1
Universidade Federal do Rio Grande do Sul
Centro Interdisciplinar de Novas Tecnologias na Educação
Programa de Pós-Gradu...
2
SUMÁRIO
1 CONSTRUINDO O OBJETO DE PESQUISA.................................................................10
1.1 Contex...
3
2.7.3 Análises e discussões ...............................................................................................
4
LISTA DE FIGURAS
Figura 1: Modelo de Colaboração 3C........................................................................
5
LISTA DE TABELAS
Tabela 1: Normas do LOT-R para homens e mulheres (18-36 anos). ...........................................
6
LISTA DE ANEXOS
Anexo 1: Censo EaD.BR2012..................................................................................
7
LISTA DE ABREVIATURAS
ABED Associação Brasileira de Educação a Distância
ACM Association for Computing Machinery
AVA Amb...
8
RESUMO
Aprendizagem colaborativa tem comprovado ser um método de sucesso em sala de aula
tradicional, e no campo da apre...
9
ABSTRACT
10
1 CONSTRUINDO O OBJETO DE PESQUISA
1.1 Contextualização
Segundo Piaget (1973), a interação é um processo complexo de tr...
11
hipermídia, a experiência da aprendizagem no ambiente virtual se ampliou. A presença das
redes sociais com a exploração...
12
De acordo com Paludo e Koller (2007), a Psicologia preocupou-se em investigar
patologias, negligenciando os aspectos sa...
13
quais têm servido como apoio nos processos de trabalho e aprendizagem em grupo. Como
resultado, foi desenvolvida uma co...
14
a) O interesse e a experiência deste pesquisador, atuante na área de informática na
educação desde 1994, em contribuir ...
15
 Validar a formação dos grupos colaborativos formados, através de um Estudo de
Caso Implementar o modelo computacional...
16
2 FUNDAMENTAÇÃO TEÓRICA
2.1 Computação Afetiva
Computação Afetiva2
é um campo da Inteligência Artificial (IA) interessa...
17
Para Seligman e Csikszentmihalyi (2000), a psicologia positiva possui três áreas de
investigação científica situadas no...
18
2.2.2 Escalas de autorrelatos
De acordo com Hutz et al. (2014), no Brasil, há escalas para avaliar variáveis
positivas ...
19
pontuação indicada pelo sujeito no item. Por exemplo, se o respondente marcou 4 no item
3, para obter o escore desse it...
20
cálculo do escore de Esperança é feito somando a pontuação obtida nos itens (1, 2, 4, 6, 8,
9, 10, 12). Os itens (3, 5,...
21
quatro fontes: a) experiência direta, b) experiência vicária, c) persuação verbal e d)
estimulação fisiológica e emocio...
22
Escore marcado pelo sujeito Escore que deve ser somado
1 5
2 4
3 3
4 2
5 1
Para o exemplo dado, o escore bruto do sujei...
23
Bem-estar: A frequência e a intensidade com que as pessoas vivenciam afetos positivos
(AP) e afetos negativos (AN) refl...
24
75 39 58
90 42 62
95 45 66
M = 34,0
DP = 6,6
Tabela 5: Normas de afeto negativo para homens.
Fonte: Hutz et al. (2014)....
25
pensamentos e sentimentos presentes no momento. Contudo, aquilo que consideramos
importante tende a não mudar, e há evi...
26
10 11 35
15 13 38
20 15 41
25 17 43
30 18 45
35 19 46
40 21 49
45 22 50
50 23 52
55 24 53
60 25 54
65 26 56
70 27 57
75...
27
al., 2014).
O
- Níveis altos de O indicam indivíduos que apresentam expectativas
maior sobre o futuro (Hutz et al., 201...
28
pequenos, cada um com estudantes de níveis diferentes de habilidades, usam uma variedade
de atividades de aprendizagem ...
29
explicar, em grande medida e conforme os autores, a evolução histórica e conceitual dos
trabalhos sobre interação entre...
30
Figura 1: Modelo de Colaboração 3C.
Fonte: Fuks et al. (2004).
Segundo Fuks et al. (2004), a comunicação, em um grupo d...
31
2.3.2 Ambientes CSCL
De acordo com Stahl et al. (2006), a aprendizagem colaborativa com suporte
computacional, a denomi...
32
Técnicas adotadas hoje buscam explorar de que forma esses fatores sócio-afetivos
podem ser coordenados entre si para fo...
33
Figura 2: Modelo Geral de Agente.
Fonte: adaptação de Russell e Norvig (2004).
De acordo com Russell e Norvig (2004), o...
34
Figura 3: Classificação de agentes.
Fonte: Adaptação de Girafa (2003).
2.4.2.1 Agentes pedagógicos
De acordo com Fontes...
35
dimensão afetiva dos alunos em e-Learning, exige muito mais do professor visto a falta do
presencial, sendo toda a info...
36
2.4.4 Tecnologias de agentes
Nesta seção serão apresentadas e descritas as tecnologias de agentes, tanto do
aspecto de ...
37
Leituras futuras:
1. WERNECK et al. (2008). Metodologias Orientada a Agentes ... continuação na descrição
das Metodolog...
38
podem ter evoluído (Mazumder e Rudnick, 1999). Ainda segundo estes autores, muito tem
sido aprendido sobre genética des...
39
Figura 6: Fluxograma básico de um AG.
Fonte: Adaptação de Lima (2006).
Tabela 9: Função de Avaliação.
Fonte: Adaptação ...
40
proximamente a genética real, já que cada indivíduo no mundo real tem diversos
cromossomos. Cada gene no cromossomo rep...
41
Agora, as partes do cromossomo são recombinadas, como se segue:
1 1 0 1 0 0 0 0 0 1 1 1 1 0 1
0 1 0 1 0 1 1 1 0 0 0 1 0...
42
Figura 8: Cruzamento de cromossomos de dois pais para produzir duas proles.
Fonte: Adaptação de Coppin (2013).
Mutação:...
43
claro que a execução poderá ser interrompida quando a solução correta tiver sido alcançada,
o que poderá ser facilmente...
44
c1 = 1001
c2 = 0011
c3 = 1010
c4 = 0101
Para calcular a aptidão de um cromossomo, precisamos primeiramente convertê-lo
...
45
não estagnem, por serem constantemente geradas a partir dos mesmos pais. Entretanto,
ainda segundo este autor, no exemp...
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Proposta detesecicero atualizada_01012015
Próximos SlideShares
Carregando em…5
×

Proposta detesecicero atualizada_01012015

374 visualizações

Publicada em

Apresentação do QUALIFY

Publicada em: Educação
0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
374
No SlideShare
0
A partir de incorporações
0
Número de incorporações
2
Ações
Compartilhamentos
0
Downloads
1
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Proposta detesecicero atualizada_01012015

  1. 1. 1 Universidade Federal do Rio Grande do Sul Centro Interdisciplinar de Novas Tecnologias na Educação Programa de Pós-Graduação em Informática na Educação Cícero Costa Quarto Um agente no auxílio à formação de grupos para ambientes CSCL Proposta de Tese de doutorado apresentado ao Programa de Pós-Graduação em Informática na Educação da Universidade Federal do Rio Grande do Sul - UFRGS Orientador: Profa. Dra. Magda Bercht Co-orientador: Prof. Dr. Cláudio Simon Hutz Linha de Pesquisa: Paradigmas para a Pesquisa sobre o Ensino Científico e Tecnológico Porto Alegre 2014
  2. 2. 2 SUMÁRIO 1 CONSTRUINDO O OBJETO DE PESQUISA.................................................................10 1.1 Contextualização................................................................................................................................. 10 1.2 Motivação............................................................................................................................................12 1.3 A questão de pesquisa......................................................................................................................... 14 1.4 Objetivos geral/específicos.................................................................................................................. 14 1.5 Estrutura da proposta ........................................................................................................................15 2 FUNDAMENTAÇÃO TEÓRICA........................................................................................16 2.1 Computação Afetiva ........................................................................................................................... 16 2.2 Psicologia Positiva............................................................................................................................... 16 2.2.1 Aplicações da psicologia positiva ....................................................................................................... 17 2.2.2 Escalas de autorrelatos........................................................................................................................ 18 2.3 Aprendizagem Colaborativa............................................................................................................... 27 2.3.1 O modelo de colaboração 3C ........................................................................................................... 29 2.3.2 Ambientes CSCL ................................................................................................................................ 31 2.3.2.1 Afetividade em ambientes colaborativos ......................................................................................... 31 2.4 Agentes................................................................................................................................................32 2.4.1 Propriedades de agentes ...................................................................................................................... 33 2.4.2 Classificação de agentes...................................................................................................................... 33 2.4.2.1 Agentes pedagógicos........................................................................................................................ 34 2.4.3 A estrutura de agentes ......................................................................................................................... 35 2.4.4 Tecnologias de agentes ....................................................................................................................... 36 2.4.4.1 Métodos e Linguagens de modelagem Orientada a Agentes............................................................ 36 2.5 Algoritmos Genéticos.......................................................................................................................... 37 2.6 Mineração de Dados ........................................................................................................................... 46 2.6.1 Etapas do processo de descoberta de conhecimento ........................................................................... 46 2.7 Trabalhos Relacionados...................................................................................................................... 50 2.7.1 No Brasil............................................................................................................................................. 50 2.7.2 No Mundo ........................................................................................................................................... 56
  3. 3. 3 2.7.3 Análises e discussões .......................................................................................................................... 59 3. METODOLOGIA DE PESQUISA.....................................................................................59 3.1 Introdução........................................................................................................................................... 59 3.2 Arquitetura de sistema proposta ........................................................................................................60 3.3 Um Estudo de Caso-Piloto.................................................................................................................. 62 3.3.1 Planejamento da atividade colaborativa.............................................................................................. 63 3.3.2 Dinâmica da atividade colaborativa .................................................................................................... 64 3.4 Cronograma de execução da Tese ...................................................................................................... 64 3.5 Resultados esperados.......................................................................................................................... 65 4. CONCLUSÕES E DIREÇÕES FUTUROS......................................................................65
  4. 4. 4 LISTA DE FIGURAS Figura 1: Modelo de Colaboração 3C................................................................................................ 30 Figura 2: Modelo Geral de Agente.................................................................................................... 33 Figura 3: Classificação de agentes..................................................................................................... 34 Figura 4: Esquema do conceito de agente artificial.......................................................................... 35 Figura 5: Influência diretas e indiretas de linguagens OO sobre metodologias OA.......................... 36 Figura 6: Fluxograma básico de um AG............................................................................................. 39 Figura 7: Ilustração do cruzamento de dois pontos.......................................................................... 41 Figura 8: Cruzamento de cromossomos de dois pais para produzir duas proles. ............................ 42 Figura 9: Gráfico descontínuo para a função f(x) = sen(x), onde x varia de 1 a 15........................... 43 Figura 10: Etapas para Descoberta de Conhecimento...................................................................... 47 Figura 11: Aspectos importantes e Fator de Impacto (fi) dos trabalhos relacionados..................... 58 Figura 12: Arquitetura geral de sistema proposto............................................................................ 60 Figura 13: Cinco famílias de estratégias de regulação da emoção (DIAS; PAIVA, 2013). ................. 88 Figura 14: Um diagrama esquemático .............................................................................................. 88 Figura 15: A dança do ventre WBD - 1 .............................................................................................. 89 Figura 16: Aplicações Web baseadas no Framework Divalite (Sansonnet et al., 2012). .................. 89 Figura 17: Expressões de tristeza e felicidade do DIMI..................................................................... 91
  5. 5. 5 LISTA DE TABELAS Tabela 1: Normas do LOT-R para homens e mulheres (18-36 anos). ............................................... 19 Tabela 2: Normas para adultos em esperança disposicional (18-36 anos)....................................... 20 Tabela 3: Normas para interpretação de resultados referente a autoeficácia................................. 22 Tabela 4: Normas de afetos positivo para homens e mulheres. ...................................................... 23 Tabela 5: Normas de afeto negativo para homens........................................................................... 24 Tabela 6: Normas de afeto negativo para mulheres......................................................................... 24 Tabela 7: Normas da Escala de Satisfação de Vida para Homens e Mulheres.................................. 25 Tabela 8: Modelos de autorrelatos Vs. Variáveis Positivas do Indivíduo.......................................... 26 Tabela 9: Função de Avaliação.......................................................................................................... 39 Tabela 10: Geração 1......................................................................................................................... 44 Tabela 11: Geração 2......................................................................................................................... 45 Tabela 12: Trabalhos relacionados no Brasil com a referente proposta de tese.............................. 58 Tabela 13: Itens estruturarias/Pontuação da atividade colaborativa............................................... 63 Tabela 14: Descrição/ferramentas para a atividade colaborativa.................................................... 64 Tabela 15: Cronograma de Execução da Tese................................................................................... 64
  6. 6. 6 LISTA DE ANEXOS Anexo 1: Censo EaD.BR2012............................................................................................................. 71 Anexo 2: Comparação entre Web 1.0, 2.0 e 3.0 ............................................................................... 75 Anexo 3: Escalas de Autorrelatos...................................................................................................... 77 Anexo 4: Agentes Pedagógicos com Dimensões Afetivas................................................................. 83 Anexo 5: Cronograma do Estudo de Caso-Piloto .............................................................................. 92 Anexo 6: Mensuração dos escores totais de autorrelatos................................................................ 94 Anexo 7: Perfis de Autorrelatos dos indivíduos.............................................................................. 100 Anexo 8: Termo de Consentimento Livre e Esclarecido (TCLE)....................................................... 101
  7. 7. 7 LISTA DE ABREVIATURAS ABED Associação Brasileira de Educação a Distância ACM Association for Computing Machinery AVA Ambientes Virtuais de Aprendizagem BDI Belief-Desire-Intention BES Bem-Estar Subjetivo CSCL Computer Supported Collaborative Learning CSBC Congresso da Sociedade Brasileira de Computação EA Escala de Afetos EaD Educação a Distância EAPN-A Escala de Afetos Positivos e Negativos para Adolescentes IA Inteligência Artificial IEEE Institute of Electrical and Electronics Engineers MIT Massachusetts Institute of Technology NEAD Núcleo de Educação a Distância OA Objetos de Aprendizagem OCC Ortony-Clore-Collins OTAN Organização do Tratado do Atlântico Norte PANAS Positive and Negative Affect Schedule PPGIE Programa de Pós-Graduação em Informática na Educação RBIE Revista Brasileira de Informática na Educação RIE Regulação Emocional Interpessoal RENOTE Revista Novas Tecnologias na Educação SBIE Simpósio Brasileiro de Informática na Educação SMA Sistema Multiagente STI Sistemas Tutores Inteligentes TICs Tecnologias de Informação e Comunicação UFMA Universidade Federal do Maranhão UFRGS Universidade Federal do Rio Grande do Sul WIE Workshop de Informática na Educação
  8. 8. 8 RESUMO Aprendizagem colaborativa tem comprovado ser um método de sucesso em sala de aula tradicional, e no campo da aprendizagem colaborativa apoiada por computador tem tornado-se cada vez mais um paradigma importante, conhecido como CSCL. Porém, presencialmente a maior parte dos cursos baseados na Web ainda aderem ao paradigma de aprendizagem individual, isto é, o aluno trabalha individualmente através de páginas HTML preenchidas com textos, fotos e várias melhorias multimídia, e comunicação e colaboração com outros alunos é geralmente arbitrário; na melhor das hipóteses, um AVA prover, em geral, ferramentas tais como sessões de bate-papo ou Newsgroups para discussões dos conteúdos do curso. Esta proposta de tese apresenta o problema da divisão de uma classe de alunos em grupos otimizados para a Aprendizagem Colaborativa Apoiada por Computador, a denominada CSCL (do inglês Computer Supported Collaborative Learning) baseada em variáveis positivas do indivíduo. É especificada e descrita uma arquitetura computacional orientada a Algoritmos Genéticos (AGs) para a formação dos grupos otimizados nos quais são aplicados os fatores de aceitação de um grupo pelo professor, baseado nos perfis de autorrelatos dos alunos e pela coesão do grupo utilizando técnicas sociométricas. Esta abordagem é contextualizada no Ambiente Virtual de Aprendizagem (AVA) Moodle, do curso de Engenharia da Computação, da Universidade Estadual do Maranhão (UEMA). O estudo investigativo é alicerçado nas teorias psicopedagógicas de Jean Piaget, Lev Vygotsky, Antônio Damásio e Albert Bandura, bem como das teorias da Psicologia Positiva e de Inteligência Artificial (IA). Palavras-chave: Afetividade. Aprendizagem Colaborativa. Psicologia Positiva. Algoritmos Genéticos. CSCL.
  9. 9. 9 ABSTRACT
  10. 10. 10 1 CONSTRUINDO O OBJETO DE PESQUISA 1.1 Contextualização Segundo Piaget (1973), a interação é um processo complexo de trocas e significações que desencadeia uma sequência interna de estados de construção de conhecimento e conclui que é caracterizada pela existência de regras sociais, pelos valores coletivos e pelas formas de comunicação para transmitir tais regras e valores. Atualmente, a Aprendizagem Colaborativa com Suporte Computacional, a denominada CSCL (do inglês Computer Supported Collaborative Learning), é um ramo das ciências da aprendizagem que busca abordar formas como as pessoas podem aprender em grupo com auxílio das ferramentas computacionais (Stahl et al., 2006). Entretanto, com o suporte à colaboração entre os indivíduos em contextos de aprendizagem virtual, a área CSCL tem fortes contribuições, mas também trouxe consigo alguns desafios, tanto sob aspectos pedagógicos quanto sob aspectos computacionais tais como: (i) Qual a mais adequada representação afetiva dos alunos para aprendizagem colaborativa? (ii) Qual a melhor distribuição dos alunos em grupos, de forma a otimizar a aprendizagem colaborativa? (iii) Como modelar e implementar computacionalmente tal abordagem? Conforme Moran (2000); Behar (2009); Coll e Monereo (2010), todos estamos experimentando que a sociedade contemporânea está sofrendo profundas mudanças nas suas formas de organizar-se, de produzir bens, de comercializá-los, de divertir-se, e isso não é diferente para o processo de ensino e aprendizagem. Para Moran (2000), em uma sociedade mais interconectada, as Tecnologias de Informação e Comunicação (TICs), permitem ampliar o conceito de aula, de espaço e tempo, de comunicação audiovisual, de estabelecer pontes novas entre o presencial e o virtual. A Educação a Distância (EaD) mudará radicalmente de concepção, de individualista para mais grupal, de utilização predominantemente isolada para utilização participativa, em grupo (Moran, 2000). Para Moran (2013), do ponto de vista pedagógico, importante considerar processos colaborativos, menos hierárquicos e menos formatados, que combinam o melhor dos percursos individuais com momentos de aprendizagem em grupo, de colaboração intensa. Corroborando com esse mesmo princípio, tem-se em Coll e Monereo (2010), que é cada vez mais frequente, em todos os níveis educacionais, experiências que tendem a apresentar e organizar as atividades de ensino e aprendizagem, e também as atividades de avaliação, como atividades e tarefas de grupos. As TICs estão modificando as práticas sociais e, em especial, as educativas. Investigar alguns aspectos que nos levem a conhecer melhor como as práticas de educação a distância têm se desenvolvido concretamente pode nos fornecer referências de como o ensino e a aprendizagem têm sido tratados nesse novo cenário. Nas primeiras experiências de educação a distância que incorporaram as TICs, nos chamados "cursos pdf on-line", os conteúdos eram transformados em textos e a ação do aluno era apenas responder a algumas questões para verificação da leitura. Com a experiência dos alunos e docentes no acesso à informação na internet, a navegação em diferentes sites, a presença de hipertextos e
  11. 11. 11 hipermídia, a experiência da aprendizagem no ambiente virtual se ampliou. A presença das redes sociais com a exploração da comunicação e da substituição da passividade do leitor/observador para o dinamismo do autor/produtor/editor trouxe muitas modificações na configuração das ações educativas (Censo EAD.BR20121 ; Cogo, 2006). Para Wessner e Pfister (2001), aprendizagem colaborativa tem comprovado ser um método de sucesso em sala de aula tradicional, e no campo da aprendizagem colaborativa apoiada por computador tem tornado-se cada vez mais um paradigma importante, conhecido como CSCL. Porém, ainda para estes autores, presencialmente a maior parte dos cursos baseados na Web ainda aderem ao paradigma de aprendizagem individual, isto é, o aluno trabalha individualmente através de páginas HTML preenchidas com textos, fotos e várias melhorias multimídia, e concluem que comunicação e colaboração com outros alunos é geralmente arbitrário; na melhor das hipóteses, um AVA prover, em geral, ferramentas tais como sessões de bate-papo ou Newsgroups para discussões dos conteúdos do curso. O Censo EaD.BR2012 (ver Anexo 1), mostrou que, em cenários de ensino e aprendizagem presencial e/ou a distância auxiliados por TICs, preocupações, tais como a estrutura do conteúdo, pressupostos de aprendizagem, arquitetura pedagógica, aspectos de navegação, interações entre docentes/educandos, educandos/educandos, avaliação da aprendizagem/curso, dentre outras, demandam que instituições de ensino, educadores, psicopedagogos, psicólogos, cientistas da computação, projetistas de sistemas virtuais de aprendizagem investiguem e estabeleçam estratégias e configurações mais adequadas e intervenções educativas mais efetivas. Para Coll e Monereo (2010), a área de Psicologia, mais especificamente a Psicologia da Educação, como disciplina que estuda as mudanças psicológicas que ocorrem nas pessoas como consequência de sua participação em situações e atividades educacionais, deve colocar em um lugar privilegiado de sua agenda o estudo das mudanças provocadas pelas situações educacionais baseadas total ou parcialmente no uso das TICs. Para os autores, isso supõe adotar um olhar duplo. Em primeiro lugar, um olhar sobre a natureza das mudanças que podem ocorrer nos atores educacionais, especialmente alunos e professores, e em suas formas de interação. Mais concretamente, trata-se de analisar o que muda (os discursos, as representações, as práticas, os processos, os resultados, etc.). E, também, saber como acontecem essas mudanças e se elas têm características diferentes daquelas que ocorrem em situações e atividades educacionais nas quais as TICs não estão presentes. Em segundo lugar, um olhar sobre as características e qualidades das situações educacionais que podem induzir a essas mudanças, ou seja, sobre os diversos tipos de contextos e ambientes nos quais são utilizadas atividades e práticas educacionais baseadas total ou parcialmente no uso das TICs. 1 http://www.abed.org.br/site/pt/midiateca/censo_ead/
  12. 12. 12 De acordo com Paludo e Koller (2007), a Psicologia preocupou-se em investigar patologias, negligenciando os aspectos saudáveis dos seres humanos. Ainda para estes autores, a partir de 1998, assumindo a presidência da American Psychological Association (APA), o psicólogo Martin Seligman iniciou movimento denominado Psicologia Positiva, que visa oferecer nova abordagem às potencialidades e virtudes humanas, estudando as condições e processos que contribuem para a prosperidade dos indivíduos e comunidades. Conforme Paludo e Koller (2007), Seligman já atentava que a ciência psicológica vinha negligenciando o estudo dos aspectos virtuosos da natureza humana, o que pode ser confirmado por uma simples pesquisa no banco de dados da PsycInfo. Ao utilizar a palavra- chave "depressão", Seligman encontrou 10382 artigos entre os anos de 1070 e 2006, por outro lado, a palavra-chave "felicidade" indicava apenas 4711 artigos publicados no mesmo período, ou seja, menos da metade. Para evidenciar a realidade da produção científica em Psicologia, Seligman e Czikszentmihalyi publicaram uma edição especial da American Psychologist em janeiro de 2000, na qual enfatizaram que a Psicologia não produzia conhecimento suficiente sobre os aspectos virtuosos e as forças pessoais que todos seres humanos possuem. Nessa importante publicação, estes autores apontaram as lacunas presentes nas investigações psicológicas e destacaram a necessidade de pesquisas sobre aspectos positivos como, por exemplo, esperança, criatividade, coragem, sabedoria, espiritualidade e felicidade. Psicólogos, cientistas cognitivos e neurocientistas têm estudado emoções há mais de um século. Apenas recentemente a Ciência da Computação tem pesquisado mostrar um aumento interessante em incorporar emoções em computadores (Picard, 1997; Whang et al., 2003). Para Picard (1997; Bercht (2001), a Ciência da Computação tem feito estudos incorporando a dimensão afetiva em computadores, determinando-se, assim, a área de Computação Afetiva. Computação Afetiva é um campo da Inteligência Artificial (IA) interessado em emoções em/e de máquina, podendo ser inferência de emoções do usuário, expressão de emoções ou simulação de emoções (Picard, 1997; Jaques, 2005). 1.2 Motivação Conforme Coll e Monereo (2010); Fuks et al. (2002), os cenários educacionais, assim como quaisquer outros cenários são constituídos por um conjunto de variáveis que os definem, a saber: a) certos atores particulares com papéis e formas de interação estabelecidos; b) conteúdos concretos e determinadas modalidades de organização do tempo, do espaço e dos recursos específicos. A entrada em cena das TICs modifica em grande medida cada uma dessas variáveis e leva os processos educacionais para além das paredes da escola. Ainda para estes autores, a aprendizagem em grupos colaborativos constitui um tema de enorme interesse para a pesquisa educacional e está gerando, especialmente nas últimas décadas, uma grande quantidade de estudos e pesquisas. E concluem, estes autores, que o interesse aumentou e foi ampliado nos últimos anos pelas elevadas expectativas colocadas no aperfeiçoamento da eficácia e na qualidade desse tipo de aprendizagem originadas com o uso das TICs - em particular, das redes telemáticas - as
  13. 13. 13 quais têm servido como apoio nos processos de trabalho e aprendizagem em grupo. Como resultado, foi desenvolvida uma comunidade de pesquisa especificamente interessada no que passou a ser chamado "Aprendizagem Colaborativa Apoiada por Computador", tradução do acrônimo CSCL (em inglês - Computer Supported Collaborative Learning). Para Coll e Monereo (2010), a incorporação das TICs aos diferentes âmbitos da atividade humana, e especialmente às atividades laborais e formativas, vem contribuindo de maneira importante para reforçar a tendência de projetar metodologias de trabalho e de ensino baseadas na colaboração. Ainda para estes autores, por exemplo, trabalhar em rede com o apoio das TICs representa uma nova maneira de se entender e de estabelecer as competências necessárias para cumprir as tarefas e realizar as atividades estabelecidas, concluem estes autores. A evolução da internet ao longo das suas escassas duas décadas de existência, e especialmente a subjacente visão das TICs às propostas da Web 2.0 (ver Anexo 2), abrem perspectivas inéditas do ponto de vista dos contextos de desenvolvimento e dos cenários educacionais, ao mesmo tempo em que apresentam novos desafios para a educação formal e escolar (Coll e Monereo, 2010). Segundo Fuks et al. (2002), em colaboração, os membros do grupo têm retorno que permite identificar precocemente inconsistências e falhas em seu raciocínio e, juntos, podem buscar idéias, informações e referências para auxiliar na resolução dos problemas. O grupo também tem mais capacidade de gerar criativamente alternativas, levando as vantagens de cada uma delas, para selecionar as viáveis e tomar decisões. De acordo com Shinyashiki (2013), construir grupos eficazes, desenvolvendo nas pessoas uma orientação à colaboração, à comunicação, à coesão e à codivisão de objetivos, permitindo que as relações interpessoais se tornem laços importantes para o sucesso do grupo, é um dos maiores desafios das instituições nos dias de hoje. Ainda segundo este autor, para que um grupo possa evoluir e amadurecer e permitir uma maior colaboração entre seus membros, é necessário passar de uma simples interação a uma verdadeira integração entre eles, em que a participação de todos os envolvidos é essencial e pressupõe o amadurecimento pessoal em termos de solidariedade, disponibilidade, flexibilidade e colaboração, fortalecendo o respeito e a valorização das diversidades e competências individuais. Para Silveira (2006), a formação de grupos colaborativos em ambientes virtuais de EaD é dificultada, principalmente por dois aspectos: 1) os integrantes do ambiente em questão, na maioria das vezes, não se conhecem pessoalmente e 2) os integrantes encontram-se em locais geograficamente dispersos. Ainda segundo este autor, estes aspectos fazem com que a formação dos grupos colaborativos em ambientes de EaD seja realizada, geralmente, de forma aleatória, não sendo considerado nenhum critério específico. Corroborando com o contexto apresentado na Seção 1.2, este pesquisador considera como outros fatores relevantes motivacionais os seguintes:
  14. 14. 14 a) O interesse e a experiência deste pesquisador, atuante na área de informática na educação desde 1994, em contribuir no avanço do estado da arte em contextos de EaD e de CSCL, área esta já fortemente referenciada em trabalhos científicos, tais como Stahl et al. (2006); Dillenboug (1996), Roschelle e Teasley (1995), Gerosa et al. (2005), Coll; Monereo (2010), Jones e Issroff. (2005), Fuks et al (2002), dentre outros. b) Acreditar alcançar os objetivos propostos desta pesquisa de tese, alicerçado em duas teorias da aprendizagem, as quais são: A Teoria da Epistemologia Genética, de Jean Piaget (1986-1980), a qual concebe a construção do conhecimento e do pensamento se dão pela ação do sujeito sobre o objeto, ou seja, através da interação do sujeito com seu meio. E na Teoria Sócio-Interacionismo, de Lev Vygotsky (1896-1934), o qual acreditava que o desenvolvimento das estruturas superiores era gerado e promovido a partir das interações com o outro e com o meio. c) Acreditar, com base nas publicações de sua Dissertação de Mestrado (ICALT, SBIE e WIE - 2006; WESAAC e SCIENTIA-UNISINOS - 2008) e de suas orientações de Iniciação Científica (ESUD - 2009; SBSC, SBIE - 2010; LACLO - 2011; WESAAC - 2012), do curso de Engenharia da Computação, da Universidade Estadual do Maranhão (UEMA), às quais abordam inferências de fatores sócio-afetivos tais como Capacidade de Cooperação, Liderança, Personalidade, Afinidade Social e Tamanho de Grupos, para aprendizagem colaborativa apoiada por computador, formação e avaliação de grupos colaborativos virtuais, que a afetividade é um domínio indissolúvel do cognitivo e que deve ser fortemente considerada em processos de ensino e aprendizagem. 1.3 A questão de pesquisa Com base nas Seções 1.2 e 1.3, a seguinte questão central de pesquisa é formulada: É possível criar formações melhores de grupo considerando os dados dos perfis de autorrelatos dos alunos? A partir desta, formula-se como hipótese nula, a seguinte: Os melhores grupos para a colaboração são formados por indivíduos com perfis diferentes ou heterogêneos. 1.4 Objetivos geral/específicos Especificar um modelo computacional para a melhor formação de grupos colaborativos apoiados por computador a partir de variáveis positivas do aluno, tais como bem-estar, esperança, autoeficácia e otimismo. Como objetivos específicos, temos:  modelar o problema como uma tarefa de potencializar a aprendizagem colaborativa apoiada por computador;  Utilizar escalas de autorrelatos para a caracterização das variáveis positivas do aluno considerados importantes na potencialização da aprendizagem colaborativa;
  15. 15. 15  Validar a formação dos grupos colaborativos formados, através de um Estudo de Caso Implementar o modelo computacional para formação de grupos otimizados e integrá- lo ao AVA Moodle do UemaNet. 1.5 Estrutura da proposta Esta proposta encontram-se organizada em cinco capítulos. O Capítulo 1 é a presente Construção do objeto de pesquisa. No Capítulo 2 descreve-se a Fundamentação teórica. A Metodologia de pesquisa é descrita no Capítulo 3. As Conclusões e Trabalhos futuros são formuladas no Capítulo 4. Finalmente, seguidos destes, as Referências, Anexos e Apêndices são apresentados.
  16. 16. 16 2 FUNDAMENTAÇÃO TEÓRICA 2.1 Computação Afetiva Computação Afetiva2 é um campo da Inteligência Artificial (IA) interessado em emoções em/e de máquina, podendo ser inferência de emoções do usuário, expressão de emoções ou simulação de emoções (Picard, 1997; Jaques, 2005). Dotar as máquinas com afetividade não está em torná-las mais inteligentes, nem tão pouco humanizá-las, mas sim na idéia da funcionabilidade que as emoções podem trazer (Bercht e Vicari, 2004). Picard e Klein (2001) consideram que as regras de interações afetivas entre humano-humano podem ser observadas entre humano-máquina. Para Elliot et al. (1999), além de reconhecer emoções do usuário, o sistema deve ser capaz de modelar afetivamente o estudante, que é chamado de Modelagem Afetiva do Usuário (AUM, do inglês Affective User Modelling). A Computação Afetiva estuda a inferência da afetividade do humano em interação com sistemas computacionais como se fossem observadores em terceira pessoa, bem como a expressão afetiva de modo a melhorar a comunicação entre humano-máquina, dentre outras capacitações. Desse modo, se pode entender as formas de manifestação da afetividade (expressões corporal, verbal, escrita, etc) e quando necessário, sintetizá-las (Picard, 1997). Neste sentido, Jaques (2004), desenvolveu um personagem virtual, chamado PAT (do inglês Pedagogical Agent Tutor) como um agente pedagógico animado. PAT se utiliza de expressões, gestos, e se comunica com alunos ao detectar estados afetivos negativos durante a interação no processo educacional. Segundo Jaques e Vicari (2004), um agente pedagógico animado é um agente inteligente com um papel pedagógico e representado por um personagem animado. Para Jaques e Vicari (2004); Bercht e Vicari (2004), existe um grande interesse da comunidade científica em estudar teorias e arquiteturas para obter “máquinas emotivas” de modo que estas possam a responder afetivamente aos estudantes, dando-lhes a sustentabilidade emocional necessária como motivando e incentivando-os nas suas tarefas pedagógicas. 2.2 Psicologia Positiva Segundo Hutz et al. (2014), psicologia positiva pode ser entendido como um termo guarda-chuva para o estudo das emoções, das características individuais e das instituições positivas centrado na prevenção e na promoção da saúde mental. Ainda para este autor, o principal interesse da psicologia positiva, nessa, perspectiva, é ter um entendimento científico dos aspectos saudáveis do indivíduo, aspectos estes capazes de fazer com que ele e sua comunidade prosperem e se desenvolvam de forma saudável. 2 Mais sobre Computação Afetiva pode ser encontrado em: http://affect.media.mit.edu/people.php?id=picard
  17. 17. 17 Para Seligman e Csikszentmihalyi (2000), a psicologia positiva possui três áreas de investigação científica situadas nos níveis subjetivo, individual e grupal. No nível subjetivo, o interesse concentra-se nos estudos das experiências subjetivas de valor, como bem-estar subjetivo e satisfação de vida (no passado), otimismo e esperança (no futuro), felicidade e flow (no presente). No nível individual, busca-se compreender os traços positivos ligados às características e ao funcionamento de cada pessoa, como capacidade para o amor, talentos, habilidades interpessoais, generosidades, perdão e sabedoria. No nível grupal, são analisadas as virtudes cívicas e as instituições que contribuem para que os indivíduos tornem-se cidadãos melhores, com foco em responsabilidade, altruísmo, tolerância e ética no trabalho. 2.2.1 Aplicações da psicologia positiva Ao levar em consideração que um dos objetivos principais da psicologia positiva é promover o potencial e o bem-estar humano, pode-se entender que ela pode ser aplicada por meio de intervenções em diversos campos, como o clínico, o escolar e o organizacional. O papel da intervenção positiva é auxiliar o indivíduo a construir uma vida prazerosa, engajada e com sentido (Hutz et al., 2014). O papel da intervenção positiva é auxiliar o indivíduo a construir uma vida prazerosa, engajada e com sentido. Ainda para estes autores, um modelo básico para as intervenções nessas três áreas foi apresentado em Snyder e Lopez (2009). Esse modelo tem por base a prevenção e a potencialização. A prevenção primária consiste em identificar o que pode ser ruim e pará-lo antes mesmo que aconteça. O planejamento de carreira pode ser visto como prevenção primária. Antes que o funcionário tenha conflitos (pessoais e na organização) em função de sua carreira, ele pode planejar o que deseja para si, desenvolver as habilidades que precisa para chegar até o cargo almejado e examinar se a empresa lhe oferecerá as oportunidades de crescimento que ele deseja. Entre as principais contribuições da Psicologia Positiva, destacam-se a construção de instrumentos de avaliação, modelos de intervenção e aplicação no curso desenvolvimental (Seligman, 2002; Paludo e Koller, 2007). Outra importante contribuição da Psicologia Positiva envolve a possibilidade de abordar as questões envolvidas no desenvolvimento das pessoas, reconhecendo que elas e as experiências estão inseridas em contextos sociais e culturais (Paludo e Koller, 2007). Segundo Paludo e Koller (2007), o interesse pelos fenômenos positivos e aspectos saudáveis têm aumentado nesses últimos anos, no Brasil e no mundo; e trata-se de uma mudança de olhar com relação ao humano. Essa nova lente acompanha os preceitos indicados pelo movimento da Psicologia Positiva, mas ainda são escassas as informações sobre essa mudança expressiva que ocorre na Psicologia, tendo-se uma modificação gradual dos estudos brasileiros no seu enfoque e abordagem sobre o desenvolvimento humano.
  18. 18. 18 2.2.2 Escalas de autorrelatos De acordo com Hutz et al. (2014), no Brasil, há escalas para avaliar variáveis positivas que foram adaptadas de outros países e outras que foram desenvolvidas especificamente para brasileiros. Entre as desenvolvidas encontram-se a Escala de Afeto Positivo e Negativo para Crianças (EAPN-C; Giacomoni e Hutz, 2006) e a Escala de Afetos (EA; Zanon et al. (manuscrito submetido). Entre as adaptadas estão a Positive and Negative Affect Schedule (PANAS; Watson e Clark, 1994); Giacomoni e Hutz (1997) e a Escala de Afetos Positivos e Negativos para Adolescentes (EAPN-A; Segabinazi et al. (2012). A PANAS é uma escala mundialmente usada para avaliar afetos (Watson e Clark, 1994) e foi adaptada para o Brasil por Giacomoni e Hutz (1997). A versão adaptada conta com 20 itens que avaliam afetos positivos e 20 itens que avaliam afetos negativos. As evidências de validade dessa escala foram obtidas por meio de análises fatoriais que revelaram que o conjunto de itens apresentava estrutura bifatorial estável e teoricamente adequada. Medidas de escalas de autorrelatos são apresentadas no Anexo 3. A seguir, com base em Hutz et al. (2014), são descritas as variáveis positivas às quais nortearão as etapas da metodologia de pesquisa da referente proposta de tese. Otimismo: Esta variável positiva é entendida como disposicional, caracterizada por expectativas positivas sobre eventos futuros. A partir dessa definição, compreende-se que otimistas são pessoas que esperam que boas coisas aconteçam com elas, enquanto pessimistas esperam que coisas ruins ocorram. Para medir o otimismo, usa-se o Revised Life Orientation Test (LOT-R), o qual inclui expectativas positivas e negativas. O LOT-R foi concebido como uma medida unidimensional, na qual otimismo e pessimismo representava polos de um continuum (ver Anexo 3). Descrição do teste: O teste LOT-R consiste em 10 itens, sendo três afirmativa sobre otimismo (itens 1, 4 e 10), três sobre pessimismo (itens 3, 7 e 9) e quatro itens-filtro (itens distratores), cujo escores não são computados (2, 5, 6 e 8). Os sujeitos respondem às afirmativas indicando seu grau de concordância em uma escala tipo Likert de cinco pontos, variando de "discordo plenamente" até "concordo plenamente". Instruções para aplicação do LOT-R: O LOT-R é um teste de autorrelato no qual os participantes são orientados a indicar o seu grau de concordância ou discordância com cada sentença proposta no instrumento, usando a seguinte escala do tipo Likert:: 1 = discordo totalmente, 2 = discordo, 3 = neutro, 4 = concordo e 5 = concordo plenamente. No cabeçalho do teste aparecem as instruções para respondê-lo e a indicação para que o participante seja o mais exato e honesto possível e procure não deixar que a resposta de uma sentença influencie a resposta da seguinte. Normas para levantamento e interpretação: O escore total do respondente é obtido a partir do somatório dos itens positivos e negativos excluindo-se os itens-filtro. Primeiramente, somam-se os três itens positivos (1, 4 e 10). Os itens negativos (3, 7 e 9) devem ser invertidos antes de serem somados ao itens positivos. Para fazer essa inversão, subtraia 6 da
  19. 19. 19 pontuação indicada pelo sujeito no item. Por exemplo, se o respondente marcou 4 no item 3, para obter o escore desse item faça 6 - 4 = 2. Esse é o valor que será somado aos itens positivos. Não utilize os itens 2, 5, 6 e 8. As pontuações totais podem variar de 6 a 30. Para interpretar o escore bruto obtido, procure o percentil correspondente na tabela de normas adequada. Por exemplo, um homem ou uma mulher com escore bruto igual a 14 está no percentil 5 (ver Tabela 1), isso significa que essa pessoa está junto com 5% dos sujeitos que apresentaram menor grau de otimismo. Tabela 1: Normas do LOT-R para homens e mulheres (18-36 anos). Fonte: Hutz et al. (2014). Percentil Escore Bruto Escore Padrão (T) 5 14 30 10 17 36 15 18 38 20 20 42 25 21 45 35 22 48 45 24 51 55 25 53 65 26 55 75 27 57 85 28 59 95 30 64 M = 23,5 DP = 4,7 Esperança: Em Hutz et al. (2014), Esperança é definida como cognições voltadas para a obtenção de um objetivo, compostas por rotas e agenciamento (estrutura bifatorial). O agenciamento é a motivação do sujeito em perseguir a meta a ser alcançada, e as rotas são os caminhos planejados para obter tais objetivos. Ambos precisam estar presentes para que haja esperança, entretanto, somente os dois não garantem sua existência. É preciso que a interação agenciamento/rotas e rotas/agenciamento ocorra durante todo o processo de busca do objetivo. O modelo de Esperança, descrito em Hutz et al. (2014), considera que ela é estável no tempo, e é medida por meio da Adult Dispositional Hope Scale (ADHS). Esta escala é utilizada no Brasil da adaptação da escala ADHS (ver Anexo 3). Descrição do teste: A escala de Esperança contém 12 itens distribuídos entre agenciamento, rotas e itens-filtro. É apropriada para sujeitos a partir de 15 anos de idade. Instruções para aplicação do : Existem instruções no topo do instrumento que fornecem ao respondente orientação de como respondê-la (ver Anexo 3). Os itens são bastante simples e o tempo total de aplicação varia de 2 a 5 minutos. O sujeito marca suas respostas em uma escala Likert de cinco pontos (sendo 1 = totalmente falsa e 5 = totalmente verdadeira). O
  20. 20. 20 cálculo do escore de Esperança é feito somando a pontuação obtida nos itens (1, 2, 4, 6, 8, 9, 10, 12). Os itens (3, 5, 7 e 11) não devem ser utilizados, pois são apenas itens distratores. Normas para levantamento e interpretação: A norma para interpretação dos resultados de adultos está mostrada na Tabela 2. Tabela 2: Normas para adultos em esperança disposicional (18-36 anos). Fonte: Hutz et al. (2014). Percentil Escore Bruto Escore T 5 24 32 10 27 39 20 28 41 30 29 43 35 30 46 45 31 48 55 32 50 60 33 53 70 34 55 75 35 57 80 36 60 85 37 62 90 38 64 95 39 67 M = 31,6 DP = 4,4 Autoeficácia: A crença na capacidade de realizar uma determinada tarefa, com base nos próprios recursos, foi definida por Bandura (1997) como autoeficácia. Ainda para este autor, a autoeficácia é a crença na capacidade de reunir recursos cognitivos, motivacionais e comportamentais necessários para a execução de uma tarefa que está no centro do conceito da autoeficácia (e não a realidade em si). Um indivíduo pode não acreditar em sua capacidade de realizar algo e ser, na verdade, realmente capaz. A situação oposta também pode ocorrer. Desse modo, a crença de autoeficácia representa um mecanismo regulador das emoções humanas e impacta diretamente no estabelecimento de metas, na execução de tarefas e na tomada de decisão. Bandura (1997) afirmou que a autoeficácia possui dois componentes principais: expectativas de resultado e expectativas de eficácia. Primeiramente o sujeito, ao estabelecer um objetivo para si, examina o que é necessário fazer para alcançá-lo (expectativas de resultado). A seguir, avalia se é capaz de realizar essas ações necessárias para atingir o objetivo (expectativas de eficácia). A autoeficácia pode ser alterada. Os padrões de desempenho que são mantidos e satisfeitos a elevam, enquanto o fracasso em satisfazê-los e mantê-los a reduzem. Assim, um sujeito que se sente autoeficaz e frequentemente é bem-sucedido ao atingir o que deseja tem sua autoeficácia fortalecida pelos resultados. Ao passo que um sujeito que tem resultados negativos percebe- se enfraquecido, e sua autoeficácia é reduzida. A autoeficácia desenvolve-se a partir de
  21. 21. 21 quatro fontes: a) experiência direta, b) experiência vicária, c) persuação verbal e d) estimulação fisiológica e emocional. A estimulação fisiológica e emocional consiste no grau de medo ou tranquilidade que se experiencia em uma situação. Essas reações servem como base para avaliarmos nossas habilidades para administrar tais situações. Quanto mais medo é sentido diante de uma tarefa, menos autoeficácia se percebe. Descrição do teste: O instrumento usado para medir a autoeficácia do indivíduo e tem como objetivo mensurar o quanto o sujeito acredita em sua em sua própria capacidade para alcançar os resultados por ele desejados. O instrumento é composto por 20 itens (ver Anexo 3). Instruções para aplicação do : Deves-se informar que ao ler cada alternativa, o sujeito deverá expressar o quanto a questão é verdadeira ou falsa para ele. Deve utilizar para expressar isso a escala abaixo do item respectivo, que varia de 1 a 5. Se a questão for "sempre falsa", ele deve marcar 1. Se for "sempre verdadeira", deve marcar 5. Para situações intermediárias (como nem sempre falsa, nem sempre verdadeira ou mais ou menos) os números 2, 3 e 4 podem ser utilizados. Normas para levantamento e interpretação: A Escala de Autoeficácia Geral é constituída por 14 itens positivos a saber: 1, 2, 3, 4, 5, 6, 7, 9, 10, 12, 14, 15, 17 e 19. São itens do tipo "Eu sou capaz de superar muitos desafios". Também, fazem parte da escala oito itens negativos a saber: 8, 11, 13, 16, 18 e 20. São itens como "Quando problemas inesperados acontecem, eu não lido bem com eles". O escore bruto do sujeito é obtido pela soma das respostas dadas a cada item. Entretanto, os itens negativos (e apenas eles) devem ter seu escore invertido antes que se faça a soma do escore total do sujeito. Vamos considerar um exemplo. Um sujeito marcou os seguintes números nos itens da escala (ver demonstrativo nos quadros abaixo): Item 1) 5 *Item 11) 2 Item 2) 5 Item 12) 4 Item 3) 4 *Item 13) 4 Item 4) 5 Item 14) 5 Item 5) 4 Item 15) 5 Item 6) 5 *Item 16) 2 Item 7) 5 Item 17) 5 *Item 8) 1 *Item 18) 1 Item 9) 3 Item 19) 3 Item 10) 4 *Item 20) 1 Obs.: itens negativos estão marcados com asterisco Segundo Hutz et al. (2014), para os itens negativos, podemos utilizar o quadro abaixo:
  22. 22. 22 Escore marcado pelo sujeito Escore que deve ser somado 1 5 2 4 3 3 4 2 5 1 Para o exemplo dado, o escore bruto do sujeito será 5 + 5 + 4 + 5 + 4 + 5 + 5 + *5 + 3 + 4 + *4 + 4 + *2 + 4 + 5 + *4 + 5 + *5 + 3 + *5 = 86 (os itens que tiveram o escore invertido estão marcados com asterisco). Para entendermos se esse valor é alto, baixo ou médio (ou seja, para avaliar qual é a posição do sujeito com relação à população), devemos utilizar a tabela de normas. O escore bruto do sujeito é 86 (coluna do meio na Tabela 3) e isso corresponde ao percentil 90 (coluna da esquerda). Isso significa que 90% da população têm escore bruto de autoeficácia menor que o dele. Podemos concluir que esse sujeito tem alta eficácia geral e, por isso, provavelmente é um sujeito que se sente capaz de vencer desafios, que acredita que pode atingir os objetivos desejados, que persiste em seus planos, pois acredita em sua capacidade de conseguir o que quer. Tabela 3: Normas para interpretação de resultados referente a autoeficácia. Fonte: Hutz et al. (2014). Mulheres Homens Percentil Escore Bruto Escore T Percentil Escore Bruto Escore T 5 53 33 5 59 32 10 59 37 10 62 35 15 61 40 15 67 41 20 62 41 20 68 42 25 64 43 25 70 44 30 67 45 30 71 45 35 68 46 35 72 46 40 70 48 40 74 48 45 71 49 45 75 49 50 72 50 50 77 51 55 74 52 55 78 52 60 76 53 60 79 53 65 77 55 65 81 55 70 79 56 70 81 55 75 81 58 75 82 56 80 82 59 80 84 58 85 84 61 85 86 60 90 87 64 90 89 64 95 90 66 95 91 66 M = 72,2 M = 75,9 DP = 11,1 DP = 9,6
  23. 23. 23 Bem-estar: A frequência e a intensidade com que as pessoas vivenciam afetos positivos (AP) e afetos negativos (AN) refletem seu nível de felicidade e bem-estar. AP e AN compõem a dimensão emocional do bem-estar subjetivo, já que esses construtos caracterizam-se pela própria expressão de sentimentos, emoções e afetos. Assim, o balanço hedônico dado pela quantia de afetos positivos vivenciados menos a quantia de afetos negativos evitados determina a percepção do quão alegre e entusiasmado (ou triste e desanimado) se é. Um teste internacionalmente usado para avaliação de AP e AN é a Escala de Afetos Positivos e Negativos (PANAS, do inglês Positive and Negative Affect Schedule). Essa escala foi adaptada para o Brasil inicialmente por Giacomoni e Hutz (1997) e refinada posteriormente por Zanon e Hutz (manuscrito em preparação). Descrição do teste: A PANAS é uma escala de autorrelato composta de 10 itens que avaliam afetos positivos e 10 itens que avaliam afetos negativos (ver Anexo 3). Os itens são constituídos por adjetivos com chave de respostas em uma escala Likert de cinco pontos, em que as pessoas assinalam um número que corresponde ao quanto sentem as emoções descritas pelos adjetivos. O número "1" corresponde a "nem um pouco" o "2" a "um pouco", o "3" a "moderadamente", o "4" a "bastante" e o "5" a "extremamente". Instruções para aplicação do : Para conhecer o nível de AP e AN da pessoa que respondeu à escala, inicialmente devem-se somar todos os itens respondidos referentes a cada construtor. Esse valor representa o escore bruto. Posteriormente, pode-se procurar na tabela de normas apropriada qual é o percentil correspondente ao escore bruto. Normas para levantamento e interpretação: Uma vez que há diferenças na média de AN entre homens e mulheres, foram criadas tabelas de normas independentes para cada grupo. A Tabela 4 apresenta as normas de afetos positivos para homens e mulheres, a Tabela 5 apresenta as normas de afetos negativos para homens e a Tabela 6 apresenta as normas de afetos negativos para mulheres. Quanto mais alto o percentil equivalente ao escore bruto, maior o AP e o AN. Por exemplo, um homem que obteve escore bruto de afeto negativo igual a 11 está no percentil 5 (o que significa que ele está junto com os 5% de sujeitos que apresentaram os menores escores da escala; uma mulher que apresentou escore bruto de 20 está no percentil 50 (o que significa que essa pessoa apresentou níveis médios de afetos negativos e que 50% da amostra usada na padronização apresentou escores abaixo desse valor); uma pessoa que apresentou escore bruto de 45 de afeto positivo está no percentil 95 (o que significa que seu escore é alto e está junto dos 5% de pessoas com maiores níveis de afetos positivos). Tabela 4: Normas de afetos positivo para homens e mulheres. Fonte: Hutz et al. (2014). Percentil Escore Bruto Escore Padrão (T) 5 22 32 10 25 36 25 30 44 50 34 50
  24. 24. 24 75 39 58 90 42 62 95 45 66 M = 34,0 DP = 6,6 Tabela 5: Normas de afeto negativo para homens. Fonte: Hutz et al. (2014). Percentil Escore Bruto Escore Padrão (T) 5 11 37 10 12 38 25 15 42 50 20 49 75 25 56 90 30 63 95 35 70 M = 20,5 DP = 7,1 Tabela 6: Normas de afeto negativo para mulheres Fonte: Hutz et al. (2014) Percentil Escore Bruto Escore Padrão (T) 5 13 37 10 14 39 25 17 43 50 20 47 75 27 57 90 32 64 95 35 68 M = 22,1 DP = 7,2 Satisfação de Vida: Satisfação de vida é o componente cognitivo do bem-estar subjetivo definido como o nível de contentamento que alguém percebe quando pensa sobre sua vida de modo geral. Em outras palavras, a satisfação de vida pode ser entendida como o nível de entusiasmo e prazer, ou descontentamento e sofrimento, presente na vida de uma pessoa de acordo com sua percepção do que é satisfatório e/ou desprazeroso. Por isso, diz-se que é uma avaliação subjetiva realizada em momentos em que há uma autorreflexão sobre aspectos importantes da vida. De acordo co Hutz et al. (2014), para as pessoas avaliarem suas satisfações de vida, as mesmas levam em consideração tanto coisas boas quanto coisas ruins. Alguns priorizarão eventos agradáveis, enquanto outros focarão a atenção em eventos desagradáveis. Esse julgamento sobre o quão satisfeito se é com a vida reflete informações diferentes para pessoas distintas e pode mudar dependendo de humor, eventos de vida,
  25. 25. 25 pensamentos e sentimentos presentes no momento. Contudo, aquilo que consideramos importante tende a não mudar, e há evidências de que as lembranças mais salientes na memória apresentam considerável estabilidade na hora de avaliar a satisfação de vida. Ainda para Hutz et al. (2014), a personalidade parece ser um importante preditor de bem- estar (e consequentemente de satisfação de vida). Especialmente os fatores neuroticismo e extroversão são muito relevantes para o modo como as pessoas experienciam a felicidade em suas vidas. De forma geral, pessoas mais ansiosas, inseguras, depressivas, instáveis emocionalmente, ou seja, com altos níveis de neuroticismo, tendem a vivenciar muitas emoções, sentimentos, pensamentos negativos e ver o mundo de forma mais opressiva. Já pessoas mais comunicativas, com muitos contatos sociais, assertivas, enérgicas, ou seja, com altos níveis de extroversão, tendem a sentir mais emoções e sentimentos positivos, além de apresentar uma visão mais positiva sobre o mundo. Uma escala mundialmente usada para medir o componente cognitivo do bem-estar subjetivo é a Escala de Satisfação de Vida (ESV) (ver Anexo 3). Essa escala foi adaptada e validada para adultos e adolescentes brasileiros pelo grupo de pesquisadores do Laboratório de Mensuração da UFRGS e tem sido usada em inúmeras pesquisas no País, inclusive em dissertações de mestrado e teses de doutorado. Descrição do teste: A ESV é composta de cinco itens de autorrelato, cujo conteúdo avalia o nível de satisfação dos sujeitos com suas condições de vida. Instruções para aplicação do : A chave de respostas é uma escala Likert de sete pontos em que as pessoas assinalam um número que corresponde ao quanto concordam ou discordam das sentenças apresentadas. As âncoras "1" e "7" recebem os valores "Discordo plenamente" e "Concordo plenamente", respectivamente, enquanto os demais valores intermediários representam diferentes níveis de concordância/discordância com os itens. Quanto mais próximo de "1", mais o sujeito discorda, e, quanto mais próximo de "7", mais ele concorda com a sentença. Normas para levantamento e interpretação: Para conhecer o nível de satisfação de vida da pessoa que respondeu à escala, inicialmente devem-se somar todos os itens respondidos. O valor obtido representa o escore bruto. Posteriormente, procura-se na tabela de normas adequada qual é o percentil correspondente ao escore bruto. Quanto mais alto o percentil equivalente ao escore bruto, maior a satisfação de vida. Por exemplo: um adulto que obteve escore bruto igual a 9 está no percentil 5 (Tabela 7), está junto com os 5% de sujeitos que apresentaram os menores escores da escala, ou menor satisfação de vida; enquanto uma pessoa que apresentou escore bruto de 22 está no percentil 45 (o que significa que apresentou níveis médios de satisfação com a vida). Tabela 7: Normas da Escala de Satisfação de Vida para Homens e Mulheres. Fonte: Hutz et al. (2014). Percentil Escores Brutos Escores T 10 11 35 5 9 32
  26. 26. 26 10 11 35 15 13 38 20 15 41 25 17 43 30 18 45 35 19 46 40 21 49 45 22 50 50 23 52 55 24 53 60 25 54 65 26 56 70 27 57 75 28 58 80 29 60 85 30 61 90 31 62 95 32 64 M = 21,8 DP = 7,3 Com base em Hutz et al. (2014), a Tabela 8 mostra um resumo de perfis de autorrelatos em função dos níveis das variáveis positivas do indivíduo, de forma que estas relações sejam úteis para estimar comportamentos do indivíduo. Tabela 8: Modelos de autorrelatos Vs. Variáveis Positivas do Indivíduo. Fonte: Adaptação de Hutz et al. (2014). VARIÁVEIS POSITIVAS DO INDIVÍDUO PERFIL DE AUTORRELATOS SV - Níveis de SV baixos são indicativos de pessoas mais ansiosas, inseguras, depressivas, instáveis emocionalmente, vivenciam muitas emoções, sentimentos e pensamentos negativos e veem o mundo de forma mais opressiva (Hutz et al., 2014); - Níveis de SV altos são indicativos de pessoas comunicativas, com muitos contatos sociais, assertivas, enérgicas, tendem a sentir mais emoções e sentimentos positivos, além de apresentar uma visão mais positiva sobre o mundo (Hutz et al., 2014). AP - Níveis de AP altos indicam indivíduos que sentem mais prazer, confiança, jovialidade (Hutz et al., 2014). AN - Níveis altos de AN indicam pessoas depressivas, tristes, solitárias, irritadas, mau-humoradas, preocupadas, bem-estar diminui (Hutz et
  27. 27. 27 al., 2014). O - Níveis altos de O indicam indivíduos que apresentam expectativas maior sobre o futuro (Hutz et al., 2014). E - Níveis altos de E indicam indivíduos que buscam ativamente aquilo que se considera importante. A - Indivíduos que se percebem altamente eficazes ativam esforços suficientes, que produzem resultados excelentes se bem executados. Estes conseguem se automotivar, ter iniciativa, persistência e empenham esforços necessários porque acreditam que podem lidar com os eventos de forma satisfatória (Hutz et al., 2014); - Indivíduos que se percebem baixos em autoeficácia têm mais tendência a cessar seus esforços prematuramente e fracassar na execução das tarefas (Hutz et al., 2014); - A autoeficácia está relacionada a diversas variáveis, como desempenho acadêmico (Hutz et al., 2014). Estima-se, portanto, que A baixo acarreta baixo desempenho acadêmico e A alto acarretaria alto desempenho acadêmico. Onde: SV: Satisfação de Vida AP: Afetos Positivos AN: Afetos Negativos O: Otimismo E: Esperança A: Autoeficácia 2.3 Aprendizagem Colaborativa Para Vygostsky (1989), a colaboração entre pares ajuda a desenvolver estratégias e habilidades de solução de problemas pelo processo cognitivo implícito que se encontra na interação e na comunicação. Ainda para este autor, o trabalho em colaboração com um colega mais apto intensifica a Zona de Desenvolvimento Proximal (ZDP). A ZDP é interpretada como a faixa de desenvolvimento potencial que cada pessoa tem para aprender. Desta forma, para Vygostsky, o desenvolvimento cognitivo completo interação com outros colegas. Além destes conceitos, Vygostsky defende que funções cognitivas ocorrem prioritariamente a nível social para depois ocorrerem a nível individual. Segundo Kreijns et al. (2002), a ubiquidade da aprendizagem colaborativa e seu potencial para apoiar aprendizagem em grupo de forma interativa já convencia muitos educadores daquela época que estes ambientes seriam o futuro das próximas gerações de ferramentas educativas para o ensino a distância. De acordo com Balkcom (1992), a aprendizagem colaborativa é uma estratégia de ensino e aprendizagem na qual grupos
  28. 28. 28 pequenos, cada um com estudantes de níveis diferentes de habilidades, usam uma variedade de atividades de aprendizagem para melhorar a compreensão de um assunto, onde cada aluno no grupo é responsável não somente por aprender o que está sendo ensinado, mas também por ajudar o seu colega, criando uma atmosfera de realização. De acordo com Fuks et al. (2002), em colaboração, os membros do grupo têm retorno que permite identificar precocemente inconsistências e falhas em seu raciocínio e, juntos, podem buscar idéias, informações e referências para auxiliar na resolução dos problemas. O grupo também tem mais capacidade de gerar criativamente alternativas, levando as vantagens de cada uma delas, para selecionar as viáveis e tomar decisões. Segundo Damiani (2008), os estudos voltados para o trabalho em grupo adotam, alternadamente ou como sinônimos, os termos colaboração e cooperação para designá-lo. Ainda para essa autora, argumenta que, embora tenham o mesmo prefixo (co), que significa ação conjunta, os termos se diferenciam porque o verbo cooperar é derivado da palavra operare – que, em latin, quer dizer operar, executar, fazer funcionar de acordo com o sistema – enquanto o verbo colaborar é derivado de laborare – trabalhar, produzir, desenvolver atividades tendo em vista determinado fim. Assim, para essa autora, na cooperação, há ajuda mútua na execução de tarefas, embora suas finalidades geralmente não sejam fruto de negociação conjunta do grupo, podendo existir relações desiguais e hierárquicas entre os seus membros. Na colaboração, por outro lado, ao trabalharem juntos, os membros de um grupo se apoiam, visando atingir objetivos comuns negociados pelo coletivo, estabelecendo relações que tendem à não-hierarquização, liderança compartilhada, confiança mútua e co-responsabidade pela condução as ações. Para Dillenbourg et al. (1996), por muitos anos, teorias de aprendizagem colaborativa focaram descobrir em como indivíduos trabalham em um grupo. Ainda para estes pesquisadores, mais recentemente, o foco tem deslocado então de modo que o próprio grupo tornou-se a unidade de análise. Em termos de pesquisas empíricas, a metal inicial foi de estabelecer se e sob quais circunstâncias aprendizagem colaborativa foi mais eficaz que a aprendizagem isolada. Pesquisadores controlam várias variáveis independentes (tamanho de grupo, composição do grupo, natureza da tarefa, mídia de comunicação, etc). Entretanto, estas variáveis interagem umas com as outras de uma maneira que depois de concluído o processo colaborativo é quase impossível estabelecer ligação causal entre as condições e os efeitos na colaboração. Consequentemente, estudos empíricos mais recentemente iniciados focam menos em estabelecer parâmetros para uma eficaz colaboração e mais tentando entender o papel que cada variável desta influencia na mediação da interação do grupo (Dillenbourg et al., 1996). Conforme Dillenbourg (1999b), é importante diferenciar-se três paradigmas na evolução das pesquisas empíricas sobre a interação entre alunos em contextos presenciais: o "paradigma do efeito", o "paradigma das condições" e o "paradigma da interação". Tal distinção, que não se estabelece em função das teorias de referência nas quais estão baseados os estudos, e sim do número e do tipo de variáveis consideradas por eles, permite
  29. 29. 29 explicar, em grande medida e conforme os autores, a evolução histórica e conceitual dos trabalhos sobre interação entre alunos nas últimas décadas do século XX. Abaixo, são descritos cada um destes três paradigmas, de acordo com a visão dos autores. Paradigma do efeito: tenta confirmar a suposição de que determinadas formas de organização social da sala de aula - e, especificamente, uma organização cooperativa - dão lugar, sempre e de maneira generalizada, a um melhor rendimento por parte dos alunos. Os resultados das pesquisas baseadas neste paradigma, dominante durante as décadas de 1970 e 1980, mostraram, contudo, que uma organização cooperativa pode, de fato, produzir melhores resultados de aprendizagem, mas que isso não ocorre em todos os casos nem de maneira automática. Essa constatação levou a um novo paradigma, o paradigma das condições. Paradigma das condições: busca confirmar que os estudos passaram a concentrar-se em identificar as características das situações cooperativas que poderiam ser associadas a um melhor rendimento e aprendizagem por parte dos alunos. Entre as numerosas variáveis estudadas nestes trabalhos, os autores destacam três grupos de fatores: a composição do grupo (tamanho, idade, gênero, heterogeneidade, etc), as características da tarefa ou conteúdo de aprendizagem e a atuação do professor. Paradigma da interação: emerge a partir da tomada de consciência de que essas variáveis, fatores ou condições não têm efeitos simples na aprendizagem dos alunos, uma vez que interagem umas com as outras de forma complexa, de tal modo que é muito difícil estabelecer relações causais diretas entre elas e os efeitos da colaboração. A preocupação geral desses estudos passou a ser, então, desenvolver maneiras de aumentar a probabilidade de ocorrerem aqueles tipos de interação entre alunos com maior potencial do ponto de vista dos processos de construção conjunta de significados. O que neste caso se busca fazer é, por exemplo, aumentar a frequência dos conflitos cognitivos; fomentar as explicações elaboradas; apoiar a criação, manutenção e progresso da compreensão mútua; promover a tomada de decisões conjuntas sobre as alternativas e pontos de vista; promover a coordenação de papéis e o controle mútuo do trabalho, ou garantir a motivação necessária para que os alunos se envolvam em atuações realmente compartilhadas. 2.3.1 O modelo de colaboração 3C Conforme Fuks et al. (2004), o modelo de colaboração 3C, adotado no ambiente AulaNet3 , é baseado na idéia de que para colaborar, um grupo tem que exercer três atividades principais: comunicar-se, coordenar-se e cooperar, conforme pode ser observado na ilustração da Figura 1. Ainda segundo estes autores, estes três elementos aliados à Percepção são itens elementares para concepção e implementação de ambiente para aprendizagem colaborativa. 3 AulaNet - http://groupware.les.inf.puc-rio.br/projects.jsf?p1=AulaNet
  30. 30. 30 Figura 1: Modelo de Colaboração 3C. Fonte: Fuks et al. (2004). Segundo Fuks et al. (2004), a comunicação, em um grupo de trabalho, envolve a negociação, o de compromissos e conhecimento. Através da coordenação, o grupo lida com conflitos e se organiza de maneira a evitar que os esforços de comunicação e de cooperação sejam perdidos. Ainda para estes autores, a cooperação é a operação conjunta dos membros do grupo em um espaço compartilhado e concluem que a partir da percepção o indivíduo obtém feedback de suas ações e feedthrough das ações de seus colegas. Para Fuks et al. (2002), considerando o modelo 3C, as tarefas originam-se dos compromissos e conhecimento negociado durante a comunicação e são realizadas durante a cooperação. A coordenação atua para garantir que as tarefas sejam executadas da maneira correta, no tempo certo e com os recursos necessários. Ainda segundo estes autores, apesar da separação destas três atividades para fins de análise, elas não são realizadas de maneira estanque e isoladas; elas são realizadas continuamente durante o trabalho em grupo e concluem que o modelo 3C foi concebido a partir de um refinamento de conceitos apresentados no modelo de Ellis et al. (1991) e no modelo Clover (Laurillan e Nigay, 2002). De acordo com Fuks (2000), nas primeiras versões do ambiente AulaNet, seus recursos eram classificados em serviços administrativos, de avaliação e didáticos, que é uma abordagem comum em ferramentas educacionais. Ainda para este autor, infelizmente, esta abordagem levou os docentes que usavam o ambiente a ensinar da maneira vertical tradicional: Processando as informações com pouca interação entre eles e os aprendizes, e sem interação entre os aprendizes. Entretanto, o que se espera de um aprendiz na colaboração é um alto grau de interação com seus colegas e com os docentes, que por sua vez devem agir como mediadores e coordenadores ao invés de entregadores de informação. Desta forma, os serviços do AulaNet foram com base no modelo de colaboração 3C, de forma a ficarem mais propícios a uma abordagem colaborativa.
  31. 31. 31 2.3.2 Ambientes CSCL De acordo com Stahl et al. (2006), a aprendizagem colaborativa com suporte computacional, a denominada CSCL (do inglês Computer Supported Collaborative Learning) é um ramo das ciências da aprendizagem em crescente expansão no mundo e que busca estudar como os indivíduos podem aprender em grupo com o auxilio do computador. Ainda para estes autores, a área da CSCL tem uma longa história de controvérsias sobre sua teoria, métodos e definições e concluem que é importante entender a CSCL como uma visão do que é possível alcançar usando computadores, e de quais pesquisas devem ser desenvolvidas, e não como um corpo estabelecido de experimentos aceitáveis e de práticas de ensino. Segundo Lima (2006), com o suporte à colaboração entre os estudantes, os ambientes CSCL trouxeram consigo alguns desafios, tanto sob aspectos pedagógicos quanto sob aspectos técnicos. Pode-se destacar, dentre estes desafios, a) a representação dos alunos e seus grupos, b) a interação entre os aprendizes e c) a distribuição dos mesmos em grupos. A primeira conferência de CSCL foi organizada na Universidade de Indiana, em 1995. Outros encontros internacionais posteriores ocorreram pelo menos a cada dois anos, com conferências na Universidade de Toronto, em 1997, Universidade de Stanford em 1999, Universidade de Maastricht na Holanda em 2001, na Universidade de Colorado em 2002, Universidade de Bergen na Noruega em 2003 e na Universidade Nacional Central em Taiwan em 2005 (Stahl et al., 2006). Uma literatura especializada documentando a teoria e a pesquisa em CSCL foi desenvolvida desde o workshop em Maratea promovido pela Organização do Tratado do Atlântico Norte (OTAN). Os quatro documentos mais influentes são: Newman et al. (1989) The Construction Zone, Bruffee (1993) Collaborative Learning, Crook (1994) Computers and the Collaborative Experience of Learning, and Bereiter (2002) Education and Mind in the Knowledge Age. Adicionalmente, foram editadas várias coleções com foco específico na pesquisa de CSCL: O'Malley (1995) Computers-Supported Collaborative Learning, Koschmann (1996b) CSCL: Theory and Practice of an Emerging Paradigm, Dillenbourg (1999b) Collaborative Learning: Cognitive and Computational Approaches, e Koschmann et al. (2002) CSCL2: Carrying Forward the Conversation (Stahl et al., 2006). 2.3.2.1 Afetividade em ambientes colaborativos Segundo Jones e Issroff (2005), valores sócio-afetivos tais como atitudes, motivação e estados emocionais, devem ser fomentados em ambientes de aprendizagem colaborativos. Para que sistemas on-line venham ofertar ambientes colaborativos de aprendizagem, fomentadores e projetistas precisam levar em consideração fatores sócio- afetivos (Jones e Issroff, 2005; Zabala, 1998).
  32. 32. 32 Técnicas adotadas hoje buscam explorar de que forma esses fatores sócio-afetivos podem ser coordenados entre si para fomentarem a colaboração. Por exemplo, Prola (2003); Quarto (2006) consideram que os grupos de alunos devem ter perfis sócio-afetivos semelhantes, de modo a facilitar a interação e consequentemente a colaboração entre os alunos. Para Zabala (1998), a forma de estruturar os diferentes alunos e a dinâmica grupal que se estabelece configuram uma determinada organização social do ambiente de aprendizagem em que os alunos convivem, trabalham e se relacionam segundo modelos nos quais o grande grupo ou os grupos fixos e variáveis permitem e contribuem de maneira determinada para o trabalho coletivo e pessoal. Boff (2008), descreve um agente sócio-afetivo cujo raciocínio é baseado em aspectos individuais do estudante, como perfil social, grau de aceitação, grau de sociabilidade, estado de humor, interesse, grau de compromisso, liderança e desempenho. Este raciocínio é baseado em ontologias. Para incorporar a consciência social em maior profundidade (essenciais para a interação com seu usuário), os agentes são dotados com personalidade e aspectos afetivos. Este agente sócio-afetivo foi testado inicialmente em um ambiente de aprendizagem, e está sendo integrado no ambiente AMPLIA, um Ambiente Probabilístico Inteligente Multiagente, projetado para dar suporte ao aprendizado da área médica. Jaques (1999), aborda uma análise com enfoque na colaboração em grupo. Esta pesquisadora estudou a interação de alunos em ambientes virtuais de ensino e aprendizagem, de forma a observar a relação que cada aluno tinha com seu colega no ambiente. Jaques (1999) adotou a metodologia associação aluno-aluno-assunto, de maneira identificar os grupos de alunos que se formam ao ser aberta a discussão de um determinado assunto. 2.4 Agentes Para Russell e Norvig (2004), um agente é tudo que pode ser considerado capaz de perceber seu ambiente por meio de sensores e de agir sobre esse ambiente por intermédio de atuadores. Corroborando a este conceito, Nunes e Luck (2014), consideram que um agente é uma entidade capaz de executar planos em ordem para alcançar suas metas, e cada plano é selecionado de acordo com softgoals do agente e suas preferências acerca deste. Por exemplo, agente BobA tem a meta ObterFinanciamento e os planos Plano A, Plano B e Plano C. Portanto, para Nunes e Luck (2014), um agente é uma tupla do tipo , , S, , ref, onde  é um conjunto de crenças,  é um conjunto de metas, S é um conjunto de softgoals,  é um conjunto de planos e ref é uma função preferência. O conceito de agente, segundo estes autores, é ilustrado na Figura 2.
  33. 33. 33 Figura 2: Modelo Geral de Agente. Fonte: adaptação de Russell e Norvig (2004). De acordo com Russell e Norvig (2004), o termo percepção faz referência às entradas perceptivas do agente em qualquer momento dado. Ainda para estes autores, dois conceitos distintos de agentes são - Função de agente e Programa de agente. A função de agente é uma descrição matemática abstrata, conforme descrito em Nunes e Luck (2014), enquanto programa de agente é uma implementação concreta, relacionada à arquitetura do agente. 2.4.1 Propriedades de agentes Segundo Wooldridge e Jennings (1995); Russell e Norvig (2004) , um agente desfruta das seguintes propriedades: autonomia, habilidade social, reatividade e proatividade. A seguir, serão descritas cada uma dessas propriedades, conforme a visão destes autores: Autonomia: agentes operam sem a intervenção direta de humanos ou outros, e tem algum tipo de controle em cima das ações. Habilidade social: agentes interagem com outros agentes (e possivelmente os humanos) por algum tipo de comunicação de agentes. Reatividade: agentes percebem o ambiente que o contém, (que pode ser o mundo físico, um usuário, uma coleção de outros agentes, a Internet, ou talvez tudo destes combinados), e respondem em um modo oportuno a mudanças que ocorrem nisto. Proatividade: agentes não devem apenas agir em resposta ao seu ambiente, mas devem agir oportunamente por iniciativa própria de acordo com seus objetivos. 2.4.2 Classificação de agentes Os agentes são classificados quanto ao nível de inteligência, quanto à tarefa que executam e quanto à aquisição de inteligência (Jennings, 1995; Souza, 1996; Nwana, 1996). Na Figura 3 é mostrada uma classificação para agentes proposta por Giraffa (2003).
  34. 34. 34 Figura 3: Classificação de agentes. Fonte: Adaptação de Girafa (2003). 2.4.2.1 Agentes pedagógicos De acordo com Fontes et al. (2009), o conceito de agentes pedagógicos tem se mantido como um importante tema de pesquisa no âmbito educacional. Os agentes pedagógicos oferecem instrução personalizada, aumentam a motivação dos estudantes e agem pedagogicamente, por conta própria ou com o auxílio do professor. Ainda para estes autores, AVA agregam valor ao processo educativo, gerando novas possibilidades de educação. Sendo assim, a combinação de agentes pedagógicos e AVA consiste em uma abordagem promissora para o aprendizado eficaz auxiliado por computador. Conforme Dias e Paiva (2013), AVA podem conter agentes autônomos capazes de intencionalmente estabelecer e fortalecer relações sociais com outros agentes e com humanos. Ainda para estes autores, esta habilidade dos agentes os permitem raciocinar sobre as emoções de outros agentes e de humanos e com isso melhorar que os autores denominam de Regulação Emocional Interpessoal (IER, do inglês Interpersonal Emotion Regulation). Entretanto, para alcançar esta meta, segundo estes autores, precisamos explorar mecanismos que imitem a maneira que relações entre pessoas reais se desenvolvem. Para fazer isso, Dias e Paiva (2013) obteram inspiração no trabalho de [Salovey e Mayer], que definem Inteligência Emocional como o entendimento do impacto que emoções tem no eu e nos outros, como emoções são criadas, e também sendo a capacidade de usar este conhecimento para regular emoções no eu e nos outros. Para Chatzara et al. (2012), comunicação afetiva é relevante na aprendizagem uma vez que pode apoiar e oferecer um sentido de suporte quando ocorrerem afetos negativos. Silva e Figueiredo (2012) consideram que no ensino presencial o professor consegue “sentir” a turma, tanto na dimensão de entendimento dos conteúdos como dos estados afetivos que estão se apresentando, e assim, pode alterar a sua didática. Porém, verificar a
  35. 35. 35 dimensão afetiva dos alunos em e-Learning, exige muito mais do professor visto a falta do presencial, sendo toda a informação transcrita em grande volume de dados oriundas de interações produzidas nestes ambientes. Aplicações e-Learning referem-se a todos os artefatos que apoiam o ensino e a aprendizagem, como Objetos de Aprendizagem (OA), Sistemas Tutores Inteligentes (STI), Ambientes Virtuais de Aprendizagem (AVA). Muitos destes artefatos se apoiam em tecnologia de agentes que são usados para nomear desde processos simples até grupos ou conjuntos de hardware e/ou software complexos, mas todos denotando uma entidade para executar uma tarefa ou um conjunto destas, autônoma ou semi-autonomamente (Bercht, 2001). Aplicações e-Learning que exploram aspectos social e emocional podem, portanto, melhorar a qualidade da educação dos alunos a distância. Em ordem, para suportar o processo emocional na comunicação Humano-Computador, Chatzara et al. (2012), propuseram o uso de um agente pedagógico animado chamado Sophia. O agente usa expressões, gestos, movimentos do corpo, até "fala" para interagir com estudantes, para então, através de linguagem oral e escrita, expressar simpatia e conforto quando os estudantes têm um certo problema no processo educacional (Chatzara et al., 2012). No Anexo 4 são apresentados alguns agentes pedagógicos com suas principais funcionalidade pedagógicas e dimensões afetivas no auxílio ao ensino e a aprendizagem apoiados por tecnologias e ambientes virtuais, de forma a contribuir para uma maior visibilidade rumo a direções futuras no desenvolvimento e aplicações desta tecnologia para fins educacionais. 2.4.3 A estrutura de agentes Segundo Russell e Norvig (2004), o trabalho da IA é projetar o programa de agente que implementa a função de agente que mapeia percepções em ações. Ainda para estes autores, suponha-se que esse programa será executado em algum tipo de dispositivo de computação com sensores e atuadores físicos - chama-se esse conjunto de arquitetura e concluem que, em geral, a arquitetura torna as percepções dos sensores disponíveis para o programa, executa o programa e alimenta as opções de ação do programa para os atuadores à medida que eles são gerados. Na Figura 4 é ilustrado o esquema do conceito de agente artificial, conforme Russell e Norvig (2004). Figura 4: Esquema do conceito de agente artificial. Adaptação de Russell e Norvig (2004).
  36. 36. 36 2.4.4 Tecnologias de agentes Nesta seção serão apresentadas e descritas as tecnologias de agentes, tanto do aspecto de modelagem quanto de implementações orientadas a agentes, de forma a fornecer aporte teórico e empírico para atender às demandas do desenvolvimento e implementação da arquitetura de sistema especificada e descrita na Seção 3.2 desta referente proposta de tese. Segundo Werneck et al. (2008), o crescimento da demanda pelo desenvolvimento de novas aplicações, que atendam aos requisitos e características das organizações sociais e de seus relacionamentos, de forma autônoma e integrada, tem impulsionado a pesquisa por novos designs patterns de software que consigam suportar naturalmente estas propriedades. Ainda para estes autores, a Modelagem Orientada a Agentes vem suprir muitas destas necessidades, almejando somar-se às demais abordagens existentes, como Orientada à Objetos (OO), na construção de sistemas complexos que tenham na autonomia, na mobilidade e na capacidade de coordenação e adaptação, os aspectos fundamentais de seu funcionamento. 2.4.4.1 Métodos e Linguagens de modelagem Orientada a Agentes Para Werneck et al (2008), a orientação a agentes é um paradigma ainda em desenvolvimento e vários métodos orientados a agentes têm sido propostos, como por exemplo, Gaia (Wooldridge et al., 2000; Zambonelli et al., 2003), MESSAGE (Caire et al., 2004; Message4 , 2014), Tropos (Paolo et al., 2004), Adelfe, MASE e Prometheus. Ainda de acordo com estes autores, estes métodos oferecem uma variedade de conceitos, notações, técnicas e diretrizes metodológicas, bem como possuem várias raízes (ver Figura 5). Segundo estes autores, algumas são baseadas na idéia da IA oriunda da engenharia de conhecimento (KE), outras são extensões da metodologia orientada a objetos (OO). Há ainda as que utilizam uma mescla de conceitos baseados nessas duas metodologias e algumas são derivadas de outras metodologias também orientadas a agentes. Figura 5: Influência diretas e indiretas de linguagens OO sobre metodologias OA. Fonte: Adaptação de Werneck et al. (2008). 4 http://www.eurescom.de/~public-webspace/P900-SERIES/P907/INDEX.HTM, 30 de Dez, 2014.
  37. 37. 37 Leituras futuras: 1. WERNECK et al. (2008). Metodologias Orientada a Agentes ... continuação na descrição das Metodologias OA (Seção 2.4.4.1); 2. MACAL e NORTH (2006). Tutorial on agent-based modeling and simulation part 2: How to model with agents; 3. SUGUMARAN e PARK (2005). Designing multi-agent system: a framework and application; 4. SANZ e PAVON (2004). Methodologies for Developing Multi-Agent Systems; 5. SWAMINATHAN e SADEH (1998). Modeling Supply Chain Dynamics: A Multagent Approach; 6. UEZ, D. M. e HUBNER, J. F. (2012). Environments and Organizations in Multi-Agent Systems: From Modelling to Code. 2.5 Algoritmos Genéticos Segundo Mazumder e Rudnick (1999), Algoritmos Genéticos (AGs) são uma classe de algoritmos evolutivos que tipicamente usam tamanho-fixos de strings de caracteres para representar a informação genética do indivíduo, junto com uma população de indivíduos que submeter-se-á a cruzamento e mutação em ordem para encontrar regiões interessantes do espaço pesquisado. AGs são uma forma de busca local que usa métodos baseados em evolução para fazer pequenas alterações em uma população de cromossomos, na tentativa de identificar uma solução ótima (Coppin, 2013; Mazumder e Rudnick, 1999). De acordo com Mazumder e Rudnick, 1999), as principais dos AGs são: i) Eles são adaptativos e aprendem da experiência, ii) Eles têm paralelismo intrínseco e iii) Eles são eficientes para resolução de problemas complexos. O AG foi inventado pelo Prof. John Holland na Universidade de Michigan em 1975, e subsequentemente ele tem sido concluído largamente pelo Prof. David Goldberg na Universidade de Illinois. O AG e suas muitas variáveis são procedimentos computacionais que simulam o processo natural de evolução. As teorias da evolução e seleção natural foram primeiro propostas por Darwin para explicar suas observações das plantas e animais no mundo natural (Mazumder e Rudnick (1999). Darwin observou que, as variações são introduzidas numa população com cada nova geração, os indivíduos menos aptos tendem a morrer na competição por alimento, e este princípio do mais apto conduz para melhorias nas espécies. O conceito da seleção natural foi usado para explicar como espécies tem sido capaz para adaptar-se às mudanças do ambiente e como, consequentemente, espécies que são muito similares em adaptatividade
  38. 38. 38 podem ter evoluído (Mazumder e Rudnick, 1999). Ainda segundo estes autores, muito tem sido aprendido sobre genética desde o tempo de Charles Darwin e atentam que toda informação necessária para a criação de aspectos e características comportamentais de um organismo vivo está contida em seus cromossomos. Conforme Lima et al. (2008), a idéia básica dos AGs consiste, na analogia direta às idéias Darwinianas, na sobrevivência dos melhores indivíduos. Os indivíduos com maior capacidade de adaptação ao seu meio ambiente terão maiores possibilidades de sobrevivência e reproduzirem-se do que os indivíduos menos adaptados. Depois de muitas gerações, os indivíduos da população adquirem características que lhes conferem uma maior adaptabilidade ao ambiente que indivíduos das gerações anteriores. Diz-se que determinada população evolui se é possível mensurar a diferença, para melhor, entre uma população atual e sua antecessora (Goldberg, 1989). Segundo Lima et al. (2008), a execução de um AG começa com a geração, aleatória, de possíveis soluções para o problema dado. Estas soluções serão os indivíduos que irão compor a população inicial. Ainda para estes autores, no decorrer do processo de evolução, cada indivíduo é avaliado para determinar seu valor de aptidão (fitness). Com base nesses, e somente nesses, valores uma população de indivíduos evolui para uma nova população mediante a aplicação dos operadores genéticos - seleção, crossover e mutação, os quais serão mais detalhados na seção 2.5.1 seguinte. Este processo é repetido até que seja satisfeito um critério de parada, que, por exemplo, pode ser definido em termos de número máximo de gerações (Lima et al., 2008). A Figura 6 mostra um fluxograma que descreve o funcionamento básico dos AGs. A definição apropriada da função de avaliação é uma das tarefas principais na modelagem dos AGs, já que é através dela que será avaliada a qualidade de cada indivíduo na população. A qualidade de cada indivíduo é medida pelo seu valor de aptidão (fitness) que é a propensão de um indivíduo sobreviver e se reproduzir em um determinado ambiente (Lima et al., 2008). Aqui, a função de avaliação de cada indivíduo da população será dada em função dos perfis de autorrelatos dos indivíduos (alunos) definidos para a instância do problema em questão. Estes perfis de autorrelatos devem ser aplicados de tal forma que associem uma formação D a um valor numérico. Tomemos como exemplo a aplicação da função de avaliação para três perfis de formação autorrelatos: f1, f2 e f3. Cada um destes três perfis de autorrelatos aplicados a uma determinada formação D traduz-se em um valor numérico que indica o nível de aplicação perfil de autorrelato para aquela formação. A função de avaliação então é dada em função de cada um destes valores (ver Tabela 9).
  39. 39. 39 Figura 6: Fluxograma básico de um AG. Fonte: Adaptação de Lima (2006). Tabela 9: Função de Avaliação. Fonte: Adaptação de Lima et al. (2008). Perfis de Autorrelatos  Função de Avaliação f1(D) = X F(X, Y, Z) f2(D) = Y f3(D) = Z Representações Para Coppin (2013), sistemas classificadores usam uma cadeia de números que representam propriedades do ambiente e símbolos que representam respostas àquelas propriedades. A mais simples representação para algoritmos genéticos é aquela que foi usada por John Holland: uma cadeia de bits. Ainda segundo este autor, uma cadeia de bits é conhecida como um cromossomo e cada bit é conhecido como um gene. Esses dois termos são apropriados diretamente da genética e ilustram a proximidade com que algoritmos genéticos espelham processos biológicos. A população consiste em um conjunto de cromossomos, cada um dos quais, como vimos, composto de genes. Um cromossomo é geralmente tomado para representar um "indivíduo" completo dentro da população - em outras palavras, uma representação completa de uma solução ou uma classificação. Também é possível combinar cromossomos para formar criaturas, o que espelha mais
  40. 40. 40 proximamente a genética real, já que cada indivíduo no mundo real tem diversos cromossomos. Cada gene no cromossomo representa alguma faceta da composição genética daquele indivíduo O processo de execução de um algoritmo genético ocorre como a seguir (Coppin, 2013). 1. Gere uma população aleatória de cromossomos (esta será a primeira geração). 2. Se o critério de terminação for satisfeito, pare. Caso contrário, siga para a etapa 3. 3. Determine a aptidão de cada cromossomo. 4. Aplique cruzamento e mutação a cromossomos selecionados, a partir da geração atual, para gerar uma nova população de cromossomos - a próxima geração. 5. Retorne à etapa 2. O tamanho da população deve ser determinado antecipadamente. Geralmente, o tamanho de uma população permanece constante de uma geração para outra. Em algumas situações, pode ser útil ter uma população que mude de tamanho (Coppin, 2013). Ainda para este autor, o tamanho de cada cromossomo deve permanecer o mesmo para que o cruzamento seja aplicado, embora que seja possível executar um algoritmo genético com tamanhos variáveis de cromossomos, mas não é comum. Tipicamente, os cromossomos mais aptos são selecionados a cada geração para se unirem um ao outro e cada par de cromossomos pode produzir duas proles. Então, o conjunto resultante de cromossomos da prole substituirá a geração anterior (Coppin, 2013). Cruzamento: O operador de cruzamento é aplicado a dois cromossomos de mesmo comprimento, como a seguir: 1. Selecione um ponto aleatório para o cruzamento. 2. Separe cada cromossomo em duas partes, dividindo-o no ponto de cruzamento. 3. Recombine os cromossomos separados, combinando a parte inicial de um com a parte final do outro e vice-versa, para produzir dois novos cromossomos. Por exemplo, leve em consideração os dois cromossomos a seguir: 1 1 0 1 0 0 1 1 0 0 0 1 0 0 1 0 1 0 1 0 1 0 0 0 1 1 1 1 0 1 Pode-se escolher como ponto de cruzamento o espaço entre o sexto e o sétimo genes: 1 1 0 1 0 0 1 1 0 0 0 1 0 0 1 0 1 0 1 0 1 0 0 0 1 1 1 1 0 1
  41. 41. 41 Agora, as partes do cromossomo são recombinadas, como se segue: 1 1 0 1 0 0 0 0 0 1 1 1 1 0 1 0 1 0 1 0 1 1 1 0 0 0 1 0 0 1 Este processo é baseado no modo como as cadeias de DNA recombinam umas com as outras na reprodução humana para combinar características de cada pai em um filho. Cruzamento de ponto único é a forma mais comumente usada, mas também é possível ter duas ou mais posições de cruzamento. Em um cruzamento de dois pontos, dois pontos são escolhidos para dividir os cromossomos em duas seções, com as seções externas se juntando para transformar o cromossomo em um anel. As duas seções são trocadas, como mostrado na Figura 6. Na Figura 7, os genes do pai 1 estão sombreados de azul, enquanto os genes do pai 2 estão sombreados de cinza. Figura 7: Ilustração do cruzamento de dois pontos. Fonte: Adaptação de Coppin (2013). Outra forma de cruzamento é o cruzamento uniforme. Aqui, uma probabilidade, p, é usada para determinar se um dado bit do pai 1 será usado ou se será do pai 2. Em outras palavras, um filho pode receber quaisquer bits aleatórios de cada um de seus pais. Por exemplo, vamos assumir que tenhamos os seguintes dois pais: Pai 1: 10001101 Pai 2: 00110110 A prole destes dois cromossomos pode ser determinada como mostrado na Figura 8.
  42. 42. 42 Figura 8: Cruzamento de cromossomos de dois pais para produzir duas proles. Fonte: Adaptação de Coppin (2013). Mutação: Na descrição desse operador genético, Coppin (2013), aborda que AGs podem ser reconhecidos como sendo bastante semelhantes aos métodos de subida de colina. Conforme este autor, subida de colina envolve gerar uma possível solução para um problema e se deslocar em direção a uma solução melhor que a atual, até chegar a uma solução a partir da qual não se consiga outra melhor. Porém, ainda para este autor, subida de colina não apresenta bom desempenho diante de problemas que possuam máximos locais. O operador de mutação foi introduzido para fazer com que os AGs evitem este problema., conclui Coppin (2013). Segundo Coppin (2013), mutação é um operador unário (i. é., é aplicado a apenas um argumento - um único gene) que é geralmente aplicado com uma probabilidade baixa, tal como 0,01 ou 0,001. Mutação envolve simplesmente a reversão do valor de um bit em um cromossomo. Por exemplo, com uma taxa de mutação de 0,01, seria esperado que um gene em um cromossomo com 100 genes fosse revertido (ver a seguir mutação aplicada a uma das proles, extraídas do exemplo anterior): 0 1 0 1 0 1 1 1 0 0 0 1 0 0 1 0 1 0 1 0 1 1 1 0 1 0 1 0 0 1 Critério de Terminação: De acordo com Coppin (2013), há tipicamente dois meios pelos quais uma execução de um AG é terminada. Geralmente, impõe-se um limite ao número de gerações depois do qual cada execução é considerada terminada. Ainda segundo este autor, em alguns problemas, a execução pode parar quando uma solução particular tiver sido alcançada ou quando o nível mais alto de aptidão na população tiver alcançado um valor específico. Pode-se usar um AG para solucionar uma função matemática. Neste caso, fica
  43. 43. 43 claro que a execução poderá ser interrompida quando a solução correta tiver sido alcançada, o que poderá ser facilmente testado (Coppin, 2013). Para Coppin (2013), no caso do mundo de biomorfos de Dawkins não existem tais condições de terminação. Não faz sentido impor um limite artificial ao número de gerações e, como não há uma medida objetiva de aptidão, o sistema não pode determinar quando parar desta forma. Ainda para este autor, esta é uma distinção importante. Em muitos casos, AGs são usados para solucionar problemas que tenham uma solução objetiva e, neste caso, o algoritmo poderá parar quando encontrar tal solução. Em outros casos, eles, os AGs, são usados para propósitos mais abstratos, tal como gerar imagens interessantes. Nestes casos, julgamento humano deve ser usado para determinar quando parar (Coppin, 2013). Otimização de uma Função Matemática: Conforme Coppin (2013), AGs podem ser usados para encontrar um valor máximo de uma função matemática. No exemplo a seguir, Coppin (2013), tenta maximizar a seguinte função: f(x) = sen(x) com x na faixa de 1 a 15, sendo x em radianos. Cada cromossomo representa um valor possível de x, usando quatro bits. A Figura 9 mostra o gráfico descontínuo para esta função. Figura 9: Gráfico descontínuo para a função f(x) = sen(x), onde x varia de 1 a 15. Fonte: Adaptação de Coppin (2013). Na simulação, foi usado, como tamanho de população, quatro cromossomos. O primeiro passo é gerar uma população aleatória , que será considerada como a primeira geração.
  44. 44. 44 c1 = 1001 c2 = 0011 c3 = 1010 c4 = 0101 Para calcular a aptidão de um cromossomo, precisamos primeiramente convertê-lo em um inteiro decimal e, então, calcular f(x) para este inteiro. É atribuído aptidão como um valor numérico entre 0 e 100, onde 0 será o menos apto e 100 será o mais apto. A função f(x) gera números reais entre -1 e 1. Atribui-se uma aptidão de 100 para f(x) = 1 e uma aptidão de 0 para f(x) = -1. Uma aptidão de 50 será atribuída para f(x) = 0. Assim, a aptidão de x, f '(x) é definida do seguinte modo: f ' (x) = 50 (f(x) + 1) = 50 (sen(x) + 1)  f ' (x) = 50 (sen(x) + 1 A taxa de aptidão de um cromossomo é a aptidão daquele cromossomo como uma porcentagem da aptidão total da população. A Tabela 10 mostra os cálculos que são empregados para chegar aos valores de aptidão para a primeira geração. Tabela 10: Geração 1. Fonte: Adaptação de Coppin (2013). Cromossomos Genes Valor inteiro f(x) Aptidão de f ' (x) Taxa de aptidão c1 1001 9 0,41 70,61 46,3% c2 0011 3 0,14 57,06 37,4% c3 1010 10 -0,54 22,80 14,9% c4 0101 5 -0,96 2,05 1,34% Conforme Coppin (2013), agora, há a necessidade de executar uma única etapa do AG para produzir a próxima geração. A primeira etapa é selecionar quais cromossomos reproduzirão. Seleção por roleta russa envolve usar a taxa de aptidão para selecionar aleatoriamente cromossomos para reproduzir. Isto é feito do seguinte modo: (i) A faixa de números reais de 0 a 100 é dividida entre os cromossomos proporcionalmente à aptidão de cada um. Assim, para a primeira geração, c1 terá 46,3% da faixa (i.é., de 0 a 46,3), c2 terá 37,4% da faixa (i.é., de 46,3 a 83,7 e assim em diante. (ii) Agora, um número aleatório é gerado entre 0 e 100. Este número estará dentro da faixa de um dos cromossomos e este cromossomo será selecionado para a reprodução. O próximo número aleatório será usado para selecionar o parceiro deste cromossomo. Assim, cromossomos mais aptos tenderão a produzir mais proles do que os cromossomos menos aptos. Coppin (2013) atenta que é importante que este método não impeça por completo que cromossomos menos aptos reproduzam, porque isto ajudará a assegurar que populações
  45. 45. 45 não estagnem, por serem constantemente geradas a partir dos mesmos pais. Entretanto, ainda segundo este autor, no exemplo anterior, o cromossomo c4 terá pouquíssimas chances de se reproduzir, já que isto só aconteceria se o número aleatório se encontrasse na estreita faixa entre 98,6 e 100. (iii) Há a necessidade de gerar quatro números aleatórios para achar os quatro pais que produzirão a próxima geração. O primeiro número aleatório é 57,06, o que significa que c2 foi escolhido como o primeiro pai. Em seguida, 38,2 é escolhido, então seu par será c1. Agora, precisa-se combinar c1 e c2 para produzir duas novas proles. Primeiro, deve-se selecionar aleatoriamente um ponto de cruzamento. Escolhe-se o ponto entre o segundo e o terceiro bits (genes), como a seguir: c1 1 0 0 1 c2 0 0 1 1 O cruzamento é então aplicado para produzir a prole, c5 e c6, como a seguir: c5 = 1011 c6 = 0001 De maneira semelhante, c1 e c3 serão escolhidos para produzir as proles c7 e c8, usando-se um ponto de cruzamento entre o terceiro e quarto bits: c7 = 1000 c8 = 1011 A população c1 a c4 será agora substituída pela segunda geração, c5 a c8. c4 não teve chance de se produzir e seus genes serão perdidos. c1, que era o cromossomo mais apto na primeira geração, foi capaz de reproduzir duas vezes, passando adiante seus genes altamente aptos para todos os membros da próxima geração. Os valores de aptidão para a segunda geração são mostrados na Tabela 11. Tabela 11: Geração 2. Fonte: Adaptação de Coppin (2013). Cromossomos Genes Valor inteiro f(x) Aptidão de f ' (x) Taxa de aptidão c5 1011 11 -1 0 0% c6 0001 1 0,84 92,07 48,1% c7 1000 8 0,99 99,47 51,9% c8 1011 11 0 0 0% Esta geração produziu dois cromossomos extremamente aptos e dois cromossomos bastante inaptos. De acordo com Coppin (2013), um dos cromossomos, c7, é a solução ótima e com base neste contexto, o critério de terminação provavelmente determinaria que

×