Capítulo 2 – Modelo do Especialista

Apresentação em tema: "Capítulo 2 – Modelo do Especialista"— Transcrição da apresentação:

1 Capítulo 2 – Modelo do Especialista
Fretz Sievers Junior

2 O modelo Especialista Sistemas Tutores Inteligentes, tem esse nome para trazer instrução baseada em computador. Há dois pontos chaves de inteligência dentro do ITS. A pessoa que tem o domínio de assunto. Os princípios pelos quais ensinam e nos métodos que aplica estes princípios. Claramente, os tutores humanos só são efetivos quando eles possuíres ambos os tipos de inteligência; falta de qualquer componente conduz a ineficácia de instrtictional. Humanos não podem ensinar nada efetivamente em um domínio de conhecimento no qual eles são o perito. O foco deste capítulo é o módulo especialista de um tutor que provê a inteligência de domínio. Na visão do autor, esta é a coluna vertebral de qualquer ITS. Um sistema instrutivo poderoso não pode existir sem um poderoso conhecimento de domínio. Freqüentemente, e talvez tipicamente, os módulos especialistas em ITSs estão incompletos, e como uma conseqüência, eles podem prover só parte da instrução requerida no domínio.

3 O modelo Especialista Foi investigado o que leva para alcançar níveis de desempenho geralmente designado a gênios em áreas que variam de matemática a música. Ele determinou que nenhum gênio produziu um trabalho verdadeiramente excepcional sem pelo menos 10 anos de experiência. Presumivelmente, foram requeridos estes 10 anos de experiência para bastante conhecimento para acumular para permitir o desempenho excepcional. Tendo decidido que nós precisamos codificar no sistema um corpo grande de conhecimento, nós confiamos confronte o problema de como codificar aquele conhecimento. Há três opções basicamente. O primeiro é tentar achar algum modo de argumentar sobre o domínio que não requer nossa classificação de conhecimento que está por baixo da inteligência humana. Por exemplo, um sistema pode usar resolução de equações matemática, que produz por processos numéricos que humanos alcançam por processos simbólicos. SOPHIE, por exemplo, usado o simulador SPICE para circuitos eletrônicos. 'Este sistema executa seus cálculos através de técnicas de relaxamento matemáticas. Não tem conhecimento humano de correntes eletrônicas, mas ainda pode argumentar sobre eles os simulando com seu modelo matemático. 'Este primeiro tipo de modelo é chamado um "modelo de caixa preta."

4 O modelo Especialista A segunda possibilidade é basicamente passar pelas fases de padrões de desenvolvimento de um sistema especialista. Isto envolve extraindo conhecimento de um perito humano e inventando um modo de classificar e aplicar aquele conhecimento. A terceira possibilidade é ir um passo mais adiante e fazer módulo especialista uma simulação, a algum nível de abstração, do modo de uso humanos do conhecimento. Este é claramente a forma de maioria aproximação exigente para desenvolver um módulo especialista

5 Relação entre o módulo especialista para SE
Antes de analysing os tipos diferentes de módulos especialistas, vale a pena para considerar a relação aos sistemas especialistas de inteligência artificial. Há duas noções de sistemas um especialistas que estão ligados a uma certa metodologia e um segundo que são baseados em critérios. Uma metodologia de "engenharia do conhecimento" surgiu para sistemas especialistas. Quando recorrer a sistemas especialista, recorro a produtos desta metodologia sendo que qualquer sistema que alcança desempenho de alta qualidade poderia ser classificado como um sistema especialista. Assim, porque qualquer amável de módulo especialista em; ajuste ITS deve ser capaz de fazer uma tarefa proficiente complexa, seria considerado um sistema especialista por esta definição de critério-baseada. Em particular, modelos cognitivos seriam sistemas especialistas se eles modelarem problema resolvendo exigência complexo. A segunda-geração sistemas especialistas têm maior entendimento do domínio. A pessoa ainda não obtém o mesmo desempenho prático deste sistemas, mas eles são vistos freqüentemente como a esperança do futuro. São discutidos sistemas deste tipo debaixo da categoria de modelos de processo qualitativos, um tipo especial de modelo cognitivo. A figura a seguir ilustra algumas das relações fixas entre os conceitos que nós definimos : modelos cognitivos, caixa preta modela, sistemas especialistas definidos por metodologia, sistemas especialista definido por critério, modelos de processo qualitativos, e o módulo especialista de um ITS. Como pode ser visto, a definição critério-baseada de um sistema especialista está cercando para incluir tudo menos esses modelos de cognição que concentram em adquirir os detalhes de um pouco de comportamento correto suficientemente

6 Relação entre o módulo especialista para SE
Porém, deve ser mostrado que nenhum modelo cognitivo para datar ultrapassou sistemas especialistas desenvolvidos com a metodologia de Engenharia do Conhecimento. Somente, o constrangimento de ser verdade a comportamento humano - foi mais um fardo que um estímulo. Por definição, só podem ser construídos STI para domínios para qual sistemas especialistas (critério-definido) exista. Isto então posa uma pergunta interessante: Por que construir os tutores para ensinar tópicos para o qual nós já temos sistemas especialistas para executar a tarefa? Para esta pergunta temos 3 respostas: Satisfazer a necessidade por robustez. Estabelecer conhecimento pré-requisitado pelos Tutores. Ensinar parte de uma habilidade

7 Modelo Black Box As computações internas pelas quais provê este comportamento ou não estão disponíveis ou não são utéis para instrução. O exemplo clássico de um modelo de caixa preta é o trabalho original em SOPHIE, que usou um simulador eletrônico chamado SPICE e era pretendido que ensinava os estudantes como diagnosticar circuitos eletrônicos defeituosos. O tutor usou seu simulador para determinar a racionalidade de várias medidas que o estudante faria diagnosticando o circuito. Porque o simulador SPICE trabalhou resolvendo um jogo de equações através do raciocínio causal, não era possível SOPHIE explicar suas decisões em detalhes. A pessoa poderia imaginar um perito de caixa preta para o jogo de xadrez que achou movimentos bons procurando claramente em cima de milhões de sucessões de xadrez, aqueles peritos de xadrez não o faz. Um sistema poderia prover conselho sobre onde mover a peça, mas não pôde explicar por que.

8 Caixa de Vidro do Sistema Especialista
Uma segunda categoria de módulos de sistema especialistas são os sistemas expecialista que são gerados pela tradicional engenharia do conhecimento.A metodologia básica de construção desses sistemas especialistas para este caso envolve engenheiro de conhecimento que é um perito de domínio que podem identificar uma área de problema e sua extensão, enumerando e formalizando os conceitos fundamentais no domínio. Formula um sistema para implementar o conhecimento, e interativamente testar aquele sistema. Pela mesma natureza do empreendimento, o sistema especialista que emerge deste exercício vai ser mais ameno a ensinar que um modelo de caixa preta porque um componente principal deste sistema especialista é um articulado, representação do ser humano no conhecimento de perícias subjacentes no domínio. A metodologia de sistema especialista em suas variações foi muito prosperamente usada para agarrar uma gama extensiva de comportamentos intelectuais. Há sistemas especialistas para interpretação, predição, diagnose, desígnio, planejamento, monitorando, enquanto depurando, conserte, e controle.

9 Caixa de Vidro do Sistema Especialista
Esta definido como um diferencial entre o comportamento do perito e o comportamento do estudante, mas eles também estão definidos no perito como argumentando de processos. Um exemplo de uma regra é exibido na figura 2.7. Nota que esta regra recorre a entidades na estrutura interna do perito, como regras e metas. A caixa preta foi aberta. O processo de raciocínio atual usado por MYCIN desdobrar seu conhecimento, uma procura para trás exaustiva, não é o modo que a borda de conhecimento é desdobrada por humanos. A figura 2.8 ilustra uma fração daquela estruturado sistema de MYCIN

10 Modelo Cognitivo A meta da aproximação modelando cognitiva é desenvolver uma simulação do problema humano que resolve em um domínio no qual o conhecimento é decomposto em significante efetivamente, componentes de como humanos árido desdobrou de uma maneira de humana. O mérito desta aproximação é que nos dá o módulo especialista na forma que pode ser facilmente e profundamente comunicada ao estudante. Porém, há reais custos nesta aproximação. Em primeiro lugar, desenvolvendo modelos cognitivos é uma tarefa demorada e dificil mais constrangida que simplesmente sistemas especialistas em desenvolvimento. Felizmente, houve melhorias dramáticas durante os últimos 10 anos na habilidade de ciência cognitiva para desenvolver tal modelo. Estas melhorias foram o resultado pelo menos em parte de pedir emprestado conceitos do trabalho de sistemas especialista. Uma segunda dificuldade é aquela ocorrida as computações de modelos cognitivos podem ser totalmente computacionais caro. Felizmente, poder de computação crescente está diminuindo esta preocupação. São endereçadas técnicas adicionais por lidar com custos de computacional.

11 Modelo Cognitivo Outra complexidade é o assunto da quantia de detalhe ser incorporado em um modelo cognitivo. Muitos dos fatores que estão incorporado em algumas simulações psicológicas, como os mecanismos exatos de procura de memória a curto prazo, parecem irrelevantes para ensinar. Tais fenômenos fielmente modelando em um módulo especialista somam um fardo de computational desnecessário. A pergunta surge de qual componentes psicológicos são essenciais para propósitos de ensinar e que são revolta. Implementação. A analogia óbvia um programa especificado em uma linguagem de programação de alto-nível que não focaliza assuntos de implementação de máquina. Os melhores exemplares de sistemas de algoritmo-nível são os modelos de resolução de problemas Domínios como geografia onde a meta de seminário é carregar conhecimento declarativo na forma de um jogo de fatos apropriadamente organizado de forma que a pessoa pode argumentar. Conhecimento declarativo contrasta com conhecimento processual nisso é mais geral e revolta especializou para um uso particular.

12 Conhecimento Procedural
Nossa habilidade relativamente avançada para modelar o conhecimento processual do problema humano subjacente que provavelmente resolve muito à importação de idéias de sistemas especialistas. Quase uniformemente, o formalismo de representação padrão tem um sistema de regra-baseado da mesma maneira que em sistemas especialistas. Esta regra base aproxima do tutor LIS. O tipo dominante de regra baseada de objetos pegados de um sistemas a forma de sistemas de produção que provêem de problema humano. Embora há muitas variações em produção de modelos de sistemas, todos eles envolvem um jogo se-então de rege um funcionamento de fatos. A memória de funcionamento agrega algumas das limitações de memória a curto prazo básicas do humano. A produção rege com a captura de ciclo de reconhecer o ato, o caráter de básico de cognição humana. Um dos recentes avanços em produção modelos de sistemas foram um jogo de idéias por modelar o que aprende dentro destes modelos

13 Conhecimento Procedural
Um jogo exemplar de regras processuais, mostrado em Figura 2.9, representa a habilidade subtração de múltiplo-coluna subjacente que modelam de habilidades de subtração. Eles fazem a observação que o conhecimento subjacente é muito específico. Embora este conhecimento é derivado das propriedades básicas de adição, as regras atuais são bastante específicas a subtração e se revoltariam generalize a adição. Por exemplo, "assim nós temos regras sobre pedir emprestado em lugar de regras sobre levar, embora pedir emprestado e levar sejam baseado nas regras de abstrato de aritmética. A escolha de usar uma representação de conhecimento processual envolve decidindo se tal uma representação usar-específica do conhecimento é apropriada. É certamente o modelo apropriado no caso de habilidades de subtração humanas porque eles têm pouco para ver habilidades de adição.

14 Model Tracing No modelo de traçado nós tentamos colocar o comportamento de superfície do estudante resolvendo um problema em correspondência com uma sucessão de produções que estão incendiando no modelo interno. Esta correspondência pode ser usada para colocar uma interpretação em cima do comportamento de superfície do estudante. Claramente, a riqueza com que o comportamento do estudante pode ser interpretado traçará sobre a riqueza de instrução subseqüente. Em nossa própria pesquisa que tem um compromisso forte a avaliação imediata a função principal de tal forma, um rastro do modelo é prover avaliação a tempo em erros como fim para a comissão do estudante destes erros como possível. Embora é agradável para ser capaz interpretar um estudante está pensando a todo passo pela solução de problema, modelo de traçado cria várias demandas que são computacionalmente bastante estressante. A tensão principal deriva do modelo de estudante não deterministico. Tipicamente, a cada ponto há várias produções corretas ou incorretas que podem incendiar. A combinação de alguns camadas de focos de produção cria um espaço de milhares ou milhões de possíveis sucessões de focos de produção.

15 Model Tracing Administrando este espaço de possíveis interpretações é naturalmente mais fácil na presença de um traçado de comportamento rico de um estudante. Idealmente, se cada regra de produção tiver uma conseqüência observável, então os traçados não- deterministicos podem ser aparados abaixo de cada ciclo do sistema de produção. Provendo um rastro de comportamento rico cria uma demanda interessante no desígnio de interface. Porém, às vezes esforços para obter um rastro de comportamento rico podem conduzir a interações desajeitadas e artificiais. Por exemplo, em algum de nosso endeavours nós tentamos criar um rastro interrogando os estudantes sobre as intenções deles/delas a pontos de ambigüidade. Estudantes informam isto para ser uma característica aborrecendo e distrai de nossos tutores.

16 Criando um perito Muitos formalismos para módulos especialistas, inclusive sistemas de produção, podem ser muito caros em termos de tempo e espaço. Isto torna difícil a entregar instrução de seminário em máquinas. Um modo de lidar com este problema é executar todas as possíveis computações do perito com antecedência para um problema particular e os armazenar eficazmente em alguns esquema indexado de disco. - Método que nós chamamos "compilando o perito fora", foi usado com sucesso em algumas de nossas aplicações. O custo é que eles podem ensinar somente um conjunto específico de problemas nos quais o perito foi escolhido. A habilidade dinâmica para ensinar qualquer problema na qual o estudante poderia entrar está perdida. Porém, em algumas aplicações este intercâmbio pode ser bem demoradas

17 Conhecimento Declarativo
São derivadas as fraquezas e forças de representações de conhecimento processuais do fato que eles são usados especificamente. Em alguns exemplos pode ser desejado conhecimento declarativo mais generalizado. Nós queremos que os estudantes entendam os princípios básicos e fatos de um domínio em muitos casos e como geralmente argumentar com estes, mas não está preocupado que o conhecimento fique particularmente fáci para o estudante qualquer aplicação deste conhecimento. 'Estes são as situações que pedem representações de conhecimento declarativas. Umas das necessidades do ensino declarativo e o caso no domínio de diagnose médica,outra e a necessidade de ensinar nosso Tutor LISP para o qual nós criamos um livro de ensino especial para o conhecimento declarativo do conhecimento processual o Tutor LISP. Teria sido claramente melhor para ter estendido o Tutor LISP para cobrir o que está no livro de ensino. Na realidade, faz parte de nossa teoria geral de aquisição de conhecimento aquele conhecimento que tem que começar em uma forma declarativa antes de procedural.

18 Conhecimento Declarativo
O projeto de SCHOLAR era um exemplo de um projeto cuja meta era comunicar informação, neste caso sobre geografia americana. Era a convicção de Carbonell que a representação líquida semântica da base de conhecimento usou neste projeto estava perto da estrutura de conhecimento interna dos humanos. Esta convicção foi reforçada por uma quantia justa de trabalho experimental contemporâneo (por exemplo, Collins & Quillian, 1972). Figura 2.11 espetáculos uma fração da rede semântica com a que Carbonell estava trabalhando. Consiste em nodos que representam vários conceitos, como países e produtos, unidos por várias relações, como parte inteiro ou hierarquia de generalização, foram usadas 1 ligações de para definir certa conclusão fundamental que processa na rede. Por exemplo, o sistema a América porque o Santiago está no Chile e o Chile está na América do Sul. Subseqüente ao trabalho de Carbonell, representações de conhecimento com redes semânticas ficaram consideravelmente mais sofisticadas e evoluíram em armação e sistemas de esquemas. Porém, a idéia central permaneceu o mesmo. Nós queremos representações hierárquicas de conhecimento sentam estruturadas tal que podem ser definidos procedimentos de conclusão flexíveis na base de conhecimento. Note que, em contraste com representações processuais, a base de conhecimento está separada dos procedimentos de conclusão que são construídos neles.

19 Modelos de Processos Qualitativos
Uma terceira categoria de módulo especialista está relacionada o conhecimento que estão por baixo de nossa habilidade mental de simular e argumentar sobre processos dinâmicos. Modelos de raciocínio qualitativo estão em um estado de amadurecimento e comparado ao papel-básico. Um número notável de pesquisas enfoca o desenvolvimento desses modelos, mas há uma metodologia estabelecida quase não por usar este trabalho é o do projeto de SOPHIE e a necessidade de comunicar com estudantes a estrutura causal de um circuito eletrônico. Não está claro se modelos qualitativos realmente envolvem uma categoria de conhecimento fundamentalmente diferente de conhecimento processual e declarativo. Poderia ser discutido que as pessoas têm conjunto de conhecimento declarativo estrutura por representar o forte e função de vários dispositivos é um conjunto de procedimentos por ter argumentado sobre as interações causais entre estes dispositivos.

20 Assuntos de Pesquisa Básicos
Embora houve progresso dramático certamente em nossa compreensão de como construir o módulo especialista para um sistema de ensino, nós precisamos de uma grande transação pesquisa mais básica antes de construção de módulos especialistas pode progredir como um empreendimento de engenharia. Como nós vimos no trabalho em sistemas especialistas, há reais limitações usando algoritmos de inteligência artificial que progrediu sem preocupação por fidelidade cognitiva. Nós ainda precisamos aprofundar nossa compreensão de processos cognitivos humanos e como eles podem ser modelados. Por exemplo, teorias de aprender, em contraste com teorias de desempenho, têm que ainda ser integradas em sistemas de aprendizagem. A gama de tarefas para os modelos de estudante precisos, podem ser razoavelmente produzidos é relativamente estreita e consiste em tarefas que são tratados com algoritmos e aquele não envolva muito conhecimento mundial geral.

21 Assuntos de Pesquisa Básicos
Também, nossa compreensão da aprendizagem processa por qual conhecimento é adquirido ainda é bastante primitivo. Evidência disto é o fato que nenhum sistema ensino usa um modelo de aprendizagem ativamente em suas computações. Qualquer pedagogia precisa ser fundada rigorosamente em uma teoria de aprender. Relacionado a assuntos de aprender é os assuntos das origens de erros. Como é ilustrado no trabalho em BUGGY, a representação de conhecimento pode ser conectada de perto a possíveis erros. Atualmente, a maioria os construtores de tutor têm que investir quantias grandes de tempo que constrói catálogos de erros. Apressaria o desenvolvimento de tutores isto nós tivemos uma teoria ou teorias da origem de erros. Parece ser pequeno ponto de apoio do trabalho em inteligência artificial que não é nenhum cognitivismo, o qual motivou, se nós queremos avançar a meta de desenvolvimento de Tutores inteligentes. Há dois domínios em inteligência artificial que é exceções, porém,: modelos de processo qualitativos e idioma natural que processam para diálogos de seminário. Nossa necessidade para mecanismos nestes campos é tão grande que insistindo no processo cognitivo