Convenente: Fundação Padre Urbano Thiesen
Transcrição
Convenente: Fundação Padre Urbano Thiesen
23/11/201 1 Relatório de Acompanhamento Técnico de Projetos Nº do Contrato / Convênio (01.23.4567.89) 0 1 . 1 0 . 0 2 Referência FINEP (1234/56) 9 9 . 0 0 2 3 3 6 / Beneficiário (a) / Conveniente Período (mm/aa até mm/aa) FAURGS 07/2010 até 06/2013 0 9 Título do projeto Infraestrutura OBAA-MILOS: Infraestrutura Multiagente para Suporte a Objetos de Aprendizagem OBAA ANEXO J - Análise e especificação dos critérios de aderência/ compatibilidade de OAs ao OBAA Análise e especificação dos critérios de aderência/ compatibilidade de OAs ao OBAA Versão 1.0 Título do projeto: Infraestrutura OBAA-MILOS: Infraestrutura Multiagente para Suporte a Objetos de Aprendizagem OBAA Sigla do Projeto: OBAA-MILOS Referência: 2336/09 Número: 01.10.0299.00 Executores: UFRGS – Universidade Federal do Rio Grande do Sul UNISINOS- Universidade do Vale do Rio dos Sinos Coordenador Geral: Rosa Vicari Coordenador (UNISINOS): João Carlos Gluz Proponente: FAURGS – Fundação de Apoio a UFRGS Data: 24 de outubro de 2011 Autores: Alexandre Moretto Ribeiro Elder Rizzon Santos Júlia Marques Carvalho da Silva Tiago Primo Projeto Infraestrutura OBAA-MILOS 1/20 p. 1/20 Relatório de Acompanhamento Técnico de Projetos 23/11/2011 Nº do Contrato / Convênio (01.23.4567.89) 0 1 . 1 0 . 0 2 Referência FINEP (1234/56) 9 9 . 0 0 2 3 3 6 / Beneficiário (a) / Conveniente Período (mm/aa até mm/aa) FAURGS 07/2010 até 06/2013 0 9 Título do projeto Infraestrutura OBAA-MILOS: Infraestrutura Multiagente para Suporte a Objetos de Aprendizagem OBAA Sumário 1. Introdução......................................................................................................................... 5 1.1. Objetivo........................................................................................................................5 1.2. Escopo..........................................................................................................................5 1.3. Estrutura do Documento.............................................................................................. 5 2. Perfis de metadados do padrão OBAA: Full e Lite.......................................................6 3. Fundamentação tecnologica: motores de inferência para ontologias OWL...............8 3.1 Pellet............................................................................................................................10 3.2 F-OWL........................................................................................................................ 11 3.3 Vampire....................................................................................................................... 13 4. Uso de perfis representados em ontologias para a verificação de compatibilidade. 14 REFERÊNCIAS................................................................................................................. 17 Projeto Infraestrutura OBAA-MILOS 2/20 p. 2/20 Relatório de Acompanhamento Técnico de Projetos 23/11/2011 Nº do Contrato / Convênio (01.23.4567.89) 0 1 . 1 0 . 0 2 Referência FINEP (1234/56) 9 9 . 0 0 2 3 3 6 / Beneficiário (a) / Conveniente Período (mm/aa até mm/aa) FAURGS 07/2010 até 06/2013 0 9 Título do projeto Infraestrutura OBAA-MILOS: Infraestrutura Multiagente para Suporte a Objetos de Aprendizagem OBAA LISTAS DE ABREVIATURAS DL MILOS RDF OA OBAA OWL W3C XML Lógica Descritiva Multiagent Infrastructure for Learning Object Support Resource Description Framework Objeto de Aprendizagem Objetos de aprendizagem Baseados em Agentes Artificiais Web Ontology Language World Wide Web Consortium Extensible Markup Language Projeto Infraestrutura OBAA-MILOS 3/20 p. 3/20 Relatório de Acompanhamento Técnico de Projetos 23/11/2011 Nº do Contrato / Convênio (01.23.4567.89) 0 1 . 1 0 . 0 2 Referência FINEP (1234/56) 9 9 . 0 0 2 3 3 6 / Beneficiário (a) / Conveniente Período (mm/aa até mm/aa) FAURGS 07/2010 até 06/2013 0 9 Título do projeto Infraestrutura OBAA-MILOS: Infraestrutura Multiagente para Suporte a Objetos de Aprendizagem OBAA 1. Introdução O objetivo mais geral do projeto Infraestrutura OBAA-MILOS é criar as bases tecnológicas que permitam efetivar a adoção da proposta de metadados de objetos de aprendizagem OBAA como o futuro padrão nacional para objetos de aprendizagem. Isto inclui: (a) A ampla divulgação e discussão sobre as características do padrão; (b) A elaboração e publicação de melhorias, adições e atualizações do padrão, além da geração de conteúdos e materiais baseados no padrão; (c) O projeto e implementação de ferramentas tecnológicas de apoio ao padrão para, por exemplo, utilização, compatibilização e verificação de OAs compatíveis com o OBAA. O projeto OBAA-MILOS envolve a especificação e a implementação de uma arquitetura de agentes que suporte os requisitos de adaptabilidade, interoperabilidade e acessibilidade previstos pelo padrão OBAA, sendo compatível com o panorama de padrões educacionais e multimídia atuais. 1.1. Objetivo Este relatório apresenta uma análise acerca da verificação quanto a aderência (compatibilidade) de objetos de aprendizagem ao padrão OBAA. 1.2. Escopo A verificação quanto a compatibilidade de um OA ao OBAA possui aplicações no contexto de desenvolvimento de novos conteúdos no padrão OBAA e também quanto à utilização de conteúdos já desenvolvidos (objetos legados) na estrutura OBAA-MILOS. 1.3. Estrutura do Documento O relatório está organizado da seguinte forma: • O capítulo 2 apresenta uma proposta para os perfis de metadados do OBAA, estabelecendo uma base de comparação a qual é utilizada no momento da verificação de compatibilidade. • O capítulo 3 apresenta um estudo sobre as tecnologias relacionadas à ontologias e web semântica, as quais são utilizadas para fazer a verificação e classificar os objetos quanto a sua compatibilidade com os perfis do padrão OBAA. Projeto Infraestrutura OBAA-MILOS 4/20 p. 4/20 Relatório de Acompanhamento Técnico de Projetos 23/11/2011 Nº do Contrato / Convênio (01.23.4567.89) 0 . 1 1 0 . 0 2 Referência FINEP (1234/56) 9 9 . 0 0 2 3 3 6 / Beneficiário (a) / Conveniente Período (mm/aa até mm/aa) FAURGS 07/2010 até 06/2013 0 9 Título do projeto Infraestrutura OBAA-MILOS: Infraestrutura Multiagente para Suporte a Objetos de Aprendizagem OBAA • O capítulo 4 especifica uma forma automatizada para realizar a classificação de objetos quando a sua aderência ao padrão OBAA. 2. Perfis de metadados do padrão OBAA: Full e Lite A partir dos resultados de uma pesquisa para verificar a utilização de padrões por professores, observou-se a necessidade de propor duas versões do OBAA: uma completa (Full) e outra reduzida (Lite). A versão completa se trata da versão atualmente proposta, com elementos que possibilitam descrever objetos de aprendizagem multiplataforma e com requisitos de acessibilidade. Já a versão reduzida, visa fornecer um modelo simplificado, fácil de ser descritos pelos desenvolvedores de objetos de aprendizagem e implantados nos repositórios. Ambas versões são apresentadas na sequência. O modelo de metadados atual da especificação OBAA contempla um conjunto extenso de elementos, que inclui os metadados IEEE LOM, a fim de manter compatibilidade, e o acréscimo de elementos com o intuito de atender as necessidades do projeto OBAA. Entretanto, a partir deste trabalho, percebeu-se a necessidade de modificação de alguns elementos, principalmente no que se refere aos valores válidos, isto é, quais são os valores que podem ser preenchidos em um determinado elemento. Estas modificações são apresentadas na Tabela 1. Elemento 4.1 Technical / Format 4.7 Technical / Duration 7.1 Relation / Kind Descrição da Alteração Acrescentar a opção de “non-digital” como valor válido, indicando que o objeto de aprendizagem consiste em um material não digital, ou seja, físico. Acrescentar a opção “non-defined” como valore válido, pois nem todos objetos de aprendizagem apresentam duração técnica, ex: imagem, arquivos de apresentação de slides, etc. Acrescentar as opções abaixo como valores válidos a fim de proporcionar relações pedagógicas entre os objetos de aprendizagem: isConcept: este relacionamento visa relacionar um objeto de aprendizagem com atividades práticas ou de exemplificação a um objeto de aprendizagem que traz conceitos; isPractice:visa relacionar um objeto de aprendizagem conceitual ou com exemplos a um objeto de aprendizagem com atividades práticas; isExample: relaciona um objeto de aprendizagem conceitual ou prático a um objeto de aprendizagem com exemplos; e, isAlternative: relaciona um objeto de aprendizagem conceitual com outro conceitual, um prático com outro prático, ou um com exemplo a outro exemplo, desde que estes abordem a mesma temática. Tabela 1. Alterações Propostas à Especificação OBAA As modificações aqui propostas resumem algumas das percepções obtidas durante as análises dos resultados dos grupos focais. Elas, acrescentadas a proposta original do Projeto Infraestrutura OBAA-MILOS 5/20 p. 5/20 Relatório de Acompanhamento Técnico de Projetos 23/11/2011 Nº do Contrato / Convênio (01.23.4567.89) 0 . 1 1 . 0 0 2 Referência FINEP (1234/56) 9 9 . 0 0 2 3 3 6 / Beneficiário (a) / Conveniente Período (mm/aa até mm/aa) FAURGS 07/2010 até 06/2013 0 9 Título do projeto Infraestrutura OBAA-MILOS: Infraestrutura Multiagente para Suporte a Objetos de Aprendizagem OBAA p. 6/20 OBAA, são aqui denominada de OBAA Full, pois contém o conjunto completo de metadados OBAA. Ainda, faz-se a proposta de um conjunto resumido dos metadados OBAA, baseados nos elementos utilizados de fato nos grupos focal estruturado e semiestruturado, o OBAA Lite. Esta versão utiliza-se dos elementos básicos para identificação do objeto de aprendizagem em um repositório e de elementos utilizados de fato pelos usuários-professores. O OBAA Lite é apresentado na Tabela 2. Elemento 1. General (geral) - 1.2 Title (título) Nome do objeto de aprendizagem 1.3 Language (idioma) Idioma do objeto de aprendizagem 1.4 Description (descrição) 4.3 Location (localização) Descrição do objeto de aprendizagem Palavras ou frases que descrevam o objeto de aprendizagem A época, cultura ou geografia que o objeto de aprendizagem se aplica URL onde está armazenado o objeto de aprendizagem 5. Educational - 1.5 Keyword (palavra-chave) 1.6 Coverage (cobertura) 4. Technical (técnico) 5.2 Learning Resource Type (tipo de recurso de aprendizagem) 5.5 Intended End User Role (público-alvo) 5.6 Context (contexto) 5.9 Typical Learning Time (tempo de aprendizagem típica) 5.10 Description (descrição) Descrição Tipo de recurso de aprendizagem utilizado, por ordem de predominância Principal usuário para o objeto de aprendizagem Principal ambiente onde o objeto de aprendizagem pode ser usado Tamanho 1 Como preencher LangString[1000] Ex: (“en”, “The life and works of Leonardo da 1 Vinci”) Máximo 10 CharString[100] itens Ex: “en”, “en-GB”, “de”, “fr- CA”, “it”, “grc” LangString[2000] Ex: (“en”, “In this video clip, the life and works of Leonardo da Vinci are briefly presented. The Máximo 10 focus is on his artistic production, most notably itens the Mona Lisa.”) Máximo 10 LangString[1000] itens Ex: (“en”, “Mona Lisa”) Máximo 10 LangString[1000] itens (“en”, “16th century France”) 1 Máximo 10 CharString[1000] itens Ex: “http://host/id” Máximo 100 itens Ex: “exercise”, “simulation”, “questionnaire”, “diagram”, “figure”, “graph”, “index”, “slide”, “table”, “narrative text”, “exam”, Máximo 10 “experiment”, “problem statement”, “selfitens assessment”, “lecture” Máximo 10 itens Ex: “teacher”, “author”, “learner”, “manager” Máximo 10 Ex: “school”, “high education”, “training”, itens “other” Tempo que o aluno levará para usar o objeto de aprendizagem 1 Comentários de como o objeto de aprendizagem é Máximo 10 usado itens Duration Ex: “PT1H30M”, “PT1M45S” LangString[1000] Ex: (“en”, “Teacher guidelines that come with a textbook.”) Tabela 2. Proposta para o OBAA Lite Projeto Infraestrutura OBAA-MILOS 6/20 Relatório de Acompanhamento Técnico de Projetos 23/11/2011 Nº do Contrato / Convênio (01.23.4567.89) 0 1 . 1 0 . 0 2 Referência FINEP (1234/56) 9 9 . 0 0 2 3 3 6 / Beneficiário (a) / Conveniente Período (mm/aa até mm/aa) FAURGS 07/2010 até 06/2013 0 9 Título do projeto Infraestrutura OBAA-MILOS: Infraestrutura Multiagente para Suporte a Objetos de Aprendizagem OBAA Notam-se que os elementos selecionados para o OBAA Lite consistem naqueles que mais foram utilizados pelos professores, em especial da categoria 5. Educational. Ainda, foram adicionados elementos para identificação (1. General), localização (4. Technical) e direitos autorais (6. Rights). Com esta proposta, pretende-se simplificar a descrição e facilitar a implantação da especificação OBAA nos repositórios. 3. Fundamentação tecnológica: motores de inferência para ontologias OWL OWL (Web Ontology Language) é uma linguagem ontológica, composta por três versões com níveis de expressividade diferentes, desenvolvida pelo W3C (World Wide Web Consortium). A construção da OWL foi motivada pelo importante papel previsto para as ontologias na Web Semântica (WS) (disponibilizar vocabulários precisamente definidos e processáveis por máquinas para utilização em anotações semânticas) e também pelo reconhecimento de que as linguagens existentes na época, RDF e RDF-S não eram expressivas o suficiente. A idéia de “processável por máquinas” (ZOU, 2005) significa que a informação em questão explicitamente preparada para inferência computacional e reutilização por várias aplicações. A concretização da WS requer linguagens para modelar o significado das informações presentes na Web e aplicações para publicar, descobrir, processar e anotar informações codificadas com elas. O tratamento desses requisitos envolve aspectos de diversas áreas, tais como, representação e inferência de conhecimento, bancos de dados, recuperação de informações, sistemas multi-agente (SMA), processamento de linguagem natural e aprendizagem de máquina. Apesar da OWL ter sido projetada para utilização no desenvolvimento da WS ela tornou-se um padrão de facto para o desenvolvimento de ontologias em geral (GRAU, 2006). Isso deve-se a grande quantidade de ferramentas disponíveis e à possibilidade de compartilhamento e reutilização fornecidas pela adoção de um padrão. As principais funcionalidades de um motor de inferência para OWL são a compatibilidade com a semântica formal ao processar informações em OWL, a descoberta de inconsistências em dados OWL, e inferir novas informações a partir do que é conhecido atualmente. Zou (2007) apresenta um exemplo simples para demonstrar a aplicação de inferência integrada à SMA e assistentes pessoais: Manoel está visitando Porto Alegre e quer encontrar um restaurante italiano próximo ao local onde ele está. Seu PDA tenta satisfazer esse desejo procurando por algo do tipo restaurante com uma propriedade tipoDeCozinha com o valor Italiana. O restaurante “Boa Pizza” anuncia sua cozinha como sendo do tipo pizza. Os valores italiana e pizza não são equivalentes em todos os contextos, logo o restaurante Boa Pizza não é considerado um restaurante com cozinha italiana. Utilizando-se de ontologias, um “anúncio semântico” do restaurante torna a situação mais clara: Pizza rdfs: SubClassOf cozinhaItaliana. Com a informação codificada Projeto Infraestrutura OBAA-MILOS 7/20 p. 7/20 Relatório de Acompanhamento Técnico de Projetos 23/11/2011 Nº do Contrato / Convênio (01.23.4567.89) 0 1 . 1 0 . 0 2 Referência FINEP (1234/56) 9 9 . 0 0 2 3 3 6 / Beneficiário (a) / Conveniente Período (mm/aa até mm/aa) FAURGS 07/2010 até 06/2013 0 9 Título do projeto Infraestrutura OBAA-MILOS: Infraestrutura Multiagente para Suporte a Objetos de Aprendizagem OBAA dessa forma, um motor de inferência presente no PDA de Manoel pode determinar que o restaurante Boa Pizza seja o que ele está procurando. Zou (2007) aponta algumas funcionalidades importantes para motores de inferência OWL: Verificação de consistência. A definição dos conceitos de uma ontologia (TBox) impõem um conjunto de restrições ao que pode ser modelado. O motor de inferência deve verificar a sintaxe e a utilização dos termos OWL, e garantir que as instâncias (ABox) atendam a todas as condições. Computação de implicações (entailments). Implicação, satisfatibilidade subclassificação (subsumption) são tarefas essenciais para um motor de inferência. e Processamento de consultas. É necessário o suporte a consultas expressivas e de fácil utilização, tanto para usuários humanos quanto para componentes de software. Inferência com regras. Regras podem ser utilizadas para controlar a inferência, descrever regras de negócio, ou expressar restrições e relações não suportadas pela OWL. Deve ser fornecida uma interface para processar regras contemplando classes, propriedades e instâncias OWL. Tratamento de tipos de dados em XML. Estes tipos de dados podem ser usados diretamente em OWL para representar tipos primitivos de dados (inteiro, caractere, data, etc.). Tipos complexos de dados podem ser definidos a partir dos tipos básicos e outros tipos complexos. O papel do motor de inferência nessa situação é testar a satisfatibilidade e conjunções dos tipos de dados construídos. A linguagem OWL é baseada na Lógica Descritiva (DL) (BAADER, 2007), uma família de linguagens projetada para representar conhecimento sobre conceitos e suas hierarquias. As DL geralmente possuem uma semântica de tal forma a torná-las subconjuntos de lógica de primeira ordem. Sendo assim, várias abordagens fundamentadas nessas lógicas são utilizadas para desenvolver motores de inferência para OWL (ZOU, 2007): Utilização de um motor de inferência para DL especializado. Motores de DL são utilizados para especificar a hierarquia terminológica e possibilitar a subclassificação. Esses motores possuem a vantagem de serem decidíveis. Três desses sistemas são o FaCT (PATEL-SCHNEIDER, 1999), o Racer (HAARSLEV, 2001) e o Pellet. Cada um deles implementa um tipo diferente de DL. O Racer implementa SHIQ(D) utilizando um algoritmo Tableaux (árvore de refutação). É um motor de inferência completo para OWLDL e possibilita inferência TBox e ABox. O sistema FaCT implementa SHIQ mas permite apenas inferência TBox. Já o Pellet implementa SHIN(D) e possui um verificador de consistência completo para OWL-Lite permitindo consultas TBox e Abox. independente de implementação para o acesso à funcionalidades de inferência em DL. A seguir são apresentados três dos principais motores de inferência para OWL, os quais podem ser utilizados para realizar a classificação dos objetos de aprendizagem. Projeto Infraestrutura OBAA-MILOS 8/20 p. 8/20 Relatório de Acompanhamento Técnico de Projetos 23/11/2011 Nº do Contrato / Convênio (01.23.4567.89) 0 1 . 1 0 . 0 2 Referência FINEP (1234/56) 9 9 . 0 0 2 3 3 6 / Beneficiário (a) / Conveniente Período (mm/aa até mm/aa) FAURGS 07/2010 até 06/2013 0 9 Título do projeto Infraestrutura OBAA-MILOS: Infraestrutura Multiagente para Suporte a Objetos de Aprendizagem OBAA 3.1 Pellet O Pellet (SIRIN, 2007) foi o primeiro motor de inferência para OWL-DL completo (ou seja, a DL SHOIN(D)), com suporte para inferência em indivíduos (ABox), suporte nominal e consultas conjuntivas (conjunctive query), tipagem de dados definida pelo usuário, e ferramentas para depuração de ontologias. Além disso, esse motor implementa algumas extensões para a OWL-DL: um formalismo para combinação de ontologias (seção 1.4), um operador não-monotônico e suporte preliminar para inferência híbrida utilizando regras. A OWL 1.1 amplia a OWL-DL com restrições de cardinalidade qualificadas, axiomas para subpropriedades complexos (entre uma propriedade uma cadeia de propriedades), restrições de reflexividade locais, propriedades reflexivas, irreflexivas, simetrias e assimétricas, e propriedades disjuntas (disjoint properties). O Pellet é implementado em JAVA e possui código aberto. O acesso às funcionalidades é feito através de linha de comando, interface WEB, implementação de um servidor DIG, conexões de API para as ferramentas RDF/OWL Jena e OWL-API. A Figura 1 exibe os principais componentes do Pellet. Fundamentalmente, o Pellet é um motor de inferência para DL, baseado em algoritmos tableaux. Desta forma, todos os serviços de inferência são reduzidos a verificações de consistência. O motor permite que outros algoritmos tableaux sejam utilizados. O algoritmo padrão lida com SROIQ(D), mas existem outras implementações, por exemplo, para extensões não-monotônicas e integração com regras. Apesar de ser, fundamentalmente, um motor de inferência para DL, o Pellet foi projetado com o objetivo de ser utilizado em OWL. Essa decisão de projeto influenciou bastante a arquitetura geral do motor. A implementação do algoritmo tableaux, por exemplo, permite inferência com as instâncias (ABox) sem utilizar a suposição de nome único. Outra conseqüência do foco em OWL é o suporte aos tipos de dados de XMLS e o motor de consultas. O núcleo do sistema (Figura 1) é o motor de inferência (Tableaux reasoner) o qual verifica a consistência de uma base de conhecimento. O motor possui um módulo para lidar com tipos de dados, responsável por checar a consistência de conjunções de tipos simples do XML-S. As ontologias OWL são carregadas no motor após a validação das classes e consertos na ontologia (Species Validation & Ontology Repair). Esta etapa garante que todos os recursos tenham uma tripla de tipo apropriada (um requisito para OWL-DL mas não para OWL-Full) e declarações de tipos inexistentes sejam adicionadas de acordo com uma heurística (SIRIN, 2005). Durante a fase de carregamento da ontologia, os axiomas sobre classes são colocados no componente TBox e as asserções acerca dos indivíduos são armazenadas no componente ABox. Axiomas TBox passam pelo pré-processamento tradicional de uma inferência em DL (normalização, absorção e internalização), antes de serem alimentados para o motor Projeto Infraestrutura OBAA-MILOS 9/20 p. 9/20 Relatório de Acompanhamento Técnico de Projetos 23/11/2011 Nº do Contrato / Convênio (01.23.4567.89) 0 1 . 1 . 0 0 2 Referência FINEP (1234/56) 9 9 . 0 0 2 3 3 6 / Beneficiário (a) / Conveniente Período (mm/aa até mm/aa) FAURGS 07/2010 até 06/2013 0 9 Título do projeto Infraestrutura OBAA-MILOS: Infraestrutura Multiagente para Suporte a Objetos de Aprendizagem OBAA tableaux. O sistema fornece uma camada para o acesso programático através de uma Service Programming Interface (SPI) para o acesso aos serviços de inferência. O processamento de consultas permite responder consultas ABox (conjuntivas) expressas em SPARQL ou RDQL. Figura 1. Arquitetura do Pellet 3.2 F-OWL F-OWL (ZOU, 2007) é um motor de inferência para RDF e OWL baseado em F-logic, uma abordagem para definir sistemas baseados em frames em lógica. F-OWL é implementado usando o sistema de programação lógica XSB e a extensão Flora-2 a qual fornece uma camada para representação através de frames. A utilização de XSB e Flora-2 facilita a integração com outros mecanismos de inferência e aplicações, tais como planejadores e inferência padrão. XSB é um sistema de programação lógica que disponibiliza toda a funcionalidade do Prolog e também funções para tabulação (tabling), negação não estratificada (non-stratified negation), construtores de alta ordem e um sistema de pré-processamento flexível. A tabulação é útil para o processamento recursivo de consultas, permitindo aos programas encerrarem corretamente em muitos casos onde a abordagem padrão não o faz. Com essa estrutura é possível inserir regras do tipo “se e somente se” diretamente. O XSB possibilita a utilização de extensões para programas lógicos através do pré-processamento de bibliotecas, por exemplo, uma interface orientada a objetos, a Flora-2. O Flora-2 é um compilador para um dialeto de lógica de Frames em XSB, utilizando tabulação, HiLog e uma semântica para negação também presente no XSB. A Projeto Infraestrutura OBAA-MILOS 10/20 p. 10/20 Relatório de Acompanhamento Técnico de Projetos 23/11/2011 Nº do Contrato / Convênio (01.23.4567.89) 0 1 . 1 0 . 0 2 Referência FINEP (1234/56) 9 9 . 0 0 2 3 3 6 / Beneficiário (a) / Conveniente Período (mm/aa até mm/aa) FAURGS 07/2010 até 06/2013 0 9 Título do projeto Infraestrutura OBAA-MILOS: Infraestrutura Multiagente para Suporte a Objetos de Aprendizagem OBAA implementação do Flora-2 é feita através de um conjunto de bibliotecas (run-time) e um compilador para traduzir uma união das linguagens Flogic e HiLog em código Prolog tabulado. HiLog é a sintaxe padrão utilizada pelo Flora-2 para representar termos de funções e predicados. Flora-2 é uma linguagem orientada a objetos para bases de conhecimento e uma plataforma para desenvolvimento de aplicações. A linguagem de programação utilizada no Flora-2 é um dialeto de F-logic com extensões, tais como uma forma natural para realizar meta-programação no estilo HiLog e atualizações lógica no estilo de lógica transacional. O F-OWL utiliza um sistema baseado em frames para inferência com ontologias OWL. Um importador OWL lê o conteúdo da ontologia a partir de uma URI e então extrai as triplas RDF da ontologia. As triplas são convertidas para o formato de frames do F-OWL e então são processadas pelo motor. As regras definidas na linguagem Flora-2 são utilizadas para verificar a consistência da ontologia e extrair conhecimentos ocultos através de resolução. As duas principais abordagens para computar implicações em uma ontologia são: a redução para um problema de satisfatibilidade em SHOIN(D) e SHIF(D) – esta abordagem se beneficia da similaridade da OWL com DL; e a geração de um fechamento dedutivo (deductive closure) a partir de um grafo RDF composto de triplas – provar a implicação torna-se a tarefa de construir e pesquisar o grafo de fechamento. Com a inferência forward/backward do XSB e a lógica em frames do Flora, o F-OWL utiliza a segunda abordagem para computar o fechamento dedutivo de um conjunto de declarações RDF ou OWL. O fechamento é um grafo que consiste de todas as triplas <sujeito, predicado, objeto> que satisfaçam {sujeito, objeto}==> IEXT(I(predicado)). Isso é definido como: <sujeito, predicado, objeto> ==> KB ⇔ {sujeito, objeto} ==> IEXT(I(predicado)) Onde KB é a base de conhecimento, I(x) é a interpretação de um grafo e IEXT(x) é a relação de extensão binária de propriedades. O F-OWL (escrito na extensão Flora-2 para XSB) consiste no seguinte conjunto de regras: • Um conjunto de regras para inferir sobre RDF/RDF-S e OWL; • Um conjunto de regras para mapear tipos de dados XML em termos XSB; •Um conjunto de regras para realizar verificações de consistência em ontologias; • Um conjunto de regras que fornece uma interface entre chamadas da API Java e a camada mais baixa de regras Flora2/XSB. A utilização de F-OWL para a inferência em uma ontologia consiste das seguintes etapas: • Carregar regras da aplicação adicionais ao motor; • Adicionar novas declarações RDF e OWL (ontologias ou asserções) ao motor. As triplas (sujeito, predicado, objeto) nas declarações OWL são traduzidas para um estilo 2ply de frames: sujeito(predicado, objeto)@modelo; Projeto Infraestrutura OBAA-MILOS 11/20 p. 11/20 Relatório de Acompanhamento Técnico de Projetos 23/11/2011 Nº do Contrato / Convênio (01.23.4567.89) 0 1 . 1 0 . 0 2 Referência FINEP (1234/56) 9 9 . 0 0 2 3 3 6 / Beneficiário (a) / Conveniente Período (mm/aa até mm/aa) FAURGS 07/2010 até 06/2013 0 9 Título do projeto Infraestrutura OBAA-MILOS: Infraestrutura Multiagente para Suporte a Objetos de Aprendizagem OBAA • Realizar consultas ao motor. As regras RDF e OWL são aplicadas recursivamente para gerar todas as triplas corretas. Se uma consulta não possui variáveis, um Verdadeiro é retornado quando uma interpretação da questão é encontrada. Se a consulta inclui uma variável, as variáveis são trocadas pelos valores da interpretação e então retornadas; • A ontologia e as triplas podem ser removidas, se desejável, pois o sistem XSB armazena as triplas computadas em tabelas indexadas, tornando as próximas consultas mais rápidas. 3.3 Vampire A linguagem OWL-DL corresponde à DL SHOIND-n, a qual, assim como a maioria das DL, é um fragmento da lógica clássica de primeira ordem (FOL). Sendo assim, é possível aplicar os métodos para inferência automatizada da FOL como um mecanismo para inferência em OWL-DL. Esta abordagem não deve substituir os motores de inferência especializados para DL, mas pode servir como um mecanismo complementar para lidar com problemas fora do escopo dos motores para DL atuais. A abordagem apresentada por Tsarkov (2004), utiliza uma implementação já existente de um provador para FOL, com alguns ajustes para explorar a estrutura e necessidades de inferência de DL. A implementação apresentada foi desenvolvida como um estudo de viabilidade. Dada uma base de conhecimento K (equivalente a uma ontologia em OWL-DL), consistindo de um conjunto de axiomas sobre conceitos, papéis, indivíduos e, possivelmente, tipos de dados, as principais funções de inferência são: verificação da consistência da base de dados (os axiomas de K são contraditórios?), consistência entre conceitos (é consistente se um conceito possui no mínimo uma instância), subclassificação de conceitos (as instâncias de um conceito são necessariamente instâncias de outro conceito), verificação de indivíduos (uma classe contem um dado indivíduo), recuperação de indivíduos (encontrar os indivíduos de uma dada classe), hierarquia (obter a ordenação parcial da hierarquia de conceitos de K), e a derivabilidade / causalidade / conseqüência lógica (implicação) (K é capaz de derivar todos os axiomas em outra base de conhecimento). Todas essas funções podem ser reduzidas à consistência da base de dados ou, consistência de conceitos. Foram realizados testes com funções de classificação e um conjunto de verificações de consistência e derivabilidade em OWL-DL. Cada função de classificação transforma-se em um conjunto de tarefas de consistência/subclassificação. O protótipo utiliza o motor de inferência FaCT++ (TSARKOV, 2006). Esta implementação utiliza os algoritmos de tableaux escritas para o FaCT original, entretanto utiliza C++ ao invés de LISP. O objetivo do FaCT++ é fornecer um motor para DL complexas, tais como SHIQ e OWL-DL, com bom desempenho, extensibilidade e estruturas de dados adequadas para lidar com bases de conhecimento muito grandes. O provador de teorema utilizado foi o Vampire Projeto Infraestrutura OBAA-MILOS 12/20 p. 12/20 Relatório de Acompanhamento Técnico de Projetos 23/11/2011 Nº do Contrato / Convênio (01.23.4567.89) 0 1 . 1 0 . 0 2 Referência FINEP (1234/56) 9 9 . 0 0 2 3 3 6 / Beneficiário (a) / Conveniente Período (mm/aa até mm/aa) FAURGS 07/2010 até 06/2013 0 9 Título do projeto Infraestrutura OBAA-MILOS: Infraestrutura Multiagente para Suporte a Objetos de Aprendizagem OBAA (RIAZANOV, 2002), o qual é um provador genérico para FOL (general purpose FOL prover). Dado um conjunto de fórmulas de primeira-ordem na sintaxe de FOL completa, o Vampire transforma o conjunto de clausulas satisfazíveis, e então tenta demonstrar a inconsistência da clausula saturando-a com resolução ordenada e superposição. Se o processo de saturação termina sem encontrar uma refutação no conjunto de entrada, isso indica que o conjunto de clausulas e, consequentemente, o conjunto de fórmulas originais é satisfatível. Entretanto, o Vampire não utiliza nenhuma otimização para a inferência ontológica. Sua implementação é altamente otimizada para encontrar refutações, muitas vezes utilizando procedimentos incompletos. Funções de inferência mais leves, necessárias para resolver problemas fáceis de uma forma rápida não foram testados com o motor. A maioria das funcionalidades implementadas, como técnicas de indexação de termos complexas, levam a uma sobrecarga nas primeiras etapas de uma execução, o que somente vale a pena em problemas difíceis. Uma funcionalidade interessante da utilização de provadores FOL é a extensibilidade. A atual arquitetura em camadas da web semântica possui camadas acima da ontológica (OWL). Através dessas camadas será adicionada mais expressividade, a qual não será possível de ser tratada através dos fragmentos de FOL utilizados por motores para DL. Uma das extensões já propostas para OWL é a Semantic Web Rule Language (SWRL) – Linguagem de Regras da Web Semântica, a qual aumenta a OWL com regras de Horn. A lógica da SWRL permite regras pouco restritivas, resultando em linguagem combinada não decidível. Através de mais uma tradução é possível estender a abordagem de mapeamento para FOL do Vampire para incorporar essas regras, disponibilizando uma implementação simples de um motor de inferência para SWRL. 4. Uso de perfis representados em ontologias para a verificação de compatibilidade A utilização de critérios de análise e verificação de metadados são parte da iniciativa de documentar o processo mental de construção de um Objeto de Aprendizagem OBAA. Desta forma torna-se possível que computadores infiram se um objeto de aprendizagem é compatível com o padrão OBAA e se este está de acordo com aspectos específicos de um perfil descrito. A abordagem para documentar os perfis de metadados e seus critérios de verificação está fundamentada nos conceitos e técnicas da web semântica. Utilizando-se da linguagem OWL, um perfil de metadados é implementado como uma Classe onde especifica-se os componentes do perfil. Tal especificação pode ser modelada através de várias formas em OWL. Neste caso, propomos a utilização de um axioma específico o qual é disponibilizado em OWL desde suas versões iniciais. Através da utilização de um conceito da linguagem já Projeto Infraestrutura OBAA-MILOS 13/20 p. 13/20 Relatório de Acompanhamento Técnico de Projetos 23/11/2011 Nº do Contrato / Convênio (01.23.4567.89) 0 1 . 1 0 . 0 2 Referência FINEP (1234/56) 9 9 . 0 0 2 3 3 6 / Beneficiário (a) / Conveniente Período (mm/aa até mm/aa) FAURGS 07/2010 até 06/2013 0 9 Título do projeto Infraestrutura OBAA-MILOS: Infraestrutura Multiagente para Suporte a Objetos de Aprendizagem OBAA formalizado e definido é possível utilizarmos os motores de inferência para realizarem a análise e verificação dos objetos de aprendizagem junto a conjuntos de perfis. Esta verificação se torna possível pois cada perfil deve disponibilizar informações relacionadas aos metadados que deve estar presentes na documentação de um OA, bem como, aspectos relacionados a plataforma e domínio de aplicação do mesmo. Desta forma torna-se possível analisar inconsistências de um OA frente a um perfil. A viabilidade tal proposta é possível devido a maneira como é declarado o Perfil em OWL. Desta forma podemos declarar que um perfil é composto por um sub-conjunto de metadados associadas a instruções sobre como deve ser o conteúdo dos mesmos. A partir desta declaração, os objetos de aprendizagem que utilizarem determinado conjunto de metadados possuem sua aderência definida automaticamente pelo motor de inferência. Sob uma perspectiva técnica, esta declaração é feita utilizando-se o axioma equivalentClass, o qual permite definir uma equivalência entre uma classe um conjunto de propriedades (as propriedades são utilizadas para representar os metadados e também instruções de preenchimento). A seguir são apresentados exemplos de utilização do axioma equivalentClass para a descrição de perfis. Projeto Infraestrutura OBAA-MILOS 14/20 p. 14/20 Relatório de Acompanhamento Técnico de Projetos 23/11/2011 Nº do Contrato / Convênio (01.23.4567.89) 0 1 . 1 0 . 0 2 Referência FINEP (1234/56) 9 9 . 0 0 2 3 3 6 / Beneficiário (a) / Conveniente Período (mm/aa até mm/aa) FAURGS 07/2010 até 06/2013 0 9 Título do projeto Infraestrutura OBAA-MILOS: Infraestrutura Multiagente para Suporte a Objetos de Aprendizagem OBAA Figura 2. Ilustração do uso de axiomas no Protégé Os exemplos de utilização foram desenvolvidos com o uso da ferramenta de desenvolvimento de ontologias Protégé. A Figura 2 ilustra a utilização da propriedade equivalentClass. O código em OWL que descreve este relacionamento é: <EquivalentClasses> <Class IRI="#Core"/> <ObjectIntersectionOf> <DataSomeValuesFrom> <DataProperty IRI="#supportedPlatform"/> <Datatype abbreviatedIRI="xsd:string"/> </DataSomeValuesFrom> Projeto Infraestrutura OBAA-MILOS 15/20 p. 15/20 Relatório de Acompanhamento Técnico de Projetos 23/11/2011 Nº do Contrato / Convênio (01.23.4567.89) 0 1 . 1 0 . 0 2 Referência FINEP (1234/56) 9 9 . 0 0 2 3 3 6 / Beneficiário (a) / Conveniente Período (mm/aa até mm/aa) FAURGS 07/2010 até 06/2013 0 9 Título do projeto Infraestrutura OBAA-MILOS: Infraestrutura Multiagente para Suporte a Objetos de Aprendizagem OBAA <DataSomeValuesFrom> <DataProperty IRI="#title"/> <Datatype abbreviatedIRI="xsd:string"/> </DataSomeValuesFrom> </ObjectIntersectionOf> </EquivalentClasses> Considerado o código em OWL apresentado, DataProperty representa as propriedades de dados que devem ser satisfeitas para que um indivíduo possa ser inferido como parte da classe que ilustra o perfil CORE. A partir do uso de classes com o axioma equivalentClass é possível utilizar motores de inferência para classificar os objetos quanto a sua aderência aos perfis. O exemplo da Figura 3 ilustra a inferência do perfil CORE no objeto OutrasInfancias o qual possui em sua definição apenas as propriedades representando seus metadados. Com esta definição é possível verificar através do conteúdo de uma DataProperty se o objeto deve ou não ser verificado frente a outra ontologia. Por exemplo, se a DataProperty tem o valor “MOBILE”, deve ser criada uma relação deste OA com esta ontologia e então o reasoner verificará a aderência deste OA frente a dispositivos móveis. Projeto Infraestrutura OBAA-MILOS 16/20 p. 16/20 Relatório de Acompanhamento Técnico de Projetos 23/11/2011 Nº do Contrato / Convênio (01.23.4567.89) 0 1 . 1 0 . 0 2 Referência FINEP (1234/56) 9 9 . 0 0 2 3 3 6 / Beneficiário (a) / Conveniente Período (mm/aa até mm/aa) FAURGS 07/2010 até 06/2013 0 9 Título do projeto Infraestrutura OBAA-MILOS: Infraestrutura Multiagente para Suporte a Objetos de Aprendizagem OBAA Figura 3. Exemplo de um OA representado em OWL REFERÊNCIAS Aart C.; Wielinga B.; Schreiber, G.. Message Content Ontologies. TAMMA, V.; CRANEFIELD, S.; FININ, T. (Ed.) [S.l.]: Springer, 2005. p.169–200. (Whitestein Series in Software Agent Technologies). BAADER, F.; HORROCKS, I.; SATTLER, U. Description Logics. In: van Harmelen, F.; LIFSCHITZ, V.; PORTER, B. (Ed.). Handbook of Knowledge Representation. [S.l.]: Elsevier, 2007. To appear. BECHHOFER, S.; MÖLLER, R.; CROWTHER, P. The DIG Description Logic Interface. In: DESCRIPTION LOGICS, 2003. Anais [S.l.: s.n.], 2003. BERNERS-LEE, T.; HENDLER, J.; LASSILA, O. The Semantic Web. Scientific American, May 2001. BORDINI, R. H.; MOREIRA, A. F. Proving BDI properties of agent-oriented programming languages * The asymmetry thesis principles in AgentSpeak(L). In: Annals Projeto Infraestrutura OBAA-MILOS 17/20 p. 17/20 Relatório de Acompanhamento Técnico de Projetos 23/11/2011 Nº do Contrato / Convênio (01.23.4567.89) 0 1 . 1 0 . 0 2 Referência FINEP (1234/56) 9 9 . 0 0 2 3 3 6 / Beneficiário (a) / Conveniente Período (mm/aa até mm/aa) FAURGS 07/2010 até 06/2013 0 9 Título do projeto Infraestrutura OBAA-MILOS: Infraestrutura Multiagente para Suporte a Objetos de Aprendizagem OBAA of Mathematics and Artificial Intelligence 42(1-3):197-226. Special Issue on Computational Logic in Multi-Agent Systems. Kluwer Academic Publishing, 2004. CALVANESE, D.; GIACOMO, G.; LEMBO, D.; LENZERINI, M.; ROSATI, R. Tractable Reasoning and Efficient Query Answering in Description Logics: the dl-lite family. Journal of Automated Reasoning, Hingham, MA, USA, v.39, n.3, p.385–429, 2007. Chen, H.; Finin, T.; Joshi, A. The SOUPA Ontology for Pervasive Computing. TAMMA, V.; CRANEFIELD, S.; FININ, T. (Ed.). [S.l.]: Springer, 2005. p.233–258. (Whitestein Series in Software Agent Technologies). CLARK, K. L.; MCCABE, F. G. Go! — A Multi-Paradigm Programming Language for Implementing Multi-Threaded Agents. Annals of Mathematics and Artificial Intelligence, Hingham, MA, USA, v.41, n.2-4, p.171–206, 2004. CLARK, K. L.; MCCABE, F. G. Ontology schema for an agent belief store. International Journal of Human-Computer Studies, Duluth, MN, USA, v.65, n.7, p.640–658, 2007. Dickinson I; Wooldridge, M. Some Experiences with the Use of Ontologies in Delaberative Agents. TAMMA, V.; CRANEFIELD, S.; FININ, T. (Ed.). [S.l.]: Springer, 2005. p.277–298. (Whitestein Series in Software Agent Technologies). DICKINSON, I.; WOOLDRIDGE, M. Agents are not (just) web services: considering bdi agents and web services. In: WORKSHOP ON SERVICE-ORIENTED COMPUTING AND AGENT-BASED ENGINEERING (SOCABE'2005), 2005., 2005. Proceedings [S.l.: s.n.], 2005. DICKINSON, I.; WOOLDRIDGE, M. Towards practical reasoning agents for the semantic web. In: AAMAS '03: PROCEEDINGS OF THE SECOND INTERNATIONAL JOINT CONFERENCE ON AUTONOMOUS AGENTS AND MULTIAGENT SYSTEMS, 2003, New York, NY, USA. Anais ACM, 2003. p.827–834. FIKES, R.; HAYES, P.; HORROCKS, I. OWL-QL—a language for deductive query answering on the Semantic Web. Journal of Web Semantics, [S.l.], v.2, n.1, p.19–29, 2004. FIPA. FIPA Ontology Service Especification XC00086D. <http://www.fipa.org/specs/fipa00086> Acesso em dezembro, 2007. Disponível em: Georgeff, M. P.; Lansky, A. L. Reactive reasoning and planning. In: Proceedings of the Sixth National Conference on Artificial Intelligence (AAAI’87). AAAI Press, Menlo Park, CA, 1987 pp. 677–682. Grau, B. C.; KAZAKOV, Y.; HORROCKS, I.; SATTLER, U. A Logical Framework for Modular Integration of Ontologies. In: INT. JOINT CONF. ON ARTIFICIAL INTELLIGENCE (IJCAI 2007), 20., 2007. Proceedings [S.l.: s.n.], 2007. p.298–303. Projeto Infraestrutura OBAA-MILOS 18/20 p. 18/20 Relatório de Acompanhamento Técnico de Projetos 23/11/2011 Nº do Contrato / Convênio (01.23.4567.89) 0 1 . 1 0 . 0 2 Referência FINEP (1234/56) 9 9 . 0 0 2 3 3 6 / Beneficiário (a) / Conveniente Período (mm/aa até mm/aa) FAURGS 07/2010 até 06/2013 0 9 Título do projeto Infraestrutura OBAA-MILOS: Infraestrutura Multiagente para Suporte a Objetos de Aprendizagem OBAA GRAU, B. C.; HORROCKS, I.; KAZAKOV, Y.; SATTLER, U. Just the right amount: extracting modules from ontologies. In: WWW '07: PROCEEDINGS OF THE 16TH INTERNATIONAL CONFERENCE ON WORLD WIDE WEB, 2007, New York, NY, USA. Anais ACM, 2007. p.717–726. GRAU, B. C.; PARSIA, B.; SIRIN, E. Combining OWL ontologies using epsilonConnections. Journal Web Semantics, [S.l.], v.4, n.1, p.40–59, 2006. HAARSLEV, V.; MöLLER, R. RACER System Description. In: INTERNATIONAL JOINT CONFERENCE ON AUTOMATED REASONING, IJCAR'2001, JUNE 18-23, SIENA, ITALY, 2001. Anais Springer-Verlag, 2001. p.701–705. Zou Y.; Finin, T.; Chen, H. F-OWL: an inference engine for the semantic web. HINCHEY, M.; RASH, J. L.; TRUSZKOWSKI, W. F.; ROUFF, C. A. (Ed.). [S.l.]: Springer-verlag, 2004. p.238–248. (Lecture Notes in Computer Science, v.3228). (proceedings of the Third International Workshop (FAABS), April 16-18, 2004, Greenbelt, MD, USA). Horrocks, I.; KUTZ, O.; SATTLER, U. The Even More Irresistible SROIQ. In: Proc. of the 10th Int. Conf. on Principles of Knowledge Representation and Reasoning (KR 2006), pages 57-67. AAAI Press, 2006. MOREIRA, Á. F.; VIEIRA, R.; BORDINI, R. H.; HÜBNER, J. F. Agent-Oriented Programming with Underlying Ontological Reasoning. In: DALT, 2005. Anais [S.l.: s.n.], 2005. p.155–170. PATEL-SCHNEIDER, P. F.; HORROCKS, I. DLP and FaCT. In: AUTOMATED REASONING WITH ANALYTIC TABLEAUX AND RELATED METHODS: INTERNATIONAL CONFERENCE TABLEAUX'99, 1999. Anais [S.l.: s.n.], 1999. p.19– 23. Pazienza, M. T.; Vindigni, M.. Agent to Agent Talk: “nobody there?”supporting agents linguistic communication. TAMMA, V.; CRANEFIELD, S.; FININ, T. (Ed.). [S.l.]: Springer, 2005. p.43–72. (Whitestein Series in Software Agent Technologies). Rao, A. S.; Georgeff, M. P. An abstract architecture for rational agents. In: Proceedings of the Third International Conference on Principles of Knowledge Representation and Reasoning (KR’92). Morgan Kaufman, San Mateo, CA, 1992 pp. 439–449. REASONING (IJCAR 2006), 2006. Proceedings Springer, 2006. p.292–297. (Lecture Notes in Artificial Intelligence, v.4130). RIAZANOV, A.; VORONKOV, A. The design and implementation of VAMPIRE. AI Communications, [S.l.], v.15, n.2-3, p.91–110, 2002. Projeto Infraestrutura OBAA-MILOS 19/20 p. 19/20 Relatório de Acompanhamento Técnico de Projetos 23/11/2011 Nº do Contrato / Convênio (01.23.4567.89) 0 1 . 1 0 . 0 2 Referência FINEP (1234/56) 9 9 . 0 0 2 3 3 6 / Beneficiário (a) / Conveniente Período (mm/aa até mm/aa) FAURGS 07/2010 até 06/2013 0 9 Título do projeto Infraestrutura OBAA-MILOS: Infraestrutura Multiagente para Suporte a Objetos de Aprendizagem OBAA SIRIN, E.; PARSIA, B.; GRAU, B. C.; KALYANPUR, A.; KATZ, Y. Pellet: a practical owl-dl reasoner. [S.l.]: University of Maryland Institute for Advanced Computes Studies (UMIACS), 2005. (2005-68). SIRIN, E.; PARSIA, B.; GRAU, B. C.; KALYANPUR, A.; KATZ, Y. Pellet: a practical owl-dl reasoner. J. Web Sem., [S.l.], v.5, n.2, p.51–53, 2007. TAMMA, V.; CRANEFIELD, S.; FININ, T. (Ed.). Ontologies for Agents: theory and experiences. [S.l.]: Springer, 2005. (Whitestein Series in Software Agent Technologies). TSARKOV, D.; HORROCKS, I. FaCT++ Description Logic Reasoner: system description. In: INTERNATIONAL JOINT CONFERENCE ON AUTOMATED TSARKOV, D.; RIAZANOV, A.; BECHHOFER, S.; HORROCKS, I. Using Vampire to Reason with OWL. In: INTERNATIONAL SEMANTIC WEB CONFERENCE (ISWC 2004), 3., 2004. Proceedings Springer, 2004. p.471–485. (Lecture Notes in Computer Science, v.3298). VIEIRA, R.; MOREIRA, Á. F.; BORDINI, R. H.; HÜBNER, J. F. An Agent-Oriented Programming Language for Computing in Context. In: IFIP PPAI, 2006. Anais [S.l.: s.n.], 2006. p.61–70. WESSEL, M.; MÖLLER, R. A High Performance Semantic Web Query Answering Engine. In: DESCRIPTION LOGICS, 2005. Anais [S.l.: s.n.], 2005. Projeto Infraestrutura OBAA-MILOS 20/20 p. 20/20
Documentos relacionados
Anexo H: Análise Preliminar das Tecnologias de
2.5. Submissão de Objetos de Aprendizagem com Metadados OBAA O simples registro de um novo padrão de metadados no repositório DSpace não conclui o processo de utilização dos mesmo no repositório. P...
Leia maisRelatorio_Acompanhamento_Tecnico
É criar os meios de efetivar a adoção da proposta OBAA como o futuro padrão nacional para objetos de aprendizagem. Porém, para que isto se torne realidade, é necessário atingir uma série de objetiv...
Leia maismódulos de inferência na nuvem de dados ligados
aplicações cientes de contexto (CC) foram propostos, mas ainda não surgiu um realmente efetivo quanto à aplicabilidade no mundo real. Além disso, dados de contexto devem ser representados em um for...
Leia mais