuros profissionais nos cursos de Ciência da Computação, denominada Programação Computacional, oferece um espaço propício à realização de experimentos envolvendo esta proposta de ITA. Sua implementação inicial, em um ambiente real de aprendizagem, aconteceu mediante o envolvimento e a experiência de seus pesquisadores nesta área, sendo chamado de Sistema de Apoio Educacional (SAE) o protótipo ITA que ofereceria suporte tecnológico ao ensino-aprendizagem personalizado em Programação. Esta área é reconhecida como uma das mais difíceis na formação de seus estudantes (Almeida, 2002). Seus baixos índices de assimilação podem ser observados através dos resultados obtidos em suas próprias disciplinas e naquelas que necessitam deste conhecimento mínimo como pré-requisito para sua aprendizagem (Delgado, 2004). Apesar destes resultados, várias instituições de ensino têm procurado estimular o interesse de seus estudantes nesta área, sendo várias tentativas efetuadas sobre diferentes paradigmas e pedagogias educacionais. Alguns resultados interessantes tem sido obtidos e colaboram na pesquisa deste trabalho, mas nenhum é reconhecido como mais amplo e completo para satisfação de sua comunidade acadêmica (Santos, 2003). Diante das principais características desta área, envolvida na investigação e solução de problemas, se destacou, no âmbito educacional, a Teoria da Aprendizagem Significativa (TAS) proposta Ausubel (1980). O uso de Mapas Conceituais, condizente com o arcabouço desta teoria, promove a modelagem e organização dos conceitos que formarão o domínio do conteúdo de estudo a ser acompanhado pelo SAE. O uso destes mapas, elaborados por uma equipe multidisciplinar formada por especialistas em Educação, Matemática, Informática e os docentes em Programação, permite organizar regras e orientações para averiguar e auxiliar os estudantes em sua aprendizagem significativa apoiada pelo SAE, além de possibilitar assistência coerente às atividades que serão realizadas pelos agentes humanos (docentes e monitores) participantes deste processo de ensino e aprendizagem.
Estas regras e orientações serão aplicadas sobre os dados resultantes das interações dos usuários com este ITA, sendo organizadas em uma base de conhecimento utilizada na constatação da situação de aprendizagem de cada estudante. No entanto, este tipo de apuração envolve quantidade de incertezas e imprecisões, quando realizadas também pelo agente humano, pois estas características são inerentes às informações. Com a expectativa de reduzir estas incertezas é aliada a esta teoria (TAS) uma lógica mais realista ao acompanhamento cognitivo dos estudantes, inovando aspectos tradicionais da TAS, que utilizará a Lógica Fuzzy na apuração da situação cognitiva de seus aprendizes, assistidos e apoiados por seus agentes humanos e pelo próprio SAE. A aplicação desta lógica possibilita acompanhar o comportamento do estudante sobre o conteúdo e suas atividades de aprendizagem realizadas, inclusive, em período extraclasse com a participação da monitoria (Assunção, 2008). Este acompanhamento acontece por meio da interação do aprendiz com o ITA, que armazena dados relevantes às apurações de duas variáveis linguísticas, fundamentais na averiguação da Aprendizagem Significativa, sendo elas o esforço empregado por cada aprendiz e o desempenho obtido na solução de atividades solicitadas pelo docente ou pelo SAE. Os valores atribuídos para estas variáveis correspondem aos termos linguísticos que melhor representam a realidade averiguada pela Lógica Fuzzy em seu contexto de aplicação, sendo sua apuração resultante dos dados armazenados durante as interações dos aprendizes com ambientes virtuais disponibilizados por este assistente. Por isso, estes dados se constituem na parte significativa do conhecimento do assistente sobre cada aprendiz, sendo seu raciocínio fuzzy elaborado por um mecanismo de inferência que emprega proposições condicionais não qualificadas, termos linguísticos e funções de pertinência relacionadas aos mapas conceituais e as expectativas de aprendizagem para cada estudante. Estas funções são definidas pela equipe multidisciplinar envolvida na elaboração dos mapas conceituais que definem o domínio de atuação do apoio educacional oferecido por este assistente virtual. Cada um dos conceitos representados neste mapa consiste em um elemento pertencente ao conjunto fuzzy, que será acompanhado pelo SAE na averiguação da situação de aprendizagem significativa de cada estudante. Por meio destas funções será obtido o grau de pertinência resultante da inferência deste assistente sobre os possíveis termos linguísticos a serem atribuídos a estas duas variáveis. Baseado nestes resultados, o SAE fornece orientação pedagógica sobre as ações e recursos interativos que sejam mais adequados à realidade cognitiva de cada estudante. Esta orientação pode ser obtida a qualquer momento que o estudante esteja em interação com este ITA e a solicite por meio de seu ambiente virtual. Os termos linguísticos atribuídos a estas duas variáveis são obtidos através da aplicação de suas funções de pertinência sobre cada um dos elementos que compõem o conjunto fuzzy de um domínio, onde o termo, que obtiver o maior grau de pertinência, é reconhecido como mais expressivo à situação de aprendizagem do estudante. Os respectivos termos linguísticos e suas funções de pertinência estão descritos na Figura 4, consistindo em: esforço = {Baixo, Médio, Alto} e desempenho = {Fraco, Razoável, Bom}.
VARIÁVEIS LINGUÍSTICAS TERMOS E FUNÇÕES Figura 4. Representação das variáveis linguísticas utilizadas pelo SAE. Com a obtenção destes termos, o SAE utiliza sua base de conhecimento para inferir se a aprendizagem do conceito analisado está satisfatória às expectativas de sua assimilação significativa, aplicando proposições condicionais não qualificadas, exemplificadas na Figura 5, sobre a combinação dos termos atribuídos a estas variáveis. SE (( esforço = Médio ) E ( desempenho = Razoável ) ENTÃO aprendizagem Satisfatória com orientação de frequentar monitoria para melhor esclarecimento neste conteúdo resolver mais exercícios no ambiente SAE neste conteúdo Figure 5. Exemplo de uma proposição condicional não qualificada. Dessa forma, o SAE consegue fornecer orientação adequada à situação de aprendizagem detectada, promovendo um processo de ensino mais dinâmico e um estudo sob medida a cada um de seus aprendizes. Ao alcançar a situação de satisfação em todos os conceitos que formam o conjunto fuzzy de um conteúdo (disciplina), organizado em seu respectivo mapa conceitual, o estudante terá concluído o seu período de assimilação acompanhado por este assistente, que fornecerá um valor de confiança indicando o quão significativo o SAE infere que aconteceu a sua aprendizagem. Este valor de confiança consiste no Grau de Disparo, calculado sobre estes elementos que formam o conjunto fuzzy com a situação de aprendizagem satisfatória (Klir, 1995). Embora este mapa seja elaborado pela equipe multidisciplinar, e corresponda à estrutura base da organização compartilhada por este ITA e seus agentes humanos, ele não obriga os aprendizes a percorrerem um único caminho previsto pelos docentes responsáveis por esta aprendizagem, pois envolve a TAS, com a Lógica Fuzzy, tornando possível o acompanhamento de caminhos diferentes que resultarão na construção correta dos conceitos envolvidos nesta aprendizagem. Estas averiguações conferem inteligência a este protótipo ITA, que acompanha e orienta o estudante durante todo seu período de aprendizagem, além de auxiliar os agentes humanos envolvidos na mediação deste processo educacional. O uso da Lógica Fuzzy tem-se mostrado muito adequada no tratamento de alguns tipos de imperfeições inerentes às informações, chegando a ser definida como metodologia capaz de capturar dados vagos e convertê-los em um formato matemático
mais rígido. Em Lopes (2010), uma solução fuzzy é apresentada, mas sem aporte metodológico e possibilidade de indicação de qual conceito, ou parte do conteúdo, que o aprendiz está, realmente, necessitando de apoio para superar sua dificuldade. Nesta proposta de associação da TAS, com o acompanhamento personalizado envolvendo a Lógica Fuzzy, será possível a realização do ensino-aprendizagem mais apto a expressar e mensurar a realidade contida em seu contexto de análise, permitindo que a postura pedagógica de seus agentes humanos, e do ITA, sejam mais sintonizadas com a realidade cognitiva de cada aprendiz em qualquer conceito ou parte do conteúdo. 5. Resultados O acompanhamento do experimento relatado neste trabalho envolveu três semestres letivos, sendo o primeiro, identificado como A, o grupo de controle, por não ter utilizado o SAE. Duas disciplinas (Algoritmo e Laboratório 1), lecionadas consecutivamente no primeiro e segundo semestre do curso presencial matutino em Ciência da Computação, foram analisadas comparativamente para obtenção dos resultados apresentados na Tabela 1. Estas disciplinas pertencem à área de Programação e foram analisadas em quatro turmas a cada semestre, sendo duas de Algoritmo e duas de Laboratório 1. A observação da Tabela 1 indica uma melhora média superior a 23% na aprovação das turmas envolvidas neste experimento. Esta melhora é obtida por meio da comparação do semestre A, que não utilizou este ITA, em relação ao semestre C, último semestre que o empregou como recurso tecnológico de apoio à aprendizagem e envolveu um contingente superior a 110 alunos, 6 docentes (2 especialistas componentes da equipe multidisciplinar) e 31 monitores (17 de Algoritmo e 14 de Laboratório 1) divididos em 4 turmas em cada semestre. A identificação explícita destes participantes e dos três semestres letivos deste experimento será mantida em sigilo a fim de não prejudicar ou constranger todos os envolvidos. Este sigilo não compromete os resultados alcançados por esta pesquisa que pode ser compartilhada, seguramente, sendo seus semestres identificados pelas expressões A, B e C (A controle, B primeiro uso do SAE, C mais recente uso do SAE). Tabela 1. Síntese dos dados comparativos entre os 3 semestres consecutivos. Índice de Aprovação Disciplina Semestre A (sem SAE) Semestre B (com SAE) Semestre C (com SAE) Docente/ Turma Diferenças A e C Algoritmo 52,9% 48,1% 68,7% D 1 /T 1 15,8% 58,3% 66,7% 82,3% D 2 /T 2 24,0% Laboratório 1 46,4% 65,0% 61,1% D 3 /T 3 14,7% 44,8% 54,5% 82,6% D 4 /T 4 37,8% Na comparação entre os resultados obtidos no semestre C e o primeiro experimento (semestre B) realizado com o SAE, na mesma instituição de ensino e sobre as mesmas disciplinas, a melhora média ainda se mantém em torno de 15% na aprovação de seus estudantes.
Estas comparações, dos resultados alcançados por diferentes turmas, ocorrem somente quando os professores são os mesmos nos três semestres letivos da mesma disciplina, evitando possíveis interferências relacionadas aos aspectos didáticos e posturais de seus docentes. Assim, as turmas por semestres diferentes são identificadas por T 1, T 2, T 3 e T 4, enquanto seus respectivos docentes por D 1, D 2, D 3 e D 4. Além da preocupação com estes aspectos didáticos, houve também o cuidado na retirada de possíveis ruídos presentes nestes três semestres. Tais ruídos correspondem aos estudantes que fizeram matrícula na disciplina, mas não chegaram a realizar suas principais atividades avaliativas, sendo seus índices de ausência em aula superiores a 25%. Assim, estes ruídos poderiam interferir no resultado desta pesquisa. Vários outros dados podem ser inferidos pela observação da Tabela 1. Contudo, é preciso aplicar um teste estatístico para determinar se houve ou não diferenças significativas nos níveis de aprovação entre estes semestres (A, B e C). A Tabela 2 apresenta algumas estatísticas dos índices de aprovação dos estudantes por semestre. Tabela 2. Resumo dos grupos da Tabela 1 e suas respectivas variâncias. Grupos Contagem Soma Média Variância Semestre A 4 202,4 50,600 38,6200 Semestre B 4 234,3 58,575 77,8758 Semestre C 4 294,7 73,675 112,3092 A estrutura destes resultados sugere a aplicação da Análise de Variância (ANOVA) que embora exija o cálculo de variâncias, na realidade compara médias de tratamentos por meio do teste F (Vieira, 2006). Os três semestres nesta comparação correspondem ao seu valor de k (número de tratamentos), enquanto r são as 4 turmas envolvendo o mesmo docente por semestre. Tabela 3. Análise de Variância sobre os índices de aprovação. Fonte de Variação GL SQ QM F p-valor Entre grupos 2 1098,755 549,3775 7,20321 0,01355 Dentro dos grupos 9 686,415 76,26833 Total 11 1785,17 A Tabela 3 indica um p-valor inferior ao nível de significância de 5%, impossibilitando aceitar a hipótese de que as médias dos índices são iguais. Dada a rejeição desta hipótese de semelhança entre as médias, surge a necessidade de identificar onde ocorreu tal diferença significativa. Diante desta análise é efetuada a comparação de suas médias duas a duas, por meio do teste de Tukey, que calcula sua diferença mínima significante ( = 17,25 pontos percentuais). Dessa forma, torna-se possível identificar diferenças significativas duas a duas entre semestres, comprovando, estatisticamente, que a utilização desta metodologia integrada com Fuzzy, e apoiada por um ITA, tem alcançado melhora na aprendizagem
dos estudantes (no que se refere ao índice de aprovação). Estas comparações são mostradas na Tabela 4, onde a diferença significativa ocorreu entre os semestres C e A. Tabela 4. Comparação por par (dois a dois) de semestres. Grupo 1 Grupo 2 Diferença das Médias Teste de Tukey ( ) Situação (média ) Semestre A Semestre B 7,98 17,25 Não significativa Semestre B Semestre C 15,10 17,25 Não significativa Semestre C Semestre A 23,08 17,25 Significativa 6. Considerações Finais A principal contribuição deste trabalho consiste na elaboração de uma modificação na arquitetura ITA, que envolve mais agentes humanos na captação de dados significativos para modelagem do aluno, onde a participação destes novos agentes, mais próximos à realidade dos estudantes, contribui com uma inferência mais completa do assistente virtual na apuração da real situação cognitiva de cada aprendiz. A colaboração deste novo agente humano inclui uma visão diferente e complementar aquela somente acadêmica, geralmente, fornecida pelo docente ao ITA. A participação de estudantes mais experientes (monitores) no apoio educacional confere a inteligência do assistente virtual uma averiguação da situação cognitiva envolvendo aspectos observados por outros estudantes e nem sempre perceptivos aos docentes. Além desta colaboração direta com o ITA, a monitoria também fornece dados relevantes ao acompanhamento docente das atividades extraclasse, contribuindo, substancialmente, com as percepções e decisões docentes na condução de sua disciplina, bem como no auxílio específico de um único estudante que possa estar com dificuldade na aprendizagem de determinado conceito pertence ao domínio em questão. Esta proposta metodológica, que integrou a TAS com a Lógica Fuzzy, e utilizou o ITA como recurso tecnológico de suporte, alcançou resultados positivos sobre os índices de aprovação dos estudantes na área de Programação, sendo estes resultados comprovados estatisticamente pelo teste F e indicados na Tabela 4 em duas disciplinas. Contudo, o aumento da quantidade de variáveis linguísticas, envolvidas na inferência deste assistente virtual, possibilitaria novas apurações e averiguaria melhor a capacidade da Lógica Fuzzy em modelar o comportamento cognitivo dos estudantes. É importante destacar que o protótipo utilizado no experimento descrito neste trabalho usou duas destas variáveis (esforço e desempenho) para viabilizar sua implementação e realizar esta pesquisa investigatória. No entanto, na evolução deste ITA a expectativa de novas variáveis linguísticas poderá ser implementada, consolidando melhor seus resultados, além de outras apurações relacionadas, por exemplo, a evasão. Diante destes possíveis avanços, é importante ressaltar que a combinação adequada dos recursos humanos e tecnológicos facilita o acesso a um volume de dados expressivos, que colaboram nas análises e decisões coerentes ao apoio necessário aos estudantes. Teixeira (2006) considera esta combinação uma nova inteligência que contribui na evolução de cada indivíduo em seus aspectos educacionais e cotidianos.
Dessa forma, torna-se possível a realização de um processo educacional sob medida, que atente às características individuais de seus aprendizes, lhes proporcionando uma assistência personalizada durante todo processo de aprendizagem, chegando a ser possível aos estudantes aprender mais com menos esforço, estando este esforço melhor direcionado naquilo que o aprendiz ainda precisa compreender. Referências Almeida, E; Costa, E.; Silva, K.; Paes, R.; Almeida, A.; Braga, J. (2002) AMBAP: Um Ambiente de Apoio ao Aprendizado de Programação. In: Workshop sobre Educação em Computação. Florianópolis: SBC. Assunção, B. B.; Lopes, E. S.; Rissoli, V. R. V. (2008) Sistema Tutor Inteligente integrado a Monitoria Estudantil para elaboração de um Assistente Virtual de Ensino Inteligente. In: Workshop de Informática na Escola. Belém: SBC, p.136-140. Ausubel, D. P.; Novak, J. D.; Hanesian, H. (1980) Psicología Educacional. Rio de Janeiro: Editora Interamericana. Delgado, C.; Xexeo, J. A. M.; Souza, I. F.; Campos, M.; Rapkiewicz, C. E. (2004) Uma abordagem pedagógica para iniciação ao estudo de Algoritmos. In: Workshop sobre Educação em Computação, Salvador: SBC. Giraffa, L. M. M. (2009) Uma odisséia no ciberespaço: O software educacional dos tutorias aos mundos virtuais. Revista Brasileira de Informática na Educação, 17(1):p.20-30. Klir, J. e Yuan, B. (1995) Fuzzy sets and fuzzy Logic - theory and applications. Prentice-Hall PTR, Upper Saddle River. Lopes, R. S.; Fernandes, M. A. (2010) Lógica Fuzzy na avaliação de conhecimento e comportamento em ambientes de EAD. In: Workshop de Licenciatura em Computação, SBIE. João Pessoa: SBC. Lopes, L. (1981) Pestalozzi e a educação contemporânea. Rio de Janeiro: Associação Fluminense de Educação. Rissoli, V. R. V.; Giraffa, L. M. M.; Barone, D. A. C. (2007) Uma proposta de aplicação de Lógica Fuzzy para modelagem do processo de raciocínio de um Assistente Virtual. In: Simpósio Brasileiro de Informática na Educação. São Paulo, p. 48-57. Santos, G.; Direne, A. I.; Guedes, A. L. P. (2003) Autoria e Interpretação Tutorial de Soluções Alternativas para Promover o Ensino de Programação de Computadores. In: Simpósio Brasileiro de Informática na Educação, Rio de Janeiro. Teixeira, J. F. e Guimarães, A. S. (2006) Inteligência Híbrida: parcerias cognitivas entre mentes e máquinas. Informática na Educação: teoria & prática. 9(2):21-34. Viccari, R. M. e Giraffa, L. M. M. (2003) Fundamentos dos Sistemas Tutores Inteligentes. In: Barone, D. (Org.). Sociedades Artificiais: A Nova Fronteira da Inteligência nas Máquinas. Porto Alegre: Bookman, p. 155-208. Vieira, S. (2006) Análise de Variância. Atlas, São Paulo. Yacef, K. (2002) Intelligent Teaching Assistant Systems. In: International Conference on Computers in Education. Proceedings. New Zeland: IEEE. v. 1, p. 136-140.