ALTEIA – Agente Lexical de apoio a Tarefas Educacionais usando Inteligência Artificial

Objetivo geral:

O projeto ALTEIA - Agente Lexical de apoio a Tarefas Educacionais usando Inteligência Artificial visa a investigação e teste de possíveis usos de agentes conversacionais na educação.

Motivação:

A teoria sócio interacionista de Vygotsky (1978) propõe que a aprendizagem é um processo social e que o desenvolvimento do estudante é influenciado pelos seus pares neste processo de crescimento cognitivo. A ZDP (Zona de Desenvolvimento Proximal) é um conceito básico desta teoria sendo definida como a distância entre o nível de desenvolvimento real, que se costuma determinar através da solução independente de problemas, e o nível de desenvolvimento potencial, determinado através da solução de problemas sob a orientação de um adulto ou em colaboração com companheiros mais capazes. Com base neste conceito, as interações sociais passam a ser entendidas como relevantes para a produção de conhecimento por parte dos alunos, particularmente aquelas que permitem o diálogo, a cooperação e a troca de informações mútuas e o confronto de pontos de vista divergentes.

Conforme Dillenbourg (1999), os pares não aprendem porque são dois, mas porque realizam atividades que desencadeiam mecanismos de aprendizagem específicos. Isso inclui atividades ou mecanismos realizados individualmente, uma vez que a cognição individual não é suprimida em interação entre pares. Além disso, a interação entre os indivíduos gera atividades extras (explicação, desacordo, regulação mútua) que desencadeiam mecanismos cognitivos adicionais (elicitação do conhecimento, internalização, carga cognitiva reduzida, etc.).

Esses pressupostos constituem a base para a aprendizagem colaborativa e, conforme determinado em diversos estudos (Harsley, 2017; Cho e Lim, 2017; Purcher, 2016; Berns et al., 2013; Ibáñez et al., 2013), a cooperação, comparada com o esforço individual, costuma resultar em conquistas maiores, maior tempo de retenção do conteúdo, produção de pensamento crítico e meta-cognitivo, bem como no aumento da criatividade na resolução de problemas e em um maior grau de persistência do estudante, além de reduzir o tempo necessário para a aprendizagem.

Tradicionalmente, estas interações são estabelecidas entre pares humanos (colegas, tutores, professores). Entretanto, existem casos em que a interação entre os pares (estudantes e professores) é escassa, difícil ou até mesmo inviável. Em cursos de educação a distância (EAD), por exemplo, limitações geográficas, administrativas e financeiras dificultam dispor de um interlocutor para que aprendizagem colaborativa ocorra sempre que for conveniente para o estudante. Por isso, o uso de recursos de colaboração envolvendo entidades virtuais vêm sendo experimentados por diversos grupos de pesquisa (Graesser et al., 2014; Soliman e Guetl, 2013; Kim, 2007; Kerli 2008; Veletsianos e Russel 2014).

Visando contribuir com a temática, o presente trabalho apresenta estratégias para apoiar a aprendizagem colaborativa mediante o envolvimento de entidades virtuais, que simulam a atuação de pares competentes na interação com os estudantes, no sentido de estimular a ZDP. Esta interação tem especial relevância para atividades de EAD, onde estudantes geograficamente dispersos participam assíncronamente com mais frequência do que sincronamente.

Metodologia e estratégias:

A intervenção do tutor ou outro interlocutor para incitar o estudante a pensar, refletir e elaborar, através de questões instigadoras é desejável e benéfica, e essa sequência de interações tem potencial para ampliar a ZDP. Mas, para isto, é desejável que o interlocutor detenha conhecimento e experiência relevante em relação ao estudante. Desta forma ele conseguirá criar situações de desequilíbrio cognitivo que promoverão a necessidade de adaptação e/ou acomodação capazes de levar o estudante a um patamar de equilibração superior, tal como previsto na teoria do construtivismo.

A eficiência da tutoria foi demonstrada por Bloom (1984), onde verificou-se grandes diferenças no desempenho dos alunos sob a tutoria “um para um”, com uma instrução individualizada, em comparação com os métodos de instrução em grupo, o que foi denominado “2 Sigma Problem”. Como o atendimento individualizado acarreta alto custo, soluções usando tecnologia para tornar a atividade de aprendizagem mais interativa vem sendo pesquisadas.

Nesse sentido, entidades virtuais configuram-se como soluções na categoria dos tutores inteligentes, embora limitadas em relação à tutoria humana, mas com potencial para melhorar o desempenho acadêmico dos estudantes, fornecendo um atendimento que se aproxima do que seria fornecido por um tutor real de forma individual.

A impossibilidade de contar com um tutor humano permanentemente à disposição para realizar tarefas de interação levou à busca de soluções automatizadas, envolvendo entidades virtuais, que por meio da internet podem ficar à disposição ininterruptamente. Podem ser materializadas de diversas formas, tais como por meio de sensores, scripts, avatares, agentes, entre os mais variados recursos.

Agentes conversacionais (também chamados chatbots ou assistentes virtuais) são aplicações que simulam diálogo por meio de uma interação em linguagem natural (por texto ou voz) entre um humano, que fornece a entrada, e o agente que responde a ele (fornecendo respostas ou formulando perguntas). Conforme Dale (2016), o uso de chatbots constituem uma das grandes tendências da tecnologia na atualidade, sendo disponibilizados para interação com usuários de grandes corporações, como Apple (Siri), Amazon (Alexa), Microsoft (Cortana) e Google (Now) (Reis 2017).

Uma das soluções mais populares para apoiar a implementação de chatbots, Alicebot, foi desenvolvida por Wallace (1995), usando a máquina de inferência A.L.I.C.E (Artificial Linguistic Internet Computer Entity). Alicebot é um projeto open source que também disseminou a linguagem de marcação AIML (Artificial Intelli-gence Markup Language). Ao longo dos anos, uma variedade de softwares e serviços online para construção de chatbots surgiram derivados desta implementação, tais como PandoraBots, Program-Z, Program-O e Program AB.

Conforme Fryer et al. (2017) e Crown (2011), o uso de chatbots oportuniza inúmeros benefícios à educação, essencialmente com o oferecimento de informações na forma de diálogo, tornando-se uma fonte potencial de motivação sustentada para o aprendizado. Ghose e Barua (2013) destacam a sua capacidade de recuperar informações de forma instantânea e simples, sem que o estudante tenha que procurar ou navegar em várias páginas da web para encontrar respostas a perguntas frequentes. O chatbot tem potencial para atuar com um companheiro virtual para o estudante e, assim como na situação de humanos, pode realizar intervenções que afetam a ZDP.

Dessa forma, entidades virtuais conversacionais têm potencial para atuar de diversas maneiras, tais como: 1. Orientar sobre as atividades a serem realizadas (especialmente relevante em EAD onde os estudantes relatam com certa frequência se sentir perdidos e um tanto desorientados); 2. Responder perguntas relacionadas ao campo conceitual em ação; 3. Formular questionamentos ao estudante com vistas a instigar reflexão e metaconhecimento; 4. Sugerir sites e videos com informações adicionais relacionadas ao contexto abordado.

Com essas estratégias é possível criar um ambiente de aprendizagem calcado na teoria sócio interacionista de Vygotsky, capaz de ensejar aprendizagem colaborativa usando entidades virtuais como substitutos de companheiros ou tutores reais. Desse modo, as interações sociais passam a constituir elementos relevantes para a produção de conhecimento de forma colaborativa, através do diálogo, da troca de informações e do confronto de pontos de vista divergentes.

Tipos de agentes educacionais previstos:

1- Agente básico reativo que responde sobre questões relacionadas com o campo conceitual em estudo (Vergnaud 2009)

a. Pode ser implementado usando um sistema de chatbot tal como ALICEbot

b. Exemplos de implantações feitas pelo grupo: Profa Elektra, Doroty (Leonhardt 2005), Blaze (Aguiar 2014), ATENA(Herpich 2017) e METIS

c. Dificuldades: alimentar a base de conhecimento em AIML, integração com sistemas externos ao chatbot (banco de dados, pesquisas Google), reconhecer o cerne da questão a partir de palavras chaves presentes na pergunta e que podem estar relacionadas a diferentes classes.

d. Trabalhos desenvolvidos: geração de base de conhecimento a partir de um corpus linguístico (Krassmann 2015). Implementação do agente conversacional ALTEIA que atua no campo conceitual de Sala de Aula Invertida e Metodologias Ativas.

e. Área de investigação: como modificar o agente para que a interação com o usuário tenha um certo grau de continuidade contornando o padrão normal de operação do Alicebot que opera de modo stateles e possibilitando detectar intencionalidade tal como proposto em (Neves 2006).

2- Agente capaz de interagir com um Ambiente Virtual de Aprendizagem (AVA)


a. Implementar acesso a informações relevantes para o aluno, tais como a situação das tarefas realizadas e por realizar no AVA (Moodle ou Knowledge Forum)

b. Prover recomendações e suporte relativas aos trabalhos postados (potencialmente derivadas dos comentários registrados pelos tutores que avaliaram os trabalhos).

3- Agente capaz de acompanhar e apoiar a atividade do aluno em um cenário de aprendizagem experiencial (tal como previsto no Ciclo de Kolb na etapa de Experimentação concreta)

a. Deve ter condições de perceber o que o estudante já realizou em um experimento real (com ou sem sensores) ou virtual (onde sensores virtuais podem enviar sinais sobre cada ação realizada pelo aluno e os resultados dos experimentos feitos).


b. Deve ter uma estrutura de apoio com as metas previstas para cada experimento e resultados possíveis, bem como recomendações de reações para cada alternativa)(Xie 2017).

4- Agente capaz de instigar reflexão (tal como previsto no Ciclo de Kolb para a fase de Observação reflexiva) sobre as atividades realizadas em um cenário de metodologia ativa

a. Num cenário de metodologia ativa se poderia usar diversas estratégias para envolver ativamente o aluno (PBL, instrução peer-to-peer). Qual o papel de um agente num contexto desta natureza? Esta é uma área ainda não muito explorada mas muito interessante quando se pensa no futuro de agentes atuando como companheiros de trabalho tanto em um contexto educacional como profissional (Mou 2017)

5- Agente que auxilia na etapa de Conceitualização-Abstrata (tal como previsto no Ciclo de Kolb).

a. Métodos de dedutivos ou indutivos podem ser usados para auxiliar o aluno a elaborar os conceitos (formulações acadêmicas) relacionados ao campo conceitual inerente à unidade de aprendizagem em questão).

Referências:

Aguiar,E.V.B.; Tarouco, L.; Reategui, E. Supporting Problem-Solving in Mathematics with a Conversational Agent Capable of Representing Gifted Students' Knowledge In: The Ha-waii International Conference on System Sciences - HICSS-47, 2014, Waikiloa, USA.

Berns, A., Rodriguez, F., Gomez, R. (2013) Collaborative learning in 3-D virtual environ-ments. Global perspectives on Computer-Assisted Language Learning Glasgow, 10-13 July 2013 Papers, 17.

Bloom, B. S. (1984) The 2 Sigma problem: The Research for Methods of Group Instruction as Effective as One-to-one Tutoring. Educational Researcher. v. 13, n. 6, p. 4-16.

Cho, Y. H., Lim, K. Y. (2017) Effectiveness of collaborative learning with 3D virtual worlds. British Journal of Educational Technology, 48(1), 202-211.

Crown, S., Fuentes, A., Jones, R., Nambiar, R., & Crown, D. (2011) Anne G. Neering: In-teractive chatbot to engage and motivate engineering students. Computers in Education Jour-nal, 21(2), 24-34.

Dale, R. The return of the chatbots. Natural Language Engineering 22.5, p. 811-817, 2016.

Dillenbourg, Pierre. What do you mean by collaborative learning?. P. Dillenbourg. Collabo-rative-learning: Cognitive and Computational Approaches., Oxford: Elsevier, pp.1-19, 1999.

Fryer, L. K., Ainley, M., Thompson, A., Gibson, A., & Sherlock, Z. (2017). Stimulating and sustaining interest in a language course: An experimental comparison of Chatbot and Human task partners. Computers in Human Behavior.

Ghose, S., Barua, J. J. (2013). "Toward the implementation of a topic specific dialogue based natural language chatbot as an undergraduate advisor." Informatics, Electronics & Vi-sion (ICIEV), 2013 International Conference on. IEEE.

Graesser, A. C., Chipman, P., Haynes, B. C., & Olney, A. (2005). AutoTutor: An intelligent tutoring system with mixed-initiative dialogue. IEEE Transactions on Education, 48(4), 612-618.

Graesser, A. C., Li, H., & Forsyth, C. (2014). Learning by communicating in natural lan-guage with conversational agents. Current Directions in Psychological Science, 23(5), 374-380.

Harsley, R., Fossati, D., Di Eugenio, B., & Green, N. (2017). Interactions of individual and pair programmers with an intelligent tutoring system for computer science. Paper presented at the Proceedings of the Conference on Integrating Technology into Computer Science Edu-cation, ITiCSE, 285-290. doi:10.1145/3017680.3017786

Herpich, F.; Rossi, T.; Tibola, L.; Ferreira, V.; Tarouco, L. Learning Principles of Electricity Through Experiencing in Virtual Worlds In: Immersive Learning Research Network, Third International Conference, iLRN 2017, 2017, Coimbra, Portugal.

Ibáñez, M. B., García Rueda, J. J., Maroto, D., & Delgado Kloos, C. (2013). Collaborative learning in multi-user virtual environments. Journal of Network and Computer Applications, 36(6), 1566-1576. doi:10.1016/j.jnca.2012.12.027.

Kerly, A., Hall, P., Bull, S.: Bringing chatbots into education: Towards natural language ne-gotiation of open learner models. Know.-Based Syst. 20(2), 177–185 (2007)

Kim, Y. (2007). Desirable characteristics of learning companions. International Journal of Artificial Intelligence in Education, 17(4), 371-388.

Krassmann, A. L., Herpich, F., da Silva, Á. S. P., da Silva, A. R., de Souza Abreu, C., Schmitt, M. A. R.; Tarouco, L. M. R. FastAIML: uma ferramenta para apoiar a geração de base de conhecimento para chatbots educacionais. 2017. RENOTE, 15(2).

Leonhardt, M. D. and Tarouco, L. Aplicando Linguagem Natural ao Gerenciamento de Re-des de Computadores através do Chatbot Doroty. XXV Congresso da Sociedade Brasileira de Computação. UNISINOS – São Leopoldo – RS, 2005.

Mou, Y., Xu, K. (2017). "The media inequality: Comparing the initial human-human and human-AI social interactions." Computers in Human Behavior 72, p. 432-440.

Neves, A. M. M., Barros, F. A., & Hodges, C. (2006). Iaiml: A mechanism to treat inten-tionality in aiml chatterbots. Tools with Artificial Intelligence, 2006. ICTAI'06. 18th IEEE International Conference on. IEEE. DOI: 10.1109/ICTAI.2006.64.

Reis, A., Paulino, D., Paredes, H., & Barroso, J. (2017). Using intelligent personal assis-tants to strengthen the elderlies’ social bonds: A preliminary evaluation of amazon alexa, google assistant, microsoft cortana, and apple siri doi. Lecture Notes in Computer Science Volume 10279 LNCS, 2017, Pages 593-602 DOI:10.1007/978-3-319-58700-4_48

Purcher, P., Hofler, M., Pirker, J., Tomes, L., Ischebeck, A., & Gutl, C. (2016). Individual versus collaborative learning in a virtual world. Paper presented at the 2016 39th Interna-tional Convention on Information and Communication Technology, Electronics and Microe-lectronics, MIPRO 2016 - Proceedings, 824-828. doi:10.1109/MIPRO.2016.7522253.

Soliman, M., & Guetl, C. (2013). Implementing Intelligent Pedagogical Agents in virtual worlds: Tutoring natural science experiments in OpenWonderland. In Global Engineering Education Conference (EDUCON), 2013 IEEE (pp. 782-789). IEEE.

Veletsianos, G., & Russell, G. S. (2014). Pedagogical agents. Handbook of research on educational communications and technology (pp. 759–769). Springer.

Vergnaud, G. (2009). The theory of conceptual fields. Human Development, 52(2), 83-94. doi:10.1159/000202727

Vygotsky, L.S. Mind in society: The development of higher psychological processes. (1978) . Harvard University Press Cambridge, MA

Wallace. Richard S. The Elements of AIML Style. 2003 ALICE A. I. Foundation, Inc.Disponível em http://www.alicebot.org/style.pdf. Acesso em 25 de agosto de 2017.

Xie, T., & Luo, L. (2017). Impact of Prompting Agents on Task Completion in the Virtual World. International Journal of Online Engineering (iJOE), 13(06), 35-48.

Artigos publicados pelo grupo:

LEONHARDT, Michelle ; DUTRA, R.L.S.D. ; GRANVILLE, Lisandro Zambenedetti ; Tarouco, L.M.R. DOROTY: An extension in the architecture of a chatterbot for academic and professional training in the field of network management.. In: IFIP World Conference on Computers in Education, 2005, Stellenbosch - Cape Town. Proceedings of 8th IFIP Conference on Computers in Education. Stellenboch: IFIP, 2005. v. 1.

Leonhardt, M. Tarouco, Liane. Elektra: Inteligência Artificial na Educação à Distância de Jovens e Adultos. CREAD - Congresso de Educação a Distância Mercosul. 2004. Florianópolis-SC.

Tarouco, Liane et al. Learning Principles of Electricity Through Experiencing in Virtual Worlds In: Immersive Learning Research Network, Third International Conference, iLRN 2017, 2017, Coimbra, Portugal.

Aguiar, E. V .B. ; Tarouco, L. M. R. ; Reategui, E ; LEONHARDT, Michelle ; Gularte, Alan ; Capra, Andrea . A Conversational Agent for the Improvement of Problem-Solving Skills. In: Armando De Giusti; Javier Díaz. (Org.). Computer Science & Technology Series. 1ed.La Plata, Argentina: Editorial de La Universidad de La Plata, 2012, v. XVII, p. 97-107.

Aguiar, E. V .B. ; Aguiar,E.V.B.; Rockenbach Tarouco, Liane; Reategui, E. Supporting Problem-Solving in Mathematics with a Conversational Agent Capable of Representing Gifted Students' Knowledge In: The Hawaii International Conference on System Sciences - HICSS-47, 2014, Waikiloa, USA.

Krassmann, A. L.; Paz, F.J.; Silveira, Clovis; Rockenbach Tarouco, Liane; BERCHT, Magda. Conversational Agents in Distance Education: Comparing Mood States with Students’ Perception. CREATIVE EDUCATION. , v.11, p.1726 - 1742, 2018

Krassmann, A. L.; Herpich, Fabricio; Silva, Alvaro; Grando, Anita; SCHMITT, M. A. R.; TAROUCO, LIANE M. R.; Abreu, C. FastAIML: uma ferramenta para apoiar a geração de base de conhecimento para chatbots educacionais. RENOTE. REVISTA NOVAS TECNOLOGIAS NA EDUCAÇÃO. , v.15, p.1 - 10, 2017.

Rockenbach Tarouco, Liane; Silveira, Clovis; Krassmann, A. L. Collaborative Learning with Virtual Entities In: International Conference on Learning and Collaboration Technologies, 2018, Las Vegas, USA. 2018 HCI Human-Computer Interaction. New York, USA: Springer, 2018. p.480 – 493

VOSS, G. B; Nunes, F. B.; Herpich, Fabricio; TAROUCO, L.M.R.; BERCHT, Magda. O papel dos personagens não jogáveis nos mundos virtuais In: XXV Ciclo de Palestras sobre Novas Tecnologias na Educação, 2017, Gramado.

Nunes, F. B.; Zunguze, M C; Herpich, Fabricio; TAROUCO, LIANE MARGARIDA ROCKENBACH; LIMA, J. V. Uma proposta de uso de agentes NPC nos Mundos Virtuais para recomendação de materiais In: XXIV edição do Ciclo de Palestras Novas Tecnologias na Educação, 2016, Porto Alegre - RS. Anais do XXIV edição do Ciclo de Palestras Novas Tecnologias na Educação. Porto Alegre - RS: CINTED/UFRGS, 2016. p.237 – 241