magalí teresinha longhi
Post on 25-Feb-2016
45 Views
Preview:
DESCRIPTION
TRANSCRIPT
Magalí Teresinha Longhi
Profa. Magda Bercht (PGIE, 18/Mai/2012)
Redes Bayesianas: tecnologia para inferir aspectos afetivos em
sistemas computacionais
Cenário interdisciplinar
Educação
ComputaçãoPsicologia Cognitiva
Interações em AVA
C. AfetivaTeoria das emoções
Modelos de
appraisal
Teorias:Piaget
Vigotski
Modelos afetivos
Redes Bayesianas
Modelo de Scherer
SumárioPARTE 1 – Modelagem afetiva
• Modelos de emoções usados em computação• Sensoriamento afetivo• Modelos de representação cognitiva
PARTE 2 – Raciocínio probabilístico (Teoria de Bayes)• Vantagens das Redes bayesinas• Sintaxe e Semântica de Redes Bayesianas• Densidade de Redes bayesianas• Softwares para implementar Redes Bayesianas
PARTE 3 – Aplicação de Redes Bayesianas• Desafios• ROODAafeto• Contribuições da pesquisa
PARTE 1
Modelagem afetiva
Modelos de emoção usadas na computaçãoModelo de Roseman
CausaEmoções Positivas Emoções Negativas
IntensidadeConsistente c/ motivo Inconsistentes c/ motivoDesejáveis Aversivas Desejáveis Aversivas
Circunstancial
Inesperada Surpresa Incerta Esperança Medo
FracoCerta Alegria Alívio Tristeza Embaraço
Incerta EsperançaFrustração Desprezo Forte
Certa Alegria Alívio
Outro agente
Incerta
GostarDesgostar Fraco
CertaIncerta
Raiva Desprezo ForteCerta
Própio Agente
Incerta
OrgulhoRemorso Fraco
CertaIncerta
Culpa Vergonha ForteCerta
Fonte: Roseman et al.(1990)
16 emoções
Modelos de emoção usadas na computaçãoModelo OCC
Fonte: Ortony, Clore e Collins (1988)
18 emoções(22 emoções)
Modelos de emoção usadas na computação
Evento
Processo deAppraisal
SNC
ReaçõesFisiológicas
SNA (SNSim e SNPar)
(Suporte)
(Proces. Informações)
SentimentoSubjetivo
SNC
(Monitor)
Expressãomotora
SNS
(Comunicação)
Tendênciaà ação
SNC
(Executivo)
Scherer (1984a; 2000a, 2009)
Relevância Implicações Coping Significado
Modelo de Scherer
Modelos de emoção usadas na computaçãoDiferença entre os modelos
Principal diferença:
Maneira como a avaliação cognitiva (appraisal) de uma experiência emocional é realizada.
Modelo de Roseman e OCC • Focalizam a estrutura cognitiva ou a taxonomia das emoções.• Estão baseadas nas ações do sujeito.• Levam em consideração as crenças e os desejos do sujeito
(principalmente o OCC).
Modelo de Scherer• Avalia o episódio emocional como um conjunto de processos em
vários componentes orgânicos.• O fenômeno afetivo não é apenas o resultado da avaliação
cognitiva, mas também dos diversos processos envolvidos nos diferentes subsistemas do organismo.
Sensoriamento afetivoDetecção dos fenômenos afetivos
Envolve sensores que capturam dados do estado físico do indivíduo ou de seu comportamento.
Tipos de sensores• Visuais (vídeo-câmeras)• De áudio (microfones).• Fisiológicos (cadeiras sensíveis à pressão do corpo, luvas que
captam a condutividade da pele, mouse sensíveis à pressão, EEG, ECG, termógrafos, aparelhos para verificar a pusação, respiração, dilatação da pupila, etc.).
Fatores que podem influenciar a captura• Controle da expressão facial/corporal.• Modo de experimentação de um fenômeno afetivo (alguns são
mais fáceis de identificar do que outros).• História de cada indivíduo.
Sensoriamento afetivoReconhecimento de informações afetivas
Pressupõe a extração de determinadas evidências (tipificados em determinados sinais) a partir dos dados capturados.
Métodos de inferência • Por prognóstico (top-down)
• Baseado em fatores que influenciam ou causam a experiência afetiva.• Baseado em teorias psicológicas fundamentadas no appraisal
cognitivo.• São tratadas as evidências antecedentes à manifestação afetiva.
• Por diagnóstico (bottom-up): • Baseado em diversas medidas corporais.• São tratadas as evidências consequentes ao fenômeno vivenciado.
• Híbrida (composição do top-down e bottom-up): • Confere uma inferência mais efetiva.
Sensoriamento afetivoExemplos de detecção e reconhecimento de informações afetivas
Através das expressões facial e corporal • Facial Action Coding System (FACS) (Ekman, 1993)
• Detecção: expressão facial• Reconhecimento: não divulgado.
• Whitehill, Barltlett e Movellan (2008)• Detecção: expressão facial• Reconhecimento: baseado no FACS.
• Kapur, Kapur, Virji-Babul, Tzanetakis e Driessen (2005) • Detecção: expressão corporal através de motion capture.• Reconhecimento: algoritmos de aprendizagem em máquina
(usualmente associa mineração de dados e métodos estatísticos que servem de informação para a máquina aprender)
Sensoriamento afetivoExemplos de detecção de informações afetivas
Através de padrões fisiológicos
• Picard, Vyzas e Healey (2001) • Detecção: tensão muscular da face, fluxo sanguíneo, condutividade
térmica e fluxo respiratório. • Reconhecimento: não divulgado.
• Mcquiggan, Lee e Lester (2006a) • Detecção: batimento cardíaco e condutividade da pele.• Reconhecimento: Redes bayesianas.
• Mandryk e Atkins (2008) • Detecção: expressão facial, condutividade da pele, medida
cardiovascular e tensão muscular.• Reconhecimento: Lógica Fuzzy.
Sensoriamento afetivoExemplos de detecção de informações afetivas
Através da fala
• Cahn (1990) - trabalho pioneiro• Detecção: fala. • Reconhecimento: Affect editor.
• Grandjean, Banziger, Scherer (2006) • Detecção: fala. • Reconhecimento: modelo próprio.
Sensoriamento afetivoExemplos de detecção de informações afetivas
Através da escrita
• Kennedy, Inkpen (2006) • Detecção: extração de adjetivos, verbos, termos de baixa frequência e
expressões idiomáticas. • Reconhecimento: algoritmo que calcula a orientação positiva/negativa
de um texto
• Pang e Lee (2008) • Detecção: extração de adjetivos, verbos, termos de baixa frequência e
expressões idiomáticas. • Reconhecimento: Métodos de orientação semântica.
• Ortony, Clore e Foss (1987) • Detecção: substantivos, advérbios, verbos e derivações.• Reconhecimento: taxonomia léxica
• Pasqualotti (2008) • Detecção: substantivos, advérbios, verbos e derivações.• Reconhecimento: WordNet Affect BR
Sensoriamento afetivoExemplos de detecção de informações afetivas
Através do comportamento observável
• Jaques (2004) • Detecção: tempo de execução de uma tarefa no STI, sucesso (ou falha
na execução de exercício proposto, e a frequencia de solicitação de assistência.
• Reconhecimento: modelo BDI (beliefs, desires and intentions)
• De Vicent e Pain (2002) • Detecção: modo de interação do aluno em um STI• Reconhecimento: modelo próprio (Affective Tutor)
Sensoriamento afetivoExemplos de detecção de informações afetivas
Através do uso de questionários e inventários
• Delinear os traços de personalidade (Pantarolo, 2008)
• Determinar a motivação (De Vicent; Pain, 2002)
• Avaliar subjetividade na voz (Sangsue et al, 1997)
• Analisar eventos precedentes a um estado afetivo (Scherer, 1993)
• Confrontar emoções x cultura (Wallbott; Scherer, 1989)
Modelos de representação cognitivaModelagem afetiva
Principal dificuldade
Uso de modelos criados sob o método científico cartesiano, em que os mecanismos cognitivos são estudados através da redução (reducionismo - o mundo complexo deve ser dividido em partes mais simples), não considerando a afetividade.
IA inspirada na Psicologia Cognitiva• Modelos de característica distribuída:
• Baseados nas simulações de processos cerebrais.
• Modelos de característica simbólica:• Baseados nas formas procedural e declarativa do pensamento.
Russel e Norving (2004)
Modelos de representação cognitivaModelo Distribuído
Outras denominações: modelo conexionista, processamento distribuído paralelo e computação neural.
Características: emprega estudos sobre as redes neurais (capacidade de memorização, aprendizado e generalizações).
Na computação: redes neurais artificiais.
Uso: sistemas de aprendizagem, agentes inteligentes, robótica.
Limitações: incapaz de modelar representações mais estruturadas (p. ex.: linguagem)
Russel e Norving (2004)
Modelos de representação cognitivaModelo Simbólico
Símbolo:Traduz um conceito. Um conceito é unidade fundamental do conhecimento simbólico.
Abordagens:• Procedural ou não-declarativa (saber como)
• O conhecimento é tratado segundo regras do tipo se-então:• Lógicas clássicas (raciocínio monotônico): trata de certezas
absolutas (Verdadeiro/Falso).• Lógica de primeira ordem estendida (raciocínio não-monotônico):
admite um certo grau de indeterminação (verdadeiro/falso/nem verdadeiro/nem falso)
• Declarativa (saber o quê) • O conhecimento é representado na forma de uma rede semântica.
• Grafos, mapas conceituais, mapas mentais, etc.
Russel e Norving (2004)
Modelos de representação cognitivaAbstrações computacionais
Russel e Norving (2004)
• Modelos de representação cognitiva traduzem processos cognitivos.
• Não existem modelos para representar processos afetivos.• A captura de dados afetivos pode revelar-se insuficiente ou
incorreto. • É um mundo incerto, complexo e dinâmico que pode ser
representado:• Distribuída/conexionista: redes neurais artificiais• Simbólica
• Lógica BDI (Beliefs, Desires e Intention)• Lógica fuzzy • Modelo oculto de Markov• Rede bayesiana
Se-então
Teoria das probabilidades
PARTE 2 Raciocínio probabilístico através da Teoria de Bayes
Vantagens das Redes Bayesianas
1. Expressa uma visão semântica do problema;
2. Apropriada para representar e raciocinar com a incerteza, característica inerente à dimensão afetiva;
3. Explora a esparsidade do relacionamento entre as variáveis (isto é, trata de variáveis sem evidência de correlação)
4. É eficiente do ponto de vista computacional, embora a distribuição de probabilidade possa crescer exponencialmente.
Russel e Norving (2004)
Sintaxe e semântica das Redes Bayesianas
Descreve o problema:
• qualitativamente, por meio da representação de uma rede semântica, e
• quantitativamente, a partir do uso da teoria da probabilidade, representado por Tabelas de Probabilidade Condicional (TPC) .
Russel e Norving (2004)
Sintaxe e semântica das Redes Bayesianas
Sintaxe de uma RB:• é representada por um grafo orientado acíclico.
• os nodos tratam as variáveis do domínio.
• as arestas tratam das relações probabilísticas.
• uma aresta que parte de X para Y, então X será pai de Y.
• cada variável (Xi) tem uma distribuição de probabilidade condicional, tal que P (XiPais (Xi)).
“A probabilidade de Xi , dado que conhecemos os pais de Xi “
Sintaxe e semântica das Redes Bayesianas
Semântica de uma RB:
A semântica da RB exemplo: P(A, B, C, D, E) = P(EC) P(DC) P(CA, B) P(B) P(A)
Inferência de probabilidade para o caso:
P(A B CD E) = P(EC) P(DC) P(CA, B) P(B) P(A) = 0,70 0,90 0,05 0,998 0,999 = 0,031405563 ( 3,14%)
??
Sintaxe e semântica das Redes Bayesianas
Densidade da RB:
• Cada variável aleatória (nodo) é diretamente influenciada por no máximo k outras.
• A quantidade de informações para especificar cada TPC será no máximo 2k números (considerando variáveis booleanas: verdadeiro e falso).
• Por exemplo, a TPC de
K=14 214 = 4096 entradas na TPC
K=14 514 = 6.103.515.625 entradas na TPC
(muito forte, forte, equilíbrio, fraco, muito fraco)
(presente, não presente)(sim, não)
(V, F)
Softwares para implementar RB
• Hugin Lite v.7.3 (Hugin Expert A/S)
• Netica v. 4.16 (Norsys Software Corp)
• SEAMED v. 0.7 (Instituto de Informática/UFRGS).
• MSBN (Microsoft Bayesian Network)
PARTE 3
Aplicação de Redes Bayesianas
Desafios
1. Determinar qual fenômeno afetivo é significativo no processo de ensino e aprendizagem
2. Determinar os estados de ânimo significativos em AVA e como mapeá-los.
3. Elaborar o modelo afetivo do aluno.
4. Indicar uma abstração computacional que se ajusta à modelagem dos estados de ânimo.
5. Desenvolver o modelo da RB de forma implementar a rede semântica que define o modelo afetivo do aluno.
6. Ajustar a RB conforme as limitações impostas pela rede semântica ou pelo software escolhido.
Desafio 1 – Fenômeno afetivo significativoTerminologia da afetividade
Secundária ou Social
Primária, Básica ou Utilitária
EmoçãoEkman (1999)
Damásio (1996)Scherer (2005)
Reeve (2006)
É um episódio perceptível com um grau de intensidade variável e resposta relativamente breve
(seg./min.). Dirige o curso de uma ação e é desencadeada a partir de
evento com conteúdo cognitivo claro.
Emoção de segundo plano
Estado de ânimoFridja (1994)Damásio (1996)
Forgas (2000)Scherer( 2005)
É um episódio difuso, sem causa aparente, que pode emergir de processos de escasso conteúdo
cognitivo. Caracteriza-se por baixa intensidade e longa duração
(horas/dias). Repercute na cognição ao dirigir as reflexões e
metareflexões.
Disposição afetiva
Traço de personalidadeScherer (2005)
Pasquali; Azevedo e Ghesti (1997)
É um padrão através do qual o sujeito percebe a realidade e conduz suas
relações (intra e interpessoais)
Rosenberg (1998)
Desafios
1. Determinar qual fenômeno afetivo é significativo no processo de ensino e aprendizagem
2. Determinar os estados de ânimo que podem ser identificados em AVA e como mapeá-los.
3. Elaborar o modelo afetivo do aluno.
4. Indicar uma abstração computacional que se ajusta à modelagem dos estados de ânimo.
5. Desenvolver o modelo da RB de forma implementar a rede semântica que define o modelo afetivo do aluno.
6. Ajustar a RB conforme as limitações impostas pela rede semântica ou pelo software escolhido.
Alto controle
Baixo controle
AgradávelDesagradável
Insatisfeito
AnimadoDesanimado
Satisfeito
Desafio 2 – Estados de ânimo
Scherer (2005)Tran (2007)
Longhi, Behar e Bercht (2009c)
SATISFAÇÃO(É o estado de ânimo que denota prazer advindo da realização do que se espera,
do que se deseja)
ANIMAÇÃO(É o estado de ânimo que movimenta o sujeito em direção aos objetivos)
Desafios
1. Determinar qual fenômeno afetivo é significativo no processo de ensino e aprendizagem
2. Determinar os estados de ânimo que podem ser identificados em AVA e como mapeá-los.
3. Elaborar o modelo afetivo do aluno.
4. Indicar uma abstração computacional que se ajusta à modelagem dos estados de ânimo.
5. Desenvolver o modelo da RB de forma implementar a rede semântica que define o modelo afetivo do aluno.
6. Ajustar a RB conforme as limitações impostas pela rede semântica ou pelo software escolhido.
(Bercht, 2001)Desafio 3 – Modelo afetivo do aluno
Estados de ânimo
Expressão motora
Sistema Fisiológico Motivação
Sentimento subjetivo
“Appraisal cognitivo”(Processamento de
informações)
(Subsistemas de regulação, de comunicação,
de preparação para a ação e de monitoramento
interno) Regulagem ou ajustes do
corpo
Preparação e direcionamento
da ação
Comunicação da reação e intenção
de ação ou comportamento
Monitoramento dos estados
internos
Análise do padrão de ação do aluno nas funcionalidades do AVA
Comportamento observável
ConfiançaEsforçoIndependência
Fatores motivacionais
Bercht, 2001
IFP
Traços de personalidade
Pasquali, Azevedo e Ghesti (1997)
Subjetividade afetiva
Mineração de sentimento
em texto
Pasqualotti, 2008Orengo; Buriol e Coelho, 2007
Kantrovitz, 2003
Sche
rer,
2005
Desafios
1. Determinar qual fenômeno afetivo é significativo no processo de ensino e aprendizagem
2. Determinar os estados de ânimo que podem ser identificados em AVA e como mapeá-los.
3. Elaborar o modelo afetivo do aluno.
4. Optar por uma abstração computacional que implemente a modelagem dos estados de ânimo.
5. Desenvolver o modelo da RB de forma implementar a rede semântica que define o modelo afetivo do aluno.
6. Ajustar a RB conforme as limitações impostas pela rede semântica ou pelo software escolhido.
Desafio 4 – Opção por rede semânticaIFP
14 fatores
Estados deânimo
FatoresMotivacionais(C, E, I)
11 Variáveis comportamentais
Subjetividadeem texto
FP importante para AVA
FP removido
Desafios
1. Determinar qual fenômeno afetivo é significativo no processo de ensino e aprendizagem
2. Determinar os estados de ânimo que podem ser identificados em AVA e como mapeá-los.
3. Elaborar o modelo afetivo do aluno.
4. Optar por uma abstração computacional que se ajusta à modelagem dos estados de ânimo.
5. Projetar o modelo da RB de forma implementar a rede semântica que define o modelo afetivo do aluno.
6. Ajustar a RB conforme as limitações impostas pela rede semântica ou pelo software escolhido.
Desafio 5 – Modelo de Rede Bayesiana
NETICA v.4.16
Framework BFC(Behavioral Factor
Calculation)
Framework AWM(Affective Word
Mining)
Problema de memória
15.625 regs. 125 regs.
125 regs.
Desafio 5 – Modelo de Rede Bayesiana
Desafios
1. Determinar qual fenômeno afetivo é significativo no processo de ensino e aprendizagem
2. Determinar os estados de ânimo que podem ser identificados em AVA e como mapeá-los.
3. Elaborar o modelo afetivo do aluno.
4. Optar por uma abstração computacional que se ajusta à modelagem dos estados de ânimo.
5. Desenvolver o modelo da RB de forma implementar a rede semântica que define o modelo afetivo do aluno.
6. Ajustar a RB conforme as limitações impostas pela rede semântica ou pelo software escolhido.
Desafio 6 – Ajustes na Rede SemânticaRB implementada - Framework MIM (Mood Inference Machine)
Inferência da predominância dos fatores de personalidade
Inferência dos estados de ânimo
NETICA v.4.16
125 regs.
15.625 regs.
125 regs.
ROODAafetoEsquema geral
ROODA
Framework MIM(Mood Inference
Machine)
Framework BFC(Behavioral Factor
Calculation)
Framework AWM(Affective Word
Mining)
ROODAafetoFramework AWM (Affective Word Mining)
Valência Estado deÂnimo
FamíliaAfetiva Emoções
Positiva (Prazerosa)
Animado
Surpresa Abismado, admirado, atônito, chocado, estupefato, maravilhado, pasmo, perplexo, surpreso
Interesse Absorvido, animado, ansioso, atento, ávido, curioso, dedicado, empenhado, encorajado, estimulado, incentivado, inspirado, interessado
Esperança Animado, confiante, desejoso, esperançoso, com expectativa, otimista, seguroSerenidade Assistido, ajudado, aliviado, amparado, calmo, sereno, tranquilo, sossegado
Satisfeito
Satisfação Expectativas correspondidas / atendidas, gratificado, satisfeitoAlegria Alegre, contente, enaltecido, encantado, feliz, triunfante Entusiasmo Extasiado, em júbilo, em regozijo, eufóricoOrgulho Altivo, imponente, onipotente, orgulhoso, vaidoso
Negativa (Desagradável)
Insatisfeito
Irritação Aborrecido, agitado, ameaçado, com ódio, enraivecido, encolerizado, exasperado, feroz, furioso, impetuoso, indignado, inflamado, irado, violento, zangado
Desprezo Altivo, arrogante, depreciado, desacreditado, desconsiderado, desdenhoso, desprezível, desvalorizado, menosprezado, oprimido, rejeitado, ridicularizado, subjugado
Aversão Achar abominável, com antipatia, com asco, enojado, com má vontade, enauseado, enjoado, considerar de mau gosto, desgostoso, detestável, com dissabor, enfastiado, [...]
Inveja Enciumado, desejoso, invejoso, cobiça
Desanimado
Culpa Arrependido, censurado, com remorso, culpado, em falta, penalizado, repreendido, responsabilizado, sentido
Vergonha Acanhado, confuso, desconcertado, embaraçado, envergonhado, humilhado, tímido, perdido, atrapalhado, descompensado, confuso
Medo Alarmado, amedrontado, ansioso, apavorado, apreensivo, arrepiado, assustado, atemorizado, em pânico, horrorizado, inquieto, intimidado, medroso, preocupado, receoso, sobressaltado, temeroso
TristezaAbatido, aflito, carrancudo, choroso, compadecido, consternado, mal humorado, deprimido, desapontado, com dó, sentir-se em desgraça, em pranto, entristecido, fracassado, sentir-se incompetente, lamentoso, lúgubre, magoado, melancólico, penoso, pesaroso, [...]
ROODAafeto
WordAffectBR
Pasqualotti (2008)
289 palavras
2194 palavras no léxico afetivo
Longhi, Behar, Bercht e Simonato (2009a)
2987 palavras
Framework AWM (Affective Word Mining)
ROODAafetoFramework BFC (Behavioral Factor Calculation)
Funcionalidade Situação Fator
Geral Inicial 0
Fórum
NA: inferior à média -1NA: igual ou superior à média +1NV: inferior ao número de acessos -1
NV: igual ou superior ao número de acessos +1
MP: responde ao formador +2MP: responde ao colega +1MP: não responde ao colega -1MP: não responde ao formador -2MP: não participa do fórum -3TO: cria sua própria mensagem +1TO: cria um novo tópico +2
Bate-papo
FP: extremamente ativa (>= 75%) +3FP: ativa (>= 50% e < 75%) +2
FP: pouco ativa (>= 25% e < 50%) +1FP: ínfima (> 0% e < 25%) -1FP: não participou (= 0%) -3
Diário de bordo
FP: extremamente ativa (>= 75%) +3FP: ativa (>= 50% e < 75%) +2
FP: pouco ativa (>= 25% e < 50%) +1FP: ínfima (> 0% e < 25%) -1FP: não participou (= 0%) -3
Contatos
PA: a todos -3PA: ao formador -2PA: aos colegas -1PA: não pede ajuda +3
Funcionalidade Situação FatorGeral Inicial 0
Fórum
NA: inferior à média -1NA: igual ou superior à média +1FP: extremamente ativa (>= 75%) +2FP: ativa (>= 50% e < 75%) +1FP: pouco ativa (>= 25% e < 50%) -1FP: ínfima (> 0% e < 25%) -2MP: responde ao formador -3MP: responde ao colega +2MP: não responde ao colega +1MP: não responde ao formador -1MP: não participa do fórum -2TO: cria sua própria mensagem +1
Bate-papo
FP: extremamente ativa (>= 75%) +2FP: ativa (>= 50% e < 75%) +1FP: pouco ativa (>= 25% e < 50%) -1FP: ínfima (> 0% e < 25%) -2FP: não participou (= 0%) -3
Diário de bordo
FP: extremamente ativa (>= 75%) +2FP: ativa (>= 50% e < 75%) +1FP: pouco ativa (>= 25% e < 50%) -1FP: ínfima (> 0% e < 25%) -2FP: não participou (= 0%) -3
ContatosPA: a todos +3PA: ao formador +2PA: aos colegas +1
Tempo TP: igual ou inferior à média da turma -1TP: superior à média da turma +1
Funcionalidade Situação FatorGeral Inicial 0
FórumNV: inferior ao número de acessos -1NV: igual ou superior ao número de acessos +1TO: cria um novo tópico +1
Bate-papo AS: cria sala de bate-papo +1AS: não cria sala de bate-papo -1
Contatos
PA: a todos -2PA: ao formador -1PA: aos colegas +1PA: não pede ajuda +2
Tempo TP: igual ou inferior à média da turma +1TP: superior à média da turma -1
ConfiançaEsforço
Independência
ROODAafetoDinâmica das interfaces
ROODAafetoDinâmica das interfaces
Contribuições
1. A pesquisa pressupôs uma reflexão sobre a questão da afetividade implicada na interação no âmbito do AVA ROODA.
2. Essa reflexão motivou a implementação da ferramenta computacional, o ROODAafeto.
3. O ROODAafeto mapeia os estados de ânimo (animado/desanimado e satisfeito/insatisfeito).
4. A expectativa é a de que essa ferramenta possa auxiliar o professor no que se refere ao acompanhamento do percurso cognitivo-afetivo do aluno.
Caminhos trilhados
Contribuições
1. Estudo e discussão de qual fenômeno afetivo é representativo nas questões da Educação e possível de ser reconhecido em AVAs.
2. Adaptação do modelo dos fatores motivacionais proposto por Bercht (2001) e inspirada em del Soldato e du Boulay (1995).
3. Desenvolvimento do framework AWM (Affective Word Mining).
4. Construção do acervo de símbolos linguísticos com conotação afetiva.
5. Utilização de Rede Bayesiana (RB) para o modelo computacional de inferência dos estados de ânimo.
6. A divulgação dos resultados à comunidade científica, em congressos nas áreas de Computação, Informática na Educação e Psicologia, é considerada também no âmbito das contribuições.
Outras contribuições
Contribuições
1. Inclusão de outras funcionalidades do AVA ROODA para o cálculo dos fatores motivacionais.
2. Incorporação de novas características no modelo afetivo do aluno:a) Estilo de aprendizagemb) Atitude social (recurso de sociometria)
3. Utilização de modelo computacional híbrido para implementar o modelo afetivo do aluno.
4. Discussões nas áreas:a) Educação: extensão do mapeamento de aspectos afetivos para
os formadores.b) Educação: reflexões sobre os modos de ser professor quando de
posse de informações afetivas.c) Psicologia: validação dos autorregistros sobre os aspectos
afetivos.
Perspectiva de novas investigações
Magalí Teresinha Longhi(http://chasqueweb.ufrgs.br/~mlonghi)
Mapeamento de aspectos afetivos em um ambiente virtual de aprendizagem
Patricia Alejandra Behar (orientadora)Magda Bercht (co-orientadora)
top related