Magalí Teresinha Longhi

Magalí Teresinha Longhi

Profa. Magda Bercht (PGIE, 18/Mai/2012)

Redes Bayesianas: tecnologia para inferir aspectos afetivos em

sistemas computacionais

Cenário interdisciplinar

Educação

ComputaçãoPsicologia Cognitiva

Interações em AVA

C. AfetivaTeoria das emoções

Modelos de

appraisal

Teorias:Piaget

Vigotski

Modelos afetivos

Redes Bayesianas

Modelo de Scherer

SumárioPARTE 1 – Modelagem afetiva

• Modelos de emoções usados em computação• Sensoriamento afetivo• Modelos de representação cognitiva

PARTE 2 – Raciocínio probabilístico (Teoria de Bayes)• Vantagens das Redes bayesinas• Sintaxe e Semântica de Redes Bayesianas• Densidade de Redes bayesianas• Softwares para implementar Redes Bayesianas

PARTE 3 – Aplicação de Redes Bayesianas• Desafios• ROODAafeto• Contribuições da pesquisa

PARTE 1

Modelagem afetiva

Modelos de emoção usadas na computaçãoModelo de Roseman

CausaEmoções Positivas Emoções Negativas

IntensidadeConsistente c/ motivo Inconsistentes c/ motivoDesejáveis Aversivas Desejáveis Aversivas

Circunstancial

Inesperada Surpresa Incerta Esperança Medo

FracoCerta Alegria Alívio Tristeza Embaraço

Incerta EsperançaFrustração Desprezo Forte

Certa Alegria Alívio

Outro agente

Incerta

GostarDesgostar Fraco

CertaIncerta

Raiva Desprezo ForteCerta

Própio Agente

Incerta

OrgulhoRemorso Fraco

CertaIncerta

Culpa Vergonha ForteCerta

Fonte: Roseman et al.(1990)

16 emoções

Modelos de emoção usadas na computaçãoModelo OCC

Fonte: Ortony, Clore e Collins (1988)

18 emoções(22 emoções)

Modelos de emoção usadas na computação

Evento

Processo deAppraisal

SNC

ReaçõesFisiológicas

SNA (SNSim e SNPar)

(Suporte)

(Proces. Informações)

SentimentoSubjetivo

SNC

(Monitor)

Expressãomotora

SNS

(Comunicação)

Tendênciaà ação

SNC

(Executivo)

Scherer (1984a; 2000a, 2009)

Relevância Implicações Coping Significado

Modelo de Scherer

Modelos de emoção usadas na computaçãoDiferença entre os modelos

Principal diferença:

Maneira como a avaliação cognitiva (appraisal) de uma experiência emocional é realizada.

Modelo de Roseman e OCC • Focalizam a estrutura cognitiva ou a taxonomia das emoções.• Estão baseadas nas ações do sujeito.• Levam em consideração as crenças e os desejos do sujeito

(principalmente o OCC).

Modelo de Scherer• Avalia o episódio emocional como um conjunto de processos em

vários componentes orgânicos.• O fenômeno afetivo não é apenas o resultado da avaliação

cognitiva, mas também dos diversos processos envolvidos nos diferentes subsistemas do organismo.

Sensoriamento afetivoDetecção dos fenômenos afetivos

Envolve sensores que capturam dados do estado físico do indivíduo ou de seu comportamento.

Tipos de sensores• Visuais (vídeo-câmeras)• De áudio (microfones).• Fisiológicos (cadeiras sensíveis à pressão do corpo, luvas que

captam a condutividade da pele, mouse sensíveis à pressão, EEG, ECG, termógrafos, aparelhos para verificar a pusação, respiração, dilatação da pupila, etc.).

Fatores que podem influenciar a captura• Controle da expressão facial/corporal.• Modo de experimentação de um fenômeno afetivo (alguns são

mais fáceis de identificar do que outros).• História de cada indivíduo.

Sensoriamento afetivoReconhecimento de informações afetivas

Pressupõe a extração de determinadas evidências (tipificados em determinados sinais) a partir dos dados capturados.

Métodos de inferência • Por prognóstico (top-down)

• Baseado em fatores que influenciam ou causam a experiência afetiva.• Baseado em teorias psicológicas fundamentadas no appraisal

cognitivo.• São tratadas as evidências antecedentes à manifestação afetiva.

• Por diagnóstico (bottom-up): • Baseado em diversas medidas corporais.• São tratadas as evidências consequentes ao fenômeno vivenciado.

• Híbrida (composição do top-down e bottom-up): • Confere uma inferência mais efetiva.

Sensoriamento afetivoExemplos de detecção e reconhecimento de informações afetivas

Através das expressões facial e corporal • Facial Action Coding System (FACS) (Ekman, 1993)

• Detecção: expressão facial• Reconhecimento: não divulgado.

• Whitehill, Barltlett e Movellan (2008)• Detecção: expressão facial• Reconhecimento: baseado no FACS.

• Kapur, Kapur, Virji-Babul, Tzanetakis e Driessen (2005) • Detecção: expressão corporal através de motion capture.• Reconhecimento: algoritmos de aprendizagem em máquina

(usualmente associa mineração de dados e métodos estatísticos que servem de informação para a máquina aprender)

Sensoriamento afetivoExemplos de detecção de informações afetivas

Através de padrões fisiológicos

• Picard, Vyzas e Healey (2001) • Detecção: tensão muscular da face, fluxo sanguíneo, condutividade

térmica e fluxo respiratório. • Reconhecimento: não divulgado.

• Mcquiggan, Lee e Lester (2006a) • Detecção: batimento cardíaco e condutividade da pele.• Reconhecimento: Redes bayesianas.

• Mandryk e Atkins (2008) • Detecção: expressão facial, condutividade da pele, medida

cardiovascular e tensão muscular.• Reconhecimento: Lógica Fuzzy.


Através da fala

• Cahn (1990) - trabalho pioneiro• Detecção: fala. • Reconhecimento: Affect editor.

• Grandjean, Banziger, Scherer (2006) • Detecção: fala. • Reconhecimento: modelo próprio.


Através da escrita

• Kennedy, Inkpen (2006) • Detecção: extração de adjetivos, verbos, termos de baixa frequência e

expressões idiomáticas. • Reconhecimento: algoritmo que calcula a orientação positiva/negativa

de um texto

• Pang e Lee (2008) • Detecção: extração de adjetivos, verbos, termos de baixa frequência e

expressões idiomáticas. • Reconhecimento: Métodos de orientação semântica.

• Ortony, Clore e Foss (1987) • Detecção: substantivos, advérbios, verbos e derivações.• Reconhecimento: taxonomia léxica

• Pasqualotti (2008) • Detecção: substantivos, advérbios, verbos e derivações.• Reconhecimento: WordNet Affect BR


Através do comportamento observável

• Jaques (2004) • Detecção: tempo de execução de uma tarefa no STI, sucesso (ou falha

na execução de exercício proposto, e a frequencia de solicitação de assistência.

• Reconhecimento: modelo BDI (beliefs, desires and intentions)

• De Vicent e Pain (2002) • Detecção: modo de interação do aluno em um STI• Reconhecimento: modelo próprio (Affective Tutor)


Através do uso de questionários e inventários

• Delinear os traços de personalidade (Pantarolo, 2008)

• Determinar a motivação (De Vicent; Pain, 2002)

• Avaliar subjetividade na voz (Sangsue et al, 1997)

• Analisar eventos precedentes a um estado afetivo (Scherer, 1993)

• Confrontar emoções x cultura (Wallbott; Scherer, 1989)

Modelos de representação cognitivaModelagem afetiva

Principal dificuldade

Uso de modelos criados sob o método científico cartesiano, em que os mecanismos cognitivos são estudados através da redução (reducionismo - o mundo complexo deve ser dividido em partes mais simples), não considerando a afetividade.

IA inspirada na Psicologia Cognitiva• Modelos de característica distribuída:

• Baseados nas simulações de processos cerebrais.

• Modelos de característica simbólica:• Baseados nas formas procedural e declarativa do pensamento.

Russel e Norving (2004)

Modelos de representação cognitivaModelo Distribuído

Outras denominações: modelo conexionista, processamento distribuído paralelo e computação neural.

Características: emprega estudos sobre as redes neurais (capacidade de memorização, aprendizado e generalizações).

Na computação: redes neurais artificiais.

Uso: sistemas de aprendizagem, agentes inteligentes, robótica.

Limitações: incapaz de modelar representações mais estruturadas (p. ex.: linguagem)


Modelos de representação cognitivaModelo Simbólico

Símbolo:Traduz um conceito. Um conceito é unidade fundamental do conhecimento simbólico.

Abordagens:• Procedural ou não-declarativa (saber como)

• O conhecimento é tratado segundo regras do tipo se-então:• Lógicas clássicas (raciocínio monotônico): trata de certezas

absolutas (Verdadeiro/Falso).• Lógica de primeira ordem estendida (raciocínio não-monotônico):

admite um certo grau de indeterminação (verdadeiro/falso/nem verdadeiro/nem falso)

• Declarativa (saber o quê) • O conhecimento é representado na forma de uma rede semântica.

• Grafos, mapas conceituais, mapas mentais, etc.


Modelos de representação cognitivaAbstrações computacionais


• Modelos de representação cognitiva traduzem processos cognitivos.

• Não existem modelos para representar processos afetivos.• A captura de dados afetivos pode revelar-se insuficiente ou

incorreto. • É um mundo incerto, complexo e dinâmico que pode ser

representado:• Distribuída/conexionista: redes neurais artificiais• Simbólica

• Lógica BDI (Beliefs, Desires e Intention)• Lógica fuzzy • Modelo oculto de Markov• Rede bayesiana

Se-então

Teoria das probabilidades

PARTE 2 Raciocínio probabilístico através da Teoria de Bayes

Vantagens das Redes Bayesianas

1. Expressa uma visão semântica do problema;

2. Apropriada para representar e raciocinar com a incerteza, característica inerente à dimensão afetiva;

3. Explora a esparsidade do relacionamento entre as variáveis (isto é, trata de variáveis sem evidência de correlação)

4. É eficiente do ponto de vista computacional, embora a distribuição de probabilidade possa crescer exponencialmente.


Sintaxe e semântica das Redes Bayesianas

Descreve o problema:

• qualitativamente, por meio da representação de uma rede semântica, e

• quantitativamente, a partir do uso da teoria da probabilidade, representado por Tabelas de Probabilidade Condicional (TPC) .



Sintaxe de uma RB:• é representada por um grafo orientado acíclico.

• os nodos tratam as variáveis do domínio.

• as arestas tratam das relações probabilísticas.

• uma aresta que parte de X para Y, então X será pai de Y.

• cada variável (Xi) tem uma distribuição de probabilidade condicional, tal que P (XiPais (Xi)).

“A probabilidade de Xi , dado que conhecemos os pais de Xi “


Semântica de uma RB:

A semântica da RB exemplo: P(A, B, C, D, E) = P(EC) P(DC) P(CA, B) P(B) P(A)

Inferência de probabilidade para o caso:

P(A B CD E) = P(EC) P(DC) P(CA, B) P(B) P(A) = 0,70 0,90 0,05 0,998 0,999 = 0,031405563 ( 3,14%)

??


Densidade da RB:

• Cada variável aleatória (nodo) é diretamente influenciada por no máximo k outras.

• A quantidade de informações para especificar cada TPC será no máximo 2k números (considerando variáveis booleanas: verdadeiro e falso).

• Por exemplo, a TPC de

K=14 214 = 4096 entradas na TPC

K=14 514 = 6.103.515.625 entradas na TPC

(muito forte, forte, equilíbrio, fraco, muito fraco)

(presente, não presente)(sim, não)

(V, F)

Softwares para implementar RB

• Hugin Lite v.7.3 (Hugin Expert A/S)

• Netica v. 4.16 (Norsys Software Corp)

• SEAMED v. 0.7 (Instituto de Informática/UFRGS).

• MSBN (Microsoft Bayesian Network)

PARTE 3

Aplicação de Redes Bayesianas

Desafios

1. Determinar qual fenômeno afetivo é significativo no processo de ensino e aprendizagem

2. Determinar os estados de ânimo significativos em AVA e como mapeá-los.

3. Elaborar o modelo afetivo do aluno.

4. Indicar uma abstração computacional que se ajusta à modelagem dos estados de ânimo.

5. Desenvolver o modelo da RB de forma implementar a rede semântica que define o modelo afetivo do aluno.

6. Ajustar a RB conforme as limitações impostas pela rede semântica ou pelo software escolhido.

Desafio 1 – Fenômeno afetivo significativoTerminologia da afetividade

Secundária ou Social

Primária, Básica ou Utilitária

EmoçãoEkman (1999)

Damásio (1996)Scherer (2005)

Reeve (2006)

É um episódio perceptível com um grau de intensidade variável e resposta relativamente breve

(seg./min.). Dirige o curso de uma ação e é desencadeada a partir de

evento com conteúdo cognitivo claro.

Emoção de segundo plano

Estado de ânimoFridja (1994)Damásio (1996)

Forgas (2000)Scherer( 2005)

É um episódio difuso, sem causa aparente, que pode emergir de processos de escasso conteúdo

cognitivo. Caracteriza-se por baixa intensidade e longa duração

(horas/dias). Repercute na cognição ao dirigir as reflexões e

metareflexões.

Disposição afetiva

Traço de personalidadeScherer (2005)

Pasquali; Azevedo e Ghesti (1997)

É um padrão através do qual o sujeito percebe a realidade e conduz suas

relações (intra e interpessoais)

Rosenberg (1998)

Desafios


2. Determinar os estados de ânimo que podem ser identificados em AVA e como mapeá-los.





Alto controle

Baixo controle

AgradávelDesagradável

Insatisfeito

AnimadoDesanimado

Satisfeito

Desafio 2 – Estados de ânimo

Scherer (2005)Tran (2007)

Longhi, Behar e Bercht (2009c)

SATISFAÇÃO(É o estado de ânimo que denota prazer advindo da realização do que se espera,

do que se deseja)

ANIMAÇÃO(É o estado de ânimo que movimenta o sujeito em direção aos objetivos)

Desafios







(Bercht, 2001)Desafio 3 – Modelo afetivo do aluno

Estados de ânimo

Expressão motora

Sistema Fisiológico Motivação

Sentimento subjetivo

“Appraisal cognitivo”(Processamento de

informações)

(Subsistemas de regulação, de comunicação,

de preparação para a ação e de monitoramento

interno) Regulagem ou ajustes do

corpo

Preparação e direcionamento

da ação

Comunicação da reação e intenção

de ação ou comportamento

Monitoramento dos estados

internos

Análise do padrão de ação do aluno nas funcionalidades do AVA

Comportamento observável

ConfiançaEsforçoIndependência

Fatores motivacionais

Bercht, 2001

IFP

Traços de personalidade

Pasquali, Azevedo e Ghesti (1997)

Subjetividade afetiva

Mineração de sentimento

em texto

Pasqualotti, 2008Orengo; Buriol e Coelho, 2007

Kantrovitz, 2003

Sche

rer,

2005

Desafios




4. Optar por uma abstração computacional que implemente a modelagem dos estados de ânimo.



Desafio 4 – Opção por rede semânticaIFP

14 fatores

Estados deânimo

FatoresMotivacionais(C, E, I)

11 Variáveis comportamentais

Subjetividadeem texto

FP importante para AVA

FP removido

Desafios




4. Optar por uma abstração computacional que se ajusta à modelagem dos estados de ânimo.

5. Projetar o modelo da RB de forma implementar a rede semântica que define o modelo afetivo do aluno.


Desafio 5 – Modelo de Rede Bayesiana

NETICA v.4.16

Framework BFC(Behavioral Factor

Calculation)

Framework AWM(Affective Word

Mining)

Problema de memória

15.625 regs. 125 regs.

125 regs.

Desafio 5 – Modelo de Rede Bayesiana

Desafios




4. Optar por uma abstração computacional que se ajusta à modelagem dos estados de ânimo.



Desafio 6 – Ajustes na Rede SemânticaRB implementada - Framework MIM (Mood Inference Machine)

Inferência da predominância dos fatores de personalidade

Inferência dos estados de ânimo

NETICA v.4.16

125 regs.

15.625 regs.

125 regs.

ROODAafetoEsquema geral

ROODA

Framework MIM(Mood Inference

Machine)

Framework BFC(Behavioral Factor

Calculation)

Framework AWM(Affective Word

Mining)

ROODAafetoFramework AWM (Affective Word Mining)

Valência Estado deÂnimo

FamíliaAfetiva Emoções

Positiva (Prazerosa)

Animado

Surpresa Abismado, admirado, atônito, chocado, estupefato, maravilhado, pasmo, perplexo, surpreso

Interesse Absorvido, animado, ansioso, atento, ávido, curioso, dedicado, empenhado, encorajado, estimulado, incentivado, inspirado, interessado

Esperança Animado, confiante, desejoso, esperançoso, com expectativa, otimista, seguroSerenidade Assistido, ajudado, aliviado, amparado, calmo, sereno, tranquilo, sossegado

Satisfeito

Satisfação Expectativas correspondidas / atendidas, gratificado, satisfeitoAlegria Alegre, contente, enaltecido, encantado, feliz, triunfante Entusiasmo Extasiado, em júbilo, em regozijo, eufóricoOrgulho Altivo, imponente, onipotente, orgulhoso, vaidoso

Negativa (Desagradável)

Insatisfeito

Irritação Aborrecido, agitado, ameaçado, com ódio, enraivecido, encolerizado, exasperado, feroz, furioso, impetuoso, indignado, inflamado, irado, violento, zangado

Desprezo Altivo, arrogante, depreciado, desacreditado, desconsiderado, desdenhoso, desprezível, desvalorizado, menosprezado, oprimido, rejeitado, ridicularizado, subjugado

Aversão Achar abominável, com antipatia, com asco, enojado, com má vontade, enauseado, enjoado, considerar de mau gosto, desgostoso, detestável, com dissabor, enfastiado, [...]

Inveja Enciumado, desejoso, invejoso, cobiça

Desanimado

Culpa Arrependido, censurado, com remorso, culpado, em falta, penalizado, repreendido, responsabilizado, sentido

Vergonha Acanhado, confuso, desconcertado, embaraçado, envergonhado, humilhado, tímido, perdido, atrapalhado, descompensado, confuso

Medo Alarmado, amedrontado, ansioso, apavorado, apreensivo, arrepiado, assustado, atemorizado, em pânico, horrorizado, inquieto, intimidado, medroso, preocupado, receoso, sobressaltado, temeroso

TristezaAbatido, aflito, carrancudo, choroso, compadecido, consternado, mal humorado, deprimido, desapontado, com dó, sentir-se em desgraça, em pranto, entristecido, fracassado, sentir-se incompetente, lamentoso, lúgubre, magoado, melancólico, penoso, pesaroso, [...]

ROODAafeto

WordAffectBR

Pasqualotti (2008)

289 palavras

2194 palavras no léxico afetivo

Longhi, Behar, Bercht e Simonato (2009a)

2987 palavras

Framework AWM (Affective Word Mining)

ROODAafetoFramework BFC (Behavioral Factor Calculation)

Funcionalidade Situação Fator

Geral Inicial 0

Fórum

NA: inferior à média -1NA: igual ou superior à média +1NV: inferior ao número de acessos -1

NV: igual ou superior ao número de acessos +1

MP: responde ao formador +2MP: responde ao colega +1MP: não responde ao colega -1MP: não responde ao formador -2MP: não participa do fórum -3TO: cria sua própria mensagem +1TO: cria um novo tópico +2

Bate-papo

FP: extremamente ativa (>= 75%) +3FP: ativa (>= 50% e < 75%) +2

FP: pouco ativa (>= 25% e < 50%) +1FP: ínfima (> 0% e < 25%) -1FP: não participou (= 0%) -3

Diário de bordo

FP: extremamente ativa (>= 75%) +3FP: ativa (>= 50% e < 75%) +2

FP: pouco ativa (>= 25% e < 50%) +1FP: ínfima (> 0% e < 25%) -1FP: não participou (= 0%) -3

Contatos

PA: a todos -3PA: ao formador -2PA: aos colegas -1PA: não pede ajuda +3

Funcionalidade Situação FatorGeral Inicial 0

Fórum

NA: inferior à média -1NA: igual ou superior à média +1FP: extremamente ativa (>= 75%) +2FP: ativa (>= 50% e < 75%) +1FP: pouco ativa (>= 25% e < 50%) -1FP: ínfima (> 0% e < 25%) -2MP: responde ao formador -3MP: responde ao colega +2MP: não responde ao colega +1MP: não responde ao formador -1MP: não participa do fórum -2TO: cria sua própria mensagem +1

Bate-papo

FP: extremamente ativa (>= 75%) +2FP: ativa (>= 50% e < 75%) +1FP: pouco ativa (>= 25% e < 50%) -1FP: ínfima (> 0% e < 25%) -2FP: não participou (= 0%) -3

Diário de bordo

FP: extremamente ativa (>= 75%) +2FP: ativa (>= 50% e < 75%) +1FP: pouco ativa (>= 25% e < 50%) -1FP: ínfima (> 0% e < 25%) -2FP: não participou (= 0%) -3

ContatosPA: a todos +3PA: ao formador +2PA: aos colegas +1

Tempo TP: igual ou inferior à média da turma -1TP: superior à média da turma +1

Funcionalidade Situação FatorGeral Inicial 0

FórumNV: inferior ao número de acessos -1NV: igual ou superior ao número de acessos +1TO: cria um novo tópico +1

Bate-papo AS: cria sala de bate-papo +1AS: não cria sala de bate-papo -1

Contatos

PA: a todos -2PA: ao formador -1PA: aos colegas +1PA: não pede ajuda +2

Tempo TP: igual ou inferior à média da turma +1TP: superior à média da turma -1

ConfiançaEsforço

Independência

ROODAafetoDinâmica das interfaces

ROODAafetoDinâmica das interfaces

Contribuições

1. A pesquisa pressupôs uma reflexão sobre a questão da afetividade implicada na interação no âmbito do AVA ROODA.

2. Essa reflexão motivou a implementação da ferramenta computacional, o ROODAafeto.

3. O ROODAafeto mapeia os estados de ânimo (animado/desanimado e satisfeito/insatisfeito).

4. A expectativa é a de que essa ferramenta possa auxiliar o professor no que se refere ao acompanhamento do percurso cognitivo-afetivo do aluno.

Caminhos trilhados

Contribuições

1. Estudo e discussão de qual fenômeno afetivo é representativo nas questões da Educação e possível de ser reconhecido em AVAs.

2. Adaptação do modelo dos fatores motivacionais proposto por Bercht (2001) e inspirada em del Soldato e du Boulay (1995).

3. Desenvolvimento do framework AWM (Affective Word Mining).

4. Construção do acervo de símbolos linguísticos com conotação afetiva.

5. Utilização de Rede Bayesiana (RB) para o modelo computacional de inferência dos estados de ânimo.

6. A divulgação dos resultados à comunidade científica, em congressos nas áreas de Computação, Informática na Educação e Psicologia, é considerada também no âmbito das contribuições.

Outras contribuições

Contribuições

1. Inclusão de outras funcionalidades do AVA ROODA para o cálculo dos fatores motivacionais.

2. Incorporação de novas características no modelo afetivo do aluno:a) Estilo de aprendizagemb) Atitude social (recurso de sociometria)

3. Utilização de modelo computacional híbrido para implementar o modelo afetivo do aluno.

4. Discussões nas áreas:a) Educação: extensão do mapeamento de aspectos afetivos para

os formadores.b) Educação: reflexões sobre os modos de ser professor quando de

posse de informações afetivas.c) Psicologia: validação dos autorregistros sobre os aspectos

afetivos.

Perspectiva de novas investigações

Magalí Teresinha Longhi(http://chasqueweb.ufrgs.br/~mlonghi)

Mapeamento de aspectos afetivos em um ambiente virtual de aprendizagem

Patricia Alejandra Behar (orientadora)Magda Bercht (co-orientadora)

Magalí Teresinha Longhi

Documents