Proposta detesecicero atualizada_01012015

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
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
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
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
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
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
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
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.

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
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
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
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
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
 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
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
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
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
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
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).
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
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 6) 5 *Item 16) 2
*Item 8) 1 *Item 18) 1
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
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.
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
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.
5 22 32
10 25 36
25 30 44
50 34 50

24
75 39 58
90 42 62
95 45 66
M = 34,0
DP = 6,6
Tabela 5: Normas de afeto negativo para homens.
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)
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
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.
Percentil Escores Brutos Escores T
10 11 35
5 9 32

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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
Figura 8: Cruzamento de cromossomos de dois pais para produzir duas proles.
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
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.
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
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.
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
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.
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

46
a execução parasse. Caso contrário, o algoritmo continuará a executar, mas não encontrará
qualquer solução melhor. Ainda para este autor, foi necessária apenas uma etapa para que
se chegasse à solução ótima, a partir de uma configuração aleatória. Em muitos casos, AGs
produzem rapidamente soluções ótimas ou quase ótimas para problemas combinatórios que,
de outra forma, seriam impossíveis de se resolver (Coppin, 2013).
2.6 Mineração de Dados
De acordo com Deogun et al. (1997), fica difícil para a capacidade humana analisar
conjuntos enormes de dados e encontrar relações significativas entre eles, que não eram
previamente conhecidas, embora sejam potencialmente úteis. Por isso, o processo de
Mineração de Dados (do inglês Data Mining) pode ajudar a encontrar informações que
valem “ouro”.
Segundo Lin e Cercone (1997), mineração de dados é um processo de explorar e
analisar banco de dados, buscando identificar regras, padrões ou desvios; é um processo
para a extração de informações implícitas, previamente desconhecidas e potencialmente
úteis, a partir de grandes bases de dados, por meio de técnicas eficientes para a descoberta
de conhecimento (do inglês Knowledge Discovery Database - KDD.
O campo de mineração de dados é uma área que pode contribuir na descoberta de
conhecimento que é potencialmente útil, através de algoritmos e ferramentas que processam
esses dados de forma a buscar correlações importantes entre eles (Fayyad et al., 1996) e
tem sido objeto de estudos interdisciplinares, envolvendo, principalmente, as áreas de
Estatística, Inteligência Artificial e Banco de Dados.
Para a área de Banco de Dados, mineração de dados é o processo de descoberta de
conhecimento interessante a partir de grandes quantidades de dados armazenados em banco
de dados (Han e Kamber, 2006). Para Inteligência Artificial, mineração de dados trata-se de
informação implícita previamente desconhecida e potencialmente útil a partir de dados
(Witten e Frank, 2005). Para a Estatística, mineração de dados é a análise de conjuntos de
dados para encontrar relacionamentos inesperados e para resumir os dados em novas
formas que sejam compreensíveis e úteis para o proprietário de dados (Hand et al., 2001).
2.6.1 Etapas do processo de descoberta de conhecimento
Conforme Fayyad et al. (1996), para que o processo de descoberta de conhecimento
ocorra são demandadas etapas pré e pós a mineração de dados. A Figura 10 ilustra tais
etapas e em seguida, as mesmas são descritas.

47
Figura 10: Etapas para Descoberta de Conhecimento
Fonte: Adaptação de Fayyad et al. (1996).
A partir da Figura 10, temos:
Seleção de dados: A seleção de dados é a base de toda a descoberta de conhecimento e está
relacionada ao estudo dos dados que se tem disponível na base de dados.
Pré-processamento: Envolve as etapas conhecidas como qualificação de dados, que são:
a) Padronização: ajustamento de dados a normas pré-definidas para uniformizar a forma de
representação dos mesmos;
b) Verificação: corrigir ou retirar dados inconsistentes;
c) Enriquecimento: acrescentar dados a registros incompletos da base de dados;
d) Duplicação: retirar dados duplicados;
e) Unificação: agrupar dados que, originalmente, podem estar distribuídos, obtendo uma
visão única;
f) data warehouse (DW): banco de dados para consultas, armazenando dados históricos
consolidados, oriundos de diversas fontes e não operacionais (Inmon, 2002);
g) OLAP (On-line Analyptical Process): ferramentas de consulta que facilitam as consultas
a DW multidimensionais, mas não possuem a característica de descobrir informações
ocultas no mesmo.

48
Transformação: Transforma dados pré-processados em formatos adequados aos
algoritmos e ferramentas de mineração utilizadas: arquivos CSV, ARFF, dentre outros;
Mineração de Dados: Para Kampff (2009), o processo de mineração de dados é realizado
através de dois grupos de tarefas. A saber: (i) descoberta direta de conhecimento e (ii)
descoberta indireta de conhecimento. A descoberta direta de conhecimento refere-se às
tarefas em que se define um foco, um campo de dado, e se espera que a mineração explique
como os demais se relacionam a ele; suas principais tarefas são as que seguem:
Classificação: Consiste em associar, a partir de classes determinadas, cada registro de
dados a uma delas;
Estimativa: Ao contrário da classificação, lida com valores numéricos contínuos, estimando
um valor; na educação, poderia se estimar a nota final do aluno a partir do desempenho em
um grupo de tarefas já entregues;
Descrição: Busca encontrar explicações para determinados fatos; exemplo: o fato de
mulheres terem uma expectativa de vida mais alta do que os homens.
Quanto a descoberta indireta do conhecimento, esta busca encontrar relações a partir
do cruzamento entre todos os dados disponível, no intuito de localizar padrões, relações
novas e úteis; por meio da clusterização (agrupamento), busca-se distribuir os variados
dados analisados (heterogêneos) em grupos com características similares (mais
homogêneas) (Han e Kamber, 2006).
2.6.2 Componentes de mineração
Para De Amo (2004), é importante distinguir o que é uma tarefa e o que é uma
técnica de mineração. Para este autor, a tarefa consiste na especificação do que estamos
querendo buscar nos dados, que tipo de regularidades ou categoriais de padrões temos
interesse em encontrar, ou que tipo de padrões poderiam nos surpreender (por exemplo, um
gasto exagerado de um cliente de cartão de crédito, fora dos padrões usuais de seus gastos).
A técnica de mineração consiste na especificação de métodos que nos garantam como
descobrir os padrões que nos interessam. Dentre as técnicas de mineração de dados,
Kampff (2009) descreve as que seguem:
Árvore de Decisão: É uma técnica que se adapta bem a tarefas de classificação, com boa
visualização das características que impactam em cada classe. Consiste na ação de um
algoritmo sobre a árvore na fase de aprendizagem que, a partir do campo de saída (classe),
apresentado em suas folhas, localiza outro campo, fortemente relacionado à classe e o
coloca na raiz (topo da árvore). Novos nós são colocados na árvore (formando ramos)
conforme sejam mais relacionadas com a raiz, de forma encadeada; campos não-
determinados são desprezados na construção da árvore. A representação da árvore de
decisão pode ser gráfica ou textual, podendo ser traduzida em regras do tipo:

49
se <condição> então <classificação>
Regras de classificação: Tem por objetivo encontrar algum relacionamento entre os
atributos e uma classe, gerando uma regra, a fim de predizer a classe de um novo registro.
Uma regra é inferida a partir de Ct – {atributo_ct} U atributo_de_classificação_o_ct =
, que é representado por:
SE <condição> ENTÃO <classificação>, onde:
<condição> é um conjunto de termos <atributo_ct  valor>,
 = {“=”, “<”, “>”, “≤”, “≥”, “≠”},
<classificação> é um termo <atributo_de_classificação_ct  valor}
Regras de Associação: São algoritmos que têm por objetivo encontrar relações entre dados
que ocorrem com determinada frequência e que possam ser utilizados para identificar
padrões de comportamentos.
Clusterização: É uma técnica que busca descobrir conhecimento de forma indireta, a partir
da identificação de grupos de dados com características semelhantes, identificar
agrupamentos de dados que podem ser classificados em uma classe comum descoberta
através de algoritmos com base estatística, procurando estabelecer os elementos centroides
de cada cluster (Berry e Linoff, 1997).
2.6.3 Ferramentas de mineração de dados
Segundo Romero et al. (2008), existe uma variedade de ferramentas de mineração
de dados e frameworks que são de uso geral e específico, sendo que algumas dessas
ferramentas são comerciais, como DBMiner, SPSS, Clementine, DB2 Intelligent Miner, e
outras são de domínio público com o Weka, Kell e RapidMiner (Romero et al., 2008).
Para Hall et al. (2009), o WEKA (do inglês Waikato Environment for Knowledge
Analyis) é um software desenvolvido pelo grupo de aprendizado de máquina da
Universidade de Waikato e tem por objetivo fornecer uma ampla coleção de algoritmos de
aprendizado de máquina que resolvam problemas de Data Maning. Os algoritmos podem
ser aplicados diretamente sobre um conjunto de dados ou o programa pode ser executado a
partir de um código Java.
O ambiente WEKA contém ferramentas para dados pré-processados com suporte a
tarefas de classificação, regressão, agrupamento, regras de associação e visualização e
trabalha com arquivos no formato ARFF (Formato de arquivo atributo-relação) e
corresponde a um arquivo de texto ASCII que descreve uma lista de instâncias
compartilhando um conjunto de atributos. Esse tipo de arquivo possui duas seções. Já o
RapidMiner foi desenvolvido pela Unidade de Inteligência Artificial da Universidade de
Dortmund (Alemanha) em 2002, tendo sua primeira versão de código-livre e aberto, sob a
licença GPL (Licença Pública Geral, do inglês General Public License) lançada em 2004.

50
A referente ferramenta cobre uma ampla faixa de tarefas de mineração de dados,
oferecendo diversos algoritmos que trabalham com combinações de operadores,
demandando que o seu utilizador inclua aqueles necessários à tarefa que pretende realizar
(Kampff, 2009).
2.7 Trabalhos Relacionados
Nesta seção serão descritos alguns trabalhos relacionados com a referente proposta
de tese, a partir dos quais serão considerados e descritos aspectos importantes para esta, tais
como: a) abordagens, b) objetivos, c) técnicas de modelagem e inferências, d) Arquiteturas,
e) técnicas de implementação e f) Metodologias de validação. O objetivo de avaliar tais
aspectos, nos referidos trabalhos, é de descobrir qual(is) destas pesquisas relacionadas irá
impactar e/ou agregar mais aporte teórico e empírico para a referente proposta de tese. Os
trabalhos relacionados serão apresentados e descritos a nível do Brasil e do mundo, de
forma para que este pesquisador e autor da referente proposta de tese tenha uma maior
visibilidade para nortear o desenvolvimento de sua pesquisa de tese.
A seção não tem a pretensão de constituir-se em um "estado da arte" sobre trabalhos
relacionados, sendo possível, inclusive, que não inclua resultados de investigações
consideradas fundamentais por outros colegas pesquisadores. Devido à extensão da
produção relacionada ao assunto, sua revisão exaustiva seria infindável. Assim, este
pesquisador apresenta dados de estudos considerados metodologicamente sólidos e
teoricamente relevantes que foram reunidos com o objetivo de resumir e divulgar, pelo
menos em parte, o conhecimento já produzido e publicado a nível de Brasil e mundo sobre
a importância da formação de grupos otimizados para a aprendizagem colaborativa apoiada
por computador.
2.7.1 No Brasil
O trabalho de Prola:
Prola (2003)5
propôs um ambiente educacional que privilegia a colaboração como
forma de interação, de forma a subsidiar a formatação de ações para a modelagem de um
agente pedagógico animado utilizado para interagir com os alunos no ambiente de ensino e
aprendizagem. A modelagem das decisões para estratégias de atuação do agente, a partir de
fatores relevantes de interação entre grupos de estudantes, foi obtida nos arquivos de logs
gerados no final de algumas discussões na ferramenta de Chat. Para alcançar seus
objetivos, Prola (2003) lançou mão de uma ferramenta computacional desenvolvida por
Jaques (1999), um scanner, sistema este que rastreia as mensagens trocadas em uma sessão
de Chat, para que a partir dos logs de interação, fossem feitas estatísticas que pudessem
modelar o perfil de cada aluno em Interessado, Participativo ou Colaborativo.
5 Dissertação de Mestrado (DM)

51
O trabalho de Silveira:
Silveira (2006)6
aborda a formação de grupos colaborativos em um Ambiente
Multiagente Interativo de Aprendizagem (AMIA) na Web, através da utilização de
Inteligência Artificial (IA). O projeto AMIA tem como objetivo geral propor um modelo de
formação continuada que contemple a questão da inclusão e do uso das novas tecnologia ao
processo educativo, através de um ambiente virtual adaptativo, promovendo a construção
cooperativa de conhecimento. Segundo este autor, um dos subprojetos que compõem o
projeto AMIA envolve a utilização de agentes em ambientes adaptativos de ensino e
aprendizagem, tendo como principais objetivos a definição de uma arquitetura de agentes
adaptativos, que modifiquem o ambiente de acordo com as características extraídas do
modelo de aluno (nível de conhecimento, objetivos, planos, capacidades, atitudes e
crenças). O trabalho apresenta a definição e implementação de uma arquitetura de agentes
modelados com algoritmos genéticos, integrada ao AVA TelEduc. De acordo com este
autor, a utilização do ambiente TelEduc se deve ao fato que a arquitetura de agente
implementada está integrada ao Projeto AMIA. Em seu trabalho, Silveira (2006) descreve o
funcionamento de cada um dos agentes e a plataforma de desenvolvimento. Finalizando sua
pesquisa, apresenta o foco da mesma, a formação de grupos colaborativos, através da
implementação e validação do agente forma grupo colaborativo. Este agente,
implementado através de um algoritmo genético, permite a formação de grupos
colaborativos seguindo critérios estabelecidos pelo professor. Para validar seu trabalho,
Silveira (2006) lançou mãos de um Estudo de Caso, a partir do qual utilizou o agente
implementado na formação de grupos colaborativos em quatro turmas de curso superiores
de informática, na região metropolitana de Porto Alegre, em disciplinas que envolvia o
ensino de programação de computadores.
O trabalho de Quarto:
Quarto (2006)7
inferiu fatores sócio-afetivos de alunos em interação com um AVA
(plataforma virtual IP-TV/UNIVIMA), tais como Capacidade de Cooperação, Liderança,
Personalidade, Afinidade Social e Tamanho de Grupo, com o propósito de potencializar a
aprendizagem colaborativa. Para a inferência do fator Capacidade de Cooperação, este
autor propôs uma arquitetura cujo objetivo é de modelar o perfil do aluno em
Desinteressado, Participativo ou Colaborativo. A arquitetura computacional proposta é
composta de três elementos básicos, que são: Logs de chat, Analisador léxico e Palavras-
chave/Domínio de conhecimento. Para as inferências dos fatores Liderança e Personalidade,
Quarto (2006) lançou mãos da Escala de Avaliação Roger Verdier, baseada em Heyman Le
Sene (Justo, 1966), a qual concebe a Personalidade do indivíduo a partir dos fatores básicos
do caráter Emotividade, Atividade e Repercussão. Esta Escala foi implementada
computacionalmente e publicada a nível mundial por Filho et al. (2011). Uma dos
resultados obtidos por Quarto (2006) foi que grupos de alunos com perfis sócio-afetivos
6 Tese de Doutorado (TD)

52
heterogêneos fomentam eficazmente a colaboração de grupo em ambientes colaborativos
apoiados por computador, os denominados CSCL (acrônimo de Computer Supported
Collaborative Learning). Já grupos formados com fatores sócio-afetivos afins não
alcançaram índices de colaboração desejados. Para inferir o fator sócio-afetivo Afinidade
Social, Quarto (2006) aplicou um teste sociométrico, que constava das perguntas-respostas:
a) Com quem gostou mais de trabalhar e por quê? e b) Com quem menos gostou de
trabalhar e por quê? Já para a inferência do fator social Tamanho de Grupo, Quarto (2006)
atenta que este fator não é inferido e sim deixado para o professor decidir, porém a
referência PUC/RJ - Certificação Digital No
0115649/CA, trabalho e aprendizagem em
grupo, Cap. 2 chegou ao número ideal de 12 a 18 participantes para evitar a monotonia e o
excesso de participação.
O trabalho de Lima:
Lima (2006)8
propôs uma abordagem baseada em algoritmos genéticos para a
resolução do problema da formação de grupos para a aprendizagem cooperativa apoiada
por computador. Nesta abordagem o problema é definido como uma tarefa de otimização
na qual este autor pretendia otimizar a qualidade dos grupos formados para aplicação do
modelo cooperativo de ensino e aprendizagem utilizados em ambientes computadorizados.
Ainda para este autor, esta qualidade está sujeita a fatores pedagógicos que podem ser
estabelecidos pelo modelo pedagógico do ambiente de aprendizagem e são levadas em
questão pelo método de formação proposto. Em seu trabalho, Lima (2006) avalia a
utilização da abordagem proposta aplicando-a no ambiente de ensino e aprendizagem
NetClass, absorvido pela Universidade Federal do Maranhão (UFMA). Lima (2006)
considera que para se adotar a formação otimizada de grupos é necessário, primeiramente,
definir os fatores pedagógicos que serão aplicados como critérios para a formação dos
grupos. Assim, foram definidos dois fatores pedagógicos a serem aplicados no AVA
NetClass/UFMA: um baseado no perfil dos alunos (capacidade de cooperação, capacidade
de liderança e grau de conhecimento), onde o professor é responsável por definir quais os
agrupamentos aceitáveis em função deste perfil. E o outro baseado na coesão estabelecida
pelo uso de testes sociométricos, que levam em conta as preferências de agrupamento dos
alunos. Dessa forma, os critérios definidos visam contemplar a satisfação tanto dos
professores quanto dos alunos no que diz respeito aos agrupamentos formados.
Respectivamente, Lima (2006) nomeou estes fatores como "perfil aceitável de um grupo"
e "coesão sociométrica".
O trabalho de Boff:
Boff (2008)9
propôs um modelo computacional probabilístico de conhecimento e
raciocínio para um agente chamado Agente Social, que faz parte do ambiente AMPLIA
(Ambiente Multiagente Probabilístico Inteligente de Aprendizagem), cujos principais
9 Tese de Doutorado (TD)

53
objetivos são: a) analisar o perfil dos alunos considerando aspectos individuais, tais como
estado afetivo, questões psicológicas e cognitivas e b) composição de grupo de trabalho em
função da coesão. O raciocínio do agente é baseado em ontologias. Para incorporar a
consciência social em maior profundidade ao agente, a pesquisadora projetou para tal
agente o fator afetivo personalidade. O AMPLIA foi desenvolvido para dar suporte ao
aprendizado da área médica, como diagnósticos. Para inferir o estado emocional de um
estudante, baseado em suas ações no sistema, Boff utilizou Redes Bayesianas (RBs). Na
modelagem do perfil social do estudante, Boff considerou variáveis, tais como: a) início de
uma comunicação, b) resposta para iniciar uma comunicação, c) grau de aceitação e d)
liderança. Segundo esta autora, o AMPLIA usa a abordagem de RBs onde os alunos
constroem suas próprias redes para um problema apresentado pelo sistema através de um
editor gráfico de RB. Em seu trabalho, Boff (2008) expandiu o editor de RB do AMPLIA
para uma versão colaborativa, que permite a construção das RBs por vários alunos remotos
conectados ao sistema e conclui que é através deste editor que o Agente Social observa e
interage com os alunos sugerindo a composição dos grupos.
O trabalho de Lima et al.:
Lima et al. (2008)10
utiliza uma abordagem de algoritmos genéticos para formação
de grupos colaborativos, através de inferências de fatores sócio-afetivos como Capacidade
de Cooperação, Personalidade, Liderança e Afinidade Social. A inferência do fator
Capacidade de Cooperação consistiu na análise manual dos logs de chat, de forma a obter
os níveis de Capacidade de Cooperação dos estudantes. Para essas inferências, foi adotada a
metodologia de identificação do objetivo das frases no processo de interação entre os
estudantes, o seja, verificar se a frase trocada na interação entre os estudantes continha
valor semântico que pudesse agregar ou gerar conhecimentos ao processo ensino e
aprendizagem ou verificar se as frases incluíam apenas respostas curtas tipo "sim" ou
"não", "isto", "isto mesmo", "isso", "isso mesmo", dentre outras e com isso saber mais
sobre a participação do estudante em cooperar nas sessões de ensino e aprendizagem
colaborativo. Através desta metodologia, os estudantes foram classificados em
Desinteressados, Participativos e Colaborativos. Para Lima et al. (2008), estudantes
desinteressados são àqueles que menos interagem no sistema ou que não participam das
atividades de ensino. Estudantes participativos são os que interagem no sistema, porém não
de forma a incentivar ou fomentar a participação dos outros colegas, corroborando
Dillenbourg (1999), que o grau de interatividade não é definido pela frequência de
interações, mas pela extensão para a qual estas interações influenciam processos cognitivos
para o grupo. Já estudantes colaborativos eram os que interagiam e incentivavam ao mesmo
tempo a participação colaborativa dos outros estudantes. São estudantes que elucidam
conhecimentos, interiorizavam, reduziam carga de conhecimentos, resolviam problemas de
forma compartilhada. Para as inferir os estudantes em desinteressados, participativos e
colaborativos, Lima et al. (2008) criou variáveis matemáticas, tais como nAulas, nAlunos,
CAPij, CACij, NTPij e NTCij, onde:
10 Publicação do mestrado (PB)

54
nAulas: número de aulas;
nAlunos: número de alunos;
CAPij: contador de aulas em que o estudantes participou;
CACij: contador de aulas em que o estudante colaborou;
NTPij: número total de participações
NTCij: número total de colaborações do estudante
Para inferir os fatores sócio-afetivos Personalidade e Liderança, Lima et al. (2008)
utiliza o Teste de Carater Roger Verdier. O teste é composto por quinze questões onde o
indivíduo (estudante) deve responder Sim ou Não às mesmas. Ao final, procede-se a
mensuração do escore total do estudante e a partir deste, infere-se o seu temperamento,
podendo ser instável, melancólico, líder, social, amorfo, apático, ativo ou fleumático. Para
inferir o fator sócio-afetivo Afinidade Social, Lima et al. (2008) aplicou, após as interações
de grupo, um teste sociométrico constituído por duas perguntas, de modo a avaliar o grau
de satisfação que cada estudante teve em relação ao seu colega de grupo ao longo da
atividade de ensino e aprendizagem. Para validar as inferências dos fatores Capacidade de
Cooperação, Personalidade, Liderança e Afinidade Social, Lima et al. (2008) lançou mãos
de testes de avaliação, cujos os objetivos são: a) averiguar a capacidade de cooperação
entre os membros do grupo, b) averiguar o papel do líder no grupo e sua capacidade de
resolver conflitos e c) avaliar o grau de satisfação de cada estudante em trabalhar (interagir
colaborativamente) com seu colega de grupo.
A abordagem proposta por Lima et al. (2008) para formação de grupos efetivos de
aprendizagem tornou o problema como sendo uma tarefa de otimização, onde estes
pesquisadores pretendiam obter uma distribuição otimizada de grupos para uma
determinada classe de estudantes. Essa tarefa de otimização considerou os resultados das
inferências dos fatores sócio-afetivos descritos acima. Para adotar a formação otimizada de
grupos, utilizando algoritmo genético proposto, Lima et al. (2008) definiu dois fatores
sócio-afetivos que foram aplicados no Estudo de Caso. O primeiro foi baseado no perfil dos
estudantes, onde o professor é responsável por definir quais os agrupamentos aceitáveis em
função deste perfil. O segundo é baseado na afinidade entre os estudantes, considerando-se
seus tipos de temperamentos (traços) determinantes baseados na Escala Roger Verdier.
Lima et al. (2008) chama de perfil do estudante como um resumo das atitudes sociais e
psicológicas ou características de um determinado estudante. De acordo com estes autores,
define-se o perfil do estudante como uma p-tupla <at1
l
, at2
l
, ..., atlp
l
>, onde cada at1
l
1p,
sendo p o número máximo de atributos, é o valor de um atributo do estudante. A esse
conjunto de informações sócio-afetivos, que compõem o perfil dos estudantes dá-se o nome
de modelo afetivo do estudante. Assim, a partir desse modelo, Lima et al. (2008), definiu
uma função perfil do estudante que mapeia estudantes de uma classe C em perfis. Para o
Estudo de Caso, estes autores adotaram um perfil baseado em dois aspectos sócio-afetivos,
sendo eles: Capacidade de Cooperação e Liderança. Para efeito de análise de resultados,
estes autores convencionaram, para os referidos fatores, uma que varia de baixo a alto. Esta
escala de valores para cada uma das características, associada a cada um dos estudantes,
determina quão cooperativo e líder eles são. Os valores baixo, médio e alto apontam

55
claramente qual o grau de cooperação e liderança presentes nos estudantes. Segundo Lima
et al. (2008), o professor, embasado no perfil dos estudantes, pode definir então o que para
ele é um agrupamento ideal. Em outras palavras, o professor deve descrever, em função dos
atributos dos estudantes - capacidade de cooperação e liderança - o que seria um grupo
ideal para a aplicação da aprendizagem colaborativa. Ainda para estes autores, o que se
chama aqui descrever o grupo é determinar que graus de atributos que cada um dos
integrantes dos grupos deveria possuir. Lima et al. (2008) atenta que considerando as
diferenças individuais potencialmente existentes entre os estudantes, nem todos os grupos,
ou até mesmo nenhum, poderiam ser um espelhamento do grupo ideal descrito pelo
professor. Portanto, segundo estes autores, é necessário a definição de um grupo aceitável
que seria como um limite mínimo de aceitação do professor para os agrupamentos.
O trabalho de Filho et al:
Filho et al. (2011)11
propôs uma ferramenta baseada em algoritmo de clutering que,
em conjunto com a interface Web da avaliação Roger Verdier, fornece suporte à formação
de grupos colaborativos afins no ensino superior. De acordo com estes autores, clustering é
uma ferramenta de Mineração de Dados (em inglês, Data Mining), onde ocorre o processo
de separação ou agrupamento de determinado conjunto de padrões em grupos separados,
com os padrões no mesmo cluster sendo iguais e padrões pertencentes a dois clusters
distintos sendo diferentes. Segundo Filho et al. (2011), diversos algoritmos de clustering
têm sido utilizados para agrupamento, dentre eles os algoritmos ISODATA, CLARA,
CLARANS, técnicas de orientação, P. Clusters, DBSCAN, Ejcluster, BIRCH, GRIDCLUS
e K-Means. Para conseguir os resultados almejados, foi criada uma variação do algoritmo
K-Means, que por padrão, demanda a definição prévia do número de clusters e do
posicionamento inicial dos centros dos k-clusters no espaço de atributos (Lopes et al.,
2011). Os principais objetivos da pesquisa de Filho et al. (2011) foram: a) averiguar a
capacidade de colaboração entre os membros dos grupos, b) averiguar se a formação de
grupos afins produz melhores resultados que a formação de grupos espontâneos e c)
averiguar a proporção do número de líderes nos grupos.
O trabalho de Junior et al.:
Junior et al. (2012)12
especificou uma arquitetura híbrida de um Sistema
Multiagente (SMA) sócio-afetivo no auxílio à formação e avaliação de grupos. Para isso,
estes autores definiram as capacidades, bem como as propriedades do SMA proposto, além
da análise de trabalhos relacionados e de inferências matemáticas para determinação de
desempenho de grupos. O SMA projetado é formado por dois agentes: Agente Formador de
Grupos e o Agente Avaliador de Grupos. Segundo os autores, esses dois agentes são
caracterizados pelas propriedades: habilidade social, aprendizagem, flexibilidade e
autonomia. A atividade de formação de clusters do Agente Formador de Grupos foi
11 Iniciação Científica (IC)
12Iniciação Científica (IC)

56
arquitetada de acordo com o algoritmo desenvolvido por Filho et al. (2011) que se baseia
no cubo dos temperamentos utilizado pela caracterologia de René Le Senne (Le Senne,
1963 e Justo, 1966), onde os fatores fundamentais do caráter ou temperamento humano são:
emotividade, atividade e repercussão. Basicamente, o algoritmo de Filho et al. (2011)
forma grupos de alunos baseados tanto na existência de semelhanças (grupos afins) ou na
falta destas (grupos antitéticos) entre suas características sócio-afetivas notáveis.
2.7.2 No Mundo
O trabalho de Wessner e Pfister:
Wessner e Pfister (2001)13
, a formação de grupos em ambientes CSCL ou é feita
manualmente com pouco suporte do sistema, ou o sistema precisa de um modelo elaborado
do domínio da aprendizagem em ordem para selecionar potenciais aprendizes e para formar
grupos de aprendizagem de uma forma pedagogicamente sintonizada. Estes autores
descrevem como o chamado Pontos Pretendidos para a Cooperação (do inglês Intended
Points of Cooperation - IPoCs) podem ser integrados em um curso baseado na Web, bem
como explicam como o sistema pode utilizar o conhecimento sobre o contexto de
colaboração em ordem a fim de formar grupos adequados para a aprendizagem. Estes
autores argumentam que comunicação e colaboração precisam estar integrados dentro dos
cursos baseados na Web, e aprendizagem colaborativa precisa ser apoiada diretamente por
estes sistemas em ordem para benefício totalmente das possibilidades de aprendizagem
baseada em redes. Especialmente quando lida-se com alunos distribuídos, uma questão
crítica para aceitação e bem sucedida colaboração é como os grupos de aprendizagem são
formados, ou seja, quais alunos são selecionados como participante da atividade
colaborativa. Wessner e Pfister (2001) enfatizam a integração da aprendizagem
colaborativa no ambiente de aprendizagem de modo que o conhecimento sobre o contexto
de colaboração possa ser usado para apoiar a colaboração, especialmente formação de
grupo, bem como descrevem como formação de grupo baseado no conhecimento do aluno
no domínio da aprendizagem pode apoiar a aprendizagem em contextos CSCL. Estes
autores, também, descrevem a notação "Pontos de Colaboração (PoC)", bem como sua
taxonomia é proposta, de acordo com o grau em que uma atividade colaborativa é
incorporada na lógica de um curso. O conceito de Pontos Pretendidos para a Cooperação
(IPoCs) é então detalhado em mais profundidade como um componente central da
aprendizagem colaborativa.
Wessner e Pfister (2001) abordam que a formação de grupos de alunos para
aprendizagem pode ocorrer de fora do sistema ou de dentro do sistema. Para estes autores,
se o grupo de alunos é formado de fora do sistema, os usuários têm de informar ao sistema
quem pertence a cada grupo. Do contrário, se a formação de grupo é feita de dentro do
sistema, se o sistema apoia os usuários para uma certa extensão no processo de
identificação dos alunos quem pertence a um grupo específico. Wessner e Pfister (2001)
13 Artigo científico (AC)

57
explicitam que o foco da pesquisa é para a formação de grupo a partir do sistema. Para
tanto, ainda segundo os mesmos autores, esta formação de grupo pode se dar: (i) ao acaso,
(ii) um aluno se autodesigne para um grupo específico, (iii) os alunos são autodesignados
por um instrutor, tutor ou professor e (iv) a designação dos grupos é feita automaticamente
pelo sistema. De acordo com Wessner e Pfister (2001), em geral, formação de grupos
consiste de três fases, a saber: (i) Inicialmente o processo de formação, (ii) Identificando
pares de alunos e (iii) Negociando com os potenciais participantes. A seguir, são descritas
cada fase dessa, segundo a concepção de Wessner e Pfister (2001).
 Fase 1: Uma situação colaborativa pode ser iniciada pelo aluno (ou instrutor) diretamente,
exemplo, em ordem para resolver um problema. Caso contrário, formação de grupo é
induzida e proposta pelo ambiente "inteligente" de aprendizagem para o aluno; aqui o aluno
inicia a formação de grupo por aceitar a proposta.
 Fase 2: O sistema identifica potenciais alunos que satisfaria as exigências para participar
em um grupo junto com o aluno inicializador da atividade colaborativa.
 Fase 3: Nesta fase, o sistema interage com os potenciais pares de alunos (ou outros
agentes) em ordem para determinar a atual aprendizagem de grupo. O potencial par de
alunos pode ambos perguntar quais destes querem participar nesta atividade, ou o sistema
pode designar então para o grupo destituindo-os. Se ambos os alunos não concordarem em
participar, o sistema retorna com a informação acumulando o processo, ou a formação de
grupo é cancelada neste ponto e um apropriado feedback é dado para os alunos.
Leituras futuras:
O trabalho de Dillenbourg:
Over Script CSCL: The risks of blending collaborative learning with instructional design
(Dillenbourg, 2011)
O trabalho de Baker et al.:
The role grounding in collaborative learning tasks (Baker et al., 2010)
A partir da apresentação e descrição dos trabalhos relacionados nesta subseção, a
nível do Brasil e no mundo, este autor buscou medir o fator de impacto (fi) de cada um dos
referidos trabalhos relacionados como referências básicas tanto do ponto de vista teórico
quanto prático para o desenvolvimento de sua proposta de tese. Para tal, este autor destacou
aspectos importantes tais como: a) Abordagens, b) Objetivos, c) Técnicas de modelagem e
inferências, d) Arquiteturas, e) Técnicas de implementação e f) Metodologias de
Validação, de forma a medir o grau de contribuição de cada um destes aspectos na sua
proposta de tese. Para cada um destes aspectos, este autor estabeleceu uma escala de valor
variando de 0 a 5 para mensurar o fi, o qual é a média dos valores atribuídos para cada

58
aspecto importante acima considerado. Esta escala de valores, atribuída para cada um dos
aspectos considerados, determina quão impactante é cada aspecto destes para a referida
proposta de tese. O resultado desta mensuração é mostrado através da Tabela 12 e Figura
11.
Tabela 12: Trabalhos relacionados no Brasil com a referente proposta de tese.
ASPECTOS
CONSIDERADOS
Prola
(DM)
Silveira
(TD)
Quarto
(DM)
Lima
(DM)
Boff
(TD)
Lopes
et al.
(IC)
Lima
et al.
(PM)
Junior
et al.
(IC)
Wessner
e Pfister
(AC)
Abordagens 3 5 5 5 5 5 5 4 3
Objetivos 2 4 5 5 5 5 5 5 3
Técnicas de modelagem e
inferências
3 4 5 5 5 5 5 5
2
Arquiteturas 1 4 2 5 5 5 5 5 1
Técnicas de
implementação
3 4 4 5 5 5 5 5
1
Metodologias de
validação
3 4 5 5 5 5 5 5
1
Fator de Impacto (fi) 3 4 4 5 5 5 5 5 4
Figura 11: Aspectos importantes e Fator de Impacto (fi) dos trabalhos relacionados.
Fonte: O autor.
0% 20% 40% 60% 80% 100%
Prola (DM)
Silveira (TD)
Quarto (DM)
Lima (DM)
Boff (TD)
Filho et al. (IC)
Lima et al. (PM)
Junior et al. (IC)
Wessner e Pfister (AC)
Abordagens
Objetivos
Técnicas de modelagem e
inferências
Arquiteturas
Técnicas de implementação
Metodologias de validação
Fator de Impacto (fi)

59
2.7.3 Análises e discussões
A nível de Brasil, conforme mostra a Figura 9, observa-se que todos os trabalhos
relacionados com a referida proposta de tese agregarão fortemente aporte teórico e
empírico, levando-se em consideração os aspectos Abordagens, Objetivos, Técnicas de
modelagem e inferências, Arquiteturas, Técnicas de implementação, Arquiteturas e
Metodologia de validação. Entretanto, os trabalhos mais fortemente recomendados serão os
de Lima (2006), Boff (2008), Filho et al. (2011), Lima et al. (2008) e Junior et al. (2012).
Dentre as técnicas de modelagem e/ou implementação, pode-se destacar fortemente os
trabalhos de Lima et al. (2008) e Filho et al. (2011), seguido dos trabalhos de Junior et al.
(2012) e Silveira (2006). O trabalho de Boff (2008) é fortemente útil no uso de tecnologias
de agentes no auxilio da aprendizagem colaborativa apoiada por computador. Já o trabalho
de Prola (2003) contribuirá em aspectos de modelagem e inferência do fator capacidade de
cooperação.
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 os desafios, a) a representação dos
alunos e seus grupos, b) a interação entre os aprendizes e c) a distribuição dos mesmos em
grupos. É a partir desta afirmação que esta proposta de tese, alicerçado pelas teorias e
resultados destes trabalhos relacionados, buscará investigar soluções para estes desafios tão
demandados pelos ambientes CSCL.
3. METODOLOGIA DE PESQUISA
3.1 Introdução
A sistemática metodológica a ser utilizada na referente proposta de tese se baseará
em Flick (2013). Para este autor, quatro etapas básicas compõem o desenvolvimento de
uma pesquisa científica, a saber: Orientação, Planejamento e Concepção, Trabalhando
com os Dados e Reflexões e Escrita . De forma sucinta, as respectivas etapas são descritas
a seguir:
Orientação: Busca criar uma base para o projeto de pesquisa. Nesta etapa, questões de
pesquisa, hipóteses e a leitura e revisão da literatura são introduzidos.
Planejamento e Concepção: Nesta etapa, questões como seleção do problema de pesquisa,
caracterização da pesquisa (quantitativa e/ou qualitativa), escolha apropriada dos métodos e
procedimentos para coleta e análise de dados), acesso ao local da pesquisa.
Trabalhando os Dados: Nesta etapa, introduz-se as formas principais de coleta de dados
(questionários, entrevistas, observações e/ou pesquisa documental), análise dos dados
(análise do conteúdo, estatística descritiva e/ou análise interpretativa para dados
qualitativos), estudos de caso.

60
Reflexão e Escrita: Nesta etapa, são descritas questões como avaliação da pesquisa
(avaliar se os métodos são confiáveis e até que ponto os resultados obtidos podem
reivindicar validade e objetividade) , ética (quais problemas éticos devem ser levados em
conta na pesquisa?, quais limites éticos são tocados e como você pode abordar questões
éticas ao realizar o seu projeto de pesquisa social? e a escrita e o uso da pesquisa
(documentar os resultados, mostrar como o pesquisador procedeu durante sua pesquisa,
apresentar os resultados de maneira tal que possa alcançar objetivos específicos e legitimar
a pesquisa de algum modo- mostrando que os resultados não são arbitrários, mas
rigorosamente baseados em dados.
3.2 Arquitetura de sistema proposta
Esta Seção fornece uma visão geral da especificação e descrição da arquitetura de
sistema a ser modelada e implementada, de forma a atender as demandas da referida
proposta de tese. A arquitetura de sistema é constituída dos seguintes componentes: 1)
Professor, 2) Interface, 3) Agente Formador de Grupos (AgFG), 4) Modelo de Aluno, 5)
Componentes de Mineração, 6) AVA e 7) Logs do AVA. A Figura 12 ilustra a arquitetura
geral do sistema proposta e em seguida os referidos componentes são descritos em detalhes.
Figura 12: Arquitetura geral de sistema proposto.
Fonte: o autor.

61
Onde:
Professor: Ator humano responsável pelo planejamento e organização da disciplina no
AVA e gestão de alunos - gerenciar o recebimento de atividades, comentar atividades e dar
retorno (feedback) aos alunos, incentivar a interação entre os alunos, reconfigurar os grupos
de alunos com base nas informações passadas a este pelo AgFG. Na arquitetura, o professor
é responsável em definir o que para ele é um agrupamento ideal. Em outras palavras, o
professor deve descrever, em função das variáveis positivas de autorrelatos - Satisfação de
Vida (SV), Afetos Positivos (AP) e Negativos (AN), Otimismo (O), Esperança (E) e
Autoeficácia (A) - o que seria um grupo ideal para a aplicação da aprendizagem
colaborativa. O que se chama aqui descrever o grupo é determinar que níveis de atributos
que cada aluno dos grupos deveria possuir. Por exemplo, o professor pode definir o grupo
ideal como sendo:
grupo ideal = {a1, a2, a3}, onde:
a1 = {SV: alto, O: alto, A: alto}
a2 = {SV: médio, O: médio, A: médio}
a3 = {SV: médio, O: médio, A: baixo}
Interface: É através da interface que irá ocorrer a interação entre o professor e o AgFG. É
proposto o uso do Framework Web Spring MVC para promover essa comunicação. O
framework MVC (sigla em inglês de Model-View-Controller, ou seja, Modelo-Visão-
Controle) é um padrão de projeto que se aproxima da proposição de uma arquitetura de
software. É um conjunto de classes que colaboram para realizar uma responsabilidade para
um domínio de um subsistema da aplicação. A seguir, são descritas as três camadas do
referido framework.
Camada Modelo: Responsável por representar o domínio da aplicação, ilustrando a
informação que o caracteriza. Em outras palavras, o modelo representa os dados da
aplicação e as regras de negócio que a gerenciam, devidamente encapsuladas.
Camada de Visão: A Camada de Visão (Visualização ou Apresentação) é responsável pelo
contato direto com o usuário (Professor), em geral por meio de interfaces visuais e
conteúdo renderizado. É essa camada que envia os comandos do usuário (Professor) para o
respectivo controlador, sendo capaz de, para isso, acessar dados da arquitetura.
Camada de Controle: Determina o comportamento da aplicação, interpretando as ações do
usuário (Professor) e traduzindo suas ações.
Agente Formador de Grupos (AgFG): O AgFG é responsável pela tarefa de otimização, a
partir do qual busca-se obter uma distribuição de grupo otimizada para uma determinada
classe de estudantes (população). Essa tarefa de otimização considera as mensurações de
varáveis positivas de autorrelatos de alunos. O raciocínio do AgFG é baseado no Algoritmo

62
Genético (AG) especificado e implementado por Lima et al. (2006), o qual será adaptado e
estendido nesta proposta de tese, através desta arquitetura.
Modelo do Aluno: Contém as características individuais do aluno (medidas de variáveis
positivas, tais como Satisfação de Vida (SV), Afetos Positivos (AP) e Afetos Negativos
(AN), Autoestima, Otimismo, Esperança e Autoeficácia), modelos de colaboração dos
alunos em função destes perfis de autorrelatos.
Componentes de Mineração: São um conjunto de métodos (tarefas e técnicas) heurísticos
de mineração de dados (Data Mining) aplicados nos logs do AVA, capazes de descobrir
informações (padrões e/ou tendências específicas) potencialmente relevantes a serem
utilizadas pelo AgFG para efeito de tomada de decisões na formação de grupos otimizados
para aprendizagem colaborativa.
AVA: Ambiente Virtual de Aprendizagem, é o local onde se encontra o sistema que
gerencia um curso a distância. É nele que o aluno pode fazer suas atividades, interagir com
os colegas, tutor e professor. É através do AVA que o aluno é acompanhado pelo professor
e/ou tutor, tem acesso a textos e diferentes formatos de conteúdos. O AVA é um software
disponível pela internet que é instalado em um servidor e pode ser acessado através de um
Browser. Existem vários tipos de AVA, tais como AulaNet, TelEduc, e-Proinfo, NetClass,
Moodle, dentre muitos outros.
Logs do AVA: São os registros de eventos no AVA, tais como dados sobre: (i) Entrega das
atividades avaliativas, (ii) Postagens em fóruns, (iii) Notas de alunos, (iv) Logins de acesso,
(v) Sessões de chat, (vi) Realização de atividades de ensino e aprendizagem, (vii)
Comportamentos colaborativos, (viii) índices de evasão, (ix) índices de reprovação, dentre
outros.
Grupos colaborativos de alunos: São aqueles em que todos os componentes
compartilham as decisões tomadas e são responsáveis pela qualidade do que é produzido
em conjunto, conforme suas possibilidades e interesses (Arnaiz et al., 1999). Da Figura 12
fica ilustrado que cada grupo pode ser formado por diversos alunos com características
diferentes e específicas de cada um. Caberá ao AgFG definir qual seria o melhor grupo para
a aprendizagem colaborativa.
3.3 Um Estudo de Caso-Piloto
Nesta seção é descrito o estudo de caso-piloto que envolverá sessões de
aprendizagem colaborativa apoiadas por ferramentas computacionais, tais como Chat,
Fóruns, Wiki, dentre outras TICs demandadas pelo referido piloto.
Para Pimentel et al. (2011), estudo de caso é um método de pesquisa empírica para
investigar a ocorrência de um fenômeno num contexto real. Diferentemente do experimento
em que a pesquisa é realizada in vitro, ou seja, em laboratório onde é possível controlar

63
variáveis e com usuários selecionados aleatoriamente, num estudo de caso a pesquisa é
realizada in situ com usuários que já trabalham em grupo num dado contexto real. Ainda
para estes autores, por meio de um estudo de caso, busca-se analisar em profundidade o
fenômeno ocorrendo no contexto real, o que implica usar múltiplas fontes de dados para
aprofundar a investigação. Portanto, o estudo de caso é um método para avaliar se a teoria
se verifica na prática, é adequado quando se busca o realismo contextualizado em vez da
precisão laboratorial livre de contexto (Pimentel et al., 2011).
Com base no descrito acima, o referente estudo de caso-piloto servirá como método
de pesquisa para aporte teórico e empírico da modelagem e implementação da arquitetura
de sistema computacional apresentada na seção 3.2.1, p. 44. Para tal, é apresentado no
Anexo 5 o Cronograma para o especificado estudo de caso-piloto.
3.3.1 Planejamento da atividade colaborativa
Segundo Dillenbourg et al. (1996), tarefas que tem sido tipicamente usadas em
aprendizagem colaborativa, de uma perspectiva Vygotskiana, inclui: a) aquisição de
habilidades e b) planejamento conjunto de soluções de problemas. Com base neste
contexto, descreve-se a seguir o objetivo e o planejamento da atividade colaborativa
demandada para os propósitos da referida proposta de tese
Objetivo: Avaliar o nível de colaboração de grupo considerando perfis de autorrelatos dos
alunos da Turma 2015.1, do curso de Engenharia da Computação/CCT/UEMA, baseado no
perfil de autorrelatos dos 45 alunos da referida turma.
a) Formação de grupos de alunos aleatoriamente a critério dos próprios alunos (Grupos-
Controle);
b) Será proposta uma temática única dentro do estudo do curso de Matemática licenciatura
a distância do UEMANET/UEMA;
c) Disponibilizar uma Sala Virtual no AVA Moodle do UEMANET/UEMA, a partir da
qual os alunos possam utilizar a ferramentas Chat e Fórum, bem como a ferramenta
colaborativa Wiki para a realização da atividade colaborativa (Produção Textual);
A avaliação do grupo, em relação à atividade colaborativa, será através da produção
textual composta dos seguintes itens: a) Elementos textuais (Introdução, Desenvolvimento
e Conclusões) e b) Elementos pós-textuais (Referências, Figuras, Tabelas, Apêndices e
Anexos).
A Tabela 13 especifica os itens levados em consideração na elaboração textual, com
as respectivas pontuações.
Tabela 13: Itens estruturarias/Pontuação da atividade colaborativa.
Item Pontuação
Introdução 1

64
Desenvolvimento 3
Conclusões 1
Harmonia no texto 2
Referências 1
Criatividade do texto 2
3.3.2 Dinâmica da atividade colaborativa
Na Tabela 14 é descrita a dinâmica dos trabalhos em grupos através das ferramentas
que os alunos deverão usar para a produção textual no AVA Moodle do curso de
Engenharia da Computação/CCT/UEMA.
Tabela 14: Descrição/ferramentas para a atividade colaborativa.
Ferramentas
Modalidade
da ferramenta
Funcionalidades colaborativas
Chat Síncrona Promover entre os alunos: a) ações de
articulações de cooperação, b) interação;
c) construção de conhecimento, d) troca de
experiências, e) diminuição da carga de
trabalho (divisão de tarefas).
Fórum Assíncrona
3.4 Cronograma de execução da Tese
Na Tabela 15 é descrito o Cronograma de Execução para a referente tese.
Tabela 15: Cronograma de Execução da Tese
ATIVIDADES SEMESTRES (2013-2016) SITUAÇÃO
FASE
METODOLÓGICA
Segundo Flick (2013)
1 2 3 4 5 6 7 8
A X X X AC Orientação
B X X X X AC Orientação
C X X AC Planejamento e Concepção
D X X X AA Trabalhando os Dados
E X AA Trabalhando os Dados
F X X X AA Trabalhando os Dados
G X AP Trabalhando os Dados
H X AP Trabalhando os Dados
I X X X X X AA Trabalhando os Dados
J X Trabalhando os Dados
L X Reflexão e Escrita
M X Reflexão e Escrita
N X -

65
LEGENDA:
A - Cumprimento dos créditos das disciplinas;
B - Busca sistema da revisão da literatura;
C - Construindo o objeto de pesquisa;
D - Operacionalizando o Estudo de Caso-Piloto;
E - Defesa de Qualify
F - Análise de dados do Estudo de Caso-Piloto;
G - Discussões e formulações de conclusões;
H - Ajustes finais da Proposta de Tese;
I - Publicação parcial dos resultados da pesquisa
J - Escrita do texto e depósito da proposta impressa na secretaria do PPGIE/UFRGS
L - Ajustes finais da Tese
M - Defesa da Tese
AC - Atividade Concluída
AA - Atividade em Andamento
AP - Atividade Parada
3.5 Resultados esperados
Como principais resultados esperados da referente tese, pode-se citar os seguintes:
 Um Agente Formador de Grupos (AgFG) capaz de potencializar a aprendizagem
colaborativa apoiada por computador.
 Incorporar o AgFG no AVA Moodle do curso de Engenharia da
Computação/CCT/UEMA.
 Disponibilizar o AgFG a outros AVAs.
 Contribuir no avanço do estado da arte em ambientes CSCL.
4. CONCLUSÕES E DIREÇÕES FUTUROS

66
REFERÊNCIAS BIBLIOGRÁFICAS
AGRAWAL, R. et al. (1993). Missing Association Rules between Sets of Items in
Large Databases. In: Proc. of the ACM SIGMOD Intl. Conf. on Management of
Data, US, Washington, 1993, 207-216.
ARNAIZ, P. et al. (1999). Trabajo Colaborativo entre professores y atención a la
diversidad. Comunidad Educativa, no. 262, p. 29-35.
BANDURA, A. (1997). Self-efficacy: The exercise of control. New York: W.H. Freeman.
BERCHT, M. Em direção a agentes pedagógicos com dimensões afetivas, 2001. Tese
(Doutorado) - Universidade Federal do Rio Grande do Sul. Programa de Pós-Graduação
em Computação, Porto Alegre, BR-RS, 2001.
BERCHT, M. e VICARI, R. M. Afetividade em Máquina: Uma possibilidade? Workshop
Informática na Educação, INF/UFRGS, 2004.
BEREITER, C. (2002). Education and mind in the knowlwdge age. Hillsdale, NJ:
Lawrence Erlbaum Associates.
BEHAR, P. A. Modelos Pedagógicos em Educação a Distância. Porto Alegre: Artmed,
2009.
BERRY, Michael J. A.; LINOFF, Gordon. Data Mining Techniques: For Marketing,
Sales, and Customer Support. US: Jonh Wiley & Sons, 1997.
BOFF, E. Colaboração em ambientes inteligentes de aprendizagem mediada por agente
social probabilístico. 2008. 163f. tese (doutorado: Programa de Pós-Graduação em
Computação), Instituto de Informática, Universidade Federal do Rio Grande do Sul,
Porto Alegre, 2008.
BRUFFEE, K. (1993). Collaborative learning. Baltimore, MD: Johns Hopkins University
Press.
CHATZARA, K. et al. Emotional Interaction in e-Learning. Research on e-
Learningand ICT in Education. Springer New York, 2012. 253-265.
COGO, A. L. P. "Cooperação versus colaboração: conceitos para o ensino de enfermagem
em ambiente virtual." Revista REVISÃO Brasileira de Enfermagem. REBEn Rev Bras
Enferm 59.5 (2006): 680.
COLL, C. e Monereo, C. "Psicologia da educação virtual: Aprender e Ensinar com as
Tecnologias da Informação e da Comunicação" Pré-Jornada: Caderno de Leitura
II (2008): 25. Ed. Artmed, 2010.
COPPIN, B. Inteligência Artificial - Rio de Janeiro: LTC, 2013.
CROOK, L. (1994). Computers and the collaborative experience of learning. London, UK.:
Routledge.
DAMIANI, Magda Floriana. "Entendendo o trabalho colaborativo em educação e
revelando seus benefícios1 Understanding collaborative work in education and
revealling its benefits." Educar em Revista 31 (2008): 213-230.
DE AMO, S. "Técnicas de mineração de dados." Jornada de Atualização em
Informatica (2004).
DEOGUN, J. S. et al. (1997) Data Mining: Trend in Research and Development. In:
LIN, T. Y; CERCONE, N.Rough Sets and Data Mining: Analysis for Imprecise
Data. Springer, 1997.

67
DIAS, J. e PAIVA, A. I want to be your friend: establishing relations with emotionally
intelligents. Proceedings of the 2013 international conference on Autonomous agents
and multi-agent systems International Foundation for Autonomous Agents an
Multiagent Systems, 2013.
DILLENBOURG, P. (1996) The evolution of research on collaborative learning. In E.
Spada e P. Reiman (Eds), Learning in Humans and Machine: Towards an
interdisciplinary learning science (pp. 189-211). Oxford: Elsevier.
DILLENBOURG, P. What do you mean by collaborative learning?, University of Geneva,
Switzenland, 1999.
DILLENBOURG, P. (Ed.). (1999b). Collaborative learning: Cognitive and computational
approaches. Amsterdam, NL: Pergamon, Elsevier Science. In (Ed.).
ELLIOT et al. (1999). Lifelike Pedagogical Agents and Affective Computing: An
Exploratory Synthesis. In: WOOLDRIDGE, M.; VELOSO, M. (Ed). Artificial
Intelligence Today. Berlin: Springer-Verlag, 1999, p. 195-212. (Lectures Notes in
Artificial Intelligence - Subseries of Lecture in Computer Science, 1600).
FAYYAD, U. M.; PIATESKY-SHAPIRO, G.; SMYTH, P. From Data Mining to
Knowledge Discovery: An Overview. Advances in Knowledge Discovery and
Data Mining, AAAI Press, 1996.
FONTES, L. M. De O. et al. - Um Agente Pedagógico Animado de Apoio à Aprendizagem
Baseada em Problema. IEEE-RITA, v. 7, núm. 4, nov. 2009, p.1.
FUKS, H. 2000. Groupware Technologies for Education in AulaNet. Computer
Applications in Engineering Education 8, (3-4), 170-177.
FUKS, H., et al. (2002). The Development and Application of Distance Learning on the
Internet. The Journal of Open and Distance Learning 17, (1), 23-38.
FUKS, H et al., (2004), “O Modelo de Colaboração 3C no Ambiente AulaNet”, Informática
na Educação: Teoria e Prática, vol. 7, No. 1, Porto Alegre, UFRGS, ISSN 1516-084X,
pp. 25-48. Disponível em http://www.les.inf.puc-rio.br/groupware
GIACOMONI, C. H. e HUTZ, C. S. (1997). A mensuração do bem-estar subjetivo: Escala
de Afeto Positivo e Negativo e Escala de Satisfação de Vida [Resumos]. In Sociedade
Interamericana de Psicologia (Org.), Anais XXVI Congresso Interamericano de
Psicologia (p. 313) São Paulo: SIP.
GIACOMONI, C. H. e HUTZ, C. S. (2006). Escala de Afeto Positivo e Negativo para
Crianças: Estudos de construção e validação. Psicologia Escolar e Educacional, 10,
235-245.
GEROSA, M. A. et al. (2005) Suporte à Percepção em Ambientes de Aprendizagem
Colaborativa, Laboratório de Engenharia de Software (LES), PUC-RIO, 2005.
GIRAFFA, L. M. M. e VICARI, R. M. Fundamentos de Sistemas Tutores Inteligentes.
Tópicos Avançados II - Inteligência Artificial Aplicada á Educação. Porto Alegre:
PUCRS (2003).
GOLDBERG, D. E. Genetic algorithms in search, optimization and machine learning.
Reading, MA: Addison - Wesley, 1989.
HAN, J. e KAMBER, M. Data Mining: concepts and techniques. 2nd. ed. San
Francisco: Morgan Kaufmann Publishers / Elsevier, 2006.

68
HAND, D. et al. (2001). Principles of data mining. USA: Massachussets Institute of
Techology, 2001.
HUTZ, C. S. et al. (2014). Avaliação em psicologia positiva - Porto Alegre : Artmed, 2014.
INMON, W. H. Building the Data Warehouse. United States: Jonh Wiley & Sons Inc.,
2002.
JAQUES, Patrícia Augustin. Agentes de Software para Monitoração da Colaboração em
Ambientes Telemáticos de Ensino – Faculdade de Informática, PUCRS, 1999.
JAQUES, P. A. e VICARI, R. M.. Considering Students´s emotions in computer-mediated
learning environments, In: Zongmin Ma (Org). Web-based intelligent e-learning
systems: Technologies and applications. Hershey, 2004.
JAQUES, P. A. (2004). Using an Animated Pedagogical Agent to Interact Affectivelly with
the Student. Programa de Pós-Graduação em Ciência da Computação. Porto Alegre,
Universidade Federal do Rio Grande do Sul. PhD. Thesis, p. 228.
JONES, A. e ISSROFF, K. Learning technologies: Affective and social issues in computer-
supported collaborative learning, University College, London, UK, 2005.
JUNIOR, A. C. O. et al. Um sistema multiagente para a formação e avaliação de grupos
sócio-afetivos em ambientes CSCL. WESAAC, 2012.
KAMPFF, A. J. C. Mineração de Dados Educacionais para Geração de Alertas em
Ambientes Virtuais de Aprendizagem como Apoio à Prática Docente. 2009. Tese
(Doutorado) – PPGIE/UFRGS.
KOSCHMANN, T. (Ed.). (1996b). CSCL: Theory and practice of an emerging paradigm.
Hillsdale, NJ: Lawrence Erlbaum Associates. In (Ed.).
KREIJNS, K.; Kirschner, P. A.; Jochems, W. The Sociability of Computer- Supported
Collaborative Learning Environments. Educational Technology & Society. Vol. 5,
No. 1, 2002.
LIMA, M. R. C. Algoritmos Genéticos na Formação de Grupos para Aprendizagem
Cooperativa Apoiada por Computador. Dissertação de Mestrado. Programa de Pós-
Graduação em Engenharia de Eletricidade. Universidade Federal do Maranhão (UFMA)
- Brasil, 2006.
LIMA, Mark R. C, et al. "Considerando fatores sócio-afetivos para a formação de grupos
em ambientes colaborativos de aprendizagem apoiados por computador utilizando
algoritmos genéticos." Scientia Interdisciplinary Studies in Computer Science, São
Leopoldo 19.2 (2008): 128-143.
LIN, T. Y; CERCONE, N. Roug Sets and Data Mining: Analysis for Imprecise Data.
springer, 1997.
Pós-Graduação em Informática na Educação, Porto Alegre, BR - RS, 2011. Tutoring
Systems, v. 4, San Antonio. Proceedings.. Berlin: Springer-Verlag, 1998.
FILHO, J. A. B. L. Um algoritmo de clustering no auxílio à formação de grupos sócio-
afetivos afins para o ensino em ambientes CSCL. LACLO, 2011.
MARAVALLE, M. et al (1999). Clustering on trees. Computational Statistics & Data
Analysis, v. 24, n. 2, 1997, p. 217-234.
MAZUMDER, P. e RUDNICK, E. M. Genetic Algorithms for VLSI Design, Layout &
Test Automation - Prentice Hall PTR, 1999.

69
MORAN, J. M. "Ensino e aprendizagem inovadores com tecnologias." Informática na
Educação: teoria & prática 3.1 (2000).
MORAN (2013) - A educação a distância, mais focada em pesquisa e colaboração.
NEWMAN, D. et al. (1989). The construction zone: Working for cognitive change in
schools. Cambridge, UK: Cambridge University Press.
NUNES, I. e LUCK, M. Softgoal-based Plan Selection in Model-driven BDI Agents, 2014.
O'MALLEY, C. (1995). Computer supported collaborative learning. Berlin, Germany:
Springer Verlag.
PALUDO, S. dos S. e KOLLER, S. H. Psicologia Positiva: uma nova abordagem para
antigas questões. PAIDEIA, 17(36), 9-20, 2007.
PIAGET, J. Estudos Sociológicos. Rio de Janeiro: Forense, 1973, 243p.
PIAGET, J. e INHELDER, B. A psicologia da criança. Rio de Janeiro: Ed. Bertrand Brasil,
1995, 135p. Bulletin de Psychologi, VII, 143-150, 346-361, 522-535, 699-701, 1954.
Disponível em <http://www.fondationjeanpiaget.ch> Acesso em Ago, 2013.
PICARD, R. W. Affective Computing. Cambridge, Massachusetts: MIT Press, 1997, 292p.
PICARD, R. W. e KLEIN, J.. Computers that recognise and respond for user emotion.
Theoretical and pratical implications, MIT Media Lab & Twin City office center, 2001.
PIMENTEL, M. et al. (2011) "Sistemas colaborativos para uma nova sociedade e um novo
ser humano." Sistemas colaborativos. Rio de Janeiro: Elsevier-Campus-SBC (2011).
PROLA, A. T. M. (2003). Modelagem de um agente pedagógico animado para um
ambiente colaborativo: Considerando fatores sociais relevantes, INF/UFRGS. ______.
On the nature and function of emotions: A component process approach. In: Scherer, K.
R., EKMAN, P. (Eds.). Approaches to emotion. Lawrence Erlbaum Publishers. 1984a.
p. 289-317.
QUARTO, C. C. (2006). Inferindo Fatores Sócio-afetivos em Ambientes de Ensino e
Aprendizagem Colaborativos Assistidos por Computador / Cícero Costa Quarto - São
Luís, 2006, 154 folhas. Dissertação (Mestrado em Engenharia de Eletricidade, UFMA,
2006.
ROMERO, C. et al. (2008). Data mining in course management systems: Moodle
case study and tutorial. Computers & Education, 51(1):368–384.
ROSCHELLE, J. e TEASLEY, S. (1995). The construction of shared Knowledge in
collaborative problem solving. In C. O´Malley (Ed.), Computer-supported collaborative
learning (pp. 69-197). Berlin, Germany: Springer Verlag.
RUSSEL, S. e NORVIG, P. Artificial intelligence – A modern approach, New Jersey,
2004.
SHINYASHIKI, E. A essência de uma equipe. Revista Psique Ciência e Vida. Editora
Escala Educacional. Ano VII, no
95, pp. 32-33, 2013.
SILVA, C. G.; Figueiredo, V. F. Ambiente Virtual de Aprendizagem: comunicação,
interação e afetividade na EAD. Revista Aprendizagem em EAD. V01, 2012.
SILVEIRA, Sidnei Renato. Formação de Grupos Colaborativos em um Ambiente
Multiagente Interativo de Aprendizagem na Internet: um estudo de caso utilizando
sistemas multiagentes e algoritmos genéticos. Porto Alegre: PPGC da UFRGS, 2006.
125 f.: il.

70
SNYDER, C. R. e LOPEZ, S. J. (2009). Psicologia positiva: Uma abordagem científica e
prática das qualidades humanas. Porto Alegre: Artimed.
SEGABINAZI, J. D. et al. (2012). Escala de Afetos Positivos e Negativos para
Adolescentes: Adaptação, normatização e evidências de validade. Avaliação
Psicológica, 11, 1-12.
SELIGMAN, M. e CSIKSZENTMIHALYI, M. (2000). Positive psychology: An
introduction. American Psychologist, 55, 5-14.
STAHL, G et al. (2006). Computer-supported collaborative learning: An historical
perspective. In R. K. Sawyer (Ed.), Cambridge handbook of the learning sciences (pp.
409-426). Cambridge, UK: Cambridge University Press. Disponível em:
<http://GerryStahl.net/cscl/CSCL_English.pdf> Acesso em: 14 de jun. de 2014.
VYGOTSKY, L. S. A formação social da mente. São Paulo: Martins Fontes, 1989.
ZABALA, A. A Prática Educativa, como ensinar, Porto Alegre: Artmed, 1998.
ZANON, C. et al. Desenvolvimento e validação de uma escala de afetos positivos e
negativos. (Manuscrito submetido).
ZHANG, Schichao; ZHANG, Chengqi; YANG, Qiang. Data Preparation for Data
Minig. In: Applied Artificial Intelligence, 17, p.375-381, 2003.
WHANG, M. C. et al (2003). Preparing computers for affective communication: A
psychophysiological concept and preliminary results. "Human Factors 45(4): 623-634.
WATSON, D. e CLARK, L. A. (1994) The PANAS-X: Manual for the positive and
negative affect schedule - expanded form. The University of. Iowa. Recuperado de:
http://www.psycology.uiowa.edu/faculty/clark/panas-x.pdf
WESSNER, M., and PFISTER, H. "Group formation in computer-supported collaborative
learning." Proceedings of the 2001 international ACM SIGGROUP conference on
supporting group work. ACM, 2001.
WITTEN, I. H.; FRANK, E. Data Mining: Pratical Machine Learning Tools and Techiques.
2nd. ed. San Francisco: Morgan Kaufmann Publisers / Elsevier, 2005.
WOOLDRIDGE, M. e JENNINGS, N. R. Intelligent Agents: Theory and Practice,
Department of Computing – Manchester Metropolitan University / Department of
Electronic Engineering – Queen Mary & Westfield College, 1995.

71
Anexo 1: Censo EaD.BR201214
Fonte: ABED
Etapa i - Aspectos
importantes
extraídos do Censo
EaD.BR2012
Etapa ii - Dados quantitativos e
qualitativos associados a cada
aspecto extraído do Censo
EaD.BR2012
Etapa iii - Análise e
interpretações dos dados
extraídos do Censo
EaD.BR2012, segundo a visão
deste pesquisador e ações
correlatas com a referente
proposta de tese,
 Causa de evasão
em EaD
Falta de adaptação dos alunos à
metodologia (18%).
O Censo EaD.BR2012 não
deixa explícito a questão da
"falta de adaptação dos alunos
à metodologia". Deve-se
investigar as causas em
profundidade. A referente
proposta de tese propõe
utilizar estratégias de trabalho
colaborativo de grupo, de
forma a motivar o aluno na
construção de seu
conhecimento e de seu par.
Para tal, busca-se mapear
aspectos positivos do
indivíduo para aprendizagem
colaborativa.
 Aumento da carga 15%, mas o censo não apontou uma Carga de trabalho pode ser
14 CensoEAD.BR2012 - http://www.abed.org.br/censoead/censoEAD.BR_2012_pt.pdf

72
de trabalho causa para esse índice. associada a acúmulo de
atividades por aluno. O
pesquisador acredita, por
experiência, que uma carga de
trabalho distribuída
colaborativamente viria
agregar ao aluno, bem como
para o grupo, uma melhor
produtividade cognitiva, pois
a construção do conhecimento
se processaria de forma
coletiva, minimizando com
isso a curva de aprendizagem
dos mesmos.
 Pontos fracos
Situações que envolvem trabalho de
grupo, ou seja, que pressupõem a
participação e na interação com
colegas e docentes no uso de
ferramentas tanto síncronas (Chat)
como assíncronas (Fóruns).
Questões de potencializaçao
de processos colaborativos
devem ser investigados e
fomentados em modalidade
EaD. A referente proposta de
tese propõe uma investigação
acerca da influência de
variáveis positivas do
indivíduo como fator
determinante ou não na
otimização de trabalho
colaborativo de grupo.
 Metodologias
adotadas em EaD
a) Forma de estudo
Aspectos considerados para a)
80,93 % das respostas concentrara-
se na alternativa "a maioria dos
cursos de EaD das instituições
O Censo EaD.BR2012 não
apresenta de que forma e
intensidade ocorrem essas
interações entre

73
prevê a interação educador e
educando e deste com seus pares
durante sua execução.
educador/educando e
educando/educando, ou seja, a
interação é individual entre
educando/educando ou em
grupo, isto é
educandos/educandos? A
aquisição e a construção do
conhecimento ocorrem
individual ou de forma
colaborativa? Portanto, há
uma necessidade de um
estudo de caso para termos
quadros comparativos de
estratégias metodológicas
mais adequadas e eficazes de
ensino e aprendizagem, as
quais esta proposta de tese
propõe.
 Atividades do
educando
A resposta mais frequente para esse
item foi a que indicava que "as
atividades discentes nos cursos de
EaD são tanto individuais quanto
em grupo (51%). Já em relação à
"Interação do aluno com
educadores", considerando-se
diferentes meios, tais como fórum,
chats, skype, etc, a resposta mais
frequente (82,55%) foi a que inclui
a troca de e-mails. Isso se repete no
caso para a "Interação dos
O Censo não destaca se as
atividades individuais são as
mesmas quando feitas em
grupo, de forma a avaliar a
dimensão da atividade para
apoiar construção de
conhecimento de forma
colaborativa, o qual este
processo demanda, tais como
interações sociais intensas,
escalas comuns de valores
(Piaget, 1954; Cogo, 2006).

74
educandos entre si". Os resultados do Censo
EaD.BR2012 não
diferenciam, também, qual
das ferramentas
computacionais (fórum, chats,
skype, e-mails, etc) promovem
uma maior potencialização da
aprendizagem, tanto do ponto
de vista individual ou em
grupo. Um dos aspectos
importantes que norteia a
referente proposta de teste é
que variáveis positivas do
indivíduo serão consideradas
relevantes na predição de
aprendizagem colaborativa
apoiada por tais ferramentas.

75
Anexo 2: Comparação entre Web 1.0, 2.0 e 3.0
Fonte: Coll e Monereo (2010)
Web 1.0 Web 2.0 Web 3.0
Linguagem HTML15 XML-AJAX16 OWL17
Programas
emblemáticos
Netscape
Napster
Mozilla
Google
Moodle
Metáfora "pontocom" puzzie "sistema nervoso"
Descrição Rede de documentos Rede social Rede semântica
Função
principal
Repositório de informação
estática (com possibilidade de
enlaces hipermídias)
Criação e difusão de informação
dinâmica (continuamente atualizável
e combinável)
Respostas e informações
personalizadas a partir de
perguntas e buscas.
15 HTML (Hyper Text Markup Linguage): Linguagem desenvolvida para estruturar textos e apresentá-los em forma de hipertextos. É
o formato-padrão das páginas Web. Uma linguagem de marcação é uma forma de codificar um documento que, juntamente com o
texto, incorpora tags ou marcas que contêm informação adicional sobre a estrutura do texto ou sua apresentação.
16 AJAX (Asynchronous JavaScript And XM): É uma técnica de desenvolvimento Web para criar aplicações interativas. Essas
aplicações são executadas no navegador do usuário e mantêm uma comunicação assíncrona com o servidor em segundo plano. Desta
forma, é possível realizar mudanças sobre a própria página sem necessidade de recarregá-la. Isso permite aumentar e melhorar a
interatividade, a velocidade e a usabilidade.
17 OWL (Web Ontology Language): É uma linguagem baseada em uma ontologia, ou seja, em um conjunto de termos precisos
utilizados para definir e representar conhecimentos específicos em um determinado domínio. A precisão e homogeneização desses
termos pode permitir que uma pessoa ou um programa informático reconheçam e compartilhem um determinado significativo.

76
Usuários e
papéis
Usuários humanos. Basicamente,
o professor seleciona e administra
a informação. Basicamente, os
alunos têm acesso à informação e
a consultam.
Usuários humanos. O professor e os
alunos selecionam, administram e
trocam informação, estabelecendo
dinâmicas de colaboração e
cooperação.
Usuários humanos e agentes
artificiais. O professor e os
alunos são consumidores e
produtores. O computador
seleciona e assessora.
Produtos
típicos
 Britannica on-line
 Ofoto
 Mp3.com
 Páginas Web pessoais
 Sistemas de gestão de
conteúdos
 Diretórios (taxonomias)
 Wikipedia
 Flickr
 Napster
 Blogs pessoais
 Wikis
 Folksonomias
 Em fase experimental
(exemplos): FOAF (Friend-of-
A-Friend;), Powerset, Hakia

77
Anexo 3: Escalas de Autorrelatos.
Fonte: Hutz et al. (2014)
ESCALA DE SATISFAÇÃO DE VIDA
Laboratório de Mensuração da UFRGS
Instruções
Abaixo você encontrará cinco afirmativas. Assinale na escala abaixo de cada afirmativa o
quanto ela descreve a sua situação pessoal. Não há respostas certas ou erradas, mas é
importante você marcar com sinceridade como você se sente com relação a cada uma
dessas afirmativas.
1) A minha vida está próxima do meu ideal.
Discordo plenamente 1 2 3 4 5 6 7 Concordo plenamente
2) Minhas condições de vida são excelentes.
3) Eu estou satisfeito com a minha vida.
4) Até agora eu tenho conseguido as coisa importantes que eu quero na vida.
5) Se eu pudesse viver a minha vida de novo eu não mudaria quase nada.

78
ESCALA DE AFETOS POSITIVOS E AFETOS NEGATIVOS (PANAS)
Esta escala consiste em um número de palavras que descrevem sentimentos e emoções.
Leia cada item e depois marque a resposta adequada no espaço ao lado da palavra. Indique
até que ponto você tem se sentido desta forma ultimamente.
1 2 3 4 5
nem um pouco um pouco moderadamente bastante extremamente
1. Aflito _______
2. Amável _____
3. Amedrontado _____
4. Angustiado _____
5. Animado _____
6. Apaixonado _____
7. Determinado _____
8. Dinâmico _____
9. Entusiasmado _____
10. Forte _____
11. Humilhado _____
12. Incomodado _____
13. Inquieto _____
14. Inspirado _____
15. Irritado _____
16. Nervoso______
17. Orgulhoso ____
18. Perturbado _____
19. Rancoroso _____
20. Vigoroso _____
Observação: Os itens 1, 3, 4, 11, 12, 13,15, 16, 18, 19 referem-se a afetos negativos e os
itens 2, 5, 6, 7, 8, 9, 10, 14, 17, 20 referem-se a afetos positivos.

79
TESTE PARA AVALIAR OTIMISMO (LOT-R)
Instruções
Abaixo você encontrará 10 frases. Assinale na escala o quanto você concorda ou discorda
com cada uma delas. A escala varia de 1 (Discordo Plenamente) a 5 (Concordo
Plenamente). Não há respostas certas ou erradas. O importante é você responder com
sinceridade como se sente com relação a cada uma das frases.
1
Diante de dificuldade, acho que tudo vai dar certo.
Discordo Plenamente 1 2 3 4 5 Concordo Plenamente
2
Para mim é fácil relaxar.
3
Se alguma coisa pode dar errado comigo, com certeza vai dar errado.
4
Eu sou sempre otimista com relação ao meu futuro.
5
Eu gosto muito dos meus amigos.
6
Eu considero importante me manter ocupado.
7
Em geral, eu não espero que as coisas vão dar certo para mim.
8
Eu não me incomodo com facilidade.
9
Eu não espero que as coisas boas aconteçam comigo.
10
Em geral, eu espero que aconteçam mais coisas boas do que ruins para mim.

80
ESCALA DE ESPERANÇA DISPOSICIONAL
Instruções
Leia com atenção e circule a opção que você acha a mais adequada.
1
Eu posso pensar em várias formas de lidar com situações difíceis.
Totalmente Falsa 1 2 3 4 5 Totalmente Verdadeira
2
Eu me esforço para atingir meus objetivos.
3
Eu me sinto cansado a maior parte do tempo.
4
Existem sempre muitas formas de resolver os problemas.
5
Eu sou facilmente derrotado em discussões.
6
Eu posso
pensar em muitas formas de conseguir as coisas que são muito importantes para
a minha vida.
7
Eu me preocupo com a minha saúde..
8
Mesmo quando os outros desistem, eu sei que posso encontrar alguma forma de
resolver os problemas.
9
Minhas experiências no passado me preparam bem para enfrentar o futuro.
10
Eu tenho tido muito sucesso na vida.
11
Frequentemente eu fico me preocupando com alguma coisa.
12
Eu atinjo os objetivos que estabeleço para mim.

81
ESCALA DE AUTOEFICÁCIA GERAL
Instruções
Leia atentamente cada item e marque o número que corresponde à situação que mais
descreve você.
1
Eu sou capaz de atingir a maior parte dos objetivos que defino para mim.
Sempre Falso 1 2 3 4 5 Sempre Verdadeiro
2
Eu sou capaz de superar muitos desafios.
3
Costumo ser persistente na busca de meus objetivos.
4
Eu acredito que eu posso ter sucesso em quase qualquer coisa que eu resolva
fazer.
5
Eu posso fazer a maioria das coisas melhor do que as pessoas em geral.
6
Mesmo quando as coisas estão difíceis, eu posso desempenhá-las muito bem.
7
Quando faço planos, sei que posso fazer que eles deem certo.
8
Se algo parece muito complicado eu nem tento fazer.
9
Se eu não consigo fazer algo pela primeira vez, eu continuo tentando até
conseguir.
10
Eu sou uma pessoa autoconfiante.
11
Quando eu defino objetivos importantes para mim eu raramente os atinjo.
12
Quando traço um objetivo logo começo a colocá-lo em prática.
13
Quando problemas inesperados acontecem, eu não lido bem com eles.
14
Eu costumo persistir em meus planos.
15
Sou confiante de que posso lidar bem com situações inesperadas.
16
Eu desisto das coisas antes de completá-las.
17
Quando enfrento problemas, geralmente posso encontrar várias soluções.
18 Dificilmente eu vou me dar bem na vida.

82
19
Quando eu falho, eu tenho vontade de tentar mais.
20
Eu me sinto inseguro com relação a minha capacidade de fazer as coisas.

83
Anexo 4: Agentes Pedagógicos com Dimensões Afetivas
Fonte: O autor
Agente Recursos funcionais Dimensões Afetivas
PAT
(Jaques,
2004)
Reconhece e inferi emoções do aluno, a partir de
suas ações na interface do sistema educacional, de
forma a encorajá-lo e motivá-lo em suas atividades
de aprendizagem. É composto por dois módulos
principais: a mente e o corpo. O modelo afetivo do
estudante e a mente do agente são implementados
em BDI (Belief (Crenças), Desire (Desejo) e
Intention (Intenção)).
alegria/tristeza,
satisfação/frustração,
raiva//gratidão e
vergonha.
PAT2Math
(Mello et al.
(2009)
Reconhece e inferi emoções do aluno, a partir de
suas ações na interface do sistema educacional, de
forma a encorajá-lo e motivá-lo em suas atividades
de aprendizagem. Dar apoio ao ensino de álgebra da
7a
série do ensino fundamental.
comportamentos e
falas emocionais,
expressões faciais.
Bernardo
(Deters et al.
(2006)
Auxilia estudantes de medicina e áreas afins no
processo de ensino e aprendizagem dos conteúdos
relacionados a Fisiologia. Fala e escreve usando
balões de texto e/ou recursos de som. Gesticula e
movimentar-se pelo ambiente. Tem reações diversas
para não tornar a interação com o usuário,
monótona. Por exemplo, usar a comunicação escrita
num primeiro contato, na segunda abordagem dar
um sorriso, dicas, etc.
expressões faciais de
alegria, admiração,
tristeza, simpatia.
DORIS
(Frozza et al.
(2009)
Acompanha a interação do aluno com o STI. Extrai
informações necessárias à modelagem do perfil do
aluno, utilizado na personalização do ambiente.
Auxilia e orientar o aluno durante a construção de
seu aprendizado, através de dicas, lembretes.
estimula. Possui
caricaturas animadas
distintas que
denotam os
seguintes estados
emocionais: tristeza,
felicidade e
companheirismo.
ADELE
(Johnson et
al. (2003)
Interage com estudantes de medicina e de
odontologia, respondendo a ações do usuário
(podendo ser perguntas relevantes dos estudantes,
pedido de sugestões dos estudantes) através de
simulações educacionais. Na área médica, dará
suporte aos estudantes em diagnósticos baseados em
sinais e sintomas apresentados pelo paciente
(feedback ao estudante). Na área de odontologia,
ajudará os estudantes com exercícios de simulação
de um curso para cuidados a pacientes idosos.
cooperação,
atenção.

84
Monitora as ações dos estudantes e prover feedback
adequadamente. Estudantes podem questionar
Adele para uma sugestão ou análise racional para
cada ação. E o mais importante, Adele ajuda os
alunos a entender por que um diagnóstico ou ação
terapeutica deveria ser tomado, por exemplo, que
efeito terá e qual seu significado.
NEMOHIFI
(Lutfi et al.,
2013)
Interage com os usuários do sistema através de uma
arquitetura multimídia que captura a fala do usuário
e detecta seus estados emocionais de contentamento
e frustração, para então intervir no sentido de
motivá-lo. Gerencia os diálogos dos usuários no
sistema.
frustração,
contentamento.
ERIC
(Strauss;
Kipp, 2008)
Agente afetivo corporificado que faz comentários
em tempo real em muitos domínios, tais como
esportes, jogos multiplayers ou um tour de uma
cidade. O sistema pode produzir linguagem natural
coerente e comportamento não-verbal baseado em
um modelo de camadas de afetos. Gera respostas
afetivas através de avaliações na extração de
condições emocionais do usuário.
personalidade,
humor (ânimo,
disposição), emoção,
fala, entonação, face,
gestos e postura.
STEVE
(Johnson;
Rickel,
1997)
Ajuda virtualmente estudantes a executar tarefas,
operar e consertar equipamentos industriais naval,
tais como Turbinas de Propulsão a Gás e
Compressores de Ar de Alta Pressão. Responde a
perguntas dos estudantes do tipo: o que poderíamos
fazer de imediato? e por quê? Pode demonstrar
ações, como usar olhar e gestos para monitorar a
atenção dos estudantes. Guia o estudante ao redor
do mundo virtual. Interpreta o estado do mundo real
e mudanças que nele ocorrem.
-
HERMAN
(Johnson et
al., 2000)
Dar suporte ao aprendizado de crianças em Botânica
e Fisiologia. HERMAN é um inseto falador,
ardiloso (característica de sagas, astuto, astucioso,
manhoso, enganador, velhaco, espertalhão) que
mergulha em estruturas de plantas, provendo
problema-solução aos estudantes. Quando os
estudantes estão, por exemplo, cultivando plantas,
determinando fatores como: incidência de luz,
quantidade de nutrientes da terra, quantidade de
água, o agente HERMAN observa suas ações e
provê explicações e sugestões, em função do
problema-solução exposto aos estudantes.
conversa,
manhoso.
Coach Mike Coach Mike é um agente pedagógico animado que entusiasmo,

85
(Lane et al.,
2013)
usa técnicas de tutores inteligentes para ajudar os
estudantes em adquirir habilidades em programação
básica de computadores. Encoraja os estudantes na
exploração do ambiente. Por exemplo, os estudantes
ao entrarem no ambiente, ele diz "Mike é o meu
nome e o programa Robores é meu jogo. Empurre o
botão com minha foto sobre ele e eu lhe mostrarei
como começar"; Mais tarde, pressionando outro
botão, lhe será enviado um convite para aceitar um
de seus desafios de programação, do tipo "Como
programar um robô para mover-se em um
quadrado?" Na solução dos problemas desafios
pelos estudantes, Coach Mike gasta tempo
entusiasmando os estudantes, dando-lhes feedback
de suas resoluções, falando-lhes sobre depuração,
bem como explicando a função de específicos
comandos de programação. Coach Mike foi
projetado para ser acessível e amigável, através de
suas animações (flexão de músculos e voz).
atencioso.
Agente
(Robôs
sócio-
afetivos)
Recursos funcionais Dimensões Afetivas
Kismet
Olhos grandes e o intelecto de uma criança. É capaz
de mostrar oito padrões de expressões faciais de
emoções: se está calmo, alegre, triste, surpreso,
interessado, aborrecido, zangado ou com sono.
Para facilitar a interação com os humanos, o Kismet
é equipado com sensores visuais, auditivos e outros
tipos de sensores perceptivos como suas entradas
(inputs). Os motores de saída (outputs) incluem
vocalização, expressões faciais e ajustamento da
direção do olhar (gaze direction) e orientação da
cabeça. Robô Kismet, um robô desenvolvido para
comunicação e aprendizado à maneira humana.
Possui autonomia – apto a provocar uma interação
humana natural e intuitiva, física, afetiva e social
(Breazel, 2004). Conversa e expressa emoções
olhos grandes,
intelecto de uma
criança, expressa
oito padrões de
expressões faciais de
emoções (calmo,
alegria, tristeza,
surpreso,
interessado,
aborrecido, zangado,
sono).
Furby
Apresenta diferentes estados emocionais. Tem a
capacidade de responder a certos comandos ou
estímulos do seu dono apresentando diferentes
alegria, tristeza,
surpreso, sonolento,
amedrontado.

86
estados emocionais como alegre, triste, surpreso,
sonolento e amedrontado. Pode dar risadas ou um
simples sorriso, suspirar, dançar, falar e até cantar
(“Happy birtday”, isto é, “Parabéns pra você”).
Possui sensores para reconhecimento de voz e de
tacto, mecanismos para mover o bico, as orelhas e
os olhos, e uma sofisticada eletrônica que envolve
técnicas de IA.
Cãozito Aibo
Serve de companhia, mas também joga futebol,
animal de estimação. Imita os movimentos de outros
seres da natureza, não apenas os humanos. Tem
grande habilidade de expressar emoções como
alegria e tristeza e com isso proporciona grande
interação com as pessoas. Reage e estímulos
externos e fazem o seu próprio julgamento. Ele
pode ouvir, ver, sentir e caminhar. É capaz de
mexer ambas orelhas e de reagirem quando lhe é
tocado na sua cabeça, no seu queixo ou nas suas
costas, pois tem sensores nestes locais. Pode
assumir diversas posições diferentes. Reconhece a
voz e a fisionomia do seu dono e obedece a
comandos de voz do mesmo. Através de sensores
acústicos e um sistema de reconhecimento de voz e
imagem, ele é capaz de aprender o próprio nome a
que foi batizado e a reconhecer a voz e fisionomia
do seu dono. É capaz de aprender e de desenvolver
uma personalidade própria segundo os estímulos
que recebe de seu dono e de pessoas com quem
interage.
alegria, tristeza
Agente Recursos funcionais Dimensões Afetivas
Agente
Inteligente
Emocional
(Dias; Paiva,
2013)
Capaz de raciocinar sobre emoções de outros e
realizar regulação de emoção interpessoal em ordem
para dinamicamente criar relações com outros. Tem
a capacidade de avaliar níveis de amizade entre
jogadores em um jogo eletrônico. O agente foi
usado para construir um cenário no NeverWinter
Nights 2, onde o jogador é exigido trabalhar junto
com dois agentes autônomos para alcançar uma
questão particular.
IER (ver Figura 1).

87
PAT2Math
(De Morais;
Jaques,
2013)
PAT2Math (Personal Affective Tutor to Math).
Fornece apoio ao aluno para resolver uma
determinada equação da maneira que lhe for mais
adequada, dando a este correções (dicas específicas
através de mensagens e comportamentos físicos) a
cada resposta (feedback). Através de sua GUI
(Graphical User Interface), fornece ajuda e uma
documentação técnica de funcionamento, quando
isso for solicitado pelo aluno.
considera as
emoções do aluno
através das suas
ações na interface e
de suas expressões
faciais.
Agente
(Robôs
sócio-
afetivos)
Recursos funcionais Dimensões Afetivas
WBD - 1
(Or, 2008)
O robô WSD - 1 (do inglês Waseada Bell Dancer),
é um robô social com coluna vertebral flexível (ver
Figura 2), que pode expressar emoções através de
movimentos do corpo inteiro. Tem a capacidade de
resistir e manter-se equilibrado por si só, sem apoio
externo. Se comunica com humanos e expressam
suas emoções através de expressões faciais, voz e
linguagem natural. Pode trabalhar em nossa vida
ambiente, servindo de companheiros e cuidar de
idosos em nossa sociedade. Simula a dança do
ventre (ver Figuras 9 e 10).
dança, expressando
os seguintes
fenômenos
emocionais:
confiança, desgosto,
felicidade, aliviado,
paciente
(perseverante),
zangado, sensual.
Agente
Pedagógico
Animado
(Nunes;
Jaques,
2013)
Detecta o comportamento quando o aluno faz
pedidos sucessivos de dicas e mostra ao mesmo,
através de mensagens e expressão de emoções, que
ele está ciente do comportamento do aprendiz.
Desencoraja o aluno à prática do GTS (Gaming The
System) que é um comportamento indesejado do
aluno, pois reflete negativamente no aprendizado
final do estudante. O GTS se caracteriza pelo aluno
tentar burlar o sistema para obter as respostas dos
exercícios.
interage, estimula,
motiva, ajuda.
Divalite
(Sansonnet
et al., 2012)
Um framework empregado para o desenvolvimento
de Web baseado em ECA (Agentes Corporificados
Conversacionais), do inglês Embodied
Conversational Agents. Dada uma página Web w 
W, o Framework Divalite permite que o
programador integre um ou vários agentes nesta
página para produzir uma página conversacional w*
 W*. Os agentes implementados a partir do
Divalite apresentam dimensões tais como
personagens virtuais dotados de rica expressão
-

88
gráfica de emoções e o estudo do seu impacto nos
usuários, capazes de reduzir a pesquisa do aluno
gerada por carga cognitiva das páginas Web. É
empregado em aplicações tais como e-Learning e
jogos eletrônicos (ver Figura 11).
Figura 13: Cinco famílias de estratégias de regulação da emoção (DIAS; PAIVA,
2013).
Figura 14: Um diagrama esquemático
do WBD - 1 (Or; Takanishi, 2005)

89
Figura 15: A dança do ventre WBD - 1
(Nature, 2004)
Figura 16: Aplicações Web baseadas no Framework Divalite (Sansonnet et al.,
2012).
Agentes Aspectos Funcionais e Dimensões Afetivas
PAT2Math
(Seffrin et al.
2010)
Auxilia o aluno nas suas dificuldades de aprendizagem; considera suas emoções, de
forma a motivá-lo e engajá-lo em sua interação com o sistema.
Dr. Pierre (De
Oliveira et al.
2010)
É um chatterbot com interação e personalidade para apoiar o ensino e aprendizagem
de Psiquiatria e Psicologia, provendo conhecimento por meio de diálogos mais
próximos de interlocutores humanos.
Persona-Algo
(Lapsen et al.
2010)
Auxilia o professor e o aluno na disciplina de algoritmos, levando em consideração
o nível de conhecimento do aluno, assim como seus estados afetivos.
DIMI (Kunzel et
al. 2011)
Companheiro do aluno. Expressa as emoções felicidade, tristeza e companheirismo.
A tristeza é expressa por DIMI quando o aluno tem dificuldade, ao errar um

90
exercício ou quando este não está gostando da interação. A felicidade é expressa no
momento que o aluno está gostando da interação e não apresenta dificuldades,
acertando os exercícios. O companheirismo é o estado padrão do agente DIMI
durante a interação aluno/ambiente. Nas Figuras 12a e 12b são mostradas as
sequências de expressões do comportamento do agente DIMI frente às emoções
tristeza e felicidade, respectivamente.
MIKE (Lane et
al. 2011)
Ajuda os visitantes à Robot Park, uma exposição interativa para programação de
computadores; usa animações e voz sintetizada para interagir com os visitantes,
dando-lhes várias formas de apoio ao longo da visita ao museu.
DIVALITE
(Sansonnet et al.
2012)
Um framework para o desenvolvimento Web baseado em ECA (Agentes
Corporificados Conversacionais), do inglês Embodied Conversational Agents. Dada
uma página Web w  W, o framework Divalite permite que o programador integre
um ou vários agentes nesta página para produzir uma página conversacional w* 
W*. Os agentes implementados a partir do Divalite apresentam dimensões tais como
personagens virtuais dotados de rica expressão gráfica de emoções e o estudo do seu
impacto nos usuários, capazes de reduzir a pesquisa do aluno gerada por carga
cognitiva das páginas Web. É empregado em aplicações como e-learning e jogos
eletrônicos.
Coach Mike
(Lane et al.
2013)
Coach Mike é um agente pedagógico animado que usa técnicas de tutores
inteligentes para ajudar os alunos em adquirir habilidades em programação básica de
computadores. Entusiasma os alunos, dando-lhes feedback de suas resoluções,
falando-lhes sobre depuração, bem como explicando a função de específicos
comandos de programação.
MInA (Rissoli;
Santos, 2013)
MInA interage afetivamente com o usuário, priorizando a transmissão de aspectos
afetivos e emocionais, através de uma forte abordagem visual. Usa frases e
metáforas que informa ao aluno a sua situação de aprendizagem, de forma realista e
motivadora, posicionando o agente como assistente e companheiro nos desafios
educacionais.
KinSAR (Keren;
Fridin, 2014)
O KinSAR (Kindergartem Social Assistiva Robot) é um robô que promove o
desenvolvimento de crianças por meio da interação social. O KindSAR ajuda a
equipe educacional escolar no ensino de pensamento geométrico e na promoção do
desenvolvimento metacognitivo, envolvendo as crianças em atividades lúdicas
interativas.
Oscar CITS
(Latham et al.
2014)
Oscar CITS é um sofisticado ITS (Intelligent Tutoring Systems) que usa uma
interface de linguagem natural para permitir a alunos universitários construir seu
próprio conhecimento através da discussão. Oscar CITS pretende imitar um tutor
humano, detectando e adaptando-se a estilos de aprendizagem de um indivíduo,
enquanto dirige o tutorial de conversação de forma dinâmica.

91
(a) (b)
Figura 17: Expressões de tristeza e felicidade do DIMI
(a) - DIMI triste e em (b) - DIMI feliz
(Kunzel et al., 2011)

92
Anexo 5: Cronograma do Estudo de Caso-Piloto
ATIVIDADES PREVISTAS
MESES
2014
MESES
2015
FASE
METODOLÓGICA
Segundo Flick (2013)
SITUAÇÃO
8 9 10 11 12 1
1. Reunir com a Coordenação de curso de Engenharia da Computação/CCT/UEMA para a
operacionalização do Estudo de Caso-Piloto.
Planejamento e
Concepção
AC
2. Definir a amostra de alunos onde serão aplicados os questionários e escalas de autorrelatos
(Turma 2015.1 1o
Período do curso de Engenharia da Computação/CCT/UEMA, No
= 45
alunos).
Planejamento e
Concepção
AC
3. Aplicação do Termo de Consentimento Livre e Esclarecido (TCLE) para a Turma 2015.1,
do curso de Engenharia da Computação/CCT/UEMA. (ver Anexo 7)
Trabalhando
os Dados
AP
4. Aplicação das Escalas de Autorrelatos (Ver Anexo 3) para A Turma 2015.1, do curso de
Trabalhando
os Dados
AP
5. Mensuração dos escores totais de Escalas de Autorrelatos dos alunos da Turma 2015.1, do
curso de Engenharia da Computação/CCT/UEMA).
Trabalhando
os Dados
AP
6. Inferência do perfis de autorrelatos com base nos escores totais dos 13 alunos Trabalhando
os Dados
AP
7. Formação dos grupos de alunos para trabalhos colaborativos no AVA Moodle do curso de
M32015
Planejamento e
Concepção
AP
8. Planejamento da atividade colaborativa no AVA Moodle do curso de Engenharia da
M32015
Planejamento e
Concepção
AP
9. Definição da atividade para aprendizagem colaborativa no Moodle do curso de Engenharia
da Computação/CCT/UEMA.
M42015
Planejamento e
Concepção
AP
10. Preparação da sala virtual no Moodle, do curso de Engenharia da
Computação/CCT/UEMA (conteúdos, ferramentas computacionais que darão apoio às
atividades de aprendizagem colaborativa, tais como chat, fórum, Wiki).
M42015
Planejamento e
Concepção
AP
11. Formulação das hipóteses de pesquisa com o objetivo de investigar e correlacionar a
influência das variáveis positivas do aluno com aprendizagem colaborativa.
M42015
Planejamento e
Concepção
AP
12. Aplicação da atividade colaborativa contextualizada no Moodle do curso de Engenharia da
M52015
Trabalhando
os Dados
AP
13. Análise de resultados, interpretações e inferências do perfil do aluno e de grupos
otimizados para a aprendizagem colaborativa apoiada por computador.
M62015 Reflexão e Escrita AP

93
Legenda para SITUAÇÃO das atividades previstas:
AC - Atividade Concluída
AA - Atividade em Andamento
AP - Atividade Parada
M32015 - Mês 3 de 2015 ...

94
Anexo 6: Mensuração dos escores totais de autorrelatos.
AVALIAÇÃO EM PSICOLOGIA POSITIVA
ESCALA DE SATISFAÇÃO DE VIDA (ESV)
RESPOSTAS
Discordo plenamente 1
Concordo plenamente 7
Alunos Afirm1 Afirm2 Afirm3 Afirm4 Afirm5 Escore_Bruto Percentil
Aluno1 4 5 7 5 5 26 65
Aluno2 4 5 4 7 3 23 50
Aluno3 5 5 7 7 6 30 85
Aluno4 4 2 3 4 3 16 25
Aluno5 5 4 5 6 4 24 55
Aluno6 6 3 5 3 1 18 30
Aluno7 2 2 3 5 6 18 30
Aluno8 5 4 5 5 4 23 50
Aluno9 4 5 5 5 6 25 60
Aluno10 5 5 5 5 4 24 55
Aluno11 5 7 4 1 1 18 30

95
ESCALA DE AFETOS POSITIVOS E NEGATIVOS (PANAS)
RESPOSTAS
AFETOS
ALUNOS A B C D E F G H I J K L M N O P Q R S T SOMA_AP Percentil_AP SOMA_AN Percentil_AN
Aluno1_h 2 3 1 3 3 2 4 3 2 3 2 1 1 3 1 2 2 2 1 3 28 25 16 50
Aluno2_h 1 1 1 1 2 1 5 5 5 5 1 4 5 5 1 1 4 1 3 3 36 75 19 50
Aluno3_h 2 5 1 1 4 5 5 5 5 5 1 3 2 5 1 1 5 1 1 5 49 100 14 25
Aluno4_h 3 3 2 3 4 2 4 4 3 3 2 3 3 4 3 2 2 2 2 3 32 50 25 75
Aluno5_h 1 4 1 1 4 4 4 4 4 3 1 1 1 3 1 1 3 1 1 3 36 75 10 5
Aluno6_h 4 2 2 4 4 3 4 3 3 3 4 5 5 4 5 2 1 2 1 1 28 25 34 95
Aluno7_h 4 3 3 2 3 3 4 4 4 3 3 4 5 4 4 3 4 3 3 3 35 75 34 95
Aluno8_h 2 3 2 1 4 4 5 4 5 4 1 2 3 4 2 2 4 1 1 3 40 90 17 50
Aluno9_h 1 4 1 1 5 4 5 4 4 5 1 1 1 4 1 1 3 1 1 4 42 90 10 5
Aluno10_h 2 4 1 1 4 3 4 2 2 3 1 2 1 3 2 2 2 1 2 4 31 50 15 25
Aluno11_h 2 2 3 4 5 2 4 4 3 5 2 3 4 4 5 3 4 4 3 2 35 75 33 95
AFETOS POSITIVOS NEGATIVOS
1 - nem um
pouco
A (Aflito) B A 2 - um pouco
B (Amável) E C
3 -
moderadamente
C (Amedrontado) F D 4 - bastante
D (Angustiado) G K
E (Animado) H L
F (Apaixonado) I M
G (Determinado) J O

96
H (Dinâmico) N P
I (Entusiasmado) Q R
J (Forte) T S
K (Humilhado)
L (Incomodado) Aln_h = Homem
M (Inquieto) Aln_m = Mulher
N (Inspirado)
O (Irritado)
P (Nervoso)
Q (Orgulhoso)
R (Pertubado)
S (Rancoroso)
T (Vigoroso)

97
ESCALA PARA AVALIAR OTIMISMO (LOT-R)
RESPOSTAS
Discordo plenamente 1
Concordo plenamente 5
ALUNOS Afirm1 Afirm2 Afirm3 Afirm4 Afirm5 Afirm6 Afirm7 Afirm8 Afirm9 Afirm10 SOMA_AP SOMA_AN ESCORE_BRUTO PERCENTIL
Aluno1 4 3 3 5 5 4 4 5 4 4 13 11 24 45
Aluno2 3 4 3 5 5 5 1 4 5 5 13 9 22 35
Aluno3 6 4 5 5 5 5 5 1 5 5 16 15 31 100
Aluno4 2 2 2 2 4 3 4 2 4 3 7 10 17 10
Aluno5 4 4 3 4 4 4 4 4 4 4 12 11 23 45
Aluno6 5 3 5 5 5 5 5 1 5 5 15 15 30 95
Aluno7 4 4 1 4 5 5 5 3 5 5 13 11 24 45
Aluno8 4 3 2 5 5 4 5 3 5 4 13 12 25 55
Aluno9 5 5 5 4 5 4 5 3 1 5 14 11 25 55
Aluno10 5 4 1 5 4 5 5 3 5 4 14 11 25 55
Aluno11 3 4 3 3 5 5 3 4 1 3 9 7 16 10
AFETOS ITENS ITENS DISTRATORES
Positivos Afirm1 Afirm4 Afirm10 Afirm2 Afirm5 Afirm6 Afirm8
Negativos Afirm3 Afirm7

98
ESCALA DE ESPERANÇA DISPOSICIONAL
RESPOSTAS
Totalmente Falsa 1
Totalmente Verdadeira 5
ALUNOS A B C D E F G H I J K L ESCORE_BRUTO PERCENTIL
Aluno1 4 3 4 5 3 4 5 3 2 4 3 3 28 20
Aluno2 5 5 3 5 1 5 3 5 4 5 5 5 39 95
Aluno3 5 5 1 5 1 5 4 5 5 5 5 5 40 100
Aluno4 4 4 2 3 2 2 4 3 4 3 5 3 26 10
Aluno5 4 4 2 4 2 4 3 4 3 4 3 4 31 45
Aluno6 5 5 3 4 3 5 5 5 2 1 5 3 30 35
Aluno7 4 4 3 4 2 4 4 4 5 3 5 3 31 45
Aluno8 4 5 4 4 3 5 5 5 4 3 3 4 34 70
Aluno9 5 4 3 5 2 4 3 4 4 3 2 4 33 60
Aluno10 3 4 2 5 1 5 5 5 4 3 4 3 32 55
Aluno11 4 5 3 5 5 3 5 5 5 5 5 5 37 85
ITENS DISTRATORES
C E G K

99
ESCALA DE AUTOEFICÁCIA GERAL
RESPOSTAS
Sempre Falso 1
Sempre Verdadeiro 5
ALUNOS A B C D E F G H I J K L M N O P Q R S T SOMA_IP SOMA_IN ESCORE_BRUTO PERCENTIL
Aluno1_h 3 4 4 4 3 3 4 4 5 2 3 2 4 3 3 5 3 4 3 3 46 23 69 25
Aluno2_h 5 5 5 5 4 5 5 5 5 5 5 4 5 4 5 5 5 5 5 5 67 30 97 100
Aluno3_h 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 70 30 100 100
Aluno4_h 3 4 4 4 3 3 3 4 3 3 4 2 4 3 2 4 3 4 3 3 43 23 66 15
Aluno5_h 4 4 3 3 3 3 4 3 4 4 4 4 3 4 4 4 4 4 4 4 52 22 74 40
Aluno6_h 4 4 5 4 4 2 4 5 2 1 3 5 1 4 3 5 5 4 1 4 48 22 70 25
Aluno7_h 4 3 4 2 3 3 4 4 4 3 3 4 1 4 2 4 4 2 4 4 48 18 66 15
Aluno8_h 4 5 5 4 3 4 4 4 4 4 3 5 3 5 5 5 3 5 3 5 58 25 83 80
Aluno9_h 4 4 2 4 3 3 4 2 3 5 4 4 3 3 4 4 4 5 3 5 50 23 73 40
Aluno10_h 3 4 4 4 3 4 2 3 4 4 4 4 3 3 3 4 3 4 4 3 49 21 70 25
Aluno11_h 5 5 5 5 4 4 5 3 4 5 4 3 3 4 3 5 5 5 5 3 62 23 85 85
ITENS POSITIVOS (IP) A B C D E F G I J L N O Q S
ITENS NEGATIVOS (IN) H K M P R T
OBSERVAÇÃO Aln_h = Homem
Na tabela, os itens negativos já tiveram
seus escores invertidos
Aln_m = Mulher

100
Anexo 7: Perfis de Autorrelatos dos indivíduos
MODELANDO OS PERFIS DE AUTORRELATOS DOS INDIVÍDUOS
PERCENTIS/VARIÁVEIS POSITIVAS
ALUNOS SV AP AN O E A PERFIS DE AUTORRELATOS
Aluno1 65 25 50 45 20 25 ?
Aluno2 50 75 50 35 95 100 ?
Aluno3 85 100 25 100 100 100 ?
Aluno4 25 50 75 10 10 15 ?
Aluno5 55 75 5 45 45 40 ?
Aluno6 30 25 95 95 35 25 ?
Aluno7 30 75 95 45 45 15 ?
Aluno8 50 90 50 55 70 80 ?
Aluno9 60 90 5 55 60 40 ?
Aluno10 55 50 25 55 55 25 ?
Aluno11 30 75 95 10 85 85 ?
LEGENDA:
SV: Satisfação de Vida
AP: Afetos Positivos
AN: Afetos Negativos
O: Otimismo
E: Esperança
A: Autoeficácia

101
Anexo 8: Termo de Consentimento Livre e Esclarecido (TCLE)
TERMO DE CONSENTIMENTO LIVRE E ESCLARECIDO (TCLE)
Estamos realizando um estudo de proposta de doutorado com o objetivo de
investigar como potencializar a aprendizagem colaborativa apoiada por computador,
através de indicadores positivos do indivíduo. Assim, você está sendo convidado (a) para
realizar as atividades desse processo, em um formato a distância. A sua colaboração poderá
contribuir para a construção do conhecimento científico e beneficiar perspectivas de
intervenções pedagógicas futuras. A participação na pesquisa é totalmente voluntária. Esta
pesquisa é coordenada pela Professora Dra. Magda Bercht (PPGIE/UFRGS), pelo Prof. Dr.
Cláudio Simon Hutz (Laboratório de Mensuração, do Instituto de Psicologia/UFRGS) e
pelo Doutorando Cícero Costa Quarto, do Programa de Pós-Graduação em Informática na
Educação da Universidade Federal do Rio Grande do Sul (UFRGS) com quem podem ser
obtidas maiores informações (Av. Paulo Gama, 110 - prédio 12105 - 3º andar sala 332
CEP: 90040-060 - Porto Alegre – RS – Brasil; bercht@inf.ufrgs.br e Laboratório de
Mensuração da UFRGS - Rua Ramiro Barcelos, No 2600, Sala 101 - Bairro Santa Cecília,
Porto Alegre/RS - Brasil; claudio.hutz@gmail.com).
Se você tiver dúvidas em relação à pesquisa ou quiser comentar algum aspecto
relacionado à mesma pode contatar os Pesquisadores responsáveis. A participação na
pesquisa é voluntária. Portanto, caso não queira participar, você não precisa assinar este
termo nem participar da pesquisa. O fato de não querer participar da pesquisa não lhe trará
nenhum prejuízo.
Após o encerramento do processo, você pode solicitar uma devolutiva individual.
Os resultados globais da pesquisa serão publicados posteriormente em algum periódico ou
evento científico da área de psicologia e informática na educação, sem identificação da
identidade dos participantes. Na apresentação dos resultados desse trabalho, sua identidade
será mantida no mais rigoroso sigilo. Serão omitidas todas as informações que permitam
identificá-lo (a).
Este documento foi revisado e aprovado pelo Comitê de Ética da Universidade
Federal do Rio Grande do Sul (número CAAE 20469713.0.0000.5347 ).
Pelo presente Termo de Consentimento, eu,
__________________________________ declaro que sou maior de 18 anos e que fui
informado dos objetivos e da justificativa da presente pesquisa, e estou de acordo em
participar da mesma. Fui igualmente informado: a) da liberdade de participar ou não da
pesquisa, bem como do meu direito de retirar meu consentimento, a qualquer momento, e
deixar de participar do estudo, sem que isso me traga qualquer prejuízo; b) da garantia de
receber resposta a qualquer dúvida acerca dos procedimentos e outros assuntos
relacionados com a pesquisa; c) da segurança de que não serei identificado e de que se
manterá o caráter confidencial das informações registradas; d) que as informações obtidas

102
serão arquivadas sem identificação pessoal junto ao banco de dados do pesquisador
responsável; e) que os dados da pesquisa serão arquivados sob a guarda do pesquisador
responsável por cinco anos e depois destruídos.
Data ___/____/____ Assinatura do participante: ______________________________
Assinatura do pesquisador responsável: _________________________________

Proposta detesecicero atualizada_01012015

Mais conteúdo relacionado

Mais procurados

Mais de Cícero Quarto

Último

Proposta detesecicero atualizada_01012015