Identificando conhecimentos a partir da aplicação das regras de dedução natural na lógica proposicional, um estudo prático

Abstract

Lógica é um componente curricular encontrado em matrizes de cursos de Bacharelado e Licenciatura em Computação, sendo ministrado tipicamente no primeiro ou segundo semestre desses cursos. Neste contexto, esta pesqnisa abordou um problema identificado no ensino superior e que está relacionado a este componente. De forma a contribuir com este problema, esta tese apresenta o desenvolvimento de um agente Modelo de Aluno e sua aplicação em um sistema de tutoria inteligente voltada ao ensino de Lógica. Para modelar este agente utilizou-se um mecanismo de inferência capaz de calcular estatisticamente a probabilidade de o aluno conhecer um dado conceito que envolve as regras de dedução natural, na lógica proposicional. Nesta modelagem, o agente tem sua representação do conhecimento baseada em Redes Bayesianas, e conta com uma abordagem pedagógica para a escolha das variáveis e dos pesos estatísticos em sua representação topológica. Esta representação teve como base o que conceme ao conceito de Zona de Desenvolvimento Proximal. A validação do sistema, análise e interpretação dos resultados foram realizadas através de testes aplicados em turmas de graduação dos cursos de Ciência da Computação e Engenharia de Software, no componente curricular Lógica para Programação no semestre de 2018/2 da UFRGS. Os dados utilizados nesta pesquisa foram obtidos a partir das interações registradas no ambiente de ensino Heráclito. Os experimentos foram divididos em quatro fases, iniciando por uma validação estatística acerca da resolução dos exercícios, seguido pela avaliação da percepção do uso do ambiente de ensino Heráclito quanto à usabilidade/interface, serviço de tutoria e aplicação das regras de dedução natural. Em especial, na última fase, no que tange as regras, foram realizadas duas análises: 1) comparando questões respondidas pelos alunos sobre o conhecimento das regras; 2) e as probabilidades de conhecimento das regras, calculadas pelo agente Modelo de Aluno. Os resultados apontam que o Modelo de Aluno proposto apresenta uma alta precisão em sua inferência. Essa afirmação permite que seja aberto um leque de aplicações, em especial, permitindo que o ambiente caminhe para um ensino personalizado, agregando o conhecimento de cada aluno.

Logic is a curricular component found in matrices of Bachelor's and Bachelor's degrees in Computing, typically being taught in the first or second semester of these courses. In this context, this research addressed a problem identified in higher education and related to this component. In order to contribute to this problem, this thesis presents the development of a Student Model agent and its application in an intelligent tutoring system focused on the teaching of Logic. In order to model this agent we used an inference mechanism capable of statistically calculating the probability of the student knowing a given concept involving the rules of natural deduction in propositional logic. In this model, the agent has its representation of knowledge based on Bayesian Networks, and has a pedagogical approach to the choice of variables and statistical weights in its topological representation. This representation was based on the concept of the Zone of Proximal Development. The system validation, analysis and interpretation of the results were carried out through tests applied in undergraduate classes of the courses of Computer Science and Software Engineering, in the curricular component for Logic for Programming in the semester of 2018/2 of UFRGS. The data used in this research were obtained from the interactions recorded in the teaching environment Heráclito. The experiments were divided in four phases, beginning with a statistical validation about the resolution of the exercises, followed by the evaluation of the perception of the use of the Heraclitus teaching environment regarding usability I interface, tutoring service and application of natural deduction rules. In particular, in the last phase, regarding the rules, two analyzes were carried out: 1) comparing questions answered by the students on the knowledge of the rules; 2) and the knowledge probabilities of the rules, calculated by the Student Model agent. The results show that the proposed Student Model presents a high precision in its inference. This statement allows a range of applications to be opened, in particular, allowing the environment to walk to a personalized teaching, aggregating the knowledge of each student.