NunesPedroIvoGarcia M

i
PEDRO IVO GARCIA NUNES

ANLISE DE MODELOS MENTAIS BASEADA
EM REGRAS NEBULOSAS PARA TOMADA DE
DECISO COLABORATIVA

LIMEIRA
2014

ii

iii

UNIVERSIDADE ESTADUAL DE CAMPINAS
FACULDADE DE TECNOLOGIA

PEDRO IVO GARCIA NUNES

ANLISE DE MODELOS MENTAIS BASEADA EM REGRAS
NEBULOSAS PARA TOMADA DE DECISO COLABORATIVA

Dissertao apresentada ao Programa de Ps-Graduao
da Faculdade de Tecnologia da Universidade Estadual de
Campinas como parte dos requisitos exigidos para
obteno do ttulo de Mestre em Tecnologia, rea de
concentrao em Tecnologia e Inovao.

Supervisor/Orientador: Prof. Dr. Ana Estela Antunes da Silva
Co-supervisor/Co-orientador: Prof. Dr. Antonio Carlos Zambon

ESTE EXEMPLAR CORRESPONDE VERSO FINAL
DA DISSERTAO DEFENDIDA PELO ALUNO
PEDRO IVO GARCIA NUNES E ORIENTADA PELA
PROF. DR. ANA ESTELA ANTUNES DA SILVA
_______________________________

LIMEIRA
2014
iv

v

vi

vii

Ao meu Senhor e Salvador, Jesus Cristo,
em quem esto escondidos todos os tesouros da sabedoria e da cincia;

Aos meus pais, Daisy e Ivo,
em quem encontro o exemplo e o suporte;

minha amada, Poliana,
em quem descobri a companhia imprescindvel, a maior das amizades.
viii

ix

Agradecimentos

Minha gratido se estende a todos aqueles que, das mais diversas maneiras, puderam
contribuir e, por isso, tornaram possvel a concluso deste trabalho.
Agradeo, primeiramente, ao meu Deus e minha famlia, em quem,
respectivamente, deposito a f e o amor, nunca confundidos. Em Jesus Cristo encontro
identidade, inspirao e o impulso, inclusive cientfico, para investigao constante, na
busca pela verdade mxima. Tambm posso me alegrar pelo exemplo slido e suporte
vigoroso de meus perptuos professores, meus pais, Daisy e Ivo. Sou grato pela
indispensvel e infalvel companhia que eu no poderia achar seno em minha amada
Poliana. Agradeo minha famlia pela compreenso e, antes de tudo, pelas muitas
renncias.
Dirijo agradecimentos paciente orientao da Prof. Dr. Ana Estela Antunes da
Silva, pela confiana inabalvel e pelo compreensivo auxlio no desenvolvimento de meu
potencial acadmico. Agradeo co-orientao do Prof. Dr. Antnio Carlos Zambon, cuja
paixo pela investigao dos modelos mentais foi o principal motivador para realizao
deste trabalho. Tambm agradeo Prof. Dr. Maria Cristina Aranda e sua suplente Prof.
Dr. Adriane Beatriz Serapio pela gentileza de comporem minha banca de defesa e, dessa
maneira, permitirem que meu trabalho fosse avaliado e recebesse suas contribuies. Os
agradecimentos se estendem Prof. Dr. Gisele Busichia Baioco e ao Prof. Dr. Luiz
Camolesi Junior, que juntos acompanharam meu trabalho desde minha banca de
qualificao e cujas sensatas crticas possibilitaram a evoluo da minha proposta.
Agradeo Fundao Centro de Pesquisa e Desenvolvimento em Telecomunicaes
(CPqD) especialmente Cludia Piovesan Macedo e a todos os colegas da Gerncia de
Treinamento e Documentao e da Gerncia de Inovao em Sistemas de Suporte a
Operaes, que aceitaram compartilhar minha dedicao e compreenderam minha carga
horria reduzida.
Agradeo ao Prof. Dr. Tristan Torriani, pela superviso de meu estgio docente, que
tanto acrescentou minha experincia acadmica, sobretudo na rea de Lgica. Tambm
no posso esquecer-me de prestar minha homenagem iniciao cientfica de Romulo
Messias, pela competente e imprescindvel colaborao.
Por fim, minha gratido dirigida Coordenao de Aperfeioamento de Pessoal do
Ensino Superior (CAPES) pelo apoio financeiro fundamental para o andamento de minhas
atividades no ltimo ano de mestrado. Por isso, estendo meus agradecimentos Ftima
Alves, Karen Macedo e ao Prof. Dr. Vitor Rafael Coluci, secretrias e coordenador do
Programa de Ps-Graduao em Tecnologia.
Peo a todos que, por favor, aceitem a coautoria deste trabalho. Muito obrigado!
x

xi

Esses computadores,
que s conhecem o sim e o no,
vivem a impor-nos opes binrias.
Se voc no branco, preto;
se voc no grego, troiano;
se no da esquerda, da direita.
Onde a encruzilhada de um talvez,
como diria o hoje to esquecido Euclides da Cunha?
Pelo visto, somos uns robs totalitrios.
Isto , desconhecemos as dvidas e as nuanas,
antigos signos de inteligncia.
(Mario Quintana
*
)

_______________________________
*
Quintana, Mario. A vaca e o hipogrifo. Porto Alegre: Editora Garatuja. 1977. 252p.
xii

xiii

Resumo

Tomadores de deciso so frequentemente confrontados por fenmenos que envolvem uma
grande quantidade de atores e interaes pertinentes a problemas cada vez mais complexos
e, por isso, difceis de serem gerenciados. As teorias da racionalidade limitada assumem
que o tratamento dessa complexidade se d pela considerao do conhecimento
compartilhado entre um nmero representativo de diferentes agentes de deciso. A
identificao desse tipo de comunidade depende de mtodos de anlise e comparao das
estruturas utilizadas para representar conhecimento. Modelos mentais (MMs) so
diagramas de representao, baseados em linguagem natural, que consistem de relaes
lgicas de causa-efeito utilizadas para descrever os fenmenos. Este trabalho teve por
objetivo principal desenvolver e aplicar um mtodo matemtico para anlise e comparao
de modelos mentais, a fim de possibilitar a identificao dos modelos mais adequados ao
consenso tpico de um processo de tomada de deciso colaborativa. O mtodo foi
estruturado a partir de uma base de regras nebulosas que foi automatizada por meio de um
sistema inteligente de apoio deciso (SIAD). O SIAD foi utilizado em um estudo de caso
para analisar e comparar os MMs utilizados por universitrios para descrever os protestos
ocorridos no Brasil entre os meses de junho e julho de 2013. Os resultados indicam os
modelos mais representativos no que diz respeito s descries das causas dessas
manifestaes, cuja ambiguidade se apresentou como motivo de uma incerteza que
despertou o interesse internacional pela investigao acerca do carter das reivindicaes.
Palavras-chave: incerteza, modelos mentais (MMs), representao de conhecimento,
sistemas inteligentes de apoio deciso (SIAD), regras nebulosas, teorias da
racionalidade limitada.

xiv

xv

Abstract

Decision makers are often confronted with phenomena that involve a lot of actors and
interactions relevant to complex problems that are difficult to manage. Theories of bounded
rationality assume that the treatment of this complexity occurs by the consideration of the
shared knowledge among a representative number of different decision-makers. The
identification of this type of community depends on methods of analysis and comparison of
the structures used to represent knowledge. Mental models (MMs) are diagrams of
representation, based on natural language, which consist of logical relations of cause and
effect used to describe the phenomena. This study aimed at developing and applying a
mathematical method for analyzing and comparing mental models in order to enable the
identification of the most suitable models for typical consensus of the collaborative
decision making. The method was structured on a base of fuzzy rules that was automated by
means of an intelligent decision support system (IDSS). The IDSS was used in a case study
to analyze and compare the MMs used by academics to describe the Brazilian protests in
June and July 2013. The results indicate the most representative models with regard to the
descriptions of the causes of these revolts, which created uncertainty and sparked
international interest in research on the nature of the claims.
Keywords: bounded rationality, fuzzy rules, intelligent decision support systems (IDSS),
knowledge representation, mental models (MMs), uncertainty.

xvi

xvii

Lista de Figuras

Figura 1 Os MMs ao longo da histria ................................................................................ 9
Figura 2 Estrutura conceitual de um MM .......................................................................... 10
Figura 3 Modelo mental .................................................................................................... 11
Figura 4 Mapa cognitivo (MC) .......................................................................................... 12
Figura 5 Mapa Estratgico (ME) ....................................................................................... 13
Figura 6 Diagrama de Fluxo e Estoque ............................................................................. 15
Figura 7 Estrutura conceitual de um MM da Dinmica dos Sistemas............................... 16
Figura 8 Polaridade dos ciclos de retroalimentao .......................................................... 17
Figura 9 Funo triangular ................................................................................................ 24
Figura 10 Funo trapezoidal ............................................................................................ 24
Figura 11 Operaes fundamentais entre conjuntos: a) Complemento; b) Conteno;
c) Unio; d) Interseo. ........................................................................................................ 25
Figura 12 Mtodo de inferncia de Mamdani. .................................................................. 29
Figura 13 MMs e suas respectivas matrizes de adjacncia ............................................... 35
Figura 14 Nveis analisados da estrutura conceitual de um MM de Dinmica dos Sistemas
.............................................................................................................................................. 37
Figura 15 Exemplo de MCN ............................................................................................. 43
Figura 16 Estrutura conceitual de um MCN-BR ............................................................... 44
Figura 17 Anlise de relevncia de um elemento .............................................................. 48
Figura 18 Anlise da relevncia de um ciclo ..................................................................... 49
Figura 19 Anlise de representatividade da relao .......................................................... 50
Figura 20 a) Anlise de representatividade de uma relao do modelo A b) Anlise de
representatividade das duas relaes do modelo A c) Anlise de representatividade geral d)
Anlise de representatividade consolidada ........................................................................... 51
Figura 21 Anlise de representatividade do modelo ......................................................... 52
Figura 22 Funes de pertinncia associadas aos valores lingusticos das varveis ......... 53
Figura 23 Funes de pertinncia associadas aos termos lingusticos da varivel PDM. . 54
Figura 24 Variveis lingusticas e encadeamento das regras ............................................ 61
Figura 25 Arquitetura do sistema inteligente de apoio deciso ...................................... 65
xviii

Figura 26 Interface para cadastramento de domnio do problema .................................... 66
Figura 27 Interface para cadastramento de elementos e relaes ...................................... 66
Figura 28 Interface de anlise e comparao dos modelos mentais .................................. 67
Figura 29 Interface de apresentao de resultados ............................................................ 68
Figura 30 Diversidade dos modelos: a) MM oriundo de um estudante de Cincias do
Esporte; b) MM oriundo de um estudante de Engenharia de Manufatura; c) MM oriundo de
um estudante de Engenharia de Produo; d) MM oriundo de estudante de Gesto do
Agronegcio; e) MM oriundo de estudante de Gesto de Comrcio Internacional; f) MM
oriundo de estudante de Gesto de Empresas; g) MM oriundo de estudante de Gesto de
Polticas Pblicas; h) MM oriundo de estudante de Nutrio. ............................................. 72
Figura 31 Nveis dos elementos de um modelo mental ..................................................... 75
Figura 32 Modelos mentais de maior representatividade dentre os 148 MMs analisados
pelo estudo de caso ............................................................................................................... 78
Figura 33 Exemplo de modelo mental de baixa representatividade .................................. 80
Figura 34 Diagrama de Pareto referente aos elementos dos MMs utilizados para descrever
as causas das manifestaes ................................................................................................. 84
Figura 35 Recorte do diagrama de Pareto referente aos principais elementos dos MMs
utilizados para descrever as causas das manifestaes. ........................................................ 85
xix

Lista de Quadros

Quadro 1 Estudos acerca da comparao entre modelos mentais ..................................... 33
Quadro 2 Nveis de Anlise e Comparao de modelos mentais ...................................... 37
Quadro 3 Variveis lingusticas ......................................................................................... 52
Quadro 4 Valores lingusticos do consequente Proximidade
Geral
...................................... 56
Geral
...................................... 56
Quadro 6 Valores lingusticos do consequente Relevncia
Ciclo
......................................... 57
Quadro 7 Valores lingusticos do consequente Representatividade
Ciclo
............................ 58
Geral
........................... 59
Geral
........................... 60
Modelo
....................... 60

xx

xxi

Lista de Tabelas

Tabela 1 Diversidade etria da amostra ............................................................................. 71
Tabela 2 Diversidade acadmica da amostra ..................................................................... 71
Tabela 3 Padro para informao dos valores associados ao parmetro Proximidade
Agente
.............................................................................................................................................. 74
Problema
.............................................................................................................................................. 75
Tabela 5 Total de comparaes executadas ....................................................................... 76
Tabela 6 Modelos mentais de maior e menor representatividade ..................................... 77
Tabela 7 Mdia de elementos por modelo mental ............................................................. 79
Tabela 8 Distribuio acadmica dos modelos mentais mais representativos .................. 79
Tabela 9 Distribuio etria dos modelos mentais de maior representatividade ............... 80
Tabela 10 Principais elementos utilizados pelos 148 MMs para descrever as
manifestaes ocorridas entre junho e julho no Brasil ......................................................... 82
xxii

xxiii

Lista de Siglas e Abreviaturas

ACM Association for Computing Machinery
BSC Balanced Scorecard
IEEE Institute of Electric Electronic Engineering
IEML Information Economy Meta Language
MC Mapa Cognitivo
MCN Mapa Cognitivo Nebuloso
MCNBR Mapa Cognitivo Nebuloso Baseado em Regras
ME Mapas Estratgicos
MIT Massachusetts Institute of Technology
MM Modelo Mental
MP Modus ponens
MPL Movimento Passe Livre
PD Proporo da Distncia
PDC Proporo da Distncia entre Ciclos
PDE Proporo da Distncia entre Elementos
PDM Proporo da Distncia entre Modelos
SBRN Sistema Baseado em Regras Nebulosas
SECI Socializao-Externalizao-Combinao-Internalizao
SIAD Sistema Inteligente de Apoio Deciso
TICs Tecnologias da Informao e Comunicao
TGS Teoria Geral dos Sistemas
ONU Organizao das Naes Unidas
UNCSD United Nations Conference for Sustainable Development

xxiv

xxv

Sumrio

Lista de Figuras ............................................................................................................ xvii
Lista de Quadros ............................................................................................................ xix
Lista de Tabelas ............................................................................................................. xxi
Lista de Siglas e Abreviaturas ..................................................................................... xxiii
1 Introduo.................................................................................................................. 1
1.1 Viso geral e motivao ..................................................................................... 1
1.2 Problemtica ...................................................................................................... 4
1.3 Consideraes inicias ......................................................................................... 4
1.4 Objetivo ............................................................................................................. 5
1.5 Metodologia ....................................................................................................... 5
1.6 Estrutura do texto ............................................................................................... 6
2 Modelos mentais ....................................................................................................... 7
2.1 Viso geral e histrica ........................................................................................ 7
2.1.1 Teoria dos modelos mentais ....................................................................... 9
2.2 Mapas Cognitivos (MCs) e Mapas Estratgicos (MEs) ................................... 11
2.3 Dinmica dos Sistemas .................................................................................... 13
2.3.1 Modelos mentais da Dinmica dos Sistemas ............................................ 15
2.4 Modelos mentais compartilhados e inteligncia coletiva ................................ 17
3 Lgica Nebulosa ...................................................................................................... 19
3.1 Viso geral e histrica ...................................................................................... 19
3.2 Teoria dos Conjuntos Nebulosos ..................................................................... 21
3.2.1 Funes de Pertinncia ............................................................................. 22
3.2.2 Operaes entre Conjuntos Nebulosos ..................................................... 25
xxvi

3.3 Relaes Nebulosas ......................................................................................... 27
3.3.1 Inferncia e Regras Nebulosas ................................................................. 28
3.4 Converso Lingustico-numrica ..................................................................... 30
4 Trabalhos correlatos ................................................................................................ 33
4.1 Mtodos para comparao de modelos mentais............................................... 33
4.1.1 Mtodo das distncias ............................................................................... 34
4.1.2 Mtodo da proximidade ............................................................................ 40
4.2 Lgica nebulosa e modelos mentais ................................................................ 41
4.2.1 Mapas Cognitivos Nebulosos ................................................................... 42
4.2.2 Mapas Cognitivos Nebulosos baseados em regras ................................... 44
5 Mtodo de anlise de modelos mentais ................................................................... 47
5.1 Base de conhecimento ..................................................................................... 47
5.1.1 Parmetros de anlise e comparao de modelos mentais ....................... 47
5.1.2 Variveis lingusticas ................................................................................ 52
5.1.3 Regras nebulosas ...................................................................................... 55
5.2 Sistema Inteligente de Apoio Deciso .......................................................... 64
5.2.1 Arquitetura do sistema .............................................................................. 64
6 Estudo de caso ......................................................................................................... 69
6.1 Contexto ........................................................................................................... 69
6.2 Procedimentos .................................................................................................. 70
6.3 Resultados ........................................................................................................ 76
6.3.1 Validao dos resultados .......................................................................... 81
7 Concluso ................................................................................................................ 87
7.1 Contribuies ................................................................................................... 88
7.2 Aplicaes ........................................................................................................ 88
xxvii

7.3 Trabalhos futuros ............................................................................................. 89
Referncias ..................................................................................................................... 91
Apndice A ................................................................................................................... 103
Apndice B ................................................................................................................... 104
Apndice C ................................................................................................................... 108
ndice ............................................................................................................................ 112

xxviii

1

1 Introduo

Este captulo introduz alguns conceitos fundamentais para o entendimento e
contextualizao deste trabalho por meio da apresentao da motivao, dos objetivos, da
metodologia e escopo da pesquisa, bem como da estrutura do texto para organizao desta
dissertao.

1.1 Viso geral e motivao

O mundo cada vez mais problemtico e a emergente busca por solues tm tornado
evidentes os altos nveis de incerteza provenientes de uma realidade cuja crescente complexidade
est associada ao elevado nmero de atores, relacionamentos e interaes que compem
fenmenos cada vez mais difceis de serem gerenciados (FERYOK, 2010; KWAPIN;
DROZDZ, 2012). Esse elevado nmero de variveis associadas aos problemas demanda solues
que devem considerar diversas perspectivas (ZHAO; WEN, 2012), e, at mesmo, informao
conflitante (KOSKO, 1986b; VAHDANI et al., 2013; YCENIR; DEMIREL, 2012). Afinal, o
conflito um processo decorrente da divergncia entre percepes da realidade (IORIO;
TAYLOR, 2014; LNSILUOTO; JARVENPA; KRUMWIEDE, 2013) e pode ocorrer quando
so considerados diferentes stakeholders
1
, seus mltiplos interesses, papis, vises e experincias
(PALETZ; SCHUNN; KIM, 2013; SCONTRAS; GRAFF; GOODMAN, 2012). Isso, por sua vez,
fomenta a incerteza e acaba tornando os processos de tomada de deciso to ou mais
complexos quanto as questes a que se propem resolver (REI, 2012
2
; WSTENBERG,
GREIFF, FUNKE, 2012)

1
A expresso stakeholders denota todos os interessados, envolvidos, contribuintes ou partcipes de um
determinado processo, projeto ou organizao (TULLBERG, 2013).
2
Rei (2012) se refere Rio+20, Conferncia das Naes Unidas sobre Desenvolvimento Sustentvel (United
Nations Conference on Sustainable Development UNCSD), que ocorreu no Rio de Janeiro de 13 a 22 de junho de
2012 e levou aproximadamente uma semana para redigir um documento final de consenso. As negociaes
superaram o tempo previsto e ocasionaram tenses diplomticas em um processo intenso para que se evitasse atraso
na entrega das consideraes finais. As concluses geraram o documento The Future We Want, objeto de muita
crtica e insatisfao, inclusive por parte da prpria Organizao das Naes Unidas (ONU).
2

A necessidade de considerar ideias, opinies e objetivos variados foi profundamente
estudada pela Escola de Carnegie
3
, representada principalmente pelas teorias da racionalidade
limitada (MARCH, 1978; OCONNOR, 2013; SIMON, 1972). Essas teorias associam o aumento
da eficincia e a obteno de estabilidade nas organizaes a uma abordagem qualitativa das
decises que considere etapas de aprendizagem (GRAVONSKI et. al., 2012; KOSKINEN, 2012).
Essa abordagem se fundamenta sobre um processo decisrio poltico baseado na coalizo e no
consenso entre os agentes de deciso. Assim, as solues de problemas esto associadas a uma
percepo compartilhada da realidade. Logo, decises satisfatrias residem no conhecimento que
comum a um nmero representativo de stakeholders (CYERT; MARCH, 1992).
A identificao dessa comunidade depende da representao desse conhecimento, que deve
ser estruturado de maneira a reduzir a complexidade da deciso mediante a simplificao da
situao problemtica. Segundo Dandurand, Schultz e Rey (2012), a incerteza pode ser tratada
por meio da aplicao de determinado conhecimento, no qual reside a compreenso adequada dos
fenmenos, bem como de seus componentes e respectivos relacionamentos. H, portanto, a
necessidade de identificar e caracterizar os elementos que contribuem de maneira relevante para
os eventos incertos (VAN DELDEN et al., 2011). Esse entendimento pode ser obtido desde que,
anteriormente, a representao do conhecimento pertencente aos agentes de deciso seja
estruturada de alguma maneira (FOSTER, 2011).
Modelos mentais (MMs) so instrumentos para estruturar e representar o conhecimento dos
tomadores de deciso por meio de linguagem. Os MMs tm ganhado importncia na tentativa de
entender e solucionar problemas desde que o Clube de Roma
4
pediu que Jay Forrester
5
utilizasse
sua Dinmica dos Sistemas para descrever a economia mundial, o que culminou com a edio do
livro Limites do Crescimento de Meadows et al. (1972). Em seguida, Axelrod (1976)

3
Escola de Carnegie o nome dado ao movimento intelectual da dcada de 1960 que era liderado por Hebert
A. Simon, James G. March e Richard M. Cyert na Carnegie Mellon University. Esse movimento se destacou pela
introduo da psicologia cognitiva em estudos de Administrao e Economia e pela produo de teorias referentes ao
comportamento organizacional.
4
Clube de Roma uma organizao internacional composta por profissionais de diversos setores da
sociedade, que se rene com o intuito de discutir temas relevantes que traduzem preocupaes acerca do futuro do
planeta.
5
Jay Wright Forrester (14 de julho de 1918) um engenheiro da computao estadunidense e professor
emrito da Sloan School of Management do Massachussets Institute of Technology (MIT). Em 1982, venceu o
prmio de Pioneiro da Computao do Institute of Electrical and Electronics Engineers (lEEE). Em 1989, foi
condecorado com a medalha estadunidense de Tecnologia e Inovao (National Medal of Technology and
Innovation).
3

introduziu o conceito de Mapas Cognitivos (MCs), modelos baseados em representaes grficas
de relacionamentos de causa e efeito, para a estruturao dos problemas e viabilizao da busca
por solues. Esses modelos oferecem tratamento incerteza reduzindo a complexidade do
processo decisrio por meio da possibilidade de abstrao da realidade. Os mapas cognitivos
auxiliam os tomadores de deciso a abstrair o ambiente por sobre o qual pretendem decidir,
apoiando o processo de tomada de deciso (WARMINK et al., 2010).
De acordo com van Kouwen, Schot e Wassen (2008), os modelos realizam a integrao
entre o entendimento dos agentes de deciso a partir da simulao de resultados e da
considerao de possveis cenrios (SALMERON; VIDAL; MENA, 2012). Essa integrao
resulta uma compreenso que deve servir de base para a confeco de polticas e para proposta de
aes oriundas da anlise da representao de determinada quantidade de informao
(AUMANN, 2011). A modelagem dos fenmenos assume o papel de mediador entre a
informao que serve de entrada para as simulaes e os agentes responsveis por decidir. Essa
mediao fundamental para obteno de solues definidas pela base de conhecimento
pertencente aos tomadores de deciso (STERK; VAN ITTERSUM; LEEUWIS, 2011). Por isso, a
comparao entre determinado nmero de modelos fundamental para obteno de uma
descrio compartilhada dos fenmenos que se pretende gerenciar.
Segundo Perry et al. (2012), a relao de dependncia entre a tomada de deciso e
capacidade cognitiva do agente de deciso acaba por compor um processo delicado,
extremamente sensvel a rudos e sujeito a erros. A procura por escolhas mais acuradas, antes
associadas lentido, encontra na computao um instrumento para obteno de celeridade na
opo por alternativas mais assertivas. Nesse sentido, busca-se respaldar os processos decisrios
por meio da automatizao da anlise, comparao e de gesto do conhecimento dos agentes de
deciso (LPEZ-NICOLS; MEROO-CERDN, 2011), por meio do desenvolvimento de
sistemas inteligentes de apoio deciso (SIAD) (BEN-ZVI, 2012). Muito alm de automatizar e
reproduzir as capacidades cognitivas dos stakeholders, esses sistemas devem articular e criar
sinergia entre diversas competncias, otimizando a utilizao e a valorizao do conhecimento
por meio do estabelecimento de uma inteligncia coletiva (LVY, 2010).

4

1.2 Problemtica

A representao do conhecimento de posse dos agentes de deciso depende
fundamentalmente de linguagem natural (WU; XU, 2012), o que acaba por tornar a anlise dos
MMs pouco rigorosa (SCHAFFERNICHT, 2010) naquilo que diz respeito dificuldade e, em
algumas vezes, impossibilidade de traduo das relaes de causalidade para modelos
matemticos e computacionais (MELNIK, 2009). Essa dificuldade para converter os modelos em
linguagem computacional percebida principalmente quando se considera que os algoritmos de
anlise e comparao so pouco flexveis, pois geralmente se estabelecem sobre matrizes,
equaes diferenciais e mtodos matemticos discretos. Esses mtodos assumem a lgica clssica
aristotlica baseada na certeza e na bivalncia, enquanto a realidade dotada de nuances e, como
j foi dito, incerteza. (CARVALHO, 2013; CARVALHO; TOM, 1999a, 1999b, 2001a, 2001b).
Faz-se necessria, ento, a estruturao de um mtodo matemtico flexvel que permita
avaliar, numericamente, as semelhanas e diferenas existentes entre os diversos MMs
componentes de um processo de tomada de deciso colaborativa. Dessa avaliao numrica
depende a identificao do conhecimento comum pertinente a uma viso compartilhada da
realidade e, por conseguinte, a reduo da complexidade do processo de tomada de deciso.

1.3 Consideraes inicias

Zadeh (1965) introduziu um conceito mais flexvel para traduzir matematicamente a
impreciso da linguagem e a multivalncia caracterstica realidade. Esse conceito se apoia sobre
a proposta de uma lgica alternativa baseada em Conjuntos Nebulosos (tambm chamados de
Conjuntos Difusos, ou ainda Conjuntos Fuzzy), instituindo a possibilidade de representao de
valores parciais. Dessa maneira, possvel capturar a gradao inerente linguagem humana e
mensurar os nveis de incerteza e impreciso (DUBOIS; PRADE, 2012; SALMERON, 2012;
ZADEH, 1965, 2008), permitindo formalizar com maior rigor as relaes de causalidade de um
modelo mental. Essa formalizao viabiliza a comparao e anlise computacional de diversos
desses modelos.
5

1.4 Objetivo

Este trabalho tem por objetivo principal desenvolver e aplicar um mtodo matemtico para
anlise e comparao de modelos mentais que possibilite identificar os modelos mais adequados
ao consenso tpico de um processo de tomada de deciso colaborativa.

1.5 Metodologia

O desenvolvimento do mtodo matemtico para anlise e comparao de modelos mentais
se estabelece mediante a construo de uma base de conhecimento que se utiliza de doze
parmetros inspirados em conceitos advindos da reviso bibliogrfica e do mtodo das distncias
(Seo 4.1.1). Essa base consiste de sessenta regras de inferncia do tipo Se/Ento (ver Seo
5.1.3) que assumem variveis nebulosas e termos lingusticos denotados por funes de
pertinncia trapezoidais e triangulares (ver Seo 5.1.2).
As regras nebulosas so utilizadas para analisar a estrutura interna dos modelos, seus
elementos e relaes (anlise intramodelo) enquanto comparam essas estruturas com as de outros
modelos j existentes (comparao intermodelo). A confeco da base se d a partir de um
mecanismo de inferncia baseado em encadeamento para frente que implementado por meio da
utilizao do mtodo de Mamdani (ver Seo 3.3.1). Tambm utilizado um mtodo de
converso lingustico-numrica (defuzificao) que se fundamenta sobre o clculo do centro de
gravidade dos conjuntos nebulosos (ver Seo 3.4).
A base de conhecimento foi automatizada por meio da linguagem Phyton e serviu de
insumo para o desenvolvimento de um sistema inteligente de apoio deciso (SIAD) que avalia a
representatividade de cada modelo mental associado a um determinado fenmeno. O sistema
permite o cadastramento e avaliao de todos os elementos dos MMs e suas respectivas relaes
de causalidade, bem como todos os atributos (polaridade, atrasos, etc.) referentes a esses
relacionamentos. Os elementos, relaes e atributos so definidos conforme os conceitos da
Dinmica dos Sistemas que so apresentados na Seo 2.3.

6

Finalmente, o SIAD foi utilizado em um estudo de caso para analisar e comparar os MMs
utilizados por 148 universitrios para descrever os protestos ocorridos no Brasil entre os meses de
junho e julho de 2013 (ver Seo 6.1 e Seo 6.2). Os resultados foram validados estatisticamente
a partir da Anlise de Pareto (ver Seo 6.3.1).

1.6 Estrutura do texto

Este documento est organizado, essencialmente, em trs partes. A primeira parte,
composta pelo Captulo 1, que se seguiu, contextual. Nessa parte foram introduzidas a
motivao e a problemtica, que so fundamentais para o entendimento do objetivo e
metodologia deste trabalho.
A segunda parte conceitual e se refere ao referencial terico que est dividido em trs
captulos. O Captulo 2 apresenta toda a descrio dos conceitos que dizem respeito aos modelos
mentais, enquanto o Captulo 3 se dedica a introduzir fundamentos de Lgica Nebulosa. O
Captulo 4 apresenta o estado da arte por meio do levantamento de trabalhos correlatos.
A terceira parte trata da aplicao dos conceitos apresentados nos captulos anteriores. O
Captulo 5 se dedica descrio do desenvolvimento do mtodo proposto, j o Captulo 6
transcreve os resultados da aplicao deste mtodo em um estudo de caso. O Captulo 7 apresenta
a concluso deste trabalho indicando suas contribuies.
7

2 Modelos mentais

Que nem nossos pensamentos, nem as paixes, nem as ideias formadas pela imaginao
existem fora da mente todos iro conceder. E parece no menos evidente que as vrias
sensaes ou ideias impressas nos sentidos, mesmo misturadas e combinadas umas com
as outras (isto , qualquer objeto que elas compem) no podem existir de outra forma
seno em uma mente. (BERKELEY, 2010)

Este captulo oferece uma viso geral e histrica do conceito de modelo mental. Aqui
realizada uma reviso da literatura que apresenta alguns tipos de modelos mentais (MMs) e
metodologias de modelagem, bem como suas propriedades, principais caractersticas e
aplicaes.

2.1 Viso geral e histrica

A soluo de um problema est necessariamente associada ao modo pelo qual aquele que se
prope a resolv-lo compreende e abstrai a situao problemtica. Essa abstrao constitui um
processo cognitivo de gerao de conhecimento por meio da integrao de conceitos e ideias que
explicam os fenmenos que so percebidos e por sobre os quais se pretende decidir (KIM, 2012).
Esse processo cognitivo conecta o tomador de deciso ao mundo e realidade exterior (ZHANG,
2012), produzindo um tipo de conhecimento que contm crenas, valores e princpios muito
particulares ao indivduo, mas que acabam por influenciar todo o processo decisrio
(SCHAFFERNICHT; GROESSER, 2011).
Desde o sculo XVIII, a discusso em torno da percepo e interpretao da realidade
baseada em simulaes e modelos produzidos pela mente despertou o interesse da Filosofia e
da Cincia. Esse tema esteve presente, por exemplo, no imaterialismo de George Berkeley
6
e, um

6
George Berkeley (12 de maro de 1685 14 de janeiro de 1753), o Bispo de Cloyne, foi um filsofo irlands
que se ocupou da investigao das relaes entre mente, percepo e realidade. Suas principais obras so An Essay
Towards a New Theory of Vision de 1709, A Treatise Concerning the Principles of Human Knowledge de 1710 e
Three Dialogues between Hylas and Philonous de 1713, que sintetizam seu pensamento sob o princpio Esse est
percipi, i.e. Ser ser percebido, no qual se funda a teoria do imaterialismo.
8

sculo depois, no centro de uma polmica
7
envolvendo Lord Kelvin e James Maxwell. A
interpretao da realidade por meio da construo de imagens mentais foi o principal argumento
utilizado pelo fsico austraco Ludwig Boltzmann
8
ao defender a importncia de raciocnios
tericos. Essa mesma ideia, a de que usamos modelos para representar os fenmenos de maneira
icnica por meio de linguagem, tambm foi tema da filosofia de Ludwig Wittgenstein
9
(1968) e
da semitica e pragmatismo de Charles Peirce
10
(JOHNSON-LAIRD, 2004, 2013).
At esse perodo possvel identificar uma Teoria do Modelo voltada para o mtodo
cientfico, para as discusses metafsicas e para a lingustica. O desenvolvimento das Cincias
Cognitivas, no entanto, impeliu Kenneth Craik
11
a publicar o livro The Nature of Explanation,
no qual tambm sugeriu a existncia de construtos mentais oriundos da percepo que se tem da
realidade. Todavia, a diferena da abordagem de Craik (1943) se deu no fato de que, para ele,
esses modelos so produzidos pela mente a partir da experincia e utilizados, posteriormente, na
tentativa de predio de eventos similares. Essa concluso foi confirmada em 1948 por um
estudo, conduzido por Edward Tolman, que introduziu o conceito de Mapas Cognitivos ao
detectar que o crebro de ratos criava mapas do ambiente e que isso permitia aos animais
antecipar algumas de suas reaes.
A incluso de uma dimenso temporal associada influncia da memria (passado) e da
capacidade de interpretar fenmenos do presente para viabilizao de aes futuras abriu

7
A polmica envolvendo os fsicos britnicos William Thompson (Lord Kelvin) (26 de junho em 1824 17
de dezembro de 1907) e James Clerk Maxwell (13 de junho de 1831 5 de novembro de 1879) deveu-se ao fato de
que o primeiro se recusou a aceitar as equaes de Maxwell para o eletromagnetismo sob a justificativa de que seu
entendimento dependeria da construo de um modelo mecnico para elas, o que era impossvel. O segundo, por sua
vez, alegou possuir um modelo mecnico em sua prpria mente quando do desenvolvimento de sua teoria.
8
A tarefa da teoria consiste da construo de uma imagem do mundo exterior que puramente interna e
deve ser a nossa estrela guia para o pensamento e a experincia, isto , por assim dizer, o processo de pensar e
executar em nvel global aquilo que ocorre em pequena escala dentro de ns, sempre que formamos uma ideia.
(BOLTZMANN, 1889, traduo minha)
9
Ludwig Wittgenstein (26 de abril 1889 29 de abril de 1951) foi um filsofo austraco que se ocupou do
estudo dos papis da linguagem e da lgica para representao da realidade. Publicou sua obra-prima Tratactus
Logico-Philosophicus em 1922, defendendo sua Teoria Icnica da Linguagem, na qual se refere s proposies como
imagens da realidade.
10
Charles Sanders Peirce (10 de setembro de 1839 19 de abril de 1914) foi um lgico estadunidense que
aplicou conceitos logsticos semiose, contribuindo para a criao da Semitica. Sua teoria de categorias de
pensamento e sua obra How to make our ideas clear rendeu-lhe o ttulo de pai do pragmatismo.
11
Kenneth J. W. Craik (1914-1945) foi um psiclogo britnico, cujo trabalho antecipou a ideia de que o
raciocnio humano possui propriedades que permitem comparar o funcionamento da mente ao de uma mquina e, por
isso, considerado um dos precursores das Cincias Cognitivas e da Ciberntica.
9

precedentes fundamentais para o surgimento da Ciberntica e para utilizao de modelos mentais
em processos de tomada de deciso.
Embora a Teoria de Modelos Mentais tenha sido publicada apenas na dcada de 1980,
possvel perceber que o estudo da modelagem da realidade por meio da investigao do
pensamento humano de onde provm os modelos ponto de antigo interesse da
Computao, Filosofia, Lingustica, Lgica, Psicologia e Pesquisa Operacional. Assim diversas
teorias e conceitos foram desenvolvidos, muitas vezes paralelamente, como mostra a linha do
tempo da Figura 1.
Figura 1 Os MMs ao longo da histria

Fonte: Produo do prprio autor.

2.1.1 Teoria dos modelos mentais

Em 1983, Philip Johnson-Laird
12
apresentou sua Teoria dos Modelos Mentais em Mental

12
Philip Johnson-Laird (12 de outubro de 1936) um psiclogo britnico e professor no departamento de
Psicologia da Princeton University. Muito celebrado por seus estudos sobre cognio, inferncia e raciocnios
humanos props a Teoria dos Modelos Mentais. Possui experincia de mais de 30 anos em estudos sobre modelos
mentais, autor do livro How we reason? publicado em 2006 e de uma vasta produo cientfica acerca do tema.
10

Models: Toward a Cognitive Science of Language, Inference and Conciousness, por meio do
qual defendeu que todo o raciocnio humano tanto o dedutivo quanto o indutivo
estabelecido atravs de artefatos proposicionais que descrevem a realidade por meio das relaes
de causalidade existentes entre conceitos que compem os fenmenos (JOHNSON-LAIRD,
1983, 2004, 2006, 2010, 2012, 2013). Essa definio voltada para uma representao baseada em
relaes causais entre elementos de permite assumir uma estrutura conceitual para os MMs
apresentada pela Figura 2.

Figura 2 Estrutura conceitual de um MM


Johnson-Laird (1983, 2012, 2013) enfatiza que esse tipo de descrio se estabelece sobre
smbolos e imagens, cuja manipulao , fundamentalmente, dependente de linguagem natural e
silogimos lgicos. Ali, Chater e Oaksford (2011) descrevem os MMs como representaes do
raciocnio humano baseadas no que a Lgica chama de Modus Ponens (MP), isto , regras de
inferncia do tipo Se... ento. Essas regras de produo so constitudas por uma premissa
composta por um ou mais conceitos antecedentes (P
1
e P
2
) que implicam uma concluso
composta por um conceito consequente (Q), como formalmente apresentado na Frmula (2.1) e
ilustrado na Figura 3.

(2.1)
11

Figura 3 Modelo mental


Segundo Johson-Laird (2007), um MM uma representao de conhecimento tcito e,
sugestivamente, habita a mente de um indivduo, no podendo subsistir fora dela. Assim, quando,
de alguma maneira, o conhecimento externalizado
13
(NONAKA; TAKEUCHI, 2008), isto ,
quando se tem uma representao de conhecimento explcito, estamos tratando de um mapa
conceitual ou modelo causal (KIM, 2012). Devido diversidade de ideias e autores utilizados
neste trabalho, houve a escolha pela extenso do significado do termo modelo mental, de modo a
optar por uma definio mais abrangente que contempla todos os conceitos abordados neste
captulo.
Nas sees subsequentes so apresentados os conceitos de Mapas Cognitivos, de Mapas
Estratgicos e da Dinmica dos Sistemas, uma metodologia que adota um tipo especfico de
mapas conceituais (ou modelos mentais, como prefere esta dissertao), que ao longo da histria
tem sido utilizada no apoio ao processo de tomada de deciso.

2.2 Mapas Cognitivos (MCs) e Mapas Estratgicos (MEs)

As descobertas de Tolman (1948) e a possibilidade de estruturao visual do entendimento
de um problema pareceram muito atraentes para as Cincias Humanas e Sociais, sempre

13
A externalizao do conhecimento constitui uma das etapas do processo SECI de criao do conhecimento
proposto por Nonaka e Takeuchi (2008). O acrnimo SECI (Socializao-Externalizao-Combinao-
Internalizao) diz respeito a todas as possibilidades de converso entre os tipos de conhecimento (tcito e explcito)
que so base para aos processos de criao e transferncia de conhecimento.
12

envolvidas com fenmenos complexos e no lineares. Em 1976, o livro Structure of decision:
The Cognitive Maps of Political Elites de Robert Axelrod
14
introduziu o conceito de Mapas
Cognitivos (MCs) aplicados anlise da dinmica dos fenmenos (AXELROD, 1976). Os MCs
oferecem apoio deciso por meio do estabelecimento de cenrios a partir da extrao do
conhecimento do decisor a respeito do evento que se pretende modelar. Esse conhecimento
representado graficamente, como pode ser visualizado na Figura 4. Os ns representam conceitos
(
) ligados por arestas que denotam as relaes de causalidade

existentes entre eles
.
Figura 4 Mapa cognitivo (MC)


A grande vantagem desse tipo de abordagem que ela se configura de modo a no s
capturar a percepo dos tomadores de deciso acerca dos problemas, como tambm comunicar
suas impresses, evidenciando idiossincrasias que poderiam prejudicar a obteno de solues.
Nesse sentido, a dcada de noventa do sculo passado se destacou pela adoo de Mapas
Estratgicos (MEs) por parte das corporaes. Nos MEs, as relaes de causa e efeito existentes
entre aes e objetivos (
) de determinada empresa so
representadas visualmente a fim de identificar processos-chave, atividades crticas e pontos

14
Robert Axelrod (27 de maio de 1943) um cientista poltico estadunidense e professor da University of
Michigan que dedica seus estudos teoria da complexidade, no tocante modelagem e simulao baseada em
agentes, e a problemas envolvendo cooperao. Em 1990, foi o primeiro vencedor do Award for Behavioral
Research Relevant to the Prevention of Nuclear War da National Academy of Science dos Estados Unidos.
13

cegos. A Figura 5 mostra uma representao hierrquica entre conceitos, sendo que
se refere
ao objetivo maior da organizao, que ser obtido a partir da execuo de processos e atividades
exprimidas pelos demais conceitos.
A descrio da estratgia por meio de uma simples ilustrao como a da Figura 5
permite uma comunicao clara entre colaboradores, alm do alinhamento de recursos, tecnologia
e cultura da organizao. Por isso, os MEs constituem parte da metodologia de Balanced
Scorecard
15
(BSC) para indicadores de desempenho (GLYKAS, 2012).

Figura 5 Mapa Estratgico (ME)


Na metodologia BSC, os indicadores so agrupados de maneira a conectar os fatores de
sucesso estratgia organizacional a partir de uma relao lgica de causa e efeito. Para isso os
grupos de mtricas correspondem a quatro perspectivas referentes: ao cliente, ao desempenho
financeiro, aos processos internos e ao fator de inovao e aprendizagem (TJADERA et. al.,
2014).

2.3 Dinmica dos Sistemas

Em 1961, foi publicado o artigo Industrial Dynamics com a proposta de uma
metodologia para identificao da estrutura dos problemas na cadeia de produo industrial

15
Balanced Scorecard uma metodologia de gesto de desempenho muito celebrada desde a dcada de 1990
pela Administrao de Empresas. O BSC oriundo da Harvard Business School, onde foi proposto por Norton e
Kaplan (1992).
14

(FORRESTER, 1961). Para Forrester (1961), a compreenso da medida com a qual determinadas
aes influenciavam o comportamento dos fenmenos permitiria a formulao e implementao
de solues mais adequadas. Essa proposta se baseava no surgimento da teoria geral dos
sistemas
16
(TGS) (BERTALANFFY, 1950) que privilegiava a viso holstica e a utilizao da
Ciberntica
17
(WIENER, 1958) para anlise de qualquer sistema ou fenmeno.
O potencial para aplicaes diversas permitiu que Forrester (1969, 1971) estendesse seus
estudos para a dinmica das populaes e para a questo ambiental. Por influncia da
Ciberntica, a Dinmica dos Sistemas se constitui num mtodo de anlise que se fundamenta na
afirmao de que o comportamento de um sistema complexo resultado da iterao das relaes
de fluxo, atraso e retroalimentao de informao entre os elementos de um fenmeno, cujos
relacionamentos podem ser traduzidos pelas Frmulas 2.2 e 2.3 (MINGERS; WHITE, 2010). O
resultado dessas equaes pode ser linear, exponencial e logartmico.

) (2.2)

()
(2.3)

Na Frmula 2.2, um elemento componente de um fenmeno representado por seu estado
em determinado instante de tempo . Esse estado dado pela varivel
, que equivale ao
estado anterior desse elemento acrescido pela variao que ele sofreu devido aos fluxos de
entrada e sada representados por
, respectivamente. Na

16
A teoria geral dos sistemas (TGS) foi proposta pelo bilogo austraco Ludwig von Bertalanffy (19 de
setembro de 1901 12 de junho de 1972) como uma alternativa prevalncia da abordagem reducionista e
especializada da Cincia moderna. O reducionismo especialista se mostrou limitado para anlise e resoluo de
problemas no lineares, ditos complexos. A TGS preza pela interdisciplinaridade e serviu de base para busca pela
Cincia Ps-normal (FUNTOWICZ; RAVETZ, 1993).
17
A Ciberntica (ou teoria do controle) um campo interdisciplinar que visa o estudo dos sistemas de
controle e comunicao entre seres naturais e artificiais, a partir dos conceitos de causalidade e retroalimentao.
Essa abordagem foi proposta pelo matemtico estadunidense Robert Wiener e se consolidou durante as reunies de
um grupo de cientistas, naquilo que foi chamado de Macy Conferences, que ocorreram de 1946 a 1953 em Nova
Iorque. Participavam dessas reunies cientistas de diversas reas, como o polmata hngaro John von Neumann (28
de dezembro de 1903 8 de fevereiro de 1957), o psiquiatra britnico W. Ross Ashby (6 de setembro de 1906 15
de novembro de 1972) e o neurofisiologista estadunidense Warren McCulloch (16 de novembro de 1898 24 de
setembro de 1969).
15

Frmula 2.3, representada a taxa de variao
()
do elemento em determinado instante de

tempo. Essa taxa dada pela diferena entre os fluxos de entrada e sada no mesmo instante .
Essas frmulas tambm podem ser representadas em diagramas de fluxo e estoque, como
ilustra a Figura 6. Na ilustrao, temos determinado elemento de um sistema representado pelo
estoque, que expressa a dimenso desse elemento em determinado instante de tempo. O estoque
sofre a influncia de taxas de variao por unidade de tempo, representadas pelo fluxo de sada e
pelo fluxo de entrada.

Figura 6 Diagrama de Fluxo e Estoque


2.3.1 Modelos mentais da Dinmica dos Sistemas

Segundo Forrester (1961), os modelos mentais constituem o cerne da Dinmica dos
Sistemas e, por isso, os diagramas de fluxo e estoque tambm podem ser convertidos para ciclos
de causalidade denominados arqutipos que indicam o carter da retroalimentao da
informao. A Figura 7 apresenta a estrutura conceitual de um modelo mental da Dinmica dos
Sistemas que consiste de ciclos de realimentao entre elementos (conceitos), que nesse caso,
pode ser estoques ou fluxos. Essa estrutura pode se comportar linearmente, exponencialmente ou
logaritmicamente.
Schaffernicht (2010) afirma que a Dinmica dos Sistemas estabelece que dois elementos
podem se influenciar por meio de dois tipos de relao: de reforo (R), tambm denotada pelo
sinal (+), ou de balanceamento (B), tambm representada pelo sinal (-). Ambos os tipos indicam a
polaridade da relao entre os elementos que pode ser visualizada na Figura 8. Diz-se que uma
16

relao de reforo, quando um elemento influencia outro a ponto de determinar a amplificao
dos efeitos associados a este ltimo. Nesse caso, h uma relao diretamente proporcional entre
os conceitos.
Em contrapartida, uma relao de balanceamento ocorre quando a influncia de um
elemento sobre o outro ocorre de maneira inversamente proporcional, ou seja, quando um
elemento possui um comportamento crescente (ou decrescente) e acaba por determinar um
comportamento decrescente (ou crescente) ao outro elemento. Essa influncia acontece at que
uma relao de estabilidade entre os conceitos seja estabelecida.

Figura 7 Estrutura conceitual de um MM da Dinmica dos Sistemas

Fonte: Adaptado de (SCHAFFERNICHT, 2010)

A partir dessa metodologia, principalmente por meio das frmulas diferenciais associadas
s relaes de causalidade, possvel estabelecer cenrios e realizar simulaes cujos resultados
oferecem um panorama do comportamento do sistema, se este for submetido aos parmetros
utilizados. Por esse motivo, a Dinmica dos Sistemas voltou a despertar interesse a partir da
17

publicao do livro Fifth discipline (SENGE, 1990), que destacou a utilizao dessa
metodologia em contextos empresariais de gesto e planejamento estratgico.

Figura 8 Polaridade dos ciclos de retroalimentao


2.4 Modelos mentais compartilhados e inteligncia coletiva

A partir de 1990, a Escola de Carnegie e suas teorias da racionalidade limitada
mencionadas na Seo 1.1 encontraram consonncia na noo de aprendizagem corporativa
(SENGE, 1990), na crescente complexidade dos problemas, na evoluo das Tecnologias de
Informao e Comunicao (TICs). Logo, o apelo por processos decisrios cada vez mais
distribudos e plurais fomentaram a necessidade de compartilhamento de conhecimento,
experincias e vises (SCONTRAS, GRAFF, GOODMAN, 2012).
Nesse contexto, Pierre Lvy
18
(2003) cunhou o termo Inteligncia Coletiva, cuja
definio foi apresentada em livro homnimo para descrever uma inteligncia distribuda,
interativa e coordenada. Em sua clssica obra Cibercultura, o filsofo volta a fazer referncia

18
Pierre Lvy (2 de julho de 1956) um filsofo tunisiano e professor da University of Ottawa. um dos
fundadores da Filosofia da Informao, dedicando-se ao estudo das relaes entre a tecnologia, a informao e a
sociedade. Suas principais obras so Les technologies de l'intelligence de 1990, L'intelligence collective: Pour une
anthropologie du cyberspace de 1994 e Cyberculture de 1997. um dos criadores do mecanismo de rvores de
conhecimento (arbres de connaissances) e da linguagem Information Economy Meta Language (IEML) para web
semntica.
18

ao conceito, sugerindo a ideia de um MM comum apoiado pela informtica e proporcionado por
tecnologias que permitem o compartilhamento de conhecimento.

Trata-se de uma tecnologia intelectual que amplifica a imaginao individual (aumento
de inteligncia) e permite aos grupos que compartilhem, negociem e refinem modelos
mentais comuns, qualquer que seja a complexidade deles (aumento da inteligncia
coletiva). Para aumentar e transformar determinadas capacidades cognitivas humanas (a
memria, o clculo, o raciocnio especialista), a informtica exterioriza parcialmente
essas faculdades em suportes digitais. Ora, uma vez que esses processos cognitivos
tenham sido exteriorizados e reificados, tornam-se compartilhveis e assim reforam os
processos de inteligncia coletiva (LVY, 2010).

Para confirmar esses prognsticos, surgiram as Comunidades de Prtica (CoPs) (BETTIOL;
SEDITA, 2011; SU-HWAN; YOUNG-GUL; JOON, 2011), as plataformas de Inovao Aberta, o
conceito Crowd (Crowdfunding, Crowdlearnig e Crowdsourcing), alm da emergente utilizao
das redes sociais virtuais para resoluo de problemas e proposio de solues (ALBORS;
RAMOS; HERVAS, 2008; BCHELER, SIEG, 2011). Com isso, MMs compartilhados e
mtodos para analis-los e compar-los tm despertado grande interesse (KIM, 2012; ZHANG,
2012). Posteriormente, a Seo 4.1 apresenta alguns estudos e consideraes acerca desses
mtodos.
19

3 Lgica Nebulosa

E quando os especialistas discordam? Calculamos uma mdia? E se um disser sim e o
outro no? (KOSKO
19
, 1986b, traduo minha)

Este captulo se dedica a oferecer uma viso geral e histrica do conceito de Lgica
Nebulosa. Aqui sero apresentadas as principais caractersticas da Teoria dos Conjuntos
Nebulosos e as propriedades que so fundamentais para a compreenso de regras nebulosas.

3.1 Viso geral e histrica

A partir de Aristteles
20
e desde a Antiguidade, o Pensamento Ocidental se estabeleceu
sobre uma lgica bivalente, que assume que variveis sejam acomodadas por apenas dois valores
possveis, inerentemente opostos e mutuamente exclusivos. Da lgica aristotlica que
comeou a ser formalizada por George Boole
21
e acabou sistematizada por Gottlob Frege
22

proveio a possibilidade de associao de valores formais quilo que verdadeiro e, tambm,
quilo que falso. Esses valores se apresentaram como protagonistas de uma tica cientfica e
epistemolgica que prezou sempre pela preciso, em detrimento da certeza.
Todavia, deve-se considerar que a impreciso caracterstica do mundo complexo e
multivalente, bem como do conhecimento humano que o descreve, geralmente, por meio de
linguagem natural, dotada de nuances e conceitos graduais, cuja traduo matemtica , muitas

19
Bart Kosko (7 de fevereiro de 1960) engenheiro eletricista e professor da University of Southern
California. Foi pioneiro na aplicao de Lgica Nebulosa ao contexto dos modelos mentais.
20
Aristteles (384 a. C. 322 a. C.) foi um dos mais conhecidos filsofos gregos de toda a Histria.
Juntamente com Scrates e Plato, de quem era discpulo, fundou a Filosofia Ocidental. Suas contribuies
logsticas, encontradas principalmente em sua obra Organon, fazem dele o pai da Lgica.
21
George Boole (2 de novembro de 1815 8 de dezembro1864) foi um filsofo britnico, precursor da
matemtica computacional. Tentou reproduzir matematicamente a lgica contida no pensamento humano em sua
obra The Laws of Thought de 1854, criando um sistema algbrico que permitiu formalizar raciocnios.
22
Friedrich Ludwig Gottlob Frege (8 de novembro de 1848 26 de julho de 1925) foi um matemtico
alemo responsvel pelo descolamento da Lgica do campo da Filosofia, sendo um dos fundadores da Lgica
Matemtica (moderna). Com o intuito de criar um sistema rigoroso para definir uma demonstrao matemtica,
apresentou o clculo de predicados em sua obra Begriffsschrift de 1879.
20

vezes, um desafio de impossvel resoluo principalmente para a lgica booleana (DUBOIS;
PRADE, 2012).
Na tentativa de capturar a parcialidade dessa informao vaga e gradual, a fim de mensurar
e traduzir matematicamente os nveis de incerteza, Lofti Zadeh
23
publicou, em 1965, o artigo
Fuzzy Sets no qual apresenta sua Teoria dos Conjuntos Nebulosos (tambm chamados
Conjuntos Difusos, ou ainda Conjuntos Fuzzy). Essa teoria define elementos de maneira flexvel
ultrapassando os limites do sim e no de acordo com um grau de pertinncia que
permite a instituio de valores parciais, mais prximos da ideia contida, por exemplo, em um
talvez. A Teoria dos Conjuntos Nebulosos compartilha grande parte de suas identidades e
operaes com os conjuntos ordinrios oriundos da Teoria Clssica dos Conjuntos
24
,
apresentando-se como sua extenso natural pelas diversas propriedades comuns.
Contudo, o cerne da Lgica Nebulosa se encontra na ultrapassagem de duas leis clssicas
fundamentais: a lei da no contradio e a lei do meio excludo (tambm conhecida por lei do
terceiro excludo). A lei da no contradio probe que um elemento possa pertencer de maneira
simultnea a dois conceitos opostos. Dessa maneira, a interseo entre um conjunto e seu
complemento
(de maneira formal, ) resultaria um conjunto vazio. Quando se trata de

Conjuntos Nebulosos, essa simultaneidade permitida justamente porque h a considerao de
valores parciais, o que, por sua vez, fere a lei do meio excludo, que determina que um elemento
pertena obrigatoriamente a um conjunto sem conceito intermedirio algum.
Segundo Zadeh (2002, 2006, 2008), o conceito nebuloso constitui muito mais do que um
sistema lgico e aborda tambm perspectivas epistmicas e relacionais. H aproximadamente
meio sculo, a Lgica Nebulosa tem se apresentado como uma alternativa para representao e
tratamento de informao imperfeita conflitante, incerta, imprecisa e parcial a fim, de
possibilitar o armazenamento e manipulao por computadores. Amplamente difundida na
Inteligncia Artificial, na implementao de sistemas inteligentes, no apoio tomada de deciso e
inferncia nas Cincias Gerenciais e na Pesquisa Operacional, , tambm, muito utilizada na

23
Loftali Askar Zadeh (4 de fevereiro de 1921) matemtico e engenheiro eletricista iraniano, professor
emrito da Universidade de Berkeley. Pelo pioneirismo no desenvolvimento da Teoria dos Conjuntos Nebulosos,
recebeu a medalha de honra do IEEE em 1995. Tambm foi agraciado com o Allen Newell Award da Association for
Computing Machinery (ACM) em 2001.
24
Teoria Clssica dos Conjuntos foi proposta pelo matemtico alemo Georg Cantor (3 de maro de 1845
6 de janeiro de 1918) em 1874.
21

Automao e Controle (AZADEGAN et al., 2011; DUBOIS, 2011; NOVK, 2012). Alm disso,
a granularidade da Lgica Nebulosa tambm pode ser explorada na quantificao e coalizo de
informaes para suporte ao estabelecimento de consenso e colaborao (PEDRYCZ et al.,
2014). Este captulo se dedica exposio dos conceitos nebulosos fundamentais.

3.2 Teoria dos Conjuntos Nebulosos

Considerando que o Universo do discurso possa ser representado por um conjunto X de
elementos x (formalmente, X = {xi}), ento um subconjunto A desse Universo definido por uma
funo caracterstica fA(x) que indica em que medida cada elemento x pertence a esse
subconjunto A. Tradicionalmente, a Teoria Clssica dos Conjuntos associa essa funo de
pertinncia a um outro conjunto composto por apenas dois valores, assim
() , onde
() e
() indicam, respectivamente, que e , isto , que o elemento

pertence e no pertence ao subconjunto .
Esse subconjunto se torna nebuloso a partir da ampliao do contradomnio da funo
caracterstica que pode ser obtida, segundo Zadeh (1965), por meio da simples substituio do
conjunto {0, 1} pelo intervalo [0, 1]. Assim,
() , onde qualquer valor

compreendido entre os contradomnios mximo e mnimo indicar o grau de pertinncia de
determinado elemento ao conjunto . Essa substituio permite o aumento da granularidade da
descrio dos elementos, bem como a extenso das fronteiras que delimitam os conjuntos,
possibilitando a representao de valores parciais.
Um conjunto nebuloso pode ser representado de trs formas: tabular, grfica e analtica.
Genericamente, essas tabelas, grficos e anlises se originam a partir de uma representao
organizada na Frmula 3.1 por meio de pares ordenados constitudos pelo elemento do Universo
do discurso e pela funo de pertinncia referente ao conjunto nebuloso

{(
())| (3.1)

22

3.2.1 Funes de Pertinncia

As funes de pertinncia, ao oferecerem a medida com que determinado elemento
pertence a um conjunto, assemelham-se s funes probabilsticas quando um conjunto
discreto e, s funes de densidade de probabilidade quando X um conjunto contnuo.
Entretanto, algumas propriedades nebulosas, especialmente as que desafiam a lei da no
contradio e a lei do meio excludo descritas na Seo 3.2 apontam para o fato de que a
ideia de Conjuntos Nebulosos essencialmente no estatstica (ZADEH, 1965).
So essas funes que atribuem caractersticas fundamentais aos seus respectivos conjuntos
nebulosos para, Dessa maneira, definir os graus de pertinncia de um elemento. Essa
caracterizao passa por trs propriedades principais possudas por essas funes: ncleo, apoio e
fronteira.
Considerando o subconjunto nebuloso A de um Universo , o ncleo diz respeito regio
em que a funo
indica pertinncia plena, isto , na qual o contradomnio assume o valor

mximo, como mostra a Frmula 3.2.

()
() (3.2)

Se houver, no mnimo, um elemento que pertena plenamente ao conjunto nebuloso,
fazendo com que a funo de pertinncia assuma o valor mximo, o ncleo no vazio e o
conjunto classificado como normal. Caso no haja esse elemento, o conjunto dito subnormal.
A Frmula 3.3 define o apoio dessa mesma funo que se refere regio composta pelos
elementos para os quais
maior que zero, indicando alguma pertinncia ao subconjunto A do

Universo .

()
() (3.3)

23

A fronteira da funo corresponde regio composta por elementos compreendidos no
intervalo de pertinncia, sem assumir os valores mximo e mnimo, como possvel observar na
Frmula 3.4.

()
() (3.4)

Outra propriedade relevante para a atribuio de caractersticas ao conjunto por parte da
funo de pertinncia a convexidade. Diz-se que o subconjunto nebuloso A convexo, se a
condio enunciada pela Frmula 3.5 for atendida para quaisquer
pertencentes ao
Universo X e para qualquer lambda no intervalo entre 0 e 1 (formalmente,
;
).

( )
) (3.5)

Este trabalho destaca dois tipos de funes de pertinncia. Funes triangulares e
trapezoidais so comumente utilizadas na Teoria dos Conjuntos Nebulosos. Uma funo
triangular, exemplificada pelo grfico da Figura 9, dada pela Frmula 3.6, enquanto uma funo
trapezoidal como a representada pelo grfico da Figura 10 pode ser obtida a partir da Frmula
3.7. Nessas frmulas, a, b, c e d representam o domnio associado aos vrtices das funes.

()
{

(3.6)

24

Figura 9 Funo triangular


()
{

(3.7)

Figura 10 Funo trapezoidal


25

3.2.2 Operaes entre Conjuntos Nebulosos

As operaes fundamentais existentes entre os Conjuntos Nebulosos so semelhantes
quelas descritas pela Teoria Clssica dos Conjuntos: complemento, conteno, unio e
interseo (que podem ser visualizadas nos Diagramas de Venn da Figura 11). Nelas se deve
considerar a dependncia existente dos conjuntos para com suas respectivas funes de
pertinncia. Essas operaes, definidas por Zadeh (1965), so apresentadas nos pargrafos que se
seguem.

Figura 11 Operaes fundamentais entre conjuntos: a) Complemento; b) Conteno; c) Unio; d)
Interseo.


O Conjunto Nebuloso possui um complemento que descreve elementos que pertencem
ao Conjunto Universo e no pertencem (formalmente, ). O conjunto
indicado pela funo de pertinncia complementar denotada na Frmula 3.8. O complemento
serve como base para a operao lgica de negao.
26

(3.8)

Se forem considerados dois conjuntos nebulosos e , pode-se dizer que A est contido
em B, ou ainda que A subconjunto de B, apenas se a funo de pertinncia associada ao
conjunto for menor ou igual funo de pertinncia associada ao conjunto , para todo e
qualquer elemento , como mostra a Frmula 3.9.

()
() (3.9)

Sobre a noo de conteno, fundamentam-se as outras noes fundamentais para o
entendimento das operaes nebulosas. A Frmula 3.10 denota a unio entre os conjuntos e ,
que descreve elementos pertencentes a um dos dois conjuntos ( ). Essa
unio acaba por implicar um conjunto (de maneira formal, ), cuja funo de
pertinncia
(), para todo e qualquer do Universo do discurso, assume os valores mximos

das outras funes de pertinncia. Sobre a unio se estabelece a operao lgica de disjuno.

()
()
() (3.10)

Considerando os mesmos dois conjuntos nebulosos A, B e, ainda, um terceiro conjunto
resultado da interseo entre os dois primeiros composto por elementos que pertenam a ambos
os conjuntos ( ), tm-se uma funo de pertinncia
(),
para todo e qualquer do Universo do discurso, que assume os valores mnimos das outras
funes de pertinncia, como pode ser observado na Frmula 3.11. A interseo se apresenta
como fundamento para a operao lgica de conjuno.

()
()
() (3.11)
27

importante ressaltar que para as operaes fundamentais entre Conjuntos Nebulosos
descritas nos pargrafos anteriores, so vlidas, de acordo com Zadeh (1965), identidades bsicas
como as Leis de DeMorgan (nas frmulas 3.12 e 3.13) e as Leis Distributivas, a seguir nas
frmulas 3.14 e 3.15.

( )
(3.12)
( )
(3.13)
( ) ( ) ( ) (3.14)
( ) ( ) ( ) (3.15)

3.3 Relaes Nebulosas

J em seu artigo, Zadeh (1965) descreve uma operao algbrica para denotar relaes
nebulosas alertando a respeito do importante papel que esse conceito poderia assumir para
possibilitar aplicaes de seus conjuntos. Isso porque como foi abordado no Captulo 1 a
ideia de relao, associao e interao condio sine qua non para a compreenso dos diversos
fenmenos do mundo real.
No que diz respeito aos conjuntos clssicos, uma relao um conjunto de pares ordenados
de nmeros reais e , tal que . No tocante aos Conjuntos Nebulosos, a relao se d pelo
produto cartesiano, no qual a funo de pertinncia incorpora o par ordenado. A relao clssica
indica se h ou no relacionamento entre elementos, enquanto a relao nebulosa vai alm e
aponta para o grau com o qual esses elementos se relacionam.
possvel definir uma relao -ria nebulosa no universo em como um conjunto
nebuloso proveniente do produto cartesiano
. Assim, a relao nebulosa

possuir uma funo de pertinncia de forma
), onde
e . A funo
de pertinncia
definida pela Frmula 3.19.

28

) (3.19)

O conceito de Relaes Nebulosas essencial para construo das regras que servem de
base para os Sistemas Baseados em Regras Nebulosas (SBRN).

3.3.1 Inferncia e Regras Nebulosas

A partir da noo de que se pode indicar uma relao existente entre dois elementos, bem
como a medida com que esses elementos se influenciam, pode-se confeccionar uma estrutura de
inferncia composta por um termo antecedente e um termo consequente. A determinao da
dependncia mtua entre esses termos possibilita construir regras de produo constitudas de
premissas e concluses (Modus Ponens MP). Essas relaes podem ser escritas da seguinte
maneira:

Se (Premissa), ento (Concluso).

Quando se trata de uma regra nebulosa, tanto a premissa quanto a concluso pode ser
representada por conjuntos associados a termos lingusticos definidos por funes de pertinncia
como aquelas que foram apresentadas na Seo 3.2.1. Assim, tm-se graus de pertinncia
associados aos termos antecedentes (premissas), por meio dos quais so ativadas as aes
relacionadas aos termos consequentes (concluso).
A ativao da concluso se d por um mecanismo de inferncia baseado em encadeamento
para frente. Esse mecanismo confronta as informaes relacionadas ao fenmeno avaliado pela
regra com as condies impostas por sua premissa e, assim assume uma concluso. Isso quer
dizer que as informaes disponveis dizem respeito aos antecedentes e a partir delas obtida
uma informao associada ao consequente.
29

H regras que consistem de mais de um antecedente, nesse caso, so usadas as operaes
de conjuno e disjuno apresentadas na Seo 3.2.2. Assumindo que uma premissa pode ser
representada por dois conjuntos A em X, B em Y, a concluso representada pelo conjunto C em
Z, cuja funo de pertinncia
() dada, formalmente, pela Frmula 3.20, que indica a

implicao de Mamdani (MAMDANI; ASSILIAN, 1975).

()
( )
()
() (3.20)

O mtodo de inferncia de Mamdani, ilustrado na Figura 12, ainda considera a
possibilidade de convivncia de mais de uma regra ativa. Caso isso acontea, deve ser realizada
uma composio dos conjuntos
(onde n o nmero de regras). Assim o conjunto associado ao

consequente (concluso) dado pela funo de pertinncia
() da operao da Frmula 3.21.

()
()
() (3.21)

Figura 12 Mtodo de inferncia de Mamdani.

Fonte: Adaptado de Jang, Sum e Mizutani (1997).

30

Na Figura 12, possvel observar a aplicao do mtodo de inferncia de Mamdani a duas
regras compostas por dois antecedentes A e B e suas respectivas funes de pertinncia
e por um consequente C, cuja funo de pertinncia
. O consequente C est associado a

um conjunto nebuloso que consiste da unio
.

3.4 Converso Lingustico-numrica

Esse captulo se dedicou a mostrar que os elementos dos Conjuntos Clssicos servem de
base para a criao de elementos de Conjuntos Nebulosos. Todavia, valores nebulosos, que so
obtidos a partir da aplicao de funes de pertinncia a conjuntos nebulosos, nem sempre podem
ser diretamente utilizados. Geralmente, h necessidade de sua converso a um valor numrico
novamente para que este possa ser utilizado matematicamente, por exemplo.
Essa converso lingustico-numrica tambm chamada defuzificao. A
defuzificao representa a interpretao do Conjunto Nebuloso que resulta do processo de
inferncia, por meio da transformao dos valores do conjunto domnio, e seus graus de
pertinncia correspondentes, em valores rgidos mediante a aplicao de uma frmula que traduz
esses valores em um nico valor preciso.
Um Conjunto Nebuloso C definido no domnio de Z, como o que foi apresentado para sada
de uma base de regras na seo anterior, pode ser representado por um valor a partir do clculo
do centro de gravidade do conjunto G(C) dado pela Frmula 3.22, na qual
a funo de
pertinncia do conjunto.

()
()
()
(3.22)

Essa frmula pode ser simplificada, se o domnio contnuo for substitudo pelo domnio
discreto, logo o centro de gravidade G(C) pode ser definido pela Frmula 3.23.

31

()
)
(3.23)

A converso lingustico-numrica de total interesse para os sistemas computacionais,
especialmente os sistemas baseados em regras nebulosas, j que computadores obedecem
fundamentalmente estruturas binrias representadas pela bivalncia da Lgica Clssica.

32

33

4 Trabalhos correlatos

Pesquisas tm demonstrado que a compreenso dos modelos mentais parece ser a base
para polticas e decises melhores. A elicitao e comparao desses modelos podem
explicar sistematicamente as variveis-chave e suas principais estruturas subjacentes.
(SCHAFFERNICTH; GROESSER, 2011, traduo minha)

Este captulo apresenta o estado da arte por meio de trabalhos correlatos em dois aspectos
principais: mtodos para comparao de modelos mentais e aplicao de conceitos de Lgica
Nebulosa ao contexto dos MMs.

4.1 Mtodos para comparao de modelos mentais

O crescente interesse em modelos mentais compartilhados discutido na Seo 2.4
fomentou uma srie de estudos, cujo objetivo era o desenvolvimento, obteno e aplicao de
mtodos para comparar MMs. O Quadro 1 apresenta alguns desses estudos, detalhando o escopo
da comparao de cada trabalho.

Quadro 1 Estudos acerca da comparao entre modelos mentais
Autores Escopo da comparao Abordagem
Lagfield-Smith e Wirth
(1992)
Elementos, ciclos e polaridades. Proporo de distncia
Verbugh (1994)
Elementos, ciclos, densidade dos MMs, considerao do
tempo.
Proporo de distncia
Marczcy e Goldberg (1995) Elementos, ciclos e polaridades. Proporo de distncia
Langan-Fox et al. (2001) Elementos, ciclos e polaridades. Proporo de distncia
Ritchie-Dunham (2002) Ciclos comuns.
Proporo de
proximidade
Doyle, Radzicki e Trees
(2008)
Elementos, ciclos e polaridades. Proporo de distncia
Gary (2008) Ciclos, polaridade e comportamento dos modelos.
Proporo de
proximidade
34

Quadro 1 Estudos acerca da comparao entre modelos mentais
Autores Escopo da comparao Abordagem
Capelo e Dias (2009) Ciclos comuns.
Proporo de
proximidade
Fokkinga, Bleijenberg e
Vennix (2009)
Elementos, elementos semelhantes, ciclos. Proporo de distncia
Plate (2010) Densidade dos loops e ndices de causalidade. Proporo de distncia
Schaffernicht e Groesser
(2011)
Elementos, ciclos, polaridades, atraso e modelos. Proporo de distncia
Fonte: Adaptado de Schaffernicht e Groesser (2011)

possvel observar a presena de duas abordagens principais utilizadas pelas propostas:
comparao baseados em propores de distncia e proximidade. O clculo da distncia
concentra a anlise nas diferenas existentes entre MMs, enquanto o clculo da proximidade
aborda as semelhanas. As sees 4.1.1 e 4.1.2 se dedicam apresentao desses mtodos.

4.1.1 Mtodo das distncias

Markczy e Goldberg (1995) estruturam um mtodo de comparao de MMs a partir do
estabelecimento de uma Proporo de Distncia (PD), dada pela razo entre as diferenas reais e
potenciais entre os modelos comparados, como formalmente apresentado na Frmula 4.1, a
partir das condies das frmulas 4.2 e 4.3. A Figura 13 apresenta dois modelos mentais e .
Cada um possui um nmero de elementos e seus relacionamentos compem uma matriz de
adjacncias ( no caso do modelo A e para o modelo B) de ndice i para as
linhas e ndice j para as colunas. Na matriz, a polaridade dos relacionamentos representada
pelos sinais + e , para indicar relaes de reforo e balanceamento, respectivamente.
No denominador da Frmula 4.1, a instncia
indica a quantidade de elementos comuns a

ambos os modelos, enquanto que
denota a quantidade de elementos exclusivos ao modelo

e
ao modelo . O parmetro exprime a possibilidade de uma varivel se autoinfluenciar,

expressa o relacionamento de maior peso, determina o grau de importncia atribudo s
35

diferenas existentes entre os modelos, aponta se as polaridades so afetadas pela diferena
entre os pesos de duas relaes causais e indica o nmero possvel de polaridades associadas
aos modelos.

Figura 13 MMs e suas respectivas matrizes de adjacncia


( )
()
()
)(()
))
(4.1)

O numerador da Frmula 4.1 representa o somatrio de diferenas relevantes entre os
elementos dos modelos. Esse nmero de diferenas relevantes definido pelas condies da
Frmula 4.2, onde V
A
representa o conjunto de elementos do modelo A, V
B
se refere ao conjunto
de elementos prprios ao modelo B e V
C
diz respeito ao conjunto de elementos comuns aos dois
modelos. As condies determinam que a diferena 0 para as clulas localizadas nas
diagonais das matrizes. Isso ocorre porque o elemento de um modelo mental no capaz de se
autoinfluenciar, isto relacionar-se consigo mesmo. A diferena existente entre os elementos
36

comuns (V
C
) a ambos os modelos, mas nos quais polaridade no a mesma, dada pela diferena
dos valores e pelo fato dessa diferena ser considerada importante ou no pelo tomador de
deciso. Assim, , caso o agente considere a diferena de polaridade importante ou ,
caso contrrio.

( )
{
|
(4.2)

A diferena entre os elementos exclusivos a um ou outro modelo (V
A
e V
B
) deve obedecer
s condies apresentadas pela Frmula 4.3. Logo, indica que o agente decisor no
considera a diferena importante, enquanto a existncia de importncia entre essa diferena
dada por . Se os elementos exclusivos aos modelos no estiverem relacionados a nenhum
outro elemento, a diferena entre os elementos dos modelos 0.

(
) {

(4.3)

A partir desse conceito e da noo de PD, Schaffernicht e Groesser (2011) incluem
caractersticas provenientes da Dinmica de Sistemas, a fim de compor um mtodo mais
completo para comparao de modelos mentais. A nova metodologia considera variveis, suas
relaes, atrasos e polaridade e estende os nveis de anlise contemplando os elementos, os ciclos
de realimentao e os modelos, integralmente, como pode ser verificado no Quadro 2 e nos
destaques (em preto) da Figura 14. Para considerar todos esses nveis e caractersticas, so
propostos trs conceitos: a Proporo da Distncia entre Elementos (PDE), a Proporo da
Distncia entre Ciclos (PDC) e a Proporo da Distncia entre Modelos (PDM).

37

Quadro 2 Nveis de Anlise e Comparao de modelos mentais
Nvel Caracterstica Proporo de Distncia
Modelo completo
Todos os ciclos de realimentao
do Modelo Proporo da Distncia entre
Modelos (PDM) Proporo da Distncia entre
Ciclos (PDC)
Ciclos
Atraso no ciclo de realimentao
Proporo da Distncia entre
Ciclos (PDC)
Polaridade do ciclo de
realimentao
Elementos (PDE)
Elementos
Variveis
Elementos (PDE)
Relaes
Causais
Polaridade
Atraso
Fonte: Adaptado de Schaffernicht e Groesser (2011).

Figura 14 Nveis analisados da estrutura conceitual de um MM de Dinmica dos Sistemas

38

Tomando a Frmula 4.1 como ponto de partida, Schaffernicht e Groesser (2011) assumem
que uma varivel no capaz de se autoinfluenciar e, portanto, . Pelo fato da Dinmica dos
Sistemas possibilitar a representao de relaes de atraso, indica uma relao sem atrasos,
enquanto denota o contrrio. Neste trabalho consideramos apenas modelos mentais que
no possuem relaes com a propriedade de atraso. Substituindo os valores desses parmetros
( , ) temos a Frmula 4.5.

( )
()
()
)(()
))
(4.5)

O conceito de PDE considera que qualquer diferena existente entre os modelos
relevante e por isso . Para a Dinmica dos Sistemas, os pesos no influenciam as
polaridades das relaes, assim . Substituindo os valores desses parmetros na Frmula 4.5,
obtm-se a Frmula 4.6.

( )
()
()
)(()
))
(4.6)

Como s existem relaes de reforo e balanceamento (+ e ), s existem duas
possibilidades para representao de polaridade, ento . A substituio dos valores desse
parmetro realizada na Frmula 4.6. e resulta a Frmula 4.7, que define a PDE. Assim, temos
que:

( )
()
)(
))
(4.7)

39

A PDE resulta um valor contido no intervalo [0,1] no qual o valor mnimo representa a total
proximidade e equidade dos modelos e o valor mximo expressa o total afastamento e ausncia
de elementos comuns.
Um mtodo de comparao entre modelos mentais no pode limitar a sua anlise ao nvel
dos elementos. Por isso, a PDC avana sua compreenso sobre os ciclos de realimentao e
indica o grau de diferena existente entre esses ciclos pertencentes aos dois modelos. Mais uma
vez, a indicao desse grau se d sobre o intervalo [0, 1], no qual o valor mnimo expressa a total
semelhana, enquanto o valor mximo aponta para total diferena. A Frmula 4.8 considera a
PDE, a diferena entre o nmero de atrasos ( ) e a diferena entre as polaridades
( ) de dois ciclos equivalentes que pertenam a dois modelos diferentes.

( ) ( ) ( ) ( ) (4.8)

Se ambos os ciclos que esto sendo comparadas possurem ou no atraso, ( ) ,
caso contrrio, ( ) (i. e. se apenas um ciclo possuir atraso). Com relao ao parmetro
( ), se ambas as relaes comparadas possurem mesma polaridade, ( ) ,
caso contrrio, ( ) So atribudos pesos , e aos termos referentes s diferenas
de importncia entre esses parmetros. Esses pesos so atribudos pelo tomador de deciso, de
modo que .
A Proporo da Distncia entre o conjunto de todos os ciclos dos modelos comparados
compe a PDM, definida pela Frmula 4.9, que constitui a medida consolidada das diferenas e
semelhanas entre os modelos.

( )
()
(4.9)

Schaffernicht e Groesser (2011) estabelecem uma escala de comparao composta por trs
possibilidades para os modelos comparados:
40

a) Dois modelos so idnticos se ( ) ;
b) Dois modelos so semelhantes se ( ) ;
c) Dois modelos so diferentes se ( ) .

Essa escala, bem como todo o mtodo apresentada nesta seo sero considerados para a
composio da base de conhecimento detalhada na Seo 5.1.

4.1.2 Mtodo da proximidade

Alguns estudos que se dedicaram comparao de MMs (como aqueles apresentados no
Quadro 2 da Seo 4.1) utilizam uma abordagem emprestada da teoria dos grafos
25
para verificar
a presena de similaridades entre os modelos. Essa abordagem se d sobre um mtodo de
proximidade que traduz os ciclos dos modelos mentais em redes compostas por arestas existentes
entre ns, que representam os elementos dos modelos (SCHAFFERNICHT, 2009).
Assim, quando se tomam novamente os modelos mentais A e B apresentados na Figura 11
da seo anterior (Seo 4.1.1), podemos calcular a proporo de proximidade, ou ainda, o grau
de similaridade entre esses dois modelos. Para isso, cria-se uma espcie de modelo de referncia
R que contm todas as arestas (ciclos), e seus respectivos (ns), de cada modelo envolvido na
comparao, como definido pela Frmula 4.10.

(4.10)

25
A teoria dos grafos uma rea da matemtica inaugurada pelo suo Leonhard Euler (15 de abril de 1707
18 de setembro de 1783) a partir da proposio do problema das Sete Pontes de Knigsberg em 1735. Um grafo
uma estrutura composta por ns interligados por arestas usadas para representar redes de todo e qualquer tipo.
41

A Frmula 4.11 mostra que matriz de adjacncias de i linhas e j colunas deve ser
composta por todas as arestas (ciclos) existentes nos dois modelos. Logo, cada aresta dada pelas
clulas da matriz que resultam da soma apresentada na Frmula 4.12.

(4.12)

Por fim, a Frmula 4.13 representa a comparao pelo mtodo da proximidade que resulta o
grau de similaridade GS dado pela razo entre o nmero de arestas do modelo X (A ou B) que
foco da comparao e do modelo de referncia R.

( )
()
()
(4.13)

Caso ambos os modelos mentais sejam idnticos GS (X, R) = 1, enquanto que a inexistncia
de qualquer semelhana entre os modelos ser indicada por GS (X, R) = 0. No tocante Dinmica
dos Sistemas, a anlise proporcionada pelo mtodo da proximidade se torna limitada e
incompleta se considerarmos que se preocupa apenas em comparar a quantidade de ciclos dos
modelos. A omisso desse mtodo diante de todas as outras estruturas (elementos, polaridades,
atrasos) dos MMs justifica sua desconsiderao para composio da base de conhecimento
descrita na Seo 5.1.

4.2 Lgica nebulosa e modelos mentais

Quando se estrutura um modelo mental, o conhecimento do tomador de deciso acerca do
fenmeno que se pretende modelar traduzido por meio de relaes de causa e efeito. As
relaes so dotadas de impreciso, j que elementos podem se influenciar em diversos nveis
(GLYKAS, 2012, 2013). Essa granularidade aumenta se for considerado que os modelos mentais
so baseados essencialmente em linguagem natural. Nesse sentido, como j foi mencionado
42

anteriormente, a Lgica Nebulosa se apresenta como opo adequada representao formal da
incerteza associada a variveis e termos lingusticos utilizados em modelos mentais (ZADEH,
2008).
H, fundamentalmente, duas abordagens utilizadas na aplicao de Lgica Nebulosa para
construo e simulao de modelos mentais: Mapas Cognitivos Nebulosos e Mapas Cognitivos
Nebulosos Baseados em Regras.

4.2.1 Mapas Cognitivos Nebulosos

Em 1986, Bart Kosko publicou o artigo Fuzzy Cognitive Maps no qual introduziu a ideia
de Mapa Cognitivo Nebuloso (MCN). Sua proposta era possibilitar a modelao e simulao
computacional de conhecimento a partir da anlise dos mapas cognitivos (MCs) de Axelrod
(KOSKO, 1986), que foram apresentados na Seo 2.2. Um MCN uma estrutura grfica
utilizada para representar conhecimento por meio da indicao de causalidade entre elementos
(conceitos), como qualquer tipo de modelo mental. Essa representao, entretanto, feita por
meio de Relaes Nebulosas apresentadas na Seo 3.3 que possibilitam estipular em que
grau (de pertinncia) um elemento pode influenciar outro.
Deve-se considerar que as relaes entre elementos de um mapa cognitivo compem uma
matriz de adjacncias, cujos pesos acabam por indicar o grau de influncia entre os elementos de
um mapa cognitivo, como apresentado na Figura 13. Predominantemente, esses pesos se limitam
a indicar, de maneira quantitativa, a existncia, ou no, das relaes por meio da assuno dos
valores 1 (em alguns casos, -1) ou 0, respectivamente. Todavia, os elementos do mundo real
exercem influncias qualitativas, uns sobre os outros, de maneira gradual e multivalente. Kosko
(1986), ento, utilizou-se de mecanismos da Lgica Nebulosa para tentar reproduzir a natureza
lingustica dos modelos mentais. Nesse sentido, os pesos das relaes podem assumir qualquer
valor do intervalo [-1, 1], como pode ser visto na Figura 15. Esses valores so associados a
termos lingusticos que descrevem cada umas das relaes entre os elementos.

43

Figura 15 Exemplo de MCN


A simulao de determinado fenmeno da realidade por meio de MCNs se d de maneira
iterativa. Desse modo, cada conceito (C
n
) relacionado a um determinado valor que, a cada
instante de tempo calculado a partir dos valores de um conceito ou iterao anteriores, como
mostra a Frmula 4.14.

C
n
(i1)S()[ w
nk
C
k
N
k1
(i)] (4.14)

Na Frmula 4.14, w representa o peso do relacionamento, enquanto S(y) deve ser uma
funo no linear utilizada para normalizar os valores dos conceitos. A acumulao normalizada
entre os valores dos conceitos antecedentes implica o valor do conceito consequente. A partir do
trnsito de valores por todas as relaes entre conceitos acaba por permitir calcular um estado, ou
ciclo de estados associados ao comportamento do fenmeno modelado (TSADIRAS;
BASSILIADES, 2013).
A partir da anlise dos valores associados ao comportamento dos fenmenos possvel
simular alguns cenrios e identificar influncias relevantes que podem apoiar os processos de
tomada de deciso. Por isso, desde sua proposio os MCNs despertam grande interesse em uma
diversidade de aplicaes em reas como sistemas de informao geogrfica, deteco de falhas,
automao e controle, categorizao de textos e, como j foi mencionado, tomada de deciso e
44

gerenciamento (ELOMDA; HEFNY; HASSAN, 2013; GLYKAS, 2013; SALMERON, 2012;
SALMERON; GUTIERREZ, 2012).

4.2.2 Mapas Cognitivos Nebulosos baseados em regras

A ideia de Mapa Cognitivo Baseado em Regras Nebulosas (MCN-BR) vem sendo
desenvolvida por Joo Paulo Carvalho e Jos Alberto Tom desde 1999 e considera que a
abordagem dos MCNs no aproveita o potencial qualitativo da Lgica Nebulosa. Ao contrrio da
pretenso de Kosko, Carvalho e Tom (1999a, 1999b, 2001a, 2001b) interpretam os MCNs como
estruturas puramente quantitativas que se comportam como redes neurais tradicionais e que ficam
bem aqum daquilo que prometem no que diz respeito sua capacidade de modelar e simular a
realidade. Isso porque, para Carvalho (2013), o verdadeiro carter qualitativo da Lgica Nebulosa
reside na possibilidade de estabelecer relaes nebulosas por meio de regras de inferncia. Nesse
sentido, os MCN-BRs possibilitam representar a causalidade entre conceitos por meio da
utilizao de bases de regras nebulosas, como mostra a Figura 16.

Figura 16 Estrutura conceitual de um MCN-BR


45

As bases de regras permitem estipular a influncia existente entre conceitos por meio da
determinao de conjuntos associados a variveis lingusticas. Cada conceito est associado a
funes de pertinncia que indicam em que grau um conceito influencia algum outro. As bases
so constitudas por regras do tipo Se... ento, conforme apresentado na Seo 3.3.1. Os
antecedentes e consequentes dessas regras possuem variveis que esto associadas a funes de
pertinncia. Essa estrutura permite medir a variao dos consequentes e o grau da variao
provocado pelos termos lingusticos em cada relao de causa e efeito entre os conceitos
(CARVALHO, 2013).
A aplicao da Lgica Nebulosa temtica dos modelos mentais por meio de regras
nebulosas que permitem a representao matemtica da natureza lingustica desses modelos serve
de grande inspirao para a confeco de um mtodo de anlise e comparao de MMs que
atenda com maior rigor necessidade de avaliao dessas estruturas. O mtodo de anlise e
comparao de modelos mentais baseados em regras nebulosas ser apresentado no Captulo 5.

46

47

5 Mtodo de anlise de modelos mentais

Este captulo se dedica ao desenvolvimento do mtodo de anlise e comparao de
modelos mentais. Como j foi exposto na Seo 1.5 que descreve a metodologia
utilizada para execuo deste trabalho a anlise de um modelo mental obtida a partir
da confeco de uma base de conhecimento automatizada por meio de um sistema
inteligente de apoio deciso.

5.1 Base de conhecimento

O mtodo de anlise de MMs se fundamenta na construo de uma base de
conhecimento, cujas variveis so parmetros de comparao e anlise de modelos mentais.
A execuo dessa base resulta a indicao de um valor final atrelado a cada MM que
submetido ao mtodo. Esse valor indica o grau de adequao da descrio de determinado
fenmeno que proporcionada pelo modelo de cada tomador de deciso.
A seguir so apresentados os doze parmetros que compem a base de conhecimento.

5.1.1 Parmetros de anlise e comparao de modelos mentais

Os parmetros considerados por essa base so quantitativos e qualitativos. Os
parmetros quantitativos se referem queles apresentados na Seo 4.1.1: PDE (proporo
de distncia entre os elementos dos modelos), PDC (proporo de distncia entre os ciclos
dos modelos) e PDM (proporo de distncia entre os modelos). Logo, a anlise
quantitativa , essencialmente, uma comparao intermodelo e, por isso, considera
caractersticas externas, a saber, de outros modelos alm daquele que est sendo analisado.
Os parmetros qualitativos se referem anlise das caractersticas internas de cada
MM ao levar em conta o carter idiossincrtico (JOHNSON-LAIRD, 2013) dos modelos

48

mentais, isto a maneira pela qual o agente tomador de deciso seleciona e relaciona os
conceitos para descrever a realidade. Para representar uma medida de idiossincrasia foram
estabelecidos dois parmetros iniciais com os quais se inicia uma anlise intramodelo.
O primeiro parmetro avalia a proximidade do agente tomador de deciso aos
elementos do modelo mental e chamado de Proximidade do agente. Essa medida de
proximidade dada pelo prprio agente tomador de deciso de acordo com seu grau de
experincia e conhecimento em relao a determinado elemento do modelo.
Alguns elementos tm maior influncia na descrio de um problema do que outros
elementos do MM. Assim, o segundo parmetro diz respeito ao grau de influncia que cada
elemento do modelo mental exerce sobre o problema que est sendo representado. Esse
parmetro chamado de Proximidade ao problema. Dessa maneira, cada elemento est
associado aos parmetros: Proximidade do agente e Proximidade ao problema. Desses dois
parmetros resulta uma Proximidade geral de cada elemento ao problema que est sendo
representado.
A Figura 17 ilustra a aplicao dos parmetros citados a cada elemento de um
modelo.
Figura 17 Anlise de relevncia de um elemento


49

Alm disso, a Figura 17 ilustra a comparao com os elementos de outro MM, por
meio da considerao da PDE. Essas comparaes concluem a anlise intramodelo e a
comparao intermodelo no nvel dos elementos de um MM, apresentando a relevncia
desses elementos para descrio do problema. A Relevncia do elemento diz respeito
adequao da utilizao de determinado elemento percebido pelo tomador de deciso para
descrever a situao e reduzir a incerteza no processo de tomada de deciso (COSJIN;
INGWERSEN, 2000). Assim, a relevncia de um elemento obtida a partir da
Proximidade geral e da PDE.
O prximo parmetro a ser considerado para a anlise intramodelo diz respeito ao
nvel das relaes de um modelo (que aqui so chamadas de ciclos, em acordo com a
Dinmica dos Sistemas): Relevncia do ciclo. A relevncia das relaes determinada pela
relevncia dos elementos que a compem. Uma relao composta por dois elementos e
sua relevncia se origina da relevncia desses dois elementos. Como pode ser visualizada
na Figura 18, a anlise de Relevncia do ciclo circulada consiste da considerao da
relevncia de cada elemento que a compe, no caso v
1
e v
2
.

Figura 18 Anlise da relevncia de um ciclo

Dessa maneira, a anlise feita para todos os elementos e avana por sobre todas as
relaes at atingir o modelo todo.

50

Aps a avaliao da relevncia de uma relao, pode-se combinar mais uma vez a
anlise intramodelo e a comparao intermodelo, usando a PDC, por meio da
checagem da existncia de uma relao equivalente em outro modelo por meio do
parmetro Representatividade do ciclo, como mostra a Figura 19. Na Figura 20 esto
circuladas em ambos os modelos (modelo A e modelo B) duas relaes de reforo
equivalentes entre os elementos v
1
e v
2
. A presena de relaes equivalentes em dois
modelos permite assumir que essas relaes so mais representativas para descrio do
problema do que aquelas que no se repetem em outro modelo. A recorrncia de uma
determinada estrutura descritiva evidencia uma percepo homognea e consensual da
realidade (BROWN, 2006). Nesse sentido, a estrutura em questo representa as ideias,
opinies, vises, objetivos e interesses de um nmero significativo de stakeholders
(CYERT; MARCH, 1992) e a representao de um conhecimento coletivo (LVY, 2010).

Figura 19 Anlise de representatividade da relao

A anlise de representatividade deve passar por todas as relaes do modelo mental
(Figura 20a e Figura 20b), de modo que seja analisada a Representatividade geral (Figura
20c). O conjunto total de relaes de um modelo mental ser associado a uma
Representatividade consolidada, isto , a considerao de todas as representatividades
gerais, como mostra a Figura 20d.

51

Figura 20 a) Anlise de representatividade de uma relao do modelo A b) Anlise de
representatividade das duas relaes do modelo A c) Anlise de representatividade geral d) Anlise de
representatividade consolidada


Por fim, a PDM tambm pode ser utilizada para combinar as anlise intramodelo e
comparao intermodelo, agora no nvel do modelo todo. Essa combinao pode ser
verificada a partir da considerao da proporo de distncia com relao a outro modelo.
Na Figura 21, a combinao realizada por meio da considerao das representatividades
consolidadas do modelo A e do modelo B comparadas por meio da PDM entre esses
modelos para obteno da Representatividade do modelo A.

52

Figura 21 Anlise de representatividade do modelo


5.1.2 Variveis lingusticas

Cada parmetro da anlise intramodelo e da comparao intermodelo
transformado em uma varivel da base de conhecimento. O Quadro 3 apresenta cada uma
das variveis, sua explicao e seu nvel de anlise: no elemento do modelo, em um ciclo
(relaes de causa-efeito) do modelo ou no modelo mental como um todo.

Quadro 3 Variveis lingusticas
Varivel
Lingustica
Significado da Varivel
Nvel de
anlise
Proximidade
Agente
Medida da capacidade do agente para atuar sobre
determinado elemento
Elemento
Proximidade
Problema
Medida com que o elemento do modelo descreve o comportamento
do problema
Elemento
Proximidade
Geral
Consolidao da informao expressa por Proximidade
Agente
e
Proximidade
Problema.

Elemento
PDE Proporo de Distncia entre Elementos Elemento
Relevncia
Elemento
Medida da relevncia de determinado elemento para descrio do
problema, considerando PDE
Elemento

53

Quadro 3 Variveis lingusticas
Varivel
Lingustica
Significado da Varivel Nvel de
anlise
Relevncia
Ciclo
Medida da relevncia de determinada relao para descrio
do problema
Ciclo
PDC Proporo de Distncia entre Ciclos Ciclo
Representatividade
Ciclo
Medida da representatividade de determinada relao para
descrio do problema, considerando PDC
Ciclo
Representatividade
Geral
Medida da representatividade geral do modelo por meio da
considerao de mais de uma relao.
Ciclo
Representatividade
Consolidada
Consolidao de todas as medidas de representatividade geral
do modelo
Modelo
PDM Proporo de Distncia entre Modelos Modelo
Representatividade
Modelo
Medida da representatividade consolidada do modelo para
descrio do problema, considerando PDM
Modelo

Essas variveis passaram por uma converso numrico-lingustica, isto , receberam
valores lingusticos representados por suas respectivas funes de pertinncia. Assim, cada
varivel lingustica da base de conhecimento composta por um conjunto de valores V=
{Baixa, Mdia, Alta}. A cada um desses termos lingusticos foi atribuda uma funo de
pertinncia conforme o grfico da Figura 22.

Figura 22 Funes de pertinncia associadas aos valores lingusticos das varveis


54

Para o parmetro PDM foram consideradas as trs possibilidades para comparao de
modelos, conforme a Seo 4.1.1:

a) Idnticos, se ( ) ;
b) Semelhantes, se ( ) ;
c) Diferentes, se ( ) .

Em virtude dessa escala de comparao, a varivel PDM, associada apenas aos
termos lingusticos Alta (diferentes) e Baixa (semelhantes). Como pode ser visualizado
no grfico da Figura 23, esses termos so denotados pelas funes de pertinncia
, respectivamente.

Figura 23 Funes de pertinncia associadas aos termos lingusticos da varivel PDM.


H de se ressaltar que a total pertinncia em
indica que dois modelos

mentais so idnticos. Nesse caso, a imagem da funo possui o valor mximo 1.

55

5.1.3 Regras nebulosas

As variveis lingusticas apresentadas no Quadro 3 compem os antecedentes e
consequentes de regras do tipo Se... ento, que permitem aos parmetros de anlise e
comparao (ver Seo 5.1.1) emergirem do nvel dos elementos para todo o modelo
mental. Essas regras so construdas por meio da utilizao de um mecanismo de inferncia
baseado em encadeamento para frente, no qual os antecedentes e consequentes so
estabelecidos por meio da utilizao do operador de conjuno (e) e do mtodo de
Mamdani, oriundo das operaes de unio e interseco de Zadeh (ver Seo 3.3.1). A
conjuno existente entre dois termos antecedentes resulta uma funo de pertinncia
associada a um termo consequente, por meio do valor mnimo das funes de pertinncia
dos termos antecedentes. Se houver a ativao de mais de uma das regras, haver uma
composio entre essas regras por meio da considerao do valor mximo dessas funes.
Assim, os dois primeiros parmetros e, suas respectivas variveis lingusticas,
Proximidade
Agente
e Proximidade
Problema
se assumem como termos antecedentes do
consequente Proximidade
Geral
para compor as seguintes regras.

1) Se Proximidade
Agente
Alta e Proximidade
Problema
Alta, ento Proximidade
Geral
Alta.
2) Se Proximidade
Agente
Alta e Proximidade
Problema
Mdia, ento Proximidade
Geral
Alta.
3) Se Proximidade
Agente
Alta e Proximidade
Problema
Baixa, ento Proximidade
Geral
Mdia.
4) Se Proximidade
Agente
Mdia e Proximidade
Problema
Geral
Alto.
5) Se Proximidade
Agente
Mdia e Proximidade
Problema
Geral
Mdia.
6) Se Proximidade
Agente
Mdia e Proximidade
Problema
Geral
Baixa.
7) Se Proximidade
Agente
Baixa e Proximidade
Problema
Geral
Mdia.
8) Se Proximidade
Agente
Baixa e Proximidade
Problema
Geral
Baixa.
9) Se Proximidade
Agente
Baixa e Proximidade
Problema
Geral
Baixa.

A associao entre as variveis e valores lingusticos dessas regras apresentada no
Quadro 4.

56

Geral

Proximidade
Agente
/Proximidade
Problema
Alta Mdia Baixa
Alta Alta Alta Mdia
Mdia Alta Mdia Baixa
Baixa Mdia Baixa Baixa

Na sequncia, Proximidade
Geral
se une a PDE e passa a compor o termo antecedente
do consequente Relevncia
Elemento
das regras apresentadas a seguir. Se determinado
elemento de um modelo possuir uma PDE Alta, quer dizer que ele j foi utilizado em
outro modelo. Nesse caso, faz sentido dizer que a utilizao desse elemento no modelo
adequada e, portanto, sua relevncia tambm Alta.

10) Se Proximidade
Geral
Alta e PDE Alta, ento Relevncia
Elemento
Mdia.
11) Se Proximidade
Geral
Alta e PDE Mdia, ento Relevncia
Elemento
Alta.
12) Se Proximidade
Geral
Alta e PDE Baixa, ento Relevncia
Elemento
Alta.
13) Se Proximidade
Geral
Mdia e PDE Alta, ento Relevncia
Elemento
Baixa.
14) Se Proximidade
Geral
Mdia e PDE Mdia, ento Relevncia
Elemento
Mdia.
15) Se Proximidade
Geral
Mdia e PDE Baixa, ento Relevncia
Elemento
Alta.
16) Se Proximidade
Geral
Baixa e PDE Alta, ento Relevncia
Elemento
Baixa.
17) Se Proximidade
Geral
Baixa e PDE Mdia, ento Relevncia
Elemento
Baixa.
18) Se Proximidade
Geral
Baixa e PDE Baixa, ento Relevncia
Elemento
Mdia.

A associao entre as variveis e valores lingusticos dessas regras apresentada no
Quadro 5.

Geral

Proximidade
Geral
/PDE Alta Mdia Baixa
Alta Mdia Alta Alta
Mdia Baixa Mdia Alta
Baixa Baixa Baixa Mdia

57

Um modelo mental, no entanto, no composto apenas por elementos, sendo
necessrio estender a anlise para as relaes existentes entre esses elementos.
Considerando que um ciclo composto basicamente por dois elementos, a varivel
Relevncia
Ciclo
obtida a partir da medida da relevncia de cada um dos elementos
envolvidos na relao, como pode ser verificado nas regras elencadas a seguir, cujos
antecedentes e consequentes so apresentadas no Quadro 6.

19) Se Relevncia
Elemento1
Alta e Relevncia
Elemento2
Alta, ento Relevncia
Ciclo
Alta.
20) Se Relevncia
Elemento1
Alta e Relevncia
Elemento2
Mdia, ento Relevncia
Ciclo
Alta.
21) Se Relevncia
Elemento1
Alta e Relevncia
Elemento2
Baixa, ento Relevncia
Ciclo
Mdia.
22) Se Relevncia
Elemento1
Mdia e Relevncia
Elemento2
Ciclo
Alta.
23) Se Relevncia
Elemento1
Mdia e Relevncia
Elemento2
Ciclo
Mdia.
24) Se Relevncia
Elemento1
Mdia e Relevncia
Elemento2
Ciclo
Baixa.
25) Se Relevncia
Elemento1
Baixa e Relevncia
Elemento2
Ciclo
Mdia.
26) Se Relevncia
Elemento1
Baixa e Relevncia
Elemento2
Ciclo
Baixa.
27) Se Relevncia
Elemento1
Baixa e Relevncia
Elemento2
Ciclo
Baixa.

Quadro 6 Valores lingusticos do consequente Relevncia
Ciclo

Relevncia
Elemento
Alta Mdia Baixa
Alta Alta Alta Mdia

Mais uma vez, faz-se necessrio observar o mtodo para comparao entre modelos
mentais, agora por meio de regras que consideram a PDC. As regras a seguir interpretam
que determinado ciclo que possui uma PDC Alta j foi utilizado em outro modelo e, por
isso, assume que sua representatividade tambm Alta.

58

28) Se Relevncia
Ciclo
Alta e PDC Alta, ento Representatividade
Ciclo
Mdia.
29) Se Relevncia
Ciclo
Alta e PDC Mdia, ento Representatividade
Ciclo
Alta.
30) Se Relevncia
Ciclo
Alta e PDC

Baixa, ento Representatividade
Ciclo
Alta.
31) Se Relevncia
Ciclo
Mdia e PDC

Alta, ento Representatividade
Ciclo
Baixa.
32) Se Relevncia
Ciclo
Mdia e PDC

Mdia, ento Representatividade
Ciclo
Mdia.
33) Se Relevncia
Ciclo
Mdia e PDC

Ciclo
Alta.
34) Se Relevncia
Ciclo
Baixa e PDC

Ciclo
Baixa.
35) Se Relevncia
Ciclo
Baixa e PDC

Ciclo
Baixa.
36) Se Relevncia
Ciclo
Baixa e PDC Baixa, ento Representatividade
Ciclo
Mdia.

A atribuio dos valores lingusticos s variveis dessas regras apresentada no Quadro 7.

Ciclo

Relevncia
Ciclo
/PDC Alta Mdia Baixa
Alta Mdia Alta Alta
Mdia Baixa Mdia Alta
Baixa Baixa Baixa Mdia

Embora, um modelo mental possa consistir de apenas um ciclo, geralmente, ele
composto pela associao de diversos deles. Nesses casos, faz-se necessrio assumir regras
que consideram a varivel
. Isso permite que a anlise se estenda

integralmente por todo o modelo. Para tal, os ciclos do modelo mental so agrupadas par a
par, como pode ser observado nas regras elencadas a seguir.
O Quadro 8 apresenta todos os valores lingusticos associados s variveis
Representatividade
Ciclo
, que so antecedentes do consequente Representatividade
Geral
.

59

37) Se Representatividade
Ciclo1
Alta e Representatividade
Ciclo2
Geral
Alta.
Ciclo1
Ciclo2
Geral
Alta.
Ciclo1
Ciclo2
Geral
Mdia.
Ciclo1
Mdia e Representatividade
Ciclo2
Geral
Alta.
Ciclo1
Ciclo2

Geral
Mdia.
Ciclo1
Ciclo2

Geral
Baixa.
Ciclo1
Baixa e Representatividade
Ciclo2

Geral
Mdia.
Ciclo1
Ciclo2

Geral
Baixa.
Ciclo1
Ciclo2
Geral
Baixa.

Geral

Representatividade
Ciclo
Alta Mdia Baixa
Alta Alta Alta Mdia

No geral, os modelos so compostos por mais de dois ciclos, por isso, devem existir
regras para consolidao da anlise dos diversos ciclos. A consolidao das variveis
Representatividade
Geral
tambm feita par a par. Essas regras so listadas a seguir e os
valores lingusticos associados varivel Representatividade
Consolidada
so apresentados no
Quadro 9.

Geral1
Geral2
Consolidade
Alta.
Geral1
Geral2
Consolidade
Mdia.
Geral1
Geral2
Consolidade
Mdia.
Geral1
Geral2
Consolidade
Mdia.
Geral1
Geral2

Consolidade
Mdia.
Geral1
Geral2

Consolidade
Baixa.
Geral1
Geral2

Consolidade
Mdia.
Geral1
Geral2

Consolidade
Baixa.
Geral1
Geral2
Consolidade
Baixa.

60

Geral

Representatividade
Geral
Alta Mdia Baixa
Alta Alta Mdia Mdia
Mdia Mdia Mdia Baixa

Conforme a Seo 5.1.1, comparar apenas elementos e suas relaes no suficiente.
Observar os modelos de maneira integral torna a anlise mais completa, por isso razovel
considerar a PDM. Sendo assim, a seguir so listadas regras que assumem as possveis
situaes (ver Seo 5.1.2) que podem ser associadas a varivel Representatividade
Modelo
.

Consolidada
Alta e PDM Alta, ento Representatividade
Modelo
Mdia.
Consolidada
Alta e PDM Baixa, ento Representatividade
Modelo
Alta.
Consolidada
Mdia e PDM

Modelo
Baixa.
Consolidada
Mdia e PDM

Modelo
Alta.
Consolidada
Baixa e PDM

Modelo
Baixa.
Consolidada
Baixa e PDM

Modelo
Mdia.

A atribuio dos valores lingusticos s variveis dessas regras apresentada no
Quadro 10.

Modelo

Representatividade
Consolidada
/PDM Alta Baixa
Alta Mdia Alta
Mdia Baixa Alta
Baixa Baixa Mdia

61

A base de conhecimento, portanto, consiste de sessenta regras agrupadas para
obteno das sete variveis consequentes (seis grupos de nove regras cada, e um grupo de
seis regras), como pode ser visualizado na Figura 24. Essas regras so encadeadas de modo
que, a partir das variveis de entrada, os termos consequentes de um grupo se assumem
como termos antecedentes do grupo consecutivo e, assim por diante, at que seja alcanada
a varivel de sada.

Figura 24 Variveis lingusticas e encadeamento das regras


62

Por fim, obtm-se um valor G(C) por meio de uma converso lingustico-numrica
fundamentada no clculo do centro de gravidade (ver Seo 3.4) do Conjunto Nebuloso
associado aos termos lingusticos correspondentes varivel de sada. Essa converso
lingustico-numrica traduz quantitativamente o conhecimento qualitativo presente na base
de regras. O valor indica a adequao do modelo para descrio de determinado fenmeno.
A partir da base de regras, do encadeamento de suas variveis e de seus respectivos
termos lingusticos, possvel propor um algoritmo que sumarize o mtodo de anlise e
comparao de MMs proposto por esta dissertao. O algoritmo apresentado a seguir.

Algoritmo
26
Executa a anlise da relevncia de um par de modelos mentais.
Entrada: dois modelos mentais a serem comparados (A e B, por exemplo); base de
conhecimento com as 60 regras de inferncia, cujos valores lingusticos das variveis esto
resumidos nos Quadros 4, 5, 6, 7, 8, 9 e 10.
Sada: valores correspondentes ao grau de representatividade de cada um dos modelos.
1. Calcula as distncias PDE, PDC e PDM entre os modelos A e B, usando as Equaes
4.7, 4.8 e 4.9, respectivamente;
2. Para cada elemento do modelo mental A, faa:
2.1. Avalia a Proximidade
Geral
considerando a Proximidade
Agente
e a
Proximidade
Problema
,de acordo com o Quadro 4;
2.2. Avalia a Relevncia
Elemento
considerando a Proximidade
Geral
e o PDE, de acordo
com o Quadro 5;
3. Para cada relao entre dois elementos do modelo mental A, faa:
3.1. Avalia a Relevncia
Ciclo
considerando a Relevncia
Elemento1
e a Relevncia
Elemento2
,
de acordo com o Quadro 6;
3.2. Avalia a Representatividade
Ciclo
considerando a Relevncia
Ciclo
e o PDC, de acordo
com o Quadro 7;

26
Recomenda-se o acesso ao material didtico complementar disponvel em
http://prezi.com/jwc4ntz6bz9e/analise-de-modelos-mentais-baseada-em-regras-nebulosas-para-tomada-de-decisao-colaborativa como
um recurso alternativo para obteno de uma compreenso profunda do funcionamento deste algoritmo.

63

4. Para cada par de ciclos do modelo mental A, faa:
Geral
considerando a Representatividade
Ciclo1
e a
Representatividade
Ciclo2
, de acordo com o Quadro 8;
5. Para todos os pares de ciclos do modelo mental A, faa:
Consolidada
Geral1
e a
Representatividade
Geral2
, de acordo com o Quadro 9;
6. Avalia a Representatividade
Modelo
Consolidada
e o PDM,
de acordo com o Quadro 10;
7. Aplica-se o G(C) na Representatividade
Modelo
, usando a Equao 3.22;
Repetem-se os passos de 2 a 7 considerando o modelo mental B.

Deve-se observar que esse algoritmo deve ser executado para todos os possveis pares
de modelos mentais relacionados a um dado problema. Por isso, G(C) varia em funo dos
modelos mentais que so comparados, j que depende dos valores de PDE, PDC e PDM,
que tambm podem variar. Logo, quando mais de dois modelos so submetidos base de
conhecimento deve ser calculado um valor mdio do modelo mental que dado pela razo
entre o somatrio dos valores de G(C) e o nmero de comparaes n, como expressa a
Frmula 5.1.

()
(5.1)

Um modelo com o valor mdio elevado representa uma descrio adequada de
determinado fenmeno que provavelmente j foi utilizada por outros modelos. Isso quer
dizer que esse modelo tem grande chances de representar o conhecimento compartilhado
por uma comunidade e o consenso entre um nmero significante de stakeholders.

64

5.2 Sistema Inteligente de Apoio Deciso

O mtodo de anlise e comparao de modelos mentais pode ser automatizado de
modo que a base de conhecimento, seus parmetros, variveis e regras nebulosas
componham um sistema inteligente de apoio deciso (SIAD). Essa ferramenta permite o
cadastramento de diversos modelos mentais e, a partir de sua anlise e comparao,
apresenta uma lista decrescente da representatividade associada a cada modelo. Nesse
sentido, esse SIAD um sistema colaborativo (groupware), j que permite a interao entre
diversos agentes de deciso.

5.2.1 Arquitetura do sistema

O SIAD proposto por este trabalho composto por uma base de MMs, uma base de
modelos matemticos e uma interface, como pode ser visto na Figura 25 que apresenta a
arquitetura do sistema. A base de MMs consiste de todos os modelos, seus elementos e
respectivas relaes (ciclos), enquanto a base de modelos matemticos contm a base de
regras nebulosas, o mtodo de inferncia de Mamdani, o mtodo do centro de gravidade e o
mtodo das distncias para comparao dos modelos.
A arquitetura apresentada na Figura 25 acomodada em quatro mdulos principais:
mdulo de cadastramento, mdulo de comparao, mdulo de anlise e mdulo de
apresentao de resultados. Esses mdulos foram implementados em linguagem de
programao Phyton em parceria com o Projeto de Iniciao Cientfica Desenvolvimento
de ferramenta para comparao de modelos mentais (MESSIAS, 2013) que mantido pelo
Programa Institucional de Bolsas de Iniciao Cientfica (Pibic) do Conselho Nacional de
Pesquisa (CNPq).
Tambm foram utilizados um Sistema de Gerenciamento de Base de Dados (neste
caso o PostGreSQL) e linguagem de consulta estruturada (Structured Query Language
SQL) na manipulao das bases de dados.

65

Figura 25 Arquitetura do sistema inteligente de apoio deciso


A seguir sero descritos os quatro mdulos principais do sistema inteligente de apoio
deciso utilizado para automatizar o mtodo de anlise e comparao de modelos mentais.

Mdulo de cadastramento: este mdulo permite a incluso de temas (domnio
do problema) associados deciso que precisa ser apoiada, como pode ser
visualizado na Figura 26. A partir do tema, possvel cadastrar os MMs (seus
respectivos elementos e relaes) de diversos usurios. Cada agente de deciso
informa as caractersticas e particularidades dos elementos e relaes existentes
em seus modelos. Para isso, cada elemento cadastrado exige informaes
associadas aos parmetros de entrada (Proximidade
Agente
e Proximidade
Problema).
O
cadastramento das relaes entre os elementos requer a informao associada
polaridade dos ciclos (reforo ou balanceamento). A interface de cadastramento
dos elementos e relaes pode ser visualizada na Figura 27.

Mdulo de comparao: neste mdulo, os MMs associados ao mesmo tema
(domnio de problema) sero comparados entre si, por meio do mtodo de
comparao de modelos mentais e seus trs parmetros (PDE, PDC e PDM). Logo,
as comparaes resultam taxas que so enviadas ao mdulo de anlise.

66

Figura 26 Interface para cadastramento de domnio do problema


Figura 27 Interface para cadastramento de elementos e relaes


67

Mdulo de anlise: este mdulo submete os MMs base de regras nebulosas a partir
dos resultados do mdulo de comparao. As regras permitem a anlise individual
da estrutura interna de cada modelo mental por meio de sete parmetros
(Proximidade
Geral
, Relevncia
Elemento
, Relevncia
Ciclo
, Representatividade
Ciclo
,
Representatividade
Geral
, Representatividade
Consolidada
e Representatividade
Modelo
). Os
clculos associados aplicao das regras so feitos considerando o mtodo de
Mamdani e o mtodo do centro de gravidade. Por fim, cada modelo associado a
um valor numrico que diz respeito a sua capacidade de representar determinado
fenmeno (domnio do problema).

A Figura 28 apresenta a interface de anlise e comparao do sistema inteligente de
apoio deciso.

Figura 28 Interface de anlise e comparao dos modelos mentais


Mdulo de apresentao de resultados: neste mdulo apresentada uma lista
decrescente, conforme o valor numrico associado representatividade (valor
mdio) de cada MM. A Figura 29 ilustra a interface de apresentao dos resultados.

68

Figura 29 Interface de apresentao de resultados


Esses quatro mdulos apresentados sero utilizados para aplicao do mtodo
proposto por esta dissertao para anlise e comparao de modelos mentais em um estudo
de caso que ser apresentado no Captulo 6.

69

6 Estudo de caso

Este captulo se dedica apresentao do contexto, dos procedimentos e dos resultados do
estudo de caso, utilizado para a aplicao, verificao e validao do mtodo de anlise e
comparao de modelos mentais proposto por este trabalho.

6.1 Contexto

Durante os meses de junho e julho de 2013, o Brasil esteve no foco da ateno mundial,
que presenciou acontecimentos inditos desde a consolidao democrtica brasileira ocorrida a
partir da primeira metade da dcada de 1990 (THE ECONOMIST, 2013). A ecloso de uma srie
de manifestaes levou mais de um milho de brasileiros s ruas de 156 cidades (O ESTADO DE
SO PAULO, 2013; PHILLIPS, 2013) naquilo que ficou conhecido como Primavera
Brasileira
27
. Os protestos organizados, inicialmente, pelo Movimento Passe Livre (MPL)
28

foram, a princpio, motivados pela reao ao aumento nas tarifas do transporte metropolitano e
pela defesa do subsdio estatal integral para o acesso dos cidados ao transporte pblico
(ARIASa, 2013, SAAD-FILHO, 2013).
A adeso popular, no entanto, cresceu a partir da comoo nacional gerada quando da dura
represso imposta pela Polcia Militar aos manifestantes em uma das passeatas, ocorrida na
cidade de So Paulo (FOLHA DE SO PAULOa, 2013). Uniu-se oposio da represso
policial, o uso massivo de tecnologias da informao e comunicao (TICs) e redes sociais, que
serviram para o estabelecimento de um apoio popular aos protestos (SAAD-FILHO, 2013), que
chegou a uma taxa de aprovao de, aproximadamente, 82% dos paulistanos (FOLHA DE SO
PAULOb, 2013).

27
A expresso Primavera Brasileira foi utilizada em referncia Primavera rabe, uma sequncia de
revoltas que ocorreram no Oriente Mdio e culminaram com a queda de uma srie de ditadores: Ben Ali, na Tunsia;
Hosni Mubarack, no Egito e Muamar Kadafi na Lbia.
28
Movimento Passe Livre (MPL) uma organizao autnoma, no-partidria, vinculada ideologias
socialistas. O MPL foi fundado em 2000 com o objetivo de reivindicar a estatizao do transporte pblico (SAAD-
FILHO, 2013).

70

O crescimento do nmero de manifestantes e o aumento da intensidade e da frequncia das
manifestaes (MANSO; BURGARELLI, 2013) acabaram por contribuir com a diversidade
qualitativa do pblico participante e, por conseguinte, do seu ideal, de sua posio poltica e de
suas reivindicaes (RAMN, 2013). Segundo Saad-Filho (2013), a pauta dos protestos, antes
vinculada questo do transporte pblico, foi estendida a uma variedade de temas acerca da
qualidade dos servios pblicos, das liberdades individuais e da legitimidade dos governos,
poderes e legislao, e, principalmente, da representatividade partidria. Essa variedade gerou
incerteza nos governantes e na imprensa nacional e internacional no que diz respeito ao carter
das reivindicaes (CAVERSAN, 2013; COSTA, 2013; SIBAJA; BARCHFIELD; BROOKS,
2013).
A incerteza levou, inclusive, o jornal americano The New York Times (ROMERO, 2013) e
o francs Le Monde (HABEL, 2013) a questionarem o que, afinal, queriam os manifestantes. A
British Boradcasting Corporation (BBC) se props a analisar a situao (IDOETA, 2013),
enquanto o peridico espanhol El Pas chegou a sugerir que o Brasil sofria de certa
esquizofrenia pela grande divergncia de opinies, demandas e reivindicaes (ARIASb, 2013).
Assim, tambm e possvel intuir que a diversidade das causas permitiu uma multiplicidade de
interpretaes acerca dos protestos e seus motivos.
Observa-se, ento, uma tentativa de investigao dos reais motivos das manifestaes e um
elevado interesse por mtodos capazes de identific-los. O estudo de caso apresentado neste
trabalho tem por objetivo principal a aplicao do mtodo para anlise e comparao de modelos
mentais como alternativa para representao e identificao do conhecimento comum aos
manifestantes.

6.2 Procedimentos

O primeiro procedimento para aplicao do mtodo de comparao e anlise de modelos
mentais diz respeito seleo do perfil do stakeholder (neste caso, manifestante) do qual o
conhecimento ser elicitado. Em pesquisa realizada pela Folha de So Paulo (2013), o maior
ndice de aprovao s manifestaes (82%) se d entre jovens de 16 a 24 anos e cresce conforme
o aumento da renda e da escolaridade. Nesse sentido, Coelho (2013) aponta o jovem universitrio

71

como esteretipo caracterstico do principal perfil daqueles que se lanaram s ruas em passeatas
e que inflaram as redes sociais com mensagens de protesto. Assim este estudo de caso visa o
escrutnio das motivaes dos jovens universitrios quando dos protestos de junho e julho de
2013, dos quais foram os grandes protagonistas.
Para tal, foram extrados os modelos mentais de 148 universitrios, cuja faixa etria
apresentada na Tabela 1. Esses universitrios so oriundos de cursos de graduao em Cincia
dos Esportes, Engenharia de Manufatura, Engenharia de Produo, Gesto do Agronegcio,
Gesto de Comrcio Internacional, Gesto de Empresas, Gesto de Polticas Pblicas e Nutrio,
como mostra a Tabela 2. Esses cursos so oferecidos pela Faculdade de Cincias Aplicadas da
Universidade Estadual de Campinas.
A elicitao dos MMs se deu a partir de formulrio do Apndice A, no qual os
universitrios puderam expressar seus modelos mentais graficamente.
Tabela 1 Diversidade etria da amostra
Idade (anos) Quantidade
18 a 19 21
20 a 21 100
22 a 23 20
24 a 25 2
Mais de 25 5
Total 148
Tabela 2 Diversidade acadmica da amostra
Nome do Curso Quantidade
Cincia dos Esportes 20
Engenharia de Manufatura 21
Engenharia de Produo 16
Gesto do Agronegcio 9
Gesto de Comrcio Internacional 16
Gesto de Empresas 25
Gesto de Polticas Pblicas 17
Nutrio 24
Total 148
Fonte: Produo do prprio autor

72

A diversidade acadmica da amostra interessa a este trabalho no sentido em que prov
diferentes vises a respeito do fenmeno investigado. Deve-se observar tambm que essa amostra
heterognea permite uma anlise multiespecialista do problema. A utilizao de determinados
elementos est, portanto, associada especialidade da qual se origina o modelo mental. Assim,
razovel que MMs dos cursos de Cincia dos Esportes e Nutrio indiquem como causas das
manifestaes elementos relacionados sade, ao bem-estar, aos esportes e eventos esportivos
(problemas na Sade Pblica, gastos com a Copa do Mundo, etc). J os modelos oriundos dos
cursos de Gesto de Agronegcio, Gesto de Comrcio Internacional e Gesto de Empresas
devem concentrar sua descrio em temas associados Administrao, Economia e Governana
(impostos, investimentos, gastos pblicos, etc). Os MMs oriundos dos cursos de Engenharia de
Manufatura e Engenharia de Produo descrevem o fenmeno investigado como resultado de
problemas associados qualidade, infraestrutura e informao.
Se assumirmos as manifestaes que so o objeto de anlise como um episdio de
atividade poltica da populao brasileira, podemos considerar que a parcela referente aos
modelos oriundos de estudantes de Gesto em Polticas Pblicas representa uma opinio
especialista acerca do tema. Esses MMs devem optar por uma descrio proporcionada por
elementos relacionados Poltica e Administrao pblica (partidos, corrupo, etc). A Figura
30a e a Figura 30b ilustram essa diversidade de conhecimento por meio da apresentao de
exemplos dos MMs elicitados.

Figura 30a Diversidade dos modelos: a) MM oriundo de estudante de Cincias do Esporte; b) MM oriundo
de estudante de Engenharia de Manufatura.

73

Figura 30b Diversidade dos modelos: c) MM oriundo de um estudante de Engenharia de Produo; d) MM
oriundo de estudante de Gesto do Agronegcio; e) MM oriundo de estudante de Gesto de Comrcio Internacional;
f) MM oriundo de estudante de Gesto de Empresas; g) MM oriundo de estudante de Gesto de Polticas Pblicas; h)
MM oriundo de estudante de Nutrio.


74

Todos os 148 modelos compostos por ciclos que relacionaram um total de 137 elementos
foram cadastrados no SIAD e submetidos base de conhecimento via interface do sistema a
partir do padro apresentado pela Tabela 3 e pela Tabela 4 para informao dos valores de
Proximidade
Agente
(P
A
) e Proximidade
Problema
(P
P
) associados a cada elemento. No caso da
atribuio dos valores de P
P
, foram considerados os nveis apresentados pela Figura 31 que
indicam a distncia do elemento em relao ao problema que pretende descrever. importante
observar que os nomes dos elementos passaram por um processo de uniformizao quando do
cadastramento no sistema. Assim, elementos que buscavam descrever situaes semelhantes
foram adequados no que diz respeito s suas nomenclaturas.

Agente

Temtica
Administrao,
Economia,
Governana
Esportes,
Eventos
esportivos
Infraestrutura,
Logstica
Poltica
Qualidade,
Eficincia
Sade
Curso P
A
P
A
P
A
P
A
P
A
P
A

Cincias do
Esporte
0,5 1,0 0,5 0,5 0,5 1,0
Engenharia de
Manufatura
0,5 0,5 1,0 0,5 1,0 0,5
Engenharia de
Produo
0,5 0,5 1,0 0,5 1,0 0,5
Gesto de
Agronegcio
1,0 0,5 0,5 0,5 1,0 0,5
Gesto de
Comrcio
Internacional
1,0 0,5 0,5 0,5 1,0 0,5
Gesto de
Empresas
1,0 0,5 0,5 0,5 1,0 0,5
Gesto de
Polticas
Pblicas
1,0 0,5 0,5 1,0 1,0 0,5
Nutrio 0,5 0,5 0,5 0,5 0,5 1,0

75

Problema

Nvel do elemento Proximidade
Problema

1 1,0
2 0,75
3 0,5
4 0,25
5 ou maior 0
Figura 31 Nveis dos elementos de um modelo mental


importante salientar que os valores referentes aos parmetros Proximidade
Agente
e
Proximidade
Problema
passaram pela converso numrico-lingustica descrita pela Seo 5.1.2.
Aps a realizao dos clculos referentes ao mtodo de anlise e comparao foram obtidos os
resultados que so expostos na Seo 6.3.

76

6.3 Resultados

Para obteno dos resultados, o sistema inteligente de apoio deciso analisou os 148
modelos mentais de universitrios que buscavam descrever as manifestaes ocorridas em junho
e julho de 2013 no Brasil. Considerando que a anlise executada par a par e que todos esses
MMs foram comparados, o SIAD realizou 10.878 comparaes entre essas estruturas de
representao de conhecimento. Por isso, esse tambm foi o nmero de clculos de PDE
(Proporo de Distncia entre Elementos) e PDM (Proporo de Distncia entre Modelos). Alm
disso, foram analisados os ciclos de cada modelo, o que resultou um nmero de 111.652 clculos
de PDC (Proporo de Distncia entre Ciclos) perfazendo um total de 133.408 comparaes,
como mostra a Tabela 5.

Tabela 5 Total de comparaes executadas
Tipo de
comparao
Comparao
entre elementos
Comparao
entre ciclos
Comparao
entre modelos
Total
Nmero de
comparaes
10.878 111.652 10.878 133.408

A Tabela 6 apresenta a ordenao dos valores mdios associados a cada modelo mental.
Esses valores se referem representatividade dos modelos em relao descrio do fenmeno
das manifestaes e foram obtidos pelo sistema inteligente de apoio deciso conforme o mtodo
apresentado no Captulo 5. Essa tabela destaca os modelos de maior e menor representatividade,
por isso, os resultados referentes a todos os 148 MMs analisados neste estudo de caso podem ser
conferidos em tabela do Apndice B desta dissertao.
A discusso acerca dos resultados obtidos pode se dar mediante a observao de alguns
desses modelos.

77

Tabela 6 Modelos mentais de maior e menor representatividade

Modelo
Mental
Nmero de comparaes
entre modelos
(n)
Valor mdio do
modelo mental
Modelos mentais de
maior
representatividade
1 0,26939
2 0,26735
3

0,25102
4 0,25102
5 147 0,24898
6 0,24694
7 0,24490
8 0,24490
9 0,24286
10 0,24286
Modelos mentais de
menor
representatividade
138 0,20000
139 0,20000
140 0,20000
141 0,20000
144 147 0,20000
145 0,20000
146 0,20000
147 0,20000
148 0,20000

Quando se consideram os MMs de maior representatividade, possvel perceber o
estabelecimento de um consenso sobre reivindicaes associadas qualidade dos servios
pblicos e do atendimento a direitos bsicos (no mnimo trs dentre Educao, Sade, Segurana,
Transporte e Moradia), bem como ao sentimento de indignao diante da corrupo das
instituies polticas brasileiras. A recorrncia desse sentimento, inclusive, pode apont-lo como
principal causa dos acontecimentos.
O consenso sobre as causas das manifestaes representa o conhecimento comum
pertinente aos modelos mentais analisados. Esse conhecimento est presente, por exemplo, nos
trs MMs de maior representatividade que so ilustrados pela Figura 32.

78

Figura 32 Modelos mentais de maior representatividade dentre os 148 MMs analisados pelo estudo de caso

A Figura 32 permite observar que o mtodo de anlise e comparao de modelos mentais
privilegiou modelos com oito elementos cada. A Tabela 7 mostra que se considerarmos o total de
elementos utilizados e a frequncia com que ocorrem entre todos os MMs analisados, razovel

79

que um mtodo que se prope a identificar o conhecimento comum beneficiasse a classificao
de modelos que apresentassem um nmero elementos prximo mdia.
Tabela 7 Mdia de elementos por modelo mental
Total de elementos
utilizados
Nmero de ocorrncias Total de modelos
Mdia de elementos por
modelo mental
137 1261 148 8,52
Outra considerao importante se refere distribuio acadmica dos MMs mais
representativos que acaba por mostrar a capacidade do mtodo em avaliar a representatividade
dos modelos mentais. Como mostra a Tabela 8, sete dos oito cursos foram representados pelos
dez modelos que receberam as melhores classificaes, sendo que o mais representativo
oriundo do curso de Gesto de Polticas Pblicas e, por isso, diz respeito a uma opinio
especialista acerca do tema investigado.
Tabela 8 Distribuio acadmica dos modelos mentais mais representativos
Nome do Curso Modelos mais representativos
Cincias do Esporte 1
Engenharia de Manufatura 1
Engenharia de Produo 2
Gesto do Agronegcio 0
Gesto de Comrcio Internacional 1
Gesto de Empresas 1
Gesto de Polticas Pblicas 1
Nutrio 3
Total 10
Com relao diversidade etria dos dez MMs mais representativos a distribuio
apresentada pela Tabela 9. Tambm razovel verificar que os modelos mentais mais
representativos se situam predominantemente entre a faixa etria (20 e 21 anos) que possua a
maior quantidade de modelos de toda a amostra.

80

Tabela 9 Distribuio etria dos modelos mentais de maior representatividade
Idade
(anos)
Quantidade total Quantidade entre os modelos
mentais mais representativos
18 a 19 21 1
20 a 21 100 8
22 a 23 20 1
24 a 25 2 0
Mais de 25 5 0
Total 148 10
No tocante aos modelos de menor representatividade, a Figura 33 ilustra um MM que
despreza o sentimento relativo corrupo poltica e que restringe suas reivindicaes a servios
associados a, no mximo, um dos direitos bsicos (Educao, Sade, Segurana, Transporte e
Moradia). Assim, os modelos menos representativos, geralmente, possuem um nmero de
elementos inferior (ou muito superior) mdia apresentada na Tabela 7. Esses elementos tambm
superestimam as relaes entre elementos como Mdia e Informao que, muito embora
tenham motivado os acontecimentos, no so elementos considerados, por um nmero
significativo de MMs, como causas imprescindveis para as manifestaes.

Figura 33 Exemplo de modelo mental de baixa representatividade


81

6.3.1 Validao dos resultados

Os resultados deste estudo de caso podem ser validados a partir de um mtodo estatstico
qualitativo baseado na Anlise de Pareto. Esse mtodo foi introduzido por Joseph Juran
29
, que o
batizou em homenagem ao economista italiano Vilfredo Pareto
30
. Em seu Manual de Economia
Poltica de 1906, Pareto percebeu que uma pequena parcela da sociedade de seu pas detinha a
maior parte da riqueza italiana. A partir dessa percepo e sob o princpio poucos vitais, muitos
triviais, Juran, Gryna e Bingham (1974) identificaram que aproximadamente 80% das
ocorrncias de problemas de qualidade eram causadas por apenas 20% dos defeitos. Esse
enunciado no demorou a demonstrar sua capacidade descritiva satisfatria para muitos dos
fenmenos naturais e humanos. Alis, ainda hoje o Princpio de Pareto tem se mostrado til para
determinao de prioridades de ao e concentrao de esforos para soluo de problemas de
domnios diversos por meio da identificao das suas causas relevantes (CIRILLO, 2013).
A anlise de Pareto se utiliza de um grfico que ordena as causas de um determinado
problema de maneira decrescente no que diz respeito ao nmero de ocorrncias. Essa disposio
enfatiza, esquerda, as contribuies mais relevantes, alm de apresentar a frequncia de
ocorrncia acumulada associada aos itens que so apontados como causadores do problema
analisado. O diagrama de Pareto uma das sete ferramentas bsicas da Qualidade e permite a
visualizao clara das principais causas dos fenmenos (JURAN; GRYNA; BINGHAM, 1974).
Por isso, a opo pela validao de um mtodo baseado em modelos mentais por meio dessa
ferramenta estatstica se d, justamente, pela vocao analtica de ambos no mbito da
identificao das causas dos fenmenos (PRASAD; SUBBAIAH; PADMAVATHI, 2012).
Assim, a consonncia dos resultados oriundos dessas metodologias permite validar o mtodo de
anlise e comparao de modelos mentais proposto por este trabalho.

29
Joseph Moses Juran (24 de dezembro de 1924 28 de fevereiro de 2008) foi um consultor de negcios
pioneiro na proposta e implementao de Gesto de Qualidade nas organizaes. Depois da Segunda Grande Guerra
dedicou-se s empresas do Japo, tendo grande influncia na guinada da qualidade dos produtos japoneses.
30
Vilfredo Pareto (15 de julho de 1848 - 19 de agosto de 1925) foi um engenheiro e economista italiano que
contribuiu grandemente para o entendimento a respeito da distribuio de renda e das relaes entre sociedade e
economia. Foi Pareto o responsvel por popularizar a expresso elite e por criar conceitos associados ao equilbrio
de um sistema e satisfao em uma escolha, que so utilizados por diversas reas do conhecimento humano, como,
por exemplo, pela Teoria dos Jogos.

82

A Tabela 10 considera os 148 modelos e seus respectivos elementos para apresentar o
nmero de ocorrncias e as frequncias relativa e acumulada dos trinta principais elementos
(aproximadamente 20% de todos os elementos) apontados pelos MMs como causas do fenmeno
investigado. A frequncia relativa diz respeito razo percentual entre o nmero de ocorrncias
de determinado elemento e o nmero total de ocorrncias de todos os 137 elementos utilizados
pelos MMs. A frequncia acumulada se refere soma entre as frequncias relativas de todos os
elementos, desde o de maior ocorrncia at o que menos vezes apareceu entre todos os modelos
mentais.

Tabela 10 Principais elementos utilizados pelos 148 MMs para descrever as manifestaes ocorridas entre junho e
julho no Brasil
Nmero de
Elementos
Elementos
Nmero de
ocorrncias
Frequncia de
ocorrncia relativa
(%)
Frequncia de
ocorrncia acumulada
(%)
1
Corrupo 125 9,913 9,913
2
Transporte 96 7,613 17,526
3
Educao 96 7,613 25,139
4
Sade 84 6,661 31,800
5
Poltica 57 4,520 36,320
6
Investimento 51 4,044 40,365
7
Impostos 31 2,458 42,823
8
Qualidade 31 2,458 45,282
9
Desigualdade 27 2,141 47,423
10
Gastos pblicos 27 2,141 49,564
11
Copa do Mundo 26 2,062 51,626
12
Professores 22 1,745 53,370
13
Segurana 20 1,586 54,956
14
Qualidade de vida 19 1,507 56,463
15
20 centavos 19 1,507 57,970
16
Insatisfao 19 1,507 59,477
17
Impunidade 18 1,427 60,904

83

Tabela 10 Principais elementos utilizados pelos 148 MMs para descrever as manifestaes ocorridas entre junho e
julho no Brasil
Nmero de
Elementos
Elementos
Nmero de
ocorrncias
Frequncia de
ocorrncia relativa
(%)
Frequncia de
ocorrncia acumulada
(%)
18
Partidos 18 1,427 62,331
19
Desvio de dinheiro 16 1,269 63,600
20
Hospitais 16 1,269 64,869
21
Escolas 16 1,269 66,138
22
Profissionalismo 15 1,190 67,328
23
Mdicos 15 1,190 68,517
24
Descaso 14 1,110 69,627
25
Violncia 14 1,110 70,738
26
Voto 14 1,110 71,848
27
Infraestrutura 14 1,110 72,958
28
Mdia 13 1,031 73,989
29
Governo 12 0,952 74,941
30
Polcia 12 0,952 75,892
Total

75,892 -

No caso da Tabela 10, so somadas as frequncias relativas dos trinta elementos mais
utilizados pelos MMs na descrio das manifestaes. O nmero de ocorrncias e frequncias
relativa e acumulada de todos os elementos utilizados pelos MMs para descrever as
manifestaes compem a tabela do Apndice C.
Essas tabelas permitem construir o grfico de Pareto da Figura 34, que descreve as causas
do objeto de estudo. O nmero de ocorrncias de cada elemento pode ser visto por meio das
barras dispostas de maneira decrescente da esquerda para direita, enquanto a contribuio de cada
um desses elementos como causa para as manifestaes pode ser visualizada por meio do grfico
de linhas que apresenta a frequncia acumulada.
Pode-se, ainda, realizar um recorte no diagrama de Pareto, apresentado pela Figura 35, para
observao detalhada dos dados da Tabela 10 por meio de um grfico que apresenta apenas os
trinta elementos mais utilizados (aproximadamente 20% de todos os elementos).

84

Figura 34 Diagrama de Pareto referente aos elementos dos MMs utilizados para descrever as causas das manifestaes

0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
0
20
40
60
80
100
120
140
C
o
r
r
u
p
o
E
d
u
c
a
o
P
o
l
t
i
c
a
I
m
p
o
s
t
o
s
D
e
s
i
g
u
a
l
d
a
d
e
C
o
p
a

d
o

M
u
n
d
o
S
e
g
u
r
a
n
a
2
0

c
e
n
t
a
v
o
s
I
m
p
u
n
i
d
a
d
e
D
e
s
v
i
o

d
e

d
i
n
h
e
i
r
o
E
s
c
o
l
a
s
M
d
i
c
o
s
V
i
o
l
n
c
i
a
I
n
f
r
a
e
s
t
r
u
t
u
r
a
G
o
v
e
r
n
o
I
n
d
i
g
n
a
o
D
i
s
t
r
i
b
u
i
o

d
e

r
e
n
d
a
E
n
g
a
j
a
m
e
n
t
o
V
a
n
d
a
l
i
s
m
o
J
u
s
t
i
a
P
o
d
e
r
P
o
b
r
e
z
a
P
r
e
s
s
o

p
o
p
u
l
a
r
I
n
f
o
r
m
a
o
A
b
r
a
n
g
n
c
i
a
I
n
f
l
a
o
F
i
s
c
a
l
i
z
a
o
B
e
m

c
o
m
u
m
L
i
b
e
r
d
a
d
e

d
e

e
x
p
r
e
s
s
o
P
r
e
c
o
n
c
e
i
t
o
I
g
n
o
r
n
c
i
a
D
e
s
i
l
u
s
o
S
U
S
B
u
r
o
c
r
a
c
i
a
F
o
m
e
I
n
t
e
r
e
s
s
e
s
P
r
i
o
r
i
d
a
d
e
R
e
a
n
i
b
u
s
D
i
s
p
o
n
i
b
i
l
i
d
a
d
e
C
u
r
a

g
a
y
M
o
r
a
l
i
d
a
d
e
F
a
m
l
i
a
O
r
g
a
n
i
z
a
c
o
E
s
t
d
i
o
s
M
a
n
i
p
u
l
a
o
C
a
r
r
o
C
u
l
t
u
r
a
I
d
e
a
l
i
s
m
o
M
o
r
a
d
i
a
L
i
b
e
r
d
a
d
e
L
u
t
a

d
e

c
l
a
s
s
e
s
M
o
n
o
p
l
i
o
S
o
l
i
d
a
r
i
e
d
a
d
e
C
o
n
f
o
r
t
o
V
o
t
o

a
b
e
r
t
o
H
o
m
o
f
o
b
i
a
L
i
c
i
t
a
e
s
F
i
l
a
s
S
u
p
e
r
f
a
t
u
r
a
m
e
n
t
o
P
l
a
n
e
j
a
m
e
n
t
o
P
a
s
s
e

l
i
v
r
e
H
i
s
t
r
i
a
C
o
n
f
o
r
m
i
s
m
o
C
o
l
i
g
a
e
s
S
o
n
e
g
a
o
P
r
o
b
l
e
m
a
s

p
o
p
u
l
a
c
i
o
n
a
i
s
R
e
a
c
i
o
n
r
i
o
s
M
o
b
i
l
i
d
a
d
e
F
r
e
q
u
n
c
i
a

d
e

o
c
o
r
r
n
c
i
a

N
m
e
r
o

d
e

o
c
o
r
r
n
c
i
a
s

Elementos dos modelos mentais
Causas das manifestaes
Ocorrncias % acumulada

85

Figura 35 Recorte do diagrama de Pareto referente aos principais elementos dos MMs utilizados
para descrever as causas das manifestaes.


Tanto o diagrama de Pareto quanto o seu recorte (Figura 34 e Figura 35,
respectivamente) possibilitam confirmar o comportamento e tendncia paretianos da
descrio das causas apontadas pelos modelos mentais. Afinal, possvel verificar que
trinta elementos (aproximadamente 20% do total) so responsveis por descrever
aproximadamente 76% das causas das manifestaes conforme os 148 MMs analisados.
possvel avanar a verificao e, por consequncia, atingir a validao do mtodo
de anlise e comparao de modelos mentais mediante a confirmao de que essas
principais causas esto contempladas pelos MMs classificados como mais representativos
pelo mtodo proposto por esta dissertao.
De fato, esses trinta elementos que respondem por 76% das ocorrncias das causas se
referem a elementos presentes em 20% dos modelos mentais de maior representatividade
conforme os resultados obtidos pelo sistema inteligente de apoio deciso. Essa
constatao satisfatria para a afirmao de consonncia entre o mtodo proposto por esta
dissertao e o mtodo estatstico, o que implica a validao deste trabalho.
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
0
20
40
60
80
100
120
140
C
o
r
r
u
p
o
T
r
a
n
s
p
o
r
t
e
E
d
u
c
a
o
S
a
d
e
P
o
l
t
i
c
a
I
n
v
e
s
t
i
m
e
n
t
o
I
m
p
o
s
t
o
s
Q
u
a
l
i
d
a
d
e
D
e
s
i
g
u
a
l
d
a
d
e
G
a
s
t
o
s

p
b
l
i
c
o
s
C
o
p
a

d
o

M
u
n
d
o
P
r
o
f
e
s
s
o
r
e
s
S
e
g
u
r
a
n
a
Q
u
a
l
i
d
a
d
e

d
e

v
i
d
a
2
0

c
e
n
t
a
v
o
s
I
n
s
a
t
i
s
f
a
o
I
m
p
u
n
i
d
a
d
e
P
a
r
t
i
d
o
s
D
e
s
v
i
o

d
e

d
i
n
h
e
i
r
o
H
o
s
p
i
t
a
i
s
E
s
c
o
l
a
s
P
r
o
f
i
s
s
i
o
n
a
l
i
s
m
o
M
d
i
c
o
s
D
e
s
c
a
s
o
V
i
o
l
n
c
i
a
V
o
t
o
I
n
f
r
a
e
s
t
r
u
t
u
r
a
M
d
i
a
G
o
v
e
r
n
o
P
o
l
c
i
a
F
r
e
q
u
n
c
i
a

d
e

o
c
o
r
r
n
c
i
a

N
m
e
r
o

d
e

o
c
o
r
r
n
c
i
a
s

Elementos dos modelos mentais
Principais causas das manifestaes
Ocorrncias % acumulada

86

87

7 Concluso

A incerteza decorrente do aumento da complexidade dos problemas enfatiza os
limites da racionalidade na tomada de deciso. O processo decisrio deve, portanto,
considerar as diversas descries dos fenmenos da realidade. Esse processo de deciso
colaborativa depende do consenso entre vrios tomadores de deciso por meio da
identificao do conhecimento que comum a todos eles. Essa identificao envolve a
representao do conhecimento e tcnicas de anlise e comparao das estruturas
representativas.
Os modelos mentais so estruturas de representao do conhecimento que permitem
descrever a realidade. Por consequncia, a tomada de deciso colaborativa depende da
comparao dos modelos mentais dos vrios agentes de deciso. O desafio da anlise e
comparao de MMs advm de sua dependncia da linguagem natural. Por isso, mtodos
baseados em Lgica Clssica so incipientes e pouco rigorosos se for considerada a
dificuldade da traduo matemtica e computacional das relaes de causa e efeito
pertinentes aos modelos mentais.
Os resultados associados ao estudo de caso e sua validao estatstica demonstraram
que a opo pela Lgica Nebulosa quando da confeco do mtodo foi acertada. O projeto
e a utilizao de uma base de regras nebulosas composta por variveis lingusticas
adicionou uma dimenso analtica qualitativa aos mtodos de comparao quantitativa.
Assim o mtodo de anlise e comparao de MMs permite identificar os elementos e
relaes de causalidade pertinentes s descries mais representativas dos fenmenos da
realidade.
O sistema inteligente de apoio deciso e a automatizao da base de conhecimento
foram fundamentais para viabilizar a submisso de uma quantidade massiva de modelos
mentais, sob a qual o mtodo se comportou de maneira estvel e aderente aos resultados
estatsticos utilizados para validao da proposta deste trabalho.

88

7.1 Contribuies

Os MCNs e os MCNBRs utilizam a Lgica Nebulosa e a construo de uma base de
regras nebulosas, respectivamente, como uma maneira de aumentar a capacidade
representativa de um modelo mental. Essa frequente estratgia utilizada para representar
as relaes de causalidade existente entre elementos, no tocante construo e simulao
de modelos mentais. Este trabalho tambm utiliza a mesma estratgia, contudo prope que
a Lgica Nebulosa e que uma base de regras nebulosas sejam utilizadas para anlise e
comparao de modelos mentais.
Nesse sentido, as contribuies do mtodo apresentado residem no fato de que ele
no visa construir ou simular modelos, mas adicionar uma abordagem qualitativa aos
mtodos de comparao de modelos mentais, alm de apresentar uma alternativa
metodolgica satisfatria para anlise dos MMs.

7.2 Aplicaes

O mtodo de anlise de modelos mentais baseada em regras nebulosas permite
comparar e avaliar opinies proporcionadas por diversos agentes de deciso, a fim de
identificar um conhecimento interdisciplinar que seja comum a um nmero representativo
de stakeholders. Desse modo, h a indicao das opinies mais adequadas para o
estabelecimento de uma comunidade baseada no consenso tpico de um processo de tomada
de deciso colaborativa. Nesse sentido, esta proposta pode ser utilizada no apoio tomada
de deciso em contextos que envolvem um grande nmero de partcipes. Logo no Captulo
1, esta dissertao se utilizou de um exemplo desse tipo de contexto, apresentando os
problemas ocorridos em um evento diplomtico para ilustrar as dificuldades inerentes aos
processos decisrios dependentes de conhecimento consensual.
Este trabalho buscou o apoio deciso complexa, que envolve contradio, incerteza
e ambiguidade, por meio do oferecimento de uma alternativa que conceda celeridade aos
processos decisrios de modo a torn-los menos desgastantes. Nesse sentido, as aplicaes

89

podem se dar, por exemplo, no mbito da Administrao privada e pblica, da Gesto do
Conhecimento, do Direito, da Diplomacia e das Relaes Internacionais (como facilitador
na obteno de consenso); da Poltica (como ferramenta para identificao de
representatividade) e da Psicologia (na investigao dos MMs e das estruturas de
representao de conhecimento).

7.3 Trabalhos futuros

O mtodo de anlise e comparao de modelos mentais proposto por este trabalho
privilegia os modelos mentais tpicos do consenso entre os agentes de deciso envolvidos
em um processo colaborativo. Logo, h a preferncia pela identificao de modelos
constitudos por elementos e relaes mais representativos, isto , aqueles que so
recorrentes e traduzem a descrio da maioria dos stakeholders. Assim, se forem
considerados os modelos preteridos pelo mtodo isto , aqueles que foram considerados
menos representativos provvel que sejam obtidas algumas descries associadas
criatividade e a percepes alternativas dos fenmenos. Nessas representaes reside
conhecimento potencialmente associado a atividades de inovao e que, por isso, devem ser
objeto de investigao. Interessa, por exemplo, o desenvolvimento de mtodos que
possibilitem identificar quais desses MMs representam potencial criativo e inovador e quais
devem, de fato, ser descartados por ilustrarem vises distorcidas da realidade.
Ademais, algumas melhorias podem ser implementadas no SIAD. Pode-se, por
exemplo, desenvolver um dicionrio de dados que automatize o processo de uniformizao
da nomenclatura dos elementos dos modelos mentais, a fim de tornar a anlise dos MMs
mais precisa.

90

91

Referncias

ALBORS, J.; RAMOS, J. C.; HERVAS, J. L. New learning network paradigms: Communities of
objectives, crowdsourcing, wikis and open source. International Journal of Information
Management, v. 28, p. 194-202, 2008.
ALI, N.; CHATER, N.; OAKSFORD, M. The mental representation of causal conditional
reasoning: Mental models or causal models. Cognition, v. 119, p. 403-418, 2011.
ARIAS, J. Por qu Brasil y ahora? El Pas, 17 junho 2013. Disponivel em:
<http://internacional.elpais.com/internacional/2013/06/17/actualidad/1371432413_199966.html>.
Acesso em: 21 setembro 2013.
ARIAS, J. Brasil se levanta en protesta contra el aumento de los precios del transporte. El Pas,
12 junho 2013. Disponivel em:
<http://internacional.elpais.com/internacional/2013/06/12/actualidad/1371000636_370579.html>.
AUMANN, C. A. Constructing model credibility in the context of policy appraisal.
Environmental Modelling & Software, v. 26, p. 258-265, 2011.
AXELROD, R. The structure of decision: Cognitive Maps of Political Elites. New Jersey,
USA: Princeton University Press, 1976.
AZADEGAN, A. et al. Fuzzy logic in manufacturing: A review of literaturature and a specialized
application. International Journal of Production Economics, v. 132, p. 258-270, 2011.
BEN-ZVI, T. Measuring the perceived effectiveness of decision support systems and their impact
on performance. Decision Support Systems, v. 54, p. 248-256, 2012.
BERKELEY, G. Obras filosficas. Traduo de Jaimir Conte. [S.l.]: Editora da Unesp, 2010.
542 p.
BERTALANFFY, L. V. The theory of open systems in physics and biology. Science, v. 111, p.
23-29, 1950.

92

BETTIOL, M.; SEDITA, S. R. The role of community of practice in developing creative industry
projects. Internationa Journal of Project Management, v. 29, p. 468-479, 2011.
BOLTZMANN, L. On the fundamental principles and equations of mechanics. In: MCGUINES,
B. Ludwig Boltzmann: theoretical physics and philosophical problems. Boston: Reidel, 1974. p.
101-128.
BROWN, M. B. Survey article: citizen panels and the concept of representation. Journal of
Political Philosophy, v. 14, p. 203-255, 2006.
BCHELER, T.; SIEG, J. H. Understanding Science 2.0: Crowdsourcing and Open Innovation in
the Scientific Method. Procedia Computer Science, v. 7, p. 327-329, 2011.
CAPELO, C.; DIAS, J. F. A system dynamics-based simulation experiment for testing mental
model and performance effects of using the balanced scorecard. System Dynamics Review, v.
25, p. 1-34, 2009.
CARVALHO, J. P. On the semantics and the use of fuzzy cognitive maps and dynamic cognitive
maps in social sciences. Fuzzy Sets and Systems, v. 214, p. 619, 2013.
CARVALHO, J. P.; TOM, J. Rule Based Fuzzy Cognitive Maps - Fuzzy Causal Relations. In:
MOHAMMADIAN, M. Computational Intelligence for Modelling, Control and Automation:
Evolutionary Computation & Fuzzy Logic for Intelligent Control, Knowledge Acquisition &
Information Retrieval. [S.l.]: IOS Press, 1999.
CARVALHO, J. P.; TOM, J. Rule Based Fuzzy Cognitive Maps and Fuzzy Cognitive Maps
- A comparative study. Proceedings of NAFIPS99. New York, USA: [s.n.]. 1999.
CARVALHO, J. P.; TOM, J. Mapas Cognitivos baseados em regras difusas: Modelao e
simulao de Dinmica de Sistemas Qualitativos. Lisboa: Instituto Superior Tcnico,
Universidade Tcnica de Lisboa, 2001. 361 p.
CARVALHO, J. P.; TOM, J. Rule Based Fuzzy Cogntive Maps - Expressing Time in
Qualitative System Dynamics. Proceedings of FUZZ-IEEE2001. Melbourne, Australia: [s.n.].
2001.

93

CAVERSAN, L. O que querem os brasileiros. Folha de So Paulo, 21 setembro 2013.
Disponivel em: <http://www1.folha.uol.com.br/colunas/luizcaversan/2013/09/1345504-o-que-
querem-os-brasileiros.shtml>. Acesso em: 21 setembro 2013.
COELHO, M. No entende quem no quer. Folha de So Paulo, 25 junho 2013. Acesso em: 27
setembro 2013.
COSIJN, E.; INGWERSEN, P. Dimensions of Relevance. Information Processing and
Management, v. 36, p. 533-550, 2000.
COSTA, L. O que querem os manifestantes. Observatrio da Imprensa, 11 junho 2013.
Disponivel em:
<http://www.observatoriodaimprensa.com.br/news/view/o_que_querem_os_manifestantes>.
CRAIK, K. The Nature of Explanation. 1. ed. Cambridge: Cambridge University Press, 1943.
136 p.
CYERT, R. M.; MARCH, J. G. A behavioral theory of the firm. [S.l.]: [s.n.], 1992.
DANDURAND, F.; SCHULTZ, T.; REY, A. Including cognitive biases and distance-based
rewards in a connectionist model of complex problem solving. Neural Networks, v. 25, p. 41-56,
2012.
DOYLE, J. K.; RADZICKI, M. J.; TREES, W. S. Measuring change in mental models of
complex dynamic systems. In: QUDRAT-ULLAH, H.; SPECTOR, M. J.; DAVIDSEN, P.
Complex Decision Making: Theory and Practice. Berlim: Springer-Verlag, 2008. p. 269294.
DUBOIS, D. The role of fuzzy sets in decision sciences: Old techniques and new directions.
Fuzzy Sets and Systems, v. 184, p. 3-28, 2011.
DUBOIS, D.; PRADE, H. Gradualness, uncertainty and bipolarity: Making sense of fuzzy sets.
Fuzzy Sets and Systems, v. 192, p. 3-24, 2012.
ELOMDA, B.; HEFNY, H.; HASSAN, H. An extension of fuzzy decision maps for multi-criteria
decision-making. Egyptian Informatics Journal, v. 14, p. 147-155, 2013.
FERYOK, A. Language teacher cognitions: Complex dynamic systems? System, v. 38, p. 272-
279, 2010.

94

FOKKINGA, B.; BLEIJENBERG, I.; VENNIX, J. M. Group model building evaluation in
single cases: A method to assess changes in mental models. 27th International Conference of the
System Dynamics Society. New Mexico, USA: [s.n.]. 2009.
FOLHA DE SO PAULO. Jornalistas da Folha depem sobre represso a protestos. Folha de
So Paulo, 18 jul. 2013. Disponivel em: <http://www1.folha.uol.com.br/poder/2013/07/1312729-
jornalistas-da-folha-depoem-sobre-repressao-a-protestos.shtml>. Acesso em: 03 jan. 2013.
FOLHA DE SO PAULO. Pesquisa mostra que apoio s manifestaes cai em SP. Folha de So
Paulo, 15 setembro 2013. Disponivel em:
<http://www1.folha.uol.com.br/poder/2013/09/1342221-pesquisa-mostra-que-apoio-as-
manifestacoes-cai-em-sp.shtml>. Acesso em: 26 setembro 2013.
FORRESTER, J. Industrial Dynamics. Cambridge: MIT Press, 1961.
FORRESTER, J. Urban Dynamics. Cambridge: MIT Press, 1969.
FORRESTER, J. World Dynamics. Cambridge: Wriht-Allen Press, 1971. 142 p.
FOSTER, J. Energy, aesthetics and knowledge in complex economic systems. Journal of
Economic Behavior & Organization, v. 80, p. 88-100, 2011.
FUNTOWICZ, S.; RAVETZ, J. Science for the Post Normal Age. Futures, v. 25, p. 735-755.
GARY, M. S. Mental models and performance in complex, dynamic decision environments.
Proceedings of the Academy of Management. Anaheim, USA: [s.n.]. 2008.
GLYKAS, M. Performance measurement scenarios with fuzzy cognitive strategic maps.
International Journal of Information Management, v. 32, p. 182-195, 2012.
GLYKAS, M. Fuzzy cognitive strategic maps in business process performance measurement.
Expert Systems with Applications, v. 40, p. 1-14, 2013.
GRAVONSKI, I. et al. A learning and knowledge approach to sustainable operations.
International Journal of Production Economics, v. 140, p. 183-192, 2012.
HABEL, J. We want a different Brazil. Le Monde Diplomatique, 02 jul. 2013. Disponivel em:
<http://mondediplo.com/2013/07/02brazil>. Acesso em: 27 set. 2013.

95

IDOETA, P. Um ms depois, manifestantes avaliam legado de megaprotestos. BBC, 17 julho
2013. Disponivel em:
<http://www.bbc.co.uk/portuguese/noticias/2013/07/130716_protestos_ummes_opinioes_pai.sht
ml>. Acesso em: 27 setembro 2013.
IORIO, J.; TAYLOR, J. Boundary object efficacy: The mediating role of boundary objects on
task. International Journal of Project Management, v. 32, p. 7-17, 2014.
JANG, J. R.; SUM, C.; MIZUTANI, E. Neuro-Fuzzy and Soft Computing A Computational
Approach to Learning and Machine Intelligence. [S.l.]: Prentice Hall Inc, 1997.
JOHNSON-LAIRD, P. N. Mental Models: Toward a Cognitive Science of Language, Inference
and conciousness. [S.l.]: Harvard Press University, 1983.
JOHNSON-LAIRD, P. N. The history of mental models. In: MANKTELOW, K. Psychology of
Reasoning: Theoretical and Historical Perspectives. [S.l.]: Psychology Press, 2004. p. 388.
JOHNSON-LAIRD, P. N. How We Reason. [S.l.]: Oxford University Press, 2006. 573 p.
JOHNSON-LAIRD, P. N. Mental models and deductive reasoning. In: RIPS, L.; ADLER, J.
Reasoning: Studies in Human Inference and Its Foundations. Cambridge: Cambridge University
Press, 2007.
JOHNSON-LAIRD, P. N. Mental models and human reasoning. Proceedings of the National
Academy of Sciences, p. 1-8, 02 Setembro 2010.
JOHNSON-LAIRD, P. N. Inference with Mental Models. In: HOLYOAK, K.; MORRISON, R.
The Oxford Handbook of Thinking and Reasoning. [S.l.]: Oxford Library of Psychology,
2012. p. 134-154.
JOHNSON-LAIRD, P. N. Mental models and cognitive change. Journal of Cognitive
Psychology, v. 25, p. 131-138, 2013.
JURAN, J.; GRYNA, F.; BINGHAM, R. Quality Control Handbook. [S.l.]: McGraw-Hill,
1974. 1600 p.
KIM, M. K. Cross-validation study of methods and technologies to assess mental models in a
complex problem solving situation. Computers in Human Behavior, v. 28, p. 703-717, 2012.

96

KOSKINEN, K. Problem absorption as an organizational learning mechanism in project-based
companies: Process thinking perspective. International Journal of Project Management, v. 30,
p. 308-316, 2012.
KOSKO, B. Fuzzy Cogntive Maps. International Journal of Man-Machine Studies, v. 24, p.
65-75, 1986.
KOSKO, B. Fuzzy Knowledge Combination. International Journal Of Intelligent Systems, v.
1, p. 293-320, 1986.
KWAPIEN, J.; DROZDZ, S. Physical approach to complex systems. Physics Reports, 2012.
LANGAN-FOX, J. et al. Analyzing shared and team mental models. International Journal of
Industrial Ergonomics, v. 28, p. 99112, 2001.
LANGFIELD-SMITH, K.; WIRTH, A. Measuring differences between cognitive maps. Journal
of the Operational Research Society, v. 43, p. 11351150, 1992.
LNSILUOTO, A.; JRVENP, M.; KRUMWIEDE, K. Conflicting interests but filtered key
targets: Stakeholder and resource-dependency analyses at a University of Applied Sciences.
Management Accounting Research, v. 24, p. 228-245, 2013.
LVY, P. A Inteligncia Coletiva: por uma antropologia do ciberespao. 4. ed. So Paulo:
Edies Loyola, 2003.
LVY, P. Cibercultura. 3. ed. So Paulo: Editora 34, 2010. 272 p.
LPEZ-NICOLS, C.; MEROO-CERDN, . Strategic knowledge management, innovation
and performance. International Journal of Information Management, v. 31, p. 502-509, 2011.
MAMDANI, E. H.; ASSILIAN. An experiment in linguistic synthesis with a fuzzy logic
controller. International Journal of Man-Machine Studies, v. 7, p. 1-13, 1975.
MANSO, B.; BURGARELLI, R. Epidemia de manifestaes tem quase 1 protesto por hora e
atinge 353 cidades. O Estado de So Paulo, 29 junho 2013. Disponivel em:
<http://www.estadao.com.br/noticias/nacional,epidemia-de-manifestacoes-tem-quase-1-protesto-
por-hora-e-atinge-353-cidades,1048461,0.htm>. Acesso em: 29 setembro 2013.

97

MARCH, J. Bounded Rationality, Ambiguity, and the Engineering of Choice. The Bell Journal
of Economics, v. 9, p. 587-608, 1978.
MARKCZY, L.; GOLDBERG, J. A method for eliciting and comparing causal maps. Journal
of Management, v. 21, p. 305-333, 1995.
MEADOWS, D. H. et al. Limits to Growth. [S.l.]: Universe Books, 1972. 205 p.
MELNIK, R. Coupling control and human factors in mathematical models of complex systems.
Engineering Applications of Artificial Intelligence, v. 22, p. 351-362, 2009.
MESSIAS, R. Desenvolvimento de ferramenta para comparao de modelos mentais. 8p. Projeto
de Iniciao Cientfica CNPq/Pibic, 2013
MINGERS, J.; WHITE, L. A review of the recent contribution of systems thinking to operational
research and management science. European Journal of Operational Research, v. 207, p.
1147-1161, 2010.
NONAKA, I.; TAKEUCHI, H. Gesto do Conhecimento. 1. ed. [S.l.]: Bookman, 2008. 319 p.
NOVK, V. Reasoning about mathematical fuzzy logic and its future. Fuzzy Sets and Systems,
v. 192, p. 25-44, 2012.
O ESTADO DE SO PAULO. Protestos renem mais de 1 milho nas ruas pelo Pas; grupo
invade e depreda o Itamaraty; em Ribeiro, um morre atropelado. O Estado de So Paulo, 20
junho 2013. Disponivel em: <http://blogs.estadao.com.br/estadao-urgente/protestos-ocorrem-em-
75-cidades-e-terao-seguranca-reforcada/>. Acesso em: 21 setembro 2013.
O'CONNOR, E. S. New contributions from old sources: Recovering Barnard's science and
revitalizing the Carnegie School. European Management Journal, v. 31, p. 93-103, 2013.
PALETZ, S.; SCHUNN, C.; KIM, K. The interplay of conflict and analogy in multidisciplinary
teams. Cognition, v. 126, p. 1-19, 2013.
PEDRYCZ, W.; AL-HMOUZ, R.; MORFEQ, A.; BALAMASH, A. Building granular fuzzy
decision support systems. Knowledge-Based Systems, v. 58, p. 3-10, 2014.

98

PERRY, N. C. et al. Can reduced processing decision support interfaces improve the decision-
making of less-experienced incident commanders? Decision Support Systems, v. 52, p. 497-504,
2012.
PHILLIPS, D. Thousands on streets in Brazil protests. The Guardian, 12 julho 2013. Disponivel
em: <http://www.theguardian.com/world/2013/jul/12/thousands-streets-brazil-protests>. Acesso
em: 21 setembro 2013.
PLATE, R. Assessing individuals understanding of nonlinear causal structures in complex
systems. System Dynamics Review, v. 26, p. 19-33, 2010.
PRASAD, K.; SUBBAIAH, K.; PADMAVATHI, G. Application of Six Sigma Methodology in
an Engineering Educational Institution. International Journal of Emerging Sciences, v. 2, p.
210-221, 2012.
RAMN, P. Poor, middle class unite in Brazil protests. CNN, 24 Julho 2013. Disponivel em:
<http://edition.cnn.com/2013/06/28/world/americas/brazil-protests-favelas/index.html>. Acesso
em: 27 Setembro 2013.
REI, F. C. F. Rio + ou - 20: Consideraes sobre governana. InterfacEHS, v. 7, p. 28-40, 2012.
RITCHIE-DUNHAM, J. Balanced Scorecards, Mental Models, and Organizational
Performance: A Simulation Experiment. Tese de Doutorado. Austin: University of Texas. 2002.
ROMERO, S. Protests Fill City Streets Across Brazil. The New York Times, 2013. Disponivel
em: <http://www.nytimes.com/2013/09/08/world/americas/protests-fill-city-streets-across-
brazil.html?_r=1&>. Acesso em: 07 setembro 2013.
SAAD-FILHO, A. Mass Protests under Left-Neoliberalism: Brazil, June-July 2013. Critical
Sociology, v. 39, p. 657669, 2013.
SALMERON, J. Fuzzy cognitive maps for artificial emotions forecasting. Applied Soft
Computing Journal, v. 12, p. 3704-3710, 2012.
SALMERON, J.; GUTIERREZ, E. Fuzzy Grey Cognitive Maps in reliability engineering.
Applied Soft Computing, 2012.
SALMERON, J.; VIDAL, R.; MENA, A. Ranking fuzzy cognitive map based scenarios with
TOPSIS. Expert Systems with Applications, v. 39, p. 2443-2450, 2012.

99

SCHAFFERNICHT, M. Causal Loop Diagrams Between Structure and Behaviour: A Critical
Analysis of the Relationship Between Polarity Behaviour and Events. Systems Research and
Behavioral Science, v. 27, p. 653-666, 2010.
SCHAFFERNICHT, M.; GROESSER, S. Whats in a mental model of a dynamic system?
Conceptual structure and model comparison. International System Dynamics Conference.
Albuquerque, USA: [s.n.]. 2009.
SCHAFFERNICHT, M.; GROESSER, S. A comprehensive method for comparing mental
models of dynamic systems. European Journal of Operational Research, v. 210, p. 57-67,
2011.
SCONTRAS, G.; GRAFF, P.; GOODMAN, N. D. Comparing Pluralities. Cognition, v. 123, p.
190-197, 2012.
SENGE, P. Fifth discipline: The Art and Practice of the Learning Organization. 1. ed. [S.l.]:
Currency, 1990.
SIBAJA, M.; BARCHFIELD, J.; BROOKS, B. Brazil Protests 2013 Grow: One Million
Brazilians Hit The Streets. The Huffington Post, 21 jun. 2013. Disponivel em:
<http://www.huffingtonpost.com/2013/06/21/brazil-protests-2013_n_3478101.html>. Acesso em:
21 set. 2013.
SIMON, H. Theories of Bounded Rationality. In: MCGUIRE, C.; RADNER, R. Decision and
Organization. [S.l.]: [s.n.], 1972. Cap. 8, p. 161-176.
STERK, B.; VAN ITTERSUM, M. K.; LEEUWIS, C. How, when, and for what reasons does
land use modelling contribute to societal problem solving? Environmental Modelling &
Software, v. 26, p. 310-316, 2011.
SU-HWAN, J.; YOUNG-GUL, K.; JOON, K. Individual, social, and organizational contexts for
active knowledge sharing in communities of practice. Expert Systems wiht Applications, v. 38,
p. 12423-12431, 2011.
THE ECONOMIST. Has Brazil blown it? A stagnant economy, a bloated state and mass protests
mean Dilma Rousseff must change course. The Economist, 28 setembro 2013. Disponivel em:

100

<http://www.economist.com/news/leaders/21586833-stagnant-economy-bloated-state-and-mass-
protests-mean-dilma-rousseff-must-change-course-has>. Acesso em: 28 setembro 2013.
TJADERA, Y. et al. Firm-level outsourcing decision making: A balanced scorecard-based
analytic network process model. International Journal of Production Economics, v. 147, p.
614623, 2014.
TOLMAN, E. Cognitive Maps in rats and men. The Psychological Review, v. 55, p. 189-208.
TSADIRAS, A.; BASSILIADES, N. RuleML representation and simulation of Fuzzy Cognitive
Maps. Expert Systems with Applications, v. 40, p. 14131426, 2013.
TULLBERG, J. Stakeholder theory: Some revisionist suggestions. The Journal of Socio-
Economics, v. 42, p. 127-135, 2013.
VAHDANI, B. et al. A new design of the elimination and choice translating reality method for
multi-criteria group decision-making in an intuitionistic fuzzy environment. Applied
Mathematical Modelling, v. 37, p. 1781-1799, 2013.
VAN DELDEN, H. et al. A methodology for the design and development of integrated models
for policy support. Environmental Modelling & Software, v. 26, p. 266-279, 2011.
VAN KOUWEN, F.; SCHOT, P.; WASSEN, M. J. A framework for linking advanced simulation
models with interactive cognitive maps. Environmental Modelling & Software, v. 23, p. 1133-
1144, 2008.
VERBUGH, L. Participative Policy Modeling Applied to the Health Care Insurance
Industry. Tese de Doutorado. Nijmegen: University of Nijmegen. 1994.
WARMINK, J. J. et al. Identification and classification of uncertainties in the application of
environmental models. Environmental Modelling & Software, v. 25, p. 1518-1528, 2010.
WIENER, N. Cybernetics or Control and Communication in the Animal and the Machine.
[S.l.]: Hermann, 1958.
WITTGENSTEIN, L. Tractatus Logico-Philosophicus. Traduo de Jos Arthur Gianotti. So
Paulo: Companhia Editora Nacional, 1968.

101

WU, Z.; XU, J. A consistency and consensus based decision support model for group decision
making with multiplicative preference relations. Decision Support Systems, v. 52, p. 757-767,
2012.
WSTENBERG, S.; GREIFF, S.; FUNKE, J. Complex problem solving More than reasoning
? Intelligence, v. 40, p. 1-14, 2012.
YCENUR, G.; DEMIREL, N. Group decision making process for insurance company selection
problem with extended VIKOR method under fuzzy environment. Expert Systems with
Applications, v. 39, p. 3702-3707, 2012.
ZADEH, L. A. Fuzzy Sets. Information & Control, v. 8, p. 338-353, 1965.
ZADEH, L. A. From computing with numbers to computing with words - from manipulation of
measurements to manipulation of perceptions. International Journal of Applied Mathematics
and Computer Science, v. 12, p. 307-324, 2002.
ZADEH, L. A. From Search Engines to Question Answering Systems - The Problem of World
Knowledge, Relevance, Deduction and Precisiation. In: SANCHEZ, E. Fuzzy Logic and the
Semantic Web. [S.l.]: Elsevier, 2006. Cap. 9, p. 163-210.
ZADEH, L. A. Is there a need for Fuzzy Logic? Information Sciences, v. 178, p. 2751-2779,
2008.
ZHANG, Y. The impact of task complexity on people's mental models of MedlinePlus.
Information Processing and Management, v. 48, p. 107-119, 2012.
ZHAO, Q. J.; WEN, Z. M. Integrative networks of the complex social-ecological systems.
Procedia Environmental Sciences, v. 13, p. 1383-1394, 2012.

102

103

Apndice A
Formulrio para elicitao de modelos mentais referentes ao Estudo de Caso.

NC500 Lgica Turma: ____
Nome:_______________________________________________________RA:_________
Idade:_____Curso:_________________________________________________________

Construa o seu modelo mental acerca daquilo que voc aponta como causas das manifestaes
ocorridas em junho e julho de 2013.

MANIFESTAES

104

Apndice B

Tabela Resultados referentes aos valores mdios de representatividade de cada um dos 148 modelos mentais
analisados pelo estudo de caso
Modelo
Mental
Total de comparaes
entre modelos
Valor Mdio do
Modelo Mental
1 147 0,26939
2 147 0,26735
3 147 0,25102
4 147 0,25102
5 147 0,24898
6 147 0,24694
7 147 0,24490
8 147 0,24490
9 147 0,24286
10 147 0,24286
11 147 0,23878
12 147 0,23673
13 147 0,23469
14 147 0,23469
15 147 0,23469
16 147 0,23469
17 147 0,23469
18 147 0,23469
19 147 0,23469
20 147 0,23265
21 147 0,23061
22 147 0,23061
23 147 0,23061
24 147 0,23061
25 147 0,23061
26 147 0,23061
27 147 0,22857
28 147 0,22653
29 147 0,22653
30 147 0,22653
31 147 0,22653
32 147 0,22653
33 147 0,22245
34 147 0,22245

105

Modelo
Mental
Total de comparaes
entre modelos
Valor Mdio do
Modelo Mental
35 147 0,22245
36 147 0,21837
37 147 0,21837
38 147 0,21633
39 147 0,21429
40 147 0,21429
41 147 0,21224
42 147 0,20816
43 147 0,20816
44 147 0,20816
45 147 0,20816
46 147 0,20816
47 147 0,20816
48 147 0,20816
49 147 0,20816
50 147 0,20816
51 147 0,20816
52 147 0,20816
53 147 0,20816
54 147 0,20816
55 147 0,20816
56 147 0,20816
57 147 0,20612
58 147 0,20612
59 147 0,20612
60 147 0,20612
61 147 0,20612
62 147 0,20612
63 147 0,20612
64 147 0,20612
65 147 0,20612
66 147 0,20612
67 147 0,20612
68 147 0,20408
69 147 0,20408
70 147 0,20408
71 147 0,20408
72 147 0,20408

106

Modelo
Mental
Total de comparaes
entre modelos
Valor Mdio do
Modelo Mental
73 147 0,20408
74 147 0,20408
75 147 0,20408
76 147 0,20408
77 147 0,20408
78 147 0,20408
79 147 0,20408
80 147 0,20408
81 147 0,20408
82 147 0,20408
83 147 0,20408
84 147 0,20204
85 147 0,20204
86 147 0,20204
87 147 0,20204
88 147 0,20204
89 147 0,20204
90 147 0,20204
91 147 0,20204
92 147 0,20204
93 147 0,20204
94 147 0,20204
95 147 0,20204
96 147 0,20204
97 147 0,20204
98 147 0,20204
99 147 0,20000
100 147 0,20000
101 147 0,20000
102 147 0,20000
103 147 0,20000
104 147 0,20000
105 147 0,20000
106 147 0,20000
107 147 0,20000
108 147 0,20000
109 147 0,20000

107

Modelo
Mental
Total de comparaes
entre modelos
Valor Mdio do
Modelo Mental
110 147 0,20000
111 147 0,20000
112 147 0,20000
113 147 0,20000
114 147 0,20000
115 147 0,20000
116 147 0,20000
117 147 0,20000
118 147 0,20000
119 147 0,20000
120 147 0,20000
121 147 0,20000
122 147 0,20000
123 147 0,20000
124 147 0,20000
125 147 0,20000
126 147 0,20000
127 147 0,20000
128 147 0,20000
129 147 0,20000
130 147 0,20000
131 147 0,20000
132 147 0,20000
133 147 0,20000
134 147 0,20000
135 147 0,20000
136 147 0,20000
137 147 0,20000
138 147 0,20000
139 147 0,20000
140 147 0,20000
141 147 0,20000
142 147 0,20000
143 147 0,20000
144 147 0,20000
145 147 0,20000
146 147 0,20000
147 147 0,20000
148 147 0,20000

108

Apndice C

Tabela Anlise estatstica dos elementos utilizados pelos modelos mentais para descrever as manifestaes
ocorridas entre junho e julho de 2013 no Brasil
Nmero
de
Elementos
Elementos
Nmero
de
ocorrncias
Frequncia de
ocorrncia relativa
(%)
Frequncia de
ocorrncia acumulada
(%)
1
Corrupo 125 9,913 9,913
2
Transporte 96 7,613 17,526
3
Educao 96 7,613 25,139
4
Sade 84 6,661 31,800
5
Poltica 57 4,520 36,320
6
Investimento 51 4,044 40,365
7
Impostos 31 2,458 42,823
8
Qualidade 31 2,458 45,282
9
Desigualdade 27 2,141 47,423
10
Gastos pblicos 27 2,141 49,564
11
Copa do Mundo 26 2,062 51,626
12
Professores 22 1,745 53,370
13
Segurana 20 1,586 54,956
14
Qualidade de vida 19 1,507 56,463
15
20 centavos 19 1,507 57,970
16
Insatisfao 19 1,507 59,477
17
Impunidade 18 1,427 60,904
18
Partidos 18 1,427 62,331
19
Desvio de dinheiro 16 1,269 63,600
20
Hospitais 16 1,269 64,869
21
Escolas 16 1,269 66,138
22
Profissionalismo 15 1,190 67,328
23
Mdicos 15 1,190 68,517
24
Descaso 14 1,110 69,627
25
Violncia 14 1,110 70,738
26
Voto 14 1,110 71,848
27
Infraestrutura 14 1,110 72,958
28
Mdia 13 1,031 73,989
29
Governo 12 0,952 74,941
30
Polcia 12 0,952 75,892
31
Indignao 11 0,872 76,764
32
Polticas pblicas 10 0,793 77,557
33
Distribuio de renda 9 0,714 78,271
34
Desemprego 8 0,634 78,906

109

Nmero
de
Elementos
Elementos
Nmero
de
ocorrncias
Frequncia de
ocorrncia relativa
(%)
Frequncia de
ocorrncia acumulada
(%)
35
Engajamento 8 0,634 79,540
36
Oportunidade 8 0,634 80,174
37
Vandalismo 7 0,555 80,730
38
Salrio 7 0,555 81,285
39
Justia 6 0,476 81,761
40
Abuso de poder 6 0,476 82,236
41
Poder 6 0,476 82,712
42
Redes sociais 6 0,476 83,188
43
Pobreza 6 0,476 83,664
44
Transparncia 5 0,397 84,060
45
Presso popular 5 0,397 84,457
46
Mensalo 5 0,397 84,853
47
Informao 6 0,476 85,329
48
tica 5 0,397 85,726
49
Abrangncia 5 0,397 86,122
50
Economia 5 0,397 86,519
51
Inflao 5 0,397 86,915
52
Igualdade 4 0,317 87,232
53
Fiscalizao 4 0,317 87,550
54
Legislao 4 0,317 87,867
55
Bem comum 4 0,317 88,184
56
Explorao 4 0,317 88,501
57
Liberdade de expresso 4 0,317 88,818
58
Cidadania 4 0,317 89,136
59
Preconceito 4 0,317 89,453
60
Represso 4 0,317 89,770
61
Ignorncia 4 0,317 90,087
62
PEC 37 3 0,238 90,325
63
Desiluso 3 0,238 90,563
63
Cultura 3 0,238 90,801
65
SUS 3 0,238 91,039
66
Emprego 3 0,238 91,277
67
Burocracia 3 0,238 91,515
68
Inovao 3 0,238 91,753
69
Fome 3 0,238 91,990
70
Capitalismo 3 0,238 92,228
71
Interesses 3 0,238 92,466

110

Nmero
de
Elementos
Elementos
Nmero
de
ocorrncias
Frequncia de
ocorrncia relativa
(%)
Frequncia de
ocorrncia acumulada
(%)
72
Corporativismo 2 0,159 92,625
73
Prioridade 2 0,159 92,784
74
Prepotncia 2 0,159 92,942
75
Reao 2 0,159 93,101
76
Tecnologia 2 0,159 93,259
77
nibus 2 0,159 93,418
78
Metr 2 0,159 93,577
79
Disponibilidade 2 0,159 93,735
80
Sucateamento 2 0,159 93,894
81
Cura gay 2 0,159 94,052
82
Desonestidade 2 0,159 94,211
83
Moralidade 2 0,159 94,370
84
Retorno 2 0,159 94,528
85
Famlia 2 0,159 94,687
86
Vadiagem 2 0,159 94,845
87
Organizao 2 0,159 95,004
88
Ingressos 2 0,159 95,163
89
Estdios 2 0,159 95,321
90
Jovens 2 0,159 95,480
91
Manipulao 2 0,159 95,638
92
Excluso 2 0,159 95,797
93
Carro 2 0,159 95,956
94
Moda 2 0,159 96,114
95
Cultura 2 0,159 96,273
96
Rebeldia 2 0,159 96,431
97
Idealismo 2 0,159 96,590
98
Mercantilizao 2 0,159 96,749
99
Moradia 2 0,159 96,907
100
Desenvolvimento 2 0,159 97,066
101
Liberdade 1 0,079 97,145
102
Assistncia 1 0,079 97,224
103
Luta de classes 1 0,079 97,304
104
Ato mdico 1 0,079 97,383
105
Monoplio 1 0,079 97,462
106
Importaes 1 0,079 97,542
107
Solidariedade 1 0,079 97,621
108
Intrigas 1 0,079 97,700

111

Nmero
de
Elementos
Elementos
Nmero
de
ocorrncias
Frequncia de
ocorrncia relativa
(%)
Frequncia de
ocorrncia acumulada
(%)
109
Conforto 1 0,079 97,780
110
Entretenimento 1 0,079 97,859
111
Voto aberto 1 0,079 97,938
112
Cubanos 1 0,079 98,017
113
Homofobia 1 0,079 98,097
114
Jogos 1 0,079 98,176
115
Licitaes 1 0,079 98,255
116
Improbidade 1 0,079 98,335
117
Filas 1 0,079 98,414
118
Superlotao 1 0,079 98,493
119
Superfaturamento 1 0,079 98,573
120
Visibilidade 1 0,079 98,652
121
Planejamento 1 0,079 98,731
122
Marginalizao 1 0,079 98,810
123
Passe livre 1 0,079 98,890
124
Nacionalismo 1 0,079 98,969
125
Histria 1 0,079 99,048
126
Particularidades 1 0,079 99,128
127
Conformismo 1 0,079 99,207
128
Medo 1 0,079 99,286
129
Coligaes 1 0,079 99,366
130
Terceirizao 1 0,079 99,445
131
Sonegao 1 0,079 99,524
132
Reconhecimento 1 0,079 99,603
133
Problemas populacionais 1 0,079 99,683
134
Saneamento 1 0,079 99,762
135
Reacionrios 1 0,079 99,841
136
Lucro 1 0,079 99,921
137
Mobilidade 1 0,079 100,000
Total
1261 100,000 -

112

ndice

agentes de deciso ............................................. 2, 3, 4
ambiental ................................................................. 14
anlise ...................................................................... 65
Anlise de Pareto ................................................. 6, 81
antecedente ........................................................ 28, 29
Antigidade ............................................................. 19
aprendizagem corporativa ....................................... 17
Aristteles ................................................................ 19
arqutipos ................................................................ 15
Ashby ...................................................................... 14
Automao e Controle ............................................. 21
Balanced Scorecard .......................................... xxi, 13
base de conhecimento ................................................ 3
Base de conhecimento .................................... xxiv, 47
Berkeley .............................................................. 7, 89
bivalncia ............................................................ 4, 31
Boltzmann ........................................................... 8, 90
Boole ....................................................................... 19
BSC .................................................................. xxi, 13
cadastramento .......................................................... 64
causalidade .................................... 4, 5, 10, 12, 15, 16
centro de gravidade ....................................... 5, 30, 61
Ciberntica ...................................................... 8, 9, 14
Cincias Cognitivas ................................................... 8
Cincias Gerenciais ................................................. 20
Cincias Humanas e Sociais .................................... 11
Clube de Roma .......................................................... 2
comparao ...................................... 34, 36, 39, 57, 65
complexidade................................................... 1, 3, 17
Computao ........................................................... 2, 9
Comunidades de Prtica .......................................... 18
concluso ........................................................... 28, 29
conjuno .................................................... 26, 29, 55
Conjunto Universo .................................................. 25
Conjuntos Difusos ................................................ 4, 20
Conjuntos Fuzzy ................................................... 4, 20
Conjuntos Nebulosos .... xxiii, 4, 19, 20, 22, 25, 27, 30
consequente ............................................ 10, 28, 29, 30
converso lingustico-numrica ............... 5, 30, 31, 61
converso numrico-lingustica ......................... 53, 75
Craik........................................................................... 8
Crowdfunding .......................................................... 18
Crowdlearnig............................................................ 18
Crowdsourcing ......................................................... 18
deciso ... xi, xv, 2, 3, 4, 5, 7, 9, 12, 36, 39, 41, 43, 47,
48, 49, 62, 63, 64, 65, 76, 85, 87, 88
Dinmica dos Sistemas .. xv, xxiii, 2, 5, 11, 13, 14, 15,
16, 37, 38, 41, 49
disjuno ............................................................ 26, 29
encadeamento para frente ............................... 5, 28, 55
externalizao .......................................................... 11
fenmeno ....... 5, 14, 28, 41, 43, 47, 62, 65, 72, 76, 82
Filosofia ..................................................... 7, 9, 17, 19
fluxo e estoque ......................................................... 15
Forrester ..................................................................... 2
Frege ........................................................................ 19
Funo trapezoidal ................................................... 24
Funo triangular ..................................................... 24
funes de pertinncia ..... 5, 22, 23, 25, 26, 28, 29, 30,
45, 53, 54, 55
gesto de conhecimento ............................................. 3
Gesto de Polticas Pblicas ..... xvi, 71, 72, 73, 74, 79
IEEE .................................................................... xxi, 2
impreciso .................................................................. 4
incerteza ................................................... 1, 2, 3, 4, 20
Inferncia ........................................................ xxiv, 28
inferncia de Mamdani............................................. 29
Inovao Aberta ....................................................... 18

113

Inteligncia Artificial .............................................. 20
inteligncia coletiva .............................. xxiii, 3, 17, 18
interface ................................................................... 63
Johnson-Laird ...................................................... 9, 10
Kelvin ........................................................................ 8
Kosko ...................................................... 1, 19, 42, 94
Lei da Contradio ............................................ 20, 22
lei da no contradio .............................................. 20
Lei do Meio Excludo ........................................ 20, 22
lei do terceiro excludo ............................................ 20
Leis de DeMorgan ................................................... 27
Leis Distributivas .................................................... 27
LVY ...................................................... 3, 18, 50, 94
linguagem natural ......................... xi, 4, 10, 19, 41, 87
Lingustica ..................................................... 9, 52, 53
Lgica . vii, xxiii, xxiv, 6, 9, 10, 19, 20, 31, 33, 41, 42,
44, 45, 87, 88
Macy Conferences ................................................... 14
Mapa Cognitivo Nebuloso (MCN). ......................... 42
Mapas Cognitivos .. xxiii, xxiv, 3, 8, 11, 12, 42, 44, 90
Mapas Cognitivos (MCs) .............................. 3, 11, 12
Mapas Estratgicos (MEs) ................................. 11, 12
Maxwell ..................................................................... 8
McCulloch ............................................................... 14
mtodo de Mamdani .................................................. 5
MIT .................................................................... xxi, 2
modelo causal .......................................................... 11
modelo matemtico ................................................. 40
modelos matemticos e computacionais .................... 4
Modus Ponens ................................................... 10, 28
multivalncia ............................................................. 4
Peirce ......................................................................... 8
Pensamento Ocidental ............................................. 19
Pesquisa Operacional .......................................... 9, 20
premissa ............................................................. 28, 29
problemas ............................................. 1, 2, 12, 13, 17
processo cognitivo ..................................................... 7
produto cartesiano .................................................... 27
Proporo da Distncia entre Ciclos (PDC) ....... 36, 37
Proporo da Distncia entre Elementos (PDE) 36, 37
Proporo da Distncia entre Modelos (PDM) .. 36, 37
Psicologia ................................................................... 9
raciocnio ................................................................. 10
realidade ... 1, 2, 3, 4, 7, 8, 9, 10, 43, 44, 48, 50, 87, 88
redes sociais ................................................. 18, 69, 71
Regras Nebulosas ............................... xxi, xxiv, 28, 44
representao do conhecimento ................................. 2
SECI .................................................................. xxi, 11
silogimos lgicos ..................................................... 10
smbolos ................................................................... 10
sistema de gerenciamento da base dos modelos
matemticos......................................................... 63
sistema de gerenciamento de base de dados ............. 63
Sistemas Baseados em Regras Nebulosas (SBRN) .. 28
Socializao ...................................................... xxi, 11
soluo ....................................................................... 7
Teoria Clssica ............................................. 20, 21, 25
Teoria Clssica dos Conjuntos ................................. 20
Teoria de Modelos Mentais ........................................ 9
Teoria do Controle ................................................... 14
Teoria dos Conjuntos Nebulosos ................. 20, 21, 23
Teoria Geral dos Sistemas ........................................ 14
termos lingusticos ......................................... 5, 28, 54
The New York Times ......................................... 70, 96
TICs .................................................................. xxi, 17
tomada de deciso ...................................... 1, 3, 11, 20
von Neumann ........................................................... 14
Wiener ...................................................................... 14
Zadeh ........................................... 4, 20, 21, 25, 27, 55

NunesPedroIvoGarcia M

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

NunesPedroIvoGarcia M

Загружено:

Авторское право:

Доступные форматы

i

PEDRO IVO GARCIA NUNES

) ligados por arestas que denotam as relaes de causalidade

do elemento em determinado instante de

(de maneira formal, ) resultaria um conjunto vazio. Quando se trata de

() indicam, respectivamente, que e , isto , que o elemento

() , onde qualquer valor

indica pertinncia plena, isto , na qual o contradomnio assume o valor

maior que zero, indicando alguma pertinncia ao subconjunto A do

(), para todo e qualquer do Universo do discurso, assume os valores mximos

. Assim, a relao nebulosa

definida pela Frmula 3.19.

() dada, formalmente, pela Frmula 3.20, que indica a

(onde n o nmero de regras). Assim o conjunto associado ao

() da operao da Frmula 3.21.

e por um consequente C, cuja funo de pertinncia

. O consequente C est associado a

indica a quantidade de elementos comuns a

denota a quantidade de elementos exclusivos ao modelo

ao modelo . O parmetro exprime a possibilidade de uma varivel se autoinfluenciar,

indica que dois modelos

. Isso permite que a anlise se estenda

Вам также может понравиться