Abstract— One of the most important features of adaptative e-learning systems is the personalisation according to specific requirements of each individual student. In considering learning and how to improve student learning, these systems must know the way in which an individual learns. In this context, we introduce a new approach for consistent evolution of student models by automatic detection of student learning styles. Most of the work in this field presents complex and inefficient approachs. Our approach is based on learning styles combination and dynamic correction of inconsistencies in the student model, taking into account the non-deterministic aspect of the learning process. Promising results were obtained from tests, and some of them are discussed in this paper.

Keywords— Automatic detection of learning styles, student modeling, e-learning, adaptive educational systems.

I. INTRODUÇÃO

MAIORIA dos sistemas de e-learning não consideram as características particulares dos estudantes e o mesmo

conteúdo e estratégia pedagógica são comumente usadas para todos. Porém, um movimento em direção à introdução de adaptatividade [1, 2, 3] nestes sistemas pode ser observado nos últimos anos, com o objetivo de individualizar o processo de ensino [4]. Nesta perspectiva, as principais características do estudante consideradas no processo de personalização são os objetivos de aprendizagem [5], o nível de conhecimento [6], os interesses [7], as preferências [8], os estereótipos [2], as preferências cognitivas [9] e os estilos de aprendizagem (EA) [10]. Porém, contrariando esta linha, sistemas amplamente conhecidos e utilizados, como Blackboard [11], WebCT [12] e Moodle [13] não oferecem nenhum nível de personalização.

Especificamente, EA’s [10] e seus efeitos no processo de aprendizagem são cuidadosamente examinados em [14]. Os EA’s e as correspondentes estratégias instrucionais têm sido intensamente analisadas no âmbito do novo ambiente de ensino introduzido pela web, onde diversos pesquisadores da área sugerem que relacionar EA’s com ações instrucionais apropriadas é um fator importante ao estímulo da aprendizagem. Um grande número de estudos atestam que a performance do estudante melhora se os métodos de ensino

F. A. Dorça, Universidade Federal de Uberlândia (UFU), Minas Gerais,

Brasil, fabiano@facom.ufu.br L. V. Lima, Universidade Federal de Uberlândia (UFU), Minas Gerais,

Brasil, vieira@ufu.br M. A. Fernandes, Universidade Federal de Uberlândia (UFU), Minas

Gerais, Brasil, marcia@ufu.br C. R. Lopes, Universidade Federal de Uberlândia (UFU), Minas Gerais,

Brasil, crlopes@ufu.br

utilizados estiverem de acordo com os seus EA’s específicos [15, 16, 17, 4, 10, 14, 18, 19, 20, 21, 22, 23, 24, 25].

Porém, as abordagens tradicionais para detecção de EA’s se mostram ineficientes. Graf et al [19] comenta sobre a imprecisão de questionários de auto-avaliação como o ILS (Index of Learning Styles Questionaire)[26], por demandarem conhecimento meta-cognitivo [27], além de tempo e paciência em seu preenchimento. Desta forma, diversas abordagens para detecção automática de estilos de aprendizagem tem sido propostas. Porém, tais abordagens apresentam uma diversidade de problemas que dificultam sua implementação, implantação e utilização, conforme analisa-se na seção II deste trabalho.

A seção III apresenta de forma concisa e sucinta as teorias essenciais em que se baseia este trabalho. A seção IV

descreve a abordagem proposta, assim como os principais detalhes de sua implementação. A seção V descreve os testes realizados e analisa os resultados obtidos. Finalmente, a seção VI traça algumas conclusões e discute potenciais trabalhos futuros.

II. TRABALHOS RELACIONADOS

Sistemas tais como AHA! [28], KOD [29], LSAS [21], TANGOW [30], ARTHUR [31], CS388 [32], MAS-PLANG [33], INSPIRE [34], LS-Plan [35], Manic [36], dentre outros, tem o foco principal no fornecimento de uma experiência de aprendizagem que atenda aos estilos de aprendizagem dos estudantes. Para isto, utilizam questionários de auto-avaliação, tal como o ILS [26], para detectar os estilos de aprendizagem dos estudantes sem nenhum nível de automatização, o que traz alguns problemas. Price [37] analisa o grau de incerteza inerente ao ILS, identificando inconsistências entre os seus resultados e o comportamento exibido pelo estudante. Em concordância com Price, Roberts [38] tece um panorama sobre a aplicação, confiabilidade e validade do ILS, alertando sobre a limitação de testes psicométricos para detecção de estilos de aprendizagem.

Diversas abordagens para detecção automática de estilos de aprendizagem tem sido propostas, como pode-se observar em [10, 39, 40]. Em geral, estas abordagens utilizam sistemas de inferência determinísticos baseados em padrões de comportamento pré-definidos do estudante onde, através de suas ações no sistema, inferem seus EA’s. Uma crítica a estas abordagens é a dificuldade em se construir regras capazes de inferir eficientemente os EA’s a partir das ações do estudante. Além disto, em muitos sistemas, tal como o AHA! [28], estas regras precisam ser definidas pelo tutor, o que sem dúvida cria

F. A. Dorça, L. V. Lima, M. A. Fernandes, and C. R. Lopes

Consistent Evolution of Student Models by Automatic Detection of Learning Styles

A

2150 IEEE LATIN AMERICA TRANSACTIONS, VOL. 10, NO. 5, SEPTEMBER 2012

um grande empecilho quanto à utilização deste tipo de abordagem.

Abordagens mais complexas podem ser observadas em [41, 42, 43, 44, 45, 46]. Estas abordagens utilizam técnicas de aprendizagem de máquina, tais como Redes Bayesianas ou Redes Neurais. Uma crítica a estas abordagens é sua alta complexidade de implementação e grande consumo de recursos computacionais, de forma que em um sistema onde tem-se a presença simultânea de vários estudantes, seu uso pode ser inviabilizado. Além disto, em geral, estas abordagens são dependentes do LMS (Learning Management System) específico para o qual foram desenvolvidas, dificultando seu reuso.

Outro problema das técnicas de aprendizagem de máquina são as complicações originadas pela ocorrência de concept drift e concept shift, que surgem quando os pares de treinamento são coletados durante um longo período de tempo e mudanças ocorrem na distribuição destes dados, requerendo técnicas complexas para detecção e reajuste do processo de aprendizagem. Isto ocorre quando durante o processo de ensino-aprendizagem as preferências do estudante sofrem alterações (graduais ou abruptas), se tornando diferentes daquelas anteriormente determinadas [40].

Neste contexto, acredita-se que a abordagem apresentada neste trabalho traz vários benefícios devido à sua natureza não-determinística, por diversas razões:

· considerar que vários fatores influenciam no desempenho

do estudante e não apenas os seus EA’s, o que dificulta inferências baseadas em padrões de comportamento pré-definidos. Alguns destes fatores são delineados por [1, 2, 3, 4, 5, 6, 7, 8, 9];

· considerar que não se pode ter certeza de em que grau cada EA influencia no desempenho de um estudante, e se influencia da mesma forma em todos os estudantes [47];

· considerar que não se sabe como os EA’s de um estudante podem mudar ao longo do tempo e se esta mudança está associada a outros fatores, como o domínio do conhecimento, conforme analisa Jones [48];

· considerar que é impossível saber o quão correto é o resultado obtido em um questionário de auto-avaliação, onde um processo determinístico tende a levar mais tempo na detecção de inconsistências, já que não analisa o desempenho do estudante frente a outras combinações de estilos de aprendizagem que não aquela previamente obtida pelo questionário;

· considerar que não apenas a evolução dos EA’s mas vários outros aspectos do modelo do estudante, tal como o grau de conhecimento do domínio, evoluem de maneira não-determinística, reforçando a natureza probabilística do processo de ensino-aprendizagem;

· eliminar a necessidade de descobrir padrões de comportamento dos estudantes, como em [42], considerando que a obtenção de tais padrões é difícil, podem conter inconsistências e torna o processo determinístico;

· ser independente de LMS, por não depender explicitamente do acoplamento existente entre os EA’s e as ações do estudante em um sistema específico como ocorre nas abordagens tradicionais, tais como [42, 10];

· considerar a natureza dinâmica dos EA’s do estudante, cujas preferências podem mudar quando o conteúdo varia [41] ou evoluir naturalmente ao longo do processo de ensino-aprendizagem [49];

· eliminar a necessidade de se utilizar técnicas complexas de aprendizagem de máquina, que são difíceis de serem implementadas e demandam elevado poder computacional, além de serem suscetíveis à complicações tais como ocorrência de concept drift e concept shift, conforme expõe Castilho et al [40];

A próxima seção apresenta as teorias e conceitos

fundamentais relacionados a este trabalho.

III. REFERENCIAL TEÓRICO

A. Taxonomia de Bloom

A Taxonomia de Bloom [50] descreve objetivos educacionais como uma formulação explícita das mudanças que ocorrem nos estudantes mediante processos educacionais, através de um sistema de classificação de objetivos de aprendizagem e do desenvolvimento de capacidades e habilidades intelectuais. Além disto, permite expressar qualitativamente o nível de conhecimento do estudante em determinado conceito do domínio de forma qualitativa. É uma ferramenta de ensino e medição de conhecimento, que possui seis níveis: conhecimento, compreensão, aplicação, análise, síntese e avaliação. Algumas aplicações práticas desta taxonomia em sistemas educacionais são apresentadas por [51, 52]. Algumas vantagens da utilização da Taxonomia de Bloom na modelagem do estudante, de acordo com [53, 54, 55], são:

· cada nível da taxonomia fornece ações instrucionais apropriadas, o que permite a construção de sistemas adaptativos para educação que levem em consideração o nível cognitivo do estudante, considerando que os objetos de aprendizagem [56] usados sejam classificados de acordo com esta taxonomia;

· os níveis da taxonomia apresentam uma estrutura hierárquica, sendo organizados de acordo com o incremento da complexidade em cada nível, o que permite a definição clara de objetivos de aprendizagem no modelo do estudante;

· os níveis apresentam uma estrutura cumulativa onde um nível superior utiliza capacidades que foram adquiridas em um nível inferior, ou seja, o domínio de um nível é pré-requisito para adentrar o próximo, o que torna esta taxonomia uma excelente estratégia para medição de conhecimento e seu devido armazenamento do modelo do estudante.

Além disto, os objetivos de aprendizagem de cada conceito

de um curso podem ser definido pelo tutor. Desta forma, um

AZEVEDO DORÇA et al.: CONSISTENT EVOLUTION OF 2151

mesmo curso pode ser oferecido para diferentes públicos-alvo, adequando-se os objetivos de aprendizagem a cada público.

B. Estilos de Aprendizagem (EA)

Um modelo de EA classifica um estudante de acordo com a forma como este percebe e processa a informação. Muitos modelos de EA foram propostos, como por exemplo Kolb [57], Honey and Mumford [58], Entwistle [59], Pask [60] e Felder e Silverman (FSLSM) [61]. Cada um destes modelos descrevem diferentes aspectos de como estudantes preferem aprender.

Dentre os autores que tratam dessa questão destaca-se Coffield et al [14], que examina detalhadamente 13 dos mais conhecidos e influentes modelos estilos de aprendizagem, apresentando uma revisão sistemática destes modelos. Graf e Kinshuk [4] são unânimes ao afirmar que o FSLSM é um dos mais frequentemente utilizados modelos de EA na construção de sistemas adaptativos para educação por uma diversidade de razões. Em consonância com esta postura, Kuljis e Liu [62] e Carver et al [63] argumentam que o FSLSM é o modelo mais apropriado para implementação de sistemas adaptativos para educação.

Neste contexto, Graf e Kinshuk [4, 64] informam que o FSLSM utiliza o conceito de dimensões e, então, descreve estilos de aprendizagem em mais detalhes, baseado em uma escala de 4 dimensões. Conforme colocado por Felder e Silverman [61], são elas: ativo-reflexivo, sensitivo-intuitivo, visual-verbal, sequencial-global. Além disto, de acordo com Kinshuk et al [17] o FSLSM combina a maioria dos modelos de EA tais como o modelo de Kolb [57], Pask [60] e o indicador de Myers-Briggs [65].

De acordo com Felder e Silverman [61], estudantes ativos aprendem com maior facilidade tentando resolver um problema prático e preferem trabalhar em grupo, enquanto estudantes reflexivos preferem pensar sobre o problema e como resolve-lo antes de tentar, e preferem trabalhar individualmente. Estudantes sensitivos preferem aprender através de material concreto, tal como exemplos, tendem a ser mais práticos, e cuidados com detalhes, enquanto que estudantes intuitivos preferem material abstrato, tal como teorias e conceitos, e gostam de desafios, tendendo a ser mais criativos do que estudantes sensitivos. Estudantes visuais se lembram melhor do que tenham visto, enquanto estudantes verbais preferem palavras, independentemente de serem escritas ou faladas. Finalmente, estudantes sequenciais aprendem em passos lineares, preferem seguir caminhos lineares pré-definidos, e serem guiados pelo processo de aprendizagem. Em contrapartida, estudantes globais aprendem em saltos largos e preferem mais liberdade no processo de aprendizagem.

Uma característica marcante do FSLSM, e fundamental para este trabalho, é que enquanto a maioria dos modelos classificam estudantes em tipos definidos, este é baseado na ideia de que cada estudante possui um grau de preferência por cada EA, medida em valores dentro do intervalo [-11..+11],

conforme propõe Felder e Silverman [61]. Ao se utilizar escalas ao invés de tipos fixos, os pesos das preferências podem ser descritos, possibilitando distinguir-se entre preferências fortes, moderadas e leves em todas as dimensões do modelo, conforme atesta [17].

Outra característica fundamental do FSLSM para este trabalho é que ele considera EA’s como tendências, ou seja, estudantes possuem uma tendência por um estilo de aprendizagem, mas podem, conforme alega Kinshuk et al [17], agir diferente em situações particulares, ou seja, de forma não-determinística. Ainda, Kinshuk et al [17] expõe que ao incorporar o conceito de tendências, a descrição dos EA considera exceções e situações extraordinárias, evidenciando mais uma vez o não-determinismo do comportamento e desempenho do estudante, que passa a ser visto como probabilístico ao invés de determinístico, cujas probabilidades são dadas pelos pesos das preferências em cada uma das quatro dimensões do FSLSM, dentre outras variáveis.

IV. DESENVOLVIMENTO

Esta seção apresenta o desenvolvimento da abordagem proposta para detecção automática de estilos de aprendizagem. O modelo do estudante (ME) [66] utilizado neste trabalho é baseado na integração da Taxonomia de Bloom para níveis cognitivos com o FSLSM para estilos de aprendizagem, conforme ilustra a Tabela I.

Tabela I. Modelo Estudante

Conforme observa-se na Tabela I, considera-se os EA’s de

acordo com o FSLSM em suas 4 dimensões, o nível cognitivo do estudante e objetivos de aprendizagem de acordo com a Taxonomia de Bloom. NC (nível cognitivo), OA (objetivos de aprendizagem) e EC (estado cognitivo) são definidos à frente. A abordagem considerada na construção do ME é a de sobreposição, onde o conhecimento do estudante é visto como um subconjunto do domínio [67]. Esta abordagem se mostrou aderente à proposta deste trabalho devido à sua objetividade e transparência na representação do conhecimento do estudante, e desta forma mostrando eficiência e facilidade de implementação. De qualquer forma, o uso de outras abordagens na modelagem do estudante não causa impacto algum na solução para detecção automática de EA’s proposta neste trabalho, podendo esta ser implantada em LMS’s que utilizam outras abordagens.

A preferência por cada EA é armazenada no ME como um valor real dentro do intervalo [0,100] ao invés de valores inteiros no intervalo [-11,11]. Este valor representa a probabilidade do estudante preferir um ou outro EA dentro de

2152 IEEE LATIN AMERICA TRANSACTIONS, VOL. 10, NO. 5, SEPTEMBER 2012

cada dimensão do FSLSM. Ou seja, com isto, passamos a representar as preferências do estudante como probabilidades. Como mostrado adiante, este subterfúgio é essencial na implementação da abordagem proposta. Vale ressaltar que esta é apenas uma mudança de escala e não tem impacto algum no funcionamento do FSLSM.

A seguir são apresentadas algumas definições essenciais ao entendimento da abordagem proposta.

Definição 4.1: Nível Cognitivo (NC) Níveis cognitivos de acordo com a Taxonomia de Bloom NC = {Conhecimento, Compreensão, Aplicação, Análise, Síntese, Avaliação}

Definição 4.2: Estilos de Aprendizagem (EA) O EA de um estudante é uma 4-upla composta a partir dos resultados obtidos através do questionário ILS para as 4 dimensões do FSLSM. Desta forma, cada elemento de EA, por sua vez, é uma tupla composta por 2 valores no intervalo [0..100], indicando o percentual de preferência relativa do estudante a determinado estilo de aprendizagem e é armazenado no modelo do estudante.

Definição 4.3: Combinação de estilos de aprendizagem (CEA) Uma CEA é uma 4-upla formada por um estilo de cada uma das 4 dimensões do FSLSM, possibilitando 16 (24) possíveis CEA’s, representado por

Definição 4.4: Modelo do Domínio (MD)

Definição 4.5: Objetivos de Aprendizagem (OA)

Definição 4.6: Estado Cognitivo (EC)

Definição 4.7: Modelo do Estudante (ME)

Propõe-se neste trabalho que a cada seção de aprendizagem

do curso o estudante seja submetido a um conjunto de objetos de aprendizagem que atendam a uma CEA (definição 4.3) específica, gerada probabilisticamente de acordo com os valores dos EA’s armazenados no ME. Ou seja, a CEA é uma combinação de 4 variáveis probabilísticas, definidas pelas 4 dimensões do FSLSM, onde cada variável possui 2 valores possíveis, e cada valor representa um EA, cuja probabilidade é dada pelo grau de preferência armazenado no ME.

A composição de uma CEA é realizada através de métodos computacionais para seleção estocástica. Existem vários métodos de seleção estocástica, dentre outros, o método da roleta (Roulette Wheel Selection), amostragem estocástica (Stochastic Universal Sampling), torneio simples (Simple Tournament) e torneio estocástico (Stochastic Tournament) [68]. Utiliza-se no presente trabalho o método da roleta devido à sua simplicidade e aderência ao objetivo aqui proposto.

No método da roleta, que é largamente utilizado em Algoritmos Genéticos e em outras técnicas da Computação Evolutiva [68], os indivíduos candidatos à seleção natural possuem chances proporcionais ao seu fitness [68], que dá ao indivíduo uma fatia proporcional da roleta, onde melhores indivíduos tem maiores chances. A probabilidade de seleção de um indivíduo i é dada pela razão entre seu fitness e o fitness da população (somatório do fitness de todos os indivíduos), conforme (1).

Então, calcula-se a probabilidade acumulada para cada

indivíduo (a fatia da roleta para o indivíduo i), de acordo com (2).

q0 = 0; q1 = q0+Pr1; q2 = q1+Pr2; ...; qn = qn-1+Prn=1 (2)

Em seguida, gera-se um número aleatório no intervalo [0,1]

representando o giro da roleta. Então, caso o número gerado esteja entre q0 e q1, o indivíduo 1 é selecionado. Caso o número gerado esteja entre q1 e q2, o indivíduo 2 é selecionado, e assim por diante, conforme representado em (3).

Desta forma, cada EA armazenado no ME é representado

na roleta por uma fatia proporcional à probabilidade de preferência do estudante pelo EA, que é o fitness do EA. Como os EA’s são armazenados no ME na forma de

AZEVEDO DORÇA et al.: CONSISTENT EVOLUTION OF 2153

porcentagem, seus valores naturalmente representam sua probabilidade de seleção pela roleta.

Ou seja, de acordo com (1), para a dimensão Processamento do estudante representado na Figura I tem-se:

Consequentemente, através de (2) tem-se que:

Por (3), tem-se que:

Ao girar a roleta, se o número aleatório obtido estiver na

faixa de valores determinada por FatiaAtivo, então o EA ativo é selecionado para compor a CEA. Caso o número gerado esteja na faixa de valores determinada por FatiaReflexivo, o EA reflexivo é selecionado para compor a CEA. Repetindo-se este procedimento para as demais dimensões do FSLSM consideradas no ME, obtêm-se as demais roletas para composição da CEA. A Figura 1 ilustra a aplicação deste método considerando-se o ME apresentado na Tabela I, onde ao final do processo tem-se a seguinte CEA = {Reflexivo, Intuitivo, Sequencial, Verbal}.

As roletas da Figura 1 estão em sentido anti-horário. A detecção automática de EA’s ocorre da seguinte forma: ao obter um desempenho indesejado em uma seção de aprendizagem, as preferências no ME que estiverem de acordo com a CEA são decrementadas, considerando-se uma possível inconsistência no ME. Em contrapartida, aqueles EA’s contrários à CEA são incrementados, reforçando-se sua preferência pelo estudante, que ao não ser atendida gerou dificuldades de aprendizagem. Esta heurística é modelada computacionalmente pelo seguinte conjunto de regras:

(a) Processamento

(b) Percepção

(c) Entrada

(d) Organização

Figura 1. Seleção dos EA na composição da CEA.

2154 IEEE LATIN AMERICA TRANSACTIONS, VOL. 10, NO. 5, SEPTEMBER 2012

Considerando as regras apresentadas: · ME[di]A representa o valor armazenado no ME na

dimensão i para o EA “A”, com i = 1..4. · ME[di]B representa o valor armazenado no ME na

dimensão i para o EA “B”, com i = 1..4. · CEA[di] representa o EA que constitui a CEA em relação

à dimensão i, com i = 1..4. · Kc é um coeficiente calculado, que leva em consideração

o valor da distância entre os EA’s da dimensão e o desempenho obtido pelo estudante e determina o valor da correção das preferências no ME.

O valor da alteração das preferências por estas regras, que a primeiro momento foi utilizado com um valor constante,

não produziu o efeito esperado. Desta forma, foi necessário a criação de um coeficiente calculado (Kc), baseado na distância entre os EA’s dentro da dimensão (DEA) e no desempenho obtido pelo estudante (DSP). Percebeu-se que quanto menor o DSP, mais acentuado deveria ser o Kc e quanto maior a DEA menor deveria ser o Kc, obtendo-se:

Em (4), K é uma constante. Nos testes realizados neste

trabalho, K = 10. Este valor foi obtido empiricamente, após observação dos resultados gerados em diversos experimentos, onde diversos valores de K foram testados. Esta regra para cálculo do Kc foi descoberta após diversos testes, que resultaram em vários ajustes neste cálculo, e que se mostrou um ponto fundamental para a obtenção de um modelo eficiente. Provavelmente, melhorias neste cálculo ainda serão necessárias. Novas variáveis ainda não descobertas aqui podem influenciar positivamente no cálculo do Kc.

Assim, espera-se que o ME possa evoluir gradativamente e, finalmente, refletir as preferências reais do estudante. Apesar do uso de uma heurística bem definida para guiar a evolução do ME, o processo continua tendo forte natureza não-determinística, pois a composição da CEA a cada seção de aprendizagem é probabilística.

Para testar o modelo proposto, desenvolveu-se uma função que permitisse simular o processo de aprendizagem do estudante. Com este intuito, foi construído um modelo probabilístico, expresso por um conjunto de distribuições de probabilidade que levam em consideração alguns parâmetros, definidos com base em estudos na literatura disponível, sobre o impacto de EA’s no desempenho do estudante, conforme discutem [15, 16, 17, 4, 10, 14, 18, 19, 20, 21, 22, 23, 24, 25]. O detalhamento desta função não é o foco deste trabalho, sendo descrita em outros trabalhos. A próxima seção apresenta uma série de experimentos realizados com o modelo proposto nesta seção e os resultados obtidos.

V. RESULTADOS

A verificação do modelo proposto consistiu em repetir 20 vezes cada um de uma série de testes, considerando-se uma situação diferente em cada um deles. A repetição de um teste por um certo número de vezes foi importante para que se pudesse observar o comportamento do processo em diversas ocasiões diferentes, mas sob condições idênticas. Com isto, foi possível notar que as seqüências resultantes em um mesmo teste foram diferentes.

Desta forma, observou-se o não-determinismo inerente ao processo de ensino-aprendizagem, sendo este um fenômeno que varia em algum grau, de forma imprevisível, caracterizado por uma sequência ou série de valores, e não apenas um único valor final. Mas, a similaridade dos valores finais obtidos (ME corrigido) em cada teste atesta a convergência do processo, e permite comprovar a eficiência e eficácia do modelo, e consequentemente validar a abordagem proposta. Ou seja, este processo possibilitou observar como diferentes estudantes podem reagir de forma diferente ao mesmo tratamento e como o processo converge em direção à solução desejada: o ME coerente com a realidade. Quatro testes e os seus resultados são apresentados nesta seção. Em todos eles foi considerado um conjunto de 30 conceitos a serem aprendidos pelo estudante. Considerou-se o nível cognitivo inicial do estudante, em todos os conceitos, equivalente ao primeiro nível da Taxonomia de Bloom [50]. Além disto, considerou-se como objetivos de aprendizagem o nível máximo de conhecimento em todos os conceitos, considerando-se a mesma taxonomia. A execução de um teste é finalizada quando o estudante atinge todos os OA’s especificados no ME para todos os conceitos. Desta forma, quanto maior a dificuldade do estudante em aprender, maior a quantidade de iterações necessárias para que o processo seja finalizado, devido a estagnações e retrocessos no nível cognitivo.

A. Primeiro Teste

Considera-se neste teste um estudante com ME apresentado na Tabela II. Porém, as preferências reais do estudante são dadas por: EAEstudante = {Reflexivo (Forte), Sensitivo (Forte), Visual (Moderada), Global (Leve) }

Tabela II. ME - Primeiro Teste.

Como pode-se observar na Tabela II, o ME é inicialmente

inconsistente com o EA do estudante nas dimensões Processamento e Percepção. A Figura 2 apresenta graficamente o processo de correção automática dos EA’s armazenados neste ME em uma das repetições deste teste. Em

AZEVEDO DORÇA et al.: CONSISTENT EVOLUTION OF 2155

todas elas observou-se resultados finais similarmente satisfatórios, resultando em um ME correto em 100% das repetições do teste.

Observa-se na Figura 2 que foram necessárias cerca de 800 iterações do processo de simulação para que o curso fosse concluído, um número elevado, se comparado aos próximos testes, e que traduz o desempenho ineficaz do estudante frente a duas preferências fortes incorretas no ME.

(a) Processamento

(b) Percepção

(c) Entrada

(d) Organização

Figura 2. Resultado do Primeiro Teste.

B. Segundo Teste

A seguir, considera-se o caso em que o estudante não respondeu ao questionário de auto-avaliação, impedindo que o

sistema inferisse suas preferências inicialmente. Desta forma, o ME apresenta preferências nulas em todas as dimensões do FSLSM, conforme pode-se observar na Tabela III. As preferências reais do estudante são dadas por: EAEstudante = { Reflexivo (Leve), Intuitivo (Forte), Visual (Moderada), Sequencial (Leve) }

Tabela III: ME - Segundo Teste

A Figura 3 apresenta graficamente o processo de detecção

automática dos EA’s do estudante em uma das execuções deste teste. Em todas as repetições do teste observou-se resultado final similarmente satisfatório, resultando em um ME correto em 100% das vezes. Percebe-se pela Figura 3 que um menor número de iterações foi necessário neste teste em relação ao primeiro, apresentado pela Figura 2. Isto permite concluir que em determinados casos, inconsistências obtidas em um questionário de auto-avaliação podem trazer prejuízos maiores do que a não aplicação do mesmo, principalmente quando preferências fortes são incorretamente armazenadas no ME. Ou seja, em certas situações, a detecção automática dos EA’s é preferível à sua correção, principalmente quando estas são preferências fortes. Desta forma, é necessário alto nível de seriedade, comprometimento e veracidade por parte dos estudantes no preenchimento de questionários de auto-avaliação para inferência de EA’s.

C. Terceiro Teste

Apresenta-se a seguir um teste que re-utiliza o ME consistente obtido ao final do teste anterior para que se possa observar sua evolução. O intuito é observar como o sistema se comporta quando todas as preferências no ME são corretas, como elas evoluem se fossem reutilizadas em um novo curso e o impacto disto na quantidade de iterações necessárias para completar o curso. Desta forma, a Tabela IV apresenta o modelo do estudante utilizado neste teste. A Figura 4 possibilita visualizar a evolução dos EA’s armazenados no ME durante uma das repetições deste teste. Analisando-se a Figura 4, observa-se uma redução considerável na quantidade de iterações necessárias para completar o curso, em relação aos três testes anteriores. Em todas as repetições deste experimento observou-se resultado similarmente satisfatório.

Neste ponto fica claro que o fato de se ter o ME correto em relação aos EA’s do estudante causa um impacto consideravelmente positivo em seu desempenho, salienta [15, 16, 17, 4, 10, 14, 18, 19, 20, 21, 22, 23, 24, 25]. Esta é, sem dúvida, a maior contribuição deste trabalho: garantir que os EA’s armazenados no ME sejam mais consistentes possível, contribuindo, assim, para a maximização do desempenho.

2156 IEEE LATIN AMERICA TRANSACTIONS, VOL. 10, NO. 5, SEPTEMBER 2012

Neste aspecto, o simulador de estudantes apresentado neste trabalho tem sido fundamental, já que tem possibilitado a realização de testes, correções e melhorias constantes na abordagem proposta neste trabalho. É importante observar que preferências fortes ficaram com um peso mais acentuado se comparada àquelas moderadas, que por sua vez ficaram mais acentuadas em relação às leves, ficando clara a eficiência da abordagem proposta no que tange ao nível de coerência e refinamento dos resultados obtidos.

(a) Processamento

(b) Percepção

(c) Entrada

(d) Organização

Figura 3. Resultado do Segundo Teste.

Tabela IV. ME - Terceiro Teste.

(a) Processamento

(b) Percepção

(c) Entrada

(d) Organização

Figura 4. Resultado do Terceiro Teste.

D. Quarto Teste

Finalmente, o intuito deste teste é observar como o sistema se comporta quando todas as preferências no ME são inconsistentes, conforme apresenta a Tabela V. Tabela V: ME - Quarto Teste

AZEVEDO DORÇA et al.: CONSISTENT EVOLUTION OF 2157

As preferências reais do estudante são dadas por:

EAEstudante = {Reflexivo (Leve), Intuitivo (Forte), Verbal (Moderada), Global (Leve)}

(a) Processamento

(b) Percepção

(c) Entrada

(d) Organização

Figura 5. Resultado do Quarto Teste.

Analisando-se a Figura 5, observa-se que todos os EA’s do

estudante foram corrigidos eficientemente. Como apenas 1

preferência forte estava incorreta, a quantidade de iterações necessárias para conclusão do processo foi menor do que no primeiro teste e, pelo mesmo motivo, próxima da quantidade de iterações do segundo teste, notando-se nitidamente que preferências fracas e moderadas, quando incorretas no ME, acarretam prejuízos menos significativos ao processo de aprendizagem.

Finalmente, acredita-se que os resultados obtidos nos testes validam a abordagem proposta neste trabalho, estando então apta a ser implementada e experimentada com estudantes reais. Sem o recurso de simulação de estudantes estes resultados ainda estariam longe de serem obtidos, devido ao longo tempo e ao alto custo necessário à realização de testes com estudantes reais. A próxima seção tece alguns comentários finais e conclusões.

VI. CONCLUSÕES

Sistemas adaptativos para educação se apresentam como uma abordagem promissora para melhoria da eficiência do processo de ensino-aprendizagem auxiliado por computador. Um fator indispensável nestes sistemas é a identificação precisa, dinâmica e contínua dos EA’s do estudante, de modo a atender da melhor forma as suas necessidades individuais. Neste contexto, um desafio na construção de sistemas capazes de fornecer adaptatividade baseada em EA’s é a construção de modelos eficientes na detecção e correção automática das preferências do estudante.

Levando em consideração este cenário, este trabalho apresenta uma abordagem baseada em um processo probabilístico apoiado por um conjunto de regras para detecção automática de EA’s. Como os EA’s de um estudante podem sofrer alterações ao longo do tempo em decorrência de uma diversidade de fatores de forma não-determinística, a abordagem proposta neste trabalho se mostra aderente ao problema.

Acredita-se que um dos aspectos fundamentais da eficiência da abordagem proposta é a capacidade de manter sua eficácia mesmo considerando-se que EA’s não são estacionários, não sendo necessário reiniciar todo o processo de busca frente a mudanças na solução, já que refinamentos podem ser obtidos a partir da solução atual. Neste contexto, a abordagem apresentada neste trabalho trata questões importantes, ignoradas na maioria das abordagens analisadas:

· tornar possível ao estudante o desenvolvimento de suas habilidades cognitivas, exercitando oportunamente aqueles que não são os seus estilos de aprendizagem preferidos, conforme analisa Messick [49];

· considerar que não se sabe como as preferências por estilos de aprendizagem de um estudante podem mudar ao longo do tempo e a quais fatores esta mudança está associada [48];

· considerar que estilos de aprendizagem são sensíveis ao domínio do conhecimento, conforme aponta Jones [48], onde estudantes se movem de um EA a outro baseado nas estratégias de aprendizagem requeridas em uma situação particular, e por isto, tornando ineficaz a utilização de técnicas

2158 IEEE LATIN AMERICA TRANSACTIONS, VOL. 10, NO. 5, SEPTEMBER 2012

determinísticas e estáticas para detecção de EA’s; · eliminar a imprecisão em auto-concepções do estudante

no processo de preenchimento de questionários psicométricos, como o ILS, e a importância da detecção automática de EA’s e suas vantagens, livrando o modelo do estudante de auto-concepções imprecisas, conforme analisam [19, 10, 37];

· levar em consideração que vários fatores influenciam no desempenho do estudante e não apenas os seus EA’s, o que

dificulta inferências baseadas em padrões de comportamento pré-definidos;

· eliminar a necessidade de se utilizar técnicas complexas de aprendizagem de máquina, que dificultam o desenvolvimento de um modelo eficiente e demandam elevado poder computacional, além de serem suscetíveis à complicações, conforme expõe Castilho et al [40];

· levar em consideração as incertezas envolvidas no processo de detecção de EA’s devido à natureza não-determinística da abordagem proposta, que é basicamente um processo de busca probabilístico, não-determinístico.

A validação do modelo proposto através de técnicas de

simulação computacional revelou sua eficácia e foi fundamental, já que a implantação de projetos de e-learning requerem quantias consideráveis de recursos financeiros, humanos e de tempo [69].

O próximo passo deste trabalho é realizar a integração do modelo apresentado a um LMS existente, o que possibilitaria a realização de testes com estudantes reais. Acreditamos que sistemas como o AHA! [28], KOD [29], LSAS [21], TANGOW [30], ARTHUR [31], CS388 [32], MAS-PLANG [33], INSPIRE [34], LS-Plan [35] e Manic [36] podem se beneficiar muito ao incorporarem o recurso de detecção automática de estilos de aprendizagem, o que lhes possibilitará tornar o processo de personalização mais efetivo.

Outro anseio é pela otimização da constante K utilizada no cálculo do Kc (apresentado na seção IV) através de algum método de inteligência computacional [70] apropriado, tal como algoritmos genéticos [68]. Neste contexto, encontrar o valor ótimo da constante K significa otimizar ainda mais os resultados apresentados neste trabalho, tornando este modelo ainda mais eficiente.

REFERÊNCIAS

[1] P. Brusilovsky, J. Eklund, and E. Schwarz, “Web-based education for all: A tool for developing adaptive courseware,” in Seventh International WWW Conference, pp. 291–300, apr 1998.

[2] M. R. Zakaria and T. J. Brailsford, “User Modelling and Adaptive Educational Hypermedia Frameworks for Education,” New Review of Hypermedia and Multimedia, vol. 1, no. 8, pp. 83–97, 2002.

[3] H. Wu, E. De Kort, and P. De Bra, “Design issues for general purpose adaptive hypermedia systems,” in Proceedings of the 12th ACM Conference on Hypertext and Hypermedia, pp. 141– 150, ACM, 2001.

[4] S. Graf and Kinshuk, “Advanced Adaptivity in Learning Management Systems by Considering Learning Styles,” in Proceedings of the 2009 IEEE/WIC/ACM International Joint Conference on Web Intelligence and Intelligent Agent Technology- Volume 03, pp. 235–238, IEEE Computer Society, 2009.

[5] R. Clifford, “Adaptive hypermedia for music instruction,” 7th International Technological Directions in Music Learning Conference, TDML ejournal,

aug 2004. [6] P. De Bra and L. Calvi, “AHA! An open adaptive hypermedia

architecture,” New Review of Hypermedia and Multimedia, vol. 4, no. 1, pp. 115–139, 1998.

[7] P. Brusilovsky, E. Schwarz, and G. Weber, “A tool for developing adaptive electronic textbooks on WWW,” in Proceedings of WebNet, vol. 96, pp. 64–69, 1996.

[8] K. Hook, A. Rudstrom, and A. Waern, “Edited adaptive hypermedia: Combining human and machine intelligence to achieve filtered information,” in 8th ACM International Hypertext Conference (Hypertext’97), Flexible Hypertext Workshop, ACM, 1997.

[9] S. Chen and R. Macredie, “Cognitive styles and hypermedia navigation: Development of a learning model,” Journal of the American Society for Information Science and Technology, vol. 53, pp. 3–15, jan 2002.

[10] S. Graf and T. Liu, “Identifying Learning Styles in Learning Management Systems by Using Indications from Students’ Behaviour,” in Advanced Learning Technologies, 2008. ICALT’08. Eighth IEEE International Conference on, pp. 482–486, IEEE, 2008.

[11] Blackboard, http://www.blackboard.com/, 2010. [12] WebCT, http://www.webct.com/, 2010. [13] Moodle, http://www.moodle.org/, 2010. [14] F. Coffield, D. Moseley, E. Hall, and K. Ecclestone, Learning styles and

pedagogy in post-16 learning: A systematic and critical review. National Centre for Vocational Education Research (NCVER), 2009.

[15] M. Haider, A. Sinha, and B. Chaudhary, “An Investigation of relationship between learning styles and performance of learners,” International Journal of Engineering Science and Technology, vol. 2, no. 7, pp. 2813–2819, 2010.

[16] L. T.-C. K. Graf, S., “Interactions Between Students’ Learning Styles, Achievement and Behaviour in Mismatched Courses,” in Proceedings of the International Conference on Cognition and Exploratory Learning in Digital Age (CELDA 2008), pp. 223–230, IADIS International Conference, 2008.

[17] Kinshuk, T. Liu, and S. Graf, “Coping with Mismatched Courses: Students’ behaviour and performance in courses mismatched to their learning styles,” Educational Technology Research and Development, vol. 57, no. 6, pp. 739–752, 2009.

[18] E. Alfonseca, R. Carro, E. Martín, A. Ortigosa, and P. Paredes, “The impact of learning styles on student grouping for collaborative learning: a case study,” User Modeling and User-Adapted Interaction, vol. 16, no. 3, pp. 377–401, 2006.

[19] S. Graf and T. Lin, “Analysing the Relationship between Learning Styles and Cognitive Traits,” in Advanced Learning Technologies, 2007. ICALT 2007. Seventh IEEE International Conference on, pp. 235–239, IEEE, 2007.

[20] S. Graf and K. Kinshuk, “Providing Adaptive Courses in Learning Management Systems with Respect to Learning Styles,” in Proceedings of World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education 2007, pp. 2576–2583, 2007.

[21] N. Bajraktarevic, W. Hall, and P. Fullick, “Incorporating learning styles in hypermedia environment: Empirical evaluation,” in Proceedings of the workshop on adaptive hypermedia and adaptive web-based systems, pp. 41–52, 2003.

[22] E. Sangineto, N. Capuano, M. Gaeta, and A. Micarelli, “Adaptive course generation through learning styles representation,” Universal Access in the Information Society, vol. 7, no. 1, pp. 1– 23, 2008.

[23] R. E. Terry, J. N. Harb, P. Hurt, and K. Williamson, Teaching through the cycle: application of learning style theory to engineering education at Brigham Young University. Brigham Young University Press, 1995.

[24] C. Friedel and R. Rudd, “Creative thinking and learning styles in undergraduate agriculture students,” Journal of Agricultural Education, vol. 47, no. 4, p. 102, 2006.

[25] E. Vasilyeva, M. Pechenizkiy, and S. Puuronen, “The Challenge of Feedback Personalization to Learning Styles in a Web-Based Learning System,” in Advanced Learning Technologies, 2006. Sixth International Conference on, pp. 1143–1144, IEEE, 2006.

[26] B. Soloman and R. Felder, “Index of learning styles questionnaire,” Retrieved May, vol. 11, 2006.

[27] R. Felder and J. Spurlin, “Applications, reliability and validity of the index of learning styles,” International Journal of Engineering Education,

AZEVEDO DORÇA et al.: CONSISTENT EVOLUTION OF 2159

vol. 21, no. 1, pp. 103–112, 2005. [28] P. De Bra, D. Smits, and N. Stash, “Creating and delivering adaptive

courses with AHA!,” Innovative Approaches for Learning and Knowledge Sharing, pp. 21–33, 2006.

[29] N. Manouselis and D. Sampson, “Dynamic knowledge route selection for personalised learning environments using multiple criteria analysis,” in Proceedings of the 20th IASTED International Multi-Conference on Applied Informatics, ACTA Press, 2002.

[30] P. Paredes and P. Rodriguez, “A mixed approach to modeling learning styles in adaptive educational hypermedia,” Advanced Technology for Learning, vol. 1, no. 4, pp. 210–215, 2004.

[31] J. Gilbert and C. Han, “Adapting instruction in search of a significant difference’* 1,” Journal of Network and Computer applications, vol. 22, no. 3, pp. 149–160, 1999.

[32] C. Carver Jr, R. Howard, and W. Lane, “Enhancing student learning through hypermedia courseware and incorporation of student learning styles,” Education, IEEE Transactions on, vol. 42, no. 1, pp. 33–38, 2002.

[33] C. Peña, J. Marzo, J. de la Rosa, and R. Fabregat, “Un sistema de tutoría inteligente adaptativo considerando estilos de aprendizaje,” Universitat de Girona, España, 2002.

[34] M. Grigoriadou, K. Papanikolaou, H. Kornilakis, and G. Magoulas, “INSPIRE: an intelligent system for personalized instruction in a remote environment,” in Proceedings of Third workshop on Adaptive Hypertext and Hypermedia, July, vol. 14, pp. 13–24, Citeseer, 2001.

[35] C. Limongelli, F. Sciarrone, M. Temperini, and G. Vaste, “Adaptive learning with the LS-plan system: a field evaluation,” IEEE Transactions on Learning Technologies, pp. 203–215, 2009.

[36] M. Stern and B. Woolf, “Adaptive content in an online lecture system,” in Adaptive hypermedia and adaptive Web-based systems, pp. 227–238, Springer, 2000.

[37] L. Price, “Individual differences in learning: Cognitive control, cognitive style, and learning style,” Educational Psychology, vol. 24, no. 5, pp. 681–698, 2004.

[38] M. Roberts and G. Erdos, “Strategy selection and metacognition,” Educational Psychology, vol. 13, no. 3, pp. 259–266, 1993.

[39] S. Graf and K. Kinshuk, “Using Cognitive Traits for Improving the Detection of Learning Styles,” in Database and Expert Systems Applications (DEXA), 2010 Workshop on, pp. 74–78, IEEE, 2010.

[40] G. Castillo, J. Gama, and A. Breda, “An Adaptive Predictive Model for Student Modeling,” Advances in Web-based education: Personalized learning environments, pp. 70–92, 2005.

[41] D. Kelly and B. Tangney, “’First Aid for You’: getting to know your learning style using machine learning,” in Advanced Learning Technologies, 2005. ICALT 2005. Fifth IEEE International Conference on, pp. 1–3, IEEE, 2005.

[42] P. García, A. Amandi, S. Schiaffino, and M. Campo, “Evaluating Bayesian networks’ precision for detecting students’ learning styles,” Computers & Education, vol. 49, no. 3, pp. 794–808, 2007.

[43] C. Carmona, G. Castillo, et al., “Designing a Dynamic Bayesian Network for Modeling Students Learning Styles,” in Eighth IEEE International Conference on Advanced Learning Technologies, pp. 346–350, IEEE, 2008.

[44] R. Cabada, M. Estrada, and C. Garcia, “A Fuzzy-Neural Network for Classifying Learning Styles in a Web 2.0 and Mobile Learning Environment,” in Web Congress, 2009. LEWEB’ 09. Latin American, pp. 177–182, IEEE, 2009.

[45] R. Zatarain-Cabada, M. Barrón-Estrada, L. Zepeda-Sánchez, G. Sandoval, J. Osorio-Velazquez, and J. Urias-Barrientos, “A Kohonen Network for Modeling Students’ Learning Styles in Web 2.0 Collaborative Learning Systems,” MICAI 2009: Advances in Artificial Intelligence, pp. 512–520, 2009.

[46] R. Zatarain, L. Barrón-Estrada, C. Reyes-García, and O. Reyes- Galaviz, “Applying Intelligent Systems for Modeling Students’ Learning Styles Used for Mobile and Web-Based Systems,” Soft Computing for Intelligent Control and Mobile Robotics, pp. 3– 22, 2010.

[47] S. Botsios, D. Georgiou, and N. Safouris, “Contributions to adaptive educational hypermedia systems via on-line learning style estimation,” Educational Technology & Society, vol. 12, no. 4, pp. 322–339, 2008.

[48] C. Jones, C. Reichard, and K. Mokhtari, “Are Student’s Learning Styles Discipline Specific?,” Community College Journal of Research and

Practice, vol. 27, no. 5, pp. 363–375, 2003. [49] S. Messick, “Personal styles and educational options,” Individuality in

learning, pp. 327–368, 1976. [50] B. Bloom and D. Krathwohl, “Taxonomy of educational objectives: The

classification of educational goals. Handbook I: Cognitive domain,” pp. 64–81, 1956.

[51] W. Chang and M. Chung, “Automatic applying Bloom’s taxonomy to classify and analysis the cognition level of English question items,” in Pervasive Computing (JCPC), 2009 Joint Conferences on, pp. 727–734, IEEE, 2010.

[52] T. Highley and A. Edlin, “Discrete Mathematics assessment using learning objectives based on Bloom’s taxonomy,” in Frontiers in Education Conference, 2009. FIE’09. 39th IEEE, pp. 1–6, IEEE, 2009.

[53] R. Marzano and J. Kendall, The new taxonomy of educational objectives. Corwin Pr, 2007.

[54] C. Starr, B. Manaris, and R. Stalvey, “Bloom’s taxonomy revisited: specifying assessable learning objectives in computer science,” ACM SIGCSE Bulletin, vol. 40, no. 1, pp. 261–265, 2008.

[55] D. Krathwohl, “A revision of Bloom’s taxonomy: An overview,” Theory into practice, vol. 41, no. 4, pp. 212–218, 2002.

[56] IEEE. Learning Object Metadata LOM. Learning Technology Standards Committee. http://ltsc.ieee.org/wg12/

[57] D. Kolb et al., Experiential learning: Experience as the source of learning and development. Prentice-Hall Englewood Cliffs, NJ, 1984.

[58] P. Honey and A. Mumford, “The manual of learning styles,” 1992. [59] N. Entwistle, Styles of learning and teaching. Wiley Chichester, 1981. [60] G. Pask, “Styles and strategies of learning.,” British journal of

educational psychology, 1976. [61] R. Felder and L. Silverman, “Learning and teaching styles in engineering

education,” Engineering education, vol. 78, no. 7, pp. 674–681, 1988. [62] J. Kuljis and F. Liu, “A comparison of learning style theories on the

suitability for elearning,” in Proceedings of the IASTED conference on web technologies, applications, and services, pp. 191–197, 2005.

[63] C. Carver, R. Howard, and W. Lane, “Addressing different learning styles through course hypermedia,” IEEE Transactions on Education, vol. 42, no. 1, pp. 33–38, 1999.

[64] S. Graf and C. Kinshuk, “A Flexible Mechanism for Providing Adaptivity Based on Learning Styles in Learning Management Systems,” in 2010 10th IEEE International Conference on Advanced Learning Technologies, pp. 30–34, IEEE, 2010.

[65] I. Briggs-Myers, “The Myers-Briggs Type Indicator,” Princeton, NJ, Educational Testing Service, 1957.

[66] A. C. Martins, L. Faria, C. Vaz de Carvalho, and E. Carrapatoso, “User Modeling in Adaptive Hypermedia Educational Systems,” Educational Technology & Society, vol. 11, no. 1, pp. 194–207, 2008.

[67] P. Brusilovsky and E. Millan, “User models for adaptive hypermedia and adaptive educational systems,” The adaptive web, pp. 3–53, 2007.

[68] D. Goldberg, Genetic algorithms in search, optimization, and machine learning. Addison-wesley, 1989.

[69] S. Graf, C. Lan, T. Liu, et al., “Investigations about the Effects and Effectiveness of Adaptivity for Students with Different Learning Styles,” in 2009 Ninth IEEE International Conference on Advanced Learning Technologies, pp. 415–419, IEEE, 2009.

[70] A. Konar, Computational intellingence [ie intelligence]: principles, techniques, and applications. Springer Verlag, 2005.

Fabiano Azevedo Dorça possui graduação em Ciência da Computação pela Universidade Federal de Uberlândia (2000), mestrado em Ciência da Computação pela Universidade Federal de Uberlândia (2004) e Doutorado pela Universidade Federal de Uberlândia (2012). Atualmente é professor adjunto da Faculdade de

Computação (FACOM) da Universidade Federal de Uberlândia. Tem experiência na área de Ciência da Computação, com ênfase em Inteligência Artificial, atuando principalmente nos seguintes temas: sistemas tutores inteligentes, educação a distância, modelagem do estudante, estilos de aprendizagem, avaliação de aprendizagem, objetos de aprendizagem, sistemas de hipermídia adaptativa e simulação.

Luciano Vieira Lima possui graduação em Engenharia Elétrica pela Universidade Federal de Uberlândia (1983),

2160 IEEE LATIN AMERICA TRANSACTIONS, VOL. 10, NO. 5, SEPTEMBER 2012

mestrado em Engenharia Elétrica pela Universidade Federal de Uberlândia (1988) e doutorado em Engenharia Elétrica pela Universidade de São Paulo (USP-POLI) (1998). Atualmente é professor adjunto da Universidade Federal de Uberlândia. Realiza pesquisas e desenvolve produtos em automação de processos em Engenharia Elétrica e Engenharia de Computação, produtos automotivos, Engenharia de Som (Computer Music), Educação a Distância e Engenharia Biomédica.

Márcia Aparecida Fernandes possui graduação em Licenciatura Plena Em Matemática pela Universidade Federal de Uberlândia (1985) , mestrado em Engenharia de Sistemas e Computação pela Universidade Federal do Rio de Janeiro (1989) e doutorado em Engenharia de

Sistemas e Computação pela Universidade Federal do Rio de Janeiro (1996) . Atualmente é Professor adjunto da Universidade Federal de Uberlândia. Tem experiência na área de Ciência da Computação, com ênfase em Metodologia e Técnicas da Computação. Atuando principalmente nos seguintes temas: Algoritmos Genéticos, Redes de Petri, Síntese de Procedimentos Operacionais, Planejamento, Sistemas Híbridos.

Carlos Roberto Lopes possui graduação em Engenharia Elétrica pela Universidade Federal de Uberlândia (1984), mestrado em Engenharia Elétrica pela Universidade Federal de Uberlândia (1987) e doutorado em Engenharia Elétrica pela Universidade de São Paulo (1998). Atualmente é Professor Adjunto da Universidade

Federal de Uberlândia. Tem experiência na área de Ciência da Computação, com ênfase em Metodologia e Técnicas da Computação. Atuando principalmente nos seguintes temas: Inteligência Artificial, planejamento, Robótica.

AZEVEDO DORÇA et al.: CONSISTENT EVOLUTION OF 2161