Podem as máquinas inferir e se adaptar às emoções e personalidade do estudante?
As emoções e personalidade estão diretamente ligadas e interferem na aprendizagem. E esta relação entre estados afetivos e aprendizagem é complexa. Por exemplo, sabemos que algumas emoções negativas, como a confusão, estão positivamente correlacionadas com a aprendizagem, fazendo com que os estudantes busquem o conhecimento e mantenham o foco e a atenção. No entanto, se essa emoção não for adequadamente regulada e persistir por muito tempo, ela pode resultar em frustração e tédio, interferindo negativamente na motivação e aprendizagem do estudante. Ambientes inteligentes de aprendizagem que detectam automaticamente os estados afetivos do estudante podem auxiliá-lo a regular a sua emoção. E, além das emoções, essa regulação deve ser adaptada ao conhecimento do estudante e também aos seus traços de personalidade. Este capítulo de livro objetiva apresentar uma visão geral sobre a área que denominamos Computação Afetiva aplicada à Educação, que envolve os trabalhos que detectam e respondem às emoções e, também, trabalhos que inferem e usam a personalidade a fim de maximizar a aprendizagem dos estudantes e proporcionar uma experiência de aprendizagem mais agradável. Mais especificamente, focamos em como as pesquisas têm considerado dois estados afetivos em específico: as emoções e traços de personalidade.
Objetivos Educacionais:
- Conhecer as teorias de emoção e personalidade usadas computacionalmente para personalizar as interações em ambientes educacionais;
- Entender como os ambientes de aprendizagem podem inferir e modelar as emoções e traços de personalidade do estudante e conhecer as pesquisas científicas nesta direção;
- Compreender como os ambientes de aprendizagem podem se adaptar às emoções e personalidade dos estudantes e como essa adaptação é realizada.
Índice:
1. Emoções, Estados Afetivos e Computação
Já deve ter acontecido com você ou talvez com um amigo próximo. A temida prova de matemática. Você estudou o conteúdo, você resolveu muitos exercícios, revisou a matéria. Você está muito ansioso! Percebe todas as manifestações corporais dessa ansiedade: está suando, respiração curta, não consegue ficar parado, fica batendo a caneta na mesa (para desespero do colega ao lado), as pernas mexem involuntariamente (agora para desespero do colega da frente). E, então, o pior acontece! Você esqueceu de tudo! Deu branco! Ca-tás-tro-fe! Sem contar que o colega da frente e ao lado juram inimizade para toda a vida.
Você saiu da prova desolado, certo? E ficou imaginando… “Que droga de emoções! Se não fossem elas, eu teria ido bem nessa prova. Para que elas servem? Só para atrapalhar!” E você não foi o único a já ter pensado desta forma! Não estamos falando aqui de todos os colegas que tiveram “branco” no dia da prova de matemática, mas de muitos cientistas e filósofos, inclusive.
Durante muitos anos, na sociedade ocidental, as emoções, e outras manifestações afetivas, foram negligenciadas por pesquisadores das ciências humanas e até mesmo pela Filosofia. Isso se deve a uma visão dualista sobre razão e emoção que persistiu durante séculos. A razão, ou melhor, os processos cognitivos, tais como tomada de decisão, resolução de problemas, raciocínio, eram considerados superiores e funcionando separadamente da emoção. E isso vem de longa data. Considera-se que essa visão é uma herança do filósofo Descartes, que acreditava que na alma, a parte divina, residia todos os processos cognitivos, enquanto no corpo as emoções e instintos mais básicos. Desta forma, o melhor de nós era a alma e, por consequência, a cognição. Já as emoções, negligenciáveis!
Hoje em dia, é quase o oposto. As emoções e vários fenômenos afetivos ganharam os holofotes e vários livros, periódicos e TED talks podem ser encontrados sobre o tema. Muito se deve a alguns trabalhos precursores de neurocientistas e cientistas da Psicologia, que trouxeram esse tema à Ciência, por meio de publicações científicas (LANE; NADEL, 1999; DALGLEISH; POWER, 2000), e ao grande público, por intermédio de livros (DAMASIO, 2012; GOLEMAN, 1995). Não que outros cientistas não tivessem anteriormente tentado chamar atenção da comunidade científica sobre este fato. Piaget (1989) e Vygotsky (1994) já haviam escrito sobre o assunto. Mas foi apenas recentemente que ele foi publicado.
Esse interesse também se espalhou para outras áreas, inclusive a computação. A lógica é simples! Se as emoções são tão importantes para o ser humano, seja em processos cognitivos ditos inteligentes, quanto na interação, então ela deve também ser considerada por máquinas que querem ser mais inteligentes ou interagir de forma mais natural com humanos. E assim nasceu a área de pesquisa Computação Afetiva! Rosalind Picard, do Massachusetts Institute of Technology (MIT), é considerada a fundadora da área, na segunda metade da década de 90. Na época, ela escreveu o livro Affective Computing (PICARD, 1997), extremante difundido e chamando atenção à área.
Picard (1997) define Computação Afetiva como “computação que está relacionada com, surge das, ou deliberadamente influencia as emoções”. Segundo a pesquisadora, para que um sistema computacional seja considerado afetivo, ele deve possuir ao menos uma das seguintes capacidades: (1) detectar as emoções do usuário; (2) expressar emoções; (3) possuir emoções (síntese de emoções).
ATIVIDADE: TED TALK de Rosalind Picard
Em junho de 2011, Rosalind Picard apresentou esse interessante TED Talk sobre a área de Computação Afetiva, em um TEDx San Francisco. TED é uma associação sem fins lucrativos devotada a disseminar ideias por meio de curtas e poderosas palestras (18 minutos ou menos), TED talks, apresentadas em conferências anuais, organizadas pelo TED. Os TED talks eram originalmente na área de Tecnologia, Entretenimento e Design (por isso o nome TED), mas hoje englobam a maioria dos tópicos (desde ciência, negócios e até questões globais). Os TEDx são eventos no formato TED organizados de forma independente por pessoas, organizações, etc., com uma licença gratuita da TED. Assista esse TED Talk para uma melhor visão da área. Se quiser ver outros, veja uma playlist com os TED Talks mais populares de todos os tempos.
Neste capítulo de livro nós vamos focar nos sistemas computacionais que detectam automaticamente os estados afetivos do aprendiz e respondem adequadamente de forma a tornar a sua aprendizagem mais efetiva e sua experiência mais agradável e interessante. Por exemplo, um ambiente de aprendizagem que detecta automaticamente e responde às emoções do estudante pode motivá-lo, modificar suas atitudes em relação à matemática e aumentar seu desempenho (ARROYO et al., 2009; D’MELLO et al., 2008).
Embora a área de Computação Afetiva se interessava inicialmente mais pelas emoções (talvez por essas serem mais conhecidas), atualmente ela investiga vários estados (ou fenômenos) afetivos, tais como estado de ânimo (ou humor), traços de personalidade, atitudes, entre outros fenômenos cognitivo-emocionais, por exemplo a confusão (ver Quadro Estados Afetivos X Emoções). Neste capítulo de livro, nós iremos focar nos trabalhos de pesquisa envolvendo emoções e traços de personalidade. Há dois motivos para fazermos isso. Primeiramente, falando honestamente, porque trabalhamos com esses estados afetivos e, por isso, temos mais conhecimento sobre as pesquisas que os envolvem. Mas, também, porque acreditamos que esses são os estados afetivos mais considerados e usados nos trabalhos na área de Computação Afetiva e Informática na Educação. Também ousaremos criar a expressão “Computação Afetiva aplicada à Educação” para denominar esta nova e interessante área dos trabalhos que consideram estados afetivos em ambientes voltados à aprendizagem.
Estados Afetivos X Emoções
Estado afetivo (ou fenômeno afetivo) é um termo mais abrangente para designar um estado mental afetivo. Scherer (2000, 2005) classifica os estados afetivos em emoções, humor, postura interpessoal, atitudes e disposições de afeto. As emoções são breves, intensas e são disparadas pela avaliação de um evento. O estado de ânimo (humor), por outro lado, é um estado afetivo difuso, que consiste em mudanças no sentimento subjetivo, possui baixa intensidade, mas longa duração, e não tem causa aparente. A postura interpessoal é a postura afetiva adotada por um indivíduo em relação a um outro indivíduo em uma determinada situação. As atitudes se referem a preferências e predisposições de indivíduos para um objeto ou outro indivíduo. Gostar de bichos de estimação peludos é um exemplo de atitude. As disposições de afeto estão relacionadas à tendência de uma pessoa de experimentar certo humor ou de reagir de uma certa forma emocional e estão relacionadas com os traços de personalidade.
2. Emoção
A introdução deixou você com um gostinho de “quero mais”? Vamos começar falando então das emoções. Mais especificamente, nesta seção vamos tentar entender como as emoções podem ser consideradas por sistemas computacionais para potencializar o processo de aprendizagem.
Mas, antes, precisamos primeiramente entender o que é uma emoção. Possivelmente, a emoção é um dos estados afetivos mais considerados nos trabalhos de informática na educação. Mas existe alguma confusão no assunto e, muitas vezes, as pessoas misturam as emoções com outros estados afetivos (por exemplo, estados de ânimo) ou até mesmo um componente delas (sentimento). No dia a dia, não há problema em sermos um pouco descuidados com os termos que usamos, mas na Ciência não devemos! É objetivo da Ciência gerar conhecimento (sobre como as coisas do mundo funcionam ou sobre novas coisas que construímos) e para isso precisamos ser bem precisos sobre o que estamos nos referindo.
Como vimos na Introdução, a emoção é conceitualmente um tipo de estado afetivo (ou fenômeno afetivo), assim como o estado de ânimo (humor). Embora as emoções sejam estudadas desde a Grécia Antiga (SCHERER, 2000), não há ainda consenso entre os pesquisadores em Ciências Sociais sobre o que é uma emoção (SCHERER, 2005). Scherer, um pesquisador suíço que segue uma abordagem psicológica cognitivista, bastante reconhecido pela sua pesquisa sobre emoções tanto na comunidade científica da psicologia cognitiva quanto na de computação afetiva (ele trabalha nas duas áreas), define emoção como “um episódio de mudanças sincronizadas e inter-relacionadas nos estados de todos ou da maioria dos cinco componentes do subsistema do organismo em resposta à avaliação de um evento de estímulo interno ou externo como sendo de grande importância para um organismo” (SCHERER, 2005). As emoções se diferem de outros estados afetivos principalmente por sua duração, intensidade e pela sua causa aparente. As emoções são breves (possuem curta duração), intensas e são disparadas pela avaliação de um evento (SCHERER, 2000). Além disso, emoções possuem valência (positiva ou negativa) (ORTONY et al., 1988) e são intencionais (FRIJDA, 1994), ou seja, são direcionadas a um objeto (ou pessoa). Se um aluno está frustrado com sua nota em uma avaliação, essa nota é o objeto intencional da frustração do aluno. Nesta definição, também podemos observar que Scherer define emoção como resultado de vários componentes, descritos na Tabela a seguir.
| Componente Emocional | Função |
|---|---|
| Componente cognitivo (appraisal) |
Avaliação de objetos e eventos |
| Componente neurofisiológico (mudanças corporais) |
Regulação |
| Componente motivacional (tendência à ação) |
Preparação e direção da ação |
| Componente de expressão motora (expressão vocal e facial) |
Comunicação da reação e da intenção comportamental |
| Componente de sentimento subjetivo (experiência emocional) | Monitoramento do estado interno e da interação do organismo com o ambiente |
Esta visão da emoção como sendo a manifestação de vários componentes do organismo é bem aceita atualmente na comunidade científica de Ciências Sociais (SCHERER, 2005). Segundo essa visão, sentimento não pode ser confundido com emoção, uma vez que esse representa apenas um componente em específico da emoção, denotando o processo de experiência emocional subjetiva.
Dependendo da linha teórica que os pesquisadores seguem, eles se dedicam a estudar um desses componentes da emoção. Por exemplo, psicólogos comportamentais se interessam mais especificamente pelo componente de expressão motora. Esse é o caso do Paul Ekman, que se interessa particularmente pela expressão facial de emoções básicas. Os teóricos que defendem o modelo de emoções básicas acreditam que existe um conjunto de emoções (geralmente seis emoções, como raiva, medo, surpresa, alegria, tristeza e nojo) que são universais, ou seja, possuem o mesmo padrão comportamental e expressivo de reações (EKMAN, 1999; PLUTCHIK, 1980). Essas emoções teriam surgido durante o curso da evolução humana, como estratégias adaptativas de resposta emocional (EKMAN, 1994).
As seis emoções básicas
Baseado no modelo de emoções básicas, Ekman desenvolveu, juntamente com W. Friesen (1978), o EMFACS, uma versão emocional do conhecido modelo FACS (Facial Action Coding Systems). FACS caracteriza as aparências faciais causadas por contrações musculares, que são chamadas de Action Units (AU). Por exemplo, a AU1 representa o movimento de levantamento da região interna das sobrancelhas. As AUs combinadas representam todas as expressões faciais possíveis. O EMFACS mapeia quais as AUs estão presentes em cada uma das emoções básicas e foi empregado em trabalhos de computação afetiva que buscavam detectar as emoções por expressões faciais exibidas em fotos ou capturadas em webcam (OLIVEIRA; JAQUES, 2008).
Por outro lado, os pesquisadores em psicologia cognitiva têm se interessado mais especificamente pelo componente cognitivo das emoções (SCHERER, 1999; ARNOLD, 1960; LAZARUS, 1991). Esse componente é responsável pelo appraisal (termo que poderia ser traduzido livremente como “apreciação” ou “avaliação”), nome dado à avaliação cognitiva de situações e eventos antecedentes a uma emoção (SCHERER, 1999). Ao perceber um estímulo, o cérebro executa uma avaliação cognitiva, o appraisal, produzindo imediatamente uma tendência à ação em relação a objetos e eventos presentes (ou supostamente presentes) no estímulo (ARNOLD, 1960). Desta forma, as emoções e sua intensidade dependem e são disparadas e diferenciadas por processos cognitivos de avaliação do valor ou do significado emocional de uma situação (SCHERER, 1999). Scherer (1999) atribui a Arnold (1960) o uso do termo appraisal pela primeira vez e que Lazarus (1966) foi quem teve uma influência mais direta na abordagem hoje denominada “teoria de appraisal”.
Para que você possa entender de forma mais concreta o significado de appraisal, vamos ver um exemplo ilustrativo. Uma professora nos contou que ao entregar a prova corrigida a dois alunos, Marcos e Paula, eles tiveram reações opostas, embora os dois tivessem tido a mesma nota, que era uma nota próxima de 9 (sobre 10). Marcos ficou muito contente com seu desempenho. A professora podia notar, pelas suas expressões faciais e corporais, que ele estava alegre, mesmo que surpreso, com a sua nota. Paula, que era muito exigente consigo mesma e geralmente tirava notas ótimas, ficou visivelmente decepcionada com o resultado daquela avaliação.
Você deve estar se perguntando: “então cada pessoa tem uma experiência diferente para cada situação e não tem como prever isso?”. De modo simplificado, podemos dizer que existem padrões de avaliação cognitiva que são “instanciados” de acordo com crenças, atitudes, valores morais de um indivíduo e com a situação que essa pessoa experimenta. São esses padrões de avaliação cognitiva (chamados de dimensões ou critérios por Scherer) que os modelos de appraisal buscam identificar.
Por exemplo, segundo o modelo OCC (ORTONY; CLORE; COLLINS, 1988), que é um dos modelos mais difundidos na comunidade de pesquisa em Computação Afetiva, o processo de appraisal engloba a avaliação de três possíveis aspectos do mundo: eventos, agentes e objetos. Especificamente, as consequências de eventos são avaliadas de acordo com a sua desejabilidade, ou seja, se promovem ou impedem os objetivos e preferências de alguém. Assim, o modelo OCC define que alegria ocorre quando as consequências de um evento promovem seus objetivos. Por outro lado, as emoções satisfação e frustração surgem quando uma pessoa tem a confirmação da realização (satisfação) ou confirmação de não realização (frustração) de um evento esperado com consequências desejáveis.
Para entender melhor isso, vamos retomar o exemplo dos alunos Marco e Paula. Por exemplo, digamos que Paulo tenha o objetivo de agradar ao professor e aos seus pais. Obter uma boa nota é um evento desejável (tem como consequência possível agradar aos pais) e irá, provavelmente, disparar a emoção alegria. Essa foi uma das razões para Marco ter sentido alegria. Paula experimentou frustração porque esperava obter nota máxima e obteve uma nota próxima de 9 (evento não realizado).
Outros dois modelos de appraisal conhecidos são o modelo estrutural de Lazarus (1991) e o modelo Multi-level Sequential Check de Scherer (2001).
Mas agora que vimos os conceitos básicos sobre emoção, vamos falar dos trabalhos de Computação Afetiva aplicada à Educação interessados nas emoções do estudante de forma a maximizar a sua aprendizagem. Aqui, vamos classificar os trabalhos em dois principais tipos: (1) ambientes que detectam automaticamente as emoções do estudante; (2) ambientes que buscam se adaptar às emoções dos estudantes de alguma forma. Embora seja objetivo final da maioria das pesquisas tratar do loop afetivo, ou seja, os sistemas automaticamente detectam as emoções do estudante com o objetivo de usá-las para adaptar as suas estratégias de interação e aprendizagem, a maioria dos trabalhos trata esses temas separadamente devido à sua complexidade. Nós também acreditamos que esta separação vai ajudar você, leitor(a), a compreender melhor os trabalhos.
CINECLUBE: Divertida Mente (Inside Out)
(NETFLIX e YouTube)© Disney Pixar
Vamos começar então com os trabalhos que detectam as emoções, uma vez que, para que os ambientes de aprendizagem façam qualquer adaptação, eles precisam primeiramente conhecer os estados afetivos do estudante. Embora o sistema sempre possa explicitamente pedir ao aluno que relate a sua emoção (autorrelato), trataremos aqui de trabalhos que buscam realizar a detecção de forma automática. Você deve estar se perguntando: quais as formas de detecção automática das emoções por sistemas computacionais?
As emoções do usuário podem ser detectadas pelas seguintes fontes: (i) voz (prosódia); (ii) texto (diálogo, mensagens, posts); (iii) comportamento observável, isto é, as ações do usuário na interface do sistema (por exemplo, opções escolhidas, erros e acertos de exercícios, pedido de ajuda, velocidade de digitação, etc.); (iv) expressões faciais e movimento dos olhos (eyetracking); (v) sinais fisiológicos (batimentos cardíacos, eletromiograma – tensão muscular, condutividade da pele, respiração); (vi) ondas cerebrais (eletroencefalograma – ECG); (vii) expressão corporal. Embora as ondas cerebrais possam ser classificadas como um tipo de sinal fisiológico, optamos por classificá-las em um grupo diferenciado, pois os trabalhos em ECG são mais recentes.
Rosalind Picard e seu grupo de pesquisa em Affective Computing do MIT Media Lab são precursores nos trabalhos de reconhecimento de emoções por sinais fisiológicos (PICARD; VYZAS; HEALEY, 2001). Rosalind e seu grupo criaram vários equipamentos capazes de detectar emoções por meio do batimento cardíaco, condutividade elétrica da pele e dos músculos e respiração. Uma das vantagens do reconhecimento de emoções por sinais fisiológicos é que essa é uma forma de reconhecimento emocional inumana, ao contrário da voz e da face. Assim, um estudante dificilmente conseguiria controlar, por exemplo, seus batimentos cardíacos para enganar um robô professor que detecte suas emoções. Por outro lado, os equipamentos são caros e podem ser intrusivos; embora esses equipamentos estejam cada vez menores e integrados a outros dispositivos do nosso dia (computação vestível), além de cada vez mais acessíveis. Um exemplo é o Apple Watch, da Apple, que mede os batimentos cardíacos do usuário.
Uma segunda fonte de dados é o comportamento observável, ou seja, toda ação realizada pelo estudante na interação com o ambiente educacional. Isso envolve, por exemplo, pedidos de ajuda, tempo de resposta, acertos e erros dos exercícios resolvidos, entre outros. Os pesquisadores têm usado duas abordagens diferentes para detectar as emoções a partir desses dados. Uma forma é usá-los juntamente com outras informações do estudante, tais como traços de personalidade, motivação, objetivos, para buscar inferir o appraisal, usando um modelo psicológico cognitivista (por exemplo, o OCC, explicado anteriormente). Esta abordagem foi empregada pelos trabalhos de Conati, que usou redes bayesianas para esta inferência (ZHOU; CONATI, 2003; CONATI, 2011) e Jaques, que usou raciocínio BDI (JAQUES; VICARI, 2007; JAQUES, 2008). Esses dois trabalhos se basearam no modelo OCC. Uma abordagem mais recente usa mineração de dados para buscar associação entre padrões de comportamentos do estudante e emoções, sem usar um modelo psicológico. Baker (2010) foi um dos precursores na mineração de dados educacionais para detectar emoção e outros estados afetivos.
Uma terceira fonte de dados são as expressões faciais. Existem dois métodos principais neste caso. O método mais usual é treinar algoritmos de aprendizagem de máquina supervisionados (redes neurais, geralmente) para detectar emoções, usando para treinamento uma base de dados anotada, que pode ser de fotos ou de vídeos. Leite et al. (2010) detectam o sorriso dos usuários jogando xadrez com o robô iCat, usando um aplicativo comercial. Um segundo método para detectar emoções pelas expressões faciais é baseado no modelo EMFACS do Paul Ekman. No lugar de detectar as emoções diretamente, busca-se detectar as AUs, para então verificar qual emoção é expressa a partir da combinação de AUs observadas. Esta segunda abordagem foi empregada por Oliveira e Jaques para reconhecer emoções por meio das imagens da webcam do usuário (OLIVEIRA; JAQUES, 2008).
Envolvendo o movimento dos olhos, D’Mello et al (2012) desenvolveram um STI que busca promover o engajamento do aluno, procurando agir de forma dinâmica ao tédio e à falta de dedicação desses alunos. O tutor utiliza um eyetracker comercial que, ao identificar esses comportamentos, procura trazer o foco do aluno utilizando um agente pedagógico que exibe diálogos para reorientar o aluno. Mais recentemente, Natasha Jaques et al. (2014) usaram eyetracking para detectar tédio e curiosidade.
As emoções também podem ser reconhecidas por voz (prosódia) e vocalizações não linguísticas (risos, grito, etc.) e pelo conteúdo do texto. Isso é bastante útil para ambientes de aprendizagem que dialogam com o aluno. Geralmente, os melhores resultados são obtidos pelo conteúdo textual ou quando as duas fontes de dados são integradas (FORBES-RILEY; LITMAN, 2004). Por exemplo, Forbes-Riley e Litman (2004) usam tanto voz quanto características do texto do diálogo para detectar a valência emocional durante o diálogo do ITSPOKE com o estudante.
As emoções também podem ser reconhecidas por diversas e diferentes fontes de dados integradas. Quando esse é o caso, estamos falando de detecção multimodal de emoções. A multimodalidade é almejada como sendo a forma mais efetiva de detecção de emoções (CALVO; D’MELLO, 2010) e observamos um crescente interesse na comunidade nessa forma de detecção. O trabalho de Burleson e Picard (2007) envolveu a detecção multimodal das emoções do estudante em uma situação de aprendizagem (treinamento de como resolver o problema da Torre de Hanoi).
Embora esta seção se chame Emoções, nem todos os trabalhos apresentados até aqui detectam exclusivamente emoções e poucos detectam emoções básicas. Para sermos mais exatos, deveríamos ter intitulado esta seção de estado afetivo, mas optamos por não o fazer para não confundir com a próxima seção sobre Personalidade, já que disposições de afeto (incluindo personalidade) são também um tipo de estado afetivo. Na verdade, houve uma espécie de migração dos trabalhos de Computação Afetiva aplicada à Educação das emoções básicas (como alegria, tristeza, surpresa, medo, etc.) para emoções não básicas (por exemplo, tédio, frustração, etc.) e estados cognitivo-afetivos mais relacionados à aprendizagem (tais como flow, curiosidade, etc.). Isso aconteceu porque a comunidade estava notando que as emoções básicas aconteciam pouco em situações de aprendizagem. Isso foi formalmente demonstrado pelo artigo publicado por D’Mello e Calvo (2013). Eles mostraram que as emoções não básicas aconteciam cinco vezes mais que as emoções básicas.
Apresentamos até aqui uma visão geral das modalidades de detecção de emoções e vimos alguns exemplos de trabalhos conhecidos da comunidade de pesquisa em Computação Afetiva aplicada à Educação. Vamos ver agora o outro lado do laço afetivo e tentar entender o que os trabalhos de pesquisa têm realizado para responder às emoções dos estudantes de forma a tornar sua aprendizagem mais efetiva ou enriquecer sua experiência de aprendizagem.
Neste caso, a primeira pergunta que nos fazemos é como responder às emoções dos estudantes? Para isso, precisamos saber como elas interferem na aprendizagem e também como a aprendizagem gera emoções. Entendendo estas relações, podemos determinar a melhor forma de regular as emoções dos estudantes.
Os primeiros trabalhos, embora não se classificavam especificamente como de Computação Afetiva, já buscavam expressar emoções, por intermédio de Agentes Pedagógicos Animados (APAs), de forma a engajar o estudante e fornecer uma comunicação mais antropomórfica. Os APAs são agentes (software inteligente) representados por um personagem animado que interage com os usuários por meio de expressões faciais e gestuais e diálogo. Nos primeiros trabalhos envolvendo APAs, os agentes mostravam emoções como uma forma de interação mais natural. Esta expressão de emoções acontecia para situações prototípicas (por exemplo, acerto e sucesso nas tarefas) (JOHNSON; RICKEL; LESTER, 2000; LESTER et al., 1997; PAIVA; MACHADO, 1999) e não era adaptada às características individuais dos estudantes, tais como suas próprias emoções, motivação, etc.
Interação entre humano e um agente animado com personalidade e expressão de emoções, criado pelo projeto SEMAINE
Já em uma segunda fase, os trabalhos buscavam se adaptar de forma individualizada às emoções dos estudantes, detectadas automaticamente (por uma das formas que vimos anteriormente). Esta adaptação era geralmente realizada buscando regular as emoções dos estudantes de forma a extinguir emoções negativas e promover as emoções positivas (JAQUES; VICARI; 2007; ARROYO et al., 2009; BURLESON; PICARD, 2007). Isso porque, nessa época, os estudos da Psicologia da Educação, nos quais os pesquisadores da Computação Afetiva se baseavam, buscavam responder questões mais genéricas sobre quais emoções interferem positivamente ou negativamente em processos cognitivos (por exemplo, memória, tomada de decisão, etc.) (IZARD, 1984), e como evitá-las ou promovê-las, assim como motivar os estudantes (RYAN; DECI, 2000; DWECK, 1986).
O crescente interesse pelo papel das emoções nos processos cognitivos e na aprendizagem intensificou as pesquisas na área, gerando modelos teóricos mais elaborados sobre a interação entre emoção e aprendizagem. Em alguns casos, esses modelos são enriquecidos pelos resultados das pesquisas em Computação Afetiva aplicada à Educação. Graesser e D’Mello (2011), por exemplo, estão interessados no papel das emoções na aprendizagem profunda (deep learning), tais como resolução de um problema complexo, diferentemente da memorização de definições (shallow learning). A aprendizagem profunda ocorre quando há uma discrepância entre o conhecimento exigido para realizar a tarefa e o conhecimento que o estudante tem, gerando um desequilíbrio cognitivo. Quando o estudante se encontra na fase de desequilíbrio, emoções mais negativas acontecem; no entanto, emoções positivas emergem quando o equilíbrio é recuperado. Emoções negativas que acontecem no desequilíbrio, como confusão, estão relacionadas a uma aprendizagem profunda. Graesser e D’Mello (2011) diferenciam esse “círculo virtuoso” de cognição e afeto do “círculo vicioso”, em que o aluno experimenta repetidamente falha e quando a confusão leva a frustração, o que pode resultar em tédio e desengajamento. Em Graesser e D’Mello (2011), eles descrevem uma versão afetiva do Sistema Tutor AutoTutor que detecta tédio, confusão e frustração por meio de expressões faciais, movimentos corporais e diálogo do estudante. O tutor, representado por um APA, auxilia o estudante a regular suas emoções negativas de forma a não entrar em um círculo vicioso.
Mensagem de encorajamento do agente animado PAT
Outro modelo teórico sobre interação entre emoções e aprendizagem que tem recebido atenção pela comunidade é o modelo de control-value de Pekrun (2011). Ele classifica as emoções de realização em três dimensões, de acordo com seu nível de ativação (arousal): baixo ou alto; valência (valence): positiva ou negativa; e foco do objeto: foco na atividade (i.e., aprendizagem) ou foco no resultado (sucesso ou falha). O modelo relaciona os tipos de emoções com seus efeitos na motivação e aprendizagem dos estudantes. Arroyo, juntamente com Woolf e Burleson (2014) integraram agentes animados sensíveis às emoções dos estudantes, detectadas por sensores fisiológicos e comportamentos do estudante, no tutor de álgebra Wayang Outpost. Os agentes desse trabalho ensinam os estudantes a reavaliar sua atribuição de sucesso ou falha (de acordo com a teoria de Pekrun), assim como enfatizam a importância da perseverança e esforço.
Achando interessante? E teríamos tanto mais para contar… Mas, infelizmente, nosso espaço é curto. Vamos passar agora aos trabalhos sobre personalidade e após, na seção de conclusão, vamos sugerir veículos de divulgação científica nos quais você pode aprender mais sobre o assunto.
3. Personalidade
Você sabe como as outras pessoas descobrem coisas sobre você, tais como suas preferências, seus gostos? E você sabia que normalmente você deixa pistas sobre suas preferências, por exemplo, em tudo que você vivencia ou faz em seu dia a dia? E, ainda, você sabia que essas pistas deixadas por você também podem ser usadas como rastros de seus processos de aprendizagem e que isso pode ser usado em ambientes educacionais para personalizar sua interação e aprendizagem? Ficou curioso, não é?
Psiu, dê uma espiadinha
(GOSLING, 2008)Vamos aqui fazer um convite a você. Você gostaria de seguir conosco para criarmos um mapa mental sobre como “nossas coisas” podem deixar rastros “sobre nós mesmos” por onde passamos? E como essas “nossas coisas” podem influenciar os outros ou mesmo os processos educacionais direcionados a nós? Legal isso, não é?
Teste de personalidade baseado em Estórias
Então, mãos à obra! Vamos pensar agora em seu quarto, ou como você normalmente reage a situações. Tudo isso são pistas sobre você: as posições das coisas que você deixa no seu quarto, o que você deixa à vista, o que “esconde”, o que guarda, como guarda, como as coisas estão organizadas e/ou bagunçadas… Veja que, tecnicamente falando, para conseguirmos inferir pistas sobre você, precisamos usar teorias da área da psicologia que envolvem a área da Personalidade Humana. Mas olha só nosso problema… Você sabia que existem diversas teorias de personalidade criadas por diferentes psicólogos e cada uma tem suas especificidades e diferenças? E nem mesmo os psicólogos entram em consenso sobre uma definição do que é Personalidade. Isso torna ainda mais desafiadoras as pesquisas em Computação Afetiva que buscam inferir, representar e usar a personalidade do usuário em computadores para melhorar os processos de ensino-aprendizado.
Definição de personalidade
Em latim, a palavra Persona significa personalidade e ela se refere a uma máscara usada por um ator para a encenação de uma peça teatral ao público. Essa é uma definição de personalidade proposta por Schultz (1990), mas ele também definiu a personalidade como um conjunto permanente e exclusivo de características identificáveis nas ações e interações do indivíduo em diferentes situações da sua vida diária.
Essa é uma definição bastante usada dentre diversos outros pesquisadores. Entretanto, sabemos que existem tantas outras definições, como a descrita por Burger (2000). Ele definiu a personalidade como “um padrão de comportamento consistente e processo intrapessoal que é originado internamente no indivíduo”. Ainda, outros pesquisadores, como Soldz e Vaillant (1999), definiram algo relevante sobre a personalidade humana; eles disseram que esta podia ser considerada como relativamente estável e previsível, mas também que ela não é necessariamente rígida e imutável. E também que ela normalmente permanece estável por um período de 45 anos, iniciando na fase adulta.
Dentre as diversas teorias para definição de personalidade existem a psico-analítica, traços, humanística, cognitivista, comportamental, dentre outras. Portanto, para a definição de personalidade, na área de computação, a que tradicionalmente usamos é a teoria ou abordagem de traços, pois ela é considerada como uma das mais aptas a se modelar e implementar em computadores. Historicamente, quem primeiro usou essa teoria foram os pesquisadores Allport e Allport (1921); eles definiram que cada pessoa possuía traços de personalidade comuns e individuais e que expressava esses traços/características com uma intensidade diferente. E era isso que diferenciava os indivíduos uns dos outros e que definia a sua personalidade. Por exemplo, eles descreveram, em sua teoria, que duas pessoas podiam ter um mesmo traço de personalidade “calmo”, e cada uma delas teria um nível de “calma” diferente. Eles disseram, ainda, que essas diferenças seriam fruto da história de vida de cada uma dessas pessoas e das influências externas e ambientais recebidas durante sua vida e que eram esses traços que diferenciavam as pessoas (ver mais detalhes sobre descrição de teorias em NUNES, 2012). Eles criaram aproximadamente 18 mil traços diferentes. Entretanto, era uma quantidade enorme e não facilitava a definição da personalidade segundo essa abordagem. Depois disso, Cattell realizou experimentos baseados em uma teoria chamada de Traço Fatorial Analítica, que reduziu o escopo dos traços inicialmente para 4500, evoluindo mais tarde para 171 adjetivos agrupados em 35 pares bipolares (NUNES, 2009b).
Mas veja só que interessante: os trabalhos de Cattell, bem como de outros pesquisadores, serviram de base para várias análises fatoriais que acabaram convergindo em uma solução que se replicou em diversas pesquisas científicas. Essa solução replicada surpreendentemente mostrava sempre os mesmos cinco traços. Então essa solução fatorial de cinco traços que se replicou nos resultados dos pesquisadores ficou popularmente conhecida como Big Five, expressão traduzida para o português como o modelo dos Cinco Grandes Fatores (CGF). O CGF é uma versão moderna da Teoria do Traço (JOHN; SRIVASTAVA, 1999).
Em português, geralmente encontramos os termos dos Cinco Grandes Fatores intitulados como: abertura a experiências, neuroticismo, extroversão, socialização e realização (SILVA; NAKANO, 2011). Esses termos ou fatores resumem aspectos distintos do comportamento humano. Por exemplo, o fator extroversão caracteriza pessoas sensíveis, assertivas, ativas e impulsivas; o fator socialização, pessoas gentis, úteis e despreocupadas, com comportamento pró-social; o fator realização representa pessoas organizadas e deliberadas, com comportamento de responsabilidade social; o neuroticismo caracteriza pessoas ansiosas, mal-humoradas e autopunitivas; e, finalmente, o fator abertura reflete pessoas criativas, curiosas, abertas a novas experiências e com traços de facilidade intelectual (BERGER, 2003; LOEHLIN, 1992). Na Tabela a seguir podemos constatar alguns adjetivos característicos relacionados aos CGF (adaptado de LOEHLIN, 1992).
| Extroversão | Socialização | Realização | Neuroticismo | Abertura | |
|---|---|---|---|---|---|
| Polo do rótulo | Ativo Aventureiro Barulhento Energético Entusiástico Exibido Sociável Tagarela |
Altruísta Amigável Carinhoso Confiante Cooperativo Gentil Sensível Simpático |
Confiável Consciente Eficiente Minucioso Organizado Prático Preciso Responsável |
Ansioso Apreensivo Emotivo Instável Nervoso Preocupado Temeroso Tenso |
Artístico Curioso Engenhoso Esperto Imaginativo Inteligente Original Sofisticado |
| Polo oposto | Acanhado Introvertido Quieto Reservado Silencioso Tímido |
Antipático Brigão Bruto Crítico Frio Insensível |
Desatento Descuidado Desorganizado Distraído Imprudente Irresponsável |
Calmo Contido Estável Indiferente Sereno Tranquilo |
Comum Simples Superficial Tolo Trivial Vulgar |
Então, em resumo, como discutimos no início da seção, nosso comportamento deixa pistas “marcadas” em nossas coisas durante nosso dia a dia e é isso que possibilita nos diferenciar das outras pessoas. Essas pistas, considerando a teoria de traços, são “codificadas” por meio dos traços de personalidade. Em computação, usamos a teoria dos Grande Cinco Fatores e, por meio dessa teoria, temos disponíveis ferramentas (inventários, escalas, questionários, etc.) que nos permitem inferir esses traços. Algumas dessas ferramentas fornecem, além dos Cinco Grandes Fatores, outros traços que podem ser inferidos, como as chamadas facetas.
As facetas nada mais são que características de personalidade hierarquicamente filhas dos Cinco Grandes Fatores; melhor especializando ou especificando características intrínsecas a eles. Um dos pesquisadores que usa facetas em conjunto com o CGF para inferir personalidade é John A. Johnson. Ele tem um trabalho bastante interessante na área, já validado e usado amplamente e comparado a outros inventários comercialmente famosos, tais como o NEO-PI-R (COSTA; MCCRAE, 1992). O NEO-PI-R é o inventário mais usado comercialmente no mundo, entretanto é pago e é extenso; tem 240 itens. O inventário de John Johnson, que tem grande correlação com o NEO-PI-R (JOHNSON, 2005), é chamado de IPIP-NEO (JOHNSON, 2000). IPIP-NEO é disponibilizado gratuitamente, juntamente a outros inventários, para fins não comerciais, em um consórcio internacional chamado de International Personality Item Pool (IPIP), cujo objetivo é a colaboração científica para o desenvolvimento de medidas avançadas para inferir personalidade e características que diferenciem as pessoas entre si. O NEO-IPIP tem duas versões: uma completa, com 300 itens, e uma reduzida, com 120 itens; nele conseguimos inferir a personalidade baseado nos Cinco Grandes Fatores e mais 30 facetas. O IPIP-NEO é disponibilizado em sua versão original (300 e 120 itens) permitindo a inferência dos cinco fatores, bem como das 30 facetas relacionadas.
Apesar desses inventários possuírem um nível psicométrico interessante e representativo por inferir características gerais da personalidade humana, eles têm ocasionado desconforto nos usuários, por serem longos e cansativos. Por exemplo, clientes geralmente não estão interessados em questionários para que empresas melhorem vendas, mesmo que indiretamente os clientes sempre desejem receber cada vez mais informações personalizadas, surpreendendo e satisfazendo seus desejos e expectativas de consumo. Isso também vale para o ambiente educacional, onde a personalização do ensino sempre é vista com bons olhos e como ideal aos olhos de alunos e professores.
Temos percebido que uma alternativa a esses longos inventários tem sido a tendência ao uso de abordagens menos intrusivas e que sejam, “idealmente”, inferidas automaticamente pelo próprio computador. Por mais que existam versões reduzidas desses inventários tradicionais, tal como o TIPI (GOSLING et al., 2003), tem-se notado que não há interesse efetivo no uso desse tipo de abordagem considerada ultrapassada e intrusiva. De acordo com Gosling (2008), a melhor forma de obtenção dos traços de personalidade dos usuários é por meio do uso de uma abordagem que não exija esforço cognitivo, se comparada aos tradicionais inventários de personalidade.
Lembremo-nos que traços medidos por meio de inventários de personalidade podem ser, em parte, um conjunto de dados provenientes do autorrelato da própria opinião do usuário/cliente/aluno, podendo desvirtuar da sua real personalidade. Assim, temos visto, na literatura, o desenvolvimento de outras alternativas aos famosos inventários, tais como técnicas de reconhecimento de padrões, baseadas em cálculos probabilísticos, visando reconhecer emoções, personalidade ou mudanças de comportamento por intermédio da observação de um usuário utilizando o determinado sistema em uso no computador, seja pelo clique do mouse, por teclagem, captura de imagem do usuário pela webcam ou, ainda, por sensores que capturam sinais vitais dos usuários. As principais referências são os trabalhos de Chanel (2009); Hu e Pu, (2009); Tkalčič et al. (2010); Khan et al. (2008); Brinkman e Fine (2008); Porto et al. (2011). Autores como Mairesse et al. (2007), Hussain e Calvo (2009) e Pianesi et al. (2008) convergem as suas técnicas e modelos à identificação de personalidade a partir de extratos de diálogos de diversas modalidades, tais como: comunicação textual assíncrona (e-mails e diálogo em sites de relacionamento), conversa falada (áudio presencial ou virtual), expressões faciais (videoconferência), sinais fisiológicos, dentre outros. Ainda Gill e Oberlander (2003) alegam a possibilidade de detecção de traços de personalidade em textos de comunicação assíncrona, mais especificamente as mensagens de correio eletrônico por meio de processos estatísticos.
Entretanto, vemos que em português ainda é bastante difícil achar sistemas que inferem personalidade de forma não intrusiva. Há um interesse comercial muito grande nesse assunto; isso dificulta encontrar trabalhos científicos disponíveis na íntegra. Empresas, como Google e Facebook, vêm constantemente usando informações de personalidade para personalizar serviços aos seus usuários, mas normalmente não revelam detalhes sobre como o processo é realizado (BACHRACH et al., 2012; FERWERDA et al., 2016; SALLOUM et al., 2017). Considerando a escassez de trabalhos nessa área, temos desenvolvido, em nossas pesquisas, algumas ferramentas em português para inferência de personalidade de forma não intrusiva. Neste contexto, desenvolvemos o Personalitatem LexiconMiner (NASCIMENTO et al., 2017), que visa inferir traços de personalidade a partir do texto de mensagens escritas. Ele utiliza um léxico afetivo em português brasileiro chamado de Personalitatem Lexicon (MACHADO; NUNES, 2017; MACHADO, 2016) para inferir personalidade por meio de mineração de texto. O usuário/cliente/aluno/professor, ao inserir um texto, pode solicitar o processamento deste, sendo que os resultados gerados apresentam a personalidade do usuário usando os Cinco Grandes Fatores e as 30 facetas do IPIP-NEO e são exibidos e armazenados de forma persistente no formato PersonalityML (PML) (NUNES, 2009a; 2012). A PML é uma linguagem de marcação baseada em XML, capaz de representar um ou mais modelos de personalidade segundo diversas teorias, visando fácil armazenamento e transporte. Assim, os dados de personalidade do usuário podem ser usados em quaisquer sistemas computacionais de tomada de decisão.
Em Informática na Educação, a personalidade vem sendo usada de forma pontual desde a década de 1990, como ilustram os trabalhos de Rousseau e Hayes-Roth (1996); Bates (1994); Loyall e Bates (1997), em que, para parecer credível (real), um agente incorporava um modelo de personalidade e emoção usando esses dois aspectos de forma conjunta. Eles acreditam que um agente mais credível sempre estará mais apto a engajar e motivar o estudante. Além disso, eles acreditam que a expressão de uma personalidade amigável é essencial para um agente que queira mostrar empatia com os alunos (COOPER, 2003; PAIVA, 2011). A personalidade também, segundo Ortony (2003), traz consistência e coerência às ações dos agentes. Já Zhou e Conati (2003) usam a personalidade como mecanismo para ajudar na inferência das emoções do usuário em jogos educacionais. Eles acreditam que os traços de personalidade podem estar conectados com os objetivos do usuário, refinando o modelo afetivo do usuário no jogo. Prada et al. (2010) aplicam personalidade na dinâmica de grupos, influenciando a interação entre agentes e a resolução de tarefas. Outros trabalhos, como de Lisetti (2002), descrevem a personalidade como um aspecto bastante relevante, em que ela apresenta um modelo hierárquico no qual a personalidade está no topo da cadeia considerando afeto, sensação e emoção como características consequentes da personalidade do aluno.
No Brasil, o que temos visto com o uso de personalidade em Informática na Educação está disponível no portal de publicações da Comissão Especial de Informática na Educação (CEIE) – vinculado à Sociedade Brasileira de Computação (SBC) –, que é uma das maiores referências da área de Informática na Educação do país, englobando publicações da Revista Brasileira de Informática na Educação (RBIE), Simpósio Brasileiro de Informática na Educação (SBIE) e Workshop de Informática na Escola (WIE). Os artigos que usam personalidade em ambientes educacionais focam no uso de agentes que possuem e expressam personalidade, detecção da personalidade de alunos, formação de grupos considerando os traços de personalidade dos estudantes, ferramenta de mineração de texto para inferência de personalidade, entre outros. Entretanto, percebemos que ainda são poucos os autores que trabalham nessa área no Brasil, as publicações são contabilizadas em apenas dez artigos, sendo cinco publicações no SBIE (2006, 2010-2, 2012, 2015), três na RBIE (2014, 2015, 2017), uma no JAIE (2012), uma no WIE (2015) e uma nos Workshops do CBIE (2014). Contudo, as publicações se limitam aos mesmos grupos de pesquisa, incluindo os grupos de pesquisa das autoras desse capítulo. Os artigos podem ser baixados na página da CEIE.
4. Direções Futuras da Computação Afetiva
Neste capítulo apresentamos uma visão geral sobre o tema de Computação Afetiva aplicada à Educação. Nos focamos principalmente sobre os trabalhos que consideram dois estados afetivos: emoções e personalidade, com os quais as nossas pesquisas se concentram e, por isso, temos mais experiência e conhecimento.
No entanto, outros fenômenos afetivos também têm sido considerados. Aqui no Brasil, Magda Bercht (PPGIE/UFRGS) e Magali Longhi (CINTED/UFRGS) têm realizado pesquisas em como sistemas computacionais podem detectar e responder ao estado de ânimo do estudante em ambientes virtuais de aprendizagem. Uma revisão sistemática da pesquisa brasileira em Computação Afetiva aplicada à Educação pode ser encontrada em Morais et al. (2017). No exterior, Magalie Ochs tem pesquisado sobre atitudes interpessoais de APAs em uma plataforma para treinar médicos para informar más notícias (OCHS; BLACHE, 2016). Nessa plataforma, o agente desempenha o papel de um paciente virtual, demonstrando diferentes atitudes interpessoais, a fim de treinar os médicos a lidar com diferentes reações dos pacientes. Recentemente, Jones Granatyr tem pesquisado também o fenômeno chamado de Confiança Afetiva, que busca inferir o grau de confiança que a pessoa desperta em seus colegas, sendo esse grau influenciado pela emoção e traços de personalidade (GRANATYR et al., 2017; SILVA et al., 2016a; SILVA et al., 2016b).
Além de outros estados afetivos, outros temas relevantes tiveram que ficar de fora deste capítulo. Um deles é a questão da ética da pesquisa em Computação Afetiva (COWIE, 2014). O tema da ética na pesquisa em Computação ganhou interesse atual, principalmente com as declarações de Stephen Hawking, Bill Gates e Elon Muska, sobre as consequências de máquinas inteligentes no dia a dia das pessoas. Essas consequências vão desde as máquinas inteligentes substituírem humanos em muitas habilidades (e empregos) até as máquinas “aprenderem” comportamentos inadequados, como racismo ou LGBTfobia.
Na computação afetiva, existe também algumas questões éticas que precisamos tratar seriamente. As máquinas afetivas têm sua inteligência emocional cada vez mais desenvolvida. Elas sabem quais emoções você está sentindo, detectadas de forma que nem você conseguiria. Elas sabem inclusive diferenciar um sorriso verdadeiro de um falso, no que nós humanos somos bem ineficazes. E ela começa a entender tudo sobre suas emoções. Pense em agentes animados desenvolvidos de tal forma a usar o conhecimento sobre suas emoções para fazer você comprar um produto, ou votar num político, etc. Além de saber tudo sobre você, eles podem ainda compartilhar essa informação. Infelizmente, nós humanos sabemos muito pouco sobre nossas emoções, como elas surgem e como regulá-las. E conhecimento é poder! Temos que encarar o fato que somos socioemocionalmente vulneráveis!
DEBATE: Ética da Inteligência Artificial e Computação Afetiva
Burst ApartO quanto envolvido, entranhado ou possuído está o humano frente à tecnologia?? Ela que se mescla, que envolve que possuí… te possuí, você imbecil, pobre pagão… Deixe que eu assassine o teu livre arbítrio, criando uma utopia verídica aos teus olhos comuns, sou perfeita para ti não sou?? Te presenteio com um êxtase atingido via uma mentira hipócrita advinda das entranhas das redes, de mentiras mascaradas, simuladas de verdades inventadas, moldadas e emolduradas pelo que desejas tu, projetas tu, em tuas verdades mentirosas, tuas expectativas reveladas pelas tuas demandas e consequentes pegadas vitais registradas nessas redes… Tu um ex-sábio, pagão, é isso que tu na tua humanidade representa… Eu aqui digital, te conheço, te simulo, te satisfaço, mas me desfaço, quando tu se sentir descalço, desapareço, volátil. Não esqueça ó humano imbecil, que sou eu o ser digital, que sou de todos, conheço todos e, de todos os desejos sei! Os teus, o dos outros… desejos de ilusões projetadas, eu as simulo tão bem sim!! Sem remorso para você, pobre pagão… Entretanto não esqueças tu, que eu satisfaço também outros mil, simultaneamente, pobres iludidos, ludibriados como tu, pobre pagão que é apenas mais um nessa míope multidão…
Poesia de Maria Augusta Silveira Netto Nunes – 19/07/2017.
Imagem de James R. Eads – Burst Apart álbum
Fonte: Burst-Apart
Temos também a consciência da limitação na representação de personalidade que metaforizamos do ser humano por meio de teorias da psicologia. As teorias nos permitem estereotipar o humano/aluno e colocá-lo numa “caixinha”. Entretanto, o humano é muito mais complexo que isso, e, muitas vezes, a metaforização da sua representação se limita a representar somente alguma faceta de sua personalidade, prejudicando a forma como o sistema poderia inferir a emoção e/ou personalizaria o ambiente a esse aluno.
Se você é um pesquisador (ou se formando para isso), queremos também compartilhar com você a nossa visão de direções futuras. Se você quer trabalhar com detecção automática, tente ir além das emoções básicas. Além de ter muito trabalho na área, D’Mello e Calvo já mostraram que elas acontecem pouco na situação de aprendizagem em um ambiente computacional (D’MELLO; CALVO, 2013). Uma outra tendência é inferência multimodal de emoções e o uso de mineração de dados. Paulo Blikstein escreveu um interessante artigo para essa nova área que ele chama de “Multimodal Learning Analytics” (BLIKSTEIN, 2013), que envolve o uso de algoritmos de aprendizado de máquina para análise multimodal de comportamentos de estudantes, que não apenas as emoções.
Se você quer trabalhar no outro lado do laço afetivo, estamos observando que os trabalhos se concentram menos na indução de emoções positivas e mais na regulação de emoções do estudante, ou seja, como auxiliar o estudante a lidar com a situação e a emoção de forma a potencializar a aprendizagem. Por exemplo, se percebo que o estudante está se sentido entediado, o sistema explicitamente notifica isso e apresenta elementos do assunto que podem interessar ao estudante.
Se você quer trabalhar com personalidade é interessante focar em prover novas formas não intrusivas de inferência da personalidade em português brasileiro, variando o espectro de teorias da personalidade usadas. A inferência baseada em diferentes espectros da personalidade do aluno poderia melhorar a sua representação face ao que o aluno é na vida real e, consequentemente, melhoraria a inferência de suas emoções e adaptaria e/ou personalizaria de forma mais precisa os ambientes de ensino aprendizagem a ele direcionados.
Esse texto representa uma fotografia da área Computação Afetiva no contexto Educacional, do ponto de vista das autoras; e como toda fotografia, ele coloca em evidência certas perspectivas e falha em esconder outras também relevantes. Estamos conscientes desta limitação e, por isso, não vemos este capítulo como um referencial teórico único, mas apenas como um ponto de partida para estudantes, pesquisadores e curiosos que tenham interesse em começar a trabalhar e pesquisar na área ou ter uma compreensão geral.
Resumo
Mapa Mental dos assuntos tratados neste capítulo
Neste capítulo, apresentamos uma visão geral sobre as tendências da pesquisa em Computação Afetiva aplicada à Educação. Nos concentramos principalmente sobre os trabalhos que consideram dois estados afetivos: emoções e personalidade, com os quais as nossas pesquisas estão relacionadas. Em relação às emoções, vimos que os trabalhos têm buscado detectar automaticamente ou responder às emoções do estudante. Vimos que as emoções do usuário (como a de alunos usando ambientes educacionais) podem ser detectadas pelas seguintes fontes de dados: voz (prosódia); texto (diálogo, mensagens, posts); comportamento observável, isto é, as ações do usuário na interface do sistema; expressões faciais e movimento dos olhos (eyetracking); sinais fisiológicos; ondas cerebrais; e expressão corporal. Além disso, muitos trabalhos têm adotado uma abordagem multimodal, envolvendo mais de uma fonte de dado, o que geralmente leva a uma maior precisão. Em relação a outro lado do laço afetivo, vimos que há três fases da pesquisa em Computação Afetiva aplicada à Educação: expressão de emoções, adaptação às emoções detectadas e regulação das emoções dos estudantes. Em relação à Personalidade, descrevemos, neste capítulo, sua definição não consensual entre os psicólogos, perpassamos suas teorias, descrevemos a abordagem de traços e a teoria dos Cinco Grande Fatores, que atualmente é a mais utilizada em computadores. Apresentamos, também, como os trabalhos científicos internacionais em Informática na Educação têm usado a personalidade. Mostramos as formas de inferência de personalidade mais tradicionalmente usadas em computação, descrevendo suas limitações. Apresentamos alternativas para a inferência para o português do Brasil. Mostramos uma alternativa para armazenar a personalidade e citamos alguns trabalhos brasileiros que têm focado na inferência e uso de personalidade em Informática na Educação. Para finalizar, vimos algumas direções de pesquisa no assunto, tais como trabalhar com emoções não básicas, e na regulação emocional (em vez da indução de emoções positivas). Ainda, a questão ética é um assunto pertinente, embora não tenhamos aprofundado esse assunto neste capítulo.
Leituras Recomendadas
(JAQUES; NUNES, 2012)
Nesse capítulo de livro, de nossa autoria, você encontra um aprofundamento sobre emoção e personalidade.
Nessa série de gibis você encontra alguns assuntos relacionados à Computação Afetiva de forma fácil e interativa.
(PICARD, 1997)
Esse é o livro-texto que lançou a área de Computação Afetiva. Embora já possua 20 anos, o livro pode proporcionar uma boa base no tema.
(CALVO; D’MELLO, 2010)
Esse artigo faz uma revisão bastante aprofundada sobre detecção de estados afetivos. Escrito por dois pesquisadores brilhantes na área.
(CALVO; D’MELLO, 2011)
Um livro-texto especificamente voltado para Computação Afetiva aplicada à Educação.
(CALVO et al., 2015)
Excelente livro, editado por Calvo, D’Mello, Gratch e Kappas, sobre Computação Afetiva.
No Brasil, os pesquisadores em Computação Afetiva têm publicado principalmente nas seguintes conferências: Simpósio Brasileiro de Informática na Educação, Simpósio Brasileiro de Fatores Humanos em Sistemas Computacionais e Simpósio Brasileiro de Inteligência Artificial. Especificamente voltados para a área de Computação Afetiva, existem dois principais veículos de divulgação internacionais: International Conference on Affective Computing and Intelligent Interaction e o IEEE Transactions on Affective Computing, ambos promovidos pela associação HUMAINE. Outros canais de divulgação envolvem conferências e periódicos voltados às áreas de aplicação, tais como: International Conference on Intelligent Tutoring Systems, International Conference Artificial Intelligence in Education, Computers & Education, Computers in Human Behavior, International Journal of Human Computer Studies, entre outros.
Exercícios
- Selecione um artigo recente (dos últimos cinco anos) publicado no Simpósio Brasileiro de Informática na Educação ou na Revista Brasileira de Informática na Educação, que seja voltado especificamente à detecção e/ou regulação de emoções no contexto de aprendizagem. Após a leitura desse artigo, responda:
Quais emoções do estudante esse trabalho considera?
Em quais teorias de emoção esse trabalho se embasa?
As emoções são detectadas automaticamente?
Qual ferramenta ou técnica (por exemplo, um algoritmo de aprendizado de máquina) esse artigo utiliza para a detecção automática?
Como o ambiente de aprendizagem responde às emoções do estudante? Essa adaptação é embasada em alguma teoria ou modelo de inter-relação entre emoções e aprendizagem?
O trabalho possui uma seção de avaliação? Como os autores avaliaram se a detecção é efetiva? Você considera que a avaliação é robusta? - Selecione um artigo recente (dos últimos cinco anos) publicado no Simpósio Brasileiro de Informática na Educação ou na Revista Brasileira de Informática na Educação na área de Computação Afetiva, voltado especificamente à inferência ou o uso de personalidade. Após leitura desse artigo, responda:
O artigo aborda alguma teoria específica de personalidade? Como é chamada essa teoria?
Qual o psicólogo responsável/criador da teoria?
No artigo foi descrito como a personalidade do aluno foi inferida segundo essa teoria?
Foi utilizado algum inventário ou ferramenta para inferir a personalidade do aluno?
A personalidade do aluno foi armazenada de forma persistente em algum modelo XML based ou similar?
A ferramenta de inferência foi avaliada usando algum método que prova sua eficácia?
Como a personalidade do aluno, após inferida, é utilizada pelos autores do artigo? - Selecione dois artigos internacionais (por exemplo, artigos publicados nos veículos de divulgação científica sugeridos na seção Leituras Recomendadas deste capítulo) no mesmo assunto dos artigos brasileiros selecionados anteriormente. Identifique, nesses novos artigos, os mesmos elementos que você identificou nas questões 1 e 2. Compare os novos artigos com os artigos brasileiros em relação ao estilo de escrita, ferramentas e técnicas computacionais empregadas, modelos teóricos empregados, estados afetivos considerados, etc.
- Emoji se trata de uma forma de expressão emocional em textos. O uso de emojis em um chat ou um e-mail torna a mensagem muito mais agradável e interativa. Já existem mais de 8 mil Emojis, e, nesta imensidão de emojis, encontrar o emoji certo para a sua mensagem no Telegram, WhatsApp ou Messenger pode ser um trabalho árduo para o usuário. Reflita em como seria um programa que proponha automaticamente emojis para mensagens textuais. O programa deve receber uma mensagem e retornar a mesma mensagem com emojis. Podem existir variações para esse programa: encontrar apenas um emoji, encontrar vários emojis, substituir texto pelo emoji, adicionar o emoji no final da mensagem, etc. Descreva como funcionaria o seu programa. Se você domina alguma linguagem de programa, implemente uma versão do seu programa. Dica: você pode usar um thesaurus (dicionário de sinônimos) para deixar o seu programa mais interessante.
- O Atlas de emoções (atlas of emotions) foi uma encomenda do Dalai Lama e tem como objetivo ajudar as pessoas a se conscientizar sobre suas emoções: como elas surgem (appraisal), e como reagimos a elas. Não é possível se livrar das emoções, e nem desejável, mas precisamos de estratégias que nos ajudem a responder de maneira útil e construtiva. Entender como as emoções surgem e como reagimos a elas nos permite ganhar consciência emocional. Usando o atlas de emoções, escolha uma das emoções universais (medo, tristeza, raiva, nojo, alegria) tratadas no mapa e tente-se lembrar de uma situação que tenha experimentado recentemente. Tente se lembrar principalmente de uma situação relacionada à aprendizagem ou sala de aula. Com a ajuda do mapa, tente identificar qual foi a situação e detalhes que dispararam essa emoção, como você reagiu, se essa foi uma estratégia construtiva e, em caso negativo, qual seria uma melhor reação. Tente agora se lembrar de uma situação em que você percebeu que uma outra pessoa sentiu a mesma emoção. Tente identificar esses mesmos elementos na emoção dessa pessoa.
- O personalitatem inventory é uma tradução para o português, não validada, do inventário de personalidade IPIP-NEO. Acesse o IPIP-NEO, responda ao questionário e verifique quais são seus traços e as características relacionadas ao seu traço. Você concorda com essa descrição? Compare com as descrições dos seus colegas. Quais as diferenças?
- Baseado no que você aprendeu sobre emoções e personalidade neste capítulo, projete (apenas descreva as caraterísticas) como seria um sistema educacional que responda às emoções e personalidade do estudante. Que tipo de sistema educacional você está pensando (jogos séries, sistema tutor, ambiente virtual de aprendizagem, outros)? Quais emoções seu sistema detectaria? Como esse sistema detectaria essas emoções? Como ele responderia às emoções do estudante, ou seja, de que forma ele agiria de modo a maximizar a aprendizagem do estudante (ou outro objetivo pretendido)?
Referências
ALLPORT, F. H.; ALLPORT, G. W. Personality Traits: Their Classification And Measurement. Journal of Abnormal and Social Psychology, [S. l.], n. 16, p. 6–40, 1921.
ARNOLD, M. Emotion and Personality: Psychological Aspects. New York: Columbia University Press, 1960. [onde comprar]
ARROYO, I. et al. Emotion Sensors Go to School. In: INTERNATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE IN EDUCATION, 14., 2009, Brighton. Anais… Amsterdam: IOS Press, 2009. p. 17-24.
ARROYO, I. et al. A multimedia adaptive tutoring system for mathematics that addresses cognition, metacognition and affect. International Journal of Artificial Intelligence in Education, [S. l.], v. 24, n. 4, p. 387–426, 30 dez. 2014.
BACHRACH, Y.; KOSINSKI, M.; GRAEPEL, T.; KOHLI, P. ; STILLWELL, D. Personality and patterns of Facebook usage. In: ACM WEB SCIENCE CONFERENCE (WebSci), 4., 2012, Evanston. Anais… New York, NY: ACM, 2012. p. 24-32.
BAKER, R. S. J. D. et al. Better to be frustrated than bored: The incidence, persistence, and impact of learners’ cognitive-affective states during interactions with three different computer-based learning environments. International Journal of Human-Computer Studies, [S. l.], v. 68, n. 4, p. 223–241, 2010.
BATES, J. The role of emotion in believable agents. Communications of ACM, [S. l.], v. 37, n. 7, p. 122-125, 1994.
BERGER, K. S. The Developing Person Through the Life Span. Basingstoke: Worth Publishers, 2003. [onde comprar]
BLIKSTEIN, P. Multimodal learning analytics. In: INTERNATIONAL CONFERENCE ON LEARNING ANALYTICS AND KNOWLEDGE (LAK), 3., 2013, Leuven. Anais… New York, USA: ACM, 2013.
BRINKMAN, W.-P.; FINE, N. Personalising emotional skin designs. In: WORKSHOP ON THE ROLE OF EMOTION IN HUMAN-COMPUTER INTERACTION, HCI 2005 Conference, 1., 2005, Edinburgh. Anais… Fraunhofer, IRB Verlag Stuttgart, 2008. p.31-33.
BURGER, J. M. Personality. [S. l.]: Wadsworth, 2000. [onde comprar]
BURLESON, W.; PICARD, R. W. Evidence for Gender Specific Approaches to the Development of Emotionally Intelligent Learning Companions. IEEE Intelligent Systems, [S. l.], v. 22, n. 4, p. 62–69, 2007.
CALVO, R. A.; D’MELLO, S., GRATCH, J.; KAPPAS, A. (Ed.). The Oxford Handbook of Affective Computing. Oxford: Oxford University Press, 2015. [onde comprar]
CALVO, R. A.; D’MELLO, S. K. Affect detection: An interdisciplinary review of models, methods, and their applications. IEEE Transactions on Affective Computing, [S. l.], v. 1, n. 1, p. 18–37, jan. 2010.
CALVO, R. A.; D’MELLO, S. K. New Perspectives on Affect and Learning Technologies. New York: Springer, 2011. [informações da editora]
CHANEL, G. Emotion assessment for affective computing based on brain and peripheral signals. Tese (Doutorado ès Sciences) – Faculté des Sciences, Université de Genève, Genève, 2009.
CONATI, C. Combining Cognitive Appraisal and Sensors for Affect Detection in a Framework for Modeling User Affect. In: CALVO, R. A.; D’MELLO, S. K. (Ed.). New Perspectives on Affect and Learning Technologies. New York: Springer, 2011. p. 71–84. [informações da editora]
COOPER, B. Care – Making the Affective Leap: More Than a Concerned Interest in a Learner’s Cognitive Abilities. International Journal of Artificial Intelligence in Education, [S. l.], v. 13, p. 3-9, 2003.
COSTA, P. T.; MCCRAE, R. R. Revised NEO-Personality Inventory (NEO-PI-R). Professional manual. Odessa, FL: Psychological Assessment Resources, Inc., 1992.
COWIE, R. Ethical Issues in Affective Computing. In: CALVO, R. et al. (Ed.). The Oxford Handbook of Affective Computing. Oxford: Oxford University Press, 2014. [informações da editora]
D’MELLO, S. K. et al. AutoTutor detects and responds to learners affective and cognitive states. In: WORKSHOP ON EMOTIONAL AND COGNITIVE ISSUES, International Conference on Intelligent Tutoring Systems, 9., 2008, Montreal. Anais… [S.l], nov. 2008.
D’MELLO, S. K. et al. Gaze tutor: A gaze-reactive intelligent tutoring system. International Journal of Human Computer Studies, [S. l.], v. 70, n. 5, p. 377–398, 2012, [s. n.].
D’MELLO, S. K.; CALVO, R. A. Beyond the basic emotions. In: EXTENDED ABSTRACTS ON HUMAN FACTORS IN COMPUTING SYSTEMS, 2013, [s.n.], Paris. Anais…New York: ACM Press, 2013. p. 2287-2294.
D’MELLO, S. K.; GRAESSER, A. C. Multimodal semi-automated affect detection from conversational cues, gross body language, and facial features. User Modeling and User-Adapted Interaction, [S. l.], v. 20, n. 2, p. 147–187, 2010.
DALGLEISH, T.; POWER, M. Handbook of Cognition and Emotion. New Jersey: Wiley & Sons, 2000.
DAMASIO, A. O erro de Descartes: Emoção, razão e o cérebro humano. São Paulo: Companhia das Letras, 2012.
DWECK, C. S. Motivational processes affecting learning. American Psychologist, [S. l.], v. 41, n. 10, p. 1040–1048, 1986.
EKMAN, P. All Emotions are Basic. In: DAVIDSON, R. (Ed.). The nature of emotions: Fundamental questions. Oxford: Oxford University Press, 1994. p. 15–19.
EKMAN, P. Basic Emotions. In: DALGLEISH, T.; POWER, M. (Ed.). The Handbook of Cognition and Emotion. Sussex: John Wiley & Sons, 1999. p. 45–60.
EKMAN, P.; FRIESEN, W. Investigator’s guide to the facial action coding system. Palo Alto: Consulting Psychologists Press, 1978.
FERWERDA, B.; SCHEDL, M.; TKALCIC, M. Personality Traits and the Relationship with (Non-) Disclosure Behavior on Facebook. In: INTERNATIONAL CONFERENCE COMPANION ON WORLD WIDE WEB, 25., 2016, Montreal. Anais… Republic and Canton of Geneva, Switzerland: International World Wide Web Conferences Steering Committee, 2016. p. 565-568. 2016.
FORBES-RILEY, K.; LITMAN, D. J. Predicting emotion in spoken dialogue from multiple knowledge sources. In: MEETING OF THE NORTH AMERICAN CHAPTER OF THE ASSOCIATION FOR COMPUTATIONAL LINGUISTICS, 4., 2004, Boston. Anais… New York: ACM, 2004. p. 201–208.
FRIJDA, N. H. Varieties of affect: Emotions and episodes, moods, and sentiments. In: EKMAN, P.; DAVIDSON, R. J. (Eds.). The nature of emotions: Fundamental questions. Oxford: Oxford University Press., 1994. p. 197–202.
GILL, A. J.; OBERLANDER, J. Perception of e-mail personality at zero acquaintance: Extraversion takes care of itself; Neuroticism is a worry. In: ANNUAL CONFERENCE OF THE COGNITIVE SCIENCE SOCIETY, 25., 2003, Boston. Anais…Hillsdale, NJ: LEA, 2003. p. 456–461.
GOLEMAN, D. Inteligência Emocional. Rio de Janeiro: Objetiva, 1995.
GOSLING, S. D.; RENTFROW, P, J.; SWANN J. R., W. B. A very brief measure of the big-five Personality domains. Journal of Research in Personality, [S. l.], v. 37, p. 504–528, 2003.
GOSLING, S. Psiu, Dê Uma Espiadinha: O Que As Suas Coisas Dizem Sobre Você. Tradução Marcio De Paula S. Hack. Rio De Janeiro: Elsevier, 2008. [onde comprar]
GRAESSER, A. C.; D’MELLO, S. K. Theoretical Perspectives on Affect and Deep Learning. In: CALVO, R. A.; D’MELLO, S. (Ed.). New Perspectives on Affect and Learning Technologies. New York, NY: Springer, 2011. p. 11–21.
GRANATYR, J.; OSMAN, N.; DIAS, J.; NUNES, M. A. S. N.; MASTHOFF, J.; ENEMBRECK, F.; LESSING, O. R.; SIERRA, C.; PAIVA, A.; SCALABRIN, E. E. The need of Affective Trust applied to Trust and Reputation Models. ACM Computing Surveys, [S. l.], v. 50, n. 4, 2017.
HU, R.; PU, P. A comparative user study on rating vs. personality quiz based preference elicitation methods. In: INTERNATIONAL CONFERENCE ON INTELLIGENT USER INTERFACES (IUI ’09), 14., 2009, Sanibel Island. Anais… New York, NY: ACM, 2009. p. 367-372.
HUSSAIN, M. S.; CALVO, R. A. A Framework for Multimodal Affect Recognition. Tese (Doutorado) – School of Electrical and Information Engineering, University of Sydney, Sidney, 2009.
IZARD, C. E. Emotion-cognition relationships and human development. In: IZARD, C. E.; KAGAN, J.; ZAJONC, R. B. (Ed.). Emotions, Cognition, and Behavior. Cambridge: Cambridge University Press, 1984. p. 17–37.
JAQUES, N. et al. Predicting affect from gaze data during interaction with an intelligent tutoring system. In: INTERNATIONAL CONFERENCE ON INTELLIGENT TUTORING SYSTEMS, 12., 2014, Honolulu. Anais… New York, NY: Springer, 2014. p. 29–38.
JAQUES, P. A. Avaliando um Modelo Afetivo de Aluno baseado em uma Abordagem Cognitiva. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO, 19., 2008, Fortaleza. Anais eletrônicos… [S.l.]: SBC, 2008.
JAQUES, P. A.; LEHMANN, M.; PESTY, S. Evaluating the affective tactics of an emotional pedagogical agent. In Proceedings of the 2009 ACM symposium on Applied Computing – SAC ’09 (Vol. 1, p. 104). New York, USA: ACM Press, 2009.
JAQUES, P. A.; NUNES, M. A. S. N. Ambientes Inteligentes de Aprendizagem que inferem, expressam e possuem emoções e personalidade. In: ISOTANI, S.; CAMPOS, F. (Eds.). Jornada de Atualização em Informática na Educação (JAIE). [s.l.]: SBC, 2012. p. 31–82.
JAQUES, P. A.; VICARI, R. A BDI approach to infer student’s emotions in an intelligent learning environment. Computers & Education, [S. l.], v. 49, n. 2, p. 360–384, set. 2007.
JOHN, O. P.; SRIVASTAVA, S. The Big Five Trait Taxonomy: History, Measurement, And Theoretical Perspectives. In: PERVIN, L. A.; JOHN, O. P. (Ed.). Handbook of Personality: Theory and Research. New York: Elsevier, 1999. p. 102–138.
JOHNSON, J. A. Ascertaining the validity of individual protocols from web-based personality inventories. Journal of research in personality, [S. l.], v. 39, n. 1, p. 103–129, 2005.
JOHNSON, J. A. Web-based personality assessment. In: 71st Annual Meeting of the Eastern Psychological Association, 71., 2000, Baltimore. Anais… [S.l.: s.n.], 2000.
JOHNSON, W. L.; RICKEL, J.; LESTER, J. C. Animated Pedagogical Agents: Face-to-Face Interaction in Interactive Learning Environments. International Journal of Artificial Intelligence in Education, [S. l.], v. 11, p. 47–78, 2000.
KHAN, I. A.; BRINKMAN, W.; FINE, N.; HIERONS, R. Measuring personality from keyboard and mouse use. In: EUROPEAN CONFERENCE ON COGNITIVE ERGONOMICS: the ergonomics of cool interaction (ECCE ’08), 15., 2008, Funchal. Anais… New York : ACM, 2008. [s. n.]
LANE, R. D.; NADEL, L. Cognitive neuroscience of emotion. Oxford: Oxford University Press, 1999.
LAZARUS, R. S. Progress on a cognitive-motivational-relational theory of emotion. American Psychologist, [S. l.], v. 46, n. 8, p. 819–834, 1991.
LAZARUS, R. S. Psychological stress and the coping process. New York: McGrawHill, 1966.
LEITE, I. et al. “Why can’t we be friends?” an empathic game companion for long-term interaction. In: INTERNATIONAL CONFERENCE ON INTELLIGENT VIRTUAL AGENTS, 10., 2010, Philadelphia. Anais… New York: Springer, 2010. p. 315-321.
LESTER, J. C. et al. The persona effect: Affective impact of animated pedagogical agents. In: SIGCHI CONFERENCE ON HUMAN FACTORS IN COMPUTING SYSTEMS, 4., 1997, Atlanta. Anais… New York: ACM, 1997. p. 315-321.
LISETTI, C. L. Personality, affect and emotion taxonomy for socially intelligent agents. In: INTERNATIONAL FLORIDA ARTIFICIAL INTELLIGENCE RESEARCH SOCIETY CONFERENCE, 15., 2002, Florida, . Anais… Florida: AAAI Press, 2002. p. 397–401.
LOEHLIN, J. C. Genes and Environment in Personality Development. Thousand Oaks: Sage Publications, 1992.
LOYALL, B. A.; BATES, J. Personality-rich believable agents that use language. In: INTERNATIONAL CONFERENCE ON AUTONOMOUS AGENTS, 1., 1997, Marina del Rey. Anais… New York, NY: ACM, 1997. p. 106-113.
MACHADO, A. A. A.; NUNES, M.A.S.N. Personalitatem Lexicon. Número do Registro na Biblioteca Nacional – 726.828 Livro: 1.406 Folha 463. Brasil, 2017.
MACHADO, A. A. A.;. Inferência De Personalidade A Partir De Textos De Rede Social Utilizando Um Léxico Afetivo Em Português Brasileiro. Dissertação (Mestrado em Ciência da Computação) – Programa de Pós-graduação em Ciência da Computação, Universidade Federal de Sergipe, Sergipe, 2016.
MAIRESSE, F.; WALKER, M.; MEHL, M.; MOORE, R. Using linguistic cues for the automatic recognition of personality in conversation and text. Journal of Artificial Intelligence Research, [S. l.], v. 30, n. 1, 457-500, 2007.
MORAIS, F.; SILVA, J. Da; REIS, H.; ISOTANI, S.; JAQUES, P. Computação Afetiva aplicada à Educação: uma revisão sistemática das pesquisas publicadas no Brasil. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 28., 2017, Recife. Anais eletrônicos… [S.l.]: SBC/CEIE, 27 out. 2017.
NASCIMENTO, N. S.; MACHADO, A. A; NUNES, M. A. S. N. PersonalitatemLexiconMiner. Patente: Programa de Computador. Número do registro: BR512017000471-4. INPI – Instituto Nacional da Propriedade Industrial, Brasil. 2017.
NUNES, M. A. S. N. et al. Teste de Personalidade story-based para a inferência de personalidade humana via enredos. São Cristovão: Editora UFS, 2013.
NUNES, M. A. S. N. Computação Afetiva personalizando interfaces, interações e recomendações de produtos, serviços e pessoas em Ambientes computacionais. In: NUNES, M. A. S. N.; OLIVEIRA, A. A.; ORDONEZ, E. D. M. (Org.). Projetos e Pesquisas em Ciência da Computação no DCOMP/PROCC/UFS. São Cristóvão: UFS, 2012. p. 115-151.
NUNES, M. A. S. N. Psychological Aspects in lifelike synthetic agents: Towards to the Personality Markup Language (A Brief Survey) RENOTE: Revista Novas Tecnologias na Educação, Porto Alegre, v. 7, p. 1-11, 2009a.
NUNES, M. A. S. N. Recommender Systems based on Personality Traits: Could human psychological aspects influence the computer decision-making process? Berlin: VDM Verlag, 2009b. (Disponível também como Tese de doutorado). [onde comprar]
OCHS, M.; BLACHE, P. Virtual Reality for Training Doctors to Break Bad News. In: EUROPEAN CONFERENCE ON TECHNOLOGY ENHANCED LEARNING (EC-TEL), [s.n.], 2016, Lyon. Anais… New York: Springer, 2016. p. 466–471.
OLIVEIRA, E.; JAQUES, P. A. Inferindo as emoções do usuário pela face através de um sistema psicológico de codificação facial. In: BRAZILIAN SYMPOSIUM ON HUMAN FACTORS IN COMPUTING SYSTEMS, 8., 2008, Porto Alegre. Anais… Porto Alegre, RS: SBC, 2008.
ORTONY, A. On Making Believable Agents Believable. In: TRAPPL, R.; PETTA, P.; PAYR, S. (Ed.) Emotions in humans and artefacts. Massachusetts: MIT Press, 2003. cap. 6, p. 189–211.
ORTONY, A.; CLORE, G. L.; COLLINS, A. The Cognitive Structure of Emotions. Cambridge: Cambridge University Press, 1988.
PAIVA, A. Empathy in Social Agents. International Journal of Virtual Reality, [S. l.], v. 10, n. 1, 65-68. 2011.
PAIVA, A.; MACHADO, I. Life-long training with Vincent, a web-based pedagogical agent. International Journal of Continuous Engineering Education and Life-long Learning, [S. l.], v. 12, n. 1, 1999.
PEKRUN, R. Emotions as Drivers of Learning and Cognitive Development. In: CALVO, R. A.; D’MELLO, S. K. (Ed.). New Perspectives on Affect and Learning Technologies. New York: Springer, 2011. p. 23–39.
PIAGET, J. Les relations entre l’intelligence et l’affectivité dans le developpement de l’enfant. In: RIMÉ, B.; SCHERER, K. R. (Ed.). Les Émotions. Textes de base en psychologie. Paris: Delachaux et Niestlé, 1989. p. 75–95. [onde comprar]
PIANESI, F.; MANA, N.; CAPPELLETTI, A.; LEPRI, B.; ZANCANARO, M. Multimodal recognition of personality traits in social interactions. In: INTERNATIONAL CONFERENCE ON MULTIMODAL INTERFACES, 10., 2008, Chania. Anais… New York: ACM, 2008 p. 53–60.
PICARD, R. W. Affective Computing. Cambridge: MIT Press, 1997. [onde comprar]
PICARD, R. W.; VYZAS, E.; HEALEY, J. Toward machine emotional intelligence: Analysis of affective physiological state. IEEE Transactions on Pattern Analysis and Machine Intelligence, [S. l.], v. 23, n. 10, p. 1175–1191, 2001.
PLUTCHIK, R. A general psychoevolutionary theory of emotion. Emotion: Theory, Research, and Experience. v. 1, Cambridge: Academic Press, 1980. p. 3–33.
PORTO, S. M.; COSTA, W. S.; NUNES, M. A. S. N.; MATOS, L. N. Como a extração de personalidade através do teclado pode beneficiar a personalização na Educação. In: TOWARDS AFFECTIVE COMPUTING IN EDUCATION, SBIE-WIE Workshop, 1., 2011, Aracaju. Anais… Aracaju: SBC/CEIE, 2011. p. 1800-1807.
PRADA, R.; CAMILO, J.; NUNES, M. A. S. N. Introducing Personality into Team Dynamics. In: EUROPEAN CONFERENCE ON ARTIFICIAL INTELLIGENCE (ECAI), 19., 2010, Lisbon. Anais… Amsterdam: IOS Press, 2010. p. 667-672.
ROUSSEAU, D.; HAYES-ROTH, B. Personality in synthetic agents. Technical Report KSL-96-21, July, 1996.
RYAN, R.; DECI, E. L. Intrinsic and Extrinsic Motivations: Classic Definitions and New Directions. Contemporary educational psychology, [S. l.], v. 25, n. 1, p. 54–67, jan. 2000.
SALLOUM, S. A.; AL-EMRAN, M.; MONEM, A. A; SHAALAN, K. A Survey of Text Mining in Social Media: Facebook and Twitter Perspectives. Advances in Science, Technology and Engineering Systems Journal, [S. l.], v. 2, n. 1, p. 127-133, 2017.
SCHERER, K. R. Appraisal theory. In: DALGLEISH, T.; POWER, M. (Ed.). Handbook of Cognition and Emotion. New Jersey: John Wiley & Sons Ltd., 1999. p. 637–663.
SCHERER, K. R. Psychological models of emotion. In: BOROD, J. (Ed.). The neuropsychology of emotion. Oxford: Oxford University Press, 2000. p. 137–162.
SCHERER, K. R. Appraisal Considered as a Process of Multilevel Sequential Checking. In: SCHERER, K. R.; SCHORR, A.; JOHNSTONE, T. (Ed.). Appraisal Processes in Emotion: Theory, Methods, Research. Oxford: Oxford University Press, 2001. p. 92-120.
SCHERER, K. R. What are emotions? And how can they be measured? Social Science Information, [S. l.], v. 44, n. 4, p. 695–729, 29 dez. 2005.
SCHULTZ, D. Theories of Personality. Pacific Grove: Brooks/Cole, 1990.
SILVA, I. B., e NAKANO, T. C. Modelo dos Cinco Grandes Fatores da personalidade: análise de pesquisas. Avaliação Psicológica, [S. l.], v. 10, n. 1, p. 51-62, 2011.
SILVA, I. D.; GRANATYR, J.; NUNES, M. A. S. N.; CARVALHO, D. P. ALMANAQUE PARA POPULARIZAÇÃO DE CIÊNCIA DA COMPUTAÇÃO Série 4: Computação Afetiva; Volume 5: Computação afetiva aplicada em modelos de confiança e reputação: parte 1. Porto Alegre: SBC, 2016a. v. 5. 32 p.
SILVA, I. D.; GRANATYR, J.; NUNES, M. A. S. N.; BARBOSA, A. S. ALMANAQUE PARA POPULARIZAÇÃO DE CIÊNCIA DA COMPUTAÇÃO Série 4: Computação Afetiva; Volume 6: Computação afetiva aplicada em modelos de confiança e reputação: parte 2. Porto Alegre: SBC, 2016b, v. 6. p.36.
SOLDZ, S.; VAILLANT, G. The big five personality traits and the life course: A 45 years longitudinal study. Journal of Research in Personality, [S. l.], v. 33, n. 2, p. 208–232, 1999.
TKALČIČ, M.; BURNIK, U.; KOŠIR, A. Using affective parameters in a content-based recommender system for images. User Modeling and User-Adapted Interaction. The Journal of Personalization Research, [S. l.], v. 20, n. 4, p. 279-311, 2010.
VYGOTSKY, L. The Problem of the Environment. In: VEER, R. VAN DER; VALSINER, J. (Ed.). The Vygotsky Reader. New Jersey: Blackwell Publishing Ltd, 1994. p. 338–354.
ZHOU, X.; CONATI, C. Inferring user goals from personality and behavior in a causal model of user affect. In: Proceedings of the 8th international conference on Intelligent user interfaces (IUI ’03). Anais… ACM, New York, NY, USA, 211-218. 2003.
Sobre as autoras
(http://lattes.cnpq.br/5723385125570881)
Bolsista de produtividade DT-CNPq em Tecnologias Educacionais e Sociais. Professora adjunta do Programa de Pós-Graduação em Computação Aplicada da Universidade do Vale do Rio dos Sinos (UNISINOS). Pós-doutora na área de Sistemas Tutores Inteligentes na Carnegie Mellon, EUA (2012). Doutora em Ciência da Computação pela Universidade Federal do Rio Grande do Sul (2004), realizou estágio de doutorado sanduíche no Laboratoire Informatique de Grenoble, França (2002). É mestre em Ciência da Computação pela PUCRS (2000) e possui graduação em Informática pela PUCRS. Seus principais tópicos de pesquisa são: Sistemas Tutores Inteligentes, Agentes Pedagógicos Animados e Computação Afetiva.
(http://lattes.cnpq.br/9923270028346687)
Bolsista de produtividade DT-CNPq. Professora Associada I do Departamento de Computação da Universidade Federal de Sergipe. Membro do Programa de Pós-Graduação em Ciência da Computação (PROCC) na UFS. Pós-doutora em Propriedade Intelectual no Instituto Nacional de Propriedade Industrial (INPI). Doutora em Informatique pela Université de Montpellier II/LIRMM/Montpellier, França (2008). Realizou estágio doutoral (doc-sanduíche) INESC-ID-IST Lisboa/Portugal (ago 2007-fev 2008). Mestre em Ciência da Computação pela Universidade Federal do Rio Grande do Sul (1998). Graduada em Ciência da Computação pela Universidade de Passo Fundo/RS (1995). Atualmente, suas pesquisas estão voltadas à área de Propriedade Intelectual e Computação Afetiva na tomada de decisão Computacional.
Como citar este capítulo
JAQUES, Patrícia Augustin; NUNES, Maria Augusta S.N. Computação Afetiva aplicada à Educação. In: SAMPAIO, Fábio F.; PIMENTEL, Mariano; SANTOS, Edméa O. (Org.). Informática na Educação: games, inteligência artificial, realidade virtual/aumentada e computação ubíqua. Porto Alegre: Sociedade Brasileira de Computação, 2021. (Série Informática na Educação CEIE-SBC, v.7). Disponível em: <https://ieducacao.ceie-br.org/computacaoafetiva>