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.

9

ABSTRACT

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). Fonte: Hutz et al. (2014).

Percentil Escore Bruto Escore T 5 24 32 10 27 39 20 28 41 30 29 43 35 30 46 45 31 48 55 32 50 60 33 53 70 34 55 75 35 57 80 36 60 85 37 62 90 38 64 95 39 67 M = 31,6 DP = 4,4

Autoeficácia: A crença na capacidade de realizar uma determinada tarefa, com base nos próprios recursos, foi definida por Bandura (1997) como autoeficácia. Ainda para este autor, a autoeficácia é a crença na capacidade de reunir recursos cognitivos, motivacionais e comportamentais necessários para a execução de uma tarefa que está no centro do conceito da autoeficácia (e não a realidade em si). Um indivíduo pode não acreditar em sua capacidade de realizar algo e ser, na verdade, realmente capaz. A situação oposta também pode ocorrer. Desse modo, a crença de autoeficácia representa um mecanismo regulador das emoções humanas e impacta diretamente no estabelecimento de metas, na execução de tarefas e na tomada de decisão. Bandura (1997) afirmou que a autoeficácia possui dois componentes principais: expectativas de resultado e expectativas de eficácia. Primeiramente o sujeito, ao estabelecer um objetivo para si, examina o que é necessário fazer para alcançá-lo (expectativas de resultado). A seguir, avalia se é capaz de realizar essas ações necessárias para atingir o objetivo (expectativas de eficácia). A autoeficácia pode ser alterada. Os padrões de desempenho que são mantidos e satisfeitos a elevam, enquanto o fracasso em satisfazê-los e mantê-los a reduzem. Assim, um sujeito que se sente autoeficaz e frequentemente é bem-sucedido ao atingir o que deseja tem sua autoeficácia fortalecida pelos resultados. Ao passo que um sujeito que tem resultados negativos percebe-se enfraquecido, e sua autoeficácia é reduzida. A autoeficácia desenvolve-se a partir de

21

quatro fontes: a) experiência direta, b) experiência vicária, c) persuação verbal e d) estimulação fisiológica e emocional. A estimulação fisiológica e emocional consiste no grau de medo ou tranquilidade que se experiencia em uma situação. Essas reações servem como base para avaliarmos nossas habilidades para administrar tais situações. Quanto mais medo é sentido diante de uma tarefa, menos autoeficácia se percebe. Descrição do teste: O instrumento usado para medir a autoeficácia do indivíduo e tem como objetivo mensurar o quanto o sujeito acredita em sua em sua própria capacidade para alcançar os resultados por ele desejados. O instrumento é composto por 20 itens (ver Anexo 3). Instruções para aplicação do : Deves-se informar que ao ler cada alternativa, o sujeito deverá expressar o quanto a questão é verdadeira ou falsa para ele. Deve utilizar para expressar isso a escala abaixo do item respectivo, que varia de 1 a 5. Se a questão for "sempre falsa", ele deve marcar 1. Se for "sempre verdadeira", deve marcar 5. Para situações intermediárias (como nem sempre falsa, nem sempre verdadeira ou mais ou menos) os números 2, 3 e 4 podem ser utilizados. Normas para levantamento e interpretação: A Escala de Autoeficácia Geral é constituída por 14 itens positivos a saber: 1, 2, 3, 4, 5, 6, 7, 9, 10, 12, 14, 15, 17 e 19. São itens do tipo "Eu sou capaz de superar muitos desafios". Também, fazem parte da escala oito itens negativos a saber: 8, 11, 13, 16, 18 e 20. São itens como "Quando problemas inesperados acontecem, eu não lido bem com eles". O escore bruto do sujeito é obtido pela soma das respostas dadas a cada item. Entretanto, os itens negativos (e apenas eles) devem ter seu escore invertido antes que se faça a soma do escore total do sujeito. Vamos considerar um exemplo. Um sujeito marcou os seguintes números nos itens da escala (ver demonstrativo nos quadros abaixo):

Item 1) 5 *Item 11) 2 Item 2) 5 Item 12) 4 Item 3) 4 *Item 13) 4 Item 4) 5 Item 14) 5 Item 5) 4 Item 15) 5 Item 6) 5 *Item 16) 2 Item 7) 5 Item 17) 5

*Item 8) 1 *Item 18) 1 Item 9) 3 Item 19) 3 Item 10) 4 *Item 20) 1

Obs.: itens negativos estão marcados com asterisco

Segundo Hutz et al. (2014), para os itens negativos, podemos utilizar o quadro abaixo:

22

Escore marcado pelo sujeito Escore que deve ser somado 1 5 2 4 3 3 4 2 5 1

Para o exemplo dado, o escore bruto do sujeito será 5 + 5 + 4 + 5 + 4 + 5 + 5 + *5 + 3 + 4 + *4 + 4 + *2 + 4 + 5 + *4 + 5 + *5 + 3 + *5 = 86 (os itens que tiveram o escore invertido estão marcados com asterisco). Para entendermos se esse valor é alto, baixo ou médio (ou seja, para avaliar qual é a posição do sujeito com relação à população), devemos utilizar a tabela de normas. O escore bruto do sujeito é 86 (coluna do meio na Tabela 3) e isso corresponde ao percentil 90 (coluna da esquerda). Isso significa que 90% da população têm escore bruto de autoeficácia menor que o dele. Podemos concluir que esse sujeito tem alta eficácia geral e, por isso, provavelmente é um sujeito que se sente capaz de vencer desafios, que acredita que pode atingir os objetivos desejados, que persiste em seus planos, pois acredita em sua capacidade de conseguir o que quer.

Tabela 3: Normas para interpretação de resultados referente a autoeficácia. Fonte: Hutz et al. (2014).

Mulheres Homens Percentil Escore Bruto Escore T Percentil Escore Bruto Escore T

5 53 33 5 59 32 10 59 37 10 62 35 15 61 40 15 67 41 20 62 41 20 68 42 25 64 43 25 70 44 30 67 45 30 71 45 35 68 46 35 72 46 40 70 48 40 74 48 45 71 49 45 75 49 50 72 50 50 77 51 55 74 52 55 78 52 60 76 53 60 79 53 65 77 55 65 81 55 70 79 56 70 81 55 75 81 58 75 82 56 80 82 59 80 84 58 85 84 61 85 86 60 90 87 64 90 89 64 95 90 66 95 91 66

M = 72,2 M = 75,9 DP = 11,1 DP = 9,6

23

Bem-estar: A frequência e a intensidade com que as pessoas vivenciam afetos positivos (AP) e afetos negativos (AN) refletem seu nível de felicidade e bem-estar. AP e AN compõem a dimensão emocional do bem-estar subjetivo, já que esses construtos caracterizam-se pela própria expressão de sentimentos, emoções e afetos. Assim, o balanço hedônico dado pela quantia de afetos positivos vivenciados menos a quantia de afetos negativos evitados determina a percepção do quão alegre e entusiasmado (ou triste e desanimado) se é. Um teste internacionalmente usado para avaliação de AP e AN é a Escala de Afetos Positivos e Negativos (PANAS, do inglês Positive and Negative Affect Schedule). Essa escala foi adaptada para o Brasil inicialmente por Giacomoni e Hutz (1997) e refinada posteriormente por Zanon e Hutz (manuscrito em preparação). Descrição do teste: A PANAS é uma escala de autorrelato composta de 10 itens que avaliam afetos positivos e 10 itens que avaliam afetos negativos (ver Anexo 3). Os itens são constituídos por adjetivos com chave de respostas em uma escala Likert de cinco pontos, em que as pessoas assinalam um número que corresponde ao quanto sentem as emoções descritas pelos adjetivos. O número "1" corresponde a "nem um pouco" o "2" a "um pouco", o "3" a "moderadamente", o "4" a "bastante" e o "5" a "extremamente". Instruções para aplicação do : Para conhecer o nível de AP e AN da pessoa que respondeu à escala, inicialmente devem-se somar todos os itens respondidos referentes a cada construtor. Esse valor representa o escore bruto. Posteriormente, pode-se procurar na tabela de normas apropriada qual é o percentil correspondente ao escore bruto. Normas para levantamento e interpretação: Uma vez que há diferenças na média de AN entre homens e mulheres, foram criadas tabelas de normas independentes para cada grupo. A Tabela 4 apresenta as normas de afetos positivos para homens e mulheres, a Tabela 5 apresenta as normas de afetos negativos para homens e a Tabela 6 apresenta as normas de afetos negativos para mulheres. Quanto mais alto o percentil equivalente ao escore bruto, maior o AP e o AN. Por exemplo, um homem que obteve escore bruto de afeto negativo igual a 11 está no percentil 5 (o que significa que ele está junto com os 5% de sujeitos que apresentaram os menores escores da escala; uma mulher que apresentou escore bruto de 20 está no percentil 50 (o que significa que essa pessoa apresentou níveis médios de afetos negativos e que 50% da amostra usada na padronização apresentou escores abaixo desse valor); uma pessoa que apresentou escore bruto de 45 de afeto positivo está no percentil 95 (o que significa que seu escore é alto e está junto dos 5% de pessoas com maiores níveis de afetos positivos).

Tabela 4: Normas de afetos positivo para homens e mulheres. Fonte: Hutz et al. (2014).

Percentil Escore Bruto Escore Padrão (T) 5 22 32 10 25 36 25 30 44 50 34 50

24

75 39 58 90 42 62 95 45 66 M = 34,0 DP = 6,6

Tabela 5: Normas de afeto negativo para homens.

Fonte: Hutz et al. (2014). Percentil Escore Bruto Escore Padrão (T)

5 11 37 10 12 38 25 15 42 50 20 49 75 25 56 90 30 63 95 35 70 M = 20,5 DP = 7,1

Tabela 6: Normas de afeto negativo para mulheres

Fonte: Hutz et al. (2014) Percentil Escore Bruto Escore Padrão (T)

5 13 37 10 14 39 25 17 43 50 20 47 75 27 57 90 32 64 95 35 68 M = 22,1 DP = 7,2

Satisfação de Vida: Satisfação de vida é o componente cognitivo do bem-estar subjetivo definido como o nível de contentamento que alguém percebe quando pensa sobre sua vida de modo geral. Em outras palavras, a satisfação de vida pode ser entendida como o nível de entusiasmo e prazer, ou descontentamento e sofrimento, presente na vida de uma pessoa de acordo com sua percepção do que é satisfatório e/ou desprazeroso. Por isso, diz-se que é uma avaliação subjetiva realizada em momentos em que há uma autorreflexão sobre aspectos importantes da vida. De acordo co Hutz et al. (2014), para as pessoas avaliarem suas satisfações de vida, as mesmas levam em consideração tanto coisas boas quanto coisas ruins. Alguns priorizarão eventos agradáveis, enquanto outros focarão a atenção em eventos desagradáveis. Esse julgamento sobre o quão satisfeito se é com a vida reflete informações diferentes para pessoas distintas e pode mudar dependendo de humor, eventos de vida,

25

pensamentos e sentimentos presentes no momento. Contudo, aquilo que consideramos importante tende a não mudar, e há evidências de que as lembranças mais salientes na memória apresentam considerável estabilidade na hora de avaliar a satisfação de vida. Ainda para Hutz et al. (2014), a personalidade parece ser um importante preditor de bem-estar (e consequentemente de satisfação de vida). Especialmente os fatores neuroticismo e extroversão são muito relevantes para o modo como as pessoas experienciam a felicidade em suas vidas. De forma geral, pessoas mais ansiosas, inseguras, depressivas, instáveis emocionalmente, ou seja, com altos níveis de neuroticismo, tendem a vivenciar muitas emoções, sentimentos, pensamentos negativos e ver o mundo de forma mais opressiva. Já pessoas mais comunicativas, com muitos contatos sociais, assertivas, enérgicas, ou seja, com altos níveis de extroversão, tendem a sentir mais emoções e sentimentos positivos, além de apresentar uma visão mais positiva sobre o mundo. Uma escala mundialmente usada para medir o componente cognitivo do bem-estar subjetivo é a Escala de Satisfação de Vida (ESV) (ver Anexo 3). Essa escala foi adaptada e validada para adultos e adolescentes brasileiros pelo grupo de pesquisadores do Laboratório de Mensuração da UFRGS e tem sido usada em inúmeras pesquisas no País, inclusive em dissertações de mestrado e teses de doutorado. Descrição do teste: A ESV é composta de cinco itens de autorrelato, cujo conteúdo avalia o nível de satisfação dos sujeitos com suas condições de vida. Instruções para aplicação do : A chave de respostas é uma escala Likert de sete pontos em que as pessoas assinalam um número que corresponde ao quanto concordam ou discordam das sentenças apresentadas. As âncoras "1" e "7" recebem os valores "Discordo plenamente" e "Concordo plenamente", respectivamente, enquanto os demais valores intermediários representam diferentes níveis de concordância/discordância com os itens. Quanto mais próximo de "1", mais o sujeito discorda, e, quanto mais próximo de "7", mais ele concorda com a sentença. Normas para levantamento e interpretação: Para conhecer o nível de satisfação de vida da pessoa que respondeu à escala, inicialmente devem-se somar todos os itens respondidos. O valor obtido representa o escore bruto. Posteriormente, procura-se na tabela de normas adequada qual é o percentil correspondente ao escore bruto. Quanto mais alto o percentil equivalente ao escore bruto, maior a satisfação de vida. Por exemplo: um adulto que obteve escore bruto igual a 9 está no percentil 5 (Tabela 7), está junto com os 5% de sujeitos que apresentaram os menores escores da escala, ou menor satisfação de vida; enquanto uma pessoa que apresentou escore bruto de 22 está no percentil 45 (o que significa que apresentou níveis médios de satisfação com a vida).

Tabela 7: Normas da Escala de Satisfação de Vida para Homens e Mulheres. Fonte: Hutz et al. (2014).

Percentil Escores Brutos Escores T 10 11 35 5 9 32

26

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. Fonte: Adaptação de Coppin (2013).

Mutação: Na descrição desse operador genético, Coppin (2013), aborda que AGs podem ser reconhecidos como sendo bastante semelhantes aos métodos de subida de colina. Conforme este autor, subida de colina envolve gerar uma possível solução para um problema e se deslocar em direção a uma solução melhor que a atual, até chegar a uma solução a partir da qual não se consiga outra melhor. Porém, ainda para este autor, subida de colina não apresenta bom desempenho diante de problemas que possuam máximos locais. O operador de mutação foi introduzido para fazer com que os AGs evitem este problema., conclui Coppin (2013). Segundo Coppin (2013), mutação é um operador unário (i. é., é aplicado a apenas um argumento - um único gene) que é geralmente aplicado com uma probabilidade baixa, tal como 0,01 ou 0,001. Mutação envolve simplesmente a reversão do valor de um bit em um cromossomo. Por exemplo, com uma taxa de mutação de 0,01, seria esperado que um gene em um cromossomo com 100 genes fosse revertido (ver a seguir mutação aplicada a uma das proles, extraídas do exemplo anterior):

0 1 0 1 0 1 1 1 0 0 0 1 0 0 1

0 1 0 1 0 1 1 1 0 1 0 1 0 0 1

Critério de Terminação: De acordo com Coppin (2013), há tipicamente dois meios pelos quais uma execução de um AG é terminada. Geralmente, impõe-se um limite ao número de gerações depois do qual cada execução é considerada terminada. Ainda segundo este autor, em alguns problemas, a execução pode parar quando uma solução particular tiver sido alcançada ou quando o nível mais alto de aptidão na população tiver alcançado um valor específico. Pode-se usar um AG para solucionar uma função matemática. Neste caso, fica

43

claro que a execução poderá ser interrompida quando a solução correta tiver sido alcançada, o que poderá ser facilmente testado (Coppin, 2013). Para Coppin (2013), no caso do mundo de biomorfos de Dawkins não existem tais condições de terminação. Não faz sentido impor um limite artificial ao número de gerações e, como não há uma medida objetiva de aptidão, o sistema não pode determinar quando parar desta forma. Ainda para este autor, esta é uma distinção importante. Em muitos casos, AGs são usados para solucionar problemas que tenham uma solução objetiva e, neste caso, o algoritmo poderá parar quando encontrar tal solução. Em outros casos, eles, os AGs, são usados para propósitos mais abstratos, tal como gerar imagens interessantes. Nestes casos, julgamento humano deve ser usado para determinar quando parar (Coppin, 2013). Otimização de uma Função Matemática: Conforme Coppin (2013), AGs podem ser usados para encontrar um valor máximo de uma função matemática. No exemplo a seguir, Coppin (2013), tenta maximizar a seguinte função: f(x) = sen(x) com x na faixa de 1 a 15, sendo x em radianos. Cada cromossomo representa um valor possível de x, usando quatro bits. A Figura 9 mostra o gráfico descontínuo para esta função.

Figura 9: Gráfico descontínuo para a função f(x) = sen(x), onde x varia de 1 a 15. Fonte: Adaptação de Coppin (2013).

Na simulação, foi usado, como tamanho de população, quatro cromossomos. O primeiro passo é gerar uma população aleatória , que será considerada como a primeira geração.

44

c1 = 1001 c2 = 0011 c3 = 1010 c4 = 0101 Para calcular a aptidão de um cromossomo, precisamos primeiramente convertê-lo em um inteiro decimal e, então, calcular f(x) para este inteiro. É atribuído aptidão como um valor numérico entre 0 e 100, onde 0 será o menos apto e 100 será o mais apto. A função f(x) gera números reais entre -1 e 1. Atribui-se uma aptidão de 100 para f(x) = 1 e uma aptidão de 0 para f(x) = -1. Uma aptidão de 50 será atribuída para f(x) = 0. Assim, a aptidão de x, f '(x) é definida do seguinte modo: f ' (x) = 50 (f(x) + 1) = 50 (sen(x) + 1) f ' (x) = 50 (sen(x) + 1 A taxa de aptidão de um cromossomo é a aptidão daquele cromossomo como uma porcentagem da aptidão total da população. A Tabela 10 mostra os cálculos que são empregados para chegar aos valores de aptidão para a primeira geração.

Tabela 10: Geração 1. Fonte: Adaptação de Coppin (2013).

Cromossomos Genes Valor inteiro

f(x) Aptidão de

f ' (x) Taxa de aptidão

c1 1001 9 0,41 70,61 46,3% c2 0011 3 0,14 57,06 37,4% c3 1010 10 -0,54 22,80 14,9% c4 0101 5 -0,96 2,05 1,34%

Conforme Coppin (2013), agora, há a necessidade de executar uma única etapa do AG para produzir a próxima geração. A primeira etapa é selecionar quais cromossomos reproduzirão. Seleção por roleta russa envolve usar a taxa de aptidão para selecionar aleatoriamente cromossomos para reproduzir. Isto é feito do seguinte modo: (i) A faixa de números reais de 0 a 100 é dividida entre os cromossomos proporcionalmente à aptidão de cada um. Assim, para a primeira geração, c1 terá 46,3% da faixa (i.é., de 0 a 46,3), c2 terá 37,4% da faixa (i.é., de 46,3 a 83,7 e assim em diante. (ii) Agora, um número aleatório é gerado entre 0 e 100. Este número estará dentro da faixa de um dos cromossomos e este cromossomo será selecionado para a reprodução. O próximo número aleatório será usado para selecionar o parceiro deste cromossomo. Assim, cromossomos mais aptos tenderão a produzir mais proles do que os cromossomos menos aptos. Coppin (2013) atenta que é importante que este método não impeça por completo que cromossomos menos aptos reproduzam, porque isto ajudará a assegurar que populações

45

não estagnem, por serem constantemente geradas a partir dos mesmos pais. Entretanto, ainda segundo este autor, no exemplo anterior, o cromossomo c4 terá pouquíssimas chances de se reproduzir, já que isto só aconteceria se o número aleatório se encontrasse na estreita faixa entre 98,6 e 100. (iii) Há a necessidade de gerar quatro números aleatórios para achar os quatro pais que produzirão a próxima geração. O primeiro número aleatório é 57,06, o que significa que c2 foi escolhido como o primeiro pai. Em seguida, 38,2 é escolhido, então seu par será c1. Agora, precisa-se combinar c1 e c2 para produzir duas novas proles. Primeiro, deve-se selecionar aleatoriamente um ponto de cruzamento. Escolhe-se o ponto entre o segundo e o terceiro bits (genes), como a seguir:

c1 1 0 0 1 c2 0 0 1 1

O cruzamento é então aplicado para produzir a prole, c5 e c6, como a seguir: c5 = 1011 c6 = 0001 De maneira semelhante, c1 e c3 serão escolhidos para produzir as proles c7 e c8, usando-se um ponto de cruzamento entre o terceiro e quarto bits: c7 = 1000 c8 = 1011 A população c1 a c4 será agora substituída pela segunda geração, c5 a c8. c4 não teve chance de se produzir e seus genes serão perdidos. c1, que era o cromossomo mais apto na primeira geração, foi capaz de reproduzir duas vezes, passando adiante seus genes altamente aptos para todos os membros da próxima geração. Os valores de aptidão para a segunda geração são mostrados na Tabela 11.

Tabela 11: Geração 2.

Fonte: Adaptação de Coppin (2013).

Cromossomos Genes Valor inteiro

f(x) Aptidão de

f ' (x) Taxa de aptidão

c5 1011 11 -1 0 0% c6 0001 1 0,84 92,07 48,1% c7 1000 8 0,99 99,47 51,9% c8 1011 11 0 0 0%

Esta geração produziu dois cromossomos extremamente aptos e dois cromossomos bastante inaptos. De acordo com Coppin (2013), um dos cromossomos, c7, é a solução ótima e com base neste contexto, o critério de terminação provavelmente determinaria que

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) 7 Dissertação de Mestrado (DM)

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

8 Dissertação de Mestrado (DM) 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, at2l, ..., atlp

l>, onde cada at1l1p,

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.

Discordo plenamente 1 2 3 4 5 6 7 Concordo plenamente 3) Eu estou satisfeito com a minha vida.

Discordo plenamente 1 2 3 4 5 6 7 Concordo plenamente 4) Até agora eu tenho conseguido as coisa importantes que eu quero na vida.

Discordo plenamente 1 2 3 4 5 6 7 Concordo plenamente 5) Se eu pudesse viver a minha vida de novo eu não mudaria quase nada.

Discordo plenamente 1 2 3 4 5 6 7 Concordo plenamente

78

ESCALA DE AFETOS POSITIVOS E AFETOS NEGATIVOS (PANAS)

Laboratório de Mensuração da UFRGS 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) Laboratório de Mensuração da UFRGS

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.

Discordo Plenamente 1 2 3 4 5 Concordo Plenamente

3 Se alguma coisa pode dar errado comigo, com certeza vai dar errado.

Discordo Plenamente 1 2 3 4 5 Concordo Plenamente

4 Eu sou sempre otimista com relação ao meu futuro.

Discordo Plenamente 1 2 3 4 5 Concordo Plenamente

5 Eu gosto muito dos meus amigos.

Discordo Plenamente 1 2 3 4 5 Concordo Plenamente

6 Eu considero importante me manter ocupado.

Discordo Plenamente 1 2 3 4 5 Concordo Plenamente

7 Em geral, eu não espero que as coisas vão dar certo para mim.

Discordo Plenamente 1 2 3 4 5 Concordo Plenamente

8 Eu não me incomodo com facilidade.

Discordo Plenamente 1 2 3 4 5 Concordo Plenamente

9 Eu não espero que as coisas boas aconteçam comigo.

Discordo Plenamente 1 2 3 4 5 Concordo Plenamente

10 Em geral, eu espero que aconteçam mais coisas boas do que ruins para mim.

Discordo Plenamente 1 2 3 4 5 Concordo Plenamente

80

ESCALA DE ESPERANÇA DISPOSICIONAL Laboratório de Mensuração da UFRGS

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.

Totalmente Falsa 1 2 3 4 5 Totalmente Verdadeira

3 Eu me sinto cansado a maior parte do tempo.

Totalmente Falsa 1 2 3 4 5 Totalmente Verdadeira

4 Existem sempre muitas formas de resolver os problemas. Totalmente Falsa 1 2 3 4 5 Totalmente Verdadeira

5 Eu sou facilmente derrotado em discussões.

Totalmente Falsa 1 2 3 4 5 Totalmente Verdadeira

6

Eu posso pensar em muitas formas de conseguir as coisas que são muito importantes para

a minha vida. Totalmente Falsa 1 2 3 4 5 Totalmente Verdadeira

7 Eu me preocupo com a minha saúde..

Totalmente Falsa 1 2 3 4 5 Totalmente Verdadeira

8 Mesmo quando os outros desistem, eu sei que posso encontrar alguma forma de

resolver os problemas. Totalmente Falsa 1 2 3 4 5 Totalmente Verdadeira

9 Minhas experiências no passado me preparam bem para enfrentar o futuro.

Totalmente Falsa 1 2 3 4 5 Totalmente Verdadeira

10 Eu tenho tido muito sucesso na vida.

Totalmente Falsa 1 2 3 4 5 Totalmente Verdadeira

11 Frequentemente eu fico me preocupando com alguma coisa.

Totalmente Falsa 1 2 3 4 5 Totalmente Verdadeira

12 Eu atinjo os objetivos que estabeleço para mim.

Totalmente Falsa 1 2 3 4 5 Totalmente Verdadeira

81

ESCALA DE AUTOEFICÁCIA GERAL Laboratório de Mensuração da UFRGS

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.

Sempre Falso 1 2 3 4 5 Sempre Verdadeiro

3 Costumo ser persistente na busca de meus objetivos.

Sempre Falso 1 2 3 4 5 Sempre Verdadeiro

4 Eu acredito que eu posso ter sucesso em quase qualquer coisa que eu resolva

fazer. Sempre Falso 1 2 3 4 5 Sempre Verdadeiro

5 Eu posso fazer a maioria das coisas melhor do que as pessoas em geral.

Sempre Falso 1 2 3 4 5 Sempre Verdadeiro

6 Mesmo quando as coisas estão difíceis, eu posso desempenhá-las muito bem.

Sempre Falso 1 2 3 4 5 Sempre Verdadeiro

7 Quando faço planos, sei que posso fazer que eles deem certo.

Sempre Falso 1 2 3 4 5 Sempre Verdadeiro

8 Se algo parece muito complicado eu nem tento fazer.

Sempre Falso 1 2 3 4 5 Sempre Verdadeiro

9 Se eu não consigo fazer algo pela primeira vez, eu continuo tentando até

conseguir. Sempre Falso 1 2 3 4 5 Sempre Verdadeiro

10 Eu sou uma pessoa autoconfiante.

Sempre Falso 1 2 3 4 5 Sempre Verdadeiro

11 Quando eu defino objetivos importantes para mim eu raramente os atinjo.

Sempre Falso 1 2 3 4 5 Sempre Verdadeiro

12 Quando traço um objetivo logo começo a colocá-lo em prática.

Sempre Falso 1 2 3 4 5 Sempre Verdadeiro

13 Quando problemas inesperados acontecem, eu não lido bem com eles.

Sempre Falso 1 2 3 4 5 Sempre Verdadeiro

14 Eu costumo persistir em meus planos.

Sempre Falso 1 2 3 4 5 Sempre Verdadeiro

15 Sou confiante de que posso lidar bem com situações inesperadas.

Sempre Falso 1 2 3 4 5 Sempre Verdadeiro

16 Eu desisto das coisas antes de completá-las.

Sempre Falso 1 2 3 4 5 Sempre Verdadeiro

17 Quando enfrento problemas, geralmente posso encontrar várias soluções.

Sempre Falso 1 2 3 4 5 Sempre Verdadeiro

18 Dificilmente eu vou me dar bem na vida.

82

Sempre Falso 1 2 3 4 5 Sempre Verdadeiro

19 Quando eu falho, eu tenho vontade de tentar mais. Sempre Falso 1 2 3 4 5 Sempre Verdadeiro

20 Eu me sinto inseguro com relação a minha capacidade de fazer as coisas.

Sempre Falso 1 2 3 4 5 Sempre Verdadeiro

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 Engenharia da Computação/CCT/UEMA.

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 Engenharia da Computação/CCT/UEMA.

M32015

Planejamento e Concepção

AP

8. Planejamento da atividade colaborativa no AVA Moodle do curso de Engenharia da Computação/CCT/UEMA.

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 Computação/CCT/UEMA.

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

AVALIAÇÃO EM PSICOLOGIA POSITIVA

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

AVALIAÇÃO EM PSICOLOGIA POSITIVA

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

AVALIAÇÃO EM PSICOLOGIA POSITIVA

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

AVALIAÇÃO EM PSICOLOGIA POSITIVA

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: _________________________________