1 / 51

Magalí Teresinha Longhi

Redes Bayesianas : tecnologia para inferir aspectos afetivos em sistemas computacionais . Magalí Teresinha Longhi. Profa . Magda Bercht (PGIE, 18/Mai/2012 ). Cenário interdisciplinar. Teorias: Piaget Vigotski. Interações em AVA. C. Afetiva. Teoria das emoções. Modelos afetivos.

keziah
Download Presentation

Magalí Teresinha Longhi

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Redes Bayesianas: tecnologia para inferir aspectos afetivos em sistemas computacionais Magalí Teresinha Longhi Profa. Magda Bercht (PGIE, 18/Mai/2012)

  2. Cenário interdisciplinar Teorias: Piaget Vigotski Interações em AVA C. Afetiva Teoria das emoções Modelos afetivos Modelo de Scherer Modelos de appraisal Redes Bayesianas

  3. Sumário PARTE 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

  4. PARTE 1 • Modelagem afetiva

  5. Modelos de emoção usadas na computação Modelo de Roseman 16 emoções Fonte: Rosemanet al.(1990)

  6. Modelos de emoção usadas na computação Modelo OCC 18 emoções (22 emoções) Fonte: Ortony, Clore e Collins (1988)

  7. Modelos de emoção usadas na computação Modelo de Scherer Scherer (1984a; 2000a, 2009) SNA (SNSim e SNPar) SNC SNC Evento Reações Fisiológicas Processo de Appraisal Sentimento Subjetivo (Suporte) Relevância Implicações Coping Significado (Monitor) SNS (Proces. Informações) SNC Expressão motora Tendência à ação (Executivo) (Comunicação)

  8. Modelos de emoção usadas na computação Diferença 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.

  9. Sensoriamento afetivo Detecção 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.

  10. Sensoriamento afetivo Reconhecimento 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.

  11. Sensoriamento afetivo Exemplos de detecção e reconhecimento de informações afetivas • Através das expressões facial e corporal • Facial ActionCoding 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)

  12. Sensoriamento afetivo Exemplos 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.

  13. Sensoriamento afetivo Exemplos de detecção de informações afetivas • Através da fala • Cahn (1990) - trabalho pioneiro • Detecção: fala. • Reconhecimento: Affect editor. • Grandjean, Banziger, Scherer (2006) • Detecção: fala. • Reconhecimento: modelo próprio.

  14. Sensoriamento afetivo Exemplos de detecção de informações afetivas • 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: WordNetAffect BR

  15. Sensoriamento afetivo Exemplos de detecção de informações afetivas • 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, desiresandintentions) • De Vicent e Pain (2002) • Detecção: modo de interação do aluno em um STI • Reconhecimento: modelo próprio (Affective Tutor)

  16. Sensoriamento afetivo Exemplos de detecção de informações afetivas • 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)

  17. Modelos de representação cognitiva Modelagem 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)

  18. Modelos de representação cognitiva Modelo Distribuído Russel e Norving (2004) 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)

  19. Modelos de representação cognitiva Modelo Simbólico Russel e Norving (2004) 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.

  20. Modelos de representação cognitiva Abstrações 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, Desirese Intention) • Lógica fuzzy • Modelo oculto de Markov • Rede bayesiana Se-então Teoriadas probabilidades Russel e Norving (2004)

  21. PARTE 2 • Raciocínio probabilístico através da Teoria de Bayes

  22. Vantagens das Redes Bayesianas • Expressa uma visão semântica do problema; • Apropriada para representar e raciocinar com a incerteza, característica inerente à dimensão afetiva; • Exploraaesparsidadedo relacionamento entre as variáveis (isto é, trata de variáveis sem evidência de correlação) • É eficiente do ponto de vista computacional, embora a distribuição de probabilidade possa crescer exponencialmente. Russel e Norving (2004)

  23. 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) . Russel e Norving (2004)

  24. Sintaxe e semântica das Redes Bayesianas • 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 (XiPais (Xi)). “A probabilidade de Xi , dado que conhecemos os pais de Xi“

  25. Sintaxe e semântica das Redes Bayesianas • Semântica de uma RB: ? ? A semântica da RB exemplo: P(A, B, C, D, E) = P(EC) P(DC) P(CA, B) P(B) P(A) Inferência de probabilidade para o caso: P(A B CD E) = P(EC)  P(DC)  P(CA, B) P(B) P(A) = 0,700,90 0,05  0,998  0,999 = 0,031405563 ( 3,14%)

  26. Sintaxe e semântica das Redes Bayesianas • 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 (sim, não) (presente, nãopresente) (V, F) K=14 514 = 6.103.515.625 entradas na TPC (muito forte, forte, equilíbrio, fraco, muito fraco)

  27. Softwares para implementar RB • HuginLite v.7.3 (HuginExpert A/S) • Netica v. 4.16 (Norsys Software Corp) • SEAMED v. 0.7 (Instituto de Informática/UFRGS). • MSBN (Microsoft Bayesian Network)

  28. PARTE 3 • Aplicação de Redes Bayesianas

  29. Desafios • Determinar qual fenômeno afetivo é significativo no processo de ensino e aprendizagem • Determinar os estados de ânimo significativos em AVA e como mapeá-los. • Elaborar o modelo afetivo do aluno. • Indicar uma abstração computacional que se ajusta à modelagem dos estados de ânimo. • Desenvolver o modelo da RB de forma implementar a rede semântica que define o modelo afetivo do aluno. • Ajustar a RB conforme as limitações impostas pela rede semântica ou pelo software escolhido.

  30. Desafio 1 – Fenômeno afetivo significativo Terminologia da afetividade Rosenberg (1998) É um padrão através do qual o sujeito percebe a realidade e conduz suas relações (intra e interpessoais) Scherer (2005) Pasquali; Azevedo e Ghesti (1997) 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. Estado de ânimo Traço de personalidade Fridja (1994) Damásio (1996) Forgas (2000) Scherer( 2005) Emoção Secundária ou Social Disposição afetiva Emoção de segundo plano Primária, Básica ou Utilitária 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. Ekman (1999) Damásio (1996) Scherer (2005) Reeve (2006)

  31. Desafios • Determinar qual fenômeno afetivo é significativo no processo de ensino e aprendizagem • Determinar os estados de ânimo que podem ser identificados em AVA e como mapeá-los. • Elaborar o modelo afetivo do aluno. • Indicar uma abstração computacional que se ajusta à modelagem dos estados de ânimo. • Desenvolver o modelo da RB de forma implementar a rede semântica que define o modelo afetivo do aluno. • Ajustar a RB conforme as limitações impostas pela rede semântica ou pelo software escolhido.

  32. Desafio 2 – Estados de ânimo 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) Alto controle Insatisfeito Satisfeito Desagradável Agradável Desanimado ANIMAÇÃO (É o estado de ânimo que movimenta o sujeito em direção aos objetivos) Animado Scherer (2005) Tran (2007) Baixo controle

  33. Desafios • Determinar qual fenômeno afetivo é significativo no processo de ensino e aprendizagem • Determinar os estados de ânimo que podem ser identificados em AVA e como mapeá-los. • Elaborar o modelo afetivo do aluno. • Indicar uma abstração computacional que se ajusta à modelagem dos estados de ânimo. • Desenvolver o modelo da RB de forma implementar a rede semântica que define o modelo afetivo do aluno. • Ajustar a RB conforme as limitações impostas pela rede semântica ou pelo software escolhido.

  34. Desafio 3 – Modelo afetivo do aluno (Bercht, 2001) Pasquali, Azevedo e Ghesti (1997) • Análise do padrão de ação do aluno nas funcionalidades do AVA Pasqualotti, 2008 Orengo; Buriol e Coelho, 2007 Kantrovitz, 2003 Comportamento observável Mineração de sentimento em texto IFP Bercht, 2001 “Appraisal cognitivo” (Processamento de informações) Traços de personalidade Subjetividade afetiva Fatores motivacionais Confiança Esforço Independência Estados de ânimo Scherer, 2005 Sistema Fisiológico Expressão motora Sentimento subjetivo (Subsistemas de regulação, de comunicação, de preparação para a ação e de monitoramento interno) Motivação Preparação e direcionamento da ação Comunicação da reação e intenção de ação ou comportamento Regulagem ou ajustes do corpo Monitoramento dos estados internos

  35. Desafios • Determinar qual fenômeno afetivo é significativo no processo de ensino e aprendizagem • Determinar os estados de ânimo que podem ser identificados em AVA e como mapeá-los. • Elaborar o modelo afetivo do aluno. • Optar por uma abstração computacional que implemente a modelagem dos estados de ânimo. • Desenvolver o modelo da RB de forma implementar a rede semântica que define o modelo afetivo do aluno. • Ajustar a RB conforme as limitações impostas pela rede semântica ou pelo software escolhido.

  36. Desafio 4 – Opção por rede semântica IFP 14 fatores FP importantepara AVA Estados de ânimo FP removido Fatores Motivacionais (C, E, I) Subjetividade em texto 11 Variáveis comportamentais

  37. Desafios • Determinar qual fenômeno afetivo é significativo no processo de ensino e aprendizagem • Determinar os estados de ânimo que podem ser identificados em AVA e como mapeá-los. • Elaborar o modelo afetivo do aluno. • Optar por uma abstração computacional que se ajusta à modelagem dos estados de ânimo. • Projetar o modelo da RB de forma implementar a rede semântica que define o modelo afetivo do aluno. • Ajustar a RB conforme as limitações impostas pela rede semântica ou pelo software escolhido.

  38. Desafio 5 – Modelo de Rede Bayesiana NETICA v.4.16 Problema de memória 15.625 regs. 125 regs. Framework BFC (BehavioralFactorCalculation) 125 regs. Framework AWM (Affective Word Mining)

  39. Desafio 5 – Modelo de Rede Bayesiana

  40. Desafios • Determinar qual fenômeno afetivo é significativo no processo de ensino e aprendizagem • Determinar os estados de ânimo que podem ser identificados em AVA e como mapeá-los. • Elaborar o modelo afetivo do aluno. • Optar por uma abstração computacional que se ajusta à modelagem dos estados de ânimo. • Desenvolver o modelo da RB de forma implementar a rede semântica que define o modelo afetivo do aluno. • Ajustar a RB conforme as limitações impostas pela rede semântica ou pelo software escolhido.

  41. Desafio 6 – Ajustes na Rede Semântica RB implementada - Framework MIM (MoodInferenceMachine) NETICA v.4.16 15.625 regs. 125 regs. 125 regs. Inferência da predominância dos fatores de personalidade Inferência dos estados de ânimo

  42. ROODAafeto Esquema geral ROODA Framework BFC (BehavioralFactorCalculation) Framework AWM (Affective Word Mining) Framework MIM (MoodInference Machine)

  43. ROODAafeto Framework AWM(Affective Word Mining)

  44. ROODAafeto Framework AWM(Affective Word Mining) Pasqualotti (2008) WordAffectBR 289 palavras Longhi, Behar, Bercht e Simonato (2009a) 2194 palavras no léxico afetivo 2987 palavras

  45. ROODAafeto Framework BFC(BehavioralFactorCalculation) Esforço Confiança Independência

  46. ROODAafeto Dinâmica das interfaces

  47. ROODAafeto Dinâmica das interfaces

  48. Contribuições Caminhos trilhados • A pesquisa pressupôs uma reflexão sobre a questão da afetividade implicada na interação no âmbito do AVA ROODA. • Essa reflexão motivou a implementação da ferramenta computacional, o ROODAafeto. • O ROODAafetomapeia os estados de ânimo (animado/desanimado e satisfeito/insatisfeito). • A expectativa é a de que essa ferramenta possa auxiliar o professor no que se refere ao acompanhamento do percurso cognitivo-afetivo do aluno.

  49. Contribuições Outras contribuições • Estudo e discussão de qual fenômeno afetivo é representativo nas questões da Educação e possível de ser reconhecido em AVAs. • Adaptação do modelo dos fatores motivacionais proposto por Bercht (2001) e inspirada em delSoldato e duBoulay (1995). • Desenvolvimento do framework AWM (Affective Word Mining). • Construção do acervo de símbolos linguísticos com conotação afetiva. • Utilização de Rede Bayesiana (RB) para o modelo computacional de inferência dos estados de ânimo. • 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.

  50. Contribuições Perspectiva de novas investigações • Inclusão de outras funcionalidades do AVA ROODA para o cálculo dos fatores motivacionais. • Incorporação de novas características no modelo afetivo do aluno: • Estilo de aprendizagem • Atitude social (recurso de sociometria) • Utilização de modelo computacional híbrido para implementar o modelo afetivo do aluno. • Discussões nas áreas: • Educação: extensão do mapeamento de aspectos afetivos para os formadores. • Educação: reflexões sobre os modos de ser professor quando de posse de informações afetivas. • Psicologia: validação dos autorregistros sobre os aspectos afetivos.

More Related