EDUCAÇÃO A DISTÂNCIA: UTILIZAÇÃO DE REDE NEURAL ARTIFICIAL NA AVALIAÇÃO DA IMAGEM CORPORAL VIRTUAL DO PROFESSOR QUE MEDIA CURSOS ATRAVÉS DE VIDEOCONFERÊNCIA

Abril/2004

Dra. Lia Caetano Bastos
Departamento de Engenharia Civil – UFSC 
lia@icv.ufsc

Dra. Edite Xavier
Programa de Pós-Graduação em Engenharia de Produção – PPGEP – UFSC
esxavier@melim.com.br

MSc. Fernando Spanhol
Laboratório de Ensino a Distância – PPGEP – UFSC 
spanhol@led.ufsc.br

A Educação a Distância tem ocupado um espaço de relevância mundial na preferência de alunos gerados na era cibernética. Este trabalho descreve o desenvolvimento e implementação do software RNRB F – ICV, um sistema de avaliação e classificação das preferências dos estudantes em relação ao desempenho da Imagem Corporal Virtual (ICV) do Professor que media cursos através de videoconferência, utilizando Redes Neurais artificiais (RN) com a técnica de funções de base radial (RBF). São descritas 32 características que configuram a Imagem Corporal Virtual do Professor. O software apresenta, na interface para o usuário, uma avaliação atribuída pelo estudante a cada uma destas características, sendo que a rede neural providencia automaticamente, um relatório atribuindo o resultado da avaliação e classificação final, servindo de feedback para o aperfeiçoamento da ICV do Professor.

Palavras chaves:
Educação a Distância; Avaliação & Redes Neurais Artificiais; Imagem Corporal Virtual.

1. Introdução

É inegável a relevância e a preferência que a Educação a Distância tem ocupado no cenário mundial no limiar do século XXI, não existindo mais diferenças entre o ensino presencial e o virtual segundo pesquisa do Centro Americano para o Estudo da Educação a Distância, ACSDE (www.dect.org), visto que os alunos atuais já nasceram em ambientes cibernéticos, onde as salas virtuais se interconectam através de redes digitais. A vertiginosa aceleração causada pelas tecnologias da informação e das comunicações (TIC), e do entrelaçamento entre os sistemas digitais integrados de banda estreita e larga (SDIBE e L), integrados com os wireless, mobiliza organizações educacionais a agilizarem projetos que viabilizem a qualificação e o aprimoramento dos professores, para que  possam se desenvolver dentro dos novos paradigmas científicos, das novas tecnologias, das preferências em relação aos novos designs profissionais e assim, impulsionar os centros de educação e pesquisa. Este trabalho é síntese de uma pesquisa a respeito das preferências de alunos de mestrado e doutorado sobre a performance de 32 características da Imagem Corporal Virtual (ICV), do professor que media cursos através de videoconferência [9], utilizando Rede Neural Artificial com função de base radial (RNRBF) (www.ewh.ieee.org/tc/nnc/index.html).

Redes neurais com função de base radial: Historicamente, Broomhead & Lowe, em 1988, utilizaram pela primeira vez funções de base radial no projeto de redes neurais artificiais [1]. Ao aplicar este tipo de função esses pesquisadores buscavam a transformação de um padrão não linearmente separável em um linearmente separável. A motivação para essa transformação veio do teorema de Cover, que diz que é provável que um problema complexo de classificação de padrões seja linearmente separável num espaço de dimensão mais elevada. Em outras palavras, os modelos lineares são mais fáceis de serem analisados matematicamente. Consideradas [2] como aproximadores universais de funções, as redes neurais ativadas por função de base radial (RNRBF) produzem um mapeamento global dos dados de treinamento [3] a partir de contribuições locais, ou seja, da soma das ativações de cada um de seus neurônios. Esta característica torna sua aplicação rápida, didaticamente interessante, principalmente em problemas que envolvem mais de duas variáveis [4], dado que sua eficiência pode ser constatada (www.ai.mit.edu) em numerosos trabalhos mundiais.

Videoconferência – conceito: É uma aplicação que transporta em duas vias (Full Duplex), sinais de vídeo e áudio digitalizados, devidamente tratados por softwares e algoritmos de compressão, codificados e multiplexados em uma única informação ou bit, segundo Spanhol [7] (www.led.ufsc.br). Surgindo como proposta futurista e sendo a videoconferência um conjunto de tecnologias e mídias interativas, possibilita cursos a distância, transmitidos para salas remotas, irradiando recursos humanos que ontofilogeneticamente a espécie foi capaz de gestacionar em séculos de evolução. Os centros de excelência de conhecimento  concentram-se em determinados pólos educacionais, permitindo assim a distribuição deste conhecimento aos núcleos carentes e distantes.

Imagem Corporal Virtual – conceito: A Imagem Corporal Virtual (ICV) do Professor que media cursos através de videoconferência é considerada uma composição: de configuração de matriz de pixels, dinâmica e um sistema aberto ao vir a ser, constituído pelo sujeito-corpo-bio-psico-social, sujeito da linguagem, capaz de emitir variações energéticas que podem provocar respostas interativas quantitativas e qualitativas entre o professor e alunos.

2.  Identificação de padrões relevantes para configurar a Imagem
Corporal Virtual do Professor e seu histórico evolutivo

Xavier [8] (www.ppgep.ufsc.br), delimita sete conjuntos que descrevem 48 características (padrões), que o professor transmite durante os cursos ministrados por videoconferência, levando a identificação dos padrões os quais configuram a Imagem Corporal Virtual (ICV) do professor. As variáveis com menor índice de importância são eliminadas. Das características pesquisadas, 32 passam a ser consideradas relevantes para configurar os padrões que identificam a configuração da Imagem Corporal Virtual (ICV). A seguir são descritos sete conjuntos de características (padrões) que configuram a ICV, os quais são tratados e preparados para alimentar o Software nomeado “Rede Neural com função de base radial – Imagem Corporal Virtual” (RNRFB – ICV), que utiliza uma rede neural artificial que permite a avaliação e a classificação das preferências dos alunos sobre a performance da ICV do professor:

Conjunto 1: Percepção Inicial (Imagem Corporal Virtual);

Conjunto 2: Movimentos;

Conjunto 3: Partes do corpo da Imagem Corporal Virtual;

Conjunto 4: Linguagem;

Conjunto 5: Emoções;

Conjunto 6: Visualização;

Conjunto 7: Posição.

Na Tabela 1, a seguir, estão descritas as 32 características da ICV:

Tabela 1. Imagem Corporal Virtual do Professor (ICV) composta por sete conjuntos formados por 32 características.

Fonte: XAVIER, E. – Dissertação de Mestrado – PPGEP/ UFSC, Florianópolis, 1999.

3.  Software RNRBF – ICV para Avaliação e Classificação das Preferências
Desempenho da Imagem Corporal Virtual utilizando uma RBF

Foi programado um software (www.mathworks.fr), utilizando uma Rede Neural Artificial tipo RBF, nomeado RNRBF – ICV, para classificação e reconhecimento das características (padrões), com implementação de uma arquitetura e algoritmo que possibilitam a avaliação sobre as preferências dos alunos a respeito do desempenho das 32 características que constituem a Imagem Corporal Virtual (ICV) do professor nos cursos mediados por videoconferência. A RNRBF – ICV foi programada, treinada e testada com dados obtidos através de um questionário eletrônico solicitado aos alunos que participaram dos cursos de mestrado e doutorado, no Laboratório de Educação a Distância (www.led.ufsc.br), da Universidade Federal de Santa Catarina, (www.ufsc.br).

Padrões de Entrada: Cada característica (padrão) de entrada, que poderá ser vista no item Avaliar a ICV, assume valores lingüísticos referentes às preferências dos alunos quanto à Imagem Corporal Virtual do Professor. Estes valores lingüísticos ou conceitos, para as variáveis, assumem pontuações na escala: 1 - Muito Fraco; 2 - Fraco; 3 - Médio; 4 - Médio Superior; 5 - Forte; 6 - Muito Forte; 7 - Fortíssimo.

Os números são os respectivos valores de entrada das variáveis (padrões) que possuem a escala de 1 a 7. Portanto, para cada conceito ou valor lingüístico, há um valor numérico associado. Cabe ressaltar, que a escala e valores numéricos atribuídos não influenciam nos erros de teste e treinamento, logo, poderia ser utilizada uma outra escala.

Classificação de saída: A classificação de saída da rede para os padrões de entradas é:

1 = Desempenho Inferior da Imagem Corporal Virtual;
2 = Desempenho Inferior ao Termo Médio da Imagem Corporal Virtual;
3 = Desempenho Mediano da Imagem Corporal Virtual;
4 = Desempenho Superior ao Termo Médio da Imagem Corporal Virtual;
5 = Desempenho Superior da Imagem Corporal Virtual.

Onde, as saídas numéricas geradas pela resposta da rede neural artificial são transformadas novamente em conceitos, tendo cada conceito um valor correspondente.

4. Metodologia

Local: A pesquisa foi aplicada no Laboratório de Educação à Distância do Programa de Pós-graduação da Engenharia de Produção, da Universidade Federal de Santa Catarina (LED/PPGEP/UFSC), situado em Florianópolis, SC, Brasil (led/ufsc) atual www.egc.stela.ufsc.br.

     
Figuras 1 e 2. Auditório do professor para cursos mediados por videoconferência.
Fonte: www.led.ufsc.br, atual  www.egc.stela.ufsc.br.

Ambiente: A transmissão aconteceu dentro das diferentes salas (estúdios) virtuais do LED, em número de cinco, além do auditório, conforme mostram as Figuras 1 e 2. O LED/UFSC possui cinco estúdios para que o professor possa transmitir aulas para as salas remotas, um auditório multiuso, para trinta pessoas e uma sala técnica que permite o gerenciamento de todas as atividades de videoconferência originadas nas salas, além de permitir um ambiente confortável para a permanência dos técnicos durante a utilização do sistema. O acompanhamento e monitoração das aulas ocorrem através de televisores de 14 e de 38 polegadas (visualização dos alunos das salas remotas para o professor), com duas entradas de áudio e vídeo ligadas ao sistema e a câmera local, permitindo a seleção da fonte de vídeo a ser monitorada (AV1 sinal remoto e AV2 sinal local), sendo um televisor para cada sala no ambiente que contém o rack de equipamentos. O ambiente e tecnologias são descritos por Spanhol [7].

Velocidades de transmissão: a administração de links de telecomunicações para videoconferência com velocidades diferentes entre 128 kb (15/f/s), 256 kb (19/f/s) e 384 kb (30/f/s), por linhas dedicadas ou discadas, possibilitou que o LED/PPGEP/UFSC realizasse virtualmente os diferentes cursos de mestrado e doutorado para salas remotas, cuja amostragem desta população foi objeto de estudo desta pesquisa.

Tecnologias utilizadas: O ambiente de videoconferência é composto de um pool de tecnologias (transmissão/recepção através de Modem; CODEC com o método de Compressão Hierárquica de Valores – HQV, da Picturitel, com uma compressão algorítmica de 1600:1). Sendo a videoconferência uma aplicação que transporta em duas vias (Full Duplex), sinais de vídeo e áudio digitalizados, devidamente tratados pelos softwares e algoritmos de compressão, codificados e multiplexados em uma única informação ou bit, com transmissão e recepção síncrona, utilizando diferentes topologias de redes de comunicação (LAN, MAN e WAN), que foram utilizadas pelo www.led.ufsc.br, nos cursos de Pós-Graduação [7].

Etapas para obter dados para a configuração da ICV:

I –  Observação assistemática das aulas e dos professores do Curso TEC/PAR/98, do Programa de Pós-Graduação  Engenharia de Produção.

II –  Professores e alunos que participaram dos cursos de mestrado e doutorado a distância (FUNCITEC), na pesquisa inicial (Tabela 2), recebendo o questionário eletrônico, para coleta de dados e cujos resultados foram apresentados na dissertação de mestrado [8].

Tabela 2. Amostra da população pesquisada.

Data: 1999                             Curso: FUNCITEC – Estado de SC

Cidades: 8                             Número de alunos: 118

Professores: vários

Universidades: UFSC, UNIVALI, FURB, FEI, UNOESC, UNISUL, ETFSC, FERJ, FEB

Respostas: 28 alunos

III –  São apresentados os resultados do questionário eletrônico, aplicados em 57 alunos que participaram dos cursos mediados por videoconferência em 9 salas remotas, através de videoconferência entre setembro de 1999 e dezembro de 2001.

IV –  Pesquisa com o instrumento de coleta de dados (questionário eletrônico) modificado, sendo dispensadas 16 características (variáveis) menos relevantes, contendo agora apenas 32 características (variáveis), e alterações capazes de atribuir saídas (respostas), para a rede neural artificial RNRBF – ICV.

Amostra da população e período: 72 alunos, a partir de abril 2001 a agosto de 2001, como fonte de dados para a implementação da rede neural RBF apresentada neste trabalho, com alunos dos cursos de mestrado e doutorado do Programa de Pós-graduação Engenharia Produção e Sistemas em conjunto com o Laboratório de Educação a Distância da Universidade Federal de Santa Catarina, Brasil. Total de alunos com questionários utilizados: 72 dados. Questionários utilizados para treinar a Rede Neural: 52. Questionários utilizados para testar a Rede Neural: 19 (1 eliminado).

5. Aplicação e análise dos dados da RNRBF – ICV

O número de características ou padrões de entrada (32), sendo cada qual classificada em uma das cinco (respostas) classes (desempenho inferior, inferior ao termo médio, médio, superior ao termo médio e superior), com um pequeno conjunto de dados de treinamento (52 dados) e teste (20 dados) consegue-se fazer uma boa previsão (obteve-se somente 2% de erro para o treinamento e teste). Está apresentada nos itens que seguem:

Dados da Rede Neural Artificial RNRBF – ICV: Foram criadas interfaces, para que o usuário possa utilizar o software RNRBF – ICV. Por exemplo, na Janela Inicial encontra-se:

O Botão Dados da Rede acessa o treinamento, a arquitetura, testes e dados da RNRBF – ICV. O Botão Avaliar a ICV possibilita ao usuário avaliar as preferências sobre as 32 variáveis da performance da ICV do professor e obter os resultados. O Botão Ajuda informa sobre tópicos de funcionamento da rede (Figura 3).

Dados da Rede: janela que verifica a influência da amplitude do desvio padrão no treinamento, na arquitetura, no teste e a demonstração dos dados com gráficos da rede neural artificial RBF utilizada (Figura 4). Para verificar a influência do desvio padrão na arquitetura da rede e no seu desempenho, pode-se escolher um valor para o Desvio Padrão e após clicar em treinamento, a rede realiza o treinamento e determina os respectivos centros da camada escondida e os pesos entre a camada escondida e a de saída.

Avaliação da Imagem Corporal – Dados da Rede: (Figura 5) é o ambiente onde o usuário poderá visualizar todos os dados que foram utilizados do treinamento processados pela RNRBF – ICV, com os resultados do teste, com o valor ótimo encontrado para o desvio padrão, a arquitetura gerada, o gráfico do erro do teste da rede, e gráficos de superfícies obtidas com as iterações dos diversos desvios padrões utilizados, após o treinamento com o dado de saída de cada um dos dados de treinamento. Este processo é demonstrado sucessivamente para todos os tamanhos de desvios padrões utilizados. A última demonstração é o gráfico resultante da rede treinada com o melhor desvio padrão (tamanho igual 3.2) que possui a mínima soma dos erros de treinamento obtidos (igual a 4.704) e teste (igual a 2).

Botão Dados de Teste: Idêntico ao processo anterior, a Figura 5, mostra a comparação da resposta da RNRBF – ICV aos dados de teste no treinamento com os dados de saída do conjunto de teste.

A diferença desta visualização para a anterior é apenas do conjunto de dados (Dados de treinamento X Dados de Teste). Os resultados dos valores ótimos encontrados são os mesmos (tamanho do desvio padrão = 3.2, mínima soma dos erros de treinamento = 4.704 e a mínima soma dos erros de teste = 2.0) em função da decisão da escolha do ótimo desvio padrão ser baseada tanto nos dados de treinamento como nos dados de teste.

Arquitetura: Este botão trará a respectiva arquitetura da rede baseada nas variáveis de entrada (neurônios da camada de entrada), do número de neurônios criados na camada escondida durante o treinamento e do único neurônio da camada de saída. A camada de entrada é fixa e depende do número de características de entrada (32), assim como a de saída (1). O melhor resultado obtido (mínima soma do erro de treinamento e teste) que ocorreu com o tamanho do desvio padrão 3.2, gerou 45 neurônios na camada escondida, como é mostrado na Figura 6.

Comparativo entre os erros de treinamento e teste em função do tamanho [5] do desvio padrão: Para o comparativo entre os erros de treinamento e teste em função do tamanho do desvio padrão, com um zoom na região próxima ao valor ótimo obtido (Figura 7).

Aplicação de uma função de transferência linear: Durante o treinamento não foi aplicada nenhuma função de transferência à saída da rede, visto que o objetivo do treinamento é minimizar o erro real do treinamento. Mas para análise dos dados de teste e aplicação da rede, um operador é aplicado à saída da rede. Este operador é uma função de transferência linear que tem o objetivo de transformar a resposta da rede conforme a classificação de saída, ou seja, como a classificação de saída pode assumir apenas cinco (5) valores (1, 2, 3, 4 e 5) correspondente aos conceitos (Desempenho Inferior, Inferior ao Termo Médio, Mediano, Superior ao Termo Médio e Superior), e a rede pode, para determinados valores dos padrões de entrada, fornecer respostas aos padrões de saída que sejam valores aproximados. Houve uma necessidade de transformar estas respostas de forma a poder realizar a classificação desejada demonstrada na Figura 8.

5.1  Síntese do processamento dos dados da RNRBF – ICV
com os valores ótimos encontrados:

Quantidade de dados de treinamento = 52.

Quantidade de dados de teste = 20 (19).                           

Quantidade de dados eliminados no teste = 1.

Camada de Entrada = 32 variáveis ou padrões e uma= 1 saída.

Iterações efetuadas: total = (105).

Na 25^a iteração foi encontrado o resultado 3.2 como o ótimo desvio padrão.

Desvio padrão pesquisado como ótimo parâmetro = 3.2.

Camada intermediária demonstrando a quantidade de neurônios gerados = 45.

Acertos para os dados de treinamento = 48.

Acertos para os dados de teste = 17.

Mínima soma dos erros para os dados de treinamento = 4.70408.

Mínima soma para os erros dos dados de teste = 2.

Mínimo erro quadrático médio de treinamento = 0.0082.

Mínimo erro quadrático médio de teste = 0.01.

6.  Conclusão: Classificação final da Imagem Corporal Virtual
fornecida pela RNRBF – ICV

RNRBF – ICV – Avaliação Final: As 32 características (padrões), que configuram a ICV do Professor que media cursos através de videoconferência, na educação a distância, aparecem discriminadas em seus sete conjuntos, com a avaliação atribuída a cada característica, demonstrando a simulação cujo resultando aparece na Tabela 3: Classificação Final, dentro dos critérios estabelecidos para a saída da RNRBF – ICV:

Superior, Médio, Médio, Inferior ao Termo Médio e Inferior.

A decisão implementada para a classificação das respostas utilizadas para avaliar as preferências sobre o desempenho da Imagem Corporal Virtual (ICV) do Professor em aulas mediadas por videoconferência na Educação a Distância é descrita a seguir:

1 - Inferior = 0,0 a 1,5; 2 - Inferior ao Termo Médio = 1,5 a 2,5; 3 - Termo Médio = 2,5 a 3,5; 4 - Superior ao Termo Médio = 3,5 a 4,55; 5 - Superior = 4,5 a 7,0.

Tabela 3. Classificação Final da Imagem Corporal Virtual. Fonte: Software RNRBF – ICV.

Fonte: Software RNRBF – ICV.

Considerações finais: futuras pesquisas de caráter longitudinal, e com um número maior de pesquisandos, poderão contribuir para um sistema de aperfeiçoamento dos professores que mediam cursos através de videoconferência na educação a distância, permitindo comparações entre os resultados apresentados.

7. Referência Bibliográfica

[1] BISHOP, C.M. Neural Networks for Pattern Recognition. New York: Claredon, 1995. pp. 165-185.

[2] HAYKIN, S. Neural Network: A Comprehensive Foundations. New York: IEEE Computer Society, 1994. pp. 236-284.

[3] CHEN, T.; CHEN, R. Approximation Capability to functions of several networks variables nonlinear functions and operators by operators by radial basis function neural networks. IEEE Transaction in Neural Networks, 1994.

[4] NIYOG, P.; GIROSI, F. On the relationship between generalization error, hypothesis complexity and sample complexity for radial function, Memo 1467, Artificial Intelligence Laboratory, Massachusetts Institute of Technology.

[5] VOLLERTT Jr, J.R.; BASTOS, L.C.; XAVIER, E.; SPERB, R.M. Implementação de um Algoritmo de Decisão para uma RBF Ótima. Paper apresentado no V International Congress on Formation Engineering, Buenos Aires, 1999.

[6] SKAPURA, D.M. Building Neural Networks. New York: ACW, 1996.

[7] SPANHOL, J.F. Tecnologias para Utilização na Educação a Distância, dissertação de mestrado. Programa de Pós-Graduação de Engenharia de Produção, PPGEP, UFSC, Brasil, 1999.

[8] XAVIER, E. Estudo sobre a Imagem Corporal Virtual do Professor em Cursos Mediados por Videoconferência. Dissertação de Mestrado apresentada no Programa de Pós-Graduação de Engenharia de Produção da UFSC, Florianópolis, Brasil, 1999.

[9] ______. Avaliação da Imagem Corporal do Professor em Cursos Mediados por Tecnologias Utilizando Redes Neurais Artificiais. Tese de Doutorado apresentado no PPGEP da Universidade Federal de Santa Catarina, Florianópolis, Brasil, 2003. (www.ppgep.ufsc.br).

8. Endereços Eletrônicos:

www.dect.org

www.ai.mit.edu

www.ewh.ieee.org/tc/nnc/index.html

www.led.ufsc.br

egc.stela.ufsc.br

www.ppgep.ufsc.br

www.mathworks.fr