0028

MobiLE: Um ambiente Multiagente de Aprendizagem

Mvel para Apoiar a Recomendao Sensvel ao Contexto de

Objetos de Aprendizagem

Luiz Cludio Nogueira da Silva1 2

, Francisco Milton Mendes Neto1 2

,

Luiz Jcome Jnior2

1Programa de Ps-Graduao em Cincia da Computao - PPGCC

Departamento de Cincias Exatas e Naturais - DCEN

Universidade Federal Rural do Semi-rido - UFERSA

BR 110 - Km 47 Bairro Pres. Costa e Silva CEP 59.625-900 Mossor - RN

2Ncleo Tecnolgico de Engenharia de Software NTES Universidade Federal Rural do Semi-rido - UFERSA

BR 110 - Km 47 Bairro Pres. Costa e Silva CEP 59.625-900 Mossor- RN

{luizclaudio,miltonmendes}@ufersa.edu.br,

{luizjunior05}@gmail.com

Abstract. A mobile learning environment provides students with a teaching

method that would be not possible to be performed in a conventional web-

based course. The use of Learning Objects (LOs) in a standard way consists of

an effective way to allow, among other features, content reuse and

interoperability between different Learning Management Systems. However, a

problem that occurs frequently is the unsuitability of the content being learned

to the context in which the student is inserted. A context-aware mobile

learning support environment allows to solve this problem. Thus, this paper

presents an agent-based approach to context-aware recommendation of LOs

in order to enhance the teaching process in mobile learning.

Resumo. Um ambiente de aprendizagem mvel prov aos estudantes uma

forma de ensino no possvel de ser realizada em um curso convencional

baseado na web. O uso de Objetos de Aprendizagem (OAs) em um formato

padro consiste em uma forma efetiva de permitir, entre outras

caractersticas, o reuso e a interoperabilidade de contedo entre diferentes

Sistemas de Gesto de Aprendizagem. No entanto, um problema que ocorre

frequentemente a inadequao do contedo sendo aprendido ao contexto do

usurio. Um ambiente de suporte aprendizagem mvel sensvel ao contexto

pode resolver esse problema. Desta forma, este artigo apresenta uma

abordagem baseada em agentes para recomendao sensvel ao contexto de

OAs a m de aperfeioar o processo de ensino na aprendizagem mvel.

1. Introduo

A Educao a Distncia (EaD) uma modalidade de ensino e aprendizagem que vem

crescendo h alguns anos. De acordo com pesquisa realizada pela Associao Brasileira

de Ensino Distncia (Abed) e pelo Ministrio da Educao (MEC), a demanda em

cursos de especializao a distncia aumentou 60% de 2008 a 2010 [Maia 2011].

Uma das formas de se prover a EaD atravs do uso de dispositivos mveis,

modalidade esta conhecida como Aprendizagem Mvel, do ingls Mobile Learning ou

m-learning. Este meio de oferecer ensino permite que estudantes e professores possam

ISSN: 2176-4301

Anais do XXII SBIE - XVII WIE Aracaju, 21 a 25 de novembro de 2011

254

tirar vantagens dos recursos oferecidos pelas tecnologias mveis, dentre os quais

destaca-se a possibilidade de acessar, visualizar e prover contedo independentemente

do horrio e a partir de qualquer localidade [Yau & Joy 2010].

Contudo, para melhorar a eficcia da absoro de conhecimento pelos estudantes

na aprendizagem mvel, deve-se levar em considerao as caractersticas particulares de

cada estudante. Isso necessrio no apenas para fornecer um contedo que atenda s

caractersticas cognitivas dos estudantes, mas tambm para prover contedos de forma

adequada s restries dos seus dispositivos mveis, uma vez que os mesmos possuem

recursos distintos e limitados (com restries). Surge ento o conceito de ambientes

sensveis ao contexto (context-aware environments). Esse tipo de ambiente se adqua ao

perfil do usurio, levando em considerao informaes fornecidas pelo prprio

usurio, alm daquelas captadas dinamicamente a partir de sua interao com os

dispositivos computacionais [Moore et al. 2009].

A fim de desenvolver ambientes de aprendizagem que sejam sensveis ao

contexto do estudante, fundamental que os contedos educacionais sejam criados de

maneira padronizada. Desta forma, possvel que um ambiente de suporte

aprendizagem exiba o contedo de forma adequada e reutilize contedos em diferentes

contextos e a partir de diversos repositrios. Alm disso, possvel combinar contedos

distintos, o que, por sua vez, melhora o processo de produo de contedo e, como

conseqncia, reduz os seus custos [Rodolpho 2009]. Um modo eficaz de padronizar

contedos educacionais atravs do uso de Objetos de Aprendizagem (OAs), os quais

consistem em pequenas unidades de contedo que podem ser usadas, reutilizadas e

referenciadas durante um processo de aprendizagem [LTSC 2002].

Este artigo apresenta um ambiente de aprendizagem mvel que, atravs do uso

de objetos de aprendizagem, ontologias e agentes de software, se adqua s

necessidades dos estudantes, de acordo com caractersticas do contexto no qual os

mesmos se encontram.

Este artigo est dividido em oito sees. A Seo 2 mostra uma viso geral de

sistemas multiagente. A Seo 3 descreve os objetos de aprendizagem, assim como os

padres usados na sua criao. A Seo 4 conceitua sistemas de recomendao. A Seo

5 traz conceitos relacionados ambientes sensveis ao contexto. A seo 6 discute os

trabalhos relacionados. A Seo 7 descreve a abordagem baseada em agentes proposta

neste artigo. A ltima seo apresenta nossas consideraes nais e uma discusso sobre trabalhos futuros.

2. Sistemas Multiagente

De acordo com [Russell & Norvig 2003], agentes so entidades de software autnomas

que percebem seu ambiente por meio de sensores e que atuam sobre esse ambiente

atravs de atuadores, processando informao e conhecimento. Um Sistema Multiagente

(SMA), por sua vez, consiste de um conjunto de agentes autnomos que colaboram para

resolver um problema o qual seria impossvel solucionar com apenas um agente.

Agentes podem ser construdos de vrias formas. Podem ser agentes de software

ou hardware, estticos ou mveis, persistentes ou no-persistentes, reativos ou

cognitivos (inteligentes) [Pontes 2010, Pontes et al. 2010]. De acordo com Pontes

(2010), uma das classificaes mais importantes de agentes em relao a eles serem

reativos ou cognitivos.


255

Agentes reativos so agentes que selecionam aes a serem executadas com base

exclusivamente na percepo atual, no levando em considerao o histrico de

percepes. Uma vez que no possuem memria, so incapazes de planejar aes

futuras [Russell & Norvig 2003; Pontes 2010].

Por outro lado, os agentes congitivos so mais complexos, pois possuem uma

representao explcita tanto do ambiente quanto de outros agentes. Este tipo de agente

possui uma memria interna, o que possibilita planejar aes futuras baseando-se em

situaes que ocorrem anteriormente [Russell & Norvig 2003; Pontes 2010].

Agentes de software podem realizar diversas tarefas em ambientes de

aprendizagem, tais como monitorar as atividades do estudante no ambiente de

aprendizagem, capturar de forma automtica as informaes de contexto dinmico do

estudante, recomendar contedos de interesse deste, entre outras. Diante do aumento no

nmero de estudantes que interagem com os sistemas de suporte aprendizagem, o uso

de agentes para realizar estas tarefas torna-se extremamente importante, principalmente

devido ao fato de serem tarefas complexas para os facilitadores gerenciarem a distncia.

3. Objetos de Aprendizagem

Um conceito relevante quanto ao contedo didtico utilizado em EaD o de Objeto de

Aprendizagem (OA). Segundo o Comit de Padronizao de Tecnologias de

Aprendizagem (LTSC - Learning Technology Standard Comitee), do Institute of

Electrical and Electronics Engineers (IEEE), um OA uma entidade material

educacional, digital ou no, que pode ser usada para aprendizagem, educao ou

treinamento [LTSC 2002]. Dessa forma, podem ser elencadas quatro propriedades

principais dos OAs: reusabilidade, acessibilidade, interoperabilidade e durabilidade

[ADL 2011].

Em resumo, a idia central do conceito de OAs permitir que os projetistas

educacionais construam componentes educativos relativamente pequenos que possam

ser usados em diferentes contextos de aprendizagem. Ou seja, so contedos digitais

que, alm de permitir alcanar um objetivo educacional, promovem a reusabilidade dos

contedos utilizados no processo de ensino-aprendizagem.

No entanto, para garantir os benefcios em se utilizar OAs, h de se considerar

certas caractersticas na criao de OAs digitais, como, por exemplo: (i) definio da

estrutura de navegao; (ii) adequao do contedo de uma mdia escrita para uma

mdia eletrnica; (iii) atendimento aos aspectos pedaggicos de ensino; e (iv) integrao

do OA com diferentes tipos de ambientes de EaD [Rodolpho 2009]. Nesse sentido,

utiliza-se padres de desenvolvimento de OAs para que estes possam garantir as quatro

propriedades citadas anteriormente [Dias et al. 2009].

3.1 Padres de Objetos de Aprendizagem

Segundo [Dias et al. 2009], padres de OAs constituem um meio de organizar os dados

de um OA para prover comunicao entre diferentes ambientes computacionais, bem

como garantir seu acesso e usabilidade, alm de prover interoperabilidade. Os autores

relatam que esses padres so divididos, de acordo com suas funcionalidades, em:

padres de metadados, de empacotamento, de interface e comunicao e de integrao.

Para o presente trabalho, importante descrever as caractersticas dos padres

de integrao. Esse tipo de padro, como o prprio nome indica, unifica em um modelo

de referncia diferentes tipos de padres, tais como padres de metadados,


256

empacotamento, interface e comunicao, desenvolvidos por outras organizaes [Dias

et al. 2009]. O padro de integrao SCORM (Sharabale Content Object Reference

Model), desenvolvido pela ADL (Advanced Distributed Learning) [ADL 2011], integra

um conjunto de padres tcnicos, especificaes e orientaes designadas a atender os

requisitos de alto nvel do SCORM sistemas e contedo acessveis, interoperveis, durveis e reutilizveis. O contedo no padro SCORM pode ser distribudo para os

estudantes atravs de qualquer Sistema Gesto de Aprendizagem (LMS Learning Management System), que seja compatvel com o SCORM e que use a mesma verso

deste [ADL 2011].

Neste trabalho utilizaremos OAs desenvolvidos segundo o padro SCORM,

tanto pelo fato de ser um padro amplamente difundido, como tambm por ser

composto de um conjunto de outros padres. Desta forma, podemos usufruir das

melhores caractersticas de cada padro.

4. Sistemas de Recomendao

Uma soluo para a escolha de um contedo dentre vrias possibilidades o uso de

Sistemas de Recomendao (SRs). SRs auxiliam no processo de indicar ou receber

indicao de materiais que possam, de alguma forma, ser teis para um usurio ou um

grupo de usurios. Desta forma, SRs podem utilizar diferentes tcnicas e estratgias, de

modo a recomendar contedos apropriados para alunos de diferentes cursos e nveis de

conhecimento, desde que tomadas algumas precaues [Primo et al. 2010].

De uma forma geral, os SRs so divididos em trs categorias: Sistemas de

Recomendao Colaborativa (SRC), os quais realizam o processo de recomendao

considerando a similaridade de preferncias entre os usurios; Sistemas de

Recomendao Baseada em Contedo (SRBC), que buscam a adequao dos objetos a

serem recomendados s informaes do perfil do usurio; Sistemas de Recomendao

Hbrida (SRH), que buscam, atravs de tcnicas especficas, mesclar as tcnicas

utilizadas pelos SRCs e SRBCs [Primo et al. 2010].

5. Ambientes Sensveis ao Contexto

Sensibilidade ao contexto descreve um paradigma no qual o contexto de um usurio

levado em considerao para definir o seu perfil. No existe um consenso a respeito da

definio de contexto, sendo este especfico da aplicao e da inteno desejadas, requerendo a identificao das funes e propriedades dos domnios dos indivduos

[Moore et al. 2009; Moore et al. 2008].

O contexto pode ser definido de acordo com informaes relativas a

propriedades que se combinam para descrever e caracterizar uma entidade e seu papel

de uma forma legvel pelo computador [Moore et al. 2009; Moore et al. 2008]. A

localizao do estudante, por exemplo, uma caracterstica importante para a definio

do seu contexto em um ambiente para aprendizagem mvel. Entretanto, o contexto

inclui mais do que apenas a localizao. De fato, quase todas as informaes

disponveis no momento da interao podem ser vistas como informaes contextuais,

dentre as quais destacam-se [Moore et al. 2009; Schilit et al. 1994]: i) as diversas tarefas

exigidas dos usurios; ii) a variada gama de dispositivos que se combinam para criar

sistemas mveis, com a infraestrutura de servios associada; iii) disponibilidade de

recursos (ex. condio da bateria, tamanho de tela, etc.); iv) situao fsica (ex. nvel de

rudo, temperatura, nvel de luminosidade etc.); vi) informao espacial (ex. localizao,

velocidade, orientao etc.); e vii) informao temporal (ex. hora do dia, data etc.).


257

Esta lista, embora no contenha exatamente todas as informaes que podem ser

consideradas, serve para demonstrar a complexidade inerente ao contexto, sua natureza

de domnio especfico e a dificuldade em defini-lo e medi-lo [Moore et al. 2009]. Na

tentativa de facilitar a compreenso sobre o contexto, Moore et al. (2008) definem dois

tipos gerais de contexto: esttico (denominado customizao) e dinmico (denominado

personalizao). O primeiro diz respeito situao na qual um perfil de usurio criado

manualmente, estando o usurio ativamente envolvido no processo e tendo um elemento

de controle. J o contexto dinmico refere-se situao na qual o usurio visto como

sendo passivo, ou pelo menos com um pouco menos de controle no processo de criao

de seu perfil. Nesse caso, o sistema monitora, analisa e reage dinamicamente ao

comportamento do usurio e ao perfil identificado.

Algumas aplicaes de aprendizagem mvel sensveis ao contexto utilizam

contextos de aprendizagem a fim de adaptar ou sugerir apropriadamente atividades e

contedos [Yau & Joy 2010]. Entretanto, os trabalhos encontrados na literatura no

levam em considerao os recursos fsicos dos dispositivos mveis, o que compromete

uma definio mais precisa do contexto dos estudantes e, conseqentemente, o acesso e

navegao adequados nos contedos recomendados, uma vez que isto diretamente

influenciado pelas caractersticas dos dispositivos mveis utilizados pelos estudantes.

6. Trabalhos relacionados

A utilizao de SR em ambientes educacionais no nenhuma novidade. Em [Primo et

al. 2010] apresentado um modelo para a recomendao de contedos educacionais

descritos atravs de metadados. Esse modelo considera perfis de usurios e

interoperabilidade entre aplicaes educacionais, alm de aspectos cognitivos de

aprendizado. Esse trabalho tambm apresenta como contedos educacionais podem ser

descritos atravs de ontologias, o que facilita tambm a inferncia dos contedos

apropriados aos perfis dos usurios.

Em [Gluz & Vicari 2010] apresentada a MILOS (Multiagent Infrastructure for

Learning Object Support), uma infraestrutura, combinando ontologias e agentes, que

implementa as funcionalidades necessrias aos processos de autoria, gerncia, busca e

disponibilizao de OAs compatveis com a proposta de padro de metadados de OAs

OBAA (Objetos de Aprendizagem Baseados em Agentes).

Yau & Joy (2010) propem uma arquitetura de aprendizagem mvel sensvel ao

contexto composta por trs componentes principais: o perfil do estudante, um

mecanismo de personalizao e um repositrio de OAs. O perfil do estudante serve para

armazenar suas preferncias de aprendizagem mvel, capturadas atravs de um

questionrio respondido pelo estudante. O mecanismo de personalizao recebe esse

perfil e combina as informaes dele com aquelas obtidas dinamicamente atravs de sua

interao com o ambiente. Em seguida, o mecanismo de personalizao compara todas

as informaes obtidas com os metadados dos OAs disponveis no repositrio. O

sistema ento recomenda OAs adequados aos estudantes de acordo com as

caractersticas do seu contexto.

O presente trabalho rene as principais caractersticas dos trabalhos citados

anteriormente. Porm, o fator que difere o presente trabalho dos demais o fato dele

considerar os recursos dos dispositivos mveis, os quais podem constituir um fator

limitante na aprendizagem do estudante no momento da recomendao dos OAs. Pelo

fato de ser projetado para dispositivos mveis, o ambiente prov ao estudante

flexibilidade quanto s opes de estudo. Utilizando agentes de software em


258

combinao com as ontologias de descrio dos perfis (esttico e dinmico) dos

estudantes, o ambiente recomenda, de maneira autnoma, contedos educacionais

adequados s caractersticas pessoais e cognitivas dos estudantes.

7. Abordagem Baseada em Agentes para Recomendao de Objetos de

Aprendizagem Sensvel ao Contexto

A arquitetura do ambiente proposto apresentada na Figura 1. Como pode ser visto na

figura, os estudantes devem, inicialmente, se autenticar no LMS e acessar algum dos

cursos nos quais esteja matriculado. Para isto, eles precisam realizar um cadastro no

qual iro informar algumas caractersticas de seu perfil, como, por exemplo, local e hora

do dia preferidos para o estudo, sua rea de interesse, entre outros. Essas informaes

serviro para a criao de um componente essencial da arquitetura, que a ontologia de

contexto esttico dos estudantes.

SAg

MLE

INTERNET

Autenticao

do estudante

Repositrio OAs

SCORM

Ontologia de

Contexto

Esttico

RAgIAg

Perfil do Estudante

OAs

Horrio atual

Estudante 1

Estudante N

Estudante 2

Escolhas Similares

SRBC

Localizao geogrfica

Preferncias similares

(SRC)

Ontologia de

Contexto

Dinmico

Preferncias

dinmicas

Historico de OAs

Figura 1. Arquitetura da soluo proposta.

Os agentes descritos nesta abordagem foram desenvolvidos utilizando o JADE

(Java Agent Development Framework), que consiste em uma plataforma completa para

desenvolvimento e execuo de sistemas multiagente [JADE 2011]. Tambm foi

utilizado o framework de desenvolvimento de aplicaes MLE (Mobile Learning

Engine) [MLE 2011] para a construo do ambiente.

Outro componente de extrema relevncia o repositrio de OAs. Para que o

mecanismo de recomendao funcione, necessrio que estes OAs estejam em

conformidade com o padro SCORM. Atravs dos metadados descritos nesse padro, o

agente ser capaz de comparar as informaes dos OAs com os perfis dos estudantes e

realizar a recomendao de OAs de maneira adequada.

O sistema de recomendao implementado baseado em um SRH, visto que

considera no apenas o contedo dos OAs em relao ao perfil do estudante (SRBC),

como tambm a comparao de estudantes com preferncias semelhantes (SRC).


259

7.1 Agentes de Software

Na abordagem proposta foram implementados trs tipos de agentes: Agente Estudante

(SAg - Student Agent), Agente Recomendador (RAg - Recommender Agent) e Agente

de Interface (IAg Interface Agent).

Os SAgs so responsveis por monitorar as atividades dos estudantes e

recuperar, das ontologias de contexto esttico e dinmico, as preferncias de

aprendizagem que compem os pers dos estudantes e os seus respectivos histricos de escolha de OAs. Com base no histrico de escolha, o SAg encontra outros estudantes

que possuem, em seus histricos, escolhas similares. Os SAgs tambm capturam as

informaes do contexto dinmico do estudante, alm de sua localizao geogrfica e o

horrio atual. O SAg realiza o seu comportamento no momento em que o estudante se

autentica na aplicao. Em seguida, todas essas informaes so enviadas para o RAg.

O RAg tem o intuito de detectar OAs adequados ao contexto do estudante, de

acordo com as informaes providas pelos SAgs e as informaes obtidas dos OAs

disponveis no repositrio. O RAg encontra, inicialmente, o OA que seria mais

adequado de acordo com a Recomendao Baseada em Contedo. Esse mecanismo

apresentado na Subseo 7.1.1. Em seguida, com base nessas informaes, o RAg

considera quais desses OAs foram aceitos tambm pelos estudantes que possuem gostos

similares ao estudante em questo, o que caracteriza a Recomendao Colaborativa.

Dessa forma, a taxa de acerto no momento da recomendao dos objetos de

aprendizagem tende a aumentar. Aps identicar OAs adequados, o RAg informa ao IAg quais so os possveis OAs a serem sugeridos. A Figura 2 mostra a interface

principal do ambiente e uma mensagem de recomendao de OAs efetuada pelo RAg.

Figura 2. Tela inicial do ambiente e sugesto de OAs

O IAg responsvel principalmente por verificar a adequao do OA a ser

recomendado s caractersticas do dispositivo mvel do estudante e adequar a

apresentao do contedo ao dispositivo mvel, quando apropriado. Caso o OA no seja

possvel de ser adequado, o IAg rejeita a recomendao. Alm disso, o IAg tem a

responsabilidade de informar ao instrutor o contedo que foi sugerido. O diagrama de


260

seqncia da Figura 3 mostra o fluxo de troca de mensagens entre esses agentes atravs

do modelo de interao.

Figura 3. Modelo de Interao dos Agentes

7.1.1 Mecanismo de Recomendao Baseada em Contedo

O mecanismo de recomendao baseada em contedo considera as informaes de local

e horrio preferidos de estudo e rea de interesse do estudante, as quais esto contidas

na ontologia de contexto esttico. Essas informaes so ponderadas de acordo com o

nvel de influncia que cada uma exerce no modelo de aprendizagem do estudante. A

estratgia para identificar os OAs adequados ao contexto do estudante realizada de

acordo com a Equao 1.

FR = ((AI * 5) + (LP * 3) + (HP * 2))/10 - FA (1)

O Fator de Recomendao (FR), o qual determinado pelo RAg, influenciado,

principalmente, pela rea de Interesse (AI) do estudante, tendo, portanto, peso 5. J o

Local Preferido (LP) de estudo, por apresentar uma grande influncia na capacidade de

concentrao do estudante, recebe peso 3. Por fim, o Horrio Preferido (HR) de estudo

tambm de interesse pelo fato de poder exercer influncia no nvel de concentrao e,

consequentemente, influenciar positiva ou negativamente a recomendao de um OA.

J o Fator de Ajuste (FA) diz respeito a um fator que pode ser estabelecido pelo

instrutor a fim de aumentar (quando o FA for menor) ou diminuir (FA maior) o impacto

que o contexto do usurio exerce para a recomendao de OAs. Os valores numricos

de AI, LP e HP so obtidos com base nos valores capturados dinamicamente e naqueles

previamente definidos na ontologia de contexto esttico dos estudantes.

Para definir, de forma dinmica, o valor que representa o quo adequado

determinado OA em relao rea de interesse de um estudante, so consideradas trs

caractersticas do OA: descrio, ttulo e palavras-chave. O RAg, por sua vez, verifica a

incidncia de palavras de interesse do estudante, contidas na ontologia de contexto

esttico, nessas trs caractersticas do OA. Em seguida, esses valores so ponderados

pelo RAg conforme a Equao 2.

AI = ((PC * 3) + (D * 2) + (T * 1))/6 (2)


261

A Equao 2 mostra que o maior peso dado s Palavras-Chaves (PC), visto que

representam melhor os assuntos tratados no OA. A Descrio (D) do OA nos fornece

uma viso geral de como os seus diversos assuntos esto integrados. Por fim, o Ttulo

(T) representa uma influncia menor, dentre as trs caractersticas, por no conter uma

gama de palavras relacionadas ao OA to abrangente quanto s PCs.

Para a definio dinmica do fator LP, foi implementada uma extenso ao MLE.

Foi adicionada a esse framework uma classe responsvel por capturar a localizao

geogrfica do estudante a partir de uma API (Aplication Programming Interface)

integrada ao GPS (Global Positioning System) do dispositivo mvel. Dessa forma,

possvel obter a latitude e a longitude do dispositivo mvel. Essa informao , ento,

enviada pela aplicao cliente do dispositivo mvel ao SAg, e este, por sua vez, realiza

a geocodicao reversa1 das informaes antes de envi-las ao RAg.

Por ltimo, a captura dinmica do horrio atual feita pelo SAg no momento de

autenticao do estudante no sistema. Essa informao servir para que o RAg defina o

valor numrico atribudo ao fator HP.

8. Consideraes Finais e Trabalhos Futuros

Neste artigo, foi descrita a implementao de uma abordagem baseada em agentes para

recomendao de OAs em um ambiente de aprendizagem mvel sensvel ao contexto. A

soluo proposta objetiva tornar a aprendizagem mvel adequada s necessidades dos

estudantes. Ela pode ser aplicada a qualquer sistema de gesto de aprendizagem.

Como trabalhos futuros, pretende-se testar o ambiente desenvolvido em um

contexto real, utilizando os principais repositrios de contedos educacionais (OAs).

Alm disso, objetiva-se mensurar o quanto este melhora a preciso de uma

recomendao sob o aspecto de utilidade para o processo de ensino-aprendizagem. Com

esse intuito, objetiva-se realizar um estudo de caso com uma turma de um curso de

ensino a distncia para verificar o impacto da abordagem proposta na adequao do

contedo.

Objetiva-se tambm considerar na recomendao baseada em contedo palavras

que sejam sinnimos daquelas que esto na ontologia de contexto esttico. Desta forma,

ser possvel considerar a relao semntica entre as palavras no momento da

recomendao.

Por fim, porm no menos importante, como trabalho futuro, pretende-se

identificar e classificar os estilos cognitivos dos estudantes de acordo com uma teoria j

consolidada na literatura, provavelmente a Teoria da Carga Cognitiva [Santos et al.

2009], para que seja possvel aperfeioar o processo de ensino-aprendizagem do

estudante. O presente trabalho no se baseou em nenhuma teoria divulgada na literatura.

Referncias

ADL (2011) Advanced distributed learning, Disponvel em: http://www.adlnet.org.

Castilo, S., Ayala, G.: ARMOLEO (2008) An Architecture for Mobile Learning Object, In: 18

th International Conference on Electronics, Communications and Computers

(CONIELECOMP), p. 53-58, IEEE Computer Society, Los Alamitos.

1 Converso de latitude e longitude em endereo, ou seja, rua, nmero, bairro, cidade, estado ou pas.


262

Dias, C. C. L., Kemczinski, A., and Lucena, S. V. d. S. (2009) Padres abertos: aplicabilidade em Objetos de Aprendizagem (OAs), In Anais do XX Simpsio Brasileiro de Informtica na Educao, SBIE, Florianpolis, SC.

Gluz, J.C., Vicari, R. M. (2010) MILOS: Infraestrutura de Agentes para Suporte a Objetos de Aprendizagem OBAA, In Anais do XXI Simpsio Brasileiro de Informtica na Educao, SBIE, Joo Pessoa, PB.

JADE (2011) Java development framework: an open-source platform for peer-to-peer agent based applications. Disponvel em: http://jade.tilab.com/.

LTSC (2002) Draft Standard for Learning Object Metadata. IEEE Standard 1484.12.1. LTSC, Learning Technology Standards Committee, New York: Institute of Electrical and

Electronics Engineers. Disponvel em: http://ltsc.ieee.org/wg12/les /LOM_1484_12_1_v1_Final_Draft.pdf.

Maia, N. (2011) Ensino a distncia cresce no Pas. O POVO online, Fortaleza, 01 out. 2011. Disponvel em:

. Acesso em: 18 out. 2011.

MLE (2011) MLE - Mobile Learning Engine. Disponvel em: http://mle.sourceforge.net/mle/index.php.

Moore, P., Hu, B., Jackson, M., Wan, J. (2009) Intelligent context for personalized m-learning, In International Conference on Complex, Intelligent and Software Intensive Systems, 2009. CISIS 09, p. 247 254.

Moore, P., Hu, B., Wan, J. (2008) A Context Ontology for Pervasive Mobile Computing, The Computer Journal, Vol. 53, p. 191-207.

Pontes, A. A. A. (2010) Uma Arquitetura de Agentes para Suporte Colaborao na Aprendizagem Baseada em Problemas em Ambientes Virtuais de Aprendizagem, Dissertao de Mestrado, Universidade Federal Rural do Semi-rido - UFERSA, Mossor,

RN.

Pontes, A. A. A, Mendes Neto, F. M., Campos, G. A. L. de. (2010) "Multiagent System for

Detecting Passive Students in Problem-Based Learning". Advances in Soft Computing, v.

71, p. 165-172.

Primo, T. T., Vicari, R. M, Silva, J. M. C. da (2010) Rumo ao Uso de Metadados Educacionais em Sistemas de Recomendao, In Anais do XXI Simpsio Brasileiro de Informtica na Educao, SBIE, Joo Pessoa, PB.

Rodolpho, E. R. (2009) Convergncia digital de objetos de aprendizagem SCORM, Dissertao de Mestrado, Universidade Estadual Paulista Jlio de Mesquita Filho -UNESP,

So Jos do Rio Preto, SP.

Russell, R. & Norvig, P. (2003) Articial Intelligence, A Modern Approach 2nd Edition, Prentice Hall.

Santos, L. M. A., Reategui, E., Tarouco, L. (2009). A Insero de um Agente Conversacional Animado em um Ambiente Virtual de Aprendizagem a partir da Teoria da Carga Cognitiva, Artigo Resumido, In Anais do XX Simpsio Brasileiro de Informtica na Educao, SBIE,

Florianpolis, SC.

Schilit, B., Adams, N., Want, R. (1994) Context-Aware Computing Applications, In: IEEE Workshop on Mobile Computing Systems and Applications (WMCSA), p. 85-90, IEEE

Computer Society, Santa Cruz.

Yau, J.-K. & Joy, M. (2010) A context-aware personalized m-learning application based on m-learning preferences, In 6th IEEE International Conference on Wireless, Mobile and Ubiquitous Technologies in Education (WMUTE), p. 11 18.


263

0028

Documents