recomendação avas imp

7/25/2019 Recomendao Avas Imp

1/10

CINTED- Novas Tecnologias na Educao

_____________________________________________________________________________________________________

V. 12 N 2, dezembro, 2014____________________________________________________________

1

Sistema de Recomendao de Links para o fomento de discusses em frunsde um Ambiente Virtual de Aprendizagem

Luis Carlos Costa Fonseca, UEMA,[email protected]

Marlon Pereira Farias, UEMA,[email protected] de Jesus da Silva, UEMA, [email protected]

Resumo: Os fruns de discusso apresentam-se como umas das ferramentas deinterao mais utilizadas nos ambientes virtuais de aprendizagem. So objetos de estudo

de vrias pesquisas em informtica na educao, tanto no que se refere a sua melhor

utilizao, como na avaliao de seus registros. Neste trabalho proposta uma

ferramenta que identifica palavras-chaves relevantes, atravs de tcnicas de minerao

textual, e posteriormente s submete a um motor de busca da Internet para recuperar

documentos correlacionados aos assuntos do frum. Pretende-se com isto, fomentar os

debates atravs da apresentao de referencial textual extrado da rede mundial de

computadores, e dessa forma propor uma recomendao de informaes baseada emcontedo.

Palavras-chaves: Recomendao de informao, Minerao de texto, tf*pdf.

Links Recommendation System for the promotion of discussions on forumsof a Virtual Learning Environment

Abstract: Discussion forums present themselves as one of the most popular interactiontools in learning management systems. Many researchers in computer science education

study them, both concerning their best use, such as assessment of their records. This

paper proposes a tool that identifies relevant keywords via text mining techniques, andthen submit it to a search engine on the Internet to retrieve documents related to the

matters of the forum. It is intended with this, foment debate by presenting extracted

textual reference from the World Wide Web, and thus propose a content-based

recommendation of information.

Keywords: Recommendation systems, Text mining, tf*pdf.

1 INTRODUO

Qual o melhor caminho para chegar ao centro na hora do rush? Aonde se pode

encontrar um bom restaurante nestas proximidades? Qual a melhor poca para viajar

para o caribe? Qual a melhor empresa para investir em aes? Qual computador

comprar que atenda s necessidades especficas de um determinado usurio?

Tomar decises algo corriqueiro na vida das pessoas, para isto, faz-se uso de

diversas tcnicas que apoiem este processo, como por exemplo: pedir ajuda a um amigo,

fazer uma consulta na Internet, contratar um especialista da rea, entre outros. Nestas

situaes, o que se deseja um meio pelo qual possa auxiliar a realizar boas decises,

ou seja, uma recomendao.

O ser humano est acostumado a pedir recomendaes. Esta atividade to

comum e frequente, que se viu a possibilidade de se realizar recomendaes

automticas atravs de sistemas computacionais. Empresas como Amazon, NetFlix,Ebay, Youtube, Google, Yahoo, entre outras, se destacaram por fazer uso destes

sistemas e investir no desenvolvimento de novos mtodos relacionados a esta
mailto:[email protected]:[email protected]:[email protected]:[email protected]:[email protected]:[email protected]


2/10

2 CINTED- Novas Tecnolo gias na Educao

_____________________________________________________________________________________________________

V. 12 N 2, dezembro, 2014____________________________________________________________

tecnologia. Ricci (et al.,2011) apresenta os Sistemas de Recomendao comoferramentas de software e tcnicas que fornecem sugestes de itens que sejam teis para

o usurio.

A utilizao de Sistemas de Recomendao tem crescido bastante desde o seu

surgimento na dcada de 90. Desde ento, muito se fez na criao de novos mtodos eabordagens que permitam a utilizao desta tecnologia nas mais diversas reas, onde os

sistemas de comrcio eletrnico se destacam entre os demais como os principais

utilizadores desta tecnologia, de tal forma que j parte fundamental da maior parte

destes sistemas.

A Educao a Distncia (EaD) passou por diversas mudanas nos ltimos 20

anos. O advento da Internet da dcada de 90 permitiu uma mudana muito grande na

EaD. O uso das Tecnologias de Informao e Comunicao (TIC), principalmente as

relacionadas Internet, possibilitou que os participantes (professores e alunos) do

processo de ensino e aprendizagem pudessem interagir. Piva (et. al., 2011) afirma que

essa evoluo provocou uma mudana de paradigma no sentido que a individualizao

cedeu lugar colaborao. E acrescenta que a aprendizagem independente passou a sersustentada por experincias colaborativas entre alunos e professores e entre alunos.

O Ambiente Virtual de Aprendizagem (AVA) um espao online destinado a

organizar e coordenar as atividades de ensino, ou seja, so as salas de aula online. Este

ambiente composto por diversas ferramentas como os chats, as videoconferncias, os

fruns, entre outros. Tais instrumentos auxiliam o processo de interao e buscam

tornar o processo de aprendizado mais atrativo para o aluno. Uma das principais

ferramentas na construo do conhecimento nos AVA so os fruns. Os fruns so

ferramentas de discusso e troca de ideias, auxiliando na construo coletiva do

conhecimento e na integrao entre alunos e professores. Trata-se de um espao

interativo assncrono para a troca de mensagens permitindo a todos os participantes

trocarem opinies e informaes. Os fruns de discusso so uma das principaisferramentas na construo de conhecimento colaborativo nos AVA, so tambm objetos

de estudo de vrias pesquisas em informtica na educao, tanto no que se refere a sua

melhor utilizao, como na avaliao de seus registros.

PIVA (2011, apud FERNANDEZ, 2013) tece uma crtica aos AVAs, pois

afirma que ele no capaz de, adequadamente, manter processos de aprendizado que

permitam, alm de um retorno automtico aos alunos, um direcionamento do processo

de aprendizado.

Diante do exposto acima, este artigo prope a incorporao de um sistema de

recomendao de links aos Ambientes Virtuais de Aprendizagem (AVA) com o intuito

de fomentar discusses em fruns de aprendizagem, desta forma, criando uma dinmica

que proponha novas leituras relacionadas ao tema da discusso.Este trabalho est construdo em sete sees dispostos da seguinte forma: Os

conceitos relacionados s tecnologias so apresentados nas sees 2 e 3. A seo 4

apresenta a descrio do problema que este trabalho se prope a solucionar. Na seo 5

feita a demonstrao do sistema implementado. Na seo 6 delineada a pesquisa

realizada e os seus resultados. Por fim, na seo 7, so apresentadas as concluses.

2 SISTEMAS DE RECOMENDAO

O ser humano hoje vive na era da informao, os computadores e as redes de

telecomunicaes foram grandes responsveis por diversas mudanas scio econmicas

no sculo XX. Neste cenrio nos deparamos com uma carga de informaes cada vez


3/10


_____________________________________________________________________________________________________

V. 12 N 2, dezembro, 2014____________________________________________________________

maior. Os slogans afirmam que o mundo est a apenas um clique de distncia. Mas serque isto verdade?

Ainda h falta de informao, s que agora o problema se apresenta de uma forma

diferente, falta informao relevante. A grande quantidade de contedo acaba gerando

uma sobrecarga de informao que pode ser vista facilmente ao navegar pela Internet.Isto acaba desestimulando o usurio, pois h dificuldade em encontrar o que se

realmente deseja, como consequncia, o usurio se sente perdido em meio a um mundo

de informaes sem saber como encontrar o que lhe interessa. Mas surge a questo:

como encontrar o contedo de interesse do usurio em meio a tanta informao?

Os sistemas de recomendao surgiram como uma resposta dificuldade das

pessoas de escolher em meio a grande variedade de produtos e servios e as vrias

alternativas apresentadas.

Sistemas de Recomendao so ferramentas de software e tcnicas que fornecem

sugestes de itens que sejam teis para um usurio. Segundo Ricci (et al., 2011) os

Sistemas de Recomendao tentam prever quais so os produtos ou servios mais

adequados, com base nas preferncias e restries do usurio. Para completar estatarefa, os sistemas de recomendao coletam dos usurios suas preferncias, e que

podem ser explicitas, atravs das avaliaes de produtos, ou implcitas, inferidos atravs

da interpretao das aes do usurio.

Os sistemas de recomendao surgiram para auxiliar no processo de indicar e

receber indicaes, desta forma, procuram facilitar a busca por contedo interessante ao

usurio prevendo itens que possam ser relevantes ao mesmo.

Segundo Ricci (et al., 2011) a fim de implementar a sua funo principal,

identificando os itens teis para o usurio, o sistema de recomendao deve predizer queitem vale a pena recomendar. Para isto, o sistema deve ser capaz de prever a utilidade de

alguns deles, ou, pelo menos, comparar a utilidade de alguns dos itens e, ento decide

quais os itens recomendar com base nesta comparao.Sistemas de Recomendao envolve a construo de um modelo ou perfil de

interesses do usurio. A construo deste perfil varia de acordo com a tcnica de

recomendao utilizada tendo como as principais tcnicas de recomendao a Filtragem

Colaborativa, Recomendao Baseada em Contedo, O modelo Hbrido, entre outros.

3 MINERAO DE TEXTO

Os avanos tecnolgicos na rea de compartilhamento e armazenamento de

dados fizeram com que o volume de informaes no formato digital crescesse em

propores antes inimaginveis. Segundo Kuechler (2007) 80% desses dados no esto

em formato estruturado, sendo que uma grande parte deles so textos. Essas

informaes incluem: e-mails, arquivos eletrnicos gerados por softwares editores de

texto, pginas web, campos textuais em banco de dados, etc. Entretanto, esse formato de

documentos foi criado para serem visualizados por seres humanos e no so adequados

para a manipulao das informaes neles contidas por sistemas computacionais.

Em geral, estes contedos so muito relevantes para as organizaes, pois

segundo Han e Kamber (2006), constituem um importante repositrio organizacional,

que envolve o registro de histrico de atividades, memorandos, documentos internos, e-

mails, projetos, estratgias e o prprio conhecimento adquirido. Wives (2002) afirma

que esse tipo de informao muito importante para que os empresrios consigam

identificar novos dados e conhecimentos que estejam, de alguma forma, implcitos ouescondidos nos seus Sistemas de Informao e que no possam ser recuperados pelos

meios tradicionais de recuperao oferecidos por eles.


4/10


_____________________________________________________________________________________________________

V. 12 N 2, dezembro, 2014____________________________________________________________

Para Rezende, Marcacini e Moura (2011), a organizao inteligente dessascolees textuais de grande interesse para a maioria das instituies, pois agiliza os

processos de busca e recuperao da informao. Entretanto, o volume de dados textuais

armazenados tal que extrapola a capacidade humana de, manualmente, analis-lo e

compreend-lo por completo.A minerao de textual surgiu da necessidade de se descobrir, de forma

automtica, informaes em documentos, onde, segundo Aranha e Passos (2006), o uso

dessa tecnologia permite recuperar informaes, extrair dados, resumir, descobrir

padres, associaes e regras e realizar anlises qualitativas ou quantitativas em

documentos de texto.

A minerao de textos, tambm chamado de minerao de dados textuais,

permite transformar grande parte desses contedos no estruturados em conhecimento

til para as organizaes.

Konchady (2006) apresenta uma definio geral de minerao de texto que

inclui todos os tipos de processamento de texto que tratam de encontrar, organizar e

analisar informaes.Lopes (2004) apresenta o seguinte conceito: Text mining, tambm conhecido

como Text data mining ou Knowledge Discovery from textual databases, refere-se ao

processo de extrair padres interessantes e no triviais ou conhecimento a partir de

documentos em textos no-estruturados. Text mining pode tambm ser definido como

um conjunto de tcnicas e processos que se prestam a descobrir conhecimento inovador

nos textos. Esta nova tecnologia est sendo empregada, atualmente, em projetos de

diversas reas.

Desta forma, podemos entender a minerao de texto como sendo a aplicao de

um conjunto de diferentes tcnicas em dados no estruturados com o objetivo de obter

informaes, que muitas das vezes, podem no estar presente de maneira explicita

nestes documentos. Inspirado pelo Data Mining ou minerao de dados, que procuradescobrir padres emergentes em banco de dados estruturados, a minerao de textos

tem como objetivo a extrao de conhecimento teis em dados no estruturados ou

semiestruturados.

Para Konchady (2006) tanto minerao de dados quanto minerao de texto

buscam por informaes escondidas e empregam algoritmos semelhantes de

Inteligncia Artificial, aprendizagem de mquina, e estatstica. Mas enquanto a

minerao de dados lida com dados estruturados, minerao de texto lida com dados

no estruturados. Isto , uma extenso da rea de Data Mining focada na anlise de

textos.

Wives (2002) apresenta o processo de descoberta de conhecimento em textos

como uma evoluo natural da recuperao de informaes, j que os sistemas de

recuperao de informao passaram a adotar algumas tcnicas de anlise de

informaes e de aprendizado de mquina, muitas das quais provenientes da rea de

descoberta de conhecimento em bases de dados. Assim, ao invs do usurio ter que

analisar quais dos documentos retornados so realmente relevantes, o prprio sistema

faria essa anlise e retornaria as informaes de forma condensada e resumida.

4 DESCRIO DO PROBLEMA

O surgimento e a expanso da Internet na dcada de 90 foi responsvel por

profundas mudanas na educao a distncia. O uso das Tecnologias de Informao eComunicao (TICs) trouxeram um novo formato em que professores e alunos

pudessem interagir.


5/10


_____________________________________________________________________________________________________

V. 12 N 2, dezembro, 2014____________________________________________________________

Tais mudanas permitiram uma nova dinmica onde segundo (PIVA et al.,2011)

provocou uma mudana de paradigma no sentido que a individualizao cedeu lugar

colaborao e a aprendizagem independente passou a ser sustentada por experincias

colaborativas entre alunos e professores e alunos entre si.

Uma das principais ferramentas dos AVAs voltadas a construo do

conhecimento de forma colaborativa so os Fruns de Discusses. Os fruns so

espaos de discusses e troca de ideias em torno de temas propostos por seus

participantes. Este instrumento permite que cada participante submeta sua colaborao

referente ao tema proposto, buscando assim o entendimento mtuo. Segundo Silva

(2006, apud Okada) o frum uma ferramenta assncrona que representa um espao

para debates no qual pode ocorrer o entrelaamento de muitas vozes para a construo e

desconstruo de pensamentos, para questionar e responder dvidas, trilhando novos

caminhos para a aprendizagem.

Sobre a importncia destes debates Kenski (2002) traa o seguinte comentrio:

Interagir com o conhecimento e com as pessoas para aprender

fundamental. Para a transformao de um determinado grupo

de informaes em conhecimentos preciso que estes sejam

trabalhados, discutidos, comunicados. As trocas entre colegas,

os mltiplos posicionamentos diante das informaes

disponveis, os debates e as anlises crticas auxiliam a suacompreenso e elaborao cognitiva. As mltiplas interaes e

trocas comunicativas entre parceiros do ato de aprender

possibilitam que estes conhecimentos sejam permanentemente

reconstrudos e reelaborados.

Com relao a participao e envolvimento nos fruns de discusses Oliveira

(2005) salienta que a participao no espao criado pelo frum pede preparo,geralmente provido por leituras adequadas, pesquisas, resgates ao backgroundprprio a

cada participante, entre outras formas de busca. Trata-se de organizar o pensamento,

enriquecendo-o com pertinentes referncias, permitindo o uso do espao de discusses e

reflexes proporcionado pelo frum para gerar colaboraes e agregar ideias.

Partindo deste problema, esta pesquisa propem a utilizao de um sistema com

o objetivo de fomentar discusses em fruns por meio da recomendao de links. Os

conceitos e arquitetura deste sistema so apresentados no tpico a seguir.

5 DESCRIO DO SISTEMA

Como se pode perceber, todas as tecnologias apresentadas acima esto voltadasa manipulao, organizao e busca de informao, mas no de qualquer tipo de

informao, mas sim de informao relevante e til para o usurio.

Para que isto seja possvel, teria de se fazer uso de uma ferramenta de minerao

de texto para a identificao das palavras chaves que representem os tpicos do frum.

Uma vez identificadas, estas palavras so submetidas a um motor de busca que retornar

os links que iro oferecer novos contedos ao usurio para se aprofundar no contexto da

discusso. Estes links sero avaliados pelo usurio e alimentaro um perfil que no

futuro far novas sugestes baseados em gostos anteriores do usurio.

A imagem a seguir apresenta o fluxograma que representa a arquitetura do

sistema proposto.


6/10


_____________________________________________________________________________________________________

V. 12 N 2, dezembro, 2014____________________________________________________________

Figura 1: Arquitetura do Sistema

O sistema proposto neste trabalho busca recomendar links com o objetivo defomentar discusses em AVA, desta forma, a recomendao de links busca oferecer

novas possibilidade de leituras que venha desenvolver novas ideias e aprimorar o

conhecimento.

1. O processo de recomendao de links tem incio atravs da anlise e processamento

das informaes. Neste caso, a fonte de informaes so os tpicos (discusses) do

frum. Cada tpico do frum representado por um arquivo (.txt).2. O analisador de contedo consiste no pr-processamento do texto dos fruns. Como

os contedos dos fruns se encontram em linguagem natural, antes de se aplicar

qualquer mtodo estatstico de clculo de relevncia de termos, feita uma triagem

para separar os termos no representativos (stopwords), como advrbios, adjetivos,

artigos e preposies, ou seja, so termos que em geral no acrescentamrepresentatividade ao documento, desta forma os termos do documento que esto

presente nesta lista de stopword so desconsiderados (eliminados) na representao

do documento.

3. A ponderao de termos (Term Weighting) uma importante ferramenta para

determinar a relevncia de uma palavra. A principal abordagem utilizada para oclculo de peso de um termo o proposto por Salton (1988) TF*IDF. Onde TF

igual a:

Onde o mximo calculado sobre as frequncias fz,j de todos os termos tz que

ocorrem no documento dj. E fk,j, a frequncia do termo k no documento dj.

A frequncia inversa do documento (IDF) foi proposta inicialmente por Jones

(1972). A ideia por traz deste algoritmo de que um termo de consulta que ocorre

em muitos documentos no um bom representante, e assim, deve ser dado menor

peso do que os que ocorrem em apenas alguns documentos.

Onde N igual ao nmero de documentos da coleo e ni igual a quantidade dedocumentos em que o termo ocorre pelo menos uma vez.

A essncia do funcionamento do mtodo TF*IDF consiste em determinar o quo

relevante uma palavra em relao a um conjunto de documentos. As palavras que

so comuns em um pequeno grupo de documentos, ou em apenas um documento,


7/10


_____________________________________________________________________________________________________

V. 12 N 2, dezembro, 2014____________________________________________________________

tendem a ter pesos TF*IDF mais elevadas do que as palavras comuns a todos osdocumentos.

Entretanto, o objetivo do uso da ponderao de termos neste trabalho, de

identificar os principais tpicos debatidos no frum. Alm do mais, com a extrao

das stopwords possvel eliminar grande parte dos termos que no apresentamsignificncia ao contexto da discusso. Sendo assim para que se possa identificar as

palavras-chave, faz-se necessrio utilizar um algoritmo que atribua pesos mais

significativos aos termos mais frequentes na coleo de documentos, ou seja, nos

tpicos do frum.

Pelo fato de dar menor peso aos termos que so frequentes dentro de um documento,

mas no to frequente na coleo, o TF*IDF no se torna adequado para a resoluo

do problema em questo.

Proposto em 2001 por Khoo Khyou Bun e Mitsuru Ishizuka, o TF*PDF (Term

Frequency * Proportional Document Frequency) uma abordagem que busca

atribuir pesos mais significativos aos termos mais frequentes na coleo de

documentos.Em sua abordagem inicial, o algoritmo TF*PDF usado para reconhecer os termos

que explicam os principais temas de cada arquivo de notcias (Hot Topics) semanais.

Sua proposta se baseia no conceito de que sempre que houver um hot topic no ar,

o tema ser discutido com frequncia em muitos documentos e fontes de notcias.

Diferente da atribuio convencional de peso trabalhado no mtodo TF*IDF, no

algoritmo TF*PDF, o peso de um termo linearmente proporcional frequncia, e

exponencialmente proporcional relao do documento que contm o termo. Sendo

assim o algoritmo PDF representado pela frmula a seguir:

PDF = exp(ni/N)

Desde sua proposta inicial em 2001 por Bun e Ishizuka o TF*PDF tem se

demonstrado uma excelente ferramenta na minerao de texto para a deteco de

tpicos em um documento ou em um conjunto deles. Diversos trabalhos nos ltimos

anos tem demonstrado a eficincia deste algoritmo como: (JAHNAVI; RADHIKA,

2012); ZHE et al., 2012); (REN et al., 2011); (KAUR ; GUPTA 2012); MA (2011),

entre outros.

Sendo assim, este trabalho faz uso deste mtodo como ferramenta de minerao de

texto a fim de extrair os principais temas debatidos nos fruns de aprendizagem.

Para se calcular a frequncia do termo (TF) foi adotado uma abordagem diferente.

Como no feito clculo de similaridade entre os documentos a coleo de

documentos (os diferentes tpicos do frum de discusso) so agrupados como um

nico documento e os pesos TFs so calculados para todos os termos em relao a

um nico documento. Uma vez feito isto, o clculo do peso PDF realizado levando

em considerao a frequncia do termo em relao ao conjunto de documentos.

Uma vez que atravs do algoritmo TF*PDF os termos dos documentos so

ponderados realizada a ordenao deles para identificar quais os principais termos

referenciados nesta discusso.

4. Uma vez feita a identificao dos principais tpicos discutidos no frum, o sistema

seleciona os cinco primeiros termos e os submeter a um motor de busca. No

exemplo aqui proposto, foi utilizado a API do motor de busca Bing que oferece

5000 consultas gratuitas por ms, e permite que os links sejam retornados tanto emXML quanto em JSON.


8/10


_____________________________________________________________________________________________________

V. 12 N 2, dezembro, 2014____________________________________________________________

5. Aps feita a consulta, os links (10 primeiros) so apresentados ao usurio comosugesto de leitura.

6. Um mecanismo de avaliao proposto com o propsito de verificar a relevncia do

link ao frum o qual foi proposto. O usurio poder avaliar positivamente (gostei)

ou negativamente (no gostei) de acordo com o enquadramento do documento emmeio a discusso proposta no frum.

7. Uma vez que o usurio gosta de um link recomendado, feito um processo de

indexao do campo descrio (que apresenta um resumo do documento) e guarda

os termos de maior peso no perfil do usurio para que em um momento posterior

possa fazer sugestes de outros materiais baseado neste seu interesse.

6 A PESQUISA

Com o objetivo de verificar a eficincia do algoritmo implementado neste

trabalho, foi realizado uma pesquisa em onze diferentes disciplinas de trs cursos

tcnicos oferecidos pela Universidade Estadual do Maranho (UEMA) por meio doNcleo de Tecnologias para Educao, UemaNet.

As disciplinas escolhidas para a pesquisa foram: Anlise de Sistemas; Projeto de

Redes; Interao Homem Computador; Gerncia de Projetos; Programao Orientada a

Objetos; Linguagem de Programao II; Sistemas Operacionais; Fundamentos de

Informtica; Aplicaes Web I; Aplicaes Web II e Projeto e Desenvolvimento de

Sistemas.

O Ncleo de Tecnologias para Educao (UemaNet) presta suporte tecnolgico

educao presencial e responsvel pela concepo, intermediao, gesto, avaliao

e difuso de projetos em educao a distncia da UEMA. A estrutura de gesto do

UemaNet est organizada de forma descentralizada sendo que at o momento atende um

total de 36 polos organizados para suporte s atividades acadmicas e encontrospresenciais. A Uema, por meio do UemaNet, atua junto Secretaria de Educao

Profissional e Tecnolgica (SETEC), vinculando-se ao Programa Escola Tcnica Aberta

do Brasil (Rede e-Tec Brasil) com a oferta de cursos tcnicos de nvel mdio a

distncia. Todas as disciplinas escolhidas para a realizao da pesquisa aqui apresentada

fazem parte da Rede e-Tec, que so os cursos: Tcnico em Informtica; Tcnico em

Redes de Computadores; e Tcnico em Gesto em TI.

O objetivo desta pesquisa foi verificar a eficincia na extrao automtica de

palavras- chave dos tpicos de discusso do AVA e averiguar se o uso destes termos

proporcionou a recuperao de links relevantes ao tema em discusso.

Para esta averiguao, foram extrados diversos tpicos (em mdia 15 tpicos)

de cada disciplina, salvos em arquivos de texto (.txt) e submetidos a execuo do

algoritmo. O sistema por sua vez, fazia a extrao de palavras chaves, as ordenava e

submetias a seis palavras de maior peso para a API do motor de busca Bing, que

retornava os links (os 10 primeiros) os quais seriam sugeridos.

Feito isto, foi gerado um formulrio contendo a descrio da proposta do frum,

as seis palavras chaves de maior relevncia segundo o algoritmo proposto, os links

recomendados, e os tpicos utilizados para a execuo dos testes. Para avaliar a

eficincia, ningum melhor do que os prprios professores que administravam as

disciplinas. Desta forma, lhes foi encaminhado o formulrio, contendo os itens descritos

acima e mais duas perguntas:

1. As palavras- chave extradas possuem representatividade em relao aotexto dos fruns?

2. Os links sugeridos esto de acordo com o tema da discusso?


9/10


_____________________________________________________________________________________________________

V. 12 N 2, dezembro, 2014____________________________________________________________

Dos onze questionrios elaborados e submetidos avaliao dos professores, dezresponderam que concordam completamente em ambas as questes e um respondeu que

concorda parcialmente. Sendo assim, apesar da pequena amostra utilizada na pesquisa,

pde se verificar a eficincia da captura automtica das palavras chaves e a consequente

a apresentao de links relevantes temtica debatida no frum.Apesar do algoritmo ter se mostrado bastante eficiente na extrao dos hot topics

dos fruns, atravs da implementao da pesquisa pde se verificar algumas

vulnerabilidades. Na disciplina em que o professor avaliou com concordo

parcialmente, foi identificado que o tema principal da discusso era Sistemas

Operacionais, entretanto, na maioria dos tpicos os alunos referenciavam apenas pela

sigla SO, desta forma, o processo remoo de stopwords acabava desconsiderando

este termo. Outro problema verificado foi referente a flexo das palavras. Em algumas

situaes o algoritmo capturou a palavras no singular e tambm no plural.

7 CONCLUSO

Como j apresentado neste trabalho, a interao com o conhecimento e com as

pessoas fundamental para o processo de aprendizagem, sendo assim, os fruns de

discusso de um AVA buscam oferecer um meio pelo qual os seus participantes

interajam de forma a transformar um determinado grupo de informaes em

conhecimento. As mltiplas interaes e trocas comunicativas entre seus participantes

possibilita que estes conhecimentos sejam reconstrudos e reelaborados. Entretanto, esta

participao exige preparo atravs de leituras adequadas, permitindo que haja a troca de

opinies pessoais fundamentadas sem dar espao ao achismo.

O sistema proposto neste trabalho busca oferecer um meio automtico de

recomendar links para fomentar as discusses nos fruns. O algoritmo TF*PDF

proporciona um meio de extrair os tpicos mais importantes, levando em consideraoque os termos mais relevantes aparecem com bastante frequncia, sendo assim, este

mtodo difere do modelo clssico de ponderao de termo e pesos proposto por Salton

(1988) ao dar pesos mais significantes aos termos mais frequentes.

Os testes preliminares do algoritmo aplicado a fruns de discusso apontaram

algumas lacunas que devem ser tratadas antes de colocar a ferramenta em um ambiente

de produo. Entende-se que estes testes devem ser estendidos para ampliar a

observao do comportamento do algoritmo e talvez encontrar outros problemas a

serem tratados.

Futuramente pretende-se incorporar o algoritmo implementado em um plugin

para o Moodle possibilitando testes mais ostensivos e a sua utilizao em produo.

Uma outra ideia, conectar o mecanismo de busca (metabusca) a um repositrio de

objetos de aprendizagem, dando mais garantias sobre a qualidade dos itens recuperados.

REFERNCIAS

ARANHA, C. PASSOS, E. A Tecnologia de Minerao de Textos. RESI-RevistaEletrnica de Sistemas de Informao, n.2, 2006.

BUN, Khoo Khyou. ISHIZUKA, Mitsuru. Information Area Tracking and ChangesSummarizing in WWW In: Proc. of WebNet 2001, International Conf. on WWW andInternet. Orlando, Florida, 2001.p.680-685.

HAN, J. KAMBER, M. Data Mining: Concepts and Techniques, 2nd ed. MorganKaufmann, 2006.


10/10


_____________________________________________________________________________________________________

JONES, Karen S. A statistical interpretation of term specificity and its applicationin retrieval. Journal of Documentation. v.28 1972. p. 11-21

JAHNAVI, Y. RADHIKA, Y. A Cogitate Study on Text Mining. International Journalof Engineering and Advanced Technology (IJEAT) ISSN: 2249 8958, v.1, Issue-6,

aug. 2012.

KAUR, K. GUPTA, V. A Survey of Topic Tracking Techniques. InternationalJournal of Advanced Research in Computer Science and Software Engineering. v.2,

Issue 5, may. 2012

KENSKI, V. M. Processos de interao e comunicao mediados pelas tecnologias. In:

ROSA, D., SOUZA, V. (Orgs.). Didtica e prticas de ensino: interfaces comdiferentes saberes e lugares formativos. Rio de Janeiro: DP&A, 2002.

KONCHADY, Manu. Text Mining Application Programming. Thomson. 2006.

KUECHLER, W. L. Business applications of unstructured text. Communications ofACM, v.50, n.10, p. 8693, 2007.

LOPES, M. C. S. Minerao de Dados Textuais Utilizando Tcnicas de Clusteringpara o Idioma Portugus. PhD thesis, Universidade Federal do Rio de Janeiro, 2004.

MA, HUI-FANG. Hot Topic Extraction Using Time Window. InternationalConference on Machine Learning and Cybernetics, Guilin, 10-13 ,July 2011.

PIVA, D. PUPO, R. GAMEZ, L. OLIVEIRA, S. EaD na Prtica. Planejamento,mtodos e ambientes de educao online. Rio de Janeiro: Elsevier, 2011.

OLIVEIRA, Gerson P. O Frum em um Ambiente Virtual de Aprendizado

Colaborativo. Revista Digital de Tecnologia Educacional e Educao a Distncia.v.

2. ISSN 1808-1061, 2005.

REZENDE, S. O. MARCACINI, R. M. MOURA, M. F. O uso da Minerao de Textos

para Extrao e Organizao No Supervisionada de Conhecimento. Revista deSistemas de Informao da FSMA n. 7 (2011) pp. 7-21

REN, Y. DU, Y. HUANG, X. XU, Y. Topic Detection of News Stories with Formal

Concept Analysis. Journal of Information & Computational Science 8: 9 (2011)1675-1682.

RICCI, F. ROKACH, L. SHAPIRA, B. KANTOR, P. B. Recommender SystemsHandbook .New York: Springer, 2011.

SCARINCI, R. G. SES: Sistema de Extrao Semntica de informaes. Porto Alegre,1997. 165p. Dissertao de mestrado Instituto de Informtica, UFRGS.

SILVA, Marco. Educao online. So Paulo: Loyola, 2006.

SALTON, G. BUCKLEY, C. 1988. Term-weighting approaches in automatic textretrieval. Information Processing & Management ,v.24, n.5, p. 513-523, 1988.

WIVES, L. K. Tecnologias de descoberta de conhecimento em textos aplicadas inteligncia competitiva. Exame de Qualificao EQ-069, PPGC-UFRGS, 2002.

ZHE, G. DONG, Li. QI, Li. JIANYI, Z. YANG, Xin. XINXIN, Niu. An Online HotTopics Detection Approach Using the Improved Ant Colony Text Clustering

Algorithm. Journal of Convergence Information Technology(JCIT),v. 7, n.2, February2012.

recomendação avas imp

Documents