Orientador: Prof. Dr. Peter M. E. Claessens / Dissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Neurociência e Cognição, 2014. / Zumbido (tinnitus) é um distúrbio comum de audição, muitas vezes debilitante em graus variados. Dado que zumbido é uma condição multifacetada, com sintomas que frequentemente são psicológicos e subjetivos, e com muitas causas potenciais, a diagnose deste distúrbio não é trivial. Por exemplo, zumbido pode ser objetivo e mensurável ou subjetivo e produzido por fatores neurais que podem ser de localização mais periférica ou central. Este projeto de mestrado propõe o desenvolvimento de um sistema especialista médico para apoiar clínicos na indicação de tratamento para zumbido. Este estudo foca em três tipos de tratamento para zumbido, a saber, dieta, medicação e aparelho auditivo, como também nas combinações, para categorização supervisionada. Redes Bayesianas ingênuas (naive) foram utilizadas para relacionar uma diversidade de resultados de exames e elementos de anamnese a indicações de tratamento por clínicos. Como tratamentos não são mutualmente exclusivos, a categorização deve levar em conta casos multi-label, isto é, a possibilidade de indicações diferentes de tratamento simultâneas. Com o objetivo de mapear as probabilidades a posteriori das indicações diferentes de tratamento para classificação multi-label , a diferença entre as distribuições a posteriori foi usada como critério para resolver o problema multi-label. Esta estratégia foi avaliada e o desempenho comparada a uma estratégia mais simples de mapeamento single-label. Os resultados mostram que a acurácia da abordagem multi-label é melhor que o ajuste single-label. O sistema fornece assim um primeiro passo satisfatório do desenvolvimento de um sistema de apoio médico futuramente mais amplo, integrado e dinâmico. / Tinnitus is a common hearing disorder, often debilitating to varying degrees. Given that tinnitus is a multifaceted condition, with symptoms that are often psychological and subjective, and with many different possible causes, its diagnosis is not trivial. For example, tinnitus can be objective and measureable or subjective and produced by neural factors which can either be more peripheral or more centrally located. This Master¿s project proposes the development of a medical expert system to assist clinicians in the indication of treatment for tinnitus. This study focused on three types of treatment for tinnitus, namely, Diet, Medication and Hearing Aid, as well as on their combinations for supervised categorization. Naïve Bayes networks were used to relate a diversity of test results and elements of the anamnesis to treatment referrals by clinicians. Because treatments are not mutually exclusive, the categorization needs to take into account multi-labeling cases, that is, the possibility of several simultaneous treatment indications. In order to map the posterior probabilities of the different treatment indications to multi-labeling classification, the difference between posterior probabilities was used as a criterion to solve the multi-labeling problem. This strategy was evaluated and its performance compared to a simpler single-labeling mapping strategy. The result shows that the accuracy of the multi-labeling approach is higher than a single-labeling adjustment. The system thus provides a first satisfactory step in the development of a more encompassing, integrated and dynamic medical support system.

Este trabalho propõe um modelo probabilístico de conhecimento e raciocínio para um agente, denominado Agente Social, cujo principal objetivo é analisar o perfil dos alunos, usuários de um Sistema Tutor Inteligente chamado AMPLIA, e compor grupos de trabalho. Para formar estes grupos, o Agente Social considera aspectos individuais do aluno e estratégias de formação de grupos. A aprendizagem colaborativa envolve relações sociais cujos processos são complexos e apresentam dificuldade para sua modelagem computacional. A fim de representar alguns elementos deste processo e de seus participantes, devem ser considerados aspectos individuais, tais como estado afetivo, questões psicológicas e cognição. Também devem ser considerados aspectos sociais, tais como a habilidade social, a aceitação e a forma em que as pessoas se relacionam e compõem seus grupos de trabalho ou estudo. Sistemas Tutores Inteligentes, Sistemas Multiagente e Computação Afetiva são áreas de pesquisa que vem sendo investigadas de forma a oferecer alternativas para representar e tratar computacionalmente alguns destes aspectos multidisciplinares que acompanham a aprendizagem individual e colaborativa. O Agente Social está inserido na sociedade de agentes do portal PortEdu que, por sua vez, fornece serviços ao ambiente de aprendizagem AMPLIA O PortEdu é um portal que provê serviços para os ambientes educacionais integrados a ele. Este portal foi modelado em uma abordagem multiagente e cada serviço oferecido é implementado por um agente específico. Os ambientes educacionais que utilizam os serviços do portal também são sociedades de agentes e, em geral, Sistemas Tutores Inteligentes. O ambiente AMPLIA (Ambiente Multiagente Probabilístico Inteligente de Aprendizagem) foi projetado para suportar o treinamento do raciocínio diagnóstico e modelagem de domínios de conhecimento incerto e complexo, como a área médica. Este ambiente usa a abordagem de Redes Bayesianas onde os alunos constróem suas próprias redes para um problema apresentado pelo sistema através de um editor gráfico de Redes Bayesianas. Neste trabalho, o editor do AMPLIA foi adaptado para uma versão colaborativa, que permite a construção das redes por vários alunos remotos conectados ao sistema. É através deste editor que o Agente Social observa e interage com os alunos sugerindo a composição dos grupos. Foram realizados experimentos práticos acompanhados por instrumentos de avaliação, com o objetivo de analisar a composição de grupos sugerida pelo Agente Social e relacioná-la com os grupos formados espontaneamente pelos alunos no ambiente de sala de aula. O resultado do trabalho individual e dos grupos também foi analisado e discutido nesta pesquisa. / This research proposes a probabilistic knowledge and reasoning model for an agent, named Social Agent, whose main goal is to analyze students' profiles and to organize them in workgroups. These students are users of an Intelligent Tutoring System named AMPLIA. In order to suggest those groups, the Social Agent considers individual aspects of the students and also strategies for group formation. Collaborative learning involves social relationships with complex processes which are difficult to model computationally. In order to represent these relationships, we should consider several aspects of the student, such as affective state, psychological issues, and cognition. We should also consider social aspects such as social ability, social acceptance and how people relate to each other, and how they compose their workgroups. Intelligent Tutoring Systems, Multiagent Systems and Affective Computing are research areas which our research group have been investigating, in order to represent and to deal computationally with multidisciplinary issues involving individual and collaborative learning. The Social Agent is part of an agent society of the PortEdu Portal, which provides services to AMPLIA. PortEdu is an educational portal which provides facilities to educational environments integrated to it. This portal has been modeled using a multiagent approach and each of its services is represented by a specific agent. The educational environments that make use of the portal's services are also agent societies and, in general, Intelligent Tutoring Systems. AMPLIA (Probabilistic Multiagent Learning Environment) has been designed in order to support diagnostic reasoning and the modeling of diagnostic hypotheses in domains with complex and uncertain knowledge, such as the medical domain. This environment uses a Bayesian Networks approach in which students build their own networks for a clinical case through a Bayesian Network graphical editor. Here, the AMPLIA editor has been adapted and extended to a collaborative version, which enables the network construction for remote students connected to the system. Through this editor, the Social Agent observes and interacts with students, suggesting the composition of workgroups. Practical experiments using assessment tools have been carried out, in order to analyze the workgroups suggested by the Social Agent and to compare them with groups naturally composed by students in the classroom. The results of the work done by individual students and by workgroups were also analyzed and discussed in this research.

Made available in DSpace on 2016-06-02T19:05:47Z (GMT). No. of bitstreams: 1 3324.pdf: 1850607 bytes, checksum: 92205ea8790a4197a10996b4ec47aa7d (MD5) Previous issue date: 2010-07-02 / Universidade Federal de Minas Gerais / The decision support tools are importants in many domains of our society. But there is a need to make users understand the decisions made by those tools in order to increase the faith of the users on the results. In the literature, Bayesian networks are considered as a probabilistic classification system with good performance. But it still need a better presentation of it results to make it more understandable to the users. In other hand, the fuzzy logic ofer potential to deal with imprecision and uncertainty, as well as a linguistic representation, which facilitates user's understanding. The combination of Bayesian networks and fuzzy logic is proposed by the method BayesFuzzy, which make use of fuzzy rules as a form of explanation of a Bayesian network, it aims to obtain a decision support tool with good performance and easy to be understood by users. So we are proposiing the method Pruned BayesFuzzy (PBF), it is a BayesFuzzy incorporated with minimum certainty degree, default rule and Rule Post-Pruning as a form to select the most important rules for classification between all the rules generated, it also simplifies those rules. The results of PBF show an improvement in understanding but a loss in correct classification rate. But the improvement in understanding is promising enough to further research and enhance of the PBF. Then beside PBF, we also propose the Pruned BayesFuzzy 2 (PBF2), which is PBF incorporated with a feature selection technique based on Markov Blanket. With the incorporation of this technique, it's possible to deal with situations that contains a large amount of variables inside of the Markov Blanket of the class variable. The results show a loss in correct classification rate, that is already expected when we try to simplify further more the Markov Blanket. However, the availability to be able to deal with big scale problems is something to be considered. / As ferramentas de apoio à decisão são importantes em diversos domínios da nossa sociedade. Porém há uma necessidade do usuário entender as decisões feitas por tais ferramentas para ter uma confiança maior sobre os resultados. Na literatura técnica, as redes Bayesianas são consideradas como um sistema probabilístico de classificação com bom desempenho em termos de precisão. Mas ainda necessitam de uma forma de apresentação mais compreensível para os usuários. Por outro lado, a lógica fuzzy oferece potencial para lidar com imprecisão e incerteza, assim como a representação linguística, o que facilita a compreensão dos usuários. A combinação das redes Bayesianas com a lógica fuzzy é proposta pelo método BayesFuzzy que utiliza regras fuzzy como explicação de uma rede Bayesiana, com o objetivo de obter uma ferramenta de apoio à decisão de bom desempenho e que seja fácil de ser compreendida pelos usuários. O BayesFuzzy, entretanto, apresenta limitações com relação ao número de regras geradas e isto torna seus resultados, muitas vezes, de difícil interpretação. Assim, neste trabalho de mestrado é proposto o método Pruned BayesFuzzy (PBF). O PBF tem como base o BayesFuzzy e incorpora algumas técnicas de minimização do número de regras para otimizar a compreensibilidade dos resultados gerados. Dentre as técnicas incorporadas estão o mínimo grau de certeza, a regra default e a poda Rule Post- Pruning como formas de selecionar dentre as regras geradas, as mais importantes para a classificação e ao mesmo tempo simplificando estas regras. Os resultados do PBF mostram que houve um ganho grande em relação à compreensibilidade, mas também uma perda na taxa de classificação correta. Porém o ganho de compreensibilidade é bastante promissor o que estimula a pesquisa e a seqüência dos trabalhos com o PBF. Além do PBF, este trabalho propõe também o Pruned BayesFuzzy 2 (PBF2) que é o PBF incorporando uma técnica de seleção de atributos baseado em Markov Blanket. Com a incorporação desta técnica, é possível lidar com situações que contém uma quantidade grande de variáveis dentro do Markov Blanket da variável classe. Os resultados mostram que houve perda na taxa de classificação correta, o que é de se esperar quando tentamos simplificar mais ainda o Markov Blanket. A viabilidade de poder resolver problemas reais de grande escala e com algumas características específicas é ainda algo a ser considerado.

Software prediction unveils itself as a difficult but important task which can aid the manager on decision making, possibly allowing for time and resources sparing, achieving higher software quality among other benefits. One of the approaches set forth to perform this task has been the application of machine learning techniques. One of these techniques are Bayesian Networks, which have been promoted for software projects management due to their special features. However, the pre-processing procedures related to their application remain mostly neglected in this field. In this context, this study presents an assessment of automatic Bayesian Networks (i.e., Bayesian Networks solely based on data) on three public data sets and brings forward a discussion on data pre-processing procedures and the validation approach. We carried out a comparison of automatic Bayesian Networks against mean and median baseline models and also against ordinary least squares regression with a logarithmic transformation, which has been recently deemed in a comprehensive study as a top performer with regard to accuracy. The results obtained through careful validation procedures support that automatic Bayesian Networks can be competitive against other techniques, but still need improvements in order to catch up with linear regression models accuracy-wise. Some current limitations of Bayesian Networks are highlighted and possible improvements are discussed. Furthermore, this study provides some guidelines on the exploration of data. These guidelines can be useful to any Bayesian Networks that use data for model learning. Finally, this study also confirms the potential benefits of feature selection in software effort prediction.

O raciocínio realizado em agentes BDI envolve essencialmente manipular três estruturas de dados representando suas crenças, desejos e intenções. Crenças de agentes BDI tradicionais não representam incerteza, e podem ser expressas como um conjunto fechado de literais ground. As restrições que indicam se um dado desejo é viável e pode ser adotado como uma intenção em agentes BDI tradicionais podem ser representadas como expressões lógicas sobre crenças. Dado que Redes Bayesianas permitem que representem-se informações com incerteza probabilisticamente, agentes BDI bayesianos as empregam para suportar incerteza em suas crenças. Em agentes BDI bayesianos, crenças representadas em Redes Bayesianas referem-se a estados de variáveis de eventos, possuindo probabilidades dinâmicas individuais que referem-se à incerteza. Os processos the constituem o raciocínio neste modelo de agente requerem mudanças a fim de acomodar esta diferença. Dentre estes processos, este trabalho concentra-se especificamente na seleção de desejos. Uma estratégia prévia para seleção de desejos é baseada em aplicar um limiar a probabilidades de crenças. Entretanto, tal abordagem impede que um agente selecione desejos condicionados em crenças cujas probabilidades estejam abaixo de um certo limiar, mesmo que tais desejos pudessem ser atingidos caso fossem selecionados. Para lidar com esta limitação, desenvolvemos três abordagens alternativas para seleção de desejos sob incerteza: Ranking Probabilístico, Loteria Viciada e Seleção Multidesejos Aleatória com Viés. Probability Ranking seleciona um desejo usando uma lista de desejos ordenados em ordem decrescente de probabilidade de pré-condição. Loteria Viciada seleciona um desejo usando um valor numérico aleatório e intervalos numéricos – associados a desejos – proporcionais às probabilidades de suas pré-condições. Seleção Multidesejos Aleatória com Viés seleciona múltiplos desejos usando valores numéricos aleatórios e considerando as probabilidades de suas pré-condições. Apresentamos exemplos, incluindo o agente Vigia, assim como experimentos envolvendo este, para mostrar como essas abordagens permitem que um agente às vezes selecione desejos cujas crenças pré-condições possuem probabilidades muito baixas. / The reasoning performed in BDI agents essentially involves manipulating three data structures representing their beliefs, desires and intentions. Traditional BDI agents’ beliefs do not represent uncertainty, and may be expressed as a closed set of ground literals. The constraints that indicate whether a given desire is viable and passive to be adopted as an intention in traditional BDI agents may be represented as logical expressions over beliefs. Given that Bayesian Networks allow one to represent uncertain information probabilistically, Bayesian BDI agents employ Bayesian Networks to support uncertainty in their beliefs. In Bayesian BDI agents, beliefs represented in Bayesian Networks refer to states of event variables, holding individual dynamic probabilities that account for the uncertainty. The processes that constitute reasoning in this agent model require changes in order to accomodate this difference. Among these processes, this work is specifically concerned with desire selection. A previous strategy for desire selection is based on applying a threshold on belief probabilities. However, such an approach precludes an agent from selecting desires conditioned on beliefs with probabilities below a certain threshold, even if those desires could be achieved if they were selected. To address this limitation, we develop three alternative approaches to desire selection under uncertainty: Probability Ranking, Biased Lottery and Multi-Desire Biased Random Selection. Probability Ranking selects a desire using a list of desires sorted in decreasing order of precondition probability. Biased Lottery selects a desire using one random numeric value and desire-associated numeric intervals proportional to the probabilities of the desires’ preconditions. Multi-Desire Biased Random Selection selects multiple desires using random numeric values and considering the probabilities of their preconditions. We present examples, including theWatchman agent, as well as experiments involving the latter, to show how these approaches allow an agent to sometimes select desires whose belief preconditions have very low probabilities.

Existe uma noção intuitiva de que os custos associados a ações de suporte de projetos de gerenciamento de Tecnologia da Informação (TI), muitas vezes considerados já muito elevados e em crescimento, possuem forte vinculação com esforços empreendidos nas fases de desenvolvimento/implantação e teste. Apesar da importância de caracterizar e compreender a sistemática dessa relação, pouco tem sido feito neste domínio, principalmente devido à falta de mecanismos adequados tanto para o compartilhamento de informações entre as fases de um projeto de TI, quanto para aprender com experiências passadas. Para lidar com essa problemática, propõe-se nesta dissertação uma abordagem para estimar dinamicamente os custos de suporte de projetos de gerenciamento de TI à luz de informações provenientes das fases de desenvolvimento/implantação e teste. As estimativas de custos são calculadas a partir da integração de informações produzidas ao longo do ciclo de vida de projetos (passados). O núcleo da solução presente neste trabalho conta com um modelo Bayesiano para realizar previsão de custos de suporte, apoiado em um modelo de informação usado para persistir informações históricas. Para provar conceito e viabilidade técnica da solução proposta considerou-se, como estudo de caso, a predição de custos associados com projetos de implantação de infraestrutura de redes sem fio. Durante a avaliação é demonstrada a eficácia e eficiência do modelo, bem como discutido suas potencialidades e limitações para auxiliar no entendimento do compromisso entre custos de desenvolvimento/ implantação, teste e suporte. A avaliação conduzida fez uso de dados reais/sintéticos produzidos a partir de projetos do ISBSG e apresenta resultados próximos dos encontrados em cenários reais. Nossa abordagem obteve cerca de 80% de acerto na estimativa dos custos de suporte para os cenários avaliados. / There is an intuitive notion that the costs associated with IT management project support actions, often deemed extremely high and increasing, are directly related to the effort spent during their development/deployment and test phases. Despite the importance of systematically characterizing and understanding this relationship, little has been done in this realm mainly due to the lack of proper mechanisms for both sharing information between IT project phases and learning from past experientes. To tackle this issue, in this dissertation we proposed an approach for dynamically predicting IT management project support costs taking into account information gathered from the development/deployment and test phases. Support cost estimates are computed by integrating existing information from the lifecycle of (past) projects. The core of the solution in this work relies on a Bayesian model to perform support cost predictions, supported by an information model employed to persist historical information gathered from past projects. To prove the concept and technical feasibility of our solution we consider as a case study the prediction of costs (either development/test/support) associated with projects for the deployment of wireless network infrastructures. During the evaluation is demonstrated the effectiveness and efficiency of the model and discussed its potential and limitations in order to help understanding the trade-offs between development/deployment, test, and support costs. Our solution has been evaluated based on real/synthetics data gathered from the ISBSG dataset, and presents results similar to those found in real-life scenarios. Our solution has provided correct estimates for around 80% of the support costs for the scenarios evaluated.

O presente trabalho tem como objetivo principal a classificação do risco de infestação por regiões de culturas vegetais por plantas daninhas. Os riscos por regiões são obtidos por um sistema de classificação fuzzy, usando métodos de Krigagem e análise de imagens. A infestação é descrita por atributos da cobertura foliar, densidade de sementes, extensão dos agrupamentos de sementes e competitividade, obtidos a partir das amostras de densidades de sementes e de plantas daninhas, da cobertura foliar e da biomassa de plantas daninhas. O atributo da cobertura foliar indica a porcentagem de ocupação das plantas emergentes e é obtido a partir de um mapa de cobertura foliar, construído usando Krigagem. O atributo da densidade de sementes caracteriza a localização das sementes que podem germinar e é obtido a partir de um mapa da distribuição da produção de sementes das plantas daninhas, também construído usando Krigagem. O atributo da extensão dos agrupamentos de sementes reflete a influência das sementes vizinhas em uma certa localização e também é obtido a partir do mapa de distribuição da produção de sementes. O atributo da competitividade entre plantas daninhas e cultura é obtido a partir de um sistema neurofuzzy, utilizando amostras de densidade e de biomassa das plantas daninhas. Para reunir os riscos de infestação semelhantes, os valores de risco inferidos por região pelo sistema fuzzy são agrupados considerando valores e localizações próximas utilizando o método k-médias com coeficiente de variação. Uma abordagem probabilística com redes de classificação Bayesianas é também empregada para a obtenção de um conjunto de regras linguísticas para classificar a competitividade e o risco de infestação, por motivo de comparação. Resultados para o risco de infestação são obtidos para uma área experimental em uma cultura de milho indicando a existência de riscos diferenciados que são explicados pela perda de rendimento da cultura. / The goal of this work is the classification of the risk of infestation per regions of a crop by weeds. The risks per regions are obtained by a fuzzy classification system, using kriging and image analysis. The infestation is described by attributes of the weed coverage, weed seed density, weed seed patches and competitiveness, obtained from weed seeds and weed densities, weed coverage and biomass. The attribute of the weed coverage indicates the percentage of infested surface of the emergent weeds which is obtained from a weed coverage map built with kriging. The attribute of the weed seed density is obtained from a weed seed production map also built with kriging which characterizes the locations of seeds which can germinate. The attribute of the weed seed patches is also obtained by the weed seed production map which reflects how the seeds contribute to weed proliferation in the surroundings. The attribute of the competitiveness among weeds and crop is obtained from a neurofuzzy system, using the weeds density and biomass of the plants. In order to aggregate the similar risks of infestation, the values of risks per region inferred by the fuzzy system are clustered according to similar values and locations using the k-means method with a variation coefficient. A probabilistic approach with Bayesian networks classifiers is also considered to obtain a set of linguistic rules to classify the competitiveness and the risk of infestation, for comparison purposes. Results for the risk of infestation are obtained for an experimental area in a corn crop which indicate the existence of different risks, explained by the yield loss of the crop.

Recentemente, na indústria naval, a normatização por sociedades classificadoras e pela IMO (International Maritime Organization) tem apresentado uma mudança paulatina, migrando dos procedimentos prescritivos para uma estrutura regulatória baseada em risco. Tal perspectiva oferece algumas vantagens para operadores e armadores (empresas que exploram comercialmente as embarcações): 1) maior capacidade de incorporar projetos inovadores, tecnicamente superiores, a custos aceitáveis; 2) maior confiança quanto à segurança; 3) melhor entendimento de eventos de periculosidade, dos riscos enfrentados em novos projetos e de medidas de mitigação. Especificamente no setor petrolífero, a análise, a avaliação e o gerenciamento de risco são vitais, em face da potencial gravidade dos acidentes no que diz respeito à vida humana, ao meio-ambiente e ao patrimônio. Dado que a maior parte dos acidentes nesta área são motivados por fatores humanos, o propósito deste trabalho é apresentar uma metodologia e técnicas eficientes de análise de confiabilidade humana aplicáveis a esta indústria. Durante as últimas décadas, se desenvolveram várias técnicas para o estudo quantitativo da confiabilidade humana. Na década de oitenta foram desenvolvidas técnicas que modelam o sistema por meio de árvores binárias, não permitindo a representação do contexto em que as ações humanas ocorrem. Desta forma, a representação dos indivíduos, suas inter-relações e a dinâmica do sistema não podem ser bem trabalhadas pela aplicação destas técnicas. Estas questões tornaram latente a necessidade de aprimoramento dos métodos utilizados para a HRA (Human Reliability Analysis). No intuito de extinguir, ou ao menos atenuar, estas limitações alguns autores vêm propondo a modelagem do sistema por meio de Redes Bayesianas. Espera-se que a aplicação desta ferramenta consiga suprimir boa parte das deficiências na modelagem da ação humana com o uso de árvores binárias. Este trabalho apresenta uma breve descrição da aplicação de Redes Bayesianas na HRA. Além disto, apresenta a aplicação desta técnica no estudo da operação de um navio petroleiro, tendo como foco a quantificação da contribuição do fator humano em cenários de colisão. Por fim, são feitas considerações a respeito dos fatores que podem influenciar no desempenho humano e no risco de colisão. / Recently, in the naval industry, the normalization of classification societies and IMO (International Maritime Organization) has presented a gradual change, going from prescriptive procedures to a regulatory structure based on risk. That perspective offers some advantages to operators and constructors: 1) greater capacity to incorporate innovations in design, technically superiors, at acceptable cost; 2) greater confidence as to security; 3) better understanding of hazardous events, the risks faced by new projects and measures of mitigation. Specifically in the oil sector, the analyze, evaluation, and management of risk are vital, in face of the accidents severity potential in respect to human life, environment and property. Given that the greater part of the accidents on this sector is caused by human factors, the purpose of this dissertation is present a methodology and efficient techniques to HRA (Human Reliability Analysis) that can be applied in this industry. During the last decades many techniques were developed to a quantitative study of the human reliability. In the eighties were developed some techniques based in the modeling by means of binaries trees. These techniques do not consider the representation of the context in which the human actions occur. Thus, the representation of individuals, their inter-relationships and dynamics of the system cannot be better worked by the application of these techniques. These issues became the improvement of the used methods for HRA a latent need. With the aim of extinguish, or attenuate at least, these weaknesses some authors proposed the modeling of the human system by means of Bayesians Network. It is expected that with the application of this tool can be suppressed great part of the deficiencies of the human action modeling by means of binaries trees. This work presents a brief description about the application of Bayesians Network in HRA. Additionally, is presented the application of this technique in the study of an oil tanker operation, focusing in the human factor quantification in scenarios of collision. Besides, are presented some considerations about the factors that can influence the human performance and the collision risk.

Este trabalho propõe um modelo probabilístico de conhecimento e raciocínio para um agente, denominado Agente Social, cujo principal objetivo é analisar o perfil dos alunos, usuários de um Sistema Tutor Inteligente chamado AMPLIA, e compor grupos de trabalho. Para formar estes grupos, o Agente Social considera aspectos individuais do aluno e estratégias de formação de grupos. A aprendizagem colaborativa envolve relações sociais cujos processos são complexos e apresentam dificuldade para sua modelagem computacional. A fim de representar alguns elementos deste processo e de seus participantes, devem ser considerados aspectos individuais, tais como estado afetivo, questões psicológicas e cognição. Também devem ser considerados aspectos sociais, tais como a habilidade social, a aceitação e a forma em que as pessoas se relacionam e compõem seus grupos de trabalho ou estudo. Sistemas Tutores Inteligentes, Sistemas Multiagente e Computação Afetiva são áreas de pesquisa que vem sendo investigadas de forma a oferecer alternativas para representar e tratar computacionalmente alguns destes aspectos multidisciplinares que acompanham a aprendizagem individual e colaborativa. O Agente Social está inserido na sociedade de agentes do portal PortEdu que, por sua vez, fornece serviços ao ambiente de aprendizagem AMPLIA O PortEdu é um portal que provê serviços para os ambientes educacionais integrados a ele. Este portal foi modelado em uma abordagem multiagente e cada serviço oferecido é implementado por um agente específico. Os ambientes educacionais que utilizam os serviços do portal também são sociedades de agentes e, em geral, Sistemas Tutores Inteligentes. O ambiente AMPLIA (Ambiente Multiagente Probabilístico Inteligente de Aprendizagem) foi projetado para suportar o treinamento do raciocínio diagnóstico e modelagem de domínios de conhecimento incerto e complexo, como a área médica. Este ambiente usa a abordagem de Redes Bayesianas onde os alunos constróem suas próprias redes para um problema apresentado pelo sistema através de um editor gráfico de Redes Bayesianas. Neste trabalho, o editor do AMPLIA foi adaptado para uma versão colaborativa, que permite a construção das redes por vários alunos remotos conectados ao sistema. É através deste editor que o Agente Social observa e interage com os alunos sugerindo a composição dos grupos. Foram realizados experimentos práticos acompanhados por instrumentos de avaliação, com o objetivo de analisar a composição de grupos sugerida pelo Agente Social e relacioná-la com os grupos formados espontaneamente pelos alunos no ambiente de sala de aula. O resultado do trabalho individual e dos grupos também foi analisado e discutido nesta pesquisa. / This research proposes a probabilistic knowledge and reasoning model for an agent, named Social Agent, whose main goal is to analyze students' profiles and to organize them in workgroups. These students are users of an Intelligent Tutoring System named AMPLIA. In order to suggest those groups, the Social Agent considers individual aspects of the students and also strategies for group formation. Collaborative learning involves social relationships with complex processes which are difficult to model computationally. In order to represent these relationships, we should consider several aspects of the student, such as affective state, psychological issues, and cognition. We should also consider social aspects such as social ability, social acceptance and how people relate to each other, and how they compose their workgroups. Intelligent Tutoring Systems, Multiagent Systems and Affective Computing are research areas which our research group have been investigating, in order to represent and to deal computationally with multidisciplinary issues involving individual and collaborative learning. The Social Agent is part of an agent society of the PortEdu Portal, which provides services to AMPLIA. PortEdu is an educational portal which provides facilities to educational environments integrated to it. This portal has been modeled using a multiagent approach and each of its services is represented by a specific agent. The educational environments that make use of the portal's services are also agent societies and, in general, Intelligent Tutoring Systems. AMPLIA (Probabilistic Multiagent Learning Environment) has been designed in order to support diagnostic reasoning and the modeling of diagnostic hypotheses in domains with complex and uncertain knowledge, such as the medical domain. This environment uses a Bayesian Networks approach in which students build their own networks for a clinical case through a Bayesian Network graphical editor. Here, the AMPLIA editor has been adapted and extended to a collaborative version, which enables the network construction for remote students connected to the system. Through this editor, the Social Agent observes and interacts with students, suggesting the composition of workgroups. Practical experiments using assessment tools have been carried out, in order to analyze the workgroups suggested by the Social Agent and to compare them with groups naturally composed by students in the classroom. The results of the work done by individual students and by workgroups were also analyzed and discussed in this research.

O raciocínio realizado em agentes BDI envolve essencialmente manipular três estruturas de dados representando suas crenças, desejos e intenções. Crenças de agentes BDI tradicionais não representam incerteza, e podem ser expressas como um conjunto fechado de literais ground. As restrições que indicam se um dado desejo é viável e pode ser adotado como uma intenção em agentes BDI tradicionais podem ser representadas como expressões lógicas sobre crenças. Dado que Redes Bayesianas permitem que representem-se informações com incerteza probabilisticamente, agentes BDI bayesianos as empregam para suportar incerteza em suas crenças. Em agentes BDI bayesianos, crenças representadas em Redes Bayesianas referem-se a estados de variáveis de eventos, possuindo probabilidades dinâmicas individuais que referem-se à incerteza. Os processos the constituem o raciocínio neste modelo de agente requerem mudanças a fim de acomodar esta diferença. Dentre estes processos, este trabalho concentra-se especificamente na seleção de desejos. Uma estratégia prévia para seleção de desejos é baseada em aplicar um limiar a probabilidades de crenças. Entretanto, tal abordagem impede que um agente selecione desejos condicionados em crenças cujas probabilidades estejam abaixo de um certo limiar, mesmo que tais desejos pudessem ser atingidos caso fossem selecionados. Para lidar com esta limitação, desenvolvemos três abordagens alternativas para seleção de desejos sob incerteza: Ranking Probabilístico, Loteria Viciada e Seleção Multidesejos Aleatória com Viés. Probability Ranking seleciona um desejo usando uma lista de desejos ordenados em ordem decrescente de probabilidade de pré-condição. Loteria Viciada seleciona um desejo usando um valor numérico aleatório e intervalos numéricos – associados a desejos – proporcionais às probabilidades de suas pré-condições. Seleção Multidesejos Aleatória com Viés seleciona múltiplos desejos usando valores numéricos aleatórios e considerando as probabilidades de suas pré-condições. Apresentamos exemplos, incluindo o agente Vigia, assim como experimentos envolvendo este, para mostrar como essas abordagens permitem que um agente às vezes selecione desejos cujas crenças pré-condições possuem probabilidades muito baixas. / The reasoning performed in BDI agents essentially involves manipulating three data structures representing their beliefs, desires and intentions. Traditional BDI agents’ beliefs do not represent uncertainty, and may be expressed as a closed set of ground literals. The constraints that indicate whether a given desire is viable and passive to be adopted as an intention in traditional BDI agents may be represented as logical expressions over beliefs. Given that Bayesian Networks allow one to represent uncertain information probabilistically, Bayesian BDI agents employ Bayesian Networks to support uncertainty in their beliefs. In Bayesian BDI agents, beliefs represented in Bayesian Networks refer to states of event variables, holding individual dynamic probabilities that account for the uncertainty. The processes that constitute reasoning in this agent model require changes in order to accomodate this difference. Among these processes, this work is specifically concerned with desire selection. A previous strategy for desire selection is based on applying a threshold on belief probabilities. However, such an approach precludes an agent from selecting desires conditioned on beliefs with probabilities below a certain threshold, even if those desires could be achieved if they were selected. To address this limitation, we develop three alternative approaches to desire selection under uncertainty: Probability Ranking, Biased Lottery and Multi-Desire Biased Random Selection. Probability Ranking selects a desire using a list of desires sorted in decreasing order of precondition probability. Biased Lottery selects a desire using one random numeric value and desire-associated numeric intervals proportional to the probabilities of the desires’ preconditions. Multi-Desire Biased Random Selection selects multiple desires using random numeric values and considering the probabilities of their preconditions. We present examples, including theWatchman agent, as well as experiments involving the latter, to show how these approaches allow an agent to sometimes select desires whose belief preconditions have very low probabilities.