Como Obter Evidências de Conhecimento em um Modelo de Estudante baseado em Rede Bayesiana Samuel Lima Orientadora: Prof a ...
<ul><li>Agenda </li></ul><ul><ul><li>Introdução </li></ul></ul><ul><ul><li>Modelando o Conhecimento com uma RB </li></ul><...
<ul><li>Introdução </li></ul><ul><ul><li>Sistema Tutor Inteligente (STI): tratamento individual ao aprendiz, relacionando ...
<ul><li>Modelando o Conhecimento com uma RB </li></ul>Estados estilo FUZZY,  inspirados no sistema HIDRIVE de MISLEVY e GI...
<ul><li>Nível de Aquisição de Conhecimento </li></ul><ul><ul><li>Pimentel (2006) </li></ul></ul><ul><ul><ul><li>Propõe um ...
<ul><li>Nível de Aquisição de Conhecimento </li></ul><ul><ul><li>Unidade de Avaliação (UA) </li></ul></ul>Fonte: Pimentel ...
<ul><li>Nível de Aquisição de Conhecimento (NAC) </li></ul>Fonte: Pimentel (2006, p. 129) CONCEITO T0 T1 T2 T3 T4 T5 T6 T7...
<ul><li>Proposta: Rede Bayesiana e o NAC </li></ul>UA1 UA2 UA3 1 . Aplica Unidades de Avaliação NAC 2 . Calcula o NAC 3 . ...
<ul><li>Rede Bayesiana e o NAC </li></ul>Sem Evidências
<ul><li>Rede Bayesiana e o NAC </li></ul>Primeira Evidência
<ul><li>Rede Bayesiana e o NAC </li></ul>Segunda Evidência
<ul><li>Conclusão </li></ul><ul><ul><li>É possível utilizar o NAC como evidência de uma Rede Bayesiana; </li></ul></ul><ul...
<ul><li>J. Bennedsen , M. E. Caspersen, Teaching Object-Oriented Programming - Towards Teaching a Systematic Programming P...
<ul><li>M. K. Stern, J. E. Beck & B. P. Woolf,  Naive Bayes Classifiers for User Modeling Proceedings of the Conference on...
<ul><li>Pimentel, E. P. & Omar, N. Formative Assessment in Distance Learning Education with Cognitive and Metacognitive Me...
<ul><li>H.  Matos, P. N. Mustaro,  MILO – A proposal of Multiple Intelligences Learning Objects, Mackenzie Presbyterian Un...
<ul><li>FIM </li></ul>
<ul><li>Adendos </li></ul>
<ul><li>Introdução </li></ul><ul><ul><li>Influências sobre o desempenho do estudante: </li></ul></ul>Fonte: (ONG; RAMACHAN...
<ul><li>Introdução </li></ul><ul><ul><li>Influências sobre o desempenho do estudante: </li></ul></ul>Foco deste  trabalho ...
<ul><li>Nível de Aquisição de Conhecimento </li></ul><ul><ul><li>Unidade de Avaliação (UA) </li></ul></ul>Fonte: Pimentel ...
<ul><li>Rede Bayesiana (RB) </li></ul><ul><ul><li>‘ Representação compacta de uma tabela de conjunção de probabilidades do...
<ul><li>Rede Bayesianas </li></ul>Ex. 1 Ex. 2 Ex. 3 Ex. 1 Ex. 2 Ex. 3 Sabe instanciar objeto Sabe instanciar objeto Deduçã...
<ul><li>Rede Bayesiana e o NAC </li></ul><ul><ul><li>“ O arranjo da seqüência instrucional, de certa forma, deveria obedec...
<ul><li>Introdução </li></ul><ul><ul><li>O que distingue STI de CAI  (WOOLF, 2009, p. 30)   </li></ul></ul>Generatividade ...
<ul><li>Referencial Teórico </li></ul><ul><ul><li>Eckerdal (2006): Alunos que conseguem relacionar OO com mundo real tem m...
<ul><li>Introdução </li></ul><ul><ul><li>Adaptabilidade e Adaptatividade </li></ul></ul>(OPPERMANN, KINSHUK, 1997) Adaptat...
<ul><li>Sistemas Tutores Inteligentes </li></ul><ul><ul><li>Devem se adaptar ao estilo... </li></ul></ul>(MUSTARO, ISMAR F...
<ul><li>Mustaro, Ismar Frango, 2006  </li></ul>
<ul><li>Dimensões da adaptação </li></ul>Estilos (Kolb) Estilos (Felder) Inteligência (Gardner) Conhecimento Objeto de  Ap...
<ul><li>STI tem que se adaptar ao aprendiz </li></ul>Estilos (Kolb) Estilos (Felder) Inteligência (Gardner) Conhecimento F...
<ul><li>Fluxo clássico de um Sistema de Aprendizagem </li></ul>
<ul><li>Exemplo de cálculo de uma RB </li></ul>True False 0,6 0,4 True False 0,7 0,3 A D B=True B=False True True 0,98 0,0...
<ul><li>Exemplo de cálculo de uma RB </li></ul>A D B C True False 0,6 0,4 True False 0,7 0,3 A D B=True B=False True True ...
<ul><li>Exemplo de cálculo de uma RB </li></ul>A D B C True False 0,6 0,4 True False 0,7 0,3 A D B=True B=False True True ...
<ul><li>Exemplo de cálculo de uma RB </li></ul>A D B C True False 0,6 0,4 True False 0,7 0,3 A D B=True B=False True True ...
<ul><li>Exemplo de cálculo de uma RB </li></ul>A D B C True False 0,6 0,4 True False 0,7 0,3 A D B=True B=False True True ...
<ul><li>Exemplo de cálculo de uma RB </li></ul>A D B C True False 0,6 0,4 True False 0,7 0,3 A D B=True B=False True True ...
<ul><li>Exemplo de cálculo de uma RB </li></ul>A D B C True False 0,6 0,4 True False 0,7 0,3 A D B=True B=False True True ...
<ul><li>Exemplo de cálculo de uma RB </li></ul>A D B C True False 0,6 0,4 True False 0,7 0,3 A D B=True B=False True True ...
<ul><li>Exemplo de cálculo de uma RB </li></ul>A D B C True False 0,6 0,4 True False 0,7 0,3 A D B=True B=False True True ...
<ul><li>Exemplo de cálculo de uma RB </li></ul>A B C D=T D=F True True True 0,37044 0,1764 True True False 0,04116 0,0196 ...
<ul><li>Exemplo de cálculo de uma RB </li></ul>A B C D=T D=F True True True 0,37044 0,1764 True True False 0,04116 0,0196 ...
<ul><li>Exemplo de cálculo de uma RB </li></ul>A B C D=T D=F True True True 0,37044 0,1764 True True False 0,04116 0,0196 ...
<ul><li>Trabalhos Futuros </li></ul><ul><ul><li>Validação do modelo com um maior número de casos; </li></ul></ul><ul><ul><...
Próximos SlideShares
Carregando em…5
×

Como obter Evidências de Conhecimento em um Modelo de Estudante baseado em Rede Bayesiana

729 visualizações

Publicada em

Esta apresentação contém um resumo do artigo apresentado no CISTI'2010, 5ª Conferência Internaciona de Tecnologias da Informação, em Santiago de Compostela, Junho/2010.

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

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
729
No SlideShare
0
A partir de incorporações
0
Número de incorporações
3
Ações
Compartilhamentos
0
Downloads
1
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Como obter Evidências de Conhecimento em um Modelo de Estudante baseado em Rede Bayesiana

  1. 1. Como Obter Evidências de Conhecimento em um Modelo de Estudante baseado em Rede Bayesiana Samuel Lima Orientadora: Prof a . Drª. Sandra Stump Universidade Presbiteriana Mackenzie 5ª Conferência Ibérica de Sistemas e Tecnologia da Informação Junho de 2010 [email_address]
  2. 2. <ul><li>Agenda </li></ul><ul><ul><li>Introdução </li></ul></ul><ul><ul><li>Modelando o Conhecimento com uma RB </li></ul></ul><ul><ul><li>Nível de Aquisição de Conhecimento (NAC) </li></ul></ul><ul><ul><li>Proposta: Rede Bayesiana e o NAC </li></ul></ul><ul><ul><li>Conclusão </li></ul></ul>
  3. 3. <ul><li>Introdução </li></ul><ul><ul><li>Sistema Tutor Inteligente (STI): tratamento individual ao aprendiz, relacionando “a instrução com o entendimento das metas e crenças do aluno” (GAVIDIA; ANDRADE, 2003, p.7) . </li></ul></ul><ul><ul><li>Objeto deste trabalho </li></ul></ul><ul><ul><ul><li>Propor uma forma de obter evidência para uma Rede Bayesiana que modela o conhecimento do estudante. </li></ul></ul></ul>
  4. 4. <ul><li>Modelando o Conhecimento com uma RB </li></ul>Estados estilo FUZZY, inspirados no sistema HIDRIVE de MISLEVY e GITOMER (1995)
  5. 5. <ul><li>Nível de Aquisição de Conhecimento </li></ul><ul><ul><li>Pimentel (2006) </li></ul></ul><ul><ul><ul><li>Propõe um Modelo para Avaliação Contínua e Acompanhamento da Aprendizagem; </li></ul></ul></ul><ul><ul><ul><li>NAC – “uma medida que indica o grau de conhecimento do aprendiz em um determinado conteúdo, de um domínio de conhecimento, naquele instante” (p. 128); </li></ul></ul></ul><ul><ul><ul><li>Unidade de Avaliação (UA)  Objetivos  Conceitos (p. 132); </li></ul></ul></ul>
  6. 6. <ul><li>Nível de Aquisição de Conhecimento </li></ul><ul><ul><li>Unidade de Avaliação (UA) </li></ul></ul>Fonte: Pimentel (2006, p. 132)
  7. 7. <ul><li>Nível de Aquisição de Conhecimento (NAC) </li></ul>Fonte: Pimentel (2006, p. 129) CONCEITO T0 T1 T2 T3 T4 T5 T6 T7 T8 T9 T10 A 0,0 0,5 0,7 0,4 0,8 0,4 0,8 0,8 1,0 0,9 0,9 B 0,5 0,2 0,5 0,5 0,4 0,5 0,5 0,7 0,6 0,7 0,8 C 0,7 0,7 0,8 0,9 0,9 1,0 1,0 1,0 1,0 1,0 1,0 D 0,0 0,2 0,0 0,3 0,1 0,3 0,2 0,2 0,4 0,3 0,4
  8. 8. <ul><li>Proposta: Rede Bayesiana e o NAC </li></ul>UA1 UA2 UA3 1 . Aplica Unidades de Avaliação NAC 2 . Calcula o NAC 3 . Classifica o NAC e obtém evidência 4 . Insere a evidência na Rede Bayesiana De 0,8 a 1,0 Bom De 0,5 a 0,7 Médio De 0,0 a 0,4 Fraco Criando Objeto Bom 100% Médio Fraco
  9. 9. <ul><li>Rede Bayesiana e o NAC </li></ul>Sem Evidências
  10. 10. <ul><li>Rede Bayesiana e o NAC </li></ul>Primeira Evidência
  11. 11. <ul><li>Rede Bayesiana e o NAC </li></ul>Segunda Evidência
  12. 12. <ul><li>Conclusão </li></ul><ul><ul><li>É possível utilizar o NAC como evidência de uma Rede Bayesiana; </li></ul></ul><ul><ul><li>Uma RB pode ser utilizada para auxiliar a sequenciar o conteúdo se modelada adequadamente; </li></ul></ul>
  13. 13. <ul><li>J. Bennedsen , M. E. Caspersen, Teaching Object-Oriented Programming - Towards Teaching a Systematic Programming Process Eighth Workshop on Pedagogies and Tools for the Teaching and Learning of Object-Oriented Concepts, 18th European Conference on Object-Oriented Programming, ECOOP, 2004, 14-18 </li></ul><ul><li>K. Back, A Laboratory For Teaching Object-Oriented Thinking SIGPLAN Notices, 1989, 24, 1-6 </li></ul><ul><li>A. Eckerdal, &quot;Novice Students' Learning of Object-Oriented Programming&quot;, Licentiate of Philosophy in Computer Science, Dept. Information Technology, UPPSALA Univ., Sweden, 2006. </li></ul><ul><li>J. J. Z. Gavidia, L. C. V. Andrade, Sistemas Tutores Inteligentes, Trabalho de Conclusão da disciplina de IA, UFRJ, Brasil, 2003. </li></ul><ul><li>J. Ong, S. Ramachadran, An Intelligen Tutoring System Approach to Adaptive Instructional Systems Stottler Henke Associates, Inc., 2005 </li></ul><ul><li>B. P. Woolf, Building Intelligent Interactive Tutors: Student-centered strategies for revolutionizing e-learning, Elsevier, 2009. </li></ul>
  14. 14. <ul><li>M. K. Stern, J. E. Beck & B. P. Woolf, Naive Bayes Classifiers for User Modeling Proceedings of the Conference on User Modeling, 1999 </li></ul><ul><li>R. J. Mislevy, D. H. Gitomer, The Role of Probability-Based Inference in an Intelligent Tutoring System, EDUCATIONAL TESTING SERVICE PRINCETON NJ, 1995 </li></ul><ul><li>S. J. Russell, P. Norvik, Artificial Intelligence: a modern approach, Pearson Education, Inc., 2003 </li></ul><ul><li>R. L. Marques, I. Dutra, Redes Bayesianas: o que são, para que servem, algoritmos e exemplos de aplicações , 1999 </li></ul><ul><li>E. P. Pimentel, Um Modelo para Avaliação e Acompanhamento Contínuo do Nível de Aquisição de Conhecimentos do Aprendiz, Instituto Tecnológico de Aeronáutica, São José dos Campos, 2006 </li></ul><ul><li>M. Mayo, A. Mitrovic, Optimising ITS Behaviour with Bayesian Networks and Decision Theory, International Journal of Artificial Intelligence in Education, 2001 , 124-153 </li></ul><ul><li>D. J. Barnes, M. Kolling, Programação Orientada a Objetos com Java: Uma introdução prática usando o BLUEJ, Pearson Education do Brasil, 2004 </li></ul>
  15. 15. <ul><li>Pimentel, E. P. & Omar, N. Formative Assessment in Distance Learning Education with Cognitive and Metacognitive Measurements International Journal of Information and Communication Technology Education, 2008, 4, 49-58 </li></ul><ul><li>Oppermann, R., Rasheve, R., Kinshuk, Adaptability and Adaptavity in Learning Systems, 1997. </li></ul><ul><li>Neto, João José, Um levantamento da evolução da adaptatividade e da tecnologia adaptativa, Escola Politécnica de São Paulo USP, SP, 2007. </li></ul><ul><li>Mustaro, P. N., Frango, I. S, Learning Objects: Adaptative Retrieval through Learning Styles, Mackenzie Presbyterian University, SP, 2006. </li></ul><ul><li>Jones, R., Boyle, T., Learning Object Patterns for Programming, Lodon MetropolitanUniversity, Lodon, UK, 2007. </li></ul><ul><li>Berzal, J. M. & Santos, S. G. Towards sequencing adaptation in hypermedia systems with Bayesian networks, EC-TEL 2009 workshop: Authoring of Adaptive and Adaptable Hypermedia, 2009, Disponível em: http://www.dcs.warwick.ac.uk/~acristea/A3H/camera-ready09/paper5.pdf </li></ul>
  16. 16. <ul><li>H. Matos, P. N. Mustaro, MILO – A proposal of Multiple Intelligences Learning Objects, Mackenzie Presbyterian University, São Paulo, Brazil, 2007. </li></ul><ul><li>R. L. Marques, I. Dutra, Redes Bayesianas: o que são, para que servem, algorítmos e exemplos de aplicações, UFRJ, 2003. Disponível: http://www.cos.ufrj.br/~ines/courses/cos740/leila/cos740/Bayesianas.pdf </li></ul><ul><li>Reye, J, Student Modelling based on Belief Networks, University of Technology, Brisbane, Australia, 2004. </li></ul>
  17. 17. <ul><li>FIM </li></ul>
  18. 18. <ul><li>Adendos </li></ul>
  19. 19. <ul><li>Introdução </li></ul><ul><ul><li>Influências sobre o desempenho do estudante: </li></ul></ul>Fonte: (ONG; RAMACHANDRAN, 2005)
  20. 20. <ul><li>Introdução </li></ul><ul><ul><li>Influências sobre o desempenho do estudante: </li></ul></ul>Foco deste trabalho Conhecimento
  21. 21. <ul><li>Nível de Aquisição de Conhecimento </li></ul><ul><ul><li>Unidade de Avaliação (UA) </li></ul></ul>Fonte: Pimentel (2006, p. 133) Escreva um algoritmo para calcular e imprimir a média entre duas notas que devem ser lidas via teclado. Imprimir também uma mensagem indicando se o aluno foi aprovado ou reprovado, sabendo que para aprovação o aluno deve obter média maior ou igual a 6.0 OBJETIVOS Declarar variáveis Utilizar comandos de entrada de dados Utilizar operadores aritméticos Utilizar comandos de saída de dados Utilizar instrução de desvio simples CONCEITOS Variáveis Entrada de Dados Operadores Aritméticos Saída de Dados Comandos Condicionais
  22. 22. <ul><li>Rede Bayesiana (RB) </li></ul><ul><ul><li>‘ Representação compacta de uma tabela de conjunção de probabilidades do universo do problema” (MARQUES; DUTRA, 1999) . </li></ul></ul>
  23. 23. <ul><li>Rede Bayesianas </li></ul>Ex. 1 Ex. 2 Ex. 3 Ex. 1 Ex. 2 Ex. 3 Sabe instanciar objeto Sabe instanciar objeto Dedução: Indução: (WOOLF, 2009, p. 248, 260) Variáveis observáveis Variáveis não observáveis
  24. 24. <ul><li>Rede Bayesiana e o NAC </li></ul><ul><ul><li>“ O arranjo da seqüência instrucional, de certa forma, deveria obedecer a relação de subordinação entre os conhecimentos sem, no entanto, exigir que um determinado nível seja esgotado para que se atue sobre outros” (PIMENTEL, 2006, p. 118) . </li></ul></ul>
  25. 25. <ul><li>Introdução </li></ul><ul><ul><li>O que distingue STI de CAI (WOOLF, 2009, p. 30) </li></ul></ul>Generatividade Capacidade de gerar problemas e dicas customizadas. Modelo do Estudante Representação e inferência sobre o conhecimento e necessidades do estudante corrente. Modelo do Especialista Representação e aferição do desempenho e capacidade. Iniciativa Mista Iniciar interações e responder às interações iniciadas pelo estudante. Aprendizagem interativa Envolvimento autêntico do estudante. Modelo Instrucional Mudar o rumo conforme as necessidades do estudante. Auto-melhoramento Monitoramento, avaliação e melhoria de seu desempenho
  26. 26. <ul><li>Referencial Teórico </li></ul><ul><ul><li>Eckerdal (2006): Alunos que conseguem relacionar OO com mundo real tem melhor domínio. Diversificar recursos de aprendizagem é melhor; </li></ul></ul><ul><ul><li>Ragonis e Bem-Ari (2005): Alunos possuem concepções diferentes sobre o mesmo conceito; </li></ul></ul><ul><ul><li>Teif e Hazzan (2006): Tempo limitado dos cursos impede aprofundar nos conceitos. Engano na relação classe-objeto; </li></ul></ul><ul><ul><li>Sajaniemi e Kuittinen (2008): OO representa mudança drástica de paradigma. Propõe tópicos a serem pesquisados em relação ao ensino de OO; </li></ul></ul><ul><ul><li>Turner et al (2008): Enganos fundamentais: classe x objeto. Revisão de código pode ajudar na aprendizagem. </li></ul></ul>
  27. 27. <ul><li>Introdução </li></ul><ul><ul><li>Adaptabilidade e Adaptatividade </li></ul></ul>(OPPERMANN, KINSHUK, 1997) Adaptatividade  Capacidade de um sistema se adaptar sem a interferência de qualquer agente externo. (NETO, 2007) Adaptabilidade Necessita que o usuário forneça parâmetros para o sistema de adaptar Adaptatividade O sistema se adapta automaticamente com base no monitoramento do usuário.
  28. 28. <ul><li>Sistemas Tutores Inteligentes </li></ul><ul><ul><li>Devem se adaptar ao estilo... </li></ul></ul>(MUSTARO, ISMAR FRANGO, 2006) <ul><li>...e ao conhecimento do estudante: </li></ul>(PIMENTEL; OMAR, 2008), (MISLEVY; GITOMER, 1995), (WOOLF, 2009) , (REYE, 2004) , etc... Kolb Estilos de aprendizagem: Reflexivo, Ativo, Concreto, Abstrato. Felder Estilos de aprendizagem: Ativo/Reflexivo, Sensorial/Intuitivo, Visual/Verbal, Seqüencial/Global. Gardner Inteligências múltiplas: Lingüística, Lógica-matemática, Musical, Corporal, Visual, Interpessoal, Intrapessoal.
  29. 29. <ul><li>Mustaro, Ismar Frango, 2006 </li></ul>
  30. 30. <ul><li>Dimensões da adaptação </li></ul>Estilos (Kolb) Estilos (Felder) Inteligência (Gardner) Conhecimento Objeto de Aprendizagem customizado ao Estudante. Repositório de OAs requer o uso de objetos bem granulados. (Jones & Boyle, 2007) (Matos, Mustaro, Frango, 2006)
  31. 31. <ul><li>STI tem que se adaptar ao aprendiz </li></ul>Estilos (Kolb) Estilos (Felder) Inteligência (Gardner) Conhecimento Foco desse trabalho
  32. 32. <ul><li>Fluxo clássico de um Sistema de Aprendizagem </li></ul>
  33. 33. <ul><li>Exemplo de cálculo de uma RB </li></ul>True False 0,6 0,4 True False 0,7 0,3 A D B=True B=False True True 0,98 0,02 True False 0,70 0,30 False True 0,54 0,46 False False 0,10 0,90 B C=True C=False True 0,9 0,1 False 0,7 0,3
  34. 34. <ul><li>Exemplo de cálculo de uma RB </li></ul>A D B C True False 0,6 0,4 True False 0,7 0,3 A D B=True B=False True True 0,98 0,02 True False 0,70 0,30 False True 0,54 0,46 False False 0,10 0,90 B C=True C=False True 0,9 0,1 False 0,7 0,3 A B C D=T D=F True True True     True True False     True False True     True False False     False True True     False True False     False False True     False False False    
  35. 35. <ul><li>Exemplo de cálculo de uma RB </li></ul>A D B C True False 0,6 0,4 True False 0,7 0,3 A D B=True B=False True True 0,98 0,02 True False 0,70 0,30 False True 0,54 0,46 False False 0,10 0,90 B C=True C=False True 0,9 0,1 False 0,7 0,3 A B C D=T D=F True True True 0,37044   True True False     True False True     True False False     False True True     False True False     False False True     False False False    
  36. 36. <ul><li>Exemplo de cálculo de uma RB </li></ul>A D B C True False 0,6 0,4 True False 0,7 0,3 A D B=True B=False True True 0,98 0,02 True False 0,70 0,30 False True 0,54 0,46 False False 0,10 0,90 B C=True C=False True 0,9 0,1 False 0,7 0,3 A B C D=T D=F True True True 0,37044 0,1764 True True False     True False True     True False False     False True True     False True False     False False True     False False False    
  37. 37. <ul><li>Exemplo de cálculo de uma RB </li></ul>A D B C True False 0,6 0,4 True False 0,7 0,3 A D B=True B=False True True 0,98 0,02 True False 0,70 0,30 False True 0,54 0,46 False False 0,10 0,90 B C=True C=False True 0,9 0,1 False 0,7 0,3 A B C D=T D=F True True True 0,37044 0,1764 True True False 0,04116   True False True     True False False     False True True     False True False     False False True     False False False    
  38. 38. <ul><li>Exemplo de cálculo de uma RB </li></ul>A D B C True False 0,6 0,4 True False 0,7 0,3 A D B=True B=False True True 0,98 0,02 True False 0,70 0,30 False True 0,54 0,46 False False 0,10 0,90 B C=True C=False True 0,9 0,1 False 0,7 0,3 A B C D=T D=F True True True 0,37044 0,1764 True True False 0,04116 0,0196 True False True     True False False     False True True     False True False     False False True     False False False    
  39. 39. <ul><li>Exemplo de cálculo de uma RB </li></ul>A D B C True False 0,6 0,4 True False 0,7 0,3 A D B=True B=False True True 0,98 0,02 True False 0,70 0,30 False True 0,54 0,46 False False 0,10 0,90 B C=True C=False True 0,9 0,1 False 0,7 0,3 A B C D=T D=F True True True 0,37044 0,1764 True True False 0,04116 0,0196 True False True 0,00588   True False False     False True True     False True False     False False True     False False False    
  40. 40. <ul><li>Exemplo de cálculo de uma RB </li></ul>A D B C True False 0,6 0,4 True False 0,7 0,3 A D B=True B=False True True 0,98 0,02 True False 0,70 0,30 False True 0,54 0,46 False False 0,10 0,90 B C=True C=False True 0,9 0,1 False 0,7 0,3 A B C D=T D=F True True True 0,37044 0,1764 True True False 0,04116 0,0196 True False True 0,00588 0,0588 True False False     False True True     False True False     False False True     False False False    
  41. 41. <ul><li>Exemplo de cálculo de uma RB </li></ul>A D B C True False 0,6 0,4 True False 0,7 0,3 A D B=True B=False True True 0,98 0,02 True False 0,70 0,30 False True 0,54 0,46 False False 0,10 0,90 B C=True C=False True 0,9 0,1 False 0,7 0,3 A B C D=T D=F True True True 0,37044 0,1764 True True False 0,04116 0,0196 True False True 0,00588 0,0588 True False False 0,00252 0,0252 False True True 0,08748 0,0108 False True False 0,00972 0,0012 False False True 0,05796 0,0756 False False False 0,02484 0,0324
  42. 42. <ul><li>Exemplo de cálculo de uma RB </li></ul>A B C D=T D=F True True True 0,37044 0,1764 True True False 0,04116 0,0196 True False True 0,00588 0,0588 True False False 0,00252 0,0252 False True True 0,08748 0,0108 False True False 0,00972 0,0012 False False True 0,05796 0,0756 False False False 0,02484 0,0324
  43. 43. <ul><li>Exemplo de cálculo de uma RB </li></ul>A B C D=T D=F True True True 0,37044 0,1764 True True False 0,04116 0,0196 True False True 0,00588 0,0588 True False False 0,00252 0,0252 False True True 0,08748 0,0108 False True False 0,00972 0,0012 False False True 0,05796 0,0756 False False False 0,02484 0,0324
  44. 44. <ul><li>Exemplo de cálculo de uma RB </li></ul>A B C D=T D=F True True True 0,37044 0,1764 True True False 0,04116 0,0196 True False True 0,00588 0,0588 True False False 0,00252 0,0252 False True True 0,08748 0,0108 False True False 0,00972 0,0012 False False True 0,05796 0,0756 False False False 0,02484 0,0324
  45. 45. <ul><li>Trabalhos Futuros </li></ul><ul><ul><li>Validação do modelo com um maior número de casos; </li></ul></ul><ul><ul><li>Encontrar uma classificação adequada do NAC para atualizar a RB; </li></ul></ul><ul><ul><li>Uso de técnicas de datamining sobre o NAC (PIMENTEL; OMAR, 2008) para ajustes ou construção da RB; </li></ul></ul><ul><ul><li>Rede Bayesiana e a ontologia proposta por Pimentel (2006). </li></ul></ul>

×