Tutores Inteligentes Prof. Dr.José Maria Parente de Oliveira Aluno: Fretz SieversJunior 2° semestre/2006 1/62 Capítulo 3 – Modelo do Estudante Capítulo

1/62 Tutores Inteligentes

Prof. Dr.José Maria Parente de Oliveira Aluno: Fretz SieversJunior

2° semestre/2006

Capítulo 3 – Modelo do EstudanteCapítulo 3 – Modelo do Estudante Capítulo 3 – Modelo do EstudanteCapítulo 3 – Modelo do Estudante

Fretz Sievers Junior



2° semestre/2006

RoteiroRoteiroRoteiroRoteiro

1- Contextualização2- A Char of the Space3- Técnicas de Diagnósticos4- Modelo de Treinamento5 - Path Finding6 - Condition Induction3 - Plan Recognition4 - Issue Tracing5 – Expert Systems6 – Decision Trees7 - Conclusões



2° semestre/2006

1- Contextualização1- Contextualização1- Contextualização1- Contextualização

Modelo Aluno

Modelo Diagnostico

Modulo do Aprendiz



2° semestre/2006

2 -A chart of the Space2 -A chart of the Space2 -A chart of the Space2 -A chart of the SpaceHá 33 possíveis modelos de estudante. Os modelos de estudante que fazem diagnose mais fácil são modelos overlay em conhecimento processual plano onde os estados mentais do estudante estão disponíveis ao programa diagnóstico. O problema mais dificil é um modelo de estudante de biblioteca de parte de erros ( bug-parts-library) em cima de conhecimento declarativo quando só o resultado final do raciocínio do estudante estiver disponível ao programa diagnóstico. Nem todos os 27 possíveis tipos de modelos de estudante foram implementados. Figure 3.2 mostra para algum do estudante existente que modela sistemas e o local deles no espaço dos modelos de estudante. A dimensão de largura do volume de dados é o eixo Y e o conhecimento digita dimensão é o eixo X. A dimensão de diferenças de estudante-perito é indicada através de asteriscos: ** significa um erro da biblioteca a parte, *significa um erro separado da biblioteca, e nenhum asterisco significa um overlay. O referenced de ITSs na figura são tudo bastante complexo, e terminou amplo quarto para discordância como eles deveriam ser classificados.



2° semestre/2006

3- Técnicas de Diagnóstico3- Técnicas de Diagnóstico3- Técnicas de Diagnóstico3- Técnicas de Diagnóstico

Nove técnicas diagnóstico aparecem tão distantes dentro da literatura ITS. Esta seção os revisa um por um. A maioria das técnicas foi usado em somente alguns casos de tipos de modelos de estudante. Como um vigamento para discussões adicionais. O espaço de modelos de estudante é mostrado no mesmo formato como Figura 3.2; mas as celulas estão cheias com os nomes das técnicas diagnóstico que foram empregadas no estudante correspondente ao modelo do sistemas. É importante notar que este quadro está baseado em sistemas atuais e as técnicas diagnóstico que eles usam. É provável que algumas das técnicas podem ser usados com outros tipos de modelos de estudante



2° semestre/2006


As três dimensões do modelo do Estudante.

Volume de Dados – Quanto as atividades dos estudantes esta avaliada para o diagnostico do programa.Estados Mentais: Todas as atividades, físico e mental e avaliada.Estados Intermediários: Todas as atividades são observáveis, físico está disponível.Estado Final. – Somente o estado final – A resposta esta disponível



2° semestre/2006


Tipos de Conhecimento: Quais são os tipos de assuntos do conhecimentoFlat Procedural: Procedimento de conhecimento sem subobjetivos.Hierárquico Procedural: Procedimento procedural com subobjetivosDeclarativo



2° semestre/2006


Diferenças entre estudantes Experientes. Como o modelo do estudante se difere do modelo especialista ?

Overlay (superficial) : Alguns itens do modelo especialista são perdidos.

Bibliotecas de Erros: além de conhecimento perdido, o modelo de estudante pode ter conhecimento de "erros" incorreto. Os erros vêm de uma biblioteca de predefinida

biblioteca de parte de Erro: são ajuntados Erros dinamicamente para ajustar o comportamento do estudante.



2° semestre/2006


KnowledgeType

Bandwidth

Procedural-flat Procedural-Hierarchical Declarative

MentalStates

**Kimball's calculus tutor**Anderson's LISP tutor**Anderson's Geometry tutor

GUIDON

IntermediateStates

WESTWUSOR

**The MACSYMA Avisor**Spade**Image

*SCHOLAR*WHY*GUIDON

Final States

**LMS**Pixie**ACM

*BUGGY*DEBUGGY*IDEBUGGY

*MENO*PROUST



2° semestre/2006


Knowledgetype

Bandwidth

Procedural-flat Procedural-Hierarchical Declarative

MentalStates

Model tracing

IntermediateStates

Issue tracing Plan recognition Expertsystem

FinalStates

Path findingConditionInduction

Decision treeGenerate and testInteractive

Generateand test



2° semestre/2006

4- Modelo de Treinamento4- Modelo de Treinamento4- Modelo de Treinamento4- Modelo de Treinamento• Provavelmente a Técnica mais Fácil de implementar porque envolve todos os estados mentais e significantes do aluno para o diagnóstico

•Utiliza um interpretador sub-determinado para resolução de problemas que pode sugerir um conjunto de regras.

•Algoritmo de diagnostico “queima” as regras sugerindo possíveis próximos estados.

•Modelo traça a resolução do problema e compara com a atividade do aluno.

• O modelo deve ser altamente plausível psicologicamente para que o modelo seja aplicado.



2° semestre/2006

• Resolver assuntos técnicos enganadores como mostra abaixo:

(a) O que deveria fazer o sistema se o estado do estudante não emparelhar quaisquer dos estados produzido pelas regras no modelo? (b) Suponha o estudante gera um próximo estado adivinhando ou por engano; o sistema assumirá erroneamente que o estudante sabe a regra correspondente; (c) Quando o sistema deveria mudar seu conceito sobre seu modelo de estudante?

4- Modelo de Treinamento4- Modelo de Treinamento4- Modelo de Treinamento4- Modelo de Treinamento



2° semestre/2006

5- Path Finding5- Path Finding5- Path Finding5- Path Finding

Se o volume de dados não for grande o bastante para garantir a suposição de que o estudante tenha aplicado somente uma regra mental, então o modelo traçado torna-se inaplicável. Porém, é possível para um algoritmo path-finding ser aplicado antes do algoritmo model-tracing.

Dado dois estados consecutivos, ele encontra um caminho, ou encadeia a aplicação das regras, que compreende o primeiro estado no segundo estado. O caminho é então dado para um algoritmo model-tracing, o qual considera ele como uma fiel reedição da seqüência do estado mental do aluno. O principal problema técnico do path finding é que existem, geralmente, muitos caminhos entre os dois estados dados.



2° semestre/2006

5- Path Finding5- Path Finding5- Path Finding5- Path Finding

Esses temas merecem uma pesquisa posterior

O path finding deve enviar todos os caminhos para o modelo investigador e ele permite a transação com a ambigüidade?

Ele deve usar heurísticas para rejeitar caminhos improváveis ?

Ele deve perguntar aos alunos o que eles fizeram?



2° semestre/2006

6- Condition Induction6- Condition Induction6- Condition Induction6- Condition Induction

•Model-tracing assume que quaisquer dois estados consecutivos, no problema resolvido pelo aluno, podem ser conectados a uma regra em seu modelo.

•Eles colocam fortes demandas na perfeição do modelo. Revestindo modelos geralmente ele não trabalhará. Modelos de bibliotecas de bugs contêm um grande número de bugs. Parte da biblioteca de bugs é então usada como base para a modelagem do aluno. Dados dois estados consecutivos, o sistema constrói uma regra que converte um estado no outro.



2° semestre/2006


Apesar deles serem potencialmente de muitas formas, para construir tais regras buggy, a única técnica que tem sido experimentada é até aqui uma indução de condição.

Esta técnica requer duas bibliotecas. Uma biblioteca de operadores que converte um estado em outro. A outra é uma biblioteca de predicados.

A técnica assume que uma biblioteca de operadores é mais rica que quaisquer dois estados mentais consecutivos podendo ser igualados a aplicação de algum operador



2° semestre/2006


Esse operador se torna o lado da ação da regra de produção que será gerada. O trabalho difícil é a determinação de que combinação lógica de predicados devem constituir o lado da condição de produção. A condição deve ser verdadeira para estados em que a regra tenha sido aplicada e falsa nos outros casos

O sistema correntemente tem um estado para o qual ele é verdadeiro; que é, o primeiro estado do par de estados. A confiança induz uma condição necessária para examinar mais estados



2° semestre/2006


Estes estados podem vir de um registro de resoluções de problemas anteriores pelo aluno. O sistema pode também demorar na construção de regras até mais estados serem examinados na resolução posterior de problemas.

Esta técnica parece requerer muito mais dados para a resolução de problemas do estudante como técnicas de diagnóstico para encobrir modelos ou bibliotecas de bugs feitas. Uma parte da biblioteca de bugs pode representar mais hipóteses para outros tipos de modelos, assim mais dados são necessários para discriminar entre eles.



2° semestre/2006

7- Reconhecimento de Planos7- Reconhecimento de Planos7- Reconhecimento de Planos7- Reconhecimento de Planos

A princípio, o path finding seguiu o modelo model tracing, com ou sem indução de regras, que pode diagnosticar qualquer coisa. Porém, quando os caminhos observados entre os estados são muito longos, o diagnóstico pode se tornar impossível ou não muito confiável.

Reconhecimento de planosReconhecimento de planos é um diagnóstico técnico que é similar ao path finding em que ele é um front end para o model tracing. Porém, ele é mais efetivo que o path finding para as circunstâncias especiais onde ele é aplicado



2° semestre/2006


Reconhecimento de planos requer que o conhecimento do modelo de aluno seja procedural e hierárquico, estados observados na solução de problemas por alunos são produzidos e disponibilizados para o programa de diagnóstico.

Estes dois requisitos juntos ditam que um episódio da solução de problemas que pode ser analisado como uma árvore. Partindo das árvores estão as ações primitivas, como o movimento de uma peça de xadrez ou de escrever uma equação.

Os nonleaf node da árvore são sub-objetivos, como que para pegar a rainha do oponente ou fatorar uma equação do segundo grau.



2° semestre/2006


O root node da árvore é o objetivo global. Links entre nodos da árvore representam os relacionamentos entre objetivos e sub-objetivos. Como tal uma árvore é, geralmente, chamada de plano, um misnomer de seu desenvolvimento prematuro na robótica.

Reconhecimento de planos é o processo de inferência de uma árvore quando somente suas folhas são dadas. Computacionalmente, reconhecimento de planos é similar ao parsing de uma string com uma gramática livre de contexto, uma árvore parse é construída onde suas folhas são os elementos da string. O sistema CIRRUS, utiliza parsing para o reconhecimento de planos.



2° semestre/2006


Quando o reconhecimento de planos é utilizada em diagnósticos, ela serve de front end para o model tracing. Assumindo que o reconhecimento de planos encontrando uma única árvore de planos que mede as ações do aluno, então o caminho mental do aluno é assumido como sendo uma primeira representação, esquerda-para-direita, transversal da árvore. Este caminho pode ser introduzido em um algoritmo model-tracing, o qual atualiza o modelo de aluno adequadamente.



2° semestre/2006


São dois os temas técnicos a serem considerados: quando o reconhecedor de planos encontra mais que uma árvore consistente com as ações do aluno, o que fazer? e quando ele não encontra nenhuma? Para evitar a segunda situação, o sistema de reconhecimento de planos, geralmente usa o modelo de biblioteca de bugs em lugar de overlay models.



2° semestre/2006

Se um altamente granulado modelo de aluno é desejado, então uma variação do modelo tracing chamado issue tracing é apropriado. Ele é baseado na análise de um curto episódio da resolução de um problema em um conjunto de microskills ou papéis que são empregados durante o processo. A análise não explica como os temas interagem ou que papéis eles representaram na resolução do problema.

O sistema WEST (Burton & Brown, 1982) abriu caminho esta técnica diagnóstico. Sua tarefa é ensinar um jogo de tabuleiro simples. Uma volta consiste em escolher uma combinação de aritmética de três fortuitamente números escolhidos de tal um modo que o valor da expressão, quando acrescentou à posição atual do símbolo do jogador, resulta em uma posição nova que é mais íntimo à posição de meta. Expressões podem conter qualquer operação de aritmética ou parênteses

8 – Assunto de Treinamento8 – Assunto de Treinamento8 – Assunto de Treinamento8 – Assunto de Treinamento



2° semestre/2006

8 – Assunto de Treinamento8 – Assunto de Treinamento8 – Assunto de Treinamento8 – Assunto de Treinamento

O primeiro passo no issue tracing é analisar os movimentos do aluno e os movimentos do especialista no tema. Cada tema tem dois contadores, usados ou deixados. Os contadores usados são incrementados por todos os temas nos movimentos do aluno.

Contadores deixados são incrementados por todos os temas nos movimentos dos especialistas que não estão nos movimentos dos alunos.

Se os contadores usados são altos e os contadores deixados são baixos, o estudante provavelmente entendeu o tema. Se os contadores deixados são altos (muitos) e os contadores usados baixos (poucos), então o aluno não entendeu o tema. Se ambos contadores são nulos o tema não foi iniciado ainda.



2° semestre/2006

8 – Assunto de Treinamento8 – Assunto de Treinamento8 – Assunto de Treinamento8 – Assunto de TreinamentoEste único processo de diagnóstico tem um problema oculto. Ignorância de qualquer um dos temas envolvidos nos movimentos do especialista é suficiente para causar uma negligência naquele movimento; contudo o modelo culpa o tema uniformemente por incrementar todos os seus contadores deixados. Isto introduz alguma inexatidão no modelo de aluno.



2° semestre/2006

9-Sistemas Especialistas9-Sistemas Especialistas9-Sistemas Especialistas9-Sistemas EspecialistasO sistema GUIDON de Clancey usa um modelo de aluno bastante

granulado, da mesma maneira que o WEST e o WUSOR fazem. Em vez de temas, GUIDON usa regras de inferência. As regras concernem diagnósticos médicos e modelam moderadamente grande parte do conhecimento que sumariza uma variedade de operações cognitivas. Uma regra típica é:

Regra 545 Se -1. A infecção foi adquirida enquanto o paciente estava

hospitalizado, e 2. a contagem de glóbulos brancos no sangue é menor que 2500

então a. esta é uma forte evidência que o organismo é E. coli, e b. esta é uma evidência que sugere que o organismo é uma

pneumonia Klebsiella, e c. esta é uma evidência que sugere que o organismo é o

Pseudomonas.



2° semestre/2006

Porque tais regras são mais complicadas que assuntos, o problema de diagnose é mais dificil. Por exemplo, se um estudante é determinado um último que isso emparelha as cláusulas de antecedente em Regra 545, e ainda o hypothesizes de estudante única das conclusões (por exemplo, conclusão (um), que o organismo é coli de E.) mas não o outro dois, então não está claro se o estudante usou a regra ou não. Outra regra, ativada por alguma outra característica do caso, pode ter levado o estudante a concluir que o organismo era coli de E..

Há muitos possíveis modos para regras interagirem. Controlar o miríade de combinações, GUIDON usa uma aproximação de sistemas especialista. Tem dúzias de regras diagnóstico este aqui como:

9-Sistemas Especialistas9-Sistemas Especialistas9-Sistemas Especialistas9-Sistemas Especialistas



2° semestre/2006

9-Sistemas Especialistas9-Sistemas Especialistas9-Sistemas Especialistas9-Sistemas EspecialistasIf 1. As hipóteses do estudante incluem algumas hipóteses

que pode ser concluído por esta regra e2. as hipóteses do estudante não incluem todas as

conclusões disto então diminuição de grau de convicção que o estudante sabe

esta regra por volta de 70%.

Esta escada diagnóstico particular há pouco aplica na situação descrita. GUIDON que usa um modelo overlay com pesos contínuos, adequadamente degrada o peso no de modelo de estudante 545



2° semestre/2006

9 – Sistemas Especialistas9 – Sistemas Especialistas9 – Sistemas Especialistas9 – Sistemas Especialistas

A idéia básica da aproximação de sistemas especialista para diagnose é prover regras diagnóstico para todas as situações que surgem.

Alguns assuntos técnicas são: Se duas regras diagnóstico emparelham a situação

Como as conclusões serão combinadas?

O que acontece se nenhuma regra atingir um diagnóstico?

Quantas regras de diagnóstico terão que mudar se a base de conhecimento mudar ?



2° semestre/2006

10- Árvore de Decisão10- Árvore de Decisão10- Árvore de Decisão10- Árvore de DecisãoTodas as técnicas de diagnósticos devem lidar com o fato de que alunos raramente tem somente uma falha em seu conhecimento. Eles geralmente tem várias. Diagnósticos de múltiplos bugs deveriam ser simples se os sistemas pudessem gerar os sintomas da co-ocorrência de bugs tomando a união dos sintomas eles mostrariam os bugs isolamento. Isso não é sempre possível.



2° semestre/2006

10- Árvore de Decisão10- Árvore de Decisão10- Árvore de Decisão10- Árvore de DecisãoA técnica de árvores de decisão é uma abordagem de força bruta para a composição do bug. Elas são empregadas pelo sistema de diagnóstico BUGGY. BUGGY amplia a biblioteca de bugs formando todas os pares possíveis. Antes tinha-se 55 bugs, depois dessa expansão ficaram 3025 pares de bugs. Para que ele diagnostique esses bugs a mais , BUGGY pré-analisa os teste que o aluno realiza e forma uma árvore de decisão que indexa os bugs por suas respostas para os problemas.



2° semestre/2006

10- Árvore de Decisão10- Árvore de Decisão10- Árvore de Decisão10- Árvore de DecisãoA vantagem da abordagem de árvores de decisão é que a

busca nas árvores é bastante simples para ser implementada em um microcomputador. Um grande computador pode ser usado para a computacionalidade intensiva do processo de construção das árvores de decisão. A desvantagem desta técnica é que ela não efetua realmente a manipulação de múltiplas ocorrências de bugs. Ao invés, ele calcula antecipadamente todas as possíveis combinações e trata as combinações de bugs somente com os bugs primitivos. Para o BUGGY diagnosticar estes alunos iria requerer aproximadamente 9 000 000 de tuplas de bugs, as quais significam uma árvore de diagnóstico com trilhões de nodos.



2° semestre/2006

a) STEAMER (Harmon & King 1988; Clancey 1987a)

• Construído pelo Centro de Pesquisa e Formação de Pessoal da Marinha em San Diego, em colaboração com a Bolt, Beranek & Neuman, Inc., de Cambridge, Massachusetts. O sistema tem por objetivo ensinar aos oficiais da Armada os problemas referentes a direção de uma central de propulsão a vapor (comum a muitos barcos da Marinha americana).

• O treinamento se divide em uma parte procedimental e outra conceitual sendo que a esta última, é dada uma maior ênfase. A idéia principal é fornecer ao aluno uma concepção geral do que acontece em uma central de vapor, possibilitando o exercício de previsão das conseqüências dos vários procedimentos, principalmente em uma situação de potencial emergência.

11 - Exemplos11 - Exemplos11 - Exemplos11 - Exemplos



2° semestre/2006

11- Exemplos11- Exemplos11- Exemplos11- Exemplosa) STEAMER (Harmon & King 1988; Clancey 1987a)

• O Steamer usa dois computadores, sendo que um mostra um diagrama da central de vapor e o outro apresenta informações sobre a central e o STI, que supervisiona a interação do aluno com o sistema. Este não é considerado um sistema especialista diretamente direcionado para o ensino. Na verdade representa um sistema instrutivo capaz de propiciar uma simulação interativa e observável do ambiente estudado, valendo-se efetivamente de técnicas que os engenheiros do conhecimento têm desenvolvido.



2° semestre/2006

b) GUIDON (Woolf , 1988; Harmon &King, 1988)

•Foi desenvolvido por William Clancey no Departamento de Informática da Universidade de Stanford. O Guidon pode ser considerado simplesmente como uma reorganização do MYCIN para fins didáticos. O MYCIN é um sistema de diagnóstico médico e prescrição, altamente especializado, destinado a ajudar os médicos nas infecções de meningite e de bacteriana.

•O sistema é utilizado em faculdades de medicina para treinamento de estudantes e médicos, possuindo além da base de conhecimento, as experiências de casos efetivos acumuladas pelo MYCIN, o que possibilita o fornecimento de bons exemplos para os usuários.

•É considerada como a principal deficiência do sistema o fato de pressupor ter o aluno o entendimento dos termos técnicos utilizados, bem como os resultados dos testes químicos apresentados.

11- Exemplos11- Exemplos11- Exemplos11- Exemplos



2° semestre/2006

c) SOPHIE (Woolf, 1988; Clancey, 1987a)

•O sistema SOPHIE (Sophisticated Instructor for Eletronics) foi desenvolvido por Brown e Burton entre 1974 e 1978. O sistema possui três versões diferentes e possibilita a simulação de um circuito eletrônico ajudando o estudante a depurar falhas hipotéticas.

•O estudante recebe um circuito com uma falha e tem que determinar qual a peça defeituosa. O SOPHIE possui um gerador de hipóteses que simulam soluções sugeridas pelos estudantes, testando se eles estão corretos. Se o sistema considerar a hipótese do estudante inconsistente com os fatos já apresentados, ele questiona o estudante e argumenta em contrário. Tudo isto se realiza através de um diálogo amigável.




2° semestre/2006

d) MALT(du Boulay, 1988)

•É um exemplo de STI que opera sobre programas de código de máquina. Sua estratégia de ensino é simples. Ele gera e apresenta um problema, tecendo comentários à medida em que o aluno fornece uma resposta que faz parte da seqüência das instruções em código de máquina. A interrupção por parte do sistema passa a ser menor à medida em que o aluno vai se tornando mais experiente.

•O problema gerado pelo sistema é decomposto em vários sub-problemas com seus pontos centrais e suas funções primitivas. O sistema formula uma solução ideal e a contrapõe com a tentativa do aluno. À medida em que o aluno vai se desenvolvendo, o sistema apresenta variantes mais difíceis do sub-problema.




2° semestre/2006

11- Exemplos11- Exemplos11- Exemplos11- Exemplosd) MALT(du Boulay, 1988)

•Não existe uma representação real do conhecimento do aluno acerca dos conceitos de programação em código de máquina, apenas uma prévia atuação em determinados sub-problemas e funções primitivas. Não se pode precisar se os métodos utilizados por Malt sejam aplicáveis para o ensino de linguagem de alto nível.



2° semestre/2006

11- Exemplos11- Exemplos11- Exemplos11- Exemplos•e) Tutor LISP de Anderson, GREATERP (du Boulay, 1988)

•Este tutor conduz o aluno por uma lição de Lisp, que se constitui em uma seqüência gradual de problemas a serem trabalhados. O sistema possui um guia de procedimentos para iniciantes ou para alunos mais experientes. A medida que o aluno insere um programa, o sistema vai analisando os símbolos e dando exemplos adequados a cada situação.

•O sistema se baseia em uma teoria de aprendizagem que sugere que os erros cometidos pelo aluno devem ser assinalados tão logo detectados, afim de que os alunos não persistam nos mesmos. O próprio sistema é que inicialmente escolhe o problema a ser trabalhado, depois ele faz comentários acerca das tentativas do aluno, não se preocupando muito com as questões de sintaxe



2° semestre/2006

•f) SPADE (du Boulay, 1988)

•É um sistema para ensino de LOGO, que pretende desenhar uma figura utilizando os desenhos primitivos da linguagem. Este baseia-se na teoria de planejamento do programa que contém ações executáveis pelo aluno, tais como a decomposição do problema.

•Espera-se que o aluno possa interagir com o sistema através de uma seqüência de comandos que compõem a solução do problema. As primeiras versões conduzem o aluno a uma decomposição clássica, as mais novas permitem uma liberdade maior na solução do problema.




2° semestre/2006

•Além das aplicações e produtos acima citados, torna-se conveniente relacionar outros produtos, também referenciados na literatura disponível, entre os quais foi possível constatar tratarem-se de produtos resultantes de evoluções de sistemas especialistas e muitos deles voltados mais para área de treinamento do que propriamente educacional. Na tabela 1 a seguir encontram-se listados os principais STIs existentes e suas características básicas.




2° semestre/2006


Sistema

Domínio Repr. do conhecimento

Modelo do Aluno

Estratégia do Tutor Referência*

Scholar Geografia Rede semântica "Overlay" Socrático Carbonell, 1970

Why Tempo (Causas da chuva)

"Scripts" "Bugs" Socrático Stevens, 1982

Integrate Matemática(Integração simbólica)

Regras "Overlay" Ambiente reativo com orientação

Kimball, 1982

Sophie Detector de falhas eletrônicas

Rede semântica "Overlay" Ambiente reativo com interações guiadas

Brown eoutros, 1982

West Expressões aritméticas

Regras "Overlay" Ambiente reativo com treinamento

Burton eBrown, 1979

Buggy Subtração Rede procedimental "Bugs" Ambiente reativo com orientação

Burton eBrown, 1979

Wusor Lógica Redes semânticas "Overlay" Ambiente reativo com treinamento

Goldstein, 1982

Excheck Teoria de con- juntos e lógica


Suppes, 1981

Bip Programação em Basic


Barr eoutros, 1976



2° semestre/2006


Spade Programação em Logo Regras "Overlay" Ambiente reativo com treinamento

Miller, 1982

Algebra Matemática Regras "Overlay" Ambiente reativo com treinamento

Lantz eoutros, 1983

LMS Matemática Regras "Bugs" Ambiente reativo Sleeman, 1982

Quadratic Matemática Regras "Overlay" Ambiente reativo com orientação

O'Shea, 1982

Guidon Medicina Regras "Overlay" Ambiente reativo com interações estruturais

Clancey, 1982

Proust Programação em Pascal

Rede semântica "Bugs" Ambiente reativo com orientação

Soloway eoutros, 1983

Steamer Propulsão a vapor Modelo funcional "Overlay" Ambiente reativo com orientação

Williams eoutros, 1981

Macavity Engenharia Regras e"frames"

"Overlay" Treinamento Slater, 1985

Meno Programação Redes "Bugs" Orientador Soloway, 1983



2° semestre/2006

12 – Conclusão 12 – Conclusão 12 – Conclusão 12 – Conclusão

Modelo EstudantesModelo EstudantesModelo do aluno e diagnostico

trabalham juntos

Os modelos podem ser aplicados juntos ou não, na tentativa de realizar

um resultado preciso

Volumes de dados e separados em três Níveis (mentais,

intermediários e finais)

Tipos de Conhecimento: Procedural Flat, Procedural- Hierarquico,

declarativo



2° semestre/2006

Perguntas?????Perguntas?????Perguntas?????Perguntas?????

Documents

Tutores Inteligentes Prof. Dr.José Maria Parente de Oliveira Aluno: Fretz SieversJunior 2° semestre/2006 1/62 Capítulo 3 – Modelo do Estudante Capítulo