Departamento de Informática Luis da Costa Lima Apoio à Tomada de Decisão em Grupo na Área da Saúde Tese submetida à Universidade de Trás‐os‐Montes e Alto Douro para obtenção do grau de Doutor em Informática, elaborada sob a orientação do Professor Doutor Paulo Jorge Freitas de Oliveira Novais e do Professor Doutor José Afonso Moreno Bulas Cruz 2009 Para a Fernanda,
Para o Miguel,
Para a Filipa
III IV Agradecimentos Quero em primeiro lugar agradecer aos meus orientadores, Professor Doutor Paulo Jorge de Oliveira Novais e Professor Doutor José Afonso Moreno Bulas Cruz. A ambos agradeço a orientação científica e constante incentivo, sem o qual não teria conseguido levar esta tarefa a bom porto, e em especial ao Professor Paulo Novais, amigo de longa data, por nunca deixar esmorecer o entusiasmo neste projecto. Um agradecimento muito especial ao amigo e colega Ricardo Costa, também membro do projecto VirtualECare e co‐autor de alguns dos meus trabalhos, pelas sugestões e contribuições. A toda a equipa do VirtualECare, principalmente o Davide Carneiro e o Ângelo Costa. A todos os colegas da ESTGF pelo seu continuado incentivo e interesse pelo andamento do trabalho. Finalmente, à Fernanda, ao Miguel e à Filipa, pelas ausências que não podem nunca ser recuperadas. V Resumo A decisão em grupo é um processo complexo, principalmente quando envolve problemas do mundo real multi‐critério, caracterizados por uma enorme subjectividade, e onde a informação necessária nunca está completa. Por outro lado, cada vez mais as decisões nas organizações são tomadas em grupo e o trabalho colaborativo, nomeadamente sob a forma de Organizações Virtuais suportadas por Redes Colaborativas, será a forma de obviar as limitações de tempo e espaço em vários sectores de actividade, nomeadamente na área dos cuidados de saúde. A Tese que pretendemos defender é que num contexto de tomada de decisão multi‐critério em grupo, a percepção, pelos agentes de decisão, da qualidade de informação melhora o processo de tomada de decisão. Neste contexto foram abordados os problemas associados à tomada de decisão em grupo e foi proposto um metamodelo para o processo de decisão adequado a interacções assíncronas entre os seus participantes, em localizações dispersas. Foi também proposta uma forma de representação do conhecimento para problemas do mundo real, caracterizados por diferentes tipos de informação imperfeita, adequada ao cálculo da medida da qualidade da informação e foi definido um método de cálculo para essa métrica. Pretende‐se assegurar o controlo e a avaliação da qualidade de toda a informação que flui numa Rede Colaborativa e em especial no componente de suporte à decisão em grupo. Foi ainda proposta uma representação gráfica num hiperespaço da qualidade de informação, representação essa que pode assumir diferentes perspectivas conforme o destinatário a quem se dirige. Foi também definida a estrutura lógica, física e funcional de um Sistema de Apoio à Decisão em Grupo, com aplicação no projecto VirtualECare. Com base nessa especificação foi desenvolvido um protótipo que permitiu a realização de várias experiências, as quais permitiram tirar algumas conclusões sobre o trabalho desenvolvido e apontar caminhos futuros. A aplicação a um exemplo prático simulado VII com um Guia Clínico de uma doença crónica permitiu testar e validar as propostas apresentadas. VIII Abstract Group decision is a complex problem, chiefly for real world multi‐attribute problems, where always exist a great deal of subjectivity, and the necessary information is never complete. On the other hand, more and more decisions in organizations are a group process. Collaborative work, namely in the so called Virtual Organizations supported by Collaborative Networks, will be the path to overcome the time and space limitations in many sectors, namely in healthcare organizations. The Hypotheses we indorse here states that in a context of multi‐attribute group decision making, the perception by the decision makers of the quality of information improves the decision making process. In this background we studied the problems related to group decision making and a metamodel was proposed for these processes, suitable for asynchronous interactions between far‐flung participants. A knowledge representation for real world problems, embodying different kinds of imperfect information, was also suggested. This representation is adequate for the evaluation of quality of information. A evaluation method was proposed using this kind of representation. We aim to assure the control and quality evaluation of all the information flowing in a Collaborative Network, and above all in the group decision support component. A graphical visualization matching the quality of information evaluation was another proposal, assuming different perspectives in accordance with the needs of the several participants. It was also defined the logical, physical and functional structure of a Group Decision Support System, applied to the VirtualECare project. Based on this specification a prototype was developed. The prototype has been used in several experiments, leading to some conclusions and to the provision of future work. IX The concepts were also validated in a test pilot with a Clinical Guideline for the treatment of a chronic disease. X Índice Índice ............................................................................................................................. XI Lista de Figuras ............................................................................................................. XV Lista de Tabelas ........................................................................................................... XVII Lista de Programas ....................................................................................................... XIX Lista de Exemplos ........................................................................................................ XXI Lista de Abreviaturas ................................................................................................. XXIII 1. Introdução .................................................................................................................. 1 1.1 Motivação ............................................................................................................ 2 1.1.1 Conhecimento na tomada de decisões ....................................................... 2 1.1.2 Decisão em grupo ........................................................................................ 4 1.1.3 eSaúde.......................................................................................................... 6 1.1.3 Inteligência Artificial .................................................................................... 9 1.2 Tema e Objectivos............................................................................................. 11 1.3 Metodologia de Investigação ............................................................................ 14 1.4 Estrutura da Tese .............................................................................................. 16 2. Representação do Conhecimento ........................................................................... 19 2.1 Introdução .......................................................................................................... 20 2.2 Conhecimento, representação e raciocínio ....................................................... 23 2.2.1 Conhecimento ............................................................................................. 23 2.2.2 Representação ............................................................................................ 25 2.2.3 Raciocínio .................................................................................................... 28 2.2.4 Gestão do conhecimento ............................................................................ 30 2.3 Sistemas Inteligentes Baseados em Conhecimento .......................................... 33 2.3.1 Metáfora Computacional ............................................................................ 35 2.3.2 Metáfora Conexionista ............................................................................... 37 2.3.3 Metáfora Biológica...................................................................................... 38 2.3.4 Sistemas Periciais ........................................................................................ 39 2.4 Informação Imperfeita ........................................................................................ 41 2.5 Representação quantitativa de informação imperfeita .................................... 48 2.5.1 Teoria das Probabilidades ........................................................................... 49 2.5.2 Factores de Certeza .................................................................................... 50 XI 2.5.3 Redes Bayesianas ........................................................................................ 52 2.5.4 Teoria de Dempster‐Shafer ........................................................................ 54 2.5.5 Conjuntos vagos .......................................................................................... 56 2.5.6 Lógica probabilística ................................................................................... 57 2.6 Programação em lógica ..................................................................................... 59 2.7 Extensão à Programação em Lógica .................................................................. 64 2.8 Reflexão Crítica .................................................................................................. 67 3 Tomada de Decisão Multi‐critério ........................................................................... 71 3.1 Introdução .......................................................................................................... 72 3.2 Modelo, metamodelo de processo e metodologia ........................................... 74 3.2.1 Modelo de Processo .................................................................................. 74 3.2.2 Metamodelo de processo .......................................................................... 76 3.2.3 Metodologia ............................................................................................... 79 3.3 Modelos do processo de decisão ...................................................................... 82 3.3.1 Modelo racional clássico vs. Modelo da racionalidade limitada ................ 82 3.3.2 Modelo Circumplexo de McGrath .............................................................. 89 3.4 Taxonomia de decisão multi‐critério ................................................................. 93 3.5 Métodos de apoio à decisão multi‐critério ..................................................... 100 3.5.1 Método Analítico Hierárquico ................................................................. 101 3.5.2 Técnica de Grupo Nominal ...................................................................... 105 3.5.3 Método Delphi ......................................................................................... 106 3.6 Reflexão Crítica ................................................................................................ 108 4 Sistemas de Apoio à Decisão em Grupo ................................................................ 113 4.1 Introdução ....................................................................................................... 114 4.2 Redes Colaborativas e Organizações Virtuais .................................................. 115 4.3 Origem dos Sistemas de Apoio à Decisão em Grupo ...................................... 121 4.4 Taxonomias dos Sistemas de Apoio à Decisão ................................................ 127 4.5 Exemplos de Sistemas de Apoio à Decisão em Grupo ..................................... 132 4.6 Sistemas de Apoio à Decisão na Saúde ........................................................... 133 4.7 Guias Clínicos ................................................................................................... 136 4.8 Reflexão Crítica ................................................................................................ 140 5 Metodologia de Avaliação da Qualidade da Informação ...................................... 143 5.1 Introdução ........................................................................................................ 144 XII 5.2 Qualidade da Informação ................................................................................ 145 5.3 Representação de Informação Imperfeita ....................................................... 152 5.4 Método de Avaliação ....................................................................................... 156 5.4.1 Dos Actores .............................................................................................. 160 5.4.2 Dos Fluxos de Informação ........................................................................ 166 5.4.3 Do Sistema ............................................................................................... 174 5.5 Reflexão Crítica ................................................................................................ 175 6 Modelo do Processo de Tomada de Decisão ......................................................... 177 6.1 Introdução ........................................................................................................ 178 6.2 Modelo de Processo Faseado .......................................................................... 179 6.3 Metamodelo de Processo ................................................................................ 185 6.4 Reflexão Crítica ................................................................................................ 193 7 Estudo de Caso ....................................................................................................... 195 7.1 Introdução ........................................................................................................ 196 7.2 O Projecto VirtualECare ................................................................................... 197 7.3 SADG do VirtualECare ...................................................................................... 200 7.4 Aplicação a Guias Clínicos ................................................................................ 207 7.5 Reflexão Crítica ................................................................................................ 223 8 Conclusões .............................................................................................................. 227 8.1 Síntese e Contribuições da tese ....................................................................... 228 8.2 Trabalhos Relevantes Realizados ..................................................................... 231 8.3 Sugestões para Trabalho Futuro ...................................................................... 234 Bibliografia .................................................................................................................. 237 Anexo .......................................................................................................................... 257 A. Research Overview ............................................................................................... 257 A.1 Introduction .................................................................................................... 257 A.2 Knowledge Representation ............................................................................ 258 A.3 Group Decision Support Systems ................................................................... 262 A.3.1 Idea Generation and Argumentation in the Group Decision Module ..... 267 A.3.2 Meeting phases ....................................................................................... 268 A.5 Quality of Information .................................................................................... 269 A.5 Process Model ................................................................................................ 273 A.6 Conclusion ...................................................................................................... 276 XIII XIV Lista de Figuras Figura 1.3 –Modelo de pesquisa na metodologia I‐A ................................................... 16 Figura 2.1 – Modelo Gestão do Conhecimento / Memória Organizacional / Aprendizagem Organizacional de Jennex ..................................................................... 31 Figura 2.2 – O ciclo da Gestão do Conhecimento nos sistemas de saúde (Dwivedi, Bali et al. 2002) .................................................................................................................... 32 Figura 3.1 – Metamodelo de processo de decisão (adaptado de Potts) ...................... 77 Figura 3.2 – Metamodelo Domino (adaptado de (Isern and Moreno 2008)) .............. 78 Figura 3.3 – As três dimensões críticas num trabalho em grupo ................................. 79 Figura 3.4 – Relação entre métodos, técnicas e ferramentas ...................................... 80 Figura 3.5 ‐ Modelo do processo de decisão ................................................................ 85 Figura 3.6 ‐ Modelo circumplexo de McGrath .............................................................. 90 Figura 3.7 – Taxonomia de métodos para a TDMA ...................................................... 98 Figura 3.8 – Decomposição hierárquica do problema ............................................... 102 Figura 3.9 – matriz com ponderações dos critérios de decisão ................................. 103 Figura 3.10 – pesos dos critérios de decisão .............................................................. 103 Figura 3.11 – Ponderação das alternativas, duas em duas, em relação ao critério estética. ....................................................................................................................... 104 Figura 3.12 – Decomposição hierárquica do problema, com pontuações ................. 104 Figura 3.13 – Pontuação final de cada alternativa ..................................................... 105 Figura 4.1 – Evolução dos Sistemas de Apoio à Decisão ............................................ 125 Figura 5.1 – Medida da qualidade da informação para um programa em lógica ...... 160 Figura 5.2 – Medida da qualidade de informação acerca do participante luis .......... 165 Figura 5.3 ‐ Medida da qualidade de informação acerca do participante ricardo ..... 165 Figura 5.4 ‐ Qualidade da informação dos parâmetros ambientais do quarto do utente
.................................................................................................................................... 169 Figura 5.5 – Qualidade da informação dos sinais vitais do utente ............................. 171 Figura 5.6 ‐ Qualidade da informação dos sinais vitais do utente ............................. 173 Figura 5.7 ‐ Qualidade do sistema .............................................................................. 174 Figura 6.1 – Modelo de processo faseado .................................................................. 181 Figura 6.2 ‐ Forum (Argumentação e Votação) .......................................................... 183 Figura 6.3 – Avaliação da qualidade de informação no processo de decisão ............ 186 Figura 6.4 – Predominância de trabalho (a) em paralelo ou (b) sequencial .............. 188 XV Figura 6.5 – Inclusão do factor tempo no metamodelo ............................................. 188 Figura 6.6 – Perspectiva iterativa do metamodelo .................................................... 189 Figura 7.1 ‐ VirtualECare ............................................................................................. 198 Figura 7.2 ‐ Arquitectura de alto nível do SADG do VirtualECare .............................. 200 Figura 7.3 – Vista Use Case do SADG do VirtualECare ............................................... 202 Figura 7.4 – Arquitectura física do SADG do VirtualECare ......................................... 204 Figura 7.5 – Diagrama de arquitectura UML do SADG ............................................... 205 Figura 7.6 – Exemplo de uma mensagem XML trocada entre WS ............................. 206 Figura 7.7 – GC de tratamento de exacerbações em DPOC ....................................... 209 Figura 7.8 – Estruturação do problema da escolha do local de tratamento segundo o método MAH .............................................................................................................. 211 Figura 7.9 – Ponderações entre os pares de critérios ................................................ 211 Figura 7.10 – Ponderação das alternativas de decisão para o critério c1, do Exemplo 7.1. .............................................................................................................................. 216 Figura 7.11 – Valores locais para as duas alternativas de local de tratamento, casa ou hospital, do Exemplo 7.1 ............................................................................................ 217 Figura 7.12 – QoI para o Programa 7.1 ....................................................................... 218 Figura 7.13 – Valores locais para as duas alternativas de local de tratamento, casa ou hospital (primeiro instante do Exemplo 7.2) .............................................................. 218 Figura 7.14 – QoI para o Programa 7.2 ....................................................................... 220 Figura 7.15 – Valores locais para as duas alternativas de local de tratamento, casa ou hospital (segundo instante do Exemplo 7.2) .............................................................. 221 Figura 7.16 – QoI para o Programa 7.3 ....................................................................... 223 Figure A.1. The System Architecture, VirtualECare. ................................................... 265 Figure A.2‐ Top‐level architecture of VirtualECare GDSS ........................................... 265 Figure A.3 – Use Case view of VirtualECare GDSS ...................................................... 267 Figure A.4. Forum (Argumentation and Voting) ......................................................... 268 Figure A.5. A measure of the quality of information for a logic program or theory P 271 Figure A.6. A measure of quality of information about participant luis .................... 272 Figure A.7 – Staged decision process model .............................................................. 273 Figure A.8 – In‐meeting stage: design and choice phases separated by quality evaluation ................................................................................................................... 274 Figure A.9 – In‐meeting stage with several iterations ................................................ 275 XVI Lista de Tabelas Tabela 4.1 – Contextos para tomada de decisão em grupo ....................................... 130 Tabela 4.2 – Exemplos de SADG ................................................................................. 133 Tabela 5.1 – Dimensões dos itens de conhecimento Rao e Osei‐Bryson (fragmento)
.................................................................................................................................... 150 Tabela 5.2 – Operadores temporais na avaliação da qualidade em Guias Clínicos ... 151 Tabela 7.1 – Factores a considerar na escolha do local para a intervenção terapêutica
.................................................................................................................................... 210 Tabela 7.2 – Peso de cada factor a considerar na escolha do local para a intervenção terapêutica .................................................................................................................. 212 Tabela 7.3 – Correspondência entre termos médicos e GC ....................................... 215 Tabela 7.4 – Qualidade da informação para o Programa 7.2 ..................................... 220 Tabela 7.5 – Qualidade da informação para o Programa 7.3 ..................................... 222 XVII Lista de Programas Programa 2.1 – Conhecimento sobre aves ................................................................... 63 Programa 2.2 ................................................................................................................ 66 Programa 5.1 – Extensão do predicado que representa a credibilidade de um participante ................................................................................................................. 154 Programa 5.2 – Credibilidade do participante ricardo, de valor desconhecido ......... 154 Programa 5.3 – Representação da credibilidade dos participantes carlos e paulo ... 155 Programa 5.4 – Extensão ao meta‐predicado demo .................................................. 156 Programa 5.5 – Programa lógico com três critérios de qualidade de um grupo com três elementos ............................................................................................................ 164 Programa 5.6 – Representação do conhecimento acerca do ambiente do utente ... 167 Programa 5.7 – Representação do conhecimento acerca dos sinais vitais do utente170 Programa 5.8 – Conhecimento actualizado acerca dos sinais vitais do utente ......... 172 Programa 7.1 – Programa lógico com dezasseis critérios de decisão de apoio a GC DPOC, com informação completa (fragmento), para o Exemplo 7.1 ......................... 216 Programa 7.2 – Programa lógico com dezasseis critérios de decisão de apoio a GC DPOC, com informação incompleta – primeiro instante do Exemplo 7.2 ................. 219 Programa 7.3 – Programa lógico com dezasseis critérios de decisão de apoio a GC DPOC, com informação incompleta – segundo instante do Exemplo 7.2 .................. 221 Program A.1. Extension of the predicate that describes the credibility of a participant
.................................................................................................................................... 260 Program A.2. Credibility about participant ricardo, with an unknown value ............ 261 Program A.3. Representation of the credibility of the participants carlos and paulo 262 Program A.4. Extension of meta‐predicate demo ...................................................... 262 Program A.5. Example of universe of discourse ......................................................... 272 Program A.6. Measuring the global quality ................................................................ 273 XIX Lista de Exemplos Exemplo 5.1 – Características dos participantes num grupo de decisão ................... 153 Exemplo 5.2 – Características dos participantes num grupo de decisão ................... 163 Exemplo 5.3 – Alguns parâmetros ambientais da casa do utente ............................. 167 Exemplo 5.4 – Alguns parâmetros clínicos do utente ................................................ 170 Exemplo 7.1 – Doente com DPOC acompanhada ...................................................... 213 Exemplo 7.2 – Doente com DPOC não acompanhada ............................................... 214 Example A.1 – Properties of group participants ......................................................... 260 XXI Lista de Abreviaturas AHP Analytical Hierarchy Process AO Aprendizagem Organizacional AS Arden Syntax CDI Crenças‐Desejos‐Intenções DPOC Doença Pulmonar Obstrutiva Crónica EHR Electronic Health Record FIPA Foundation for Intelligent Physical Agents FIPA‐ACL FIPA Agent Communication Language GC Guia Clínico GCS Glasgow Coma Scale GLIF Guideline Interchange Format HTTP Hypertext Transfer Protocol HTTP Hypertext Transfer Protocol Secure I‐A Investigação‐Acção IA Inteligência Artificial MAH Método Analítico Hierárquico MADM Método de Apoio à Decisão Multi‐critério MLM Medical Logic Modules MO Memória Organizacional NGC National Guideline Clearinghouse NGT Nominal Group Technique OLAP Online Analytical Processing OMS Organização Mundial de Saúde OV Organizações Virtuais PCE Processo Clínico Electrónico PMF Pressuposto do Mundo Fechado QoI Qualidade da Informação (Quality of Information) XXIII RC Rede Colaborativa RCO Redes Colaborativas de Organizações RM Raciocínio Monótono RNM Raciocínio Não Monótono SAD Sistema de Apoio à Decisão SADbGC Sistema de Apoio à Decisão baseado em Guias Clínicos SADS Sistemas de Apoio à Decisão na Saúde SADG Sistema de Apoio à Decisão em Grupo SI Sistema de Informação SMA Sistemas Multi‐Agente SOA Service‐Oriented Architecture SP Sistema Pericial TDMA Tomada de Decisão Multi‐atributo TDMC Tomada de Decisão Multi‐critério TDMO Tomada de Decisão Multi‐objectivo TDS Teoria de Dempster‐Shafer TGN Técnica de Grupo Nominal TIC Tecnologias da Informação e Comunicação WS Web Services XML Extensible Markup Language XXIV Capítulo 1. Introdução Capítulo 1. Introdução True knowledge exists in knowing that you know nothing. And in knowing that you know nothing, that makes you the smartest of all. Socrates 1.1 Motivação 1.1.1 Conhecimento na tomada de decisões Simon Haykin (2009) apresenta uma definição genérica para o termo “conhecimento”, que faz ressaltar a preocupação sobre qual a informação que deve ser tornada explícita e como deve ser fisicamente representada para potenciar o seu uso futuro: “Knowledge refers to stored information or models used by a person or machine to interpret, predict, and appropriately respond to the outside world.” [pág. 24] A omnipresença de incompletude na informação é uma realidade na maioria dos processos de tomada de decisão, os quais são, para além disso, realizados em presença de informação imprecisa e incerta. Muitos sistemas de informação pura e simplesmente ignoram esta característica da informação acerca do mundo real e baseiam‐se em modelos idealistas de onde está arredada qualquer incerteza (Parsons 1996). O mundo é infinitamente complexo e o nosso conhecimento do mundo é finito, portanto, sempre imperfeito. Qualquer Sistema de Informação (SI), principalmente os que incorporam conhecimento do senso comum, deverá ser capaz de representar e 2 Capítulo 1. Introdução manipular informação imperfeita. Os Sistemas de Apoio à Decisão em Grupo (SADG) enquadram‐se nessa categoria de sistemas e são objecto de estudo nesta tese. Em particular, o SADG do VirtualECare, projecto em que o autor participou (Lima, Costa et al. 2008) (Lima, Novais et al. 2009), é um exemplo desse tipo de sistemas. Sendo a informação sempre incompleta, pelo menos nos sistemas que nos interessam para esta tese, é impossível representar todo o universo do discurso. Por esse motivo, não é possível assumir o Pressuposto do Mundo Fechado (PMF), com implicações na escolha da forma de representação de conhecimento/informação e na escolha dos mecanismos de inferência, como se verá no Capítulo 2. Ao longo de um processo de tomada de decisões, principalmente no contexto que é referido nesta tese, é constantemente incorporada nova informação. Essa nova informação pode dar origem a conhecimento que torne necessário a alteração de decisões anteriores ou, pelo menos, que leve à alteração da ordem de preferências das alternativas em análise. Foi assim seleccionada uma abordagem, para o desenvolvimento do Sistema de Conhecimento de SADG, que permita mecanismos de raciocínio não monótono. O processo de tomada de decisão em grupo é caracterizado, entre outros aspectos, por um maior grau de criatividade, quando comparado com processos individuais. Muitos dos processos de decisão são também realizados através de interacções assíncronas. Temos assim um cenário em que muitas alternativas para uma dada decisão são geradas de forma pragmática, com base em juízos perceptivos dos elementos de um grupo. Isso levou‐nos à necessidade de incorporar mecanismos de raciocínio abdutivos, em que a validade da alternativa é feita posteriormente, procurando nexos de causalidade. O SADG do VirtualECare, usado como caso de estudo nesta tese, é caracterizado por suportar a representação de informação imperfeita (incerteza, incompletude, inexactidão e incoerência), não assumir o Pressuposto de Mundo Fechado e incorporar mecanismos de raciocínio não monótono e abdutivo. 3 Capítulo 1. Introdução No âmbito do desenvolvimento desta tese, foram estudadas diversas abordagens para o desenvolvimento de Sistemas de Conhecimento dos SADG, enquadradas em dois grandes grupos: abordagens quantitativas e abordagens qualitativas. Praticamente todas as do primeira grupo incorporam ou a Teoria da Probabilidades ou os conjuntos vagos (fuzzy sets). Um aspecto comum a essas abordagens é a dificuldade na definição dos valores que estão na base de cada um dos métodos, associada ainda a custos computacionais elevados. São também abordagens caracterizadas por uma maior dificuldade em enfrentar o problema da informação incompleta, mais ainda o da ignorância (ausência de informação). No segundo grupo apresentamos abordagens qualitativas baseadas em lógica e alterações à lógica clássica que permitam o raciocínio não monótono e a libertação do espartilho do PMF. De entre as duas vias tradicionais ‐ introdução de novos operadores ou introdução de novas regras de inferência – seguimos a segunda alternativa. Propomos, assim, uma representação simbólica de conhecimento, suportada por uma extensão à programação em lógica. 1.1.2 Decisão em grupo O resultado da interacção num grupo de trabalho depende de três elementos contextuais principais: o grupo, as tarefas e a tecnologia de suporte (Benbunan‐Fich 1997). A tecnologia engloba os meios de suporte à interacção, que terá de ser adequada aos diferentes modos em que esta pode ocorrer. A tecnologia necessária para suportar o trabalho em grupo depende dos padrões característicos das reuniões do grupo no espaço e no tempo. No espaço, a maior ou menor dispersão do grupo é o factor principal. As reuniões podem ocorrer com todos no mesmo local (numa sala de decisão), ou os participantes podem estar geograficamente afastados. Os padrões 4 Capítulo 1. Introdução temporais referem‐se à distinção clássica entre reuniões síncronas (os participantes reúnem ao mesmo tempo) ou assíncronas (interacção não simultânea). Estas categorias não são mutuamente exclusivas, podendo ocorrer situações mistas. Como se verá mais adiante, não há um padrão característico ideal para a forma de interacção em grupos, principalmente em tarefas de tomada de decisão (Benbunan‐Fich, Hiltz et al. 2003). Em muitas situações, a interacção assíncrona entre elementos geograficamente distantes conduz a excelentes resultados (Majchrzak, Malhotra et al. 2004). O contexto que motivou o trabalho desta tese é essencialmente caracterizado por uma dispersão geográfica dos participantes e por uma interacção assíncrona, podendo estas características ocorrer ao mesmo tempo. O grupo, como factor de contexto, representa os atributos próprios e as questões associadas ao processo de trabalho. Os atributos do grupo incluem o seu tamanho, a sua composição e homogeneidade, histórico comum, alinhamento de objectivos e a motivação dos participantes. Quanto ao processo, as principais variáveis incluem o anonimato, grau de estruturação ou hierarquização do grupo, liderança, conflitualidade e facilidade de intercomunicação. Numa perspectiva sistémica, podemos dizer que um grupo é um sistema complexo que funciona a um nível acima da mera agregação das competências e características individuais dos seus membros. Como também se verá adiante, não se pode afirmar de modo categórico, em absoluto, que o processo de decisão em grupo conduz a melhores resultados que uma decisão individual, sendo certo que num grupo as capacidades e competências individuais podem ser pouco homogéneas. No contexto do VirtualECare, propomos um modelo de processo de tomada de decisão em grupo, que inclui o apoio de um facilitador para coordenar o processo. Este modelo é baseado no Modelo da Racionalidade Limitada de Simon, modificado para decisão em grupo. 5 Capítulo 1. Introdução Quanto às tarefas, usamos a taxonomia do Modelo Circumplexo de McGrath para sistematizar e classificar os tipos de tarefas que podem ocorrer na interacção de um grupo. As quatro grandes categorias desta taxonomia, assim como os respectivos tipos de tarefas, estão relacionados entre si num espaço bidimensional em quadrantes mutuamente exclusivos, como melhor se apresenta em capítulo posterior, e são: gerar (ideias ou planos), escolher (a resposta correcta ou a solução preferida), negociar (perspectivas diferentes ou interesses opostos) e executar. Para o projecto VirtualECare (Costa, Carneiro et al. 2008), e projectos com as mesmas características, atendendo ao contexto de incerteza na tomada de decisões e aos atributos característicos dos participantes, propomos uma adaptação do modelo de McGrath. Essa adaptação passa pela inclusão de uma dimensão de incerteza e pela sobreposição dos quadrantes “gerar” e “escolher”. De facto, em situações complexas um grupo vai (re)gerando várias alternativas, analisa‐as e chega a uma decisão, por consenso ou não. Finalmente, devido ao contexto e à motivação para a realização desta tese, interessa‐nos apenas a área de aplicação da tomada de decisão multi‐atributo, com suporte para grupos com interacções síncronas ou assíncronas. É um contexto em que os objectivos, as restrições e as consequências das acções alternativas não são completamente conhecidas. O conhecimento sobre os atributos que estão em jogo no processo de tomada de decisão é imperfeito, tornando‐se essencial a existência de uma medida da qualidade da informação. 1.1.3 eSaúde O conceito de «saúde em linha» (eHealth) refere‐se às ferramentas baseadas nas Tecnologias da Informação e da Comunicação utilizadas no apoio e reforço da prevenção, diagnóstico e tratamento de doenças, assim como para controlar e gerir 6 Capítulo 1. Introdução questões relacionadas com a saúde e o estilo de vida. É um tópico abrangente que inclui a interacção e comunicação entre doentes e prestadores de cuidados de saúde, a transmissão de dados entre instituições, os registos electrónicos de saúde, os serviços de telemedicina, as redes de informação sobre saúde e os sistemas de comunicação para monitorizar e prestar assistência aos doentes. O termo eSaúde já vinha a ser adoptado pela União Europeia e a preocupação com este tópico foi reforçada com a Decisão da Comissão de 15 de Março de 2006 (2006/215/EC), que instituiu um grupo de peritos de alto nível para aconselhar a Comissão Europeia sobre a execução e o desenvolvimento da estratégia i2010 ‐ “Uma sociedade da informação europeia para o crescimento e o emprego". Dentro desse "Grupo de Alto Nível i2010" foi criado o subgrupo para a eSaúde, em Abril de 2006, com o objectivo de aconselhar a Comissão no desenvolvimento das actividades planeadas neste âmbito até ao final de 2010, nomeadamente no desenvolvimento de um espaço europeu de serviços de saúde e de informação que permita, ao mesmo tempo, a mobilidade dos doentes e a contenção de custos. A evolução da estrutura demográfica da maioria dos países da Europa aponta para uma cada vez menor percentagem de força de trabalho relacionada com Cuidados de Saúde Continuados e Apoio Social, comparativamente com o número crescente de idosos necessitados desses cuidados. Em Portugal a situação não é diferente da do resto da Europa, prevendo‐se um posicionamento preocupante de entre os países da EU a 25 para as próximas décadas (DESA 2001). Acresce a esta situação o factor negativo de as zonas onde incide uma maior percentagem de população idosa (interior rural) serem precisamente aquelas onde os serviços e recursos humanos assistenciais são mais escassos. Num recente relatório sobre o actual panorama dos cuidados continuados de saúde em Portugal conclui‐se: “O isolamento dos idosos e a ocorrência de factores como o crescimento de formas de organização familiar atípicas, a emancipação laboral da mulher (que tradicionalmente cumpriu a função de cuidadora informal 7 Capítulo 1. Introdução familiar) e a diminuição verificada nas redes formais ou informais de solidariedade, cria novas formas de dependência que obrigam a encontrar novos tipos de organização dos cuidados de saúde e sociais.” (Gesaworld 2005) Uma nova categoria de sistemas está a emergir, como resultado do esforço em encontrar uma resposta ao mesmo tempo eficaz e economicamente viável para o problema dos cuidados de saúde referidos anteriormente. Estes sistemas posicionam‐
se na intersecção da telemedicina, equipas virtuais de cuidados de saúde e Processos Clínicos Electrónicos (PCE) ‐ na terminologia anglo‐saxónica: Electronic Health Record1 ou EHR (Kristiina, Kaija et al. 2008). Projectos como CAALYX (Boulos, Rocha et al. 2007) e VirtualECare (Costa, Novais et al. 2009) são exemplos deste novo tipo de sistemas. Propõe‐se, no âmbito deste último projecto, encontrar uma solução para o modelo do processo de tomada de decisões, através da utilização de um SADG que incorpore informação incompleta e conhecimento imperfeito, mas mesmo assim capaz de gerar decisões baseadas na avaliação da qualidade do conhecimento disponível e na qualidade das suas fontes. O projecto VirtualECare incorpora um sistema inteligente multi‐agente que tem como objectivo monitorar e interagir com os seus utilizadores, principalmente idosos e os seus familiares. Sistemas deste tipo serão usados no futuro para interligar instituições de saúde, instalações vocacionadas para a manutenção física e ocupação dos tempos livres e mesmo o comércio em geral através de uma rede comum. A arquitectura do VirtualECare é distribuída, com cada um dos seus nodos a poder representar um papel diferente, como por exemplo uma central de atendimento, um sistema de apoio à decisão em grupo ou um dispositivo de monitorização, entre 1
De acordo com a ISO/DTR 20514:2005, EHR significa um repositório de informação sobre um doente
em formato digital, armazenado e comunicado de forma segura, acessível a múltiplos utilizadores
autorizados. 8 Capítulo 1. Introdução outros. O VirtualECare enquadra‐se no tipo de sistemas a que chamamos, em capítulo mais adiante, de Rede Colaborativa de Organizações. 1.1.3 Inteligência Artificial No Dicionário Houaiss da Língua Portuguesa (Houaiss and Villar 2003) a inteligência é definida como: “Inteligência: s.f. faculdade de conhecer, compreender e aprender (…)” [pág. 2114] O comportamento racional, próprio do ser humano, está directamente relacionado com a inteligência. Mas a inteligência pode manifestar‐se sob diversas formas e em vários graus, não só nos humanos mas também nos animais e em certos artefactos, ou seja naquilo que nesta tese designamos por um agente. Um agente é algo que interage com o ambiente, executando acções com um dado objectivo. Pode ser um insecto, um termóstato, um automóvel, uma pessoa, uma organização ou a sociedade. O agente inteligente será aquele que manifesta algum tipo de inteligência: percebe o ambiente em que actua, aquilo que faz é apropriado aos seus objectivos, adapta‐se ao ambiente, é capaz de fazer as escolhas certas em tempo oportuno e aprende com a experiência (Russell and Norvig 2009). Nesta tese adoptamos uma definição neutra do termo agente para nos referirmos a qualquer entidade que tem objectivos a cumprir e consegue aplicar o conhecimento que possuiu para atingir esses objectivos. Pode ser uma pessoa, um dispositivo dotado de inteligência artificial ou até uma entidade abstracta teórica. A inteligência tem sido estudada no âmbito de diversas áreas científicas, nomeadamente a Filosofia, a Biologia e a Psicologia, entre muitas outras. Mais recentemente tem vindo a ser estudada no âmbito das Ciências da Computação e da Engenharia sob a designação de Inteligência Artificial (IA), expressão atribuída a John 9 Capítulo 1. Introdução McCarty que a terá usado pela primeira vez num workshop no Dartmouth College em 1956. Outros autores preferem o termo Inteligência Computacional2 (Poole, Mackworth et al. 1998) para enfatizar a diferença entre o objectivo – compreender o comportamento inteligente – e a metodologia: conceber, construir e experimentar sistemas computacionais capazes de realizar tarefas ditas inteligentes. No mesmo dicionário Houaiss, inteligência artificial é definida como: “Ramo da informática que visa dotar os computadores da capacidade de simular certos aspectos da inteligência humana, tais como aprender com a experiência, inferir a partir de dados incompletos, tomar decisões em condições de incerteza e compreender a linguagem falada, entre outros.” [pág. 2114] Luger (2005) define IA como sendo “… o ramo das ciências da computação que se preocupa com a automatização do comportamento inteligente.”[pág.24]. Ainda segundo o mesmo autor, e numa perspectiva da engenharia, a IA pode ser definida como o “… estudo da representação do conhecimento e da procura de soluções (mecanismos de raciocínio) que permitam realizar actividades inteligentes num dispositivo mecânico”. [pág. 35]. A IA está intimamente ligada à Epistemologia, mas não se limita ao estudo do conhecimento humano e da inteligência, estendendo‐se à construção de artefactos que se comportem como seres inteligentes. Mais do que reproduzir mecanismos de raciocínio ou mimetizar capacidades cognitivas do ser humano, ainda nem sequer totalmente compreendidos, a IA tenta desenvolver sistemas computacionais que sejam capazes de resolver problemas para os quais é necessária inteligência. Muitas outras definições de IA poderiam ser apresentadas, convergindo estas para a presença de três conceitos. 2
Computational Intelligence 10 Capítulo 1. Introdução 
Representação do conhecimento, que será sempre uma aproximação imperfeita da realidade observada, incorporando alguns aspectos e ignorando outros; 
Raciocínio, enquanto capacidade de aplicar mecanismos de inferência, dedutivos, indutivos ou abdutivos para resolver problemas, num determinado espaço de procura de soluções; 
Aprendizagem, como faculdade de aumentar o conhecimento decorrente da assimilação de informação obtida em experiências passadas. Embora não se tenham concretizado as expectativas criadas pelo entusiasmo inicial dos anos sessenta do século passado, a IA tem vindo progressivamente a ocupar um papel relevante em praticamente todas as áreas de actividade, quer em áreas transversais onde seja necessário a representação do conhecimento e o raciocínio lógico, quer em aplicações específicas como a visão por computador ou o diagnóstico médico. 1.2 Tema e Objectivos O principal objectivo que norteou este trabalho tem por base a validação das condições em que os sistemas inteligentes podem apoiar a tomada de decisão em grupo, nomeadamente na percepção que os agentes decisores têm, ou necessitam de ter, sobre a qualidade da informação presente no processo de decisão. O projecto que motivou este trabalho – o VirtualECare – exemplifica os principais tipos de processos de decisão a que os resultados deste trabalho se aplicam: decisão multi‐participante e multi‐critério, com a intervenção assíncrona dos diferentes decisores. 11 Capítulo 1. Introdução É suportada nesta tese a hipótese de que, cada vez mais, as decisões nas organizações são tomadas em grupo e que o processo de decisão não pode estar condicionado pela realização de reuniões frente‐a‐frente. De facto, a realização de reuniões tradicionais frente‐a‐frente, no mesmo local e ao mesmo tempo, impõe limitações que condicionam o melhor resultado do processo e introduzem atrasos incomportáveis. A dificuldade de conjugação das agendas dos participantes e a impossibilidade de intervenção no processo de especialistas sediados em locais distantes são as limitações mais óbvias para a realização de reuniões frente‐a‐frente. Tendo então como pressuposto a característica assíncrona do processo de tomada de decisão, consideraram‐se genericamente as Redes Colaborativas como sendo capazes de suportar um processo desse tipo. Essa característica assíncrona introduz ainda a necessidade de considerar o factor tempo, nomeadamente na disponibilização de uma Memória Organizacional do Processo de Decisão. Para suportar este trabalho, foi efectuado um estudo sobre métodos e tecnologias de interesse para a investigação, começando pelo levantamento do estado da arte em diferentes áreas de interesse, nomeadamente em Redes Colaborativas, Sistemas de Apoio à Decisão em Grupo, Processos de Decisão Multi‐
critério, Representação do Conhecimento e Sistemas Inteligentes Baseados em Conhecimento. Passou‐se de seguida ao estudo de uma arquitectura própria para um Sistema de Apoio à Decisão em Grupo e de um modelo de processo de decisão em grupo. Sendo certo que em qualquer Sistema de Informação a garantia da qualidade da informação contida no sistema é um factor de importância inquestionável, a utilização de arquitecturas distribuídas aporta dificuldades acrescidas à sua avaliação, pelas múltiplas fontes de informação envolvidas neste tipo de (macro)sistemas e pela possível, e desejável, interligação entre sistemas heterogéneos. Acresce ainda o facto de que, dadas as reuniões serem virtuais, não existe interacção pessoal entre os participantes. O cenário mais provável é aquele em que 12 Capítulo 1. Introdução vários dos agentes de decisão não se conhecem pessoalmente, ou até não se conhecem de todo. Este contexto aponta para a necessidade de o sistema proporcionar aos participantes não só uma medida sobre a qualidade da informação fornecida, mas também sobre os participantes e sobre as trocas de informação entre os agentes de decisão. Em suma, a hipótese assumida nesta tese é que: Num contexto de tomada de decisão multi‐critério em grupo, a percepção, pelos agentes de decisão, da qualidade de informação melhora o processo de tomada de decisão. Nesse sentido, foi estabelecido um conjunto de objectivos mais específicos: 
Definição de um método de avaliação que permita obter uma medida da qualidade de informação usando apenas a informação contida no sistema, ou seja, que não exija a disponibilização de informação / conhecimento adicionais, externos ao sistema, para o cálculo das métricas; 
Incorporação de informação imperfeita no sistema, nomeadamente informação inexacta, incerta, incompleta e não coerente; 
Representação explícita da ignorância sobre o mundo real no sistema de apoio à decisão, para que a tomada de decisão possa ter em conta aquilo que se conhece, mas também o que se sabe que não é conhecido; 
Definição e apresentação da arquitectura de um Sistema de Apoio à Decisão em Grupo adequado a um ambiente assíncrono de decisão; 
Definição de um modelo de processo de tomada de decisão em grupo que inclua a avaliação da qualidade de informação. 13 Capítulo 1. Introdução Do ponto de vista científico, pretende‐se com este projecto contribuir para a compreensão da utilização de metodologias de tomada de decisão em grupo, de forma a melhorar a capacidade de desenvolvimento de sistemas como os referidos acima. A arquitectura proposta para este tipo de sistemas e o contexto em que são utilizados realça a importância da avaliação da qualidade da informação e a sua integração no próprio modelo de processo de tomada de decisão. 1.3 Metodologia de Investigação Os métodos de investigação mais usuais na área dos Sistemas de Apoio à Decisão em Grupo passam pelos estudos em laboratório, estudos de caso e estudos empíricos (Gray and Nunamaker 1993). Enquanto a maioria dos trabalhos de investigação publicada sobre SAD entre 1990 e 2004 corresponde a estudos empíricos (Arnott and Pervan 2005), a tendência actual é uma abordagem não empírica baseada nos conceitos da Design Science (Arnott and Pervan 2008) (Hevner, March et al. 2004). No processo de investigação deste trabalho de doutoramento foi seguida a metodologia de Investigação‐Acção (I‐A) (Lewin 1946). Esta metodologia permite estudar processos e fenómenos que não ocorreriam sem a intervenção do investigador, ou que ocorrem de forma diferente pela acção decorrente da própria investigação. A I‐A permite associar a teoria à prática e tem sido usada com sucesso em diversos domínios de investigação científica aplicada, nomeadamente na Educação, Psicologia e Saúde (Masters 1995). Na área dos Sistemas de Informação, a abordagem I‐A deu origem a diversos métodos específicos de desenvolvimento de Sistemas de 14 Capítulo 1. Introdução Informação (Baskerville 1999), dos quais destacamos o ETHICS (Mumford 1995) e o Multiview (Avison, Wood‐Harper et al. 1998). Um aspecto importante da I‐A é o de que decorre normalmente inserido num contexto real, transformando‐se muitas vezes os utilizadores do sistema em co‐
investigadores. Uma forma possível de concretização da I‐A é através da prototipagem (Baskerville 1999), o que nos permitirá ultrapassar alguns dos problemas associados a uma validação empírica de resultados. Ao contrário de outras metodologias em que existem duas fases perfeitamente distintas e sequenciais – primeiro a investigação e depois a aplicação dos seus resultados – a I‐A desenvolve‐se num processo em espiral, com ciclos sucessivos, na procura de uma solução para um problema em concreto, onde novos resultados surgem durante a própria aplicação. Em cada ciclo são identificados quatro quadrantes: diagnóstico, planeamento de acções, execução das acções e aprendizagem com a prática. Seguindo então o enquadramento dado pela metodologia I‐A, o trabalho de investigação do qual resultou esta tese seguiu um modelo proposto por Nunamaker e Chen (1990), esquematizado na Figura 1.3. 15 Capítulo 1. Introdução Figura 1.3 –Modelo de pesquisa na metodologia I‐A Foi assim construído um protótipo do sistema, primeiro para efectuar a validação em laboratório e, no futuro, para testar o sistema num ambiente mais próximo da realidade. Usando a metodologia I‐A, o protótipo foi utilizado para testar hipóteses e desenvolver novos conceitos. Por outro lado, observando a utilização do protótipo em laboratório, em condições controladas, foi possível refinar conceitos e melhorar o próprio protótipo. 1.4 Estrutura da Tese Nesta secção é apresentada a estrutura da tese, com um resumo de cada capítulo. A tese é composta por oito capítulos e um anexo, sendo o primeiro capítulo introdutório, nele se descrevendo as motivações que estiveram na origem deste trabalho, a hipótese e objectivos e a metodologia de investigação seguida. No final de cada capítulo é apresentada uma reflexão crítica, onde se tenta resumir o que foi apresentado e a relevância para a tese, nomeadamente para as opções tomadas e para o suporte às propostas efectuadas ao longo do trabalho. 16 Capítulo 1. Introdução O Capítulo 2, Representação do Conhecimento, além da definição de alguma terminologia e conceitos básicos sobre Sistemas Inteligentes, define o que consideramos ser Informação Imperfeita. Depois são analisadas técnicas quantitativas e qualitativas de representação de conhecimento, no sentido de ser seleccionada uma alternativa capaz de lidar com os aspectos da informação imperfeita. No Capítulo 3, Tomada de Decisão Multi‐critério, começa‐se por caracterizar o tipo de problemas multi‐critério e apresentar modelos de processo de decisão com interesse para a tomada de decisão em grupo, para esse tipo de problemas. Apresentam‐se depois técnicas de geração de ideias e métodos analíticos, como exemplos de suporte à decisão em grupo. O Capítulo 4, Sistemas de Apoio à Decisão em Grupo, contempla uma introdução às Redes Colaborativas e Organizações Virtuais e uma análise da evolução e características dos Sistemas de Apoio à Decisão em Grupo. É dada especial atenção aos Sistemas de Apoio à Decisão na Saúde. No Capítulo 5, Metodologia de Avaliação da Qualidade de Informação, propõe‐
se uma forma de representação de conhecimento baseada numa extensão à Programação em Lógica e desenvolve‐se, sobre essa representação, o método de cálculo da Qualidade da Informação. Propõe‐se ainda uma representação gráfica para essa métrica. No Capítulo 6, Modelo do Processo de Decisão, começa‐se por apresentar uma proposta concreta de processo decisório, faseada e iterativa, adequada à resolução de problemas multi‐critério em grupo, incluindo geração de ideias e argumentação. Passa‐se depois para um nível de abstracção superior, definindo um metamodelo de processo de decisão em grupo, incorporando a avaliação da Qualidade da Informação. O Capítulo 7, Estudo de Caso, contempla a apresentação da especificação do Sistema de Apoio à Decisão do VirtualECare e a aplicação dos novos conceitos 17 Capítulo 1. Introdução propostos até aqui num exemplo prático baseado num Guia Clínico de uma doença crónica. Finalmente, no Capítulo 8, são apresentadas as conclusões do trabalho realizado assim como as principais contribuições e trabalhos apresentados durante a realização desta tese. São ainda apresentadas algumas perspectivas de trabalho futuro, tomando como ponto de partida o trabalho realizado. No Anexo é apresentado um resumo alargado em inglês desta tese, para permitir uma maior visibilidade da mesma. Ao longo do texto são utilizados vários termos estrangeiros que não foram traduzidos para a língua portuguesa pelo facto de serem termos amplamente difundidos e utilizados na comunidade científica nacional ou ainda por não existir uma tradução consensualmente aceite. Nos casos em que foi decidida uma tradução de termos menos comuns, apresenta‐se simultaneamente o termo na língua original. Finalmente, o formato das referências bibliográficas segue as recomendações da Norma Portuguesa NP 405 (IPQ 1994). 18 Capítulo 2. Representação do Conhecimento Capítulo 2. Representação do Conhecimento As far as the laws of mathematics refer to reality, they are not certain; and as far as they are certain, they do not refer to reality. Albert Einstein 2.1 Introdução Neste capítulo abordamos essencialmente as questões relacionadas com a representação do conhecimento, particularmente a representação do conhecimento obtido a partir de informação imperfeita. Um aspecto importante acerca dos tipos de representação do conhecimento, tem a ver com o facto de que qualquer mecanismo de raciocínio, de um ponto de vista puramente mecanicista, é um processo computacional. Logo, as questões sobre eficiência computacional são fulcrais a qualquer tipo de representação. Diversas abordagens podem ser utilizadas, desde as puramente estruturais, que passam por incluir estruturas adicionais na representação, que aumentem a eficiência computacional, até às que privilegiam os aspectos heurísticos do raciocínio, em detrimento dos aspectos epistemológicos. No contexto da Inteligência Artificial, quando o conhecimento sobre um domínio é representado com um formalismo declarativo, o conjunto de objectos que pode ser representado designa‐se por universo do discurso. Este conjunto de objectos, juntamente com os relacionamentos que é possível descrever entre eles, são representados através de um vocabulário com o qual um programa representa o conhecimento num domínio específico. A este vocabulário é associado um conjunto de definições, que associam o nome das entidades no universo do discurso com o significado desses nomes, e axiomas que restringem a interpretação dos termos e garante a coerência do seu uso. 20 Capítulo 2. Representação do Conhecimento Vários formalismos de representação do conhecimento têm sido propostos. De entre estes, os que estão mais vocacionados para o desenvolvimento de Sistemas Baseados em Conhecimento (Luger 2005) são os indicados a seguir: 
Tripletos (Objecto, Atributo, Valor) e Listas de Propriedades; 
Relações de Classificação e Pertença (IS‐A e IS‐PART); 
Redes Semânticas; 
Enquadramentos (Frames); 
Guiões (Scripts); 
Regras; 
Lógica. Ao nível dos formalismos de representação do conhecimento mais comuns, como a lógica, frames e regras, há compromissos ontológicos inevitáveis. A lógica, como ferramenta computacional, permite a formalização de modelos associados aos processos de representação do conhecimento e implica um compromisso, à partida, em visualizar o mundo através de entidades individuais e relacionamentos entre elas. Os sistemas baseados em regras representam o mundo em termos de triplos (atributo, objecto, valor) e de regras de inferência plausíveis que os interliguem. Já os sistemas baseados em frames (Minsky 1974; Nebel 2001) usam o conceito de frame, ou classe, para representar colecções de instâncias: os conceitos da ontologia (Stevens, Goble et al. 2001). Uma frame é uma colecção de atributos (slots) e respectivos valores associados que descreve uma entidade do mundo real. Os sistemas baseados em frames permitem implementar mecanismos de raciocínio eficazes. À luz da teoria dos conjuntos, o conceito de frame é facilmente entendido: cada frame representa uma classe (conjunto) ou uma instância (um elemento de uma classe). O valor de um atributo pode também ser outra frame. As frames permitem representar taxonomias, incorporando o conceito de hierarquia de classes e herança 21 Capítulo 2. Representação do Conhecimento de atributos. Os sistemas baseados em frames são usados para a representação do conhecimento, especialmente em aplicações de processamento de linguagem natural. As frames também podem ser entendidas como extensões às redes semânticas (Sowa 1992). A ideia por detrás das redes semânticas é a de que o significado de um conceito deriva do seu relacionamento com outros conceitos, sendo a informação representada através de adjacências que interligam vértices. Os vértices representam objectos ou conceitos e as adjacências representam os relacionamentos entre esses objectos. As adjacências são dirigidas, sendo portanto a rede um grafo dirigido. As redes semânticas foram inicialmente usadas na Filosofia, Psicologia e na Linguística, sendo as primeiras implementações em computador usadas em aplicações de inteligência artificial e na tradução automática. Finalmente, as representações do conhecimento são também um meio de comunicação. É através da representação que exprimimos e comunicamos à máquina (e eventualmente a outras pessoas) o conhecimento sobre o mundo real. É um aspecto eventualmente menos estudado mas cuja importância não pode ser menorizada: se a representação não tiver poder expressivo, não for suficientemente geral, não permitir uma comunicação ao mesmo tempo exacta e fácil, poderá pôr em causa todo o sistema. O aspecto principal, no que respeita à representação enquanto meio de comunicação, é a sua facilidade de utilização. Este capítulo está organizado da seguinte forma: começa‐se por apresentar os conceitos de conhecimento, representação e raciocínio, realçando‐se a possível influência que o tipo de representação escolhida pode ter nos mecanismos de raciocínio, assim como as actividades relacionadas com a gestão do conhecimento e o seu impacto numa organização. De seguida são sumariamente caracterizados os sistemas inteligentes baseados em conhecimento, identificando as diversas abordagens seguidas para a construção de uma máquina inteligente. Os principais paradigmas da Inteligência Artificial são ilustrados através das metáforas subjacentes 22 Capítulo 2. Representação do Conhecimento a essas abordagens: metáfora computacional, metáfora conexionista e metáfora biológica. A seguir são identificadas as principais técnicas de representação quantitativa para o raciocínio com informação imperfeita que têm vindo a ser usadas nos sistemas baseados em conhecimento. Finalmente, depois de apresentados os conceitos da operacionalização da lógica clássica através da Programação em Lógica, é apresentada uma abordagem qualitativa, simbólica, capaz de lidar com os aspectos da informação imperfeita, através da extensão dessa Programação. 2.2 Conhecimento, representação e raciocínio É importante desde logo esclarecer o que se entende por conhecimento, nomeadamente fazendo a distinção entre dados, informação e conhecimento. A fronteira entre estes conceitos, principalmente entre os dois últimos, não está totalmente definida, principalmente nas Ciências da Computação, em geral, e em particular na Inteligência Artificial. 2.2.1 Conhecimento No Dicionário Houaiss da Língua Portuguesa (Houaiss and Villar 2003) conhecimento é definido como: “Conhecimento: s. m. o acto ou a actividade de conhecer, realizado por meio da razão e/ou da experiência; acto ou efeito de apreender intelectualmente, de perceber um facto ou uma verdade 23 Capítulo 2. Representação do Conhecimento A dualidade entre conhecimento e informação é reconhecida por muitos investigadores na área da IA. Shaheen Fatima e os seus colegas (2005) definem informação como sendo o “… conhecimento acerca de todos os factores que afectam a capacidade de um indivíduo em tomar decisões numa dada situação”. Por sua vez Nikola Kasabov (1998) define conhecimento como “… informação estruturada de alto nível.” e informação “… em sentido lato, inclui quer dados estruturados quer conhecimento.” [pág. 75]. No entanto, podemos dizer que existe uma hierarquia entre dados, informação e conhecimento. A informação é baseada em dados e é necessária para formar o conhecimento. A informação deve ter significado para um sujeito e a distinção fundamental entre dados e informação está no seu significado e utilidade (Teodorescu 2003). Os dados podem ser total ou parcialmente inúteis e não têm um significado associado nem uma relação directa com um sujeito, ou seja, não têm um significado até serem apreendidos e processados por um sujeito. Por outro lado a informação tem sempre dados associados, resulta geralmente da comunicação entre sujeitos (Teodorescu 2003), pressupõe a existência de um sujeito receptor que a interpreta, fazendo aumentar o seu conhecimento, e tem utilidade para um objectivo específico. Esta distinção entre dados e informação é consistente com as definições em (Turban, Rainer et al. 2001): Dados são factos ou descrições elementares de coisas, eventos, actividades e operações que são registadas, armazenadas e classificadas mas que não são organizadas tendo em vista algum fim específico. Informação é uma colecção de dados organizada de alguma forma, com um dado fim em vista e com significado para alguém. A informação é obtida através do processamento de dados. Conhecimento consiste em informação que foi processada e organizada de forma a transmitir a compreensão, a experiência, o saber ou a perícia sobre 24 Capítulo 2. Representação do Conhecimento um dado processo de negócio ou para a resolução de um problema específico. As definições anteriores têm já subjacente um contexto orientado para a representação do conhecimento sob uma forma adequada para o seu eventual tratamento mecanizado. O que é então o conhecimento? É uma pergunta que nos poderia fazer recuar até ao debate iniciado por Platão e entrar numa discussão filosófica que extravasa o âmbito deste trabalho. Será importante, no entanto, dizer que o conhecimento está intimamente ligado às afirmações que um agente inteligente é capaz de produzir, com base na sua percepção do mundo real, e que correspondem a proposições que podemos classificar como verdadeiras ou falsas num dado contexto. Admitindo que cada agente inteligente tem uma percepção diferente do mundo, o conhecimento está também ligado ao conceito de crença. Ou seja, as afirmações produzidas por um agente inteligente resultam daquilo que ele acredita que é verdade, quer, de facto, o seja ou não. 2.2.2 Representação Embora muitos sistemas de Inteligência Artificial usem representações ad‐hoc, concebidas para uma aplicação específica, a maioria dos estudos sobre representação do conhecimento deriva da percepção da necessidade de uma representação unificada (Debenham 2001), capaz de representar dados, informação e conhecimento com um único formalismo. A noção de representação do conhecimento pode ser explicada segundo diferentes perspectivas, ou papéis (Davis, Shrobe et al. 1993). 25 Capítulo 2. Representação do Conhecimento A primeira é que a representação do conhecimento é uma substituição dos objectos reais, permitindo que uma entidade use essas substituições num processo interno – raciocínio – para determinar consequências sem interagir com os objectos externos. As operações sobre as representações permitem evitar as interacções directas com o mundo real. Esta perspectiva de que a representação do conhecimento é um substituto que permite raciocinar sobre o mundo real levanta algumas questões. Uma dessas questões é a sua identidade, no sentido da correspondência com o objecto representado e que é dada pela semântica da representação. Outra questão é a exactidão com que a substituição representa o original, sendo certo que a única representação exacta de um objecto é o próprio objecto, a não ser que seja um objecto formal, como por exemplo as entidades matemáticas. Por outro lado, as representações, enquanto substituições, são adequadas para raciocinar sobre objectos tangíveis ou intangíveis, nomeadamente noções abstractas como processos, crenças, relações de causalidade, taxonomias, entre muitas outras. Admitindo que qualquer processo de raciocínio envolverá sempre objectos naturais (do mundo real) e objectos formais, as substituições imperfeitas serão inevitáveis. Uma consequência desta inevitabilidade é a de que, num processo de raciocínio suficientemente alargado sobre o mundo real, poderá eventualmente chegar‐se a conclusões erradas, independentemente do processo de raciocínio usado e da representação utilizada. Se o modelo do mundo real usado é imperfeito, e sê‐lo‐á sempre, então algumas conclusões serão incorrectas, independentemente do rigor do processo de raciocínio (Way 1991). A minimização da dimensão e da importância do erro dependerá de uma boa escolha da representação do conhecimento assim como dos mecanismos de raciocínio que lhe irão ser aplicados. Tomando como certo que todas as representações são aproximações imperfeitas da realidade, cada uma incorporando determinados aspectos e ignorando outros, então, ao seleccionar uma dada representação, estamos a tomar um conjunto 26 Capítulo 2. Representação do Conhecimento de decisões sobre o que queremos ver do mundo real e como o queremos ver. Ou seja, estamos a assumir um conjunto de compromissos ontológicos (Davis, Shrobe et al. 1993) (Gruber 1995). Note‐se ainda que uma dada instanciação da representação do mundo real resulta, de facto, do que está na mente do observador dessa mesma realidade. Um observador não consegue abarcar toda a realidade existente, ou seja, terá sempre uma visão parcial da realidade percebida. Esta visão parcial tem, no entanto, o efeito útil de permitir focar a atenção nos aspectos considerados relevantes, através da escolha judiciosa do conjunto de compromissos ontológicos. Um corpo de conhecimento formalmente representado assenta numa dada conceptualização, ou seja, os objectos, os conceitos e outras entidades que se assume existirem numa certa área de interesse, assim como os relacionamentos entre eles. Essa conceptualização é uma perspectiva abstracta e simplificada da realidade que se pretende representar para um dado objectivo. Qualquer sistema baseado em conhecimento está associado a alguma conceptualização, explícita ou implícita. Ontologia é uma especificação explícita de uma conceptualização (Gruber 1993). No contexto das ciências da informação e dos computadores, uma ontologia define um conjunto de primitivas descritivas com as quais se pode modelar um domínio do conhecimento ou do discurso (Gruber 2008). As primitivas descritivas são vulgarmente classes (ou conjuntos), atributos (ou propriedades) e relacionamentos (ou relações entre membros de classes). As definições das primitivas incluem a informação acerca do seu significado e restrições à sua aplicação de uma forma lógica. Um formalismo de representação do conhecimento deverá ter uma sintaxe definida precisamente, uma semântica útil e um procedimento de inferência computacionalmente exequível (Hayes 2001). Convém ainda fazer uma distinção entre representações e estruturas de dados. Uma rede semântica, por exemplo, é uma representação, enquanto um grafo é uma estrutura de dados. São tipos diferentes de entidades, embora uma seja usada para 27 Capítulo 2. Representação do Conhecimento implementar a outra. Cada tipo de representação será implementado em computador por uma dada estrutura de dados, mas a característica representativa está na correspondência significativa com algo do mundo real e nas restrições que essa correspondência impõe. O tipo de representação em que estamos mais interessados assume a forma simbólica, ou seja um caracter ou caracteres de um alfabeto pré‐determinado. Usando uma sintaxe convencionada, um agente inteligente pode exprimir as suas crenças sobre o mundo real, construindo afirmações à custa de grupos de símbolos. 2.2.3 Raciocínio Uma representação assume também o papel de teoria incompleta de raciocínio inteligente. Este papel surge porque a génese de um tipo de representação do conhecimento é frequentemente motivada pela percepção sobre como um agente inteligente (pessoa) raciocina ou até sobre aquilo que se acredita ser, de todo, o raciocínio inteligente. A teoria é incompleta porque apenas incorpora parte da percepção ou crença que a motivou e porque essa percepção é também, por sua vez, apenas uma parte do complexo e multifacetado fenómeno do raciocínio inteligente. Davis (1993) coloca três questões sob esta perspectiva: 
O que é o raciocínio inteligente? 
Quais as inferências permitidas, ou seja, o que podemos inferir a partir do que já conhecemos? 
Quais as inferências recomendadas, ou seja, o que devemos inferir a partir do que já conhecemos? A segunda questão tem uma resposta implícita nos compromissos ontológicos de que se falou antes, mas o conjunto de conclusões permitidas, a que se pode 28 Capítulo 2. Representação do Conhecimento chegar num sistema complexo, é invariavelmente demasiado grande. Daí a pertinência da terceira questão, para evitar que um sistema de raciocínio automatizado seja submerso pelo conjunto de respostas possíveis. Para além da determinação de quais as inferências válidas, são necessárias indicações de quais são as apropriadas ou seja, inteligentes. Isto significa que ao especificar uma representação é também necessário especificar os mecanismos de raciocínio, ditos inteligentes. A representação e os mecanismos de raciocínio estão intimamente interligados. Por isso se afirma que uma representação do conhecimento é uma teoria (incompleta) de raciocínio inteligente. Para tentar responder à primeira questão, sobre a natureza do raciocínio inteligente, Davis lança mão do trabalho realizado noutras áreas científicas – lógica matemática, psicologia, biologia, estatística e economia. Da lógica matemática deriva a perspectiva de que o raciocínio inteligente é uma variante do cálculo formal, tipicamente o cálculo dedutivo. Noutra perspectiva, alicerçada nos trabalhos em psicologia, o raciocínio é visto como uma característica do comportamento humano e deu origem a estudos extensos sobre mecanismos (humanos) de resolução de problemas e a um número considerável de sistemas baseados em conhecimento. Outra abordagem, sustentada de maneira informal na biologia, admite que o essencial para o raciocínio é a arquitectura dos mecanismos que o suportam, ou seja, o raciocínio é um comportamento característico de estímulo/resposta, que resulta da interligação de um conjunto muito grande de processadores simples. A teoria das probabilidades, acrescentando à lógica a noção de incerteza, faz surgir uma quarta abordagem em que raciocinar de forma inteligente significa obedecer aos axiomas da teoria das probabilidades. Uma quinta perspectiva, derivada da economia, acrescenta valores e preferências, conduzindo a uma visão do raciocínio inteligente como sendo aquele que adopta, nomeadamente, os princípios do utilitarismo (Keeney and Raiffa 1993). 29 Capítulo 2. Representação do Conhecimento 2.2.4 Gestão do conhecimento Cada vez mais as organizações consideram o conhecimento um recurso essencial, indispensável para suportar e melhorar o seu desempenho e, em alguns casos, o único capaz de lhes proporcionar uma vantagem competitiva, portanto a necessitar de uma gestão cuidadosa. Consultando a literatura, encontramos múltiplas definições de Gestão do Conhecimento3 (Stein and Zwass 1995) (Gupta, Iyer et al. 2000) (Alavi and Leidner 2001) (Jennex and Olfman 2004) (Maier 2004). O denominador comum de todas estas definições é o reconhecimento de um processo contínuo de criação, armazenamento, recuperação, transferência e aplicação de informação e do conhecimento especializado. É importante referir que nenhuma das definições é puramente tecnológica. Todas incluem o suporte de um SI, mas também implicam considerações organizacionais com impacto na produtividade e desempenho organizacional. Jennex (2005) subdivide as actividades referenciadas acima sob três conceitos interligados entre si: a Gestão do Conhecimento (GC), a Memória Organizacional4 (MO) e a Aprendizagem Organizacional5 (AO), como se pode ver na Figura 2.1, adaptada de (Jennex 2005). Considera ainda que a GC e a MO são manifestações do mesmo processo em diferentes organizações. As pessoas fazem a gestão do conhecimento, pois identificam peças essenciais de conhecimento e estabelecem processos para o capturar, enquanto a memória organizacional é providenciada pela organização, através da infra‐estrutura tecnológica (TIC) e do suporte institucional ao armazenamento, pesquisa e recuperação das peças de conhecimento. 3
Do inglês Knowledge Management (KM) Do inglês Organizational Memory (OM) 5
Do inglês Organization Learning (OL) 4
30 Capítulo 2. Representação do Conhecimento Figura 2.1 – Modelo Gestão do Conhecimento / Memória Organizacional / Aprendizagem Organizacional de Jennex A Gestão do Conhecimento pode ser usada nas organizações com diferentes objectivos (Jennex 2005), nomeadamente: 
Para ajudar os novos empregados a absorverem rapidamente a cultura organizacional; 
Para reter na memória organizacional o conhecimento de empregados em empresas com grande rotação de recursos humanos; 
No suporte em tarefas específicas de tomada de decisão; 
No suporte a projectos e à sua gestão, através do incremento dos fluxos de comunicação e partilha de conhecimento entre o grupo de projecto; Power (Power 2002) põe a ênfase na distribuição, acesso e recuperação de informação não estruturada acerca de “experiências pessoais” entre indivíduos interdependentes ou entre membros de um grupo de trabalho. A Gestão do 31 Capítulo 2. Representação do Conhecimento Conhecimento inclui assim os passos de identificação de um grupo de pessoas que precisam de partilhar conhecimento, o desenvolvimento do suporte tecnológico que permita essa partilha e o estabelecimento de um procedimento para a transferência e disseminação do mesmo conhecimento. Um Sistema de Gestão do Conhecimento deverá então ser capaz de armazenar e gerir informação não estruturada em diferentes formatos electrónicos. O software deverá apoiar a captura de conhecimento, a sua classificação, disponibilização, pesquisa, descoberta e comunicação. A Gestão do Conhecimento é também uma componente importante de um Sistema de Apoio à Decisão. Figura 2.2 – O ciclo da Gestão do Conhecimento nos sistemas de saúde (Dwivedi, Bali et al. 2002) A Figura 2.2, proposta por Dwivedi e seus colegas (2002) para ilustrar a fusão entre a Gestão do Conhecimento e as Tecnologias da Informação nos sistemas de saúde para o século XXI, ilustra o que já foi dito acima sobre as actividades incluídas no processo de GC e relaciona‐as com outros paradigmas das tecnologias da informação, como Computer‐Supported Cooperative Work (CSCW), Workflow, Agentes Inteligentes e Data Mining. 32 Capítulo 2. Representação do Conhecimento 2.3 Sistemas Inteligentes Baseados em Conhecimento O modo de construção de uma máquina dita inteligente, mesmo para aqueles que admitem a possibilidade da sua existência, não é consensual. Enquanto uns admitem que é possível a construção de máquinas que são inteligentes ‐ Inteligência Artificial Forte6 ‐ outros apenas consideram possível a construção de máquinas que imitam o Homem na sua acção inteligente ‐ Inteligência Artificial Fraca7. (Longo 1990) (Crockett 1994) (Penrose and Gardner 1999) (Kurzweil 2005) (Alesso, Smith et al. 2007) A discussão sobre o que é o pensamento inteligente sai fora do âmbito deste trabalho e também nele não se pretende contribuir para a discussão sobre as teses da Inteligência Artificial Forte ou Fraca. Em qualquer dos casos, para que a máquina seja capaz de um comportamento dito inteligente num determinado ambiente deverá estar munida de conhecimento suficiente sobre esse ambiente. O que nos conduz à questão da representação do conhecimento. Neste texto preferimos usar o termo sistema em vez de máquina. Um sistema pode ser definido como um conjunto de componentes interdependentes, que existe com um objectivo específico, possui estabilidade e pode ser visto como formando um todo (Beynon‐Davies 2002). Este conceito de sistema pode ser aplicado quer às actividades humanas quer às actividades técnicas. A satisfação de um conjunto de objectivos por um agente8 do sistema obriga a que este esteja permanentemente a 6
Inteligência Artificial Forte designa a ideia de que um computador programado de forma apropriada, com as entradas e saídas adequadas e que satisfaça o teste de Turing, teria necessariamente a capacidade de pensamento inteligente autónomo. 7
Nesta perspectiva, o computador programado é um dispositivo útil para estudar e simular processos cognitivos, mas não garante a existência de estados mentais no computador. 8
O termo agente é usado metaforicamente em várias áreas do conhecimento, nomeadamente na Psicologia, na Economia e na Sociologia, normalmente para designar uma entidade racional, ou seja, uma pessoa. Nas Ciências da Computação, o termo começou a ser usado inicialmente pela comunidade da Inteligência Artificial. Veja‐se, por exemplo o modelo de objectos interactivos em 33 Capítulo 2. Representação do Conhecimento tentar compreender e actuar sobre o mundo (Costa and Simões 2008). Tem de construir uma imagem ou representação – modelo conceptual ‐ do mundo, através de um mecanismo de representação do conhecimento. Por outro lado o sistema interage com o ambiente, com base na representação que possui, através de um mecanismo de raciocínio. Estas duas componentes definem um sistema. A representação do conhecimento tornou‐se, assim, num dos principais temas de estudo na Inteligência Artificial (Masuch and Pólos 1994) (Gelfond and Leone 2002) (Brachman and Levesque 2004) (Luger 2005). Podemos resumir assim os aspectos essenciais envolvidos na engenharia do conhecimento, necessários para a construção dos sistemas inteligentes baseados em conhecimento (Kasabov 1998): 
Representação do conhecimento – transformar o conhecimento existente sobre o domínio do problema num formato computacional, capaz de ser manipulado por um mecanismo de raciocínio; 
Inferência – mecanismo de raciocínio capaz de obter novos factos (conclusões) a partir do conhecimento existente representado no sistema; 
Aprendizagem – é uma característica essencial dos sistemas inteligentes e significa a obtenção de novo conhecimento, melhorando continuamente a resposta do sistema; 
Generalização – passagem de uma descrição particular de um objecto para uma descrição geral de um conceito, que permite uma reacção adequada quando o sistema é confrontado com uma situação nova, conseguindo mapeá‐la para a melhor solução possível dentro do conhecimento representado no sistema; Hewitt, C., P. Bisshop and R. Steiger (1973). A universal Modular ACTOR Formalism for Artificial Intelligence in Proc. of the 3rd IJCAI, Stanford California.. 34 Capítulo 2. Representação do Conhecimento 
Interacção – comunicação entre o sistema e o ambiente, os utilizadores e eventualmente entre sistemas ou módulos do mesmo sistema; 
Explicação – é uma característica desejável para os sistemas inteligentes, que permite rastrear, de forma contextualizada, o modo como foi obtida a solução, de forma compreensível para o utilizador; 
Validação – comparar as soluções obtidas pelo sistema com soluções obtidas por peritos ou por outros sistemas; 
Adaptação – processo de alteração do próprio sistema, principalmente através da interacção e aprendizagem, durante a sua operação num ambiente dinâmico. Diversas abordagens têm sido seguidas na identificação e na representação computacional dos mecanismos cognitivos necessários à construção de uma máquina inteligente. Para ilustrar os principais paradigmas de Inteligência Artificial socorremo‐
nos das metáforas subjacentes a essas abordagens: metáfora computacional, metáfora conexionista e metáfora biológica. Seja qual for o paradigma de Inteligência Artificial seguido na construção de uma máquina inteligente, a questão da representação do conhecimento é uma questão central fundamental. 2.3.1 Metáfora Computacional Na metáfora computacional, ou simbólica, que deriva da Teoria Computacional da Mente (Overton and Palermo 1994) (Goldberg and Pessin 1997) (Scheutz 2002) (Kuczynski 2007), por sua vez resultante dos trabalhos iniciais de Allen Newel e Herbert Simon sobre Sistemas Físicos de Símbolos (Newel and Simon 1976) (Simon 35 Capítulo 2. Representação do Conhecimento 1996) e da tese do pensamento como sendo a manipulação formal de símbolos de Jerry Fodor (1981), o cérebro é considerado equivalente a um computador digital: um dispositivo com um conjunto de estados discretos possíveis, capaz de armazenar representações simbólicas e de as manipular de acordo com regras sintácticas. Por sua vez, a mente humana é considerada equivalente a um programa. Nesta metáfora, os pensamentos são representações simbólicas mentais numa dada linguagem e os processos mentais são sequências causais derivadas das propriedades sintácticas dos símbolos e não das suas propriedades semânticas. As implementações são conseguidas através de programas que manipulam representações, considerando‐se que existe uma correspondência directa entre os objectos do mundo e a sua representação simbólica. Enquadradas no paradigma computacional, foram surgindo ao longo do tempo diversas propostas de formalismos de representação do conhecimento e raciocínio, que deram origem a implementações de sistemas com características diferentes: os sistemas declarativos, os sistemas procedimentais e os sistemas híbridos. Os Sistemas Declarativos são caracterizados pela ênfase na representação do estado percebido do mundo, deixando ao mecanismo de raciocínio a tarefa de derivar o conhecimento implícito na representação. Na IA têm normalmente como base uma representação suportada pela lógica de predicados e um mecanismo de inferência dedutiva, que aplica regras de consequentes ‐ por exemplo Modus Ponens ou Modus Tollens (Pawlak 2004) ‐ ao conhecimento existente para obter novo conhecimento. Nos Sistemas Procedimentais a tónica é colocada na descrição dos passos necessários para se alcançar um dado objectivo. São exemplo os sistemas baseados em regras, onde um mecanismo de raciocínio desencadeia o encadeamento de regras a partir dos factos conhecidos para chegar a novas conclusões (encadeamento directo) ou, a partir de uma conclusão, tenta aplicar regras a factos que a demonstrem (encadeamento inverso), ou ainda, por questões de eficiência de 36 Capítulo 2. Representação do Conhecimento cálculo, aplica as duas abordagens, directa e inversa. Nestes sistemas o conhecimento é expresso através de regras do tipo “se <condição> então <conclusão>”. Os Sistema Híbridos combinam características declarativas com características procedimentais. Um exemplo clássico usa enquadramentos (Minsky 1974) (frames) para representar situações estereotipadas, apoiando‐se o mecanismo de inferência nos relacionamentos associativos e hierárquicos descritos entre os objectos. 2.3.2 Metáfora Conexionista Na metáfora conexionista o modelo cognitivo assenta nas interacções de um número elevado de unidades elementares de processamento, semelhantes a neurónios: redes neuronais (Rumelhart and McClelland 1986) (Lloyd and Lloyd 1989) (Bechtel 1991) (Dinsmore 1992) (Dawson 2005). O processamento é fortemente distribuído, com as unidades a trabalhar em paralelo, não existindo módulos para tarefas específicas, nem símbolos estruturados sintacticamente, nem nenhum mecanismo de processamento com regras explícitas. Nesta abordagem, não há uma representação explícita, simbólica, do mundo mas sim uma representação através dos vértices e das conexões de toda a rede. Essa representação pode ser local ou distribuída. Na representação local cada unidade elementar representa apenas um aspecto do mundo, enquanto na representação distribuída cada unidade pode estar associada a mais de um aspecto do mundo ou, ainda, podem ser usadas várias unidades para representar um dado aspecto do mundo (Goschke and Koppelberg 1991). Em muitos casos, o conteúdo e a função representacional da rede apenas pode ser observado através da análise matemática dos padrões de actividade das unidades internas do sistema. Uma comparação entre tipos de representação simbólica e conexionista pode ser encontrada em (Dinsmore 1992). 37 Capítulo 2. Representação do Conhecimento 2.3.3 Metáfora Biológica A metáfora biológica sustenta‐se na analogia com o modo como as espécies evoluem e segue a teoria proposta por Charles Darwin (1926). Nesta metáfora é usado um mecanismo de evolução artificial, decalcado do processo de evolução natural descrito por Darwin. Esta abordagem deu origem à Computação Evolutiva (Ghosh and Tsutsui 2003). Os métodos mais utilizados neste tipo de computação são conhecidos por Algoritmos Genéticos (Holland 1975) (Luger 2005) (Fogel 2006), Estratégias Evolutivas (Rechenberg 1989) (Beyer 2001) (Eberhart and Shi 2007), Programação Evolucionária (Fogel 1999) (Fogel 2006) e Programação Genética (Koza 1992) (Koza 1996). Em todos os métodos computacionais evolutivos parte‐se de uma população de soluções candidatas aleatórias, fazendo‐as evoluir ao longo do tempo por sujeição a operadores genéticos, fundamentalmente operadores de recombinação e de mutação, com o objectivo de obter as soluções óptimas, por analogia com a selecção natural das espécies animais. Tipicamente, em cada geração são seleccionadas algumas das melhores soluções (indivíduos) para originar descendência para a geração seguinte. A descendência pode ainda ser criada com material genético cruzado de vários ascendentes ou apenas sofrer algum tipo de mutação. O processo termina após várias iterações de gerações sucessivas, com o aparecimento de um ou mais indivíduos óptimos, ou de alta qualidade, na população. A representação assume também aqui um papel importante, sendo feita através dos cromossomas dos indivíduos, onde cada gene codifica um aspecto do mundo real. 38 Capítulo 2. Representação do Conhecimento 2.3.4 Sistemas Periciais Pela importância que sempre tiveram em vários domínios de aplicação da IA, os Sistemas Periciais (SP) merecem‐nos uma referência especial. Tendo aparecido nos finais da década dos anos sessenta e início da década de setenta, os SP são programas que incorporam uma quantidade significativa de conhecimento humano, habitualmente de um conjunto de peritos num domínio específico, e tentam reproduzir a forma de raciocínio humano. O objectivo de um SP é emular o processo de resolução de problemas de um ou mais peritos cujos conhecimentos e experiência foram usados durante o desenvolvimento do sistema. Nestes sistemas foi consagrado de forma clara o princípio da separação entre a representação do conhecimento e os mecanismos de raciocínio. DENDRAL (Lindsay, Buchanan et al. 1993) e MYCIN (Buchanan and Shortliffe 1984), são considerados os primeiros sistemas periciais, ambos desenvolvidos na Universidade de Stanford, o primeiro em 1965 e o segundo em 1974. DENDRAL é um programa que foi criado para inferir uma estrutura molecular a partir dos dados de um espectrómetro de massa e MYCIN para ajudar a identificar os organismos patogénicos em doentes com infecções bacterianas e a prescrever o regime terapêutico adequado. Os SP podem ser considerados um caso particular dos sistemas baseados em conhecimento, sendo a distinção feita pelo tipo de conhecimento embutido no sistema. No primeiro caso seria o conhecimento de especialistas num domínio específico e no segundo caso um conhecimento mais genérico. Para o que é descrito neste ponto, podemos considerar que Sistema Baseado em Conhecimento e Sistema Pericial são efectivamente sinónimos. Tipicamente, um SP é constituído por três componentes principais: a base de conhecimentos, o interface com o utilizador e um motor de inferência (Buchanan and Shortliffe 1984). 39 Capítulo 2. Representação do Conhecimento A base de conhecimento, como o seu nome indica, contém o conhecimento necessário para compreender, formular e resolver problemas. Inclui dois elementos básicos: i) factos e ii) regras, que controlam a utilização do conhecimento para a resolução do problema num domínio em particular. O objectivo do SP é resolver o problema através da integração do conhecimento sobre o domínio incorporado no sistema juntamente com o conhecimento do problema específico, que lhe é fornecido pelo utilizador. A interface com o utilizador controla a interacção entre o computador, pode assumir diversas formas e é também responsável pelo maior ou menor nível de detalhe com que o sistema explica o caminho para a solução. O motor de inferência tem a tarefa de obter ou provar soluções, podendo fazê‐lo seguindo várias estratégias, que dependem também do formalismo de representação do conhecimento. Nos sistemas baseados em regras, os mecanismos de raciocínio podem ser o Encadeamento Directo, o Encadeamento Inverso, ou ainda o Encadeamento Misto. De forma simplificada, podemos dizer que no encadeamento directo chega‐se à conclusão aplicando regras aos factos, enquanto no encadeamento inverso prova‐se uma dada conclusão se ela puder resultar da aplicação das regras aos factos. Outras estratégias vulgarmente utilizadas, principalmente quando é usada a Lógica de Predicados para a representação do conhecimento, passam pelo Raciocínio Dedutivo, Raciocínio Indutivo e Raciocínio Abdutivo (Brachman and Levesque 2004). No raciocínio dedutivo parte‐se do geral para o particular, de uma premissa para uma conclusão lógica, de um princípio conhecido para um princípio desconhecido. No raciocínio indutivo parte‐se de factos particulares tentando‐se chegar a uma conclusão geral. O raciocínio abdutivo é usado geralmente na produção de explicações e não garante que se chegue a conclusões verdadeiras. Um sistema pericial é fundamentalmente uma ferramenta para apoiar humanos em tarefas caracterizadas por um uso intensivo de conhecimento e perícia numa área específica, tendo vindo a ser utilizados num cada vez maior número de campos de 40 Capítulo 2. Representação do Conhecimento aplicação. Num estudo realizado em 1996, Durkin (Durkin 1996) identificou os Negócios, a Produção (Indústria) e a Medicina, por esta ordem, como sendo as áreas onde os sistemas periciais eram mais utilizados. Os principais tipos de problemas onde o apoio dos SP era já essencial incluíam o Diagnóstico, a Interpretação e a Prescrição. No Diagnóstico analisam‐se os dados e informações disponíveis para identificar um problema, sendo uma tarefa muito semelhante na indústria, na medicina, nos negócios ou em qualquer outra área. A Interpretação inclui, nomeadamente, a compreensão da voz, a compreensão de texto e a compreensão da imagem. A Prescrição é muito comum em sistemas associados à Medicina, assim como na Indústria, onde é designado vulgarmente por Recuperação de Falhas. Estudos mais recentes (Shu‐Hsien 2005) (Tan and Hossein 2003) (Duan, Edwards et al. 2005) (Nevo and Chan 2007) mostram que o desenvolvimento de Sistemas Periciais ultrapassou há muito os sistemas baseados em regras e a sua aplicação abarca praticamente todas as actividades do mundo social e tecnológico actual onde se torne necessário o apoio especializado à tomada de decisões e à resolução de problemas. Os Sistemas Periciais podem ter um melhor desempenho que um perito humano, como acontecia em alguns casos com o MYCIN, até porque são capazes de incorporar o conhecimento de vários peritos, podendo constituir‐se como a sua memória permanente numa organização e servir de veículo de aprendizagem para os mais novos. 2.4 Informação Imperfeita O mundo é infinitamente complexo. Por outro lado, o nosso conhecimento do mundo é finito e, portanto, sempre incompleto. Logo, tomamos praticamente todas, ou mesmo todas as nossas decisões do dia‐a‐dia baseados em informação 41 Capítulo 2. Representação do Conhecimento incompleta, imprecisa e sobre a qual não estamos absolutamente certos. Também na maioria dos Sistemas de Informação9 esta característica da informação acerca do mundo real é ignorada, baseando‐se estes em modelos ideais que não têm em conta a incerteza e, assim, afectam a sua capacidade de produzir respostas adequadas. Em vez disso, deve lidar‐se com a incerteza nos próprios modelos, mesmo à custa de uma maior complexidade. Para implementar SI verdadeiramente úteis, nomeadamente os Sistemas Baseados em Conhecimento10, é necessário representar e manipular informação imperfeita. Os Sistemas de Apoio à Decisão em Grupo associados aos serviços de prestação de cuidados de saúde e respectivos sistemas de informação (sistemas e‐
Health), baseados na percepção da realidade por um conjunto de agentes e com um processo de tomada de decisão multi‐critério, são exemplos deste tipo de sistema. Mais à frente, neste capítulo, iremos apresentar mecanismos de representação e de raciocínio com informação imperfeita. Morgan Granger e Max Henrion (2006) identificam e sistematizam as fontes da informação imperfeita, a que chamam incerteza, afirmando que nós próprios somos também fontes dessa incerteza e, muito provavelmente, incapazes de a quantificar: “As well as being uncertain about what is the case in the external world, we may be uncertain about what we like, that is about our preferences, and uncertain about what to do about it, that is, about our decisions. Very possibly, we may even be uncertain about our degree of uncertainty.” [pág. 47] Para Granger e Henrion há uma grande variedade de tipos e fontes de incerteza, a qual pode ser devida: 9
Referimo‐nos, obviamente, a Sistemas de Informação Baseados em Computador Sistemas que usam o conhecimento representado explicitamente, ou seja, com uma separação clara entre conhecimento e mecanismos de raciocínio, para ajudar a resolver problemas e que permitem manipular conhecimento e informação emulando comportamentos inteligentes. 10
42 Capítulo 2. Representação do Conhecimento 
A informação incompleta (e.g., quando estimamos valores para uma população a partir de uma amostra); 
Aos enviesamentos na informação (e.g., quão representativa é a amostra usada como base da estimativa); 
À discordância entre fontes de informação (e.g., quando temos vários estudos com estimativas diferentes para a mesma quantidade); 
À incerteza do modelo (e.g., o tipo de função especificada num modelo de regressão); 
Às incertezas nas preferências (e.g., a taxa de juros considerada para o cálculo de custos e benefícios algures no futuro); 
ou podem ser inerentes ao próprio processo de aquisição da informação. Muito do estudo sobre incerteza envolve a análise de dados quantitativos (quantidades), especialmente as quantidades empíricas, ou seja, àquilo que pode ser medido ou observado. A incerteza nas quantidades empíricas foi classificada em termos dos diferentes tipos de fontes de incerteza associados, nomeadamente (Morgan and Henrion 2006): 
Erro aleatório e Variação estatística – correspondem a erros aleatórios em medidas directas de uma grandeza, devidos normalmente a deficiências no aparelho ou na técnica de medida; 
Erro sistemático e Julgamento subjectivo – é a diferença entre o valor real de uma grandeza e o valor para o qual converge a média das medidas efectuadas, conforme se vão efectuando mais medidas, o qual é normalmente causado por má calibração de aparelhos de medida ou, novamente, por algum defeito associado à técnica usada na medida e que introduz um afastamento constante; 
Imprecisão linguística – resulta de usarmos palavras diferentes para nos referirmos à mesma coisa, de usarmos a mesma palavra para nos 43 Capítulo 2. Representação do Conhecimento referirmos a coisas diferentes e de fazermos afirmações vagas, como por exemplo “o João é alto”, que obviamente não nos permite saber a altura do João; 
Variabilidade – muitas quantidades variam naturalmente no tempo e no espaço, e o seu valor poderá ser conhecido apenas quando especificado um ponto nesses eixos, ou então pode ser estimado através de uma distribuição de frequências ou por uma distribuição de probabilidades; 
Aleatoriedade e Imprevisibilidade – algumas quantidades empíricas são totalmente imprevisíveis, no estado actual do conhecimento humano, estando muitas vezes associadas a fenómenos da Natureza; 
Discordância – algumas quantidades são incertas simplesmente porque as pessoas discordam do seu valor, principalmente quando não podem ser obtidos dados concretos a curto prazo, como, por exemplo, os efeitos a longo prazo, na saúde, de contaminantes ambientais amplamente dispersos mas em baixas concentrações; 
Aproximação – um modelo é sempre uma versão simplificada de uma realidade mais complexa, no qual são introduzidas várias aproximações, como, por exemplo, o uso de uma distribuição de probabilidades discreta para representar distribuições contínuas ou ainda a granularidade das medidas utilizadas. A procura de uma classificação que permita definir de forma clara o que é a informação imperfeita tem sido objecto de vários trabalhos ao longo dos tempos (Tong and Bonissone 1985) (Parsons 1996) (Bonissone 1997) (Tudorie 2002) (Negnevitsky 2005) (Lipshitz and Strauss 1997). Podemos encontrar vários tipos de imperfeição ‐ incerteza, incompletude, inexactidão: 44 Capítulo 2. Representação do Conhecimento 
A incerteza tem a ver com a percepção subjectiva de um agente sobre a veracidade de um dado facto que ele não consegue saber, de forma segura, se é verdadeiro ou falso. Está relacionada com o valor de verdade de uma afirmação em relação à realidade. Um grau de incerteza exprime a dúvida sobre a veracidade de uma afirmação e é muitas vezes traduzido em frases como “é possível que” ou “é provável que”. 
Incompletude significa que falta o valor de um atributo, e pode manifestar‐se sob a forma existencial ou universal. A incompletude existencial surge quando é referenciado um atributo cujo valor é subentendido, mas não é expresso explicitamente. Por exemplo, na afirmação: “O autor de ‘Jangada de Pedra’ é uma das principais personalidades literárias do século vinte” não é identificado o autor. A incompletude universal manifesta‐se quando são referenciados todos os valores possíveis de um atributo, mas nenhum deles é identificado explicitamente. A afirmação: “As doenças cardiovasculares são a principal causa de morte em Portugal” exemplifica a incompletude universal, pois referencia todas as doenças que afectam o sistema cardiovascular, mas não identifica nenhuma delas. A ausência de um valor pode ainda ter dois significados: desconhecido, se o valor existe mas não se sabe qual é, ou não aplicável, se o atributo se referir a uma característica não suportada pelo objecto em análise. 
A inexactidão compreende‐se melhor se percebermos primeiro o seu oposto, ou seja, a exactidão. A exactidão é um conceito bem conhecido em Engenharia e está associado à capacidade em quantificar rigorosamente o valor de uma grandeza, assim como à granularidade da valoração. A inexactidão caracteriza situações em que o valor exacto de um atributo não é conhecido. Pode manifestar‐se sob diversas formas: sob a forma de intervalo de valores, como na afirmação “a temperatura corporal do doente está entre 36 e 39 graus”; em afirmações que 45 Capítulo 2. Representação do Conhecimento reflectem uma avaliação qualitativa vaga, como em “o doente tem uma temperatura elevada”; ou quando é indicado um conjunto de valores possíveis, mutuamente exclusivos, como na afirmação “a pressão sistólica do doente é 120, 130 ou 140”. Há ainda uma forma de inexactidão que se manifesta quando uma afirmação é expressa pela negativa. Por exemplo, a afirmação: “João não tem a doença de Alzeimer” não explicita as doenças de que João possa sofrer. A incompletude e a inexactidão têm uma natureza intrinsecamente objectiva. Reflectem a natureza absoluta da informação sobre o mundo real e as limitações que um observador tem em medir as grandezas que representam o estado das coisas. Por sua vez, a incerteza é de natureza inerentemente subjectiva, pois representa a avaliação da veracidade de um facto, efectuada por um indivíduo. Pode ser uma afirmação que apenas reflecte a crença ou opinião de quem a dá ou pode ser uma estimativa baseada numa probabilidade calculada matematicamente ou por outra forma epistemológica de necessidade ou suficiência. Em muitas situações a qualidade da informação pode ser afectada simultaneamente pela incerteza e pela inexactidão, como na afirmação: “é possível que o doente tenha tensão elevada”. Nestes casos, a incerteza e a inexactidão aparecem correlacionadas – quando uma aumenta a outra diminui. Por exemplo, se não houver dúvidas quanto à afirmação: “a pressão sistólica do doente está entre 120 e 180”, dizemos que a incerteza é nula mas a inexactidão é elevada. Se quisermos ser mais exactos, como em “a pressão sistólica é 150 ou 170”, estamos normalmente a aumentar o grau de incerteza. Outros autores (Bosc and Prade 1997), enquadram a informação imperfeita através de características semelhantes – incerteza e inexactidão, embora definindo‐as de forma ligeiramente diferente, e acrescentam duas definições ‐ ambiguidade e incoerência: 46 Capítulo 2. Representação do Conhecimento 
A ambiguidade é caracterizada por afirmações que contêm predicados com um valor qualitativo, como em “é jovem”, associadas a inexactidões difusas (fuzzy). Esta informação pode ser usada de várias maneiras. Consideremos a afirmação “o doente é bastante jovem”. Podemos usá‐
la para aferir a veracidade da afirmação “o doente tem 26 anos”. Em alternativa, a afirmação pode ser usada para estabelecer o intervalo de possíveis valores para a idade do doente, numa interpretação à luz dos conjuntos vagos (fuzzy sets) (Zadeh 2008). 
A incoerência descreve situações em que há dois ou mais valores contraditórios para uma variável. Por exemplo, “o doente tem 26 anos” e “o doente tem mais de 30 anos”, em que se torna impossível conciliar as duas afirmações. Este tipo de imperfeição – incoerência – surge frequentemente por a informação ser proveniente de fontes diferentes, caso em que se torna necessário avaliar a credibilidade das fontes e eliminar a informação da fonte menos credível. A incerteza é agora associada a uma falta de informação acerca do estado dos mundos possíveis. Esta falta de informação torna impossível determinar se uma dada afirmação é verdadeira ou falsa. Apenas pode ser estimada a tendência para a afirmação ser verdadeira ou falsa, através da indicação quantitativa do grau de certeza, eventualmente especulativa, de quem a faz. A inexactidão resulta, para os mesmos autores, da granularidade da linguagem usada para representar a informação. Assim, a afirmação “a temperatura basal do doente é 37 graus” só é exacta se não for necessário saber a temperatura até às décimas ou centésimas. Em conclusão, e combinando as várias perspectivas acima sobre como definir informação imperfeita, podemos falar em quatro dimensões possíveis: 47 Capítulo 2. Representação do Conhecimento 1. Incerteza, que resulta da falta de informação sobre o mundo real ou é devida a erros subjectivos introduzidos pelo observador; 2. Inexactidão, associada a problemas de granularidade e que pode ser disjuntiva, existencial ou universal, mas diferente da ambiguidade; 3. Incompletude, quando não existe a informação relevante sobre um atributo; 4. Incoerência, quando existe informação a mais, contraditória, de fontes diferentes. A maioria dos sistemas baseados em computador ignora a característica intrinsecamente imperfeita da informação sobre o mundo real e usa modelos onde, através de uma idealização na representação, todas as incertezas são removidas. O resultado é um modelo, muitas vezes simples e elegante, que nunca permitirá obter as respostas correctas, devido à inadequação em representar a realidade necessária. Pelo contrário, é necessário incorporar a incerteza no próprio modelo, mesmo sacrificando a simplicidade e a elegância. Para implementar sistemas de informação úteis, principalmente os sistemas baseados em conhecimento, é necessário representar e raciocinar usando informação incompleta. Por outro lado, a resolução de problemas usando meios mecânicos exige uma linguagem capaz de representar o conhecimento sobre o domínio do problema, servida por mecanismos de inferência e de resposta a questões e que permitam a actualização do conhecimento e do comportamento do próprio programa. 2.5 Representação quantitativa de informação imperfeita No ponto anterior caracterizamos as diversas formas em que se pode manifestar a informação imperfeita e quais as suas principais fontes. Neste ponto identificam‐se as principais técnicas de representação quantitativa para o raciocínio 48 Capítulo 2. Representação do Conhecimento com informação imperfeita que têm vindo a ser usadas nos sistemas baseados em conhecimento. 2.5.1 Teoria das Probabilidades A teoria das probabilidades é uma das teorias matemáticas mais antigas no que respeita ao tratamento da incerteza, tendo sido a primeira escolha, nos anos setenta, para a representação e manipulação de informação imperfeita nos sistemas baseados em conhecimento (Shafer 1987) (Gabbay, Smets et al. 2000), sendo ainda hoje considerado por alguns como o único paradigma que permite lidar com a incerteza (D’Errico 2009). No entanto, rapidamente se concluiu que esta teoria não poderia ser aplicada directamente no contexto desses sistemas, mesmo recorrendo ao Teorema de Bayes para o tratamento de probabilidades condicionais na inferência estatística (Shortliffe and Buchanan 1975). Consideremos a aplicação da teoria das probabilidades num sistema de diagnóstico médico e onde se pretende, por exemplo, saber a probabilidade da ocorrência de um doente em particular sofrer de uma certa doença. A probabilidade a priori (probabilidade não condicionada) da ocorrência de uma dada doença para uma população estudada pode até ser conhecida. No entanto, no caso de um doente em particular existe informação adicional sobre os sintomas que apresenta e sobre a sua história clínica, que podem ser úteis para calcular a probabilidade da doença no caso concreto (probabilidade a posteriori ou condicional). Ou seja, estamos em presença de um conjunto de evidências que pode alterar a convicção sobre a existência ou não da doença neste doente, sendo agora necessário calcular a probabilidade conjunta, ou seja, a probabilidade de ocorrência simultânea dos sintomas apresentados com a existência da doença. 49 Capítulo 2. Representação do Conhecimento A utilização de probabilidades conjuntas é todavia pouco prática, dada a extensão proibitiva dos cálculos necessários para todas as variáveis associadas às hipóteses e evidências em casos reais, assim como a dificuldade em obter o valor das probabilidades condicionais para todas as combinações possíveis de evidências. A inferência estatística, ou inferência bayesiana, como método quantitativo para lidar com a incerteza implica mecanismos de cálculo complexos. Complexidade que pode ser reduzida assumindo alguns pressupostos11, mas que podem comprometer a validade do modelo de raciocínio. Note‐se que o mero facto da existência da incerteza num dado problema não implica a utilidade em absoluto das teorias clássicas da probabilidade, uma vez que o contexto ideal para a sua utilização exige a disponibilidade de dados estatísticos empíricos relevantes. Em muitos dos problemas onde é necessário formular juízos subjectivos não é possível usar inferência estatística, pois não há nem amostragem nem uma população bem definida. A teoria das probabilidades apresenta ainda outras limitações em contextos onde se pretende representar a ausência de conhecimento, ou seja, a ignorância (Kasabov 1998). Em cada instante, um evento ou “existe” ou “não existe”. Se não sabemos nada sobre o evento, teremos dificuldades em usar probabilidades. 2.5.2 Factores de Certeza A teoria dos Factores de Certeza (Certainty Factors) apresenta‐se como uma alternativa ao raciocínio Bayesiano. Os princípios básicos desta teoria foram 11
Para simplificar os cálculos e poder usar uma forma simplificada do Teorema de Bayes, considerando m hipóteses H e n evidências E, é necessário assumir que: i) as hipóteses H1, …, Hm, com m≥1, são mutuamente exclusivas e exaustivas; ii) as evidências E1, …, En, com n≥1, são condicionalmente independentes para qualquer hipótese Hi, com 1≤i≤m. Estas condições são difíceis de conseguir para casos reais. 50 Capítulo 2. Representação do Conhecimento inicialmente enunciados por Bruce Buchanan e Edward Shortliffe no âmbito do sistema pericial MYCIN (Buchanan and Shortliffe 1984). Durante o desenvolvimento deste sistema foi percebido que os peritos médicos exprimiam o seu conhecimento, nomeadamente o grau de certeza nas suas opiniões clínicas, de uma forma que não era lógica nem matematicamente coerente. Por outro lado, não existiam dados estatísticos fiáveis no domínio em que o sistema estava a ser desenvolvido, excluindo assim uma abordagem probabilística clássica ao tratamento da incerteza. A equipa de desenvolvimento do MYCIN decidiu então criar os factores de certeza (certainty factors cf), um valor numérico para exprimir o grau de convicção de um perito sobre uma proposição. O valor máximo de um factor de certeza é +1.0 (absolutamente verdadeiro) e o valor mínimo é ‐1.0 (absolutamente falso). Um valor positivo significa que o perito está convicto de uma dada afirmação e um valor negativo significa que não considera a afirmação plausível. Por exemplo, se um perito afirma que uma proposição é quase de certeza verdadeira, é atribuído a essa proposição um factor de certeza de 0.8. Num sistema baseado em conhecimento com factores de certeza, a representação do conhecimento consiste num conjunto de regras da forma: SE <evidência E> ENTÃO <hipótese H> [cf] onde cf representa a crença na hipótese H dada a ocorrência da evidência E. Duas funções permitem calcular o grau de certeza da hipótese em função do factor de certeza da ou das evidências: medida da crença MB(H,E)  [0..1] e medida de descrença MD(H,E)  [0..1] (Shortliffe and Buchanan 1975). A primeira indica o valor em que deve ser aumentada a crença na hipótese H se for verificada a evidência E e a segunda indica o valor em que deve ser aumentada a descrença da mesma hipótese H, sendo verificada a mesma evidência E. 51 Capítulo 2. Representação do Conhecimento As medidas de crença e de descrença podem também ser definidas em termos de probabilidades, não condicionais (a priori) ou condicionais, embora modelem uma noção de incerteza conceptualmente diferente da de probabilidade. Este método peca pela falta de suporte teórico, tendo sido no entanto usado em vários sistemas baseados em regras, devido essencialmente à sua simplicidade computacional. 2.5.3 Redes Bayesianas As redes Bayesianas surgiram em meados dos anos oitenta como uma alternativa computacionalmente viável à representação e inferência probabilística da incerteza em sistemas baseados em conhecimento (Pearl 1994) (Gabbay, Smets et al. 2000) .As redes Bayesianas são também conhecidas por redes de crença, diagramas causais ou redes probabilísticas. De maneira informal, podemos dizer que uma rede Bayesiana é uma representação gráfica das variáveis aleatórias identificadas numa dada classe de problemas e respectivas dependências probabilísticas. As inter‐relações entre as variáveis são quantificadas através de probabilidades locais, que, no seu conjunto, acabam por definir uma função de probabilidade total. Uma rede Bayesiana é constituída pela sobreposição de duas representações, uma qualitativa e outra quantitativa. A representação qualitativa assume a forma de um grafo dirigido acíclico G = (V, E) onde: V é um conjunto não vazio, finito, de vértices de G; E é um conjunto finito de pares ordenados, ou seja: E  V x V, designados por arcos ou adjacências. 52 Capítulo 2. Representação do Conhecimento Cada vértice representa uma variável aleatória que, no caso geral, pode assumir um dado conjunto de valores e tem associada a respectiva distribuição de probabilidades. Uma simplificação usual passa por considerar apenas dois valores possíveis para cada variável: verdadeiro ou falso. Cada adjacência (Vi, Vj)  E representa uma dependência directa (probabilística), ou causal, entre as variáveis Vi e Vj, ou seja, a existência de um arco entre as variáveis pode ser interpretada como a afirmação de que Vi influencia directamente Vj. A ausência de uma adjacência entre duas variáveis significa que não se influenciam mutuamente de forma directa. As redes Bayesianas podem ser usadas para responder a diferentes questões, nomeadamente perceber como um vértice pode influenciar outro vértice, como propagar uma dada evidência através da rede e como conjugar evidências na análise de casos concretos. O pressuposto básico de uma rede Bayesiana é que a probabilidade de um vértice é completamente determinada pelos vértices antecessores que lhe são directamente adjacentes. Se um desses vértices tiver um valor conhecido, o estado dos seus antecessores e dos sucessores deles é irrelevante. Este pressuposto garante uma separação entre os vértices que permite o cálculo eficiente de probabilidades na rede, e que está na base do interesse por este tipo de representação. Na literatura podem ser encontradas várias propostas de algoritmos de inferência que permitem usar as redes de crença de forma eficiente (Kim and Pearl 1983) (Pearl 1986) (Lauritzen and Spiegelhalter 1988). Apesar de solidamente assente na teoria das probabilidades, a deficiência básica das redes Bayesianas é a assunção de que tudo o que é relevante no relacionamento entre dois vértices interligados (por exemplo uma doença e um sintoma) pode ser integralmente representado por uma probabilidade. Não é feita qualquer distinção entre as várias maneiras possíveis em que uma dada causa pode provocar um determinado efeito. 53 Capítulo 2. Representação do Conhecimento Refira‐se ainda que o grafo é normalmente construído por um perito no domínio do problema e depende, portanto, de juízos de valor subjectivos. Daí também a designação de Redes de Crença. 2.5.4 Teoria de Dempster­Shafer A Teoria de Dempster‐Shafer (TDS), é uma teoria matemática da evidência baseada no trabalho de Dempster sobre a generalização do raciocínio Bayesiano (probabilidades condicionais), na qual Shafer introduziu o conceito de funções de crença (Shafer 1986) (Shafer 1992). A generalização de Dempster consiste numa regra condicional e numa regra de combinação. Por sua vez, Shafer definiu o conceito de elementos focais, ou seja, predicados com informação acerca do seu valor de verdade. A TDS pretende ultrapassar as limitações da teoria da probabilidade condicionada clássica na combinação de evidências ao permitir combinar evidências provenientes de diversas fontes sem a necessidade de conhecer antecipadamente as suas distribuições de probabilidade (Sentz and Ferson 2002). As funções de crença, enquanto generalização da teoria bayesiana das probabilidades subjectivas, fornecem um suporte teórico para a utilização das probabilidades, ou seja, uma abordagem quantitativa ao raciocínio com conhecimento subjectivo. Quando se usa a teoria bayesiana para quantificar o juízo sobre uma questão, somos obrigados a atribuir probabilidades às respostas possíveis. A teoria das funções de crença é mais flexível, dado que permite derivar graus de crença para uma dada questão a partir das probabilidades de outra questão relacionada. A TDS parte de um conjunto de proposições atómicas, a que chamaremos “universo de discurso”, denotado por , e que deve garantir as condições: 54 Capítulo 2. Representação do Conhecimento 
Ser não vazio, finito e exaustivo, no sentido de conter todas as possíveis soluções para o problema; 
As proposições atómicas serem mutuamente exclusivas. Cada subconjunto de  pode ser interpretado como uma nova hipótese, dando origem a 2 hipóteses possíveis (o powerset de ). Considerando uma dada evidência, a cada subconjunto do universo de discurso é atribuída uma probabilidade (subjectiva), através de uma “função de massa” designada por m e que, de facto, representa a crença na hipótese representada por esse subconjunto de proposições: m: 2  [0, 1] O valor 0 (zero) representa a ausência de crença e o valor 1 (um) representa a certeza, de forma que a soma de todos os valores atribuídos, incluindo o valor atribuído ao próprio conjunto  é igual a 1. Este requisito baseia‐se no pressuposto de que a solução está contida no universo de discurso, dado que, por definição, este é exaustivo. Correspondentemente, deve ser atribuído o valor 0 (zero) ao conjunto vazio. Ao contrário da abordagem bayesiana, a diferença para 1 dos valores atribuídos aos subconjuntos de  não é atribuída à negação das hipóteses que obtiveram um grau de crença, mas sim ao próprio conjunto . É rejeitado o princípio de que a ausência de crença numa proposição significa a certeza da sua negação, ou de que a atribuição de um grau de crença numa hipótese implique a atribuição do valor restante à sua negação, ou seja, que P(h) = 1 – P(h). Permite assim evitar que, em muitas situações, uma evidência parcialmente a favor de uma hipótese seja interpretada também como evidência contra essa mesma hipótese, ou seja, a favor da sua negação. Esta característica, conjugada com o facto de trabalhar com conjuntos de proposições e de não obrigar ao conhecimento a priori de distribuições de probabilidades, permite lidar de forma explícita com o problema da ignorância. 55 Capítulo 2. Representação do Conhecimento Alguns autores, nomeadamente Pearl (Pearl 1990), criticam as interpretações dadas às funções de crença, nomeadamente a confusão entre probabilidade de uma proposição ser verdadeira e probabilidade dessa proposição ser formalmente provada. Esta confusão poderá levar a resultados absurdos, principalmente quando se pretende representar conhecimento incompleto. Por outro lado, não é possível a aplicação directa da TDS em sistemas inteligentes, mesmo em sistemas baseados em regras, sem modificar a teoria originalmente proposta por Dempster, pois são necessárias regras de combinação adicionais. Para além disso, a TDS, na sua forma original, apresenta uma complexidade computacional exponencial (Wilson 2000). Têm sido propostas várias regras de combinação de evidências (Dubois and Prade 1988), alternativas à regra de Dempster, que produzem resultados diferentes entre si, para o mesmo universo de discurso (Sentz and Ferson 2002). 2.5.5 Conjuntos vagos A teoria dos conjuntos vagos (fuzzy sets) foi proposta por Zadeh em 1965 como uma ferramenta matemática para lidar com a informação imprecisa (vaga) (Zadeh 1965), que mais tarde desenvolveu muitos dos métodos da lógica vaga, ou difusa (fuzzy logic) (Zadeh 2001), baseada neste conceito. Desde então, a teoria dos conjuntos vagos teve um desenvolvimento considerável e são inúmeras as suas aplicações práticas, nomeadamente no controlo de equipamentos electrónicos e electromecânicos. A forma tradicional, da teoria clássica de conjuntos, de representar elementos u de um conjunto A é através da função característica: A(u) = 1, se u é um elemento do conjunto A; 56 Capítulo 2. Representação do Conhecimento A(u) = 0, se u não é um elemento do conjunto A. Ou seja, um objecto ou pertence ou não pertence ao conjunto. Na teoria dos conjuntos vagos um objecto pode pertencer parcialmente a um conjunto. Para um dado universo de discurso U, o grau de pertença a um subconjunto vago A desse universo é definido por uma medida de pertença: A(u):U  [0, 1] Os valores da medida de pertença são números reais no intervalo [0, 1], onde 0 (zero) significa que o objecto não é membro do conjunto e 1 (um) que pertence inteiramente ao conjunto. Usando este conceito, a noção básica por detrás da lógica difusa é o grau de verdade de uma proposição, que será um número entre 0 e 1. Nos exemplos tradicionais de proposições vagas é usada uma variável linguística: um conjunto cujos elementos são nomes de conjuntos vagos. Por exemplo, idade = {jovem, meia_idade, idoso} é uma variável linguística. A frase “o doente é jovem” é verdadeira em certo grau – quanto menor for a idade do doente (medida em anos, por exemplo) maior é o seu grau de verdade. Diversos sistemas formais de lógica difusa são propostos na literatura (Hájek 2001), sendo que alguma controvérsia existe quanto à forma como devem ser interpretados os graus de verdade das proposições. 2.5.6 Lógica probabilística A lógica probabilística é uma generalização da lógica de primeira ordem em que os valores de verdade de uma proposição são representado num intervalo de valores reais [0..1]. O contributo principal da lógica probabilística, para o cálculo de predicados, foi a formalização de um processo de cálculo dos limites da probabilidade 57 Capítulo 2. Representação do Conhecimento de uma proposição, também chamado “implicação probabilística” (Nilsson 1994) (Halpern 1990) (Poole 1993), dada a probabilidade, ou os limites da probabilidade, de outras proposições. Para outros autores, nomeadamente Sheridan (Sheridan 1991), a nomenclatura “lógica probabilística” é enganadora. Não se trata de um tipo de lógica influenciada pela teoria das probabilidades mas sim da teoria das probabilidades clássica combinada com métodos matemáticos para realizar tarefas para as quais usualmente usamos a lógica: derivar proposições a partir de um conjunto de proposições conhecido. A diferença está em que as proposições, conhecidas ou derivadas, são expressas de forma probabilística. A conjugação de formalismos tradicionais em IA de representação do conhecimento, tais como a lógica de primeira ordem, com abordagens probabilísticas e estatísticas e com a aprendizagem máquina continua a ser uma questão em aberto. Esta combinação é considerada por alguns essencial para enfrentar os desafios colocados pelos problemas de Mineração de Dados12 e aprendizagem no mundo real, onde, na informação complexa e heterogénea aí existente, se pretende encontrar padrões úteis em termos de modelação e previsão (De Raedt, Kimmig et al. 2007). As abordagens que combinam a inferência lógica com cálculos de probabilidades são particularmente exigentes no que respeita ao cálculo computacional. Uma nova abordagem, híbrida, proposta por Ben Goertzel e colegas (2008) propõe a representação de conhecimento numa rede cujos vértices e adjacências contêm valores de verdade probabilísticos juntamente com valores de atenção13, sendo estes últimos semelhantes aos pesos de uma rede neuronal. Esta estrutura, juntamente com a utilização de algoritmos que combinam um motor de inferência probabilística com programação evolutiva, permitiria ultrapassar a 12
13
Data Mining Attention values no original, em inglês. 58 Capítulo 2. Representação do Conhecimento explosão combinatória necessária para os cálculos num problema de dimensão real, típica de cada um dos algoritmos quando usados isoladamente. 2.6 Programação em lógica A utilização da lógica clássica, nomeadamente o cálculo de predicados, com uma semântica bem definida e com um mecanismo de inferência eficaz foi uma das primeiras propostas de base para a criação de uma linguagem lógico‐matemática (McCarthy 1959), adequada para a representação de conhecimento formal. Uma linguagem deste tipo é, no entanto, insuficiente para representar conhecimento baseado em informação imperfeita, tal como definida até aqui ‐ o “conhecimento do senso comum” (McCarthy 2000). Mueller (2006) define o raciocínio do senso comum como: “… process that involves taking information about certain aspects of a scenario in the world and making inferences about other aspects of the scenario based on our commonsense knowledge, or knowledge of how the world works. […] It allows us to fill in the blanks, to reconstruct missing portions of a scenario, to figure out what happened, and to predict what might happen next.” [pág. 2] O problema está na característica inerentemente monótona14 das teorias lógicas baseadas no cálculo de predicados. Com o mecanismo de raciocínio baseado na lógica clássica ‐ Raciocínio Monótono (RM) – não é possível que conhecimento tido como válido num determinado momento possa ser posteriormente contradito, como consequência de nova informação disponível. Ou seja, nesse contexto, um 14
Preferiu‐se a utilização do termo “monótono”, já usual no contexto da Matemática, em detrimento do anglicismo “monotónico” usado por alguns autores. 59 Capítulo 2. Representação do Conhecimento axioma acrescentado a uma dada teoria lógica nunca poderá levar à anulação de um teorema previamente demonstrado. Por oposição, é fundamental para o trabalho descrito nesta tese considerar que a nova informação que continuamente chega a um sistema poderá obrigar à revisão, ou mesmo anulação, de algumas conclusões. A representação do conhecimento e os tipos de raciocínio usados neste projecto necessitam de mecanismos de Raciocínio Não Monótono (RNM) (Ginsberg 1991). O estudo deste tipo de raciocínio por vários autores resultou em várias propostas de formalismos lógicos, onde se destacam a circunscrição (McCarthy 1980) (Lifschitz 1985) (McCarthy 1986), a lógica por defeito (default theory) (Reiter 1978) (Reiter 1990) e lógicas não monótonas modais (McDermott 1982) (Moore 1985), nomeadamente a lógica auto‐epistemológica (Moore 1987). Outras propostas incluem mecanismos de raciocínio para previsão de conhecimento expectavelmente verdadeiro e explicação de observações – default and abductive reasoning (Poole 1990). Reconhece‐se a necessidade de extensões à forma como a lógica é usada formalmente na Matemática e na Física e mesmo de extensões à própria lógica, quer nos formalismos para representar conhecimento quer nos mecanismos de raciocínio. De um modo mais formal dizemos que uma relação de consequentes, representada pelo símbolo , definida numa linguagem é não monótona se existirem duas fórmulas A e B e um conjunto de fórmulas T, tais que: T ⊨ B e T,A ⊭ B
(2.1) Os trabalhos iniciais de Green (1969), Hayes (1973) e Kowalski e Emden (1974), e de outros que se lhes seguiram, levaram ao estudo de outros mecanismos que permitiram combinar a lógica, enquanto linguagem de representação, com teorias da demonstração automática de teoremas e da lógica construtivista. Surge assim o conceito de programação em lógica (Kowalski 1974) e é implementada a primeira 60 Capítulo 2. Representação do Conhecimento linguagem de programação em lógica – Prolog (Colmerauer, Kanoui et al. 1973) (Roussel 1975) (Lloyd 1987) (Carlsson 2009). A linguagem Prolog, na sua forma declarativa inicial, começou por ser um subconjunto do cálculo de predicados, com uma sintaxe restrita, que permitia um processo de inferência eficiente, com uma semântica fundamentalmente suportada pelo modelo clássico de consequentes lógicos (logical entailment) e adoptando o Pressuposto do Mundo Fechado15 (Reiter 1978). Ao longo do tempo a linguagem foi incorporando outras características mais consentâneas com o RNM referido acima, a mais importante das quais foi a negação por falha na prova (Clark 1978; Reiter 1978). A negação por falha na prova começou por ser um mecanismo puramente procedimental, o que não permitia o seu uso para a representação de conhecimento. Trabalhos posteriores permitiram desenvolver uma semântica declarativa para programas em lógica com negação por falha na prova. Uma linguagem de um programa em lógica, sendo uma linguagem de primeira ordem, é determinada por um conjunto de constantes, funções e predicados. Um literal é um átomo ou a sua negação. Um literal positivo é o mesmo que um átomo e um literal negativo é um átomo negado. A utilização de literais negativos permite a representação de informação negativa. Os átomos têm a forma ,…,
(2.2) onde são termos e é um predicado com cardinalidade . Um programa em lógica consiste num conjunto finito de regras da forma: ,
,
,
,
,
(2.3) De maneira informal, o Pressuposto do Mundo Fechado acerca de uma cláusula p significa que se assume que p é falso a não ser que exista uma evidência do contrário. 15
61 Capítulo 2. Representação do Conhecimento com 0, onde os são átomos e representa a negação por falha na prova. A parte esquerda da regra é a cabeça ou conclusão; a parte da direita é o corpo ou premissa. A uma colecção finita de regras como (2.3) chamamos programa lógico geral. A um programa lógico geral que não usa a conectiva chamamos programa positivo (definite program). Um programa em lógica pode ser visto como uma especificação para construir teorias possíveis do mundo, enquanto as regras podem ser vistas como restrições que essas teorias devem satisfazer. A maioria das implementações da linguagem Prolog baseia‐se na proposta de Keith Clark de um procedimento de resolução para a resposta a queries em programas em lógica descrito por cláusulas do tipo (2.3). A linguagem Prolog (Carlsson 2009) tem sido usada com sucesso em Inteligência Artificial e será usada neste trabalho como ferramenta de prototipagem na modelação de sistemas, quer para a representação de conhecimento quer para os mecanismos de raciocínio que vão manipular essa representação. Apresenta‐se de seguida um exemplo demonstrativo do uso de programas lógicos gerais para representação de conhecimento e raciocínio do senso comum, através da formalização de expressões normativas do género “se A é verdade, então normalmente B também é”. Consideremos o exemplo clássico adaptado de (McCarthy 1986): “Um agente capaz de raciocinar possui o seguinte conhecimento acerca dos pássaros: os pássaros normalmente voam mas os pinguins são aves não voadoras. Ele também sabe que Tweety é um pássaro. Suponhamos agora que o agente é contratado para construir uma gaiola para o Tweety e que a constrói sem tecto com o fundamento de que não tem o conhecimento se o Tweety voa ou não. Seria razoável considerar este argumento inválido e não aceitar o produto. Por outro lado, se por qualquer motivo (desconhecido do agente) Tweety não fosse capaz de 62 Capítulo 2. Representação do Conhecimento voar e o agente construísse a gaiola com tecto, poderíamos recusar o pagamento da gaiola com o fundamento de que tem um tecto desnecessário.” O Programa 2.1 apresentado a seguir mostra como podemos representar este tipo de conhecimento. 1
2
3
4
5
6
voa X ← ave X , not excepção voa, X
ave X ← pinguim X
excepção voa, X ← pinguim X
construir_tecto X ← voa X
ave tweety
pinguim sam
Programa 2.1 – Conhecimento sobre aves A maioria dos predicados é auto explicativo, incluindo os dois factos que representam a existência da ave Tweety e do pinguim Sam. O átomo excepção voa, X representa as aves que se suspeita não serem capazes de voar, ou seja, às quais não se aplica a primeira regra. A primeira regra exprime uma afirmação normativa sobre a capacidade de voar das aves. Expressões deste tipo caracterizam suposições assumidas por defeito e, no caso em apreço, permitem‐nos concluir que uma ave qualquer X voa a não ser que seja uma excepção no que respeita a essa capacidade de voar. A terceira regra anula a suposição por defeito, da primeira regra, para os pinguins, sendo assim uma regra de anulamento. As expressões normativas do género “se A é verdade, então normalmente B também é” podem ser representadas, num programa lógico geral, por regras da forma: ,
çã
,
(2.4) 63 Capítulo 2. Representação do Conhecimento onde r é uma constante da linguagem para designar a excepção. De maneira análoga, a excepção a uma expressão normativa, do género “C é uma excepção a A, portanto não é B”, é representada por regras da forma: çã
,
(2.5) Excepções deste tipo são designadas excepções fortes. Usando agora o Programa 2.1 a resposta à questão voa tweety é sim e à questão voa sam é não. 2.7 Extensão à Programação em Lógica A utilidade das linguagens de programação em lógica na representação do conhecimento do senso comum está intimamente relacionada com a sua capacidade de representar e manipular informação imperfeita. Mas será que os computadores necessitam de senso comum e mecanismos de raciocínio não monótono? É uma discussão em aberto, com adeptos da complementaridade entre o homem e o computador. De um lado os adeptos de que os problemas que exigem raciocínio do senso comum devem ser primeiro reduzidos a uma forma tratável em computador (Ginsberg, Aiello et al. 1996) e, de outro lado, adeptos da necessidade de incorporar aspectos do raciocínio do senso comum nos mecanismos de inferência e na arquitectura da própria máquina (Minsky, Singh et al. 2004) (Matuszek, Witbrock et al. 2005) (Zadeh 2006). Diversas alternativas foram seguidas com o objectivo de representar informação imperfeita, de entre as quais destacamos a informação disjuntiva (Minker 64 Capítulo 2. Representação do Conhecimento 1982) (Loveland 1987), a negação forte e os operadores epistemológicos (Pearce and G. 1989) (Gelfond and Lifschitz 1990) (Gelfond 1992). Num programa lógico disjuntivo, a cabeça de uma regra pode conter a disjunção de átomos. É assim possível representar conhecimento incompleto, resultante de informação imperfeita. Vejam‐se os exemplos: ã
(2.6) _
á
(2.7) Os programas lógicos gerais, apresentados antes, permitem representar conhecimento em contextos em que esteja garantido o PMF. Contudo, dado que as respostas a qualquer questão no âmbito desses programas se limitam a sim ou não (verdadeiro ou falso), não é possível representar conhecimento incompleto acerca do mundo. Para isso é necessária uma terceira possibilidade de resposta – desconhecido, que corresponderá à impossibilidade de concluir com certeza sim ou não. A seguir apresenta‐se o conceito de negação forte (Gelfond and Lifschitz 1990), representado pela conectiva  , também chamada negação clássica ou negação
explícita, por oposição à negação por falha na prova ‐ not. Os programas lógicos gerais representam informação negativa implicitamente, através do raciocínio baseado no PMF. Pelo contrário, um programa em lógica extendida representa informação negativa de forma explícita, usando a negação forte. Podemos assim fazer a distinção entre uma questão que falha porque não pode ser provada e uma questão que falha porque pode ser provada a sua negação. 65 Capítulo 2. Representação do Conhecimento Formalmente, um programa em lógica extendida é uma colecção finita de regras do tipo: ,
,
,
,
,
(2.8) ,
com 0, onde os são literais, ou seja fórmulas do tipo p ou p, sendo p um átomo. Voltemos ao exemplo do Tweety para mostrar como podemos usar um programa em lógica extendida para raciocinar com informação incompleta. Na situação apresentada antes, sabíamos que as aves normalmente voam, que os pinguins são excepção a essa regra e que a nossa informação acerca de pinguins, aves e animais que voam era completa. Em primeiro lugar refira‐se que, se considerarmos agora o Programa 2.1 como um programa em lógica extendida, não conseguimos obter a resposta não (ou falso) às questões pinguim tweety e voa sam . É o resultado natural de não estarmos agora num contexto do PMF. Para representar correctamente a informação, necessitamos de aplicar o PMF aos predicados ave X , pinguim X e voa X , ou seja, circunscrever estes predicados. Basta acrescentar as regras (7), (8) e (9), conforme se pode observar no Programa 2.2 seguinte: 1
2
3
4
5
6
7
8
9
voa X ← ave X , not excepção voa, X
ave X ← pinguim X
excepção voa, X ← pinguim X
construir_tecto X ← voa X
ave tweety
pinguim sam
ave X ← not ave X
pinguim X ← not pinguim X
voa X ← not voa X
Programa 2.2 66 Capítulo 2. Representação do Conhecimento O programa em lógica extendida Programa 2.2 é agora equivalente ao Programa 2.1. Note‐se ainda que neste programa se assume que as aves são os únicos objectos do universo que voam. A interpretação do mundo fechado de um programa lógico geral MF(∏) é o programa em lógica extendida que se obtém de ∏ acrescentando a regra: p
,
,
p
,
,
para todos os predicados p da linguagem de ∏, sendo (2.9) ,
,
variáveis distintas e n a cardinalidade de p. 2.8 Reflexão Crítica Uma decisão pode ser entendida como a escolha entre duas ou mais alternativas de acção num mundo possível. No entanto, um agente autónomo necessita de mais do que a capacidade de escolha para conseguir tomar decisões. Nomeadamente, deve ser capaz de reconhecer que é necessário tomar uma decisão, de formular alternativas, de identificar fontes de informação relevantes que possam ser úteis na escolha, de argumentar a favor e contra cada opção à luz da informação existente, de escolher uma das opções com base nesses argumentos e, finalmente, deve ser capaz de assumir uma escolha, executando as acções correspondentes ou actualizando as suas crenças sobre o mundo. Neste capítulo ocupámo‐nos do tema da representação do conhecimento, que consideramos fulcral no desenvolvimento de sistemas de apoio à decisão, principalmente no contexto que é transversal a todo o trabalho desenvolvido – a tomada de decisão com informação imperfeita. A concepção de sistemas de apoio à decisão em IA, em situações de conhecimento imperfeito, nomeadamente do conhecimento do senso comum, onde 67 Capítulo 2. Representação do Conhecimento a incerteza, a inexactidão, a incompletude e a incoerência são as únicas certezas, tem sido influenciada por várias abordagens. Neste capítulo dividimos essas abordagens, quanto à representação do conhecimento, em duas grandes categorias: as abordagens quantitativas e as abordagens qualitativas. Assumidamente não se pretende efectuar nesta tese uma discussão exaustiva de todas as formas de representação possíveis em ambas as categorias. Na primeira categoria foram apresentados exemplos de abordagens há muito estudadas e utilizadas, que modelam o processo de decisão em termos de probabilidades numéricas atribuídas a hipotéticos estados do mundo e a evidências condicionadas desses estados. Incluímos também nesta categoria as abordagens pelos factores de certeza e conjuntos vagos. A primeira pela sua simplicidade e divulgação em sistemas periciais, mau grado a crítica comum à falta de fundamentos teóricos que a suportem. A segunda, conjunto vagos, porque tem uma base teórica sólida no tratamento da informação imprecisa e atingiu a maturidade, traduzida em inúmeras aplicações práticas. As duas abordagens têm vantagens e desvantagens, a maioria das quais já foi enumerada para cada tipo de representação. Sintetizando, para as abordagens quantitativas: 
a dependência dos sistemas normativos nas estimativas de parâmetros, tradicionalmente probabilidade e valores de utilidade, tornam problemática a sua utilização em problemas do mundo real; 
os sistemas baseados em probabilidades, nomeadamente as redes Bayesianas, podem ser treinados com base em dados retrospectivos e representadas relações de causalidade, o que facilita a aquisição de conhecimento; 
no entanto, são abordagens caracterizadas por uma incapacidade em enfrentar o problema da informação incompleta, principalmente o da ignorância (ausência total de informação). 68 Capítulo 2. Representação do Conhecimento Para as abordagens qualitativas: 
a fácil implementação de mecanismos de explicação usando representações baseadas em lógica simplifica o teste de modelos; 
nos sistemas baseados em regras pode ser representado o conhecimento heurístico dos peritos; 
as representações qualitativas, por exemplo a lógica de predicados, permitem a concepção de mecanismos de inferência especializados; 
a representação simbólica facilita a implementação de métodos para raciocinar sobre a relevância do próprio conhecimento e para controlar a sua aplicação, mais difíceis em algoritmos quantitativos, ou seja, as representações baseadas em lógica, e consequentemente as linguagens e técnicas nelas baseadas, têm potencialidades acrescidas de raciocínio ao nível do meta‐conhecimento; 
as representações baseadas em lógica são capazes de representar a incompletude e a ignorância, duas questões fundamentais nesta tese. Pesando os argumentos a favor e contra cada uma das categorias de abordagens, assumimos nesta tese: 
que o raciocínio do senso comum envolve a utilização de representações simbólicas e processos computacionais que manipulam essas representações; 
que uma representação declarativa do conhecimento do senso comum é mais apropriada que uma representação procedimental. Assim, e para obviar às limitações da lógica clássica, de entre as duas vias tradicionais ‐ introdução de novos operadores ou introdução de novas regras de inferência – seguimos a segunda alternativa. Propomos assim, e como se verá mais adiante, uma representação simbólica de conhecimento, suportada por uma extensão à programação em lógica. 69 Capítulo 2. Representação do Conhecimento 70 Capítulo 3 Tomada de Decisão Multi­critério Capítulo 3. Tomada de Decisão Multi‐critério The truth is not always the same as the majority decision. Pope John Paul II
3.1 Introdução A tomada de decisões no mundo real coloca‐nos frequentemente perante diversas alternativas possíveis e é realizada na presença de diferentes critérios, muitas vezes conflituantes entre si. Não há geralmente uma alternativa ideal, tornando‐se necessário estabelecer compromissos e identificar a solução que permite um melhor balanceamento entre os critérios em presença. As características essenciais da Tomada de Decisão Multi‐critério16 (TDMC) (Yoon and Hwang 1995) (Belton and Stewart 2002) (Figueira, Greco et al. 2005) (Lu, Zhang et al. 2007) podem ser assim enumeradas: 
Multiplos critérios – cada problema apresenta uma multiplicidade de critérios, que podem ser considerados objectivos ou atributos; 
Conflitos entre critérios – muitos dos critérios presentes conflituam entre si; 
Diferentes unidades de medida – os critérios podem ter unidades de medida incompatíveis entre si; 
Concepção vs. Selecção – as soluções para um problema no contexto da TDMC podem passar pela concepção da melhor alternativa ou pela 16
Na terminologia anglo‐saxónica: MCDM – Multi‐critéria Decision Making ou MCDA – Multiple Criteria Decision Analysis. 72 Capítulo 3. Tomada de Decisão Multi‐critério selecção da melhor de entre um conjunto de alternativas previamente definidas. O termo acção potencial designa aquilo que constitui o objecto de uma decisão, sendo o conjunto das acções potenciais um subconjunto de todas as acções possíveis, subconjunto esse que inclui apenas as acções consideradas exequíveis, capazes de serem implementadas. O conceito de alternativa corresponde ao caso particular em que duas ou mais acções potenciais não podem ser implementas conjuntamente, ou seja, são mutuamente exclusivas. No entanto, em muitos contextos de decisão no mundo real, pode ser mais apropriado adoptar a hipótese de que várias acções potenciais são passíveis de serem implementadas em conjunto. Uma alternativa é considerada como potencial ou praticável se for possível a sua implementação. Nesta tese iremos usar como sinónimos acção potencial, solução e alternativa. Este capítulo está organizado da seguinte forma: começamos por definir alguma terminologia considerada essencial. Depois descrevem‐se sumariamente o Modelo da Racionalidade Limitada de Simon, como exemplo de processo de tomada de decisão em ambientes de incerteza, e o Modelo Circumplexo de McGrath, seleccionado para ilustrar a sistematização das tarefas de tomada de decisão em grupo. Seguidamente são apresentados os conceitos da tomada de decisão multi‐critério e uma taxonomia dos principais métodos de suporte. Finalmente, são apresentados métodos de apoio à tomada de decisão multi‐critério, seleccionados por serem exemplos (e apenas exemplos) considerados adequados ao ambiente de tomada de decisão do VirtualECare, nomeadamente por permitirem organizar e estruturar a resolução de problemas complexos não estruturados. Seleccionamos um método analítico (o Analytic Hierarchy Process) já usado com sucesso em processos de tomada de decisão em grupo e duas técnicas de geração de ideias e de identificação de problemas (Técnica de Grupo Nominal e Delphi). 73 Capítulo 3. Tomada de Decisão Multi‐critério 3.2 Modelo, metamodelo de processo e metodologia Para a discussão que se segue convém definir o que entendemos por metodologia, método, modelo e processo, de forma a clarificar o sentido epistemológico em que estes termos são usados ao longo do texto. 3.2.1 Modelo de Processo Em sentido lato, podemos dizer que processo é uma sequência de actividades que conduzem a um dado resultado. Por exemplo, o processo industrial numa fábrica compreende todas as actividades para produzir um determinado bem, desde a recepção das matérias‐primas e sua transformação até à embalagem e expedição para o cliente. O termo modelo de processo e o termo processo são por vezes usados indistintamente, embora se refiram a conceitos com níveis de abstracção diferentes. Um modelo de processo é um esquema conceptual que define a organização das tarefas que devem ser realizadas ao longo do ciclo de vida de um sistema, eventualmente agrupando‐as em fases e subdividindo‐as em actividades. Da mesma forma determina o sequenciamento dessas actividades, como se relacionam entre si e quais os critérios para progredir nas várias fases. Um modelo de processo traduz a organização do trabalho para se atingir um dado objectivo. O modelo de processo é então instanciado sempre que necessário, num processo em concreto, para produzir algo tangível ou intangível, para mudar um contexto ou para mudar o estado do mundo. 74 Capítulo 3. Tomada de Decisão Multi‐critério Ciclo de Vida ‐ quando um processo tem como objectivo a concepção de um produto, e tem uma abrangência como indicado acima, é muitas vezes usado o termo ciclo de vida como sinónimo de processo. O conceito de fase está associado a um intervalo de tempo ou a um conjunto de actividades de um projecto, relacionadas entre si e que normalmente culminam com a finalização de um entregável17. Neste texto, o termo fase será usado para designar um conjunto de actividades. Shari Pfleeger (2001), citado em (Brown, Cobb et al. 2002), define a lista de atributos essenciais num modelo de processo: 
O modelo de processo preconiza todas as tarefas principais a executar; 
O processo tem associados recursos, pessoas e um conjunto de constrangimentos (por exemplo prazos) e fornece produtos, tangíveis ou intangíveis, intermédios e finais; 
O processo pode ser decomposto em sub‐processos, inter‐relacionados de alguma forma: pode ser definido como uma hierarquia de processos, organizado para que cada sub‐processo tenha o seu próprio modelo (de processo); 
Existem critérios de iniciação e término para todas as actividades do processo, de forma a saber‐se quando cada actividade deve começar e acabar; 
As actividades são organizadas em sequência ou em paralelo de maneira a saber‐se quando uma actividade é realizada, relativamente às outras actividades; 
Cada processo tem um conjunto de regras que explicam os objectivos de cada actividade; 17
Neologismo muitas vezes empregue para designar um “deliverable”, ou seja o resultado tangível do trabalho realizado numa ou mais actividades. 75 Capítulo 3. Tomada de Decisão Multi‐critério Podem existir constrangimentos ou serem aplicados controles nas actividades, recursos ou produtos. Por exemplo, o orçamento ou os prazos podem ser um constrangimento para a duração de uma actividade. 3.2.2 Metamodelo de processo Um metamodelo é a definição estrita dos blocos construtivos e regras necessárias para a criação de modelos semânticos num domínio de interesse (Ernst). Ao construirmos um metamodelo estamos a escolher os conceitos e os relacionamentos entre eles, com os quais vamos modelar uma classe de problemas. Um metamodelo de processo está um nível de abstracção acima do modelo de processo. Enquanto um modelo de processo é instanciado em diferentes processos físicos, um metamodelo é instanciado em diferentes modelos de processo. Assim, com um metamodelo de processos pretende‐se representar as características gerais comuns de uma classe de modelos de processo, através de um sistema de conceitos. Os metamodelos em que estamos interessados nesta tese são os Metamodelos de Processos de Decisão18 (Rolland, Nurcan et al. 2000). Estes metamodelos relacionam os conceitos de Problema, Alternativa e Argumento. As alternativas são soluções possíveis para um problema que surge no contexto de um processo mais geral, e podem ser apoiadas ou contrariadas por argumentos. O conceito de Processo de Decisão, no âmbito do desenvolvimento de SI, foi inicialmente proposto por Kunz e Rittel (Kunz, Rittel et al. 1970) e posteriormente desenvolvido por (Potts 1989) e no projecto DAIDA (Jarke, Mylopoulos et al. 1992). 18
Decision‐oriented Process Metamodels 76 Capítulo 3. Tomada de Decisão Multi‐critério Na Figura 3.1, adaptada de (Potts 1989), é apresentado um metamodelo de processo de decisão no âmbito do desenvolvimento de SI. Durante uma fase do desenvolvimento podem surgir problemas, que podem ter como solução várias alternativas, as quais são suportadas ou contrariadas por alternativas, que por sua vez referenciam artefactos. As alternativas podem contribuir para as fases. Um problema pode obrigar a rever um artefacto, o qual pode ser modificado numa fase. Figura 3.1 – Metamodelo de processo de decisão (adaptado de Potts) No âmbito do projecto RED (Rigorously Engineered Decisions), Fox e os seus colegas (2006) (Glasspool and Fox 2005) definiram o metamodelo Domino (Figura 3.2). Este metamodelo foi concebido no âmbito do desenvolvimento de Sistemas Multi‐Agente (SMA), seguindo de perto a arquitectura Crenças‐Desejos‐Intenções (CDI19) (Wooldridge 2000). O modelo pretende também incorporar o raciocínio sob incerteza, a tomada de decisões e o planeamento de tarefas. 19
Modelo BDI Belief‐Desire‐Intention 77 Capítulo 3. Tomada de Decisão Multi‐critério Dado um conjunto de crenças, um “agente” pode inferir objectivos e várias soluções alternativas para esses objectivos. Se houver mais de uma alternativa, o sistema deve considerar os argumentos a favor e contra cada uma delas e tomar decisões baseadas na validade desses argumentos. Uma decisão pode levar ao estabelecimento de uma nova crença ou levar ao estabelecimento de um plano de acções para atingir um objectivo. Os nodos representam informação relevante para caracterizar uma situação, decisões e tarefas em curso ou planeadas. Figura 3.2 – Metamodelo Domino (adaptado de (Isern and Moreno 2008)) Cada arco orientado representa um procedimento de inferência, eventualmente abdutivo, para chegar a uma conclusão a partir da informação disponível. O procedimento de inferência usa informação do tipo indicado na origem do arco dirigido e gera informação do tipo presente no destino do arco. A lógica de decisão está representada nos quatro nodos da parte esquerda do modelo e os dois nodos da parte direita representam os processos necessários para o planeamento e execução das tarefas. 78 Capítulo 3. Tomada de Decisão Multi‐critério 3.2.3 Metodologia O termo metodologia refere‐se a “parte de uma ciência que estuda os métodos aos quais ela própria recorre” e método a “procedimento, técnica ou meio de se fazer alguma coisa, especialmente de acordo com um plano” (Houaiss and Villar 2003) [pág. 2477]. O conceito de metodologia pressupõe sempre um modelo de processo associado, ou seja, a sequência de etapas e procedimentos recomendados para serem aplicados durante o processo de desenvolvimento e acrescenta‐lhe a definição de um conjunto de ferramentas, técnicas e notações (Silva and Videira 2001). Em última análise, uma metodologia dita a forma como as pessoas trabalham em conjunto num dado projecto. Nesse sentido, é por vezes usado o termo metodologia com o mesmo significado de modelo de processo. A Figura 3.3, adaptada de (Chrissis, Konrad et al. 2003), ilustra a interligação entre as três dimensões consideradas críticas num trabalho em grupo: pessoas, procedimentos e métodos, ferramentas e equipamentos. Figura 3.3 – As três dimensões críticas num trabalho em grupo 79 Capítulo 3. Tomada de Decisão Multi‐critério Tradicionalmente, numa metodologia um projecto é dividido em fases, sendo uma fase uma abstracção útil para agrupar um conjunto de actividades relacionadas entre si, temporalmente ou não. Para cada fase são necessários inputs e são produzidos outputs por pessoas usando ferramentas e recorrendo, eventualmente, a modelos. Em cada fase podem ser seguidos métodos que prescrevem um conjunto de recomendações genéricas para as actividades a desenvolver, as técnicas a usar e os modelos a criar (por exemplo, métodos de análise, métodos de teste, etc.). Na literatura consultada o termo metodologia é muitas vezes usado como sinónimo de método. Nesta tese considera‐se que metodologia é um conjunto de métodos20, normalmente baseados num paradigma comum. A Figura 3.4 ilustra a interligação dos conceitos de método, ferramenta e técnica. Métodos
Figura 3.4 – Relação entre métodos, técnicas e ferramentas 20
Methodology ‐ a body of methods, rules, and postulates employed by a discipline : a particular procedure or set of procedures (methodology. (2009). In Merriam‐Webster Online Dictionary. [Consult. 20 Dez. 2009]. Disponível em <URL: http://www.merriam‐webster.com/dictionary/methodology>). 80 Capítulo 3. Tomada de Decisão Multi‐critério Técnica21 é um conjunto de procedimentos concretos ligados a uma arte ou ciência e que permite a aplicação do conhecimento científico na indústria ou nos negócios. Ferramenta é um utensílio ou máquina usada para realizar trabalho, normalmente no âmbito de uma tarefa específica. Uma metodologia inclui também um conjunto de regras e princípios a seguir (Silva and Videira 2001): 
Regras para elaboração de estimativas de custos e prazos; 
Técnicas e critérios (métricas) para efectuar medições; 
Procedimentos a seguir para garantia da qualidade; 
Competências necessárias para a equipa e eventuais planos de formação; 
Definição dos modelos descritivos do sistema; 
Técnicas para configurar a metodologia, que permitam a sua adaptação a realidades específicas. Um modelo é uma representação conceptual de um sistema, seguindo as regras de um meta‐modelo. É também uma simplificação da realidade que descreve completamente um sistema segundo uma perspectiva em particular (Kruchten 2003). 21
Da mesma forma que os conceitos de metodologia e método são muitas vezes confundidos, também os conceitos de tecnologia e técnica o são. Tal como se fez para o termo metodologia, será usado o termo tecnologia apenas quando se pretender uma maior abrangência, no sentido da definição dada por Houaiss, A. and M. d. S. Villar (2003). Dicionário Houaiss da língua portuguesa. Lisboa. (pág. 3474): “teoria geral e/ou estudo sistemático sobre técnicas, processos, métodos, meios e instrumentos de um ou mais ofícios ou domínios da actividade humana”. 81 Capítulo 3. Tomada de Decisão Multi‐critério 3.3 Modelos do processo de decisão Não se pretende neste trabalho efectuar uma revisão exaustiva das teorias e métodos de tomada decisão. O leitor mais interessado nessa área poderá consultar (Lu, Zhang et al. 2007) (Morçöl 2007) (Adam and Humphreys 2008) onde estes temas são abordados exaustivamente. Faremos aqui apenas uma análise do Modelo da Racionalidade Limitada de Simon, comparando‐o com o modelo racional clássico, e do Modelo Circumplexo de McGrath. O primeiro porque enquadra e formaliza a tomada de decisão em ambientes de incerteza, adequando de forma pragmática o modelo racional às limitações dos decisores e das ferramentas ao seu dispor. O segundo porque apresenta uma sistematização das tarefas de tomada de decisão em grupo, que permite perceber melhor a dinâmica e a complexidade do processo. 3.3.1 Modelo racional clássico vs. Modelo da racionalidade limitada No modelo racional clássico, o “homem económico” (Simon 1955) teria um conhecimento absoluto, ou quase, do mundo que o rodeia e um sistema de preferências perfeitamente organizado. A juntar a estas características, possuiria também uma capacidade de cálculo que lhe permitiria avaliar todas as possíveis alternativas de decisão disponíveis e seleccionar aquela com maior valor na sua escala de preferências. Ainda segundo Simon (Simon 1955), todos os modelos de comportamento racional incluiriam todos ou alguns dos elementos indicados a seguir: 
Um conjunto A de opções ou decisões alternativas. 
O subconjunto de alternativas A’ (A’A) de que o agente inteligente tem conhecimento (contexto) e de que tem percepção (cognição). Ou seja, o 82 Capítulo 3. Tomada de Decisão Multi‐critério agente faz a sua escolha de entre um conjunto de alternativas mais reduzido do que aquele que de facto existe. 
O conjunto S de estados futuros possíveis resultantes, ou consequência, do conjunto de alternativas. 
Uma função de recompensa V(s), definida para todos os elementos s de S, capaz de permitir calcular o valor ou a utilidade de cada um dos resultados possíveis. Em muitas situações bastará uma relação de ordem entre eles, mesmo parcial, de acordo com a escala de preferências do agente, isto é, uma relação que permita estabelecer, para um par de valores (s1, s2), se s1 é preferido a s2. 
Informação sobre qual o estado futuro em S que resultará de uma determinada escolha a  A. Esta informação pode ser incompleta, ou seja pode haver mais de um resultado possível s para cada alternativa a. 
Informação sobre a probabilidade de cada resultado particular s ocorrer se a alternativa a for escolhida, Pa(s), sendo que ∑
1. Assim, no modelo racional clássico, uma alternativa só é óptima se: i) existir um conjunto de critérios que permitem que todas as alternativas sejam comparadas e ii) a alternativa for escolhida segundo esses critérios. À teoria clássica Simon contrapõe um modelo de racionalidade limitada (Simon 1997), introduzindo o conceito de decisões satisfatórias. Uma alternativa é satisfatória quando: i) existe um conjunto de critérios que descreve um mínimo de satisfação para as alternativas e ii) a alternativa escolhida satisfaz esses critérios. Ficam assim cobertas as situações, que Simon considera mais próximas da realidade, em que não é viável gerar todas as alternativas possíveis nem é possível ou interessante procurar a alternativa óptima. O decisor deverá então seleccionar a primeira alternativa que satisfaça os critérios de decisão. Como escreve Simon (1997): 83 Capítulo 3. Tomada de Decisão Multi‐critério “Instead of assuming a fixed set of alternatives among which the decision maker chooses, we may postulate a process for generating alternatives. Instead of assuming known probability distributions of outcomes, we may introduce estimating procedures for them, or we may look for strategies for dealing with uncertainty that do not assume knowledge of probabilities. Instead of assuming the maximization of a utility function, we may postulate a satisficing strategy.” [pág. 291] É o “homem administrativo”, por oposição ao “homem económico” da teoria clássica, que tem em conta as limitações cognitivas do decisor, nomeadamente a impossibilidade de conhecer todas as alternativas possíveis e a incapacidade de estabelecer critérios absolutos para optimizar as suas decisões. Procura, assim, tomar decisões atendendo aos padrões mínimos de satisfação e nunca de optimização. Aos elementos identificados acima Simon acrescenta um modelo de processo de tomada de decisão dividido em três fases (Simon 1977): 1. Inteligência (Qual é o problema?); 2. Concepção (Quais são as soluções alternativas?); 3. Escolha (Qual é a melhor alternativa?). A Figura 3.5, adaptada de (Lu, Zhang et al. 2007) e de (Mora, Forgionne et al. 2002), mostra esquematicamente estas fases, juntamente com a fase de implementação, a qual foi acrescentada mais tarde por Robert Sprage e Dave Carlson (1982). 84 Capítulo 3. Tomada de Decisão Multi‐critério Figura 3.5 ‐ Modelo do processo de decisão Inteligência Na fase da inteligência a realidade que rodeia a organização é analisada, de forma intermitente ou contínua, visando a identificação de um problema ou de uma oportunidade de mudança. A percepção da necessidade de uma actividade de decisão desencadeia o processo. A identificação de um problema passa pela compreensão dos pressupostos de gestão da organização, dos limites e da missão desta, e das condições iniciais e desejadas. Tem como objectivo principal esclarecer todos os aspectos em presença e preparar uma descrição completa do problema. Para a tomada de decisão em grupo 85 Capítulo 3. Tomada de Decisão Multi‐critério esta descrição é ainda mais importante, para uma compreensão clara do que está em jogo, por parte de todos os elementos. Como exemplo de problema vamos considerar que um utente do VirtualECare necessita de ser operado para colocação de uma prótese na anca, que vai melhorar consideravelmente a sua mobilidade. A análise de requisitos identifica as condições que qualquer solução aceitável deverá cumprir, ou seja, as restrições impostas ao conjunto de soluções possíveis. Os requisitos podem ser definidos através da recolha de dados e da análise da situação. Os requisitos para o exemplo acima podem incluir o custo da prótese e o prazo para a realização da operação. Concepção A fase da concepção inclui todas as tarefas necessárias para gerar diferentes soluções para o problema. O grupo de decisores pode optar por procurar soluções já prontas, por adaptar uma dessas soluções ou por desenvolver soluções específicas. Esta fase começa com a identificação dos objectivos para a decisão do problema e estabelecimento das respectivas metas. Pode haver objectivos conflituantes e nem todos terão o mesmo grau de importância. As metas devem permitir quantificar os objectivos ou estabelecer uma medida que permita avaliar se um dado objectivo foi atingido. Para uma decisão em grupo pode ser necessário resolver opiniões contrárias sobre objectivos, recorrendo por exemplo à negociação, e mesmo à votação, até se chegar a um conjunto de objectivos e metas aceite por todo o grupo. Os objectivos definidos ajudam na geração de alternativas, as quais devem cumprir os requisitos identificados na fase anterior. Esta verificação pode ser exaustiva no caso de o conjunto de alternativas ser finito, terminando com a obtenção de uma lista explícita de soluções, ou, sendo infinito, será o conjunto de soluções que satisfaz as restrições, na formulação matemática dos requisitos. A 86 Capítulo 3. Tomada de Decisão Multi‐critério produtividade individual dos membros de um grupo pode ser multiplicada por técnicas desenvolvidas há várias dezenas de anos, como o brainstorming22, criado por Alex Osborn em 1953, ou o Synectics23, desenvolvido por George Prince e William Gordon nos anos cinquenta. Uma descrição destas técnicas pode ser encontrada em (Stewart, Shamdasani et al. 2006). Na fase de concepção é construído o modelo que permitirá avaliar as diferentes alternativas. Isso é feito à custa da definição de um conjunto de pressupostos, que implica normalmente uma simplificação da realidade, e do estabelecimento das relações entre as variáveis em jogo. O modelo é então validado e são definidos os critérios de acordo com os objectivos. Muitas vezes, o processo de construção do modelo permite identificar soluções potenciais e vice‐versa. Este modelo está associado a um método ou a uma ferramenta de decisão, que deverá também ser seleccionado nesta fase. A selecção do método mais apropriado depende do tipo de problema em concreto e do contexto do processo de decisão. No caso da decisão em grupo deverá ser ajustado à forma como vão decorrer os trabalhos, por exemplo se as reuniões vão ocorrer com todos os participantes no mesmo local e se existe um líder, entre outros. Escolha A fase da escolha tem por objectivo a selecção de uma das soluções propostas para o modelo adoptado antes, de entre as alternativas identificadas na fase anterior. 22
Numa sessão de brainstorming, com ou sem moderador, os membros do grupo são instados a conceber soluções sem se preocuparem com o seu custo ou exequibilidade, por mais inverosímeis que possam ser. Os membros não devem criticar as ideias uns dos outros, mas, pelo contrário, devem até desenvolvê‐las ou redesenhá‐las. Pretende criar‐se um ambiente que favoreça a criatividade e o aparecimento de um grande número de ideias, na expectativa que desse grande número surja, pelo menos, uma ideia aproveitável. 23
Synectics é uma abordagem mais estruturada que o brainstorming para a geração de ideias. Exige um moderador habilitado, capaz de conduzir o grupo numa análise do problema e procura de soluções segundo perspectivas não habituais, eventualmente por analogia com situações que não têm directamente a ver com o problema. Por exemplo, o moderador pode sugerir que o grupo naufragou numa ilha deserta sem as ferramentas habituais para as tarefas do dia‐a‐dia, mas com amplos recursos naturais à disposição. 87 Capítulo 3. Tomada de Decisão Multi‐critério A primeira tarefa passa pela avaliação das alternativas face aos objectivos definidos, usando os critérios fixados antes e seguindo o método adoptado. Em face de problemas multi‐atributo a escolha torna‐se mais difícil, podendo na prática ser usadas diversas estratégias de decisão, muitas delas baseadas em heurísticas. Se possível, a solução é testada para determinar a sua viabilidade. Nesta fase podem ser usadas diferentes técnicas de decisão, conforme a decisão é tomada por um indivíduo ou em grupo. A seguir, e apenas como exemplo, apresentam‐se alguns métodos de decisão em grupo (Lu, Zhang et al. 2007): 
Regra da maioria – a decisão é baseada numa votação das alternativas, após um período de discussão. Permite decisões rápidas, mas o resultado pode ser afectado se não for dado o tempo suficiente para a discussão. 
Regra da minoria negativa – são votadas e eliminadas sucessivamente as alternativas consideradas menos interessantes, até restar apenas uma. Útil quando há muitas alternativas e o grupo é constituído por poucos membros. É um método mais lento e pode levar a uma menor satisfação entre os membros do grupo. 
Regra do ranking – os participantes atribuem uma pontuação a cada alternativa, por exemplo um valor entre 1 e 10 – sendo 10 a melhor pontuação. São somados os pontos obtidos por cada alternativa e é escolhida a alternativa que conseguir maior pontuação. Embora este método inclua uma votação, pode ter como resultado uma solução que não é a primeira escolha de nenhum dos membros do grupo, com os consequentes problemas potenciais de suporte à decisão na sua implementação. 
Regra do consenso – a decisão é discutida e negociada até que todos os membros concordam que esta é aceitável e que corresponde à melhor linha de acção. Todos os participantes têm a mesma capacidade de 88 Capítulo 3. Tomada de Decisão Multi‐critério influenciar a decisão final, ou pelo menos estão convencidos disso, e continuarão a suportar o grupo. Obriga a um cuidado acrescido na partilha da informação e nos canais de comunicação entre os participantes. Obviamente é um método tendencialmente mais demorado, sendo por vezes difícil ou até impossível chegar a um consenso, o que leva a que seja habitualmente combinado com outros métodos. Implementação A fase da implementação é auto‐explicativa. A solução seleccionada é implementada, podendo, em caso de insucesso na resolução do problema, regressar‐
se a uma das fases anteriores. 3.3.2 Modelo Circumplexo de McGrath A compreensão do processo e do desempenho do trabalho em grupo passa obrigatoriamente pelo estudo dos tipos de tarefas realizadas (Steiner 1972) (Hackman, Morris et al. 1975) (Laughlin 1980) (Shaw, Robbin et al. 1981) (Gladstein 1984) (Witte and Davis 1996). Steiner (1972) organizou as tarefas em dois grandes grupos: as indivisíveis, que produzem um único resultado e que devem ser executadas em bloco, e as divisíveis. Desagregou ainda as tarefas unitárias em função da forma como o esforço dos elementos do grupo é combinado para se chegar ao resultado: tarefas disjuntivas, conjuntivas, aditivas ou arbitrárias. Hackman e o seu grupo (1975) definiram três tipos de tarefas intelectuais: produção (por exemplo a geração de ideias), discussão e tarefas de resolução de problemas. Laughlin e os seus colegas (1980) classificaram as tarefas entre colaborativas e competitivas: as colaborativas incluíam tarefas intelectuais (criativas) e de decisão, enquanto as competitivas estavam associadas a 89 Capítulo 3. Tomada de Decisão Multi‐critério negociação, disputa e estabelecimento de alianças. Shaw e os seus colegas (1981) identificou seis dimensões para as tarefas em grupo: dificuldade, multiplicidade de soluções, interesse intrínseco, familiaridade, requisitos de cooperação e intelectuais versus manipulativos. O modelo circumplexo de McGrath sistematiza e classifica os tipos de tarefas, integrando muitos dos conceitos propostos por Hackman, Laughlin, Shaw e Steiner. McGrath sugere que a maioria das tarefas pode ser classificada em quatro quadrantes, correspondentes a quatro processos básicos: Gerar, Escolher, Negociar e Executar ‐ ver a Figura 3.6, adaptada de (Hancock and Szalma 2008). Figura 3.6 ‐ Modelo circumplexo de McGrath 90 Capítulo 3. Tomada de Decisão Multi‐critério As categorias e os tipos de tarefas estão relacionadas entre si num espaço cartesiano, onde o eixo horizontal reflecte o grau em que a tarefa exige trabalho cognitivo versus comportamental e o eixo vertical reflecte o grau de colaboração versus competição dos tipos de tarefas. Os tipos de tarefas Escolha e Execução estão nos extremos opostos do eixo cognitivo/comportamental, respectivamente. A disposição das tarefas no modelo circumplexo está feita de modo a que as tarefas vizinhas sejam as que têm mais afinidades entre si. O primeiro quadrante – Gerar – está dividido em Tarefas Tipo 1, Gerar Planos, e Tarefas Tipo 2, Gerar Ideias. As tarefas deste quadrante, principalmente as actividades de brainstorming, estão relacionadas com a criatividade do grupo e são do tipo colaborativo ou cooperativo, no sentido em que o grupo não necessita de decidir sobre uma resposta única nem de avaliar a qualidade das contribuições dos seus membros. Cada membro pode contribuir de forma independente com as suas ideias e cada ideia original aumenta a produtividade do grupo. A necessidade de coordenação entre os membros é mínima e o grupo não precisa de chegar a um consenso. O sucesso do grupo é determinado pela quantidade e qualidade dos planos e ideias gerados, sendo certo que não há, neste quadrante, respostas absolutas, certas ou erradas. O segundo quadrante – Escolher – contém Tarefas Tipo 3, Intelectuais, e Tarefas Tipo 4, Tomada de decisão. Agora já existe necessidade de coordenação, no sentido tradicional do termo, pois há uma interdependência entre os membros do grupo, no sentido em que as contribuições de cada um dependem, em parte, dos contributos dos outros. As Tarefas Intelectuais são aquelas para as quais existe uma resposta “correcta”, ou seja que pode ser comprovada. Compete ao grupo procurar essa resposta, que poderá ser “demonstrada” por evidências factuais ou ser obtida por consenso de um grupo de peritos. As tarefas de Tomada de Decisão não têm uma resposta “correcta”. Compete ao grupo escolher a alternativa preferida, baseada no consenso entre os membros do grupo. São tarefas mais próximas do extremo Resolução de Conflitos da dimensão vertical. De facto, como se trata da escolha de 91 Capítulo 3. Tomada de Decisão Multi‐critério uma alternativa preferida e não da “demonstravelmente correcta”, para chegar a um consenso é necessário partilhar não só informação mas também valores, atitudes e crenças acerca do mérito das opções. O terceiro quadrante – Negociar – contém tarefas em que é necessário escolher entre várias alternativas e em que existe um conflito no interior do próprio grupo. As Tarefas Tipo 5, Conflito cognitivo, são aquelas em que o grupo é obrigado a resolver conflitos relacionados com diferentes pontos de vista, muitas vezes devidos a interpretações diversas da informação disponível. Nas Tarefas Tipo 6, Motivos múltiplos, o grupo é obrigado a dirimir conflitos de interesses onde, por exemplo, cada membro tem de decidir entre optimizar o seu interesse particular e o interesse do grupo, sabendo que se todos os membros decidirem pelo seu interesse particular o grupo, no seu todo, fica a perder. Outro exemplo comum é o Dilema do Prisioneiro (Poundstone 1992), onde cada membro tem a maior recompensa se for o único a assumir uma postura competitiva e tem a menor recompensa se for também o único a assumir uma postura colaborativa. Para existir sucesso no grupo ‐ chegar a um consenso ou resolver um problema ‐ as tarefas neste quadrante exigem um grau elevado de coordenação No último quadrante – Executar – estão classificadas as tarefas que envolvem actividade manual e psicomotora. Nas Tarefas Tipo 7, Competitivas, o grupo entra em competição com outros grupos, enquanto nas Tarefas Tipo 8, Desempenho, é a tentativa de atingir um dado patamar de excelência que motiva o grupo. O modelo de McGrath foi entretanto usado em muitos estudos sobre a dinâmica e o desempenho de grupos, comparando a eficiência destes com e sem o apoio de diversos tipos de ferramentas informáticas. Um resumo dos resultados de várias dezenas de estudos realizados nos anos noventa pode ser encontrado em (Guzzo and Dickson 1996). Refira‐se que não há uma medida da eficiência do trabalho em grupo que seja universalmente aceite. Uma definição possível, embora generalista, é dada por Hackman (1987) e Sundstrom (1990) que sugerem que a 92 Capítulo 3. Tomada de Decisão Multi‐critério eficácia de um grupo é indicada por: i) as características dos resultados conseguidos pelo grupo, como quantidade ou qualidade, rapidez, satisfação das partes interessadas, entre outras; ii) as consequências que o grupo tem para os seus membros; iii) a capacidade de melhoria do desempenho futuro do grupo. Depois do seu modelo inicial, McGrath formulou um novo modelo onde apresenta os grupos como sistemas abertos complexos (Arrow, McGrath et al. 2000). Não se pretende desenvolver aqui essa nova teoria. Refira‐se, no entanto, que McGrath aponta algumas ideias que nos parecem interessantes, como a sugestão de que os grupos são sistemas dinâmicos e adaptativos, com múltiplas formas de causalidade operando em simultâneo e em vários níveis hierárquicos distintos e interligados entre si. Os grupos interagem com sistemas mais pequenos embutidos no próprio grupo (ou seja, os membros do grupo) e com sistemas mais abrangentes (por exemplo organizações, comunidades e por aí fora) onde o grupo está incluído, sendo difusas as fronteiras que, ao mesmo tempo, os ligam e separam destes outros sistemas 3.4 Taxonomia de decisão multi­critério Há dois tipos de critérios que podem estar envolvidos num problema de TDMC – objectivos e atributos, levando à divisão em duas categorias gerais (Yoon and Hwang 1995) (Lu, Zhang et al. 2007): Tomada de Decisão Multi‐objectivo (TDMO) e Tomada de Decisão Multi‐atributo24 (TDMA). A principal distinção entre a TDMA e a TDMO está relacionada com o facto de o espaço das possíveis alternativas, ou conjunto de soluções (espaço de decisão), ser 24
MODM – Multi‐objective Decision Making e MADM Multi‐attribute Decision Making, no original em ingles. 93 Capítulo 3. Tomada de Decisão Multi‐critério discreto ou contínuo. Num espaço de decisão contínuo existe um número infinito de possíveis soluções, enquanto num problema de decisão discreto o conjunto de soluções possíveis é finito (Triantaphyllou 2000). Um exemplo comum de TDMA é a compra de um carro, onde os critérios habituais passam pelo custo, consumo, índices de poluição, conforto, estética e acabamentos. Exemplos tradicionais de TDMO estão associados à selecção de uma localização para um empreendimento num espaço geográfico contínuo, como a escolha do local mais adequado para implantar um aeroporto, uma central nuclear, uma fábrica ou um aterro para resíduos sólidos urbanos. As acessibilidades, os factores demográficos, o impacto ambiental, o custo das infra‐estruturas, a dimensão e os riscos para a saúde pública são alguns critérios habituais, entre muitos outros possíveis. As expressões Tomada de Decisão Multi‐critério, Tomada de Decisão Multi‐
objectivo e Tomada de Decisão Multi‐atributo são muitas vezes confundidas e usadas com o mesmo sentido. Os conceitos seguintes permitirão uma melhor compreensão destas expressões (Yoon and Hwang 1995) (Triantaphyllou 2000) (Köksalan and Zionts 2001) (Roy 2005): Critérios – um critério g é uma ferramenta usada para avaliar e comparar acções potenciais de acordo com um determinado ponto de vista, que deverá estar, tanto quanto possível, completamente definido. Para cada acção a, esta avaliação deverá ter em conta todos os efeitos pertinentes associados ao ponto de vista considerado. Dizemos que é o desempenho de a de acordo com o critério g, denotado por g(a). Frequentemente, g(a) é um número real, sendo necessário definir explicitamente o conjunto Xg de todas as avaliações que podem ser efectuadas com o critério. Idealmente, para se conseguir efectuar comparações, deverá ser possível definir uma ordem completa <g em 94 Capítulo 3. Tomada de Decisão Multi‐critério Xg (<g, Xg), designada por escala do critério g. Os elementos x X são designados graus ou pontuação da escala. Cada grau pode ser representado por um número, uma afirmação ou um pictograma e deve permitir fazer a associação entre o desempenho segundo esse critério e as preferências dos decisores. O termo critério é, por vezes, usado na literatura para referir genericamente atributos e/ou objectivos. Neste sentido, um problema de TDMC tanto pode significar a TDMO como a TDMA. Objectivos – reflectem os requisitos ou a vontade dos decisores e indicam a direcção em que se pretende progredir. Um processo de TDMO implica a concepção de alternativas que optimizem os objectivos, ou que, pelo menos, os satisfaçam num maior grau. Metas – são aquilo que os decisores pretendem atingir em concreto, expressas num estado específico das coisas, no espaço e no tempo. Exprimem o patamar que se pretende atingir, supondo que se progride na direcção definida pelos objectivos. Atributos – são as qualidades, e parâmetros que caracterizam cada alternativa. Um processo de TDMA implica a selecção da “melhor” alternativa de entre um conjunto predeterminado de soluções descritas através dos seus atributos. Na TDMO as alternativas são muitas vezes definidas de forma implícita, através das restrições impostas por um modelo matemático, sendo os valores das variáveis de decisão determinados num domínio contínuo ou num domínio discreto mas com um número infinito (ou pelo menos tão elevado que, para todos os efeitos, é considerado infinito) de escolhas possíveis. Em consequência, não existe um número predeterminado, finito, de soluções alternativas. Pelo contrário, estas resultam da 95 Capítulo 3. Tomada de Decisão Multi‐critério aplicação de um conjunto de funções objectivo, optimizadas de acordo com um conjunto de restrições. Na TDMA o processo de decisão envolve a escolha num conjunto de alternativas, de cardinalidade finita, definido explicitamente pelos seus atributos, sendo as variáveis de decisão geralmente discretas. Um problema de decisão multi‐critério pode ser expresso de forma matricial (Triantaphyllou 2000), conforme se esquematiza na matriz de decisão A m x n , apresentada a seguir. é
…
…
…
…
(3.1) …
Sendo: |
1,2, … ,
|
1,2, … ,
um conjunto finito de alternativas de decisão; um conjunto finito de critérios, segundo os quais são avaliadas as alternativas; |
1,2, … ,
conjunto de pesos associados aos critérios e definidos pelo agente de decisão; o valor da alternativa 1, 2 , … ,
e em termos do critério de decisão , para 1, 2, … , . A tomada de decisão deverá conjugar as alternativas, os critérios, os pesos de cada critério e os resultados da avaliação pelo agente de decisão, conforme indicado 96 Capítulo 3. Tomada de Decisão Multi‐critério em (3.1). O objectivo é determinar a melhor alternativa com o maior grau de satisfação em relação a todos os critérios relevantes. O processo de decisão inclui normalmente quatro fases: i) geração de alternativas e selecção de critérios, ii) definição dos pesos de cada critério, iii) avaliação das alternativas e iv) agregação e decisão final. Na literatura podem ser encontrados diversos estudos sobre métodos de tomada de decisão multi‐critério e sobre a validade da sua aplicação em casos reais (Pohekar and Ramachandran 2004) (Wang, Jing et al. 2009). Estes métodos estão a ganhar uma popularidade crescente na abordagem a problemas reais que envolvam múltiplos objectivos e critérios conflituantes entre si, envolvendo muitas vezes critérios em unidades não comparáveis. Várias técnicas são usadas nesses métodos, nomeadamente médias e produtos ponderados, classificação e eliminação, técnicas de prevalência (outranking), conjuntos e valores vagos (fuzzy) e combinações entre elas. Os métodos são ainda classificados em determinísticos, estocásticos ou fuzzy (Triantaphyllou 2000). De entre estes, estamos particularmente interessados no primeiro tipo: os métodos determinísticos. Mais à frente serão apresentados alguns desses métodos, na perspectiva do seu interesse para o tipo de sistemas de apoio à decisão em grupo tratado nesta tese. Em muitas situações de TDMA é necessário criar as alternativas manualmente, assumindo particular relevo as técnicas de geração de ideias, assim como a determinação de como e quando se deve parar de gerar alternativas. A geração de alternativas depende fortemente da disponibilidade de informação fiável e exige conhecimento e experiência no domínio do problema. A geração de alternativas é efectuada normalmente antes da definição dos critérios contra os quais estas vão ser avaliadas e posteriormente seleccionadas. 97 Capítulo 3. Tomada de Decisão Multi‐critério Na Figura 3.7 pode ver‐se uma taxonomia de métodos de TDMA, inicialmente proposta por Yoon e Hwang (1995), cujo estudo exaustivo não se pretende efectuar nesta tese. Figura 3.7 – Taxonomia de métodos para a TDMA25 De acordo com Wang e colegas (2009) os métodos de TDMA podem ser agrupados nas três categorias indicadas a seguir. Para cada método é indicada uma referência onde o leitor poderá encontrar uma descrição detalhada do mesmo. Métodos elementares – métodos de cálculo directo: que não necessitam de informação sobre as preferências dos decisores, como os métodos de Dominância, Maximin e Maximax (Yoon and Hwang 1995); métodos de satisfação de um critério/conjunto de critérios e para os quais o decisor 25
Adaptado de Yoon, K. and C.‐L. Hwang (1995). Multiple attribute decision making: an introduction, SAGE. 98 Capítulo 3. Tomada de Decisão Multi‐critério estabelece um limiar mínimo, como os métodos Conjuntivo e Disjuntivo (Yoon and Hwang 1995); métodos de eliminação sequencial, como o método Lexicográfico e a Eliminação por Aspectos (Yoon and Hwang 1995); métodos aditivos simples de Somas e Produtos Pesados26 (Rao 2007). Métodos baseados em funções de utilidade – baseados na agregação de diferentes critérios numa função de maximização, permitem descrever as preferências através de funções de utilidade e ordenar as alternativas através de valores numéricos. São exemplos deste métodos: AHP27 ‐ Analytical Hierarchy Process (Saaty and Vargas 2006), TOPSIS – Technique for Order Preference by Similarity to Ideal Solution (Yoon and Hwang 1995), SMART – Simple Multi‐Attribute Rating Technique (Lootsma 1999), MAVT ‐ Multi‐
attribute Value Theory (Belton 1986), MAUT ‐ Multi‐Attribute Utility Theory (Sanayei, Farid Mousavi et al. 2008) Métodos de prevalência – baseados na comparabilidade parcial entre alternativas, ou relação de prevalência (Roy 1990), definida como uma relação binária sobre o conjunto de alternativas tal que, para qualquer par de alternativas ,
:
, se houver argumentos suficientes para estabelecer que a alternativa é, pelo menos, tão boa como a alternativa e ao mesmo tempo não existir nenhum motivo forte que o contrarie. Nesta categoria enumeram‐se como principais exemplos: a família de métodos ELECTRE – ELimination Et Choix TRaduisant la REalité (Figueira, Greco et al. 2009); a família de métodos PROMETHEE ‐ Preference Ranking Organization Method for Enrichment Evaluations (Behzadian, Kazemzadeh et al. 2009); o método MACBETH ‐ Measuring Attractiveness by a Categorical Based Evaluation Technique (Bana e Costa, De Corte et al. 2005). 26
Weighted Sum Model (também designado Simple Additive Weighting) e Weighted Product Model, respectivamente. 27
MAH – Método Analítico Hierárquico 99 Capítulo 3. Tomada de Decisão Multi‐critério 3.5 Métodos de apoio à decisão multi­critério Diversos Métodos de Apoio à Decisão Multi‐critério (MADM) podem ser encontrados na literatura, alguns abarcando todas as fases dos modelos de processo descritos atrás, outros abarcando apenas algumas fases. A seguir descrevem‐se de forma sumária alguns desses métodos, escolhidos segundo o critério da sua adequação ao ambiente de tomada de decisão do VirtualECare. Não significa isto que devam ser adoptados todos ou algum deles na sua totalidade, mas sim que se reconhece nestes métodos a existência de técnicas e heurísticas que podem ser úteis em determinadas situações com que um grupo de decisão possa ser confrontado. Nomeadamente, permitem organizar e estruturar a resolução de problemas complexos não estruturados. O Método Analítico Hierárquico (MAH) é um método baseado em comparações de factores dois a dois. Permite estruturar problemas de tomada de decisão complexos, representar e quantificar os factores presentes num problema, relacionando‐os com os objectivos globais e avaliar as possíveis soluções. Permite ainda lidar não só com critérios tangíveis mas também com critérios intangíveis, baseados nos julgamentos e preferências dos decisores. É usado com sucesso em processos de tomada de decisão em grupo (Dyer and Forman 1992), permitindo agregar os julgamentos e as prioridades individuais, usando, por exemplo médias aritméticas ou geométricas (Forman and Peniwati 1998). A Técnica de Grupo Nominal (TGN) e o método Delphi têm um interesse particular porque são técnicas caracterizadas por permitirem evitar parcial ou totalmente as reuniões frente‐a‐frente e, no caso do método Delphi, ser também 100 Capítulo 3. Tomada de Decisão Multi‐critério adequado a uma participação assíncrona. Ou seja, são métodos que podem ser utilizados em reuniões virtuais assíncronas (McKenna 2000). Têm ainda a característica de uma forte componente de apoio à geração de ideias, que nos parece ser de extrema importância no contexto do VirtualECare. 3.5.1 Método Analítico Hierárquico O Método Analítico Hierárquico (MAH)28 foi criado nos anos setenta pelo matemático Thomas L. Saaty (Saaty and Vargas 2006), tendo sido popularizado na resolução de problemas multi‐critério complexos (Adam and Humphreys 2008), nomeadamente problemas de planeamento e alocação de recursos, e também na resolução de problemas na área da saúde (Hariharan, Dey et al. 2004; Liberatore and Nydick 2008). É um método analítico, como o seu nome indica, seguindo uma estratégia de decomposição de um problema complexo em problemas cada vez menos complexos segundo uma estrutura hierárquica. O primeiro passo é criar a hierarquia que descreve totalmente o problema, começando com o objectivo no topo e decompondo‐o em partes, progredindo do geral para o mais específico. Na sua forma mais simples a estrutura que descreve o problema contém três níveis: no primeiro nível o objectivo, no segundo nível os critérios de decisão e no terceiro as alternativas. Uma vantagem apontada na literatura para o MAH é a de permitir comparar as alternativas aos pares, no sentido de obter medidas de proporção entre elas (rácios). Este tipo de avaliação proporcional facilita a comparação de alternativas, quer se usem critérios quantitativos quer critérios qualitativos. 28
Analytic Hierarchy Process (AHP) 101 Capítulo 3. Tomada de Decisão Multi‐critério No MAH a comparação aos pares serve para avaliar o impacto dos itens de um nível da hierarquia no nível superior. Por exemplo, os critérios são comparados dois a dois para avaliar o seu contributo para a satisfação do objectivo e as alternativas são comparadas, também duas a duas, para avaliar a medida em que cumprem cada um dos critérios. Em cada nível as comparações são organizadas numa matriz e os pesos dos itens são determinados calculando o maior valor próprio da matriz29, podendo ser usados métodos aproximados como, por exemplo, o método da potência. Para calcular a pontuação final de cada alternativa é efectuada a soma dos produtos da pontuação dessa alternativa pelo peso de cada critério. A figura 3.8 mostra uma possível hierarquia para o exemplo clássico da escolha de um automóvel. Automóvel a comprar
Estética
Fiabilidade
Economia
Civic
Civic
Civic
Clio
Clio
Clio
Fiesta
Fiesta
Fiesta
Golf
Golf
Golf
Figura 3.8 – Decomposição hierárquica do problema Para este exemplo consideraram‐se três critérios: fiabilidade, estética e economia (de combustível). Os critérios foram analisados dois a dois, chegando‐se à seguinte ponderação30 subjectiva: 29
Seja  um número real e A uma matriz quadrada nn. Diz‐se que  é um valor próprio da matriz A se existir uma matriz coluna não nula Xn1 tal que AX = X. À matriz coluna X chama‐se vector próprio associado ao valor próprio . 30
No caso das ponderações qualitativas, Saaty propõe que a importância relativa entre os critérios e alternativas seja expressa numa escala de 1 a 9: 1 – igualmente importante, 3 – moderadamente mais 102 Capítulo 3. Tomada de Decisão Multi‐critério 
A fiabilidade é duas vezes mais importante que a estética. 
A fiabilidade é quatro vezes mais importante que a economia de combustível. 
A estética é três vezes mais importante que a economia de combustível. Estas ponderações são representadas na matriz a seguir. é
é
1⁄1
1⁄2
3⁄1
2⁄1
1⁄1
4⁄1
1⁄3
1⁄4
1⁄1
Figura 3.9 – matriz com ponderações dos critérios de decisão Calculando o vector próprio da matriz pelo método da potência, e normalizando os valores para que a sua soma seja unitária, obtém‐se o peso de cada critério, como pode ver‐se na figura 3.10. A fiabilidade é o critério mais importante, seguido da estética e, por fim, a economia no consumo de combustível. é
0.3196
0.5584 0.1220
Figura 3.10 – pesos dos critérios de decisão Agora, cada uma das alternativas é ponderada subjectivamente para os critérios estética e fiabilidade, novamente comparando as alternativas duas a duas. Os factores para o critério economia são obtidos a partir dos consumos fornecidos pelo importante, 5 – mais importante, 7 – muito mais importante e 9 – radicalmente mais importante. Os valores pares são usados nos pontos intermédios. 103 Capítulo 3. Tomada de Decisão Multi‐critério fabricante, novamente normalizados para que a sua soma seja unitária. Ou seja, estamos a combinar factores qualitativos (subjectivos) com factores quantitativos. Por economia de exposição, apresenta‐se apenas a matriz com as ponderações para o critério estética (ver figura 3.11). Civic
Estética
Clio
Fiesta
Golf
Civic
1/1
1/4
4/1
1/6
Clio
4/1
1/1
4/1
1/4
Fiesta
1/4
1/4
1/1
1/5
Golf
6/1
4/1
5/1
1/1
Figura 3.11 – Ponderação das alternativas, duas em duas, em relação ao critério estética. Efectuando novamente os cálculos dos vectores próprios das matrizes, obtemos os valores da figura 3.12. Automóvel a comprar
Estética
Fiabilidade
Economia
0.3196
0.5584
0.1220
Civic
Civic
Civic
0.1160
0.3790
0.3010
Clio
Clio
Clio
0.2470
.2900
0.2390
Fiesta
Fiesta
Fiesta
0.0600
0.0740
0.2120
Golf
Golf
Golf
0.5770
0.2570
0.2480
Figura 3.12 – Decomposição hierárquica do problema, com pontuações 104 Capítulo 3. Tomada de Decisão Multi‐critério Multiplicando a matriz com a pontuação de cada alternativa pelo vector com os pesos dos critérios, obtemos a pontuação final de cada alternativa (Figura 3.13). A escolha sugerida pelo método MAH é o Golf, com uma pontuação de 0.3280. 0.1160
0.2470
0.0600
0.5770
0.3790
0.2900
0.0740
0.2570
0.3010
0.2390
0.2120
0.2480
0.3196
0.5584
0.1220
0.3060
0.2720
0.0940
0.3280
Figura 3.13 – Pontuação final de cada alternativa Uma descrição pormenorizada do MAH com vários exemplos de decisões em grupo pode ser encontrada em (Dyer and Forman 1992). No método MAH cada elemento na hierarquia é considerado independente de todos os outros. No entanto, em muitos problemas do mundo real nem os critérios são ortogonais nem as alternativas são totalmente independentes. O método Analytic Network Process (ANP) é uma generalização do AHP, incluindo no modelo a influência mútua entre os elementos do problema (Saaty 2001). A representação deixa de ser uma hierarquia pura e passa a ser uma rede (grafo dirigido). 3.5.2 Técnica de Grupo Nominal A Técnica de Grupo Nominal (TGN)31 foi desenvolvida por Andre Delbecq e Andrew Vande em 1968 (Delbecq and Van de Ven 1971) para apoiar grupos de decisão, com até cinquenta elementos (McKenna 2000), na geração de ideias e na identificação de problemas. A TGN permite chegar a uma lista de ideias por ordem de prioridade, através do uso de brainstorming e de votações nominais (regra do 31
NGT ‐ Nominal Group Technique 105 Capítulo 3. Tomada de Decisão Multi‐critério ranking). O facilitador é responsável pela condução da reunião e pela elaboração da lista final de ideias. Segundo esta técnica, a reunião inicia‐se com a escrita, em silêncio e individualmente, das ideias de cada um dos elementos do grupo. Segue‐se uma fase em que cada elemento tem a oportunidade de verbalizar as suas ideias, um de cada vez, as quais são registadas pelo facilitador enquanto os outros membros apenas escutam e tomam notas. Segue‐se um período de discussão, onde todos podem debater todas as ideias e solicitar esclarecimentos, podendo ser acrescentadas novas ideias. Nenhuma ideia é eliminada e o facilitador deve garantir que não há juízos de valor nem críticas gratuitas. Finalmente, os membros do grupo remetem‐se novamente ao silêncio e pontuam individualmente cada uma das alternativas. A alternativa com a maior pontuação agregada é a decisão seleccionada. Esta técnica é especialmente útil em grupos heterogéneos e com competências sociais desiguais entre os seus membros, garantindo uma participação equitativa de todos e resolvendo alguns dos problemas tradicionais na dinâmica de grupos. 3.5.3 Método Delphi O método Delphi foi concebido em 1959 por Olaf Helmer, Norman Dalkey, e Nicholas Rescher no âmbito do projecto RAND32, em plena guerra fria (Stewart, Shamdasani et al. 2006). É um método interactivo de previsão (o que explica o seu nome, inspirado no oráculo Delphi da antiga Grécia), derivado do TGN, e é baseado nas opiniões de um painel de peritos. Recorre‐se a este método em situações 32
O Projecto RAND (um acrónimo para Research and Development) deu origem à Rand Corporation, uma organização sem fins lucrativos criada há mais de sessenta anos. Tudo começou em 1946 com uma tarefa encomendada pelo General H. H. Arnold com o objectivo de aportar para a Força Aérea Americana os avanços científicos conseguidos pela sociedade civil durante o esforço de guerra da Segunda Guerra Mundial (http://www.rand.org) 106 Capítulo 3. Tomada de Decisão Multi‐critério envolvendo problemas complexos onde técnicas quantitativas não possam ser usadas, nomeadamente na análise a longo prazo de tendências de carácter social e/ou da influência de uma nova tecnologia, ou a previsão da ocorrência de um evento não frequente. Depois de constituído o grupo de peritos, o método desenvolve‐se iterativamente em várias fases semelhantes. Neste método os participantes não se encontram frente‐a‐frente, embora nalgumas variantes do mesmo isso possa acontecer. Em cada fase começa‐se por recolher as previsões individuais de cada perito, assim como os pressupostos ou cenários em que estes basearam a sua previsão. É também solicitado que os peritos indiquem uma medida de confiança na sua previsão, principalmente quando são baseadas em estimativas feitas pelos próprios. As previsões individuais são resumidas por um facilitador, que também as torna anónimas, e este resumo é fornecido a todo o painel. Os peritos são então convidados a rever as suas previsões em face desta súmula contendo as posições de todos os participantes. Este procedimento é repetido até se conseguir um consenso, até deixar de haver alteração nas previsões entre uma iteração e a seguinte ou quando se atinge um critério pré‐definido (por exemplo um número fixo de iterações). Os factores críticos no método de Delphi são a constituição do grupo de peritos, a concepção do conjunto de questões a usar para as previsões e pressupostos e a sumarização das contribuições individuais. O método de Delphi tem sido objecto de muitas críticas ao longo dos anos, sendo considerado por muito como um método pouco científico e de “último recurso”. No entanto, vários estudos empíricos têm também demonstrado que são obtidos resultados substancialmente melhores com este método do que com métodos quantitativos tradicionais (Mullen 2003). 107 Capítulo 3. Tomada de Decisão Multi‐critério O método Delphi é também usado para a aquisição colaborativa de conhecimento em sistemas baseados em conhecimento, nomeadamente em sistemas periciais (Boose 1989) (Liou 1992). Como principal vantagem deste método podemos apontar o facto das interacções entre os participantes serem controladas e efectuadas através de um facilitador, o qual processa a informação e filtra os conteúdos irrelevantes. O que evita os aspectos negativos da dinâmica de grupos em reuniões frente‐a‐frente, nomeadamente (Nunamaker, Dennis et al. 1991) a fragmentação do tempo de discurso, a inibição de participar, a pressão da conformidade, o receio da avaliação, a inércia cognitiva, o tempo perdido com a socialização, o domínio da discussão por parte de alguns elementos e os problemas de coordenação. Os participantes podem comentar sem constrangimento as posições do grupo como um todo e as de cada participante, incluindo também a possibilidade de rever as suas próprias previsões, de forma anónima. Numa reunião frente‐a‐frente os participantes têm tendência a manter a sua posição mesmo que já tenham interiorizado uma mudança de opinião. 3.6 Reflexão Crítica Como se pôde ver até aqui, nenhuma referência foi feita à distinção entre a tomada de decisão individual e a tomada de decisão em grupo. De facto, a generalidade das classes de métodos enumerados não têm em conta as preferências de mais de um decisor. No entanto, começa a ser consensual que a maioria das decisões no mundo real envolve vários agentes de decisão. Conforme o processo de tomada de decisão sai da esfera individual e passa a ser um processo realizado em grupo, muitas organizações criam grupos de trabalho virtuais com os membros geograficamente distribuídos (Warkentin, Sayeed et al. 1997) (Pillis and Furumo 2006). 108 Capítulo 3. Tomada de Decisão Multi‐critério As reuniões assíncronas começam, assim, a ser comuns nas organizações, permitindo que vários elementos de uma equipa possam realizar um trabalho conjunto sem estarem fisicamente no mesmo local, nem mesmo terem de reunir ao mesmo tempo. As tecnologias envolvidas, nomeadamente a utilização da Internet, permitem ultrapassar os constrangimentos de tempo e espaço associados às reuniões presenciais frente‐a‐frente e melhoram o desempenho do grupo, principalmente porque ajudam a evitar os aspectos negativos típicos da dinâmica de grupos. Estas “reuniões virtuais” necessitam de um sistema eficaz de troca de documentos e partilha de informações entre os participantes, assim como de métodos de decisão adequados ao carácter assíncrono da participação dos seus membros, como por exemplo o método de Delphi. Muitos estudos têm sido realizados na área dos problemas de decisão multi‐
critério, tendo em vista processos de decisão em grupo e tendo como objectivo o apoio aos agentes de decisão envolvidos (Lootsma 1999) (Cao and Burstein 1999) (Farnham, Chesley et al. 2000) (Antunes, Melo et al. 2007) (Marreiros, Novais et al. 2006). Nos problemas multi‐critério, a incompatibilidade de soluções não dominadas obriga a considerar no processo as preferências do decisor individual. Na presença de um processo de decisão em grupo, portanto com vários agentes de decisão, torna‐se ainda necessário considerar as preferências de todos os participantes e o processo deve ser conduzido conforme o modelo de decisão que está a ser utilizado, de forma a conseguir uma solução final. Uma possibilidade é a agregação das preferências dos diferentes participantes, valorando as preferências e as soluções de forma a estabelecer as necessárias relações de ordem entre estas últimas (Herrera, Herrera‐Viedma et al. 2001) (Zhang, Chen et al. 2004). Um aspecto negativo desta abordagem é o facto de minimizar a influência que a interacção entre os membros do grupo poderia ter para a obtenção da solução. 109 Capítulo 3. Tomada de Decisão Multi‐critério Uma abordagem diferente passa pela agregação das preferências individuais em classes de preferências, as quais podem depois ser discutidas pelos agentes de decisão num processo iterativo (Yen and Bui 1999). Esta abordagem permite uma maior interacção entre os participantes, dado que não existe uma primeira e única avaliação das diferentes alternativas, mas sim uma avaliação iterativa até se conseguir um grau de consenso considerado satisfatório. Se não for conseguida à primeira nenhuma solução, é necessário empreender um processo de negociação para analisar e, tanto quanto possível, resolver as diferenças individuais. Uma terceira abordagem passa pela utilização de um Sistema de Apoio à Decisão em Grupo (SADG), cujo suporte permita a discussão das diferentes alternativas através da apresentação dos argumentos dos elementos do grupo, com o objectivo de se chegar a um consenso sobre uma dada solução. Dada a cada vez maior característica assíncrona, no espaço e no tempo, dos processos de tomada de decisão, tornam‐se necessários os SADG que suportem essa característica e que incorporem componentes de apoio à resolução de problemas multi‐critério (Cao and Burstein 1999). Nesta tese efectuamos a aplicação da tomada de decisão multi‐atributo ao projecto VirtualECare, com suporte para grupos em contexto assíncrono. Por outro lado a maioria dos processos de decisão no mundo real decorrem num contexto em que os objectivos, as restrições e as consequências das acções alternativas não são completamente conhecidas. Desde logo, o conhecimento sobre os atributos que estão em jogo no processo de tomada de decisão é imperfeito, tornando‐se essencial que o(s) decisor(es) estejam permanentemente habilitados com uma medida da qualidade da informação disponível. Um dos objectivos desta tese é a definição de um metamodelo de processo de tomada de decisão em grupo que inclua a avaliação da qualidade de informação. O contexto que motivou este trabalho não inclui a produção de artefactos físicos. O processo de decisão está sim enquadrado num processo mais geral, contínuo no 110 Capítulo 3. Tomada de Decisão Multi‐critério tempo, de monitorização de situações que podem originar problemas, para os quais é necessário encontrar alternativas e escolher uma solução. Neste capítulo foi definido o enquadramento necessário para o desenvolvimento das soluções que serão apresentadas em capítulos posteriores. Essencialmente, caracterizámos o tipo de problemas de decisão (decisão multi‐
critério) para o qual vamos propor um modelo de processo, assim como uma sistematização das tarefas de tomada de decisão em grupo, que permite perceber melhor a dinâmica e a complexidade do processo. Os métodos de apoio à decisão em grupo apresentados foram‐no apenas como exemplo, não significando que devam ser adoptados todos ou algum deles. A apresentação destes métodos, de entre os vários que foram estudados, significa sim que se reconhece neles a existência de técnicas e heurísticas úteis num processo de tomada de decisão em grupo. Nomeadamente, permitem organizar e estruturar a resolução de problemas complexos não estruturados. O metamodelo de processo de decisão apresentado mais à frente no Capítulo 6 permite a utilização destes modelos e de quaisquer outros que permitam a realização dos diversos tipos de tarefas que identificamos neste Capítulo. Finalmente, refira‐se que a escolha de um método de apoio à decisão multi‐
critério é em si mesmo um problema de decisão multi‐critério. Um sistema inteligente de apoio à decisão em grupo deverá incluir mecanismos de recomendação do método a usar em cada situação concreta. 111 Capítulo 4 Sistemas de Apoio à Decisão em Grupo Capítulo 4. Sistemas de Apoio à Decisão em Grupo Intellectuals solve problems; geniuses prevent them. Albert Einstein
4.1 Introdução Assistiu‐se, nos últimos anos, a um interesse crescente na combinação dos avanços da sociedade do conhecimento – computadores, telecomunicações e disponibilidade da informação – para a criação de Sistemas de Apoio à Decisão em Grupo (SADG). Este interesse resulta do reconhecimento de que cada vez mais as decisões nas organizações são tomadas por grupos de indivíduos, combinando áreas do saber distintas e potenciando a qualidade dos resultados obtidos (Simon 1997). Outro factor a favor da crescente utilização dos SADG é a cada vez maior dispersão geográfica das organizações, com o que isso significa nos custos em viagens e estadia para a realização de reuniões frente‐a‐frente, quando comparados com a participação em reuniões virtuais, principalmente quando se assiste ao contínuo decréscimo do custo de equipamentos e de comunicações em banda larga. Este capítulo está organizado da seguinte forma: Começamos por fazer uma apresentação dos conceitos de Redes Colaborativas e Organizações Virtuais, essenciais para processos de tomada de decisão em grupo onde as reuniões presenciais frente‐a‐frente serão, no futuro, cada vez mais raras. Seguidamente apresentamos o conceito de Sistemas de Apoio à Decisão em Grupo, seguindo o seu trajecto desde os anos sessenta e apresentando uma sistematização taxonómica no que respeita a arquitecturas tecnológicas e tipo de suporte. São apresentados também alguns exemplos de sistemas. Finalmente, faz‐se um enquadramento deste 114 Capítulo 4. Sistemas de Apoio à Decisão em Grupo tipo de sistemas na aplicação ao apoio à decisão na saúde, com ênfase especial nos Guias Clínicos e respectivas formas de representação de informação/conhecimento. 4.2 Redes Colaborativas e Organizações Virtuais Os avanços extraordinários das tecnologias da informação e das comunicações ocorridos nos últimos anos, principalmente quando combinados com o desenvolvimento da Internet, têm tornado possível novas formas de colaboração entre pessoas e organizações para desenvolverem actividades conjuntas e complementares. Estes avanços permitem responder aos novos desafios de uma sociedade baseada no conhecimento, relacionados com ambientes colaborativos nas organizações, nomeadamente através das Redes Colaborativas (RC). Desde sempre o ser humano foi caracterizado pela sua faceta gregária, desde os pequenos grupos de caçadores/recolectores dos primórdios da Humanidade, passando pelas estruturas altamente hierarquizadas dos sistemas feudais, até à organização burocrática do século dezanove. No século vinte, essa organização passa a ter a forma de rede, aglutinando e subsumindo todas as formas anteriores. Todos nós estamos hoje ligados em rede aos nossos amigos, familiares, colegas de trabalho, etc., usando diversas tecnologias de comunicações à nossa disposição, normalmente baseadas na Internet. São as redes sociais, onde os nós (ou vértices) da rede são as pessoas e onde a interacção ocorre sem nenhum objectivo a médio/longo prazo previamente definido. Saindo do nível meramente individual, as redes que interligam organizações surgem normalmente com um objectivo específico em vista, para responder a um problema ou em antecipação a esse mesmo problema (Camarinha‐Matos and 115 Capítulo 4. Sistemas de Apoio à Decisão em Grupo Afsarmanesh 2005). Uma definição para o conceito de colaboração neste contexto é dada por Linden (2002): “Collaboration occurs when people from different organizations (or units within one organization) produce something together through joint effort, resources, and decision making, and share ownership of the final product or service.” Esta colaboração acontece em diversos tipos de redes, nomeadamente comunidades virtuais de profissionais (Rosenman, Smith et al. 2005), cadeias de valor integradas desde a produção até ao consumidor, organizações/empresas virtuais e laboratórios virtuais (Camarinha‐Matos 2004). A noção de colaboração é clarificada por Camarinha‐Matos e Afsarmanesh (2006) através da definição de alguns conceitos relacionados [pág 29]: 
Rede de comunicação – só por si não garante a criação partilhada de valor, permitindo apenas a comunicação e a troca de informação em benefício mútuo, não existindo um objectivo comum nem uma interacção coordenada; 
Coordenação – é uma das principais características da colaboração, implicando, para além da troca de informação, o trabalho em conjunto através do alinhamento/alteração de actividades, para chegar de forma mais eficiente a um resultado; 
Cooperação – permite atingir objectivos compatíveis, através da partilha de recursos e da divisão do trabalho (não de forma extensiva), continuando a necessitar da troca de informação e da coordenação de actividades, normalmente alinhadas num plano comum mas definido por uma só entidade; 
Colaboração – é um processo em que várias entidades se unem para atingir um objectivo comum, partilhando informação, recursos e responsabilidades. O programa das actividades é planeado, 116 Capítulo 4. Sistemas de Apoio à Decisão em Grupo implementado e avaliado em conjunto, implicando uma partilha de riscos e de recompensas. Sendo uma área científica emergente, não podemos dizer que existe uma definição única, consensualmente aceite, para o conceito de RC. Nas diversas definições e descrições de diferentes tipos de RC encontradas na literatura (Skyrme 1999) (Lipnack and Stamps 2000) (Camarinha‐Matos and Afsarmanesh 2004) (Camarinha‐Matos and Afsarmanesh 2006), sobressaem algumas características comuns: 
Utilização extensiva das TIC no suporte às actividades dispersas; 
Eliminação das barreiras convencionais, quer organizacionais (por exemplo departamentos) quer geográficas, ligando os indivíduos e as equipas; 
Flexibilidade na criação e reajuste de equipas ou organizações conforme necessário; 
Redução ou mesmo eliminação dos constrangimentos associados ao tempo (interacções síncronas) e ao espaço (interacções presenciais no mesmo local); 
Flexibilização dos modelos de processo de trabalho, ajustando‐os, se necessário, durante o próprio processo para obter maior eficácia. Não apresentaremos aqui o estudo exaustivo de exemplos de sistemas que têm por base uma RC ou de todas as ferramentas que permitem desenvolver sistemas de RC. Há, no entanto, um projecto para o qual se pretende chamar a atenção em especial, devido à motivação que esteve na sua origem – facilitar o estabelecimento de relacionamentos interpessoais e da confiança mútua – e devido também à opção pela comunicação verbal síncrona, aparentemente em contra‐ciclo com a tendência 117 Capítulo 4. Sistemas de Apoio à Decisão em Grupo para os sistemas assíncronos onde o áudio perde relevância. É o projecto Collaborative Environments da Sun Microsystems (Sun 2003). Collaborative Environments É um projecto da Sun, iniciado em 2003, para testar formas de diminuir a distância entre colaboradores geograficamente dispersos, através do desenvolvimento de software que crie a sensação de uma “co‐localização virtual”. O objectivo é criar ferramentas de comunicação mais eficazes através da Internet, incluindo voz e vídeo em tempo real, que permitam o estabelecimento de relacionamentos interpessoais entre colaboradores dispersos, de forma a aumentar a confiança mútua, promover a realização pessoal e consolidar a lealdade à organização. A componente de comunicação verbal é considerada essencial, sendo a ferramenta jVoiceBridge o bloco construtivo base de todos os protótipos entretanto desenvolvidos. É um componente em código aberto (open source) escrito em Java e que pode ser utilizado para gerir toda a componente áudio das interacções. A ferramenta de desenvolvimento Project Wonderland, também em código aberto, permite a criação de mundos virtuais 3D. Usando esta ferramenta, conjuntamente com a jVoiceBridge, podem criar‐se ambientes de colaboração virtuais que transmitem uma percepção muito forte de presença social dos participantes. Com estas ferramentas já foram desenvolvidos vários protótipos demonstrativos, como o Suns’s Virtual Workplace (interacção áudio e partilha de recursos em encontros virtuais), Labs Meeting Suite (áudio conferência com funcionalidades avançadas, como mostrar quem está presente, mostrar quem está a falar, votação, visualizador PDF multi‐utilizador para partilha de apresentações, “tele‐apontadores” e repositório de documentos centralizado) e 118 Capítulo 4. Sistemas de Apoio à Decisão em Grupo Porta‐Person (dispositivo de tele‐presença, ou seja que simula a presença física de um participante, tal como se ele estivesse na sala de reuniões). Assumindo que a maioria das RC possui alguma forma de organização (incluindo coordenação de actividades, definição de responsabilidades e regras de gestão), Camarinha‐Matos e Afsarmanesh (2006) propõem uma taxonomia para as Redes Colaborativas de Organizações33 (RCO). De entre as classes de RCO apresentadas, duas parecem‐nos ser especialmente relevantes no âmbito desta tese: as Organizações Virtuais34 (OV) e as Equipas Virtuais35 (EV). Vejamos as possíveis definições para estas classes de RCO, adaptadas dos mesmos autores [pág. 31]: Organizações Virtuais – aliança entre organizações juridicamente independentes que partilham recursos e competências para atingir a sua missão e objectivos, e cuja cooperação é suportada por redes de computadores. Equipas virtuais – análogas a OV mas constituídas por pessoas, e não por organizações. Representam um conjunto de profissionais/especialistas que se juntam para realizar um objectivo específico comum, durante um período de tempo limitado, usando as redes de computadores como meio principal de suporte à interacção. De facto, outras definições de OV podem ser encontradas na literatura (Han, Chin et al. 2007) (Arenas, Aziz et al. 2008) (Rusman, Bruggen et al. 2009), não totalmente coincidentes sobre o que é uma OV e quais são as suas características. Diferentes autores mencionam diferentes conjuntos de atributos, com os quais caracterizam o conceito de OV. No entanto, conseguimos identificar alguns padrões característicos comuns, que nos parecem mais relevantes: 33
Collaborative Networked Organizations Virtual Organizations 35
Virtual Team 34
119 Capítulo 4. Sistemas de Apoio à Decisão em Grupo 
Colaboração de pessoas ou entidades juridicamente independentes, contribuindo com as suas competências principais para uma integração vertical ou horizontal e aparecendo ao exterior como uma só organização; 
Dependência das comunicações e dos sistemas de informação para o funcionamento das OV; 
Estruturas hierárquicas muito achatadas, não existindo uma função centralizada de controlo; 
Duração da OV limitada no tempo, pelo menos com a mesma configuração e/ou participantes; 
Dispersão geográfica dos participantes na OV. Um estudo realizado em 2004 (Majchrzak, Malhotra et al.) relata mais de meia centena de casos de sucesso na resolução de problemas em grupo onde a interacção frente‐a‐frente foi praticamente eliminada e substituída por uma utilização colaborativa das tecnologias da informação e comunicação. Os casos apresentados enquadram‐se em várias das classes de RCO apresentadas em (Camarinha‐Matos and Afsarmanesh 2006). Os factores críticos de sucesso dos casos apresentados neste estudo giram à volta de três eixos: 
A diversidade na composição dos grupos, não só nas competências mas também nos estilos de trabalho e nas formas de cada um abordar os problemas; 
A forma como a tecnologia é usada para a coordenação de esforços, favorecendo os espaços de trabalho virtuais onde todos têm acesso à partilha de informação a qualquer instante, não só de ficheiros mas também das decisões tomadas, dos argumentos que as fundamentaram e dos compromissos assumidos, permitindo uma interacção assíncrona, em detrimento de ferramentas como a videoconferência e até do correio electrónico, entre outras; 120 Capítulo 4. Sistemas de Apoio à Decisão em Grupo 
Os esforços das lideranças para conseguirem que um conjunto de pessoas que não se conhece, que podem ter pouco de comum entre si, possa trabalhar como um grupo de pessoas que se apoiam mutuamente. Em conclusão, um aspecto crítico nas OV é o estabelecimento de relações de confiança mútua entre os interlocutores/organizações e a capacidade de constituir equipas flexíveis para reagir rapidamente a novos problemas (Kasper‐Fuehrera and Ashkanasy 2001) (Camarinha‐Matos and Afsarmanesh 2004) (Rusman, Bruggen et al. 2009). Esse é um aspecto a que daremos especial atenção, definindo métricas para a qualidade da informação sobre os actores em OV, assim como propondo formas de apoio à constituição de grupos. 4.3 Origem dos Sistemas de Apoio à Decisão em Grupo A origem dos sistemas de apoio à decisão remonta aos finais dos anos sessenta, tendo sido reconhecida a sua aplicação prática apenas duas décadas depois. Os anos setenta correspondem ao período de desenvolvimento tecnológico e conceptual, sendo os sistemas de apoio à decisão em grupo estudados em meados dos anos oitenta. No início dos anos noventa as arquitecturas de suporte (hardware e software) deixaram de ser centralizadas, passando o modelo cliente/servidor a ser o mais usual. A partir de 1995 a Internet começou a ser considerada uma plataforma viável para a implementação destes sistemas e muitas organizações começaram a desenvolver as suas Intranets/Extranets para suportar a troca de informações e a gestão do conhecimento (Shim, Warkentin et al. 2002) (Sprague and Carlson 1982) (Dennis, Wixom et al. 2001) (Power 2002) (Burstein and Holsapple 2008). 121 Capítulo 4. Sistemas de Apoio à Decisão em Grupo Na literatura podemos encontrar uma sistematização das principais características das decisões em grupo (Lu, Zhang et al. 2007), [pág. 40]: 
O grupo realiza uma tarefa de tomada de decisão. 
A decisão em grupo abarca todo o processo, desde a geração de ideias para a resolução do problema até à implementação da solução. 
Os participantes podem estar localizados no mesmo local ou em locais diferentes. 
Os participantes podem trabalhar ao mesmo tempo ou desfasados no tempo (participação síncrona ou assíncrona). 
Os participantes podem pertencer ou não ao mesmo departamento/organização. 
O grupo pode situar‐se em qualquer um dos níveis de gestão. 
Pode haver conflito de opiniões no processo de decisão entre os participantes. 
A tarefa de decisão pode ter de ser realizada num curto espaço de tempo. 
Os membros do grupo podem não possuir a informação completa necessária para as tarefas de decisão. 
Alguns dos dados, informação ou conhecimento necessários para uma decisão podem estar localizados em fontes diferentes, nomeadamente serem externos à organização. No que respeita a tarefas de tomada de decisão, McKenna (2000) compara o trabalho em grupo com o desempenho de um decisor individual segundo quatro critérios: exactidão, velocidade, criatividade e aceitação: 122 Capítulo 4. Sistemas de Apoio à Decisão em Grupo 
Exactidão – o grupo tem um desempenho melhor que o elemento médio do grupo, mas o melhor elemento do grupo provavelmente ultrapassa o desempenho do grupo. 
Velocidade – o decisor individual é mais rápido, sendo comum a ineficiência estar associada à dinâmica de grupos. 
Criatividade – o grupo tem um melhor desempenho, principalmente quando são usadas técnicas como brainstorming e synectics. 
Aceitação – o grupo tem um melhor desempenho. Os primeiros SAGD foram concebidos, há mais de vinte e cinco anos atrás, como meras aplicações informáticas para apoiar grupos em processos de tomada de decisão presencial, ou seja, com todos os participantes no mesmo local e ao mesmo tempo. Evoluíram depois no sentido da virtualização das reuniões, das conferências via Web, da colaboração on‐line, da tomada de decisão distribuída, enfim da dispersão dos grupos no espaço e no tempo. Genericamente, um Sistema de Apoio à Decisão (SAD) é um sistema interactivo baseado em computador, cujo objectivo é ajudar os decisores a usar as tecnologias da comunicação e informação, o conhecimento e modelos para resolver problemas. Os SAD, e particularmente os SADG, têm beneficiado também dos progressos da investigação aplicada relacionada com o comportamento social e humano, no campo da tomada de decisão nas organizações (Conklin 2006). Os Sistemas de Apoio à Decisão em Grupo, também referidos como Sistema de Apoio à Decisão Multi‐participante, têm sido objecto de muitos estudos, foram amadurecendo ao longo dos anos e existem muitos exemplos da sua aplicação prática com sucesso (Sprague and Carlson 1982) (Dennis, Wixom et al. 2001) (Power 2002) (Burstein and Holsapple 2008), nomeadamente na área da saúde (Durkin 1996). Um estudo realizado por Poppy McLeod (1992) sobre os resultados de experiências realizadas e publicadas entre 1980 e 1990 conclui que os SADG permitem aumentar o 123 Capítulo 4. Sistemas de Apoio à Decisão em Grupo enfoque nas tarefas, a participação igualitária, a qualidade da decisão, embora aumentando o tempo para a decisão e reduzindo o consenso. Outro estudo mais recente (Fjermestad 2004) sobre os resultados de 145 experiências com SADG, realizadas entre 1970 e o ano 2000, embora focado no modo de comunicação utilizado, indicia também que o uso destes sistemas melhora a qualidade das decisões, a profundidade da análise do problema, a participação igualitária e a satisfação do grupo. Podemos balizar o início do estudo dos sistemas de apoio à decisão com os trabalhos de Simon e Newell (Simon and Newell 1958) sobre o uso dos computadores na resolução de problemas complexos através da utilização de heurísticas, como forma de ultrapassar quer as limitações cognitivas do ser humano, quer as restrições de tempo e custo que o impedem de atingir a solução óptima. Outros autores deram continuidade a este trabalho (Kahneman and Tversky 1979) (Thaler 1980) (Bazerman and Moore 1986) (Tversky and Shafir 2003), demonstrando como a tomada de decisões pode ser afectada por factores não racionais e enviesamentos dos julgamentos do decisor, apontando para a necessidade de sistemas de apoio à decisão, e nomeadamente de sistemas de apoio à decisão em grupo. A Figura 4.1, adaptada de (Burstein and Holsapple 2008), permite avaliar a evolução dos Sistemas de Apoio à Decisão e quais as tecnologias que foram contribuindo, ao longo do tempo, para o que são hoje estes sistemas. A característica principal em muitas implementações de SADG é um Sistema de Processamento de Problemas (Burstein and Holsapple 2008), com a capacidade de suporte a uma coordenação eficaz das interacções entre os participantes, ou mesmo efectuando essa coordenação através de um sistema de recomendações. Esta capacidade de coordenação de esforços é conjugada com mecanismos de aquisição de conhecimento, incorporando‐o no Sistema de Conhecimento, que funciona como a memória de longo prazo do grupo de decisão. 124 Capítulo 4. Sistemas de Apoio à Decisão em Grupo Sistemas de informação baseados em computador
Investigação Operacional / Gestão
Sistemas Transacionais e de Reporting
Modelos de simulação e Teorias Comportamentais da Tomada de Decisão
optimização
Psicologia Social
Anos 70
SISTEMAS DE APOIO À DECISÃO
Inteligência Artificial
Bases de Dados
Sistemas Periciais
SISTEMAS INTELIGENTES DE APOIO À DECISÃO
Anos 80
Anos 90
Dinâmica de grupos e processos
SISTEMAS DE SUPORTE A GRUPOS
OLAP
Teoria da Negociação
Sistema de Informação para Executivos
Gestão do Conhecimento /
Memória Organizacional
Modelação Dimensional
BUSINESS INTELLIGENCE
DATA WAREHOUSING
SISTEMAS DE SUPORTE À NEGOCIAÇÃO
Figura 4.1 – Evolução dos Sistemas de Apoio à Decisão Os benefícios potenciais dos SADG no desempenho do grupo estão condicionados pela utilização de ferramentas que garantam a adequação da tecnologia às tarefas do processo de tomada de decisão, assim como a uma efectiva apropriação dessas tecnologias para melhorar a tomada de decisão em grupo. (Dennis, Wixom et al. 2001). Estas duas questões, principalmente a última, estão fortemente dependentes do suporte fornecido por um facilitador (Anson, Bostrom et al. 1995). A adequação da tecnologia influencia o resultado (qualidade das ideias e da decisão), enquanto o suporte à apropriação influencia o processo (tempo necessário e satisfação com os resultados). As estratégias recomendadas para uma apropriação estável da tecnologia e para obviar a uma utilização incorrecta dos sistemas passam pelo treino no seu uso, 125 Capítulo 4. Sistemas de Apoio à Decisão em Grupo liderança ou pela introdução de uma estrutura de apoio à interacção: a facilitação (DeSanctis and Poole 1994). A estrutura de facilitação deverá apoiar o grupo na utilização de tecnologia que não lhe é familiar, o que é particularmente relevante em contextos como o do VirtualECare, onde, por exemplo, familiares do utente podem ser chamados ocasionalmente a participar num processo de decisão. Usando como critério o tipo de intervenção no processo de decisão, existem duas formas principais de facilitação (Dubs and Hayne 1992) (Dickson, Partridge et al. 1993) (Miranda and Bostrom 1999): Facilitador técnico – participa no processo, orientando o grupo quanto às funcionalidades do SADG a usar, quando e como devem ser usadas e pode intervir na interacção social do grupo, garantindo que todos os membros participam e que nenhum membro ou grupo minoritário domina o processo. A participação do facilitador pode ser mais orientada para melhorar a produtividade do grupo ou apenas para orientar as tarefas subjacentes ao modelo de processo adoptado. No primeiro caso o facilitador ajuda a rever reuniões anteriores, a descrever objectivos, a recolher informação e a estabelecer papéis, regras, calendário, locais e adequação de recursos (Nour and Yen 1992). Pode ainda dirigir as reuniões, convocar os participantes e registar os resultados (Dubs and Hayne 1992). Chauffeur‐driven – neste caso, um indivíduo externo ao grupo manipula o sistema, sob a direcção dos membros do grupo, mas não intervém no processo. O facilitador apoia as tarefas pré‐reunião, como a definição dos tópicos da agenda, a selecção de participantes, a selecção dos métodos de decisão e a configuração do SADG. Durante as reuniões o facilitador apoia o encadeamento de tarefas, secretaria, monitoriza e executa as ferramentas do SADG. 126 Capítulo 4. Sistemas de Apoio à Decisão em Grupo Acreditamos que o apoio dos SADG no sector dos Cuidados de Saúde, com as tecnologias adequadas a este sector, permitirá aos profissionais obter melhores resultados, principalmente estando disponível de forma generalizada e universal o Processo Clínico Electrónico individual de cada doente. Este apoio tecnológico é essencial, dada a explosão de conhecimentos e competências necessárias na área dos cuidados de saúde, ao mesmo tempo que cresce a necessidade de usar eficientemente recursos limitados. 4.4 Taxonomias dos Sistemas de Apoio à Decisão Na literatura sobre SADG há diversas maneiras pelas quais estes sistemas são apresentados. As formas mais comuns de apresentação passam pela classificação quanto ao tipo de tecnologias utilizadas, pela estratificação da sua comunidade de utilizadores, pelo contexto, em termos de tempo e lugar, onde decorre o processo de decisão em grupo e pelo tipo de tarefas suportadas. Uma classificação proposta por Power (Power 2002) e que amplia a classificação inicialmente proposta por Alter (Alter 1980), divide os sistemas de apoio à decisão em cinco categorias principais: 
Sistemas baseados em comunicações – neste tipo de sistemas são essencialmente usadas as tecnologias das redes de computadores e das comunicações para facilitar a colaboração e a decisão partilhada. O nível de funcionalidades básicas inclui um quadro de avisos electrónico e um sistema de correio electrónico, com encadeamento automático de mensagens, que permita a partilha de informações e a coordenação de actividades. Outras tecnologias, como a conferência electrónica multimédia, que permitem processos de decisão com participantes em 127 Capítulo 4. Sistemas de Apoio à Decisão em Grupo locais dispersos, são hoje facilitadas pela elevada disponibilidade e baixo custo das comunicações através da Internet. 
Sistemas baseados em dados – caracterizam‐se pela utilização massiva de bases de dados e de ferramentas de pesquisa e de análise de dados. A ênfase está no acesso e manipulação de grandes quantidades de dados organizados de forma estruturada, principalmente séries temporais de dados internos à organização. Incluem os Sistemas de Informação para Executivos36, pesquisa em Armazéns de Dados37 e Processamento Analítico On‐line38. 
Sistemas baseados em documentos – integram um conjunto de tecnologias que têm como objectivo principal o arquivo, pesquisa, selecção e recuperação de documentos. As funcionalidades propriamente ditas de apoio à decisão incluem a criação de resumos de documentos e hierarquização automática de documentos. Políticas e procedimentos da organização, fichas técnicas de produtos, catálogos e informação histórica sobre a organização, como actas de reuniões ou registos de correspondência, são apresentados como exemplo de documentos usuais nestes sistemas. 
Sistemas baseados em conhecimento – também conhecidos como Sistemas Inteligentes de Apoio à Decisão (Guerlain, Brown et al. 2000) (Lu, Zhang et al. 2007) (Faguo, Bingru et al. 2008) contêm conhecimento acerca de um domínio especializado e são frequentemente baseados em sistemas baseados em regras. A nota dominante é a utilização de técnicas da Inteligência Artificial e a capacidade de apoio à decisão através da sugestão de possíveis soluções. 36
Executive Information Systems Data Warehouses 38
OLAP ‐ Online Analytical Processing 37
128 Capítulo 4. Sistemas de Apoio à Decisão em Grupo 
Sistemas baseados em modelos – incluem os sistemas que usam modelos estatísticos, financeiros, contabilísticos e modelos de optimização e simulação. Caracterizam‐se por não necessitarem usualmente de manipular grandes quantidades de dados, sendo os parâmetros para o modelo normalmente fornecidos pelos utilizadores em cada interacção. Power (Power 2002) sugere ainda que estas cinco categorias sejam distribuídas numa matriz multidimensional, relacionando‐as com as dimensões: 
Grupo de utilizadores, interno ou externo; 
Objectivo, geral ou específico; 
Tecnologias e arquitectura (hardware/software) de suporte. Às cinco categorias descritas acima acrescentamos uma outra: os SAD baseados na Web39 (Shim, Warkentin et al. 2002) (Bhargava, Power et al. 2007). São sistemas com uma arquitectura em rede suportada na Internet, permitindo o acesso a grandes quantidades de dados e diversas ferramentas de suporte à decisão, de variadas fontes multidisciplinares, que podem estar localizadas num ambiente computacional distribuído, mas com a possibilidade de serem todas integradas num sistema coerente único. A grande diferença dos sistemas baseados na Web para os sistemas nas cinco categorias identificadas antes é a maior capacidade de construção de sistemas híbridos, incorporando várias tecnologias que nestes aparecem normalmente isoladas. Por exemplo, Bhargava, Power e Sun (Bhargava, Power et al. 2007) propõem 39
Web based DSS 129 Capítulo 4. Sistemas de Apoio à Decisão em Grupo várias formas de incorporar as tecnologias e as facilidades dos SAD baseados em dados e dos SAD baseados em modelos num sistema baseado na Web. Talvez a inovação mais importante seja a apresentação do suporte à decisão como um serviço baseado na Internet, baseado em dois conceitos: a Web como media e a Web como meio computacional (a Internet é o computador). Há, no entanto, ainda alguns desafios principalmente técnicos, económicos e sociais para a vulgarização do suporte à decisão sob a forma de um serviço Web. Em termos de tempo e lugar, é usada tradicionalmente (Desanctis and Gallupe 1987) (Power 2002) (Adam and Humphreys 2008) uma matriz de 2 x 2 para representar as quatro situações possíveis que caracterizam o processo de tomada de decisão em grupo e a utilização dos SADG, como se pode ver na Tabela 4.1. Tabela 4.1 – Contextos para tomada de decisão em grupo Ao mesmo tempo Em tempos diferentes No mesmo local Tomada de decisão frente‐a‐
frente Tomada de decisão assíncrona Em locais diferentes Tomada de decisão distribuída síncrona Tomada de decisão distribuída assíncrona A cada um dos quadrantes da Tabela 4.1 corresponde um tipo diferente de processo de decisão em grupo, para os quais são adequados, também, diferentes tipos de suporte (Desanctis and Gallupe 1987) (Zaraté 2008) Na tomada de decisão frente‐a‐frente, o processo de decisão decorre tal como numa reunião tradicional. Neste contexto, o suporte passa pela existência de uma sala específica do SADG (sala de decisão), devidamente equipada com terminais para todos os participantes, ligados em rede, e um quadro electrónico onde são visualizados os documentos analisados pelo grupo, os comentários dos participantes 130 Capítulo 4. Sistemas de Apoio à Decisão em Grupo e as votações. Todos os elementos do grupo se encontram no mesmo local ao mesmo tempo, podendo interagir entre si de forma verbal ou electrónica. Na tomada de decisão distribuída síncrona, os diferentes participantes não estão localizados na mesma sala (podem estar geograficamente distantes uns dos outros) mas trabalham no processo decisivo ao mesmo tempo. O suporte básico a esta situação é já bem conhecido das organizações com escritórios dispersos geograficamente e compreende os sistemas de conferência electrónica ‐ videoconferência, conferência telefónica multi‐participante e aquilo a que DeSanctis e Gallupe (Desanctis and Gallupe 1987) designam como redes locais de decisão. Nestas redes, os participantes usam as facilidades das redes de computadores, locais ou não (normalmente não), para participar na discussão e emitir os seus juízos directamente do seu posto de trabalho. Na tomada de decisão assíncrona os participantes usam o mesmo local (mesma sala) para o processo de decisão, mas não ao mesmo tempo. A sala de decisão funciona como a memória de todo o processo e acaba por ser um local virtual de reuniões. É uma situação típica nos sistemas de Trabalho Cooperativo Suportado por Computador40. Na tomada de decisão distribuída assíncrona os participantes não se juntam necessariamente no mesmo local nem desenvolvem o processo de decisão ao mesmo tempo. Cada um dos participantes contribui para o processo de decisão global, de forma cooperativa. Neste caso podemos falar em Sistemas Colaborativos de Apoio à Decisão41 (Kraemer and King 1988). A Internet tem vindo a tornar este tipo de sistemas não só possível como também acessível a muitas organizações. Outras taxonomias classificam os SADG conforme a dimensão do grupo ‐ grande (mais de doze pessoas) ou pequeno (três a cinco pessoas), proximidade geográfica dos membros entre si ‐ frente‐a‐frente ou dispersa, e o tipo de tarefa que apoiam 40
41
CSCW – Computer Supported Cooperative Work CDSS – Collaborative Decision Support Systems 131 Capítulo 4. Sistemas de Apoio à Decisão em Grupo (Desanctis and Gallupe 1987): planeamento, criatividade, intelectual, preferência, cognitiva ou mista. Fabre e Carvalho (2004) por sua vez apresentam uma taxonomia baseada nos tipos de informação dos SAD: Informações pontuais, informações históricas, informações de cenários, informações inferidas, informações estatísticas e informações não estruturadas. 4.5 Exemplos de Sistemas de Apoio à Decisão em Grupo Vários sistemas têm sido desenvolvidos para apoio à tomada de decisão cooperativa em grupo (Pinson, Louca et al. 1997) (Gachet and Haettenschwiler 2003) (Vahidov and Fazlollahi 2004). Um dos primeiros exemplos foi o sistema Hermes (Karacapilidis and Papadias 2001), descrito pelos seus autores como sendo um sistema “que captura de forma eficiente os argumentos dos utilizadores, estimula a descoberta de conhecimento e a argumentação das questões em jogo, ao mesmo tempo que verifica automaticamente as incongruências entre as preferências dos utilizadores e leva em conta todos os argumentos proferidos para actualizar o estado da discussão”. Na Tabela 4.2 enumera‐se um conjunto de SADG, nenhum dos quais incorpora qualquer método formal de avaliação da qualidade da informação. Não se pretendendo efectuar nesta tese uma avaliação de SADG, é indicada para cada um destes SADG uma referência bibliográfica onde pode ser encontrada a sua descrição. A grande maioria dos sistemas não tem cariz comercial. 132 Capítulo 4. Sistemas de Apoio à Decisão em Grupo Tabela 4.2 – Exemplos de SADG42 Designação Hermes Team Expert Choice Web‐HIPRE Família VISA Família ELECTRE HIVIEW3 WINGDSS Opinions‐
Online NEGOPLAN MARKEX PREFDIS MIIDAS FARSYS Refª (Karacapilidis and Papadias 2001) (Saaty 2008) (Mustajoki and Hamalainen 2000) (Hodgkin, Belton et al. 2005) (Figueira, Greco et al. 2009) (Phillips 2004) (Csáki, Rapcsák et al. 1995) (H\äm\äl\äinen 2003) (Noronha and Szpakowicz 1996) (Matsatsinis and Siskos 1999) (Zopounidis and Doumpos 2000) (Siskos, Spyridakos et al. 1999) (Volberda and Rutges 1999) Site
N/D43 http://www.expertchoice.com http://www.hipre.hut.fi/ N/D http://www4.fe.uc.pt/lmcdias/iris.htm
http://www.lamsade.dauphine.fr/english/software.html#el3.log http://www.catalyze.co.uk
http://www.oplab.sztaki.hu http://www.opinions.hut.fi/ N/D N/D N/D N/D N/D 4.6 Sistemas de Apoio à Decisão na Saúde Várias definições podem ser encontradas na literatura para os Sistemas de Apoio à Decisão na Saúde (SADS). A grande maioria dos autores identifica‐os com a capacidade de efectuar diagnósticos e fornecer recomendações sobre tratamentos, principalmente para os primeiros sistemas suportados por técnicas da Inteligência Artificial (Kong, Xu et al. 2008) (Coiera 2003). 42
43
Todos os sítios foram verificados em Dezembro de 2009. N/D: não disponível 133 Capítulo 4. Sistemas de Apoio à Decisão em Grupo Actualmente estes sistemas alargaram a sua utilização para além do estrito campo do acto médico de diagnóstico e prescrição, desde os laboratórios clínicos, o ensino, a monitorização clínica, o reconhecimento e interpretação de imagens e os cuidados intensivos. Os sistemas actuais de apoio à decisão na saúde estão direccionados para quatro grupos diferentes de agentes de decisão, com diferentes requisitos e diferentes níveis de conhecimento médico (Leroy and Chen 2007). Os primeiros dois grupos – profissionais da área da saúde e investigadores ‐ possuem formação de base em ciências médicas ou biomédicas e usam os seus conhecimentos para tomar decisões que afectam terceiros. Os profissionais de saúde interagem directamente com os doentes e usam os sistemas de apoio à decisão para ajuda no diagnóstico de doenças, adiantar prognósticos, estabelecer a dose ideal de um medicamento ou avaliar as possíveis interacções entre medicamentos. Os profissionais que fazem a gestão dos recursos de saúde constituem o terceiro grupo. Não têm uma interacção clínica directa com os doentes, mas são os responsáveis, em termos de gestão, pelas opções e pelos meios afectos aos cuidados de saúde. Finalmente, o último grupo e o mais numeroso de agentes de decisão, com o menor conhecimento de medicina, é o público em geral. Os doentes e os seus familiares cada vez mais procuram informações online sobre doenças específicas, enquanto as pessoas saudáveis pesquisam informação que lhes permita manter essa condição. Vários sistemas online de apoio à decisão começam a surgir para ajudar os doentes a avaliar os seus sintomas ou para ajudar a gerir as condições de doenças crónicas. Podem ser tão simples como uma calculadora online para prever o risco de desenvolver diabetes44 (Hippisley‐Cox, Coupland et al. 2009) ou sistemas para a 44
http://www.qdscore.org/ 134 Capítulo 4. Sistemas de Apoio à Decisão em Grupo monitorização pelo próprio doente da evolução da sua doença crónica e o ajuste do tratamento, conforme um plano previamente estabelecido com o médico e regularmente revisto por este, como é exemplo o P’ASMA45 – Programa de Auto‐
Controlo, Seguimento e Monitorização da Asma . Os sistemas baseados em conhecimento, e entre estes os sistemas baseados em regras, são os SADS mais usuais, contendo conhecimento médico para tarefas muito específicas. A literatura evidencia um consenso generalizado de que os SADS têm potencial para melhorar os cuidados de saúde, ou pelo menos ajudar a alterar o comportamento dos técnicos de saúde (Coiera 2003), sendo utilizados com sucesso, nomeadamente, em: 
Alertas e lembretes; 
Ajuda ao diagnóstico; 
Análise crítica de terapias e do seu planeamento; 
Apoio à prescrição; 
Pesquisa de informação; 
Reconhecimento e interpretação de imagens clínicas. Por outro lado, as principais razões para o insucesso de muitos SADS incluem a dependência de um sistema electrónico de processos clínicos dos doentes para obtenção de dados de entrada, a deficiente concepção da interface com o utilizador, a incapacidade de inserção natural na rotina dos processos de cuidados de saúde e de tratamento e a relutância ou mesmo iliteracia informática de muitos profissionais de saúde. Alguns SADS possuem ainda a capacidade de aprendizagem, permitindo a sua utilização na descoberta de novos conhecimentos na medicina, nomeadamente para 45
http://newdbserver.med.up.pt/web.care/pasma/ 135 Capítulo 4. Sistemas de Apoio à Decisão em Grupo o desenvolvimento de bases de conhecimento usadas por Sistemas Periciais, o desenvolvimento de novos medicamentos e para pesquisa avançada no desenvolvimento de modelos patofisiológicos a partir de dados experimentais. As conclusões do último relatório da Agency for Healthcare Research and Quality46 (USA) apontam para os efeitos positivos, de alguma eficácia, na utilização dos actuais SADS. A sua maior utilidade foi demonstrada na prevenção do erro médico, especialmente quando interligados com sistemas electrónicos de registos clínicos dos doentes e directamente inseridos no processo de tratamento. Apontam ainda para o menor suporte que os sistemas actuais fornecem no caso de cuidados continuados de saúde, nomeadamente na doença crónica, e para a necessidade de novos desenvolvimentos nessa área. É precisamente uma das áreas que o projecto VirtualECare pretende cobrir. 4.7 Guias Clínicos A prevenção e tratamento da doença e a gestão dos cuidados de saúde em geral têm assumido uma complexidade crescente. Por um lado, o número de diferentes opções para a gestão de doentes tem aumentado consideravelmente nas duas últimas décadas. Por outro lado, torna‐se crucial conjugar a explosão de conhecimento e técnicas na área da saúde com a necessidade de uma utilização racional, entenda‐se, também, de contenção de custos, dos recursos existentes. Existe uma tendência crescente no seio da classe médica para que as decisões clínicas devam ser baseadas, tanto quanto possível, na medicina baseada em evidências (Sackett 1997) (Woolf 2000) (Guyatt, Haynes et al. 2000) (Hommersom, 46
http://www.ahrq.gov/clinic/ptsafety/chap53.htm 136 Capítulo 4. Sistemas de Apoio à Decisão em Grupo Lucas et al. 2004). Esta tendência tem dado um impulso considerável no desenvolvimento de Guias Clínicos (GC), também designados Normas de Orientação Clínica (NOC) (de Clercq, Blom et al. 2004): documentos de apoio à prática clínica contendo os passos a seguir e questões a ter em conta na gestão da doença de um doente, para evitar práticas e resultados abaixo dos padrões. Os GC apoiam não só os profissionais de saúde mas também os próprios doentes na tomada das decisões mais apropriadas para uma dada situação clínica ou tratamento. Podem constituir assim um referencial precioso em situações de tomada de decisão multi‐critério no âmbito dos cuidados de saúde, tais como aqueles que surgem no contexto do VirtualECare. Inicialmente os GC eram apenas baseados nas melhores práticas resultantes das recomendações de especialistas médicos. Actualmente, os guias considerados como tendo um grau mais elevado de certeza são os baseados em Estudos Controlados Randomizados (ECR) e os baseados em estudos observacionais prospectivos e retrospectivos. Os resultados obtidos pelos dois tipos de estudos são considerados similares (Benson and Hartz 2000) (Concato, Shah et al. 2000). O New Zeland Guidelines Group47, uma organização médica independente sem fins lucrativos que assume como missão o desenvolvimento de Guias Clínicos e a sua implementação prática, considera cinco tipos de guias clínicos: Guias de Melhor Prática (Best Practice Guidelines), Protocolos, Guias de Consenso (Consensus Based Guidelines), Guias Baseados na Evidência (Evidence Based Guidelines) e Guias Explícitos Baseados na Evidência (Explicit Evidence Based Guidelines). Os guias do último tipo, Guias Explícitos Baseados na Evidência ‐ os mais susceptíveis de aceitação generalizada, são desenvolvidos após uma revisão sistemática da literatura e incluem normalmente estratégias para descrever a importância da evidência, tentando separar de forma clara aquilo que são opiniões de 47
http://www.nzgg.org.nz 137 Capítulo 4. Sistemas de Apoio à Decisão em Grupo especialistas do que é a evidência. Fazem ainda recomendações sobre a melhor opção entre tratamentos alternativos, quantificando as diferenças em termos de resultados e incluindo benefícios e malefícios. A elaboração de um guia deste tipo é efectuada em seis passos (Woolf 2000): 1.
2.
3.
4.
5.
6.
especificação do tópico e metodologia; revisão sistemática; recolha de opinião de especialistas; considerações no âmbito da política de saúde pública; elaboração de rascunho do guia; revisão pelos pares e elaboração de documento final. Os GC têm suscitado o interesse da comunidade científica da IA no desenvolvimento de ferramentas, sistemas e linguagens específicas para o suporte à sua concepção e implementação prática (Colombet, Aguirre‐Junco et al. 2005) (Hommersom, Lucas et al. 2004), ou seja na concepção de Computer‐interpretable Guidelines (CIG). O termo Sistemas de Apoio à Decisão baseados em Guias Clínicos48 (SADbGC) começa, inclusive, a aparecer na literatura (Patel, Shortliffe et al. 2009) (Goud, Hasman et al. 2008) (Isern and Moreno 2008) como uma das mais promissoras direcções da aplicação da IA aos cuidados de saúde. No estudo de de Clercq e colegas (2004) são referidas as principais abordagens à concepção de SADbGC e são descritas as principais formas de representação que permitem a partilha e execução de GC em computador: Arden Syntax, Guideline Interchange Format, PROforma, Asbru e EON. A seguir apresentam‐se sumariamente os três primeiros modelos. A Arden Syntax (AS) (Pryor and Hripcsak 1993) é um dos modelos axiomáticos mais citados na literatura, para a representação em sistemas de regras para o apoio à decisão clínica. A AS foi desenvolvida durante os anos noventa em conjunto pelo 48
Guideline‐based Decision Support System 138 Capítulo 4. Sistemas de Apoio à Decisão em Grupo Departamento de Informática Biomédica da Universidade de Columbia (LDS Hospital, Salt Lake City, USA) e pelo Instituto Regenstreif (Indiana University School of Medicine, Indianapolis, USA). O objectivo principal é a representação de conhecimento médico sob a forma de módulos independentes – Medical Logic Modules (MLM) – capazes de fornecer sugestões terapêuticas e alertas, entre outros. Cada MLM é construído com o objectivo de apoiar uma única decisão clínica. A AS foi publicada como norma, inicialmente pela American Society for Testing and Materials International (ASTM) em 1992 e depois pela Health Level Seven (HL7), a partir da versão 2.0, em 1998. Os MLM são independentes de qualquer arquitectura de computadores, podem ser partilhados e subsequentemente importados por sistemas específicos de informação para a saúde. Têm a característica importante de poderem ser despoletados por um evento, fornecendo sugestões clínicas sob a forma de alertas. O Guideline Interchange Format (GLIF), actualmente na versão GLIF3 (Boxwala, Peleg et al. 2004), permite representar um GC em três níveis: um fluxograma conceptual, uma especificação computável cuja coerência lógica e completude podem ser verificadas automaticamente e uma especificação executável destinada a ser incorporada nos sistemas de informação específicos de cada organização. O GLIF foi desenvolvido para construir modelos de GC sob a forma de fluxogramas, compostos por estruturas de tarefas programadas, as quais representam acções e decisões clínicas. O modelo GLIF é orientado a objectos e consiste num conjunto de classes que descrevem as propriedades de um GC (decisões e acções), especificadas em UML49 (Rumbaugh, Jacobson et al. 2004). A framework PROforma foi desenvolvida no Imperial Cancer Research Fund pela equipa de John Fox (1997), para a concepção de sistemas periciais e agentes 49
UML – Unified Modeling Language 139 Capítulo 4. Sistemas de Apoio à Decisão em Grupo inteligentes seguros que possam apoiar o tratamento de doentes, através de um suporte à decisão activo e de gestão de fluxos de trabalho. A Framework inclui a linguagem PROforma, uma linguagem de especificação formal, uma linguagem de representação de conhecimento e um conjunto de ferramentas de desenvolvimento de aplicações em Java e Prolog. Basicamente, a linguagem PROforma é lógica de primeira ordem com extensões para suporte a decisão e planeamento, nomeadamente extensões no âmbito de lógica modal e temporal. Inclui ainda duas novas lógicas: LA – Logic of Argument e LOT – Logic of Obligation and Time. 4.8 Reflexão Crítica É indubitável que cada vez mais as decisões complexas nas organizações são tomadas em grupo. Ao realizar tarefas intelectuais, um grupo não é a mera agregação das competências e características individuais dos seus membros. Não se pode também afirmar que o processo de decisão em grupo conduz a melhores resultados que uma decisão individual, principalmente em grupos onde as capacidades e competências individuais sejam pouco homogéneas. Para decisões complexas é necessário ir buscar os melhores, congregar as melhores competências, independentemente do local geograficamente afastado onde se encontrem e do fuso horário em que laborem. A tomada de decisão em grupo ao mais alto nível, para ser viável, não pode estar dependente de reuniões presenciais frente‐a‐frente. A tecnologia é fundamental para que seja possível realizar processos de decisão amplamente participados, mas com reuniões virtualizadas. O suporte às comunicações, síncronas ou assíncronas, meramente sob a forma escrita ou multimédia, é essencial mas não é suficiente. A memória organizacional do processo, o suporte a problemas não estruturados ou semi‐estruturados, o acesso a 140 Capítulo 4. Sistemas de Apoio à Decisão em Grupo bases de dados e a informação textual, a facilitação no uso e a interoperabilidade entre sistemas são factores críticos de sucesso. A medicina é uma área onde o conhecimento acumulado nas últimas décadas tem sido imenso, mas é impossível ter junto de cada doente uma equipa de especialistas multi‐disciplinar para fazer um diagnóstico e acompanhar a evolução da doença. Prevê‐se que os sistemas de apoio à decisão na saúde vejam alargado o seu campo de utilização, muito para além do acto médico de diagnóstico e prescrição, não só no que já acontece actualmente ‐ nos laboratórios clínicos, no ensino, no reconhecimento e interpretação de imagens e nos cuidados intensivos ‐ mas também na monitorização a longo termo e acompanhamento à distância de uma população mais envelhecida. A representação de conhecimento médico em sistemas inteligentes, nomeadamente sob a forma de Guias Clínicos executáveis em computador, é uma das vias mais promissoras. É crucial conjugar a explosão de conhecimento e técnicas na área da saúde com a necessidade de uma utilização racional de recursos existentes e, simultaneamente, garantir que as decisões clínicas são baseadas, tanto quanto possível, na medicina baseada em evidências. Em conclusão, as características que propomos para o SADG do VirtualECare, e que não encontrámos reunidas em nenhum dos sistemas estudados, são apresentadas a seguir: 
Sistema colaborativo via Web ‐ suporte à realização de tarefas de maneira assíncrona e colaborativa; visualização e acesso a bases de dados e informação não estruturada; 
Modelo de processo de decisão adequado a decisão em grupo, capaz de incorporar múltiplas perspectivas; 
Suporte a múltiplos métodos e técnicas de apoio à decisão, incluindo argumentação e votação, métodos analíticos, geração de ideias e agregação de preferências; 141 Capítulo 4. Sistemas de Apoio à Decisão em Grupo 
Módulo inteligente capaz de sugerir um método de decisão e filtrar e verificar dados, informação e conhecimento, de forma a permitir a resolução de problemas usando métodos analíticos, programação linear ou métodos “sociais”; 
Integração com tecnologia Web (a Web é o meio e o computador, ou seja não deve ser necessário instalar programas pelos utentes) e suporte a equipamentos e serviços móveis; 
Orientado para utilizadores com competências médias/altas na utilização das TIC (refira‐se que é suposto que a maioria do interface com os utentes menos competentes nesta área, como os idosos e o seu ambiente familiar, sejam efectuados por sensores); 
A qualidade da informação deve ser sempre mensurável e observável, quer no que respeita aos actores envolvidos na resolução de um problemas, quer na informação trocada quer globalmente no próprio sistema. As questões sobre a qualidade de informação e a forma de a avaliar serão tratadas no próximo capítulo. 142 Capítulo 5 Metodologia de Avaliação da Qualidade da Informação Capítulo 5. Metodologia de Avaliação da Qualidade da Informação When you know a thing, to hold that you know it; and when you do not know a thing, to allow that you do not know it ‐ this is knowledge. Confucius
5.1 Introdução A representação da informação joga um papel determinante em qualquer método de avaliação da qualidade. Nas propostas apresentadas na literatura para a avaliação da qualidade de informação encontramos dois grandes grupos, por vezes combinados. No primeiro grupo, a avaliação é efectuada apenas com (meta)informação contida no próprio sistema e tem um carácter restrito e, no nosso entender, insuficiente, dado que apenas contempla os aspectos sintácticos e, nalguns casos também ontológicos. Incluímos ainda neste grupo os sistemas que permitem representar restrições de integridade dos dados, como a integridade de domínio e a integridade referencial nos sistemas de bases de dados relacionais. No segundo grupo, a avaliação da qualidade exige a disponibilidade de informação / conhecimento externo ao sistema, seja para validar a exactidão da informação no sistema, seja para avaliar a utilidade do uso da informação pelos utilizadores. O método de avaliação da qualidade de informação que é proposto nesta tese, como se verá a seguir, não exige a disponibilidade de informação adicional externa ao próprio sistema. 144 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação Este capítulo está organizado da seguinte forma: começamos por caracterizar melhor o que se entende por qualidade da informação, apelando aos dois conceitos nos extremos, mínimo e máximo, entre os quais se considera que esta pode variar ‐ a ignorância e a certeza. Depois propomos uma forma de representação capaz de incluir no corpo de conhecimento sobre o mundo as características que identificamos antes para a informação imperfeita. Finalmente, apresentamos uma metodologia de avaliação, sustentada pela forma de representação proposta, e que permite obter uma medida quantitativa da qualidade da informação. 5.2 Qualidade da Informação Consideremos um elemento α de uma representação que modela um objecto ω do mundo real. O elemento α pode ser um valor, um tuplo, um facto, uma regra, e por aí adiante. Num extremo considera‐se que não existe sequer a certeza de que o objecto exista no mundo real. É uma situação de qualidade da informação mínima, a que podemos chamar ignorância. Uma solução poderá passar por pura e simplesmente não considerar os objectos nessas condições. Esta solução não será, no entanto, aceitável se a representação em causa se enquadrar no Pressuposto do Mundo Fechado, ou seja, onde todo o universo do discurso deverá estar representado. A informação pode ser aperfeiçoada, diminuindo portanto a ignorância e aumentando a qualidade, se a cada elemento α da representação estiver associado um valor dentro de um intervalo predeterminado, para indicar a possibilidade do objecto existir. Se o elemento for um facto, este valor pode ser interpretado como o grau de segurança sobre a sua veracidade. Se for uma regra, este valor pode ser usado para perceber se é uma regra forte, atendendo à proporção de casos a que se possa aplicar. 145 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação Consideremos, por exemplo a afirmação “os fumadores inveterados adquirem cancro do pulmão”. Está provado que o hábito de fumar é a principal causa de cancro do pulmão, mas nem todos os fumadores inveterados desenvolvem um cancro do pulmão. Estatisticamente, um fumador inveterado tem 85% de probabilidades de contrair cancro do pulmão. Podemos transformar a afirmação acima numa regra, para a qual não há quaisquer dúvidas sobre a sua veracidade. Admitamos agora que o João é um fumador inveterado. Apenas pela aplicação desta regra ao João, não conseguimos saber com certeza se será um dos fumadores que vai contrair cancro do pulmão. A incerteza apenas afecta a aplicação da regra, não a sua veracidade. A incerteza resulta da incapacidade em articular todas as condições que tornam a regra aplicável, quer porque são parcialmente desconhecidas, quer porque são demasiadas ou porque são demasiado complexas. Uma alternativa é representar explicitamente as excepções à regra para os objectos representados. Ou seja, se soubermos que o João não tem cancro do pulmão, podemos acrescentar esse facto na nossa representação. Facto esse que poderá vir a ser contraditado no futuro. Note‐se que este exemplo é diferente do exemplo clássico “Tweety”, pois é improvável que os pinguins alguma vez venham a voar. Admita‐se agora que existe a certeza sobre a existência do objecto descrito pelo elemento α, mas que alguma da informação é desconhecida, ou seja, é o caso da situação já descrita antes de informação incompleta. A qualidade da informação aumenta quando é possível afirmar que o valor da representação do objecto está dentro de um intervalo de valores ou, melhor ainda, que pertence a um conjunto finito de alternativas. Neste último caso dizemos que a informação incompleta é disjuntiva. Obviamente que se o intervalo de valores for o universo de todos os valores possíveis, apenas podemos afirmar que o objecto existe 146 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação e voltamos ao limiar da qualidade mínima. Se, por outro lado, o conjunto for singular, podemos afirmar que a qualidade é máxima. Price e Shanks (2008) (Neiger, Price et al. 2007)abordam a qualidade dos dados e a sua influência na tomada de decisões sob três perspectivas: sintáctica (a forma), semântica (o significado) e pragmática (quanto ao seu uso). É proposta por estes autores uma abordagem semiótica baseada em metadados sobre a qualidade dos dados a que chamam etiquetas de qualidade dos dados50, na senda de trabalhos de outros autores (Chengalur‐Smith, Ballou et al. 1999) (Fisher, Chengalur‐Smith et al. 2003). As categorias sintácticas e semânticas estão relacionadas com a perspectiva objectiva da qualidade dos dados, enquanto a categoria pragmática se relaciona com uma perspectiva subjectiva, portanto dependente da percepção dos utilizadores desses mesmos dados. O objectivo é potenciar uma melhoria na tomada de decisão através de uma percepção clara pelos agentes de decisão quanto à qualidade dos dados envolvidos. A categoria da qualidade sintáctica51 descreve o grau de conformidade dos dados armazenados num sistema em relação aos metadados também armazenados no mesmo sistema. Tem a ver com a avaliação da integridade dos dados e é o único critério nesta categoria. Os metadados incluem as definições de uma base de dados (o esquema relacional, por exemplo), documentação e regras constantes nos requisitos de um sistema de informação. A categoria da qualidade semântica52 descreve o grau de correspondência dos dados com os fenómenos externos representados. Esta categoria é avaliada através de amostragens aleatórias e representada por seis critérios, que vão desde o mapeamento completo de todos os fenómenos externos relevantes até ao 50
data quality tags syntactic quality category 52
semantic quality category 51
147 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação mapeamento de apenas alguns atributos não chave (mapeamento correcto de propriedades), cobrindo algumas das propriedades dos fenómenos externos. A categoria da qualidade pragmática53 descreve o grau de adequação a uma situação específica, ou seja, se vale a pena usar os dados nessa situação em concreto. Situação essa que é, por sua vez, descrita por duas componentes: uma actividade a realizar (constituída por uma ou mais tarefas) e o seu contexto. Esta categoria aborda a qualidade dos dados na perspectiva da percepção dos utilizadores quanto à sua utilidade para a tomada de decisão em concreto. A sua avaliação é feita através de questionários e do escrutínio pelos utilizadores. Os critérios propostos para esta categoria são dez: acessibilidade, apresentação adequada, apresentação flexível, atempadamente, de forma compreensível, disponibilidade de metadados, de forma segura no acesso, percepção de conformidade com regras de integridade, percepção de completude e percepção de fiabilidade. Madnick e Zhu (2006) relacionam o problema da qualidade da informação com a heterogeneidade semântica existente na generalidade dos sistemas de informação. A qualidade, ou a falta dela, é assim essencialmente uma questão de desencontro entre o significado dado pelas fontes da informação e aquele que é interpretado pelos consumidores da mesma informação. Estes autores consideram duas dimensões principais da heterogeneidade que afectam a qualidade da informação: i) a heterogeneidade representacional e ii) a heterogeneidade ontológica. A heterogeneidade representacional manifesta‐se quando o mesmo conceito pode ter representações diferentes nas fontes e nos consumidores da informação. Exemplos comuns são as datas (por exemplo, o dia 4 de Março de 2009 pode ser representado por 03/04/09, 04‐03‐09, 2009.03.04, etc.), as unidades de medida e as moedas. 53
pragmatic quality category 148 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação Na heterogeneidade ontológica o mesmo termo é usado para identificar conceitos similares mas ligeiramente diferentes. Mesmo termos bem conhecidos no mundo dos negócios, como, por exemplo, o índice de capitalização em bolsa das acções de uma empresa pode, no mesmo instante, ter valores substancialmente diferentes em fontes de informação financeira diferentes, dependendo da forma como é calculado (últimos 12 meses, último ano civil, último ano fiscal, etc.) (Madnick and Zhu 2006). Mesmo considerando sempre a mesma fonte ou o mesmo consumidor de informação, quer a heterogeneidade representacional quer a ontológica podem manifestar‐se por alteração dos requisitos ao longo do tempo. Para melhorar a qualidade da informação na utilização de bases de dados heterogéneas é então proposta uma ferramenta de mediação, baseada em conhecimento, entre os fornecedores da informação e os seus consumidores, designada por COntext INterchange (COIN). Com esta ferramenta seria possível interligar diferentes sistemas tendo por base, essencialmente, uma ontologia partilhada, com um conjunto limitado de conceitos previamente acordado entre as partes. Rao e Osei‐Bryson (2007) definem um conjunto de medidas da qualidade agrupadas em quatro dimensões, que podem ser usadas para avaliar a qualidade de sistemas de gestão de conhecimento e permitir a sua comparação: dimensões ontológicas, dimensões dos itens de conhecimento, dimensões dos repositórios de conhecimento e dimensões da utilização do conhecimento. Para cada uma das dimensões definem um conjunto extenso de critérios, como exactidão, clareza, actualidade, credibilidade, entre muitos outros. Para cada critério é ainda definida uma métrica, que, previsivelmente (dado que não é apresentada a formalização operacional do seu cálculo), para alguns critérios é muito fácil de calcular e para outros será muito difícil. Veja‐se, por exemplo, na Tabela 5.1 um fragmento da tabela das dimensões dos itens de conhecimento. 149 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação Tabela 5.1 – Dimensões dos itens de conhecimento Rao e Osei‐Bryson (fragmento) Critério Qualidade do conhecimento Actualidade Definição: quando o item de conhecimento foi descoberto pelo repositório e verificada a sua exactidão. Métrica: o instante no eixo do tempo em que a verificação foi efectuada. Exactidão Definição: exactidão do processo de extracção do conhecimento, manual ou automático. Exactidão dos itens de conhecimento. Métrica: grau em que se pode verificar que o conhecimento é verdadeiro. Esta proposta tem o mérito de apresentar um conjunto exaustivo de critérios em múltiplas dimensões, que pode ser a base para a realização de benchmarking entre sistemas diferentes. Hommersom e os seus colegas (2008) (Lucas 2003) propõem a utilização da dedução lógica, usando uma lógica temporal, aplicada à avaliação formal de requisitos de qualidade de guias clínicos. Pretendem, nomeadamente, avaliar se a informação neles contida está de acordo com os indicadores de qualidade propostos por profissionais da saúde. Para esse efeito, usam um demonstrador de teoremas inicialmente previsto para a verificação de programas paralelos: KIV (Fensel and Schnogge 1997). Para efectuar a avaliação, é ainda necessário ter disponível mais conhecimento médico, para além daquele que está incluído no próprio guia clínico. A execução de um guia clínico, propõem os autores acima, sendo um processo executado em passos, eventualmente iterativo, pode ser descrita usando uma extensão à lógica clássica, através da definição de quatro operadores temporais G, H, P e F com a semântica ilustrada na Tabela 5.2. 150 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação Tabela 5.2 – Operadores temporais na avaliação da qualidade em Guias Clínicos Notação Interpretação Semântica formal H
 foi sempre verdade no passado :
G  será sempre verdade no futuro :
P  foi verdade algures no passado   F  será verdade algures no futuro   Estamos assim na presença de uma lógica modal onde os mundos possíveis estão relacionados entre si por uma ordem temporal, ou seja, as fórmulas são interpretadas numa estrutura temporal , , . O conhecimento médico complementar necessário para validação dos guias clínicos é agrupado em dois tipos: 
Conhecimento acerca dos mecanismos (pato)fisiológicos subjacentes à doença e de que forma são influenciados pelo tratamento. Poderá ser conhecimento de natureza causal (conhecimento objecto do guia). 
Conhecimento relacionado com as boas práticas na selecção de tratamentos (metaconhecimento). O conhecimento médico sobre a prescrição de medicamentos, por exemplo, que servirá para validar um dado guia pode ser então formalizado conforme segue: 5.1 onde d é o nome de um princípio activo denotado por um predicado, r é um requisito para essa droga produzir efeito e mk é um modo de actuação do princípio activo. 151 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação Os modos de actuação podem ser combinados com um objectivo n (conseguir níveis normais de glicose no sangue, por exemplo), com uma condição particular c do estado do doente e com um conjunto de requisitos rj necessários para que esses modos de actuação sejam eficazes: 5.2 As boas práticas da medicina podem então ser formalizadas através do conhecimento médico prévio (background), de um conjunto de drogas ,
,
, de um conjunto de condições do estado de saúde do doente, de um conjunto de requisitos e de um conjunto de objectivos que o médico pretende atingir. Um conjunto de princípios activos é um tratamento se satisfizer as fórmulas 5.3 (i.e., os princípios activos não têm efeitos opostos) e 5.4 (i.e., as drogas tratam todos os problemas do doente): 5.3 5.4 5.3 Representação de Informação Imperfeita Já apresentamos antes o conceito de negação forte (Gelfond and Lifschitz 1990), representado pela conectiva  , também chamada negação clássica ou negação explícita, por oposição à negação por falha na prova ‐ not. Os programas lógicos gerais representam informação negativa implicitamente, através do raciocínio baseado no PMF. Pelo contrário, um programa em lógica extendida representa informação negativa de forma explícita, usando a negação forte. Podemos assim fazer 152 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação a distinção entre uma questão que falha porque não pode ser provada e uma questão que falha porque pode ser provada a sua negação (Neves 1984). De facto, em muitas situações é útil representar A como um literal, desde que seja possível provar A. O objectivo é representar explicitamente informação negativa, assim como descrever directamente o PMF para alguns predicados (circunscrição de predicados (Parsons 1996)). Três tipos de resposta a uma questão são então possíveis: verdadeiro, falso ou desconhecido, no caso de não existir informação para inferir uma das outras duas. A representação de valores nulos, essencial para o tratamento da informação imperfeita, como veremos, será também enquadrada na programação em lógica extendida. Consideram‐se dois tipos de valores nulos: um permitirá a representação de valores desconhecidos não necessariamente pertencentes a um dado conjunto de valores, e o segundo representará valores desconhecidos de um conjunto conhecido de valores possíveis (Analide, Novais et al. 2006). Passemos agora a um exemplo no âmbito do objectivo desta tese: a tomada de decisão em grupo. No exemplo seguinte são consideradas as extensões aos predicados que representam algumas das características dos participantes num grupo de decisão, exprimindo uma medida das suas competências para o processo de tomada de decisão. papel_no_grupo: Entidade x String
credibilidade: Entidade x Inteiro
reputação: Entidade x Inteiro
Exemplo 5.1 – Características dos participantes num grupo de decisão O primeiro argumento representa o participante e o segundo representa o valor da propriedade. Por exemplo, credibilidade luís, 100 significa que a credibilidade do participante luís tem o valor 100. 153 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação No Programa 5.1 a negação forte é representada pelo símbolo , assinalando o que deve ser interpretado como falso e o termo not designa a negação por falha na prova. 1
2
credibilidade luis,100
credibilidade E,V not credibilidade E,V
Programa 5.1 – Extensão do predicado que representa a credibilidade de um participante Admitamos agora que a credibilidade de outro participante – ricardo – ainda não pode ser estabelecida. Esta situação será assinalada por um valor nulo, do tipo desconhecido, e está representada no Programa 5.2. Sabe‐se que o participante é credível mas ainda não é possível determinar com certeza o valor para o atributo. Na segunda cláusula do Programa 5.2 o símbolo  representa um valor nulo de um tipo não definido. Esta representação significa, na prática, que a sua instanciação com qualquer valor é uma solução válida, mas não permite tirar nenhuma conclusão sobre esse valor. Não é, assim, possível calcular, a partir da informação positiva, o valor de credibilidade do participante ricardo. A quarta cláusula do Programa 5.2 (o fechamento do predicado credibilidade) descarta a possibilidade de poder ser considerada como falsa qualquer questão colocada sobre a credibilidade do participante ricardo. 1
2
3
4
credibilidade luis, 100
credibilidade ricardo, 
credibilidade E, V  not credibilidade E, V ,
not excepção credibilidade E, V
excepção credibilidade E, V  credibilidade E, 
Programa 5.2 – Credibilidade do participante ricardo, de valor desconhecido 154 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação Consideremos agora o caso em que a credibilidade de um participante tem um valor esperado de 60, com uma margem de erro de 15. Não é possível ser assertivo quanto ao valor exacto da credibilidade, mas é possível inferir que o participante não tem, por exemplo, um valor de credibilidade de 80 ou de 100. Este exemplo pretende demonstrar que a ausência de informação também pode ser associada a um conjunto enumerado de valores conhecidos possíveis. Consideremos ainda uma outra situação em que a credibilidade do participante paulo, embora não sendo conhecida, se sabe ser exactamente 30 ou 50. Estes dois casos estão exemplificados no Programa 5.3. 1
2
3
4
5
6
7
credibilidade luis, 100
credibilidade ricardo, 
credibilidade E, V  not credibilidade E, V ,
not excepção credibilidade E, V
excepção credibilidade E, V  credibilidade E, 
excepção credibilidade carlos, V  V  45  V  75
excepção credibilidade paulo, 30
excepção credibilidade paulo, 50
Programa 5.3 – Representação da credibilidade dos participantes carlos e paulo Usando o formalismo acima é possível raciocinar sobre o corpo de conhecimento existente num determinado domínio, desde que seja definido um conjunto de pressupostos. Para isso, e recorrendo à programação em lógica extendida, é proposto um sistema que, embora muito simples, permite implementar mecanismos de inferência sobre os três tipos de valores nulos apresentados. A implementação prática desse sistema é um interpretador para questões, colocadas em termos de um programa em lógica extendida, que será capaz de três respostas possíveis nesse contexto: verdadeiro, falso e desconhecido. Este interpretador é constituído pela extensão de um meta‐predicado capaz de interpretar uma questão colocada ao sistema. 155 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação Designamos esse predicado de demo
(de demonstrador), cuja estrutura contém dois argumentos: i) a questão a demonstrar; ii) o respectivo resultado, que será um dos três valores possíveis acima. demo: Questão x Resposta 5.5 Considerando o que já foi referido sobre a interpretação de questões num programa em lógica extendida, temos a extensão do predicado demo
conforme se pode ver no Programa 5.4. 1
2
3
demo Q,, verdadeiro  Q
demo Q,, falso  Q
demo Q,, desconhecido  not Q  not Q
Programa 5.4 – Extensão ao meta‐predicado demo 5.4 Método de Avaliação Como já dissemos antes, o mundo é infinitamente complexo e o nosso conhecimento dele é finito e, portanto, incompleto. É, assim, razoável assumir que em qualquer processo de decisão esta é tomada sem estar disponível a informação completa sobre o problema. Em muitas situações críticas, o impulso para a tomada de decisão decorre de se ter esgotado o tempo disponível. Quando é atingido o tempo limite, a decisão é tomada usando a informação disponível e o melhor julgamento do(s) decisor(es). 156 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação Várias estratégias são possíveis para reduzir a incerteza (Lipshitz and Strauss 1997) (Dawid and Didelez 2008), cujo estudo não se pretende efectuar neste trabalho. Coloca‐se então ao decisor a questão sobre a medida da qualidade da informação que tem disponível, ou de forma inversa a medida da incerteza relacionada com a informação. Nas decisões em grupo esta questão é mais complexa – cada participante na decisão final precisa dessa medida da qualidade sobre o sistema informático de suporte, sobre os outros participantes e, claro, sobre a informação que flui entre os participantes. Esta questão é especialmente relevante num SADG assíncrono, onde a informação é obtida de múltiplas fontes externas, onde o afastamento entre os agentes de decisão e as fontes não lhes permite avaliar o contexto e a qualidade dessa informação. Em situações onde os decisores são colocados perante alternativas perfeitamente diferenciadas, a disponibilização de informação sobre a qualidade dos dados presentes tem influência na selecção da alternativa preferida, ao mesmo tempo que se mantém o consenso no grupo (Chengalur‐Smith, Ballou et al. 1999). O Grupo de Decisão do sistema usado como exemplo neste trabalho – VirtualECare – pode funcionar num ambiente deste tipo. Sejam i (i  1,, m) os predicados cujas extensões constituem um programa em lógica extendida que modela o universo do discurso e j (j  1,, n) os atributos desses predicados. Seja xj  [minj, maxj] o valor para um atributo j. A cada predicado é ainda associada uma função de classificação (scoring) Vij minj, maxj  0  1 5.6 157 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação que permite determinar a pontuação (score) que o predicado i atribui a um valor do atributo j, no intervalo dos seus valores possíveis, ou seja, o seu domínio. Por razões de simplificação, as pontuações tomam valores do intervalo [0  1]. A função acima é aqui definida na forma: all lista_de_excepções, sub_expressão, invariantes 5.7 Esta expressão significa que sub_expressão
deverá verificar‐se para cada combinação das extensões dos predicados que representam os atributos em lista_de_excepções e em invariantes.
Torna‐se ainda necessário a introdução de três novos predicados. O primeiro predicado cria uma lista de todas as combinações possíveis de excepções (pares, triplos, …, n‐tuplos) sob a forma de uma lista de conjuntos, determinada pelo tamanho do domínio e pelas invariantes. O segundo predicado percorre recursivamente esta lista e invoca o terceiro predicado para cada combinação de excepções. O terceiro predicado, associado a sub_expressão, dá como resultado, para cada predicado, o respectivo valor da sua pontuação. A Qualidade da Informação (QoI) para um predicado genérico P, para o caso em que o conjunto de excepções é disjunto, é então dada por: QoI P 
1
Card
5.8 onde Card representa a cardinalidade do conjunto de excepções de P. Se o conjunto de excepções não for disjunto, a qualidade da informação é dada por: 158 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação QoI P 
Card
1
C
1
Card
   CCard
5.9 Card
onde C1Card    C Card
é a soma do número de combinações dos subconjunto possíveis do conjunto de excepções de P. O elemento seguinte a ter em conta no modelo é a importância relativa de cada atributo que se pretende analisar, para cada um dos atributos sob observação. Seja wij a importância, ou peso, do atributo j para o predicado i. Considere‐se ainda que os pesos estão normalizados, ou seja: i  j 1 wij  1
n
5.10 É então definida, para um valor x
x1, ..., xn no espaço multidimensional definido pelos domínios dos atributos, a função de classificação dos predicados: Vi ( x)   j 1 wij  Vij ( x j )
n
5.11 Podemos agora avaliar a qualidade de informação presente, como resultado de um programa em lógica, projectando os valores de Vi x num espaço multi‐
dimensional e planificando‐o a duas dimensões. Executando este procedimento, obtém‐se um círculo tal como exemplificado na Figura 5.1. Nesta imagem, os sectores circulares (obtidos, neste exemplo, a partir das extensões a cinco predicados hipotéticos, identificados como p1 ... p5) representam a Qualidade da Informação associada a cada um dos conjuntos de excepções que constituem o programa em lógica. 159 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação Figura 5.1 – Medida da qualidade da informação para um programa em lógica 5.4.1 Dos Actores Um dos constrangimentos à interacção efectiva entre pessoas, numa Rede Colaborativa dispersa no espaço, é a falta de confiança mútua, devida à inexistência de interacção social presencial. A colaboração e a cooperação serão ainda mais difíceis quando estamos a lidar com um interlocutor anónimo. Para se criar um relacionamento de confiança mútua e de entendimento entre pessoas, estas precisam de construir uma imagem mental do tipo de pessoa com quem estão a colaborar. Uma das formas de permitir essa avaliação interpessoal é através da disponibilização de informação sobre o perfil individual de cada participante no próprio ambiente colaborativo. A composição do grupo é um factor crítico de sucesso para o resultado do processo de tomada de decisão. O suporte à criação de grupos é assim um pré‐
requisito para qualquer Organização Virtual. O SADG do VirtualECare apoia o facilitador na selecção dos participantes, o qual tem acesso ao perfil detalhado de cada elemento na base de dados. Para além do 160 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação conhecimento das competências e papéis de cada participante, são disponibilizadas medidas da qualidade de informação sobre o perfil de cada um dos possíveis participantes. Essas medidas de qualidade devem também ser disponibilizadas aos participantes na tomada de decisão, eventualmente garantindo condições específicas impostas pelos próprios participantes ou pelas organizações a que estes pertençam, como seja o anonimato, a segurança ou a confidencialidade de alguns atributos, questões já abordadas por outros autores (Sandhu and Marvin 1998) (Georgiadis, Mavridis et al. 2001) (Georgiadis, Mavridis et al. 2003) (Lopez, Oppliger et al. 2004) (Kantarcioglu, Inan et al. 2009) . A vantagem do sistema que propomos é que, mesmo nessas situações, todos os elementos do grupo envolvidos no processo de tomada de decisão têm uma medida objectiva da qualidade de informação sobre o perfil de cada participante e da qualidade do grupo como um todo. Como temos vindo a referir, o cenário mais interessante no projecto VirtualECare é aquele em que as interacções entre os participantes são assíncronas quer no tempo quer no espaço. Neste cenário, e considerando que os participantes raramente terão oportunidade de se encontrarem pessoalmente e de estabelecerem laços sociais, torna‐se ainda mais necessário que o próprio sistema permita transmitir um elevado grau de credibilidade em relação às informações e aos argumentos trocados entre todos. Propõe‐se assim a criação de um modelo da comunidade de agentes de decisão que permita obter informação, nomeadamente, acerca da sua credibilidade, reputação, assim como sobre o seu comportamento no passado, ou seja: ã
í
çã
í
çã 5.12 Onde: 161 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação Id – Identificação do agente de decisão. Papel – papel que desempenha na rede colaborativa (por exemplo, utente, familiar, médico, amigo). Aptidão – competência específica do agente. No caso de um médico pode ser a especialidade médica. No caso de familiares pode ser o grau de parentesco, o qual, eventualmente combinado com uma ontologia própria, poderá auxiliar o facilitador a escolher o familiar mais adequado para participar numa tomada de decisão. Organização – informação relativa ao agente relacionada com a instituição a que este pertence. Interesses – tópicos de interesse para o agente. Podem ser em qualquer área – interesses científicos, de lazer, culturais, sociais, profissionais. Novamente, a combinação com uma ontologia nesta área permitirá apoiar o facilitador na criação do grupo. Disponível – a disponibilidade de cada agente de decisão é dada por três estados possíveis: disponível, comprometido, ocupado. Um agente disponível representa alguém que poderá ser incluído de imediato num grupo de decisão. Um agente comprometido já deu o seu acordo à participação num grupo, mas o processo de inclusão nesse grupo ainda não ocorreu. Um agente ocupado é alguém que faz parte de um grupo e que já está envolvido numa tarefa. Credível – pretende‐se com este atributo disponibilizar o grau da credibilidade de um agente. Esta informação está relacionada com a necessidade de ajudar a estabelecer a confiança mútua entre participantes, para que a colaboração seja profícua. A credibilidade, embora inclua uma forte componente subjectiva, pode ser objectivamente medida, por exemplo através do tempo de experiência de um profissional de saúde numa dada 162 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação especialidade e da experiência passada do agente noutros processos de tomada de decisão. Reputação – avaliação social da imagem do agente, construída online pela própria comunidade de agentes. Tem a ver também com o objectivo de promover o estabelecimento de relacionamentos de confiança entre os participantes. Na sequência da representação de informação incompleta, mostra‐se no exemplo seguinte como pode ser avaliada a qualidade de informação para um grupo de três elementos, usando apenas alguns dos atributos definidos na expressão 5.12 atrás (ver Programa 5.5). Este exemplo pode facilmente ser generalizado para qualquer número de elementos e de atributos. No Programa 5.5 consideram‐se as extensões aos predicados que representam características dos participantes num grupo de decisão, exprimindo uma medida das suas competências para o processo de tomada de decisão: papel: Entidade x String
credível: Entidade x Inteiro
reputação: Entidade x Inteiro
Exemplo 5.2 – Características dos participantes num grupo de decisão O primeiro argumento representa o participante e o segundo representa o valor da propriedade. Por exemplo, papel luís, familiar significa que o participante luís é um familiar do doente no contexto do VirtualECare. 163 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação credível E,V  not credível E,V , not excepção credível E,V
excepção credível E,V  credível E,
credível luis,100
credível ricardo,
excepção credível carlos,V  V  45  V  75
excepção credível paulo,30
excepção credível paulo,50
papel E,V  not papel E,V , not excepção papel E,V
excepção papel E,V  papel E,
papel luis,
papel ricardo,médico
excepção papel carlos,médico
 reputação E,V  not reputação E,V , not excepção reputação E,V
excepção reputação E,V  reputação E,
excepção reputação luis,80
excepção reputação luis,50
excepção reputação ricardo,40
excepção reputação ricardo,60
reputação carlos,100
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Programa 5.5 – Programa lógico com três critérios de qualidade de um grupo com três elementos Nas Figuras 5.2 e 5.3 pode ver‐se a qualidade de informação associada aos participantes no grupo de decisão luis e ricardo, considerando que todos os
atributos têm o mesmo peso. Para o participante luis temos: Vcredible luis
1
Vreputed luis
0.5
Vrole luis
0
E para o participante ricardo: 164 5.13 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação Vcredible ricardo
1
Vreputed ricardo
0.5
Vrole ricardo
5.14 0
1
credível
reputação
1
1
papel
Figura 5.2 – Medida da qualidade de informação acerca do participante luis É assim possível avaliar a qualidade de informação associada a um programa em lógica extendida: as secções circulares denotam a QI para os predicados credível, reputação e papel. Figura 5.3 ‐ Medida da qualidade de informação acerca do participante ricardo 165 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação Para além de permitir avaliar a qualidade de actores individuais do sistema ou de características em particular, assim como da informação que flui num sistema de apoio à decisão, pretende‐se obter um mecanismo que permita avaliar a qualidade de informação global do próprio sistema e, em consequência, uma medida de confiança nos seus resultados. O mesmo mecanismo usado para avaliar características particulares do sistema é usado, consistentemente, para avaliar todo o sistema, através de um processo de extensão. 5.4.2 Dos Fluxos de Informação Uma questão chave é a partilha de informação entre o grupo. Mesmo em grupos hierarquizados, a tomada de decisão é um processo partilhado, tendo os seus membros o mesmo, ou quase o mesmo, estatuto. O resultado da decisão depende não só dos conhecimentos, opiniões e juízos dos participantes, mas também da composição do grupo e do método e processo de tomada de decisão. As diferenças de opinião são resolvidas por um membro mais proeminente ou, mais vulgarmente, por negociação ou arbitragem. O acesso a toda a informação por parte de todos os membros poderá ser demasiado caro ou complexo, mas a partilha de informação é o elemento mais importante para melhorar a qualidade da decisão em grupo. Vejamos outro exemplo (Exemplo 5.3), agora relacionado com a informação recebida no SADG do VirtualECare sobre os parâmetros ambientais da casa do utente (característica Ambiente): O primeiro argumento denota a divisão da casa e o segundo representa o valor da propriedade. Por exemplo temp_amb quarto, 20 significa que a temperatura ambiente no quarto de dormir tem o valor 20. 166 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação temp_amb: Divisão x Inteiro
humidade_amb: Divisão x Inteiro
luz_amb: Divisão x Inteiro
Exemplo 5.3 – Alguns parâmetros ambientais da casa do utente No Programa 5.6, e tal como definimos antes, o símbolo  representa a negação forte, indicando o que deve ser interpretado como falso, e o termo not denota a negação por falha na prova.  temp_amb E, V  not temp_amb E, V , not excepção temp_amb E, V
excepção temp_amb E, V  temp_amb E, 
temp_amb quarto, 20
temp_amb sala_estar, 
excepção temp_amb cozinha, V  V  15  V  25
excepção temp_amb sala_jantar, 22
excepção temp_amb sala_jantar, 25
 humidade_amb E, V  not humidade_amb E, V ,
not excepção humidade_amb E, V
excepção humidade_amb E, V  humidade_amb E, 
excepção humidade_amb quarto, V  V  56  V  65
humidade_amb cozinha, 70
 luz_amb E, V  not luz_amb E, V , not excepção luz_amb E, V
excepção luz_amb E, V  luz_amb E, 
excepção luz_amb quarto, 20
excepção luz_amb quarto, 30
luz_amb cozinha, 300
luz_amb sala_estar, 5
luz_amb sala_jantar, 5
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15 16 17 18 Programa 5.6 – Representação do conhecimento acerca do ambiente do utente A cláusula (4) representa a temperatura ambiente de uma divisão, a sala de estar, cujo valor não é, neste momento, conhecido. O símbolo  representa um valor nulo de tipo indefinido. É uma representação onde se assume que qualquer valor é 167 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação uma solução possível. Não é assim possível calcular, a partir da informação positiva, o valor da temperatura ambiente para a sala de estar. A segunda cláusula do Programa 5.6 descarta a possibilidade de poder ser assumido como falsa a resposta a qualquer questão sobre o valor da temperatura ambiente para a sala de estar. Sabe‐se que a temperatura ambiente para a sala de jantar tem o valor 20, com uma margem de erro de 5. Não é possível, portanto, estabelecer o valor exacto da temperatura. Contudo, a representação deve tornar claro que a temperatura ambiente, neste caso, não é 14 ou 27, por exemplo, ou qualquer outro fora do intervalo de valores acima. Representando outra situação possível, a temperatura ambiente da sala de jantar é também desconhecida, mas sabe‐se que é especificamente um de dois valores possíveis: 22 ou 25ºC. Podemos agora calcular a qualidade da informação dos parâmetros ambientais de qualquer divisão do utente que está a ser monitorizado. Essa medida da qualidade da informação pode ser utilizada sob múltiplas perspectivas, por exemplo, como alerta para os serviços de manutenção ou na avaliação da informação disponível durante um processo de tomada de decisão. Na Figura 5.4 é apresentada graficamente a qualidade de informação sobre os parâmetros ambientais do quarto do utente em observação. Vtemp_amb quarto
1
Vhumidade_amb quarto
Vluz_amb quarto
168 0,5
0.1
5.15 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação Figura 5.4 ‐ Qualidade da informação dos parâmetros ambientais do quarto do utente Apresenta‐se a seguir outro exemplo, este também referente a informação recebida pelo SADG e relacionado com a condição clínica do utente, no cenário apresentado a seguir (Björklind and Holmlid 2003) e onde a decisão foi tomada tendo também em conta a qualidade de informação: "O João tem um problema coronário e usa um relógio inteligente que mede a sua pressão arterial três vezes por dia. O relógio também lhe lembra as horas a que tem de tomar os medicamentos e qual a dose certa de cada um deles. Se algum parâmetro estiver fora dos valores normais, o relógio alerta o João e o SADG. O João também tem um PDA com uma tabela de controlo de saúde interactiva, através da qual consegue monitorizar a sua medicação, programar o exercício físico, gerir a sua dieta e fazer o registo estatístico dos seus sinais vitais. O SADG tem acesso a esta tabela, de forma a estar sempre actualizado sobre o estado físico do João. Subitamente, o relógio detecta que a pressão arterial está anormalmente elevada. O SADG recebe um alerta classe B e entra em contacto com o João para verificar o que é que poderá estar a causar o 169 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação aumento da pressão arterial (diagnóstico). Ao mesmo tempo o João recebe uma lista de causas possíveis que deverá verificar. O João compara esta lista com a sua tabela de controlo no PDA para tentar encontrar uma possível causa. Entretanto, o SADG decide que o João deverá consultar o seu médico. " Os valores da tensão arterial (pressãoArterial) referem‐se, respectivamente, à pressão sistólica e à pressão diastólica. Os outros dois parâmetros são a temperatura corporal e a frequência cardíaca. pressão_arterial: Inteiro x Inteiro
temp_corp: Decimal 3,1
freq_card: Inteiro
Exemplo 5.4 – Alguns parâmetros clínicos do utente A partir da informação recebida dos sensores e dos equipamentos do utilizador, foi possível criar o seguinte programa lógico (Programa 5.7): 1
2
temp_corp 36, 6
 pressão_arterial S, D  not pressão_arterial S, D ,
not excepção pressão_arterial S, D
3
excepção pressão_arterial S, D  pressão_arterial S, 
pressão_arterial , D pressão_arterial , 
4
pressão_arterial 150, 
 freq_card V  not freq_card V ,
not excepção freq_card V
excepção freq_card B  freq_card 
excepção freq_card 60
excepção freq_card 90
5
6
7
8
Programa 5.7 – Representação do conhecimento acerca dos sinais vitais do utente 170 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação Vtemp_corp joão
1
Vpressão_arterial joão
Vfreq_card joão
0
5.16 0,5
Embora todos estes parâmetros façam parte dos quatro sinais vitais principais (o quarto seria a frequência respiratória), decidiu‐se, para efeitos de exemplificação, atribuir um peso duplo à pressão arterial. Projectando os valores calculados num espaço multi‐dimensional e planificando‐o a duas dimensões obtemos a imagem na Figura 5.5. Os sectores circulares dão‐nos uma percepção imediata, intuitiva, da qualidade de informação associada a este programa. Repare‐se que o ângulo do sector circular que representa a pressão arterial é duplo dos outros dois. Figura 5.5 – Qualidade da informação dos sinais vitais do utente 171 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação Calculando a área normalizada dos sectores circulares da Figura 5.5 chega‐se a um valor igual a 0,3125. Admitamos que, para o tipo de decisão em causa, o SADG considera este valor abaixo do limiar admissível para a qualidade da informação (esse limiar poderá vir a fazer parte do próprio sistema, sendo uma das responsabilidades do sistema de recomendação avisar de imediato o grupo quando a qualidade de informação para situações perfeitamente caracterizadas for demasiado baixo). Nesta situação, novos valores devem ser obtidos, na tentativa de melhorar a qualidade de informação. Vamos agora admitir que foram conseguidos novos valores, por exemplo forçando a recolha de dados nos sensores e equipamentos associados ao utente, obtendo assim o Programa 6.4. temp_corp 36, 6
 pressão_arterial S, D  not pressão_arterial S, D ,
not excepção pressão_arterial S, D
1
2
3
excepção pressão_arterial S, D  pressão_arterial S, 
pressão_arterial , D pressão_arterial , 
4
pressão_arterial 150, 90
 freq_card V  not freq_card V ,
not excepção freq_card V
excepção freq_card B  freq_card 
excepção freq_card 60
excepção freq_card 90
5
6
7
8
Programa 5.8 – Conhecimento actualizado acerca dos sinais vitais do utente Vtemp_corp joão
1
Vpressão_arterial joão
Vfreq_card joão
172 0,5
1
5.17 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação Depois de efectuar novamente o cálculo do valor da QI, obtemos a imagem na Figura 5.6. Figura 5.6 ‐ Qualidade da informação dos sinais vitais do utente Refazendo novamente o cálculo para a esta imagem chegamos a um valor para a área total igual a 0,8125. Admitamos que, agora sim, se atingiu ou ultrapassou o patamar mínimo para a QI no tipo de decisão em causa. O processo de decisão pode agora continuar, com a garantia de que a informação que o suporta tem a qualidade suficiente. É importante realçar que a avaliação da qualidade da informação sobre os sinais vitais recebidos no SADG não tem a ver com a sua avaliação clínica. Os valores desses parâmetros serão, isso sim, utilizados no próprio processo de decisão, por exemplo incluindo‐os na execução de um Guia Clínico adequado à condição do utente enquanto doente dos serviços de saúde. Por exemplo, a seguir são indicados valores de referência tradicionais para os parâmetros do exemplo. 
Temperatura corporal axilar 36 a 37ºC 173 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação 
Tensão arterial para um adulto ‐ sistólica 90 a 140 mmHg, diastólica 60 a 90 mmHg) 
Frequência cardíaca para um adulto masculino, medida no pulso 60 – 70 bpm) 5.4.3 Do Sistema A metodologia de avaliação da qualidade de informação é generalizável a todo o sistema. A Figura 5.7 representa todos os componentes do sistema onde se pretende que seja avaliada a qualidade da informação, assim como a troca de informação entre eles. Figura 5.7 ‐ Qualidade do sistema 174 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação Nesta imagem podemos identificar: 
O ambiente onde o utente se encontra, interno e externo, e que está a ser permanentemente monitorizado, incluindo a informação recolhida pelos sensores dos dados vitais; 
As centrais de atendimento, quer a central de atendimento de serviços gerais quer a central de atendimento de serviços de saúde; 
Os familiares, amigos e todos os que acompanham de alguma forma o utente no seu ambiente familiar (instituições de solidariedade social com atendimento ao domicílio, por exemplo), que são também uma fonte de informação e por vezes até de decisão; 
O Processo Clínico Electrónico, cuja existência desmaterializada se pretende que seja um factor de melhoria da qualidade nas prestações de cuidados de saúde, independentemente do local onde se encontra o utente ou da instituição de saúde que presta os cuidados. A avaliação da qualidade de informação em todos estes componentes é uma medida complementar da qualidade global dos serviços de saúde, sendo integrada e unificada no Sistema de Apoio à Decisão em Grupo. 5.5 Reflexão Crítica Neste capítulo apresentámos uma definição de Qualidade da Informação e apresentámos diversas perspectivas sob as quais ela pode ser entendida: interna vs externa (incluindo a adequação ao uso), sintáctica vs. semântica (considerando diversas dimensões ontológicas) e qualidade capaz de ser matematicamente provada contra requisitos formais. A apresentação destas diferentes perspectivas tinha como 175 Capítulo 5. Metodologia de Avaliação da Qualidade da Informação objectivo mostrar que a forma de representação é determinante para o método de avaliação da qualidade da informação/conhecimento. Pretendia‐se também mostrar que, excluindo as avaliações internas, normalmente sintácticas e/ou de validação de integridade, é necessário acrescentar informação/conhecimento no sistema, especificamente para poder avaliar a qualidade da informação, seja sob a forma de etiquetas, ontologias ou outro tipo de meta‐informação. A representação de informação imperfeita, que propomos neste capítulo, pretende reduzir essa necessidade, para além de integrar a incerteza, incompletude, inexactidão e incoerência. Pretendemos assim atingir um duplo objectivo com esta representação: suporte a mecanismos de inferência com informação imperfeita, adequados ao desenvolvimento de sistemas inteligentes de apoio à decisão, e suporte a um mecanismo de cálculo da qualidade de informação que possa ser embutido no próprio sistema, sem necessidade de recurso a dados externo para que esse cálculo seja efectuado. Finalmente definimos uma métrica para a qualidade de informação no contexto da tomada de decisão, que pretende reflectir o seu valor intrínseco como suporte à decisão. Propomos que essa métrica seja aplicada à informação sobre os actores do processo de decisão, aos fluxos de informação que existem num processo desse tipo e ao próprio sistema de informação global. O projecto VirtualEcare é usado como exemplo de aplicação. Propõe‐se ainda uma forma de apresentação gráfica que facilite a leitura pelos decisores não só do valor da qualidade global mas também dos vários critérios/parâmetros envolvidos na decisão. No capítulo seguinte vamos integrar o método de avaliação da qualidade de informação numa proposta de metamodelo de processo de decisão em grupo. 176 Capítulo 6 Modelo do Processo de Tomada de Decisão Capítulo 6. Modelo do Processo de Tomada de Decisão A whole is that which has beginning, middle and end. Aristotle
6.1 Introdução O impacto da qualidade da informação na tomada de decisões em grupo só pode ser avaliado no contexto das tarefas envolvidas nesta actividade. Uma decisão em grupo define‐se pelo envolvimento de dois ou mais decisores, os quais, embora tenham atitudes e motivações distintas, reconhecem a existência de um problema comum e prosseguem um conjunto de actividades para atingir uma decisão colectiva. Fazemos a distinção entre tomada de decisões multi‐membro não cooperativa e tomada de decisões em grupo cooperativa (Lu, Zhang et al. 2007). Na primeira situação os participantes têm interesses e objectivos próprios, normalmente conflituantes, assumindo assim papéis antagonistas. Na tomada de decisões em grupo cooperativa os participantes tentam chegar a uma decisão comum de forma amistosa, baseada na confiança mútua e partilhando a responsabilidade. É uma tarefa caracterizada pela procura de consensos, pela negociação, por esquemas de votação, entre outras formas de aproximação de posições. Podemos ainda dividir a tomada de decisão em grupo em duas categorias. Uma é caracterizada por uma estrutura hierárquica, onde de facto a decisão final é tomada por um só indivíduo, o qual é apoiado por um grupo de assistentes trabalhando em conjunto com o decisor na procura da “melhor” decisão. Outra, e a que mais nos interessa, é caracterizada pela inexistência de qualquer hierarquia entre os participantes, os quais partilham o interesse no melhor resultado da solução e têm a 178 Capítulo 6. Modelo do Processo de Tomada de Decisão mesma influência na formação da decisão, embora balanceada pelas competências próprias de cada um, em função do tipo de problema a resolver. Neste capítulo começamos por apresentar um modelo de processo de decisão em grupo faseado para a tomada de decisão, onde realçamos três aspectos principais: o facilitador, a geração de ideias e a argumentação. Em seguida subimos um nível de abstracção e apresentamos um metamodelo de processo de decisão em grupo, que subsume o modelo faseado apresentado, assim como a ligação ao método de avaliação da qualidade. 6.2 Modelo de Processo Faseado O módulo de Decisão em Grupo é um dos componentes principais dos sistemas de que o VirtualECare é apenas um exemplo. A inegável importância da tomada de decisões na actividade das organizações, combinada, no caso vertente, com a celeridade que será exigida em muitas das situações, impõe requisitos de eficácia e de eficiência ao processo. Torna‐se assim necessário o estabelecimento de um modelo do processo de tomada de decisão que enquadre todas as actividades necessárias, o seu sequenciamento, o perfil dos actores, as entradas e saídas e que permita incorporar a avaliação da qualidade de informação no próprio processo. Neste trabalho, uma reunião compreende todas as fases necessárias à realização completa de uma tarefa, ou seja, uma reunião é de facto o resultado da interacção de dois ou mais intervenientes (Bostrom, Anson et al. 2003). Uma reunião pode então ocorrer num de quatro cenários possíveis: i) ao mesmo tempo e no mesmo local; ii) ao mesmo tempo mas em locais diferentes; iii) em momentos diferentes e no mesmo local e iv) em momentos diferentes e em locais diferentes. 179 Capítulo 6. Modelo do Processo de Tomada de Decisão Cada um destes cenários determinará um tipo de suporte diferente do Sistema de Apoio à Decisão em Grupo. No caso geral, o grupo vai ter de lidar com vários critérios em simultâneo, ou seja, trata‐se de um problema multi‐critério. Um processo de decisão multi‐critério, como se viu atrás, exige uma estruturação prévia para identificação do problema, para definir e graduar critérios e para explorar as alternativas possíveis. Este processo pode ser feito por um grupo de especialistas e outros participantes com interesse na decisão (o doente, familiares, …) através de uma série de reuniões frente‐a‐frente ou de forma assíncrona, com o suporte de um SADG. O cenário motivador para esta tese é aquele em que as reuniões são totalmente assíncronas, ou seja, em que os participantes não precisam de reunir fisicamente no mesmo local nem interagem entre si necessariamente ao mesmo tempo. De facto, todos os participantes podem contribuir em qualquer altura com as suas ideias para o grupo, independentemente do local onde se encontrem, desde que possam usufruir das facilidades de um SADG assíncrono. Os processos de tomada de decisão tradicionais caracterizam‐se pela sua natureza eminentemente faseada, ou seja, desenvolvem‐se em fases sequenciais sucessivas (Kolbin 2003; Jones and Humphreys 2005). Os procedimentos de tomada de decisão sobre situações do mundo real incluem ainda períodos contíguos ou intermitentes no tempo, nos quais são realizadas operações de conteúdo homogéneo ou heterogéneo (Kolbin 2003). O modelo proposto (Lima, Novais et al. 2009) para o SADG no VirtualECare engloba esta característica de procedimento faseado (Figura 6.1), embora não se limitando à rigidez de um percurso único, como veremos mais à frente. 180 Capítulo 6. Modelo do Processo de Tomada de Decisão Pré-reunião
Reunião
Configuração
Pós-reunião
Recolher dados
Implementar opção
Problema
Formar grupo
Definir critérios
Parametrização
Gerar alternativas
Votar
Argumentação
Avaliar resultado
Figura 6.1 – Modelo de processo faseado Para além dos intervenientes envolvidos no processo colaborativo de tomada de decisão, é ainda comum a participação de outro elemento: o facilitador. O facilitador da reunião é alguém cuja presença deve ser bem aceite pelo grupo, imparcial, que actua como um mediador em todas as fases da reunião (Schwarz 1994) (Miranda and Bostrom 1999). O facilitador tem um papel importante na apropriação da tecnologia pelo grupo de decisão, como foi dito no Capítulo 4. A forma como o grupo faz essa apropriação da tecnologia e a adapta para os seus objectivos tem influência no processo de decisão e nos resultados do processo (DeSanctis and Poole 1994). O facilitador prepara a reunião, nomeadamente na formação do grupo, e é responsável pelo controlo e monitorização do processo, usando as funcionalidades específicas embebidas no SADG. Deverá organizar a discussão e conjugar as preferências individuais, quer promovendo o consenso quer efectuando a agregação das preferências individuais. A procura de consenso significa que deverá chegar‐se a um entendimento entre os participantes, se necessário através de procedimentos de votação. A agregação consiste num procedimento em que os participantes registam no sistema as suas preferências e o facilitador sumariza essas preferências de acordo com um algoritmo pré‐definido, como por exemplo a média geométrica, para chegar ao resultado final. Como já se afirmou antes, a escolha dos participantes é um factor crítico de sucesso. No exemplo do sistema VirtualECare, o SADG ajuda o facilitador nesta tarefa, 181 Capítulo 6. Modelo do Processo de Tomada de Decisão disponibilizando o perfil de cada um dos possíveis participantes e a medida da qualidade sobre cada um desses perfis. Depois de o problema estar estruturado e serem identificadas as alternativas para a resolução do problema, podem ser utilizadas várias ferramentas de TDMC disponibilizadas pelo sistema. O componente baseado em conhecimento do SADG poderá ajudar a seleccionar o modelo apropriado de TDMC para ponderar os critérios e avaliar, depois, as alternativas. A selecção do método de TDMC depende do tipo de problema, da sua estrutura, do número de critérios e das alternativas. Como se pôde ver na Figura 6.1, há duas grandes fases no modelo de processo de decisão tradicional. Na primeira fase, depois de identificada a existência de um problema, os participantes devem diagnosticar o tipo de problema, estabelecer os critérios iniciais e definir a estrutura do problema. Os pontos de vista individuais dos participantes são registados no SADG e disponibilizados ao facilitador. O facilitador pode escolher então um dos dois tipos de procedimento para a discussão – consenso ou agregação – ao seu critério, baseado em dois factores principais: o tamanho do grupo e a possibilidade de interacção entre os participantes. No passo seguinte o facilitador distribui os resultados agregados pelos participantes. Se o procedimento for o consenso, os participantes podem registar de novo as suas preferências até o problema estar perfeitamente estruturado, podendo então ser escolhido o método de tomada de decisão mais apropriado à estrutura do problema. O modelo de processo que propomos pretende ser independente dos métodos de geração de ideias e de análise de alternativas, que podem ser escolhidos entre os exemplificados antes, MAH, TGN, Delphi ou outros. Depois de seleccionados os métodos de decisão, dá‐se início à segunda fase, podendo a constituição do grupo ser exactamente a mesma ou ser alterada, inclusive para adicionar competências associadas a critérios identificados e que possam não existir anteriormente. Esses novos participantes têm de imediato disponíveis todas as 182 Capítulo 6. Modelo do Processo de Tomada de Decisão informações e dados do problema através do SADG, de forma estruturada, constituindo‐se este como a memória organizacional de todo o processo. Os participantes são agora convidados a avaliar os critérios e explorarem as alternativas. Depois de formarem os seus juízos individuais, os participantes defendem os seus pontos de vista, com o objectivo de se atingir o consenso ou, pelo menos, uma posição maioritária. Cada participante argumentará a favor das alternativas que considera mais atractivas ou contra aquelas que acha serem as piores, de acordo com as suas preferências e com as suas competências (Brito, Novais et al. 2003). Figura 6.2 ‐ Forum (Argumentação e Votação) 183 Capítulo 6. Modelo do Processo de Tomada de Decisão Na fase reunião os participantes desenvolvem os seus trabalhos orientados para o objectivo comum da reunião, procurando a “melhor” decisão. O processo é suportado pela informação e conhecimento existente no sistema assim como pelas informações trocadas entre os participantes. Também aqui o sistema deverá proporcionar uma medida da qualidade da informação e do conhecimento disponível. Nesta fase o SADG deverá ser capaz de dar apoio a tarefas como Argumentação e Votação (Figura 6.2), que poderão ser usadas no decurso da discussão, através do registo sistemático das posições de cada participante, assim como da respectiva votação, até se chegar, no final, à escolha de uma alternativa. Refira‐se que estas tarefas são indicadas apenas como exemplo, pois as tarefas realizadas em concreto num dado processo de decisão vão depender do método escolhido. Na fase Pós‐reunião é importante avaliar os resultados conseguidos pelo grupo, assim como em que medida cada um dos participantes se revê nesses resultados. O modelo de processo de tomada de decisão que propomos é uma extensão ao modelo da Teoria da Escolha Racional (1955), na formulação da racionalidade limitada, dada por Herbert Simon (1982). Nesse modelo, um agente de decisão apenas satisfaz os seus critérios de escolha, ou requisitos mínimos do objectivo (decisão satisfatória), sem tratar de forma exaustiva a sua optimização. Nesta formulação, Simon prescreve um processo de tomada de decisão sequencial, evoluindo ao longo de três estádios: Inteligência, Concepção e Escolha. A fase da Inteligência ocorre quando um problema é identificado e diagnosticado, no sentido em que são percebidas as condições de uma situação que exige uma tomada de decisão, ou em que existe uma oportunidade de melhoria. A fase de Concepção tem em vista a geração, desenvolvimento e análise de diferentes cursos de acção alternativos, que possam vir a constituir‐se como uma solução satisfatória para a situação identificada na fase da inteligência. A definição de 184 Capítulo 6. Modelo do Processo de Tomada de Decisão critérios, assim como de modelos e cenários, que permitam avaliar as alternativas, são actividades que decorrem ainda nesta fase. Finalmente, na fase da Escolha o grupo concentra‐se nas actividades de selecção de uma das alternativas identificadas na fase anterior. Sendo um processo realizado por um grupo de participantes, é comum a existência de actividades que habitualmente não está presente nas decisões individuais, como a argumentação, negociação e votação. 6.3 Metamodelo de Processo Como se disse, o modelo de processo do SADG do VirtualECare tem por base a racionalidade limitada, ou empírica, de Hebert Simon (1982). A fase da inteligência ocorre continuamente, na interacção natural do SADG com os outros componentes do VirtualECare. A identificação de um problema desencadeia a actividade de formação de um grupo de decisão. A formação do grupo ocorre na fase pré‐reunião, cabendo ao facilitador escolher os participantes. As actividades associadas à concepção e escolha ocorrem já na fase da reunião (ver Figura 6.1), desenvolvendo‐se de forma iterativa. Nesta tese, esse modelo é expandido segundo a mesma linha de pensamento do modelo de Jones and Humphreys do ouriço de decisões (Decision Hedgehog (Jones and Humphreys 2005)). Em vez de conceber e prescrever a solução para o problema de decisão num contexto unicamente sequencial, seguindo um percurso de decisão único, sugerimos a exploração simultânea de caminhos potenciais alternativos, com o objectivo de aumentar o conhecimento contextual, potenciando a autoria colaborativa de resultados. 185 Capítulo 6. Modelo do Processo de Tomada de Decisão O processo desenvolve‐se de maneira análoga à lógica de escolha circular de Nappelbaum (1997). No modelo de Nappelbaum o processo é visualizado como uma espiral que se vai afunilando enquanto avança no tempo, centrada na descrição do problema, até chegar a uma solução recomendada, passando por ciclos sucessivos de descrição de opções, juízos de valor e regras operativas. Figura 6.3 – Avaliação da qualidade de informação no processo de decisão Chegamos assim a um metamodelo com quatro zonas, que podem ser instanciadas com métodos, tarefas e ferramentas – ou seja, instanciado com um modelo específico ‐ mais uma zona que faz fronteira com todas as anteriores: a Avaliação da Qualidade da Informação (Figura 6.3): Geração – é uma zona de divergência, de exploração simultânea de caminhos potenciais alternativos, de pesquisa de informação, de levantamento de questões problemáticas. Corresponde ao quadrante “Gerar” do modelo circumplexo de McGrath. Nesta zona podem ser usados métodos e técnicas 186 Capítulo 6. Modelo do Processo de Tomada de Decisão como Brainstorming, Synectics, Delphi, Técnica Nominal de Grupo, entre outros. Estruturação – é uma zona de discussão, de perceber a perspectiva dos outros, de clarificação de critérios, de revisão de pressupostos e restrições, de criação de um contexto que possa ser partilhado, i.e de estruturação do processo de decisão. Abrange tarefas dos quadrantes “Negociar” e “Escolher”do modelo circumplexo de McGrath. Nesta zona podem ser usados métodos e técnicas de decisão multi‐critério, desde os simples métodos aditivos/multiplicativos ou mais complexos como os de prevalência e os de único critério de síntese. Avaliação – é uma zona de convergência, de avaliação de riscos e consequências, de redução de hipóteses, de votação. Tal como para a zona anterior, abrange tarefas dos quadrantes “Negociar” e “Escolher”do modelo circumplexo de McGrath. Nesta zona podem também ser usados os mesmos métodos e técnicas de decisão multi‐critério. Recomendação – fim do processo, votação ou agregação final de preferências, segundo o método de decisão seleccionado. Abrange tarefas do quadrante “Escolher”do modelo circumplexo de McGrath. A leitura da Figura 6.3 segundo a tradição ocidental, da esquerda para a direita, sugere um sequenciamento no tempo entre as três primeiras zonas em que se pode desenvolver um processo de decisão. Propositadamente, essa leitura sequencial não é óbvia, sugerindo que um dado modelo de processo poderá adoptar um faseamento mais próximo de um modelo em cascata das tarefas nas três zonas, ou uma combinação de tarefas em paralelo. Repare‐se que basta alterar os ângulos internos dos triângulos das três zonas Geração, Estruturação e Avaliação para obter um modelo mais ou menos sequencial (ver Figura 6.4), continuando no entanto a haver uma intensidade desigual no tipo de tarefas em curso num dado instante. 187 Capítulo 6. Modelo do Processo de Tomada de Decisão a) b) Figura 6.4 – Predominância de trabalho (a) em paralelo ou (b) sequencial Nomeadamente, se fizermos deslocar uma linha temporal vertical da esquerda para a direita (ver Figura 6.5), as zonas Geração e Estruturação são intersectadas primeiro e em simultâneo, só depois chegando à zona Avaliação. Figura 6.5 – Inclusão do factor tempo no metamodelo O tamanho do segmento que resulta da intersecção desta linha vertical com a área de cada zona reflecte os tipos de tarefas que o grupo de decisão realiza nesse instante assim como o grau de envolvimento nessas tarefas. Note‐se que quando é intersectada a zona Avaliar Qualidade, ainda se encontram activas as três zonas Geração, Estruturação e Avaliação, embora esta última com maior intensidade. A 188 Capítulo 6. Modelo do Processo de Tomada de Decisão transição para a Recomendação é efectuada, como seria de esperar, depois de atravessar o pico de maior intensidade na Avaliação da Qualidade de Informação. O metamodelo pode ainda ser instanciado de forma iterativa. Num modelo desse tipo, as actividades das zonas Geração, Estruturação e Avaliação são sucessivamente iteradas e a qualidade da informação é avaliada em cada iteração, para cada caminho alternativo possível. O sistema de conhecimento pode ser interrogado acerca da informação necessária, eventualmente com um limiar da medida da qualidade dessa informação previamente estabelecido (Lima, Costa et al. 2008). Se a qualidade da informação não atingir o limiar estabelecido, deve ser obtida mais informação/conhecimento e o processo recomeça. A Figura 6.6 mostra a situação em que o limiar de qualidade só é atingido na enésima iteração, sendo então tomada a decisão. Figura 6.6 – Perspectiva iterativa do metamodelo 189 Capítulo 6. Modelo do Processo de Tomada de Decisão Mesmo quando as restrições de tempo obrigam o grupo a tomar uma decisão antes do limiar de qualidade ser atingido, a medida da avaliação de qualidade é útil para estimar e registar o contexto em que a decisão foi tomada. Considerando então que estamos em presença de um problema de decisão em grupo multi‐critério, vamos expandir a formalização apresentada na matriz (3.1) do , ,
Capítulo 3 para representar um modelo genérico |
1,2, … ,
|
, ,
,
, onde: é um conjunto de critérios; 1,2, … ,
é um conjunto de fontes de informação de decisão54; |
1,2, … ,
|
é um conjunto de alternativas; 1,2, … ,
é um conjunto de matrizes de decisão, cada uma com n x m linhas e colunas. é a matriz de decisão para a alternativa , sendo o valor para o critério segundo a fonte de informação de decisão |
. 1,2, … ,
linhas e colunas, sendo informação de decisão |
;
1,2, … ,
é uma matriz com m x n o peso atribuído ao critério pela fonte de . 1,2, … ,
é uma matriz coluna com linhas, sendo o peso da fonte de informação de decisão na decisão final. 54
As informações de decisão tanto podem ser objectivas como subjectivas. Uma informação de decisão objectiva é, por exemplo, o valor lido num instrumento de medida ou recebido de um sensor previamente identificado. Uma informação subjectiva corresponde normalmente a um juízo ou uma preferência expressa por um indivíduo. 190 Capítulo 6. Modelo do Processo de Tomada de Decisão Para cada alternativa de decisão podemos representar a respectiva estimativa , expressa por: …
…
6.13 onde representa um operador de agregação do método de decisão. Para cada alternativa de decisão pode ser assim calculada a qualidade de informação, efectuada sobre o conjunto de informações de decisão . O modelo pode ser simplificado se for conseguido um consenso para os pesos dos critérios, o que normalmente só é conseguido em interacções frente‐a‐frente entre os agentes de decisão ou, pelo menos, se a interacção for síncrona. Nesse caso o modelo , ,
, ,
|
1,2, … ,
|
,
passa a ser: é um conjunto de critérios; 1,2, … ,
é um conjunto de fontes de informação de decisão; |
1,2, … ,
|
é um conjunto de alternativas; 1,2, … ,
é um conjunto de matrizes de decisão, cada uma com n x m linhas e colunas. é a matriz de decisão para a alternativa , sendo informação de decisão |
sendo o valor para o critério segundo a fonte de . 1,2, … ,
é uma matriz linha com n elementos, o peso atribuído ao critério , obtido por consenso entre os decisores. |
1,2, … ,
é uma matriz coluna com linhas, sendo o peso da fonte de informação de decisão na decisão final. 191 Capítulo 6. Modelo do Processo de Tomada de Decisão …
…
6.14 Outra simplificação possível é considerar que os agentes de decisão têm todos o mesmo peso na decisão final, eliminando‐se a matriz , como se pode ver em (6.15). , ,
Neste caso o modelo passa a ser |
1,2, … ,
|
, ,
: é um conjunto de critérios; 1,2, … ,
é um conjunto de fontes de informação de decisão; |
1,2, … ,
|
é um conjunto de alternativas; 1,2, … ,
é um conjunto de matrizes de decisão, cada uma com n x m linhas e colunas. é a matriz de decisão para a alternativa , sendo informação de decisão |
sendo o valor para o critério segundo a fonte de . 1,2, … ,
é uma matriz linha com n elementos, o peso atribuído ao critério , obtido por consenso entre os decisores. …
…
192 6.15 Capítulo 6. Modelo do Processo de Tomada de Decisão 6.4 Reflexão Crítica Neste capítulo propomos um metamodelo de processo de decisão em grupo, identificando um conjunto mínimo de blocos construtivos e de regras necessárias para a criação de modelos semânticos específicos. É um metamodelo apresentado sob a forma gráfica para enfatizar quatro grandes zonas de actividades, assim como o relacionamento entre elas e com a avaliação da qualidade de informação: 
Geração de alternativas; 
Estruturação do problema; 
Avaliação; 
Recomendação. O metamodelo proposto pretende subsumir processos de decisão capazes de acomodar as tarefas identificadas no modelo de McGrath e realizadas de forma mais mais ou menos sequencial, conforme for mais apropriado ao contexto do problema. A deformação do modelo gráfico, como se exemplifica na Figura 6.4, alterando os ângulos dos triângulos que representam as várias zonas, mas mantendo sempre as linhas de fronteira, permite obter diferentes valores visuais para a área de cada zona, significando a importância e o esforço despendido nas tarefas correspondentes a essa área. Conjugando com a linha do tempo, visível na Figura 6.5, facilmente se percebe o sequenciamento possível das zonas definidas, que é o mesmo que dizer das tarefas por elas representadas. Note‐se que na Figura 6.4 a deformação efectuada manteve o mesmo valor para as áreas Geração e Estruturação, o que não é forçoso que aconteça sempre. Num modelo de processo específico essas áreas podem ser diferentes, ou seja, a importância e o esforço dedicado às tarefas de uma e outra zona podem ser desiguais e inclusive o seu início também. 193 Capítulo 6. Modelo do Processo de Tomada de Decisão A perspectiva iterativa do metamodelo é apresentada na Figura 6.6 repetindo parcialmente a forma gráfica. Embora possa parecer que todo o processo recomeça do zero, de facto pretende‐se representar um processo em espiral onde a qualidade da informação vai aumentando. Uma forma alternativa de representar este carácter iterativo seria, em cada nova iteração, recomeçar o deslocamento da linha temporal vertical da Figura 6.5 algures a meio do processo, abarcando as três zonas mais à esquerda. Finalmente, e não esquecendo que assumimos os problemas multi‐critério como foco do nosso estudo, expandimos o modelo genérico apresentado antes no Capítulo 3 de forma a acomodar a decisão em grupo com múltiplas fontes de decisão. 194 Capítulo 7 Estudo de Caso Capítulo 7. Estudo de Caso The only source of knowledge is experience. Albert Einstein 7.1 Introdução O Sistema de Apoio à Decisão em Grupo que propomos para o VirtualECare é um sistema colaborativo baseado em conhecimento, suportando métodos de decisão multi‐critério e incorporando a avaliação da qualidade da informação. O SADG do VirtualECare inclui as seguintes características: 
suporte à realização assíncrona de tarefas em localizações dispersas via Web; 
apoio à geração de ideias; 
utilização de métodos de análise multi‐critério e funcionalidades de agregação de preferências; 
partilha de informação entre os participantes; 
incorporar Guias Clínicos executáveis; 
ser pró‐activo, no sentido de fornecer avisos sobre o que tem de ser feito e quando; 
avaliação da qualidade da informação. Este capítulo está organizado da seguinte forma: começamos por apresentar sumariamente o projecto VirtualECare. De seguida apresenta‐se a estrutura lógica e física do SADG do VirtualECare, cujo protótipo foi parcialmente desenvolvido. 196 Capítulo 7. Estudo de Caso Finalmente apresenta‐se um exemplo de aplicação completo, simulado, usando um Guia Clínico de uma doença crónica, onde se combinam todas as propostas apresentadas na tese, excepto a geração de alternativas pois o GC já determina quais as opções possíveis. 7.2 O Projecto VirtualECare A população activa está progressivamente a envelhecer com índices de dependência que não têm parado de crescer nos últimos anos. O aumento da esperança média de vida em Portugal é já de 75 anos e meio para os homens e de 81 anos e nove meses para as mulheres55. Este índice, positivo, tem sido acompanhado por outros, negatives, como a baixa drástica da taxa de natalidade. Ou seja, nasce‐se menos e morre‐se mais tarde. Os problemas de saúde causados por este envelhecimento da sociedade, nomeadamente as doenças crónicas e as doenças degenerativas do foro neurológico, constituem um formidável desafio. A estas doenças devem ser acrescentadas as chamadas doenças “sociais”: solidão, pobreza ou violência. O projecto VirtualECare aborda o papel da cooperação entre as organizações na concepção inovadora de “casas inteligentes” e propõe uma arquitectura que permita a essas organizações participar num ambiente colaborativo orientado para minorar o problema do envelhecimento da sociedade. O principal objectivo é melhorar a qualidade de vida dos idosos, permitindo‐lhes um “envelhecimento activo”, participativo na sociedade e fisicamente activo. O caminho iniciado por este projecto agrega várias especialidades da Inteligência Artificial, juntamente com diferentes 55
O país em números. “Expresso: Revista Única”. (31 Jan. 2009). 197 Capítulo 7. Estudo de Caso paradigmas computacionais e metodologias para a resolução de problemas, como os Sistemas Baseados em Agentes e os Sistemas de Apoio à Decisão. O VirtualECare é um sistema inteligente multi‐agente concebido para monitorizar e interagir com os seus utentes – idosos e os seus familiares – e também para interligar com outros sistemas. Esses sistemas podem ser sistemas de informação para a saúde ou sistemas cujo objectivo seja proporcionar aos utentes o acesso a um conjunto alargado de serviços de lazer, compras, entre outros. A arquitectura do VirtualEcare é distribuída, suportada por uma rede de comunicações (LAN, MAN, WAN) que inclui a Internet, tendo cada componente um papel específico. Figura 7.1 ‐ VirtualECare 198 Capítulo 7. Estudo de Caso Apresenta‐se a seguir uma descrição dos macro‐componentes e intervenientes do VirtualECare56 (Costa, Neves et al. 2007; Costa, Novais et al. 2008). Utente (Supported User) – Idoso ou pessoa com necessidades especiais, sob monitorização constante, permitindo a recolha e o envio de informação sobre dados vitais para a Central de Atendimento de Saúde e encaminhados para o Sistema de Apoio à Decisão em Grupo. Casa (Home) – ambiente familiar do utente, normalmente a casa onde habita, sob supervisão constante, sendo a informação aí recolhida enviada para o Sistema de Apoio à Decisão em Grupo através da Central de Atendimento de Saúde, no caso de dados vitais ou clínicos, ou enviada para a Central de Atendimento de Serviços, para a restante informação, com o objectivo de proporcionar um ambiente “inteligente” mais confortável para o utente. Sistema de Apoio à Decisão em Grupo (Group Decision Support System) – As decisões no VirtualECare são tomadas em grupo, por grupos multidisciplinares, os quais são apoiados por um sistema de suporte baseado em conhecimento. Central de Atendimento de Saúde (Call Care Centre) – Entidade com todos os recursos computacionais e pessoal qualificado, nomeadamente de saúde e auxiliar, capaz de receber e analisar dados vitais e clínicos e tomar medidas apropriadas. Central de Atendimento de Serviços (Call Service Centre) – Entidade com todos os recursos computacionais e pessoal qualificado necessários, capaz de analisar outro tipo de dados e desencadear acções em conformidade. Familiares (Supported User Relatives) – Familiares do utente que participam na sua monitorização activa, capazes de fornecer informação adicional e de intervir em algumas situações mais específicas (por exemplo decorrentes da solidão). 56
Entre parêntesis são indicadas as nomenclaturas originais, em inglês, dos componentes do projecto VirtualECare. 199 Capítulo 7. Estudo de Caso 7.3 SADG do VirtualECare Parte do trabalho que deu origem a esta tese resulta da participação do autor no projecto VirtualECare, onde lhe coube a definição e desenvolvimento dos aspectos relacionados com o Sistema de Apoio à Decisão em Grupo. Figura 7.2 ‐ Arquitectura de alto nível do SADG do VirtualECare Na Figura 7.2 podemos ver a arquitectura de alto nível do SADG do VirtualECare. O módulo de Interface é comum a todos os utilizadores e incorpora uma Linguagem de Sistema ‐ todas as mensagens que o SADG aceita ‐ e um Sistema de Apresentação ‐ todas as mensagens que o sistema emite. Os módulos Gestão de Dados, Gestão de Modelos e Gestão de Conhecimento, assim como as respectivas representações, fazem parte do Sistema de Conhecimento, ou seja, armazena e retém todo o conhecimento que o SADG vai incorporando. 200 Capítulo 7. Estudo de Caso O módulo de Processamento de Problemas é o componente activo do sistema, cuja operação pode ser despoletada por eventos detectados no ambiente externo ou eventos internos ao próprio sistema. O módulo de Processamento de Problemas incorpora a capacidade para a avaliação da qualidade da informação disponível para um dado processo de decisão. Para que o SADG possa ser mais eficaz, torna‐se necessário um perfil electrónico do utente, que permita uma maior compreensão das suas necessidades específicas. O sistema incorpora, assim, diferentes tipos de informação, obtidas do Processo Clínico Electrónico (PCE) como doente, até às suas preferências pessoais. A participação do autor neste projecto circunscreveu‐se ao Sistema de Apoio à Decisão em Grupo (SADG), competindo‐lhe a sua definição e desenvolvimento dos aspectos relacionados com a tomada de decisão em grupo. É a estrutura desse componente que é apresentada de seguida. Como foi dito antes, o modelo de decisão do SADG do VirtualECare é uma extensão do modelo da racionalidade limitada de Simon, baseado em objectivos, alternativas, consequências e na procura da “melhor” solução que satisfaça os decisores. Neste modelo parte‐se do princípio de que os agentes de decisão conhecem todas (ou a grande parte) das alternativas, a informação que lhes está associada e as consequências de cada escolha, pelo menos as consequências a curto prazo. O processo de decisão deverá conduzir à escolha da alternativa com maior valor de utilidade. É também assumido que os decisores avaliam os prós e os contras das alternativas, tendo em vista objectivos específicos. Para além de facilitar as actividades que envolvem comunicação entre os participantes, um SADG deve providenciar um ambiente para a resolução de problemas em grupo, direccionado para apoiar os agentes de decisão a terem em conta a incerteza, a formarem as suas preferências, a fazerem juízos de valor e, então, decidirem (Humphreys and Nappelbaum 1997). A Figura 7.3 mostra uma vista de casos de uso (UML use cases) 201 Capítulo 7. Estudo de Caso do SADG do VirtualECare, mostrando um caso de uso central a todo o sistema: avaliação da qualidade da informação. Figura 7.3 – Vista Use Case do SADG do VirtualECare A arquitectura lógica proposta para o SADG do VirtualECare assenta num conjunto de actores principais, a saber: Agentes de decisão – os agentes de decisão preparam pesquisas de dados, questionários, problemas, respostas a questionários, e analisam os resultados das fases de resolução de problemas. São participantes com capacidade efectiva de decisão. Os agentes de decisão fazem parte do grupo de decisão. 202 Capítulo 7. Estudo de Caso Especialistas / Participantes – os juízos e as preferências pessoais dos participantes, que podem ser especialistas em determinadas áreas específicas do problema, são incorporados em diversas fases do processo de decisão. No caso em concreto do VirtualECare podem ser técnicos de saúde, médicos, familiares ou até o próprio utente do serviço. Em alguns casos os participantes podem ter capacidade de decisão. Os especialistas / participantes também fazem parte do grupo de decisão. Facilitador – é um facilitador técnico, conforme com a caracterização já efectuada antes. Administrador do sistema – efectua tarefas de manutenção do sistema informático e coordena a actualização da base de conhecimentos. Pessoal especializado – implementa a acção seleccionada e introduz no sistema a informação que permitirá avaliar a eficácia desta. A arquitectura física do SADG do VirtualECare assenta numa arquitectura distribuída (Figura 7.4) fazendo uso da Internet para suporte à comunicação entre os diversos elementos. Todos os serviços serão implementados como Web Services (WS) permitindo a coexistência de módulos em diferentes linguagens de programação, interagindo entre si através do uso de mensagens padronizadas. A escolha da implementação através de WS permitiu, de uma forma simples e aberta, a partilha de informação através de uma rede heterogénea de sistemas, independente da plataforma de hardware/software, ou seja uma Service‐Oriented Architecture (SOA). Uma SOA é essencialmente uma colecção de serviços que podem comunicar entre si, quer para a mera troca de informação (comunicação de dados) quer para a coordenação de dois ou mais serviços com o objectivo de executar uma tarefa complexa. Um serviço executa uma função bem definida e auto‐contida, que não depende do estado interno de outros serviços ou do contexto. Um serviço pode ser 203 Capítulo 7. Estudo de Caso visto como uma caixa negra, pois apenas tem de expor uma interface pública e assegurar uma dada funcionalidade, independentemente da sua implementação interna. O hospedeiro onde o serviço é executado também não é importante, desde que este esteja disponível no ambiente onde se pretende a funcionalidade.Um WS é um serviço com um Uniform Resource Identifier (URI), cujas interfaces públicas e comunicação de dados são descritas em XML. Os WS do SADG do VirtualECare usam XML para a descoberta, publicação e invocação de funcionalidades. O protocolo de comunicações usado é o Hypertext Transfer Protocol (HTTP) / Hypertext Transfer Protocol Secure (HTTPS). Participantes
Decisores
Facilitador
HTT
P/HT
TP
PS
TT
P /H
T
HT
S
Internet
HT
T
P
TT
P/H
HT
T
S
P/
HT
T
PS
Database
Servidor web
Utente
Figura 7.4 – Arquitectura física do SADG do VirtualECare A arquitectura lógica proposta para o SADG do VirtualECare está organizada em três camadas: apresentação, aplicação e infra‐estrutura (Figura 7.5). O SADG faz parte de uma macro arquitectura distribuída e dinâmica composta por diferentes componentes geograficamente dispersos, como foi apresentado esquematicamente na Figura 7.1. A característica dinâmica é necessária para permitir 204 Capítulo 7. Estudo de Caso que os componentes possam ser acrescentados ou retirados em pleno funcionamento, mas também para que seja possível ajustar ou alterar os serviços fornecidos. O SADG interliga‐se e comunica com praticamente todos os outros componentes do VirtualECare, nomeadamente o iGenda, através dos seus módulos de Gestão de Agenda, Gestão de Conflitos e Gestão de Tempos Livres, as Centrais de Atendimento e todos os dispositivos no ambiente do utente. Estes dispositivos incluem todos os sensores de recolha de parâmetros ambientais, sensores de recolha de dados vitais e actuadores nos dispositivos que controlam o ambiente físico da casa do utente. Figura 7.5 – Diagrama de arquitectura UML do SADG Para garantir a compatibilidade entre os diferentes componentes das várias plataformas tecnológicas que integram o VirtualECare foi usado o paradigma WS, enquanto plataforma independente de partilha de informação numa rede. Cada um dos componentes que tenha de fornecer informação a terceiros deve publicar um 205 Capítulo 7. Estudo de Caso WS, o qual pode ser solicitado por outro componente para que lhe seja fornecida essa informação. Um componente pode ser simultaneamente um servidor e um cliente de WS. <?xml version="1.0"?>
<fipa-message>
<act>request</act>
<msg-param>
<sender><agent-identifier>
<name>groupdecision</name>
<addresses><url>
http://abc.com/groupdecisionwebservice
</url></addresses>
</agent-identifier></sender>
</msg-param>
<msg-param>
<receiver><agent-identifier>
<name>house</name>
<addresses><url>
http://def.com/housewebservice
</url></addresses>
</agent-identifier></receiver>
</msg-param>
<msg-param>
<content>
<sensors room=’all’>temperature</sensors>
<sensors room=’all’>movement</sensors>
</content>
</msg-param>
<msg-param>
<conversation-id>188273847728729</conversation-id>
</msg-param>
</fipa-message> Figura 7.6 – Exemplo de uma mensagem XML trocada entre WS O protocolo de comunicação entre todos os WS assume assim uma importância fulcral e deverá ser o mais padronizado possível, tendo sido escolhido o formato standard XML57 (Harold and Means 2004). Tendo sido definido o protocolo de 57
URL: http://www.w3.org/XML/ 206 Capítulo 7. Estudo de Caso comunicação FIPA‐ACL58 (FIPA 2000) para todas as comunicações entre agentes do VirtualECare, foi também decidido que todas as mensagens trocadas entre WS usariam este mesmo protocolo, embebido num formato XML (ver um exemplo na Figura 7.6). 7.4 Aplicação a Guias Clínicos Nos últimos anos, vários estudos têm demonstrado os benefícios da utilização de GC na prática médica, principalmente quando incorporados em sistemas de apoio à decisão e combinados com sistemas de informação de saúde baseados em Processos Clínicos Electrónicos (de Clercq, Blom et al. 2004) (Kim, Haug et al. 2008) . Como exemplo de aplicação seleccionamos um GC relacionado com a Doença Pulmonar Obstrutiva Crónica (DPOC). A DPOC59 é uma doença respiratória crónica. Pode ser caracterizada por limitação crónica do fluxo de ar, falta de ar (dispneia), tosse, pieira e aumento da produção de expectoração, que podem limitar a capacidade de um doente realizar as actividades quotidianas normais. A DPOC é uma doença grave com elevado nível de prevalência a nível mundial, com elevada mortalidade e levando a graus de incapacidade relevantes. Segundo dados de 2008 da Organização Mundial de Saúde (OMS) 60, a DPOC é responsável por 3 milhões de mortes anuais em todo o mundo, o que a coloca em quarto lugar como causa de morte, responsável por 5,1% dos óbitos no mundo. Ainda segundo a OMS, o cenário global de doenças está a deslocar‐se das doenças infecciosas para as doenças 58
URL: http://www.fipa.org/ http://www.sppneumologia.pt (Sociedade Portuguesa de Pneumologia) 60
http://www.who.int 59
207 Capítulo 7. Estudo de Caso não contagiosas, estando as principais causas de morte relacionadas com situações crónicas, como a doença isquémica coronária, doenças cerebrovasculares, infecção das vias aéreas inferiores e a DPOC61. A DPOC será a terceira causa de morte em 2030. O tratamento da DPOC em casa enquadra‐se no âmbito dos quadros clínicos onde um sistema do tipo do VirtualECare pode ser útil (Toledo, Jimenez et al. 2006). Os GC sobre doenças respiratórias estão em sétimo lugar, com 272 entradas, num dos maiores repositórios livres sobre o assunto, o National Guideline Clearinghouse (NGC)62. O GC seleccionado como exemplo (ver Figura 7.7) foi obtido do repositório NGC (Nice 2009), e escolhido segundo as orientações de Martín Muñoz e colegas (2003). Este GC contém vários algoritmos, dos quais escolhemos o que apoia a tomada de decisão sobre o local onde efectuar o tratamento das exacerbações da DPOC: em internamento (no hospital) ou em ambulatório (nomeadamente em casa do doente). Na Tabela 7.1 estão enumerados os critérios aconselhados para orientar esta decisão. As exacerbações podem estar associadas a dispneia, esputo purulento, volume do esputo e tosse. Se a decisão for o internamento podem ser efectuados exames complementares. Se o doente se mantiver em casa deverá ser estabelecida uma terapêutica apropriada e monitorizada a oximetria, em caso de exacerbações graves. Algumas terapêuticas podem ser administradas quer em internamento quer em casa, por exemplo a oxigenoterapia. O GC não refere nenhum critério ou conjunto de critérios que, de forma absoluta, aponte para qualquer uma das decisões. 61
Quatro principais causas em 2004, com 12,2%, 9,7%, 7,1% e 5,1% do total de mortes, respectivamente. 62
www.guideline.gov 208 Capítulo 7. Estudo de Caso Figura 7.7 – GC de tratamento de exacerbações em DPOC 209 Capítulo 7. Estudo de Caso Considera‐se ainda que o doente em causa tem todos os parâmetros associados aos critérios na Tabela 7.1 dentro dos valores normais para a idade e condição física e que, portanto, só por si não implicam a obrigatoriedade do internamento. Por exemplo, o conjunto de valores considerados normais para o parâmetro <c15 pH arterial> é [7.35, 7.45] (Fauci, Harrison et al. 2008). Tabela 7.1 – Factores a considerar na escolha do local para a intervenção terapêutica Não Não A favor do tratamento no hospital Não Grave Mau / em deterioração Mau / acamado Sim Sim Diminuído Sim Vive sozinho / depende de terceiros Sim Sim Não Sim Não Não 7,35
7
Sim Sim 7,35 7
Critério c1 c2 realizaTarefas dispneia É capaz de realizar tarefas simples Dispneia A favor do tratamento em casa Sim Leve c3 aspectoGeral Aspecto geral Bom c4 nivelActivFisica Nível de actividade física Bom c5 c6 c7 c8 cianose edemaAgravar estadoVigil fazLTOT Cianose Edema periférico a agravar Estado de vigília Já realiza oxigenoterapia Não Não Normal Não c9 apoioCasa Contexto familiar Bom c10 confusaoAguda Confusão aguda c11 exacerbRapido Exacerbação com agravamento rápido Comorbilidade significativa c12 comorbilidade (principalmente doença cardíaca e diabético insulino‐dependente c13 satArtO2baixa 90%
c14 altRadTorax Alteração na radiografia torácica c15 pHArterial pH arterial arterial c16 pArterialO2 Estamos assim em presença de um problema de decisão multi‐critério. Vamos usar o método MAH para representar a estrutura do problema (ver Figura 7.8) e calcular uma recomendação de sugestão. 210 Capítulo 7. Estudo de Caso Escolha do local de tratamento
c1
c2
c3
...
c16
casa
casa
casa
...
casa
hospital
hospital
hospital
...
hospital
Figura 7.8 – Estruturação do problema da escolha do local de tratamento segundo o método MAH Começamos por calcular o peso de cada critério. A matriz da Figura 7.9 representa as ponderações subjectivas entre os vários critérios, efectuadas por um decisor médico. Estas ponderações conduzem aos pesos indicados na tabela 7.2. c1 c2 c3 c4 c5 c6 c7 c8 c9 c10 c11 c12 c13 c14 c15 c16 c1 1 1/5 3 1 1/3 1/7 1/9 c2 5 1 2 3 1/6 1/3 1/7 1/3 1 1/7 1/7 1/7 1/9 1/9 1/9 1/9 1 1/9 1/7 1/7 1/5 1 1/5 1/9 1/5 c3 1/3 1/2 1 1 1/5 1/7 1/7 1/3 1/7 1/9 1/7 1/7 1/9 1/9 1/9 1/9 c4 1 1/3 1 1 1/7 1/7 1/7 1/3 1/7 1/9 1/7 1/5 1/9 1/9 1/9 1/9 c5 3 6 5 7 1 1/5 1/5 3 1/2 1/7 1/4 1/3 1/5 1/7 1/7 1/7 c6 7 3 7 7 5 1 1/3 7 4 1/5 1 1/2 3 1 1/5 1/2 c7 9 7 7 7 5 3 1 7 7 1 1 3 7 7 1 5 c8 3 1 3 3 1/3 1/7 1/7 1 1/7 1/7 1/5 1/6 1/5 1/5 1/9 1/5 c9 1 9 7 7 2 1/4 1/7 7 1 1/7 1/3 1/3 1 1 1/5 1/5 c10 7 7 9 9 7 5 1 7 7 1 7 5 9 9 3 5 c11 7 7 7 7 4 1 1 5 3 1/7 1 1 5 1 1/6 1/3 c12 7 5 7 5 3 2 1/3 6 3 1/5 1 1 3 3 1/5 3 c13 9 1 9 9 5 1/3 1/7 5 1 1/9 1/5 1/3 1 1/3 1/9 1/5 c14 9 5 9 9 7 1 1/7 5 1 1/9 1 1/3 3 1 1/7 1/3 c15 9 9 9 9 7 5 1 9 5 1/3 6 5 9 7 1 1/8 c16 9 5 9 9 7 2 1/5 5 5 1/5 3 1/3 5 3 8 1 Figura 7.9 – Ponderações entre os pares de critérios 211 Capítulo 7. Estudo de Caso Tabela 7.2 – Peso de cada factor a considerar na escolha do local para a intervenção terapêutica c1 c2 c3 c4 c5 c6 c7 c8 c9 c10 c11 realizaTarefas dispneia aspectoGeral nivelActivFisica cianose edemaAgravar estadoVigil fazLTOT apoioCasa confusaoAguda exacerbRapido c12 comorbilidade c13 c14 c15 c16 satArtO2baixa altRadTorax pHArterial pArterialO2 Critério Peso (wi) É capaz de realizar tarefas simples 0,0101 Dispneia 0,0151 Aspecto geral 0,0075 Nível de actividade física 0,0079 Cianose 0,0228 Edema periférico a agravar 0,0525 Estado de vigília 0,1463 Já realiza oxigenioterapia 0,0129 Contexto familiar 0,0336 Confusão aguda 0,2022 Exacerbação com agravamento rápido 0,0595 Comorbilidade significativa (principalmente 0,0747 doença cardíaca e diabético insulino‐dependente 0,0325 90% Alteração na radiografia torácica 0,0480 pH arterial 0,1412 arterial 0,1332 Total 1.0000 Em seguida são calculadas as ponderações das alternativas de decisão segundo os vários critérios. Estas ponderações são efectuadas para cada situação específica e calculada dinamicamente. Ou seja, para um doente específico são avaliados os valores de cada critério da Tabela 7.1 e calculado o valor da ponderação na escala 1 a 9 proposta por Saaty. Embora a forma como a tabela de factores está apresentada no GC possa sugerir uma ponderação binária simples entre as duas alternativas, esta não é, de facto, fácil de calcular para todos os critérios. Alguns critérios são objectivos, mas a maioria é subjectiva. Por exemplo, se o valor do critério <c15 pH arterial> for 7,41 não há qualquer dúvida que a ponderação da alternativa casa deve ser máxima e a alternativa hospital mínima, para este factor. Por outro lado, os critérios <c2 dispneia>, <c3 aspecto geral>, <c4 nível de actividade física>, etc., obviamente não têm apenas os dois valores apresentados na tabela. Mesmo os critérios cujos valores 212 Capítulo 7. Estudo de Caso são apresentados como Sim/Não são maioritariamente subjectivos. Por exemplo, quais os tipos de alterações, e com que nível de gravidade, são necessários para considerar que <c14 alteração na radiografia torácica> = sim? O mesmo se poderia dizer para o critério <c12 comorbilidade significativa>, entre outros. Neste exemplo considerou‐se um mapeamento simplificado, que atribui a ponderação 1 e 9 a cada uma das alternativas, conforme o valor do critério em cada situação em concreto. O mapeamento envolve problemas ontológicos e de classificação e poderá ser melhorado, utilizando por exemplo a versão fuzzy do método MAH (Kwong and Bai 2002). Seguidamente vamos apresentar dois exemplos de casos clínicos. No primeiro caso, altamente improvável, todos os valores são conhecidos para todos os critérios e todos os critérios apontam claramente para uma das alternativas de decisão. No mundo real as coisas não são, infelizmente, tão fáceis. Na generalidade dos casos, e como vimos desenvolvendo ao longo desta tese, nunca se consegue ter toda a informação completa e os critérios apontam frequentemente para direcções de decisão antagónicas. O primeiro caso está representado no Programa 7.1 e corresponde ao cenário descrito a seguir no Exemplo 7.1. O Luís é um doente com DPOC já diagnosticada há algum tempo. Está reformado e vive em casa de familiares, que lhe dão todo o acompanhamento necessário. Consegue realizar com facilidade todas as suas tarefas de higiene pessoal e outras tarefas simples que não envolvam grande esforço físico. Faz análises periódicas e visita o seu médico de família para verificar regularmente os parâmetros analíticos. Faz alguma actividade física com regularidade e prossegue uma dieta equilibrada, sem excessos. Não é obeso. Exemplo 7.1 – Doente com DPOC acompanhada 213 Capítulo 7. Estudo de Caso No segundo caso exemplifica‐se uma situação onde o médico está em presença de informação imperfeita: há critérios cujo valor é desconhecido, outros em que existem dúvidas sobre o seu valor e ainda outros em que se pode inferir o seu valor através de informação negativa. Por outro lado nem todos os critérios apontam para a mesma decisão. O cenário é o descrito a seguir no Exemplo 7.2. O João é um doente que foi trazido ao hospital por vizinhos, a quem ele pediu ajuda, e ao qual foi agora diagnosticada DPOC. Ainda não foi possível contactar a família. Está reformado e vive em casa de familiares, mas não há a certeza que seja uma família estruturada. Aparentemente tem mobilidade suficiente para realizar as suas tarefas de higiene pessoal, mas os vizinhos não o vêm sair muito. Não tem análises realizadas recentemente. Exemplo 7.2 – Doente com DPOC não acompanhada Este segundo caso está desdobrado em dois instantes de decisão, correspondentes ao Programa 7.2 e ao Programa 7.3. No primeiro instante a qualidade de informação é insuficiente para se tomar uma decisão. Neste exemplo, consideramos que só deve ser tomada uma decisão se 0,8. Se a qualidade for inferior a este patamar, deve ser obtida mais informação, ou então deve ser tomada obrigatoriamente a decisão que previna o prior cenário para o caso clínico em apreciação: neste caso será a decisão de fazer o tratamento no hospital. Vamos ver que, no primeiro momento, a 0,8 e o método de decisão recomenda o tratamento em casa e que no segundo momento a recomendação de decisão é invertida, já com a 0,8. Nos programas lógicos seguintes apresentam‐se as extensões aos predicados que representam os critérios incluídos no GC apresentado acima, para o doente luís, na forma: 214 Capítulo 7. Estudo de Caso atributo: Entidade x Valor (7.1) Por economia de exposição não estão representadas as cláusulas de circunscrição e de completamento (ver cláusulas 1 e 2) para todos os predicados. A Tabela 7.3 mostra as escalas não padronizadas, utilizadas usualmente por médicos, para descrever os valores dos critérios <c2 dispneia>, <c4 nível de actividade física> e <c7 estado de vigília>, assim como a sua correspondência com os valores indicados no GC. O Programa 7.1 exemplifica o caso em que a informação é completa e em que todos os critérios fundamentam a decisão de efectuar a terapêutica em casa. A Figura 7.10 mostra a ponderação das duas alternativas de decisão para o caso representado no programa 7.1. Apenas se apresenta a matriz de ponderação para o critério <c1 capaz de realizar tarefas simples>. Todas as outras matrizes de ponderação são idênticas. Tabela 7.3 – Correspondência entre termos médicos e GC Critério c2 Dispneia c4 c7 Nível de actividade física Estado de vigília Valor usual leve moderada grave acamado sedentário moderado vigoroso normal consciente confuso delirante sonolento entorpecido em choque GC leve grave mau bom normal diminuido 215 Capítulo 7. Estudo de Caso  realizaTarefas E,V  not realizaTarefas E,V ,
not excepção realizaTarefas E,V
excepção realizaTarefas E,V  realizaTarefas E,
realizaTarefas luís, sim
dispneia luís, leve
aspectoGeral luís, bom
nivelActivFisica luís, moderado
cianose luís, não
edemaAgravar luís, não
estadoVigil luís, normal
fazLTOT luis, não
apoioCasa luís, bom
confusaoAguda luís, não
exacerbRapido luís, não
comorbilidade luís, não
satArtO2baixa luís, não
altRadTorax luís, não
pHArterial luís, 7.41
pArterialO2 luís, 7.5
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Programa 7.1 – Programa lógico com dezasseis critérios de decisão de apoio a GC DPOC, com informação completa (fragmento), para o Exemplo 7.1 <c1 capaz de realizar tarefas simples> = sim casa
hospital
casa 1 1/9 hospital 9 1 Figura 7.10 – Ponderação das alternativas de decisão para o critério c1, do Exemplo 7.1. Com as ponderações indicadas na Figura 7.10, os valores locais para as duas alternativas, considerados todos os critérios são apresentados na Figura 7.11. 216 Capítulo 7. Estudo de Caso c1 c2 c3 c4 c5 c6 c7 c8 c9 c10 c11 c12 c13 c14 c15 c16
casa .9 .9 .9 .9 .9 .9 .9 .9 .9 .9 .9 .9 .9 .9 .9 .9 hospital .1 .1 .1 .1 .1 .1 .1 .1 .1 .1 .1 .1 .1 .1 .1 .1 Figura 7.11 – Valores locais para as duas alternativas de local de tratamento, casa ou hospital, do Exemplo 7.1 A partir dos valores da Figura 7.11 e dos pesos de cada critério, indicados na Tabela 7.2, são encontrados os valores globais para as duas alternativas de decisão: 
casa = 0,9 
hospital = 0,1 Quanto ao cálculo da qualidade de informação, tal como a definimos no capítulo 5, e considerando que para todos os predicados i i  1,, 16 temos: Vi luis
1 (7.2) Aplicando a expressão (7.3), obtemos o valor para a qualidade da informação QoI
1, ou seja a qualidade máxima. É o caso mais simples, onde o decisor não tem qualquer dúvida sobre a qualidade da informação e sobre qual a decisão a tomar. VDPOC (luis )   j 1 w j  V j (luis ) 16
7.3 Projectando os valores de VDPOC luís num espaço multi‐dimensional e planificando‐o a duas dimensões obtemos a representação gráfica da Figura 7.12 217 Capítulo 7. Estudo de Caso Figura 7.12 – QoI para o Programa 7.1 Vejamos agora um cenário mais próximo da realidade, representativo de um caso em que não está disponível toda a informação necessária (Programa 7.2). Com o conhecimento no Programa 7.2 é possível calcular os valores locais para as duas alternativas, como se pode ver na Figura 7.13. c1 c2 c3 c4 c5 c6 c7 c8 c9 c10 c11 c12 c13 c14 c15 c16
casa 0 0 .1 0 .1 .9 .9 .9 0 .9 0 .9 0 0 0 0 hospital 0 0 .9 0 .9 .1 .1 .1 0 .1 0 .1 0 0 0 0 Figura 7.13 – Valores locais para as duas alternativas de local de tratamento, casa ou hospital (primeiro instante do Exemplo 7.2) Podemos agora calcular os valores globais para as duas alternativas de decisão, usando os valores da Figura 7.13 e os pesos de cada critério na Tabela 7.2: 218 
casa = 0,4428 
hospital = 0,0761 Capítulo 7. Estudo de Caso Ou seja a recomendação do sistema é no sentido do tratamento ser efectuado em casa.  realizaTarefas E,V  not realizaTarefas E,V ,
not excepção realizaTarefas E,V
excepção realizaTarefas E,V  realizaTarefas E,
realizaTarefas joão, 
excepção dispneia joão, moderada
excepção dispneia joão, grave
aspectoGeral joão, mau
excepção nivelActivFisica joão, sedentário
excepção nivelActivFisica joão, moderado
cianose joão, sim
edemaAgravar joão, não
estadoVigil joão, normal
fazLTOT joão, não
apoioCasa joão, 
confusaoAguda joão, não
exacerbRapido joão, 
comorbilidade joão, não
satArtO2baixa joão, 
altRadTorax joão, 
pHArterial joão, 
pArterialO2 joão, 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Programa 7.2 – Programa lógico com dezasseis critérios de decisão de apoio a GC DPOC, com informação incompleta – primeiro instante do Exemplo 7.2 Vejamos, no entanto, o valor da qualidade da informação. O primeiro passo é calcular os valores para cada predicado, obtendo‐se a Tabela 7.4. Como podemos observar nessa tabela, vários critérios obtiveram o valor zero, correspondendo à situação de ignorância sobre o seu valor. 219 Capítulo 7. Estudo de Caso Tabela 7.4 – Qualidade da informação para o Programa 7.2 VrealizaTarefas joão
Vdispneia joão
VaspectoGeral joão
VnivelActivFisica joão
Vcianose joão
VedemaAgravar joão
VestadoVigil joão
VfazLTOT joão
0
.5
1
.5
1
1
1
1
VapoioCasa joão
VconfusaoAguda joão
VexacerbRapido joão
Vcomorbilidade joão
VsatArtO2baixa joão
ValtRadTorax joão
VpHArterial joão
VpArterialO2 joão
0
1
0
1
0
0
0
0
Usando os valores da Tabela 7.4 e a expressão (7.3) chegamos ao valor: QoI
0.5304
Ou seja, está muito abaixo do limiar mínimo que definimos antes (0.8). Projectando novamente os valores obtidos num espaço multi‐dimensional e planificando‐o a duas dimensões obtemos a representação gráfica da Figura 7.14. Figura 7.14 – QoI para o Programa 7.2 220 Capítulo 7. Estudo de Caso Vamos agora admitir que conseguimos obter mais informação (por exemplo realizando análises e exames médicos e contactando a família). Conseguimos, num segundo instante, obter o Programa 7.3.  realizaTarefas E,V  not realizaTarefas E,V ,
not excepção realizaTarefas E,V
excepção realizaTarefas E,V  realizaTarefas E,
realizaTarefas joão, não
dispneia joão, grave
aspectoGeral joão, mau
nivelActivFisica joão, sedentário
cianose joão, sim
edemaAgravar joão, não
estadoVigil joão, confuso
fazLTOT joão, não
apoioCasa joão, não
confusaoAguda joão, não
exacerbRapido joão, sim
comorbilidade joão, não
satArtO2baixa joão, não
altRadTorax joão, 
pHArterial joão, 7.32
pArterialO2 joão, 6.8
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Programa 7.3 – Programa lógico com dezasseis critérios de decisão de apoio a GC DPOC, com informação incompleta – segundo instante do Exemplo 7.2 Tendo por base agora o Programa 7.3, a atribuição das ponderações das duas alternativas permite‐nos obter os valores locais da Figura 7.15. c1 c2 c3 c4 c5 c6 c7 c8 c9 c10 c11 c12 c13 c14 c15 c16
casa .1 .1 .1 .1 .1 .9 .1 .9 .1 .9 .1 .9 .9 0 .1 .1 hospital .9 .9 .9 .9 .9 .1 .9 .1 .9 .1 .9 .1 .1 0 .9 .9 Figura 7.15 – Valores locais para as duas alternativas de local de tratamento, casa ou hospital (segundo instante do Exemplo 7.2) 221 Capítulo 7. Estudo de Caso Podemos agora calcular os valores globais para as duas alternativas de decisão, usando os valores da Figura 7.15 e os pesos de cada critério na Tabela 7.2: 
casa = 0,3950 
hospital = 0,5570 Houve um volte face e a recomendação passa agora a ser no sentido do tratamento ser efectuado no hospital. Falta apenas calcular o valor da qualidade da informação, para validarmos as condições em que a decisão pode ser tomada. Calculando os valores para cada predicado obtemos a Tabela 7.5. Tabela 7.5 – Qualidade da informação para o Programa 7.3 VrealizaTarefas joão
Vdispneia joão
VaspectoGeral joão
VnivelActivFisica joão
Vcianose joão
VedemaAgravar joão
VestadoVigil joão
VfazLTOT joão
1
1
1
1
1
1
1
1
VapoioCasa joão
VconfusaoAguda joão
VexacerbRapido joão
Vcomorbilidade joão
VsatArtO2baixa joão
ValtRadTorax joão
VpHArterial joão
VpArterialO2 joão
1
1
1
1
1
0
1
1
Usando os valores da Tabela 7.5 e a expressão (7.3) chegamos ao valor: QoI
0.952
Como se pode visualizar com facilidade na Figura 7.16, a qualidade da informação aumentou consideravelmente. De facto, estamos agora muito acima do limiar definido (0.8), o que é um indicador de que estamos em condições de tomar uma decisão. 222 Capítulo 7. Estudo de Caso Figura 7.16 – QoI para o Programa 7.3 7.5 Reflexão Crítica Neste capítulo apresentámos uma aplicação da metodologia de avaliação da qualidade a um processo de tomada de decisão multi‐critério. Usámos um Guia Clínico de referência para uma das doenças crónicas mais preocupantes da actualidade – a Doença Pulmonar Obstrutiva Crónica. O método de decisão utilizado foi o Método Analítico Hierárquico, o qual permitiu englobar critérios objectivos e critérios subjectivos. A informação disponível foi representada através de uma extensão à Programação em Lógica, tal como definida antes. Foram apresentados dois exemplos, um com informação completa e outro caracterizado pela incompletude. O segundo exemplo foi ainda desenvolvido em dois instantes. Num primeiro instante o método de decisão permitiu chegar a uma conclusão, mas com uma medida da qualidade da informação muito abaixo do patamar previamente definido. Este valor da qualidade da informação desaconselhava 223 Capítulo 7. Estudo de Caso qualquer acção baseada nessa decisão. Presumindo que, neste caso, era possível efectuar uma segunda iteração do processo de decisão, foi recolhida informação adicional. Num segundo instante, o método de decisão conduziu novamente a uma sugestão de decisão, sendo de realçar que a decisão foi agora oposta à decisão sugerida no primeiro instante. Neste instante, a qualidade de informação era já francamente superior ao limite mínimo definido. A sugestão foi aceite e foram realizadas as acções correspondentes. Repare‐se que, usando a representação de conhecimento proposta no Capítulo 5, é possível o sistema informar o utilizador dos critérios sobre os quais a informação é incompleta ou totalmente desconhecida (ignorância). Ou seja, em contextos onde o conjunto de critérios, e consequentemente o conjunto de predicados, está perfeitamente definido, como é o caso dos GC, o sistema é capaz de informar o utilizador sobre o nível de ignorância do próprio sistema. Neste exemplo, a componente de decisão em grupo está menos explícita, pois existe um único decisor ‐ o médico, mas a decisão é fortemente influenciada por informação fornecida pelos familiares do doente. Em conclusão, tentámos demonstrar com este exemplo: 
que a metodologia de avaliação da qualidade proposta introduz objectividade em processos de decisão caracterizados por uma subjectividade elevada; 
que a inclusão da avaliação da qualidade de informação no processo de decisão melhora globalmente o processo e pode até levar, como aconteceu neste caso, a uma alteração da decisão; 
que a combinação de técnicas e métodos de diferentes áreas científicas, nomeadamente da Inteligência Artificial e da Teoria da Decisão, permite apoiar de forma eficaz a tomada de decisão. 224 Capítulo 7. Estudo de Caso 225 Capítulo 8 Conclusões Capítulo 8. Conclusões It is by logic that we prove, but by intuition that we discover. To know how to criticize is good, to know how to create is better. Henri Poincaré 8.1 Síntese e Contribuições da tese Acreditamos que o Trabalho Colaborativo será a forma privilegiada de suporte à tomada de decisões num mundo cada vez mais complexo, em que o lugar onde se está ou o instante em que se participa não deve ser um entrave a um processo de decisão eficiente e eficaz. Em consequência, as Redes Colaborativas e as Organizações Virtuais terão um papel muito importante em todos os sectores de actividade, nomeadamente naquele que esteve na motivação deste trabalho: a área dos cuidados continuados de saúde. Neste contexto estudámos os problemas associados à tomada de decisão em grupo e propomos um (meta)modelo para o processo de decisão multi‐critério em grupo adequado a interacções assíncronas entre os seus participantes, em localizações dispersas. Propomos uma forma de representação do conhecimento para problemas do mundo real, caracterizados por diferentes tipos de informação imperfeita, onde o conhecimento do senso comum e as avaliações subjectivas também são contempladas. Num contexto de tomada de decisão em grupos virtuais, o problema do estabelecimento de relações de confiança entre os participantes, de avaliação da qualidade da informação circulante e da avaliação da qualidade do sistema no seu todo é um factor crítico. Assim, a representação de conhecimento proposta permite a 228 Capítulo 8. Conclusões avaliação da qualidade de informação em todos esses níveis e permite, acima de tudo, que as decisões possam ser tomadas com a percepção clara do nível de qualidade da informação em jogo. Propomos assim uma medida quantitativa da qualidade de informação que pode ser aplicada sob as três perspectivas – actores, fluxos de informação e sistema. A representação do conhecimento é adequada ao cálculo eficiente dessa medida da qualidade. Fica assegurado o controlo e a avaliação da qualidade de toda a informação que flui numa Rede Colaborativa e em especial no componente de suporte à decisão em grupo. O (meta)modelo proposto para o processo de decisão, embora possa ser instanciado com diversos modelos, métodos e técnicas, tem uma invariante: a medida da qualidade da informação, que pode ser visto como mais um critério no próprio processo de decisão, independente de quaisquer preferências dos decisores e que apenas depende da informação existente em cada instante. Foi ainda proposta uma representação gráfica num hiperespaço da qualidade de informação, representação essa que pode assumir diferentes perspectivas conforme o destinatário a quem se dirige. Apresentamos dois exemplos de utilização: o Sistema de Apoio à Decisão em Grupo do VirtualECare e a tomada de decisões com suporte em Guias Clínicos. No âmbito do projecto VirtualECare desenvolvemos uma solução para a qualidade da informação. Existem várias fontes de erro que contribuem para a informação imperfeita, quer devido a condições físicas (sensores com problemas, deficiência de comunicações), quer devido a registos incompletos do próprio Processo Clínico Electrónico do doente, entre muitos outros exemplos possíveis. Mostramos que é possível avaliar a qualidade da informação disponível e tomar melhores decisões com essa medida da qualidade. Consideramos pois que a hipótese que nos propusemos validar no início deste trabalho se verifica, ou seja, que num contexto de tomada de decisão multi‐critério 229 Capítulo 8. Conclusões em grupo, a percepção, pelos agentes de decisão, da qualidade de informação melhora de facto o processo de tomada de decisão. As principais contribuições desta tese, na sequência dos objectivos traçados inicialmente, são a seguir enumeradas: Definimos uma forma de cálculo para a avaliação da qualidade da informação, usando apenas a informação contida no próprio sistema, que permite obter uma medida objectiva, multi‐perspectiva, dessa qualidade, e que é facilmente apreendida através de uma apresentação gráfica. Ao subsumir a informação utilizada nos métodos de apoio à decisão numa forma de representação unificada, passa a ser possível calcular a qualidade dessa informação usando sempre a mesma forma de cálculo, independentemente dos métodos utilizados. Para suportar esse método de avaliação, definimos uma representação de conhecimento que permite incorporar informação imperfeita, ou seja, informação inexacta, incerta, incompleta e não coerente. Essa representação de conhecimento permite explicitar a ignorância sobre os objectos conhecidos do mundo real. Completámos também a definição da arquitectura de um Sistema de Apoio à Decisão em Grupo, dentro dos requisitos funcionais que identificámos como necessários ao suporte a grupos de decisão assíncronos. Estamos convictos de que esta tese contribui para a compreensão da utilização de metodologias de tomada de decisão em grupo e que, por essa via, irá permitir uma melhoria na capacidade de desenvolvimento de SADG eficientes e eficazes. 230 Capítulo 8. Conclusões Acreditamos ainda que o metamodelo do processo de decisão e a avaliação de qualidade que lhe está subjacente são generalizáveis a outras situações e contextos, desde que esteja definido o conjunto mínimo de critérios necessário para a tomada de decisão, a exemplo do que acontece com os GC. De facto, reconhece‐se que a principal limitação ao método de avaliação da qualidade que propomos está na necessidade de ser conhecido um conjunto mínimo de critérios para o processo de decisão. Outro factor que terá de ser considerado é o factor tempo, principalmente no que concerne à validade temporal da informação. 8.2 Trabalhos Relevantes Realizados Os resultados do trabalho desenvolvido no âmbito deste projecto têm sido divulgados em vários fóruns científicos e deram origem às seguintes publicações: Capítulos de livros 2009 
Costa R., Novais P., Lima L., Bulas‐Cruz J. and Neves J., VirtualECare: Group Support in Collaborative Networks Organizations for Digital Homecare, in Handbook of Digital Homecare, Springer Series: Series in Biomedical Engineering, Yogesan, K.; Bos, L.; Brett, P.; Gibbons, M.C. (Eds.), ISBN: 978‐3‐642‐01386‐7, 2009 Artigos em actas de conferências, com revisão pelos pares 2009 
Lima L., Novais P., Bulas Cruz J., A Process Model For Group Decision Making With Quality Evaluation, in Distributed Computing, Artificial Intelligence, Bioinformatics, Soft Computing and Ambient Assisted 231 Capítulo 8. Conclusões Living, Omatiu S., et al. (Eds.) LNCS 5518, Springer‐Verlag, ISBN 978‐3‐
642‐02480‐1, pp. 566‐573, Proceedings of the International Symposium on Distributed Computing and Artificial Intelligence (DCAI 2009), Salamanca, Spain, 2009, (Indexed by ISI Web of Science); 
Lima, L., R. Costa, P. Novais, C. Analide, J. Neves and J. Bulas‐Cruz. Quality of Knowledge in Group Decision Support Systems. International Conference on Agents and Artificial Intelligence (ICAART 2009) Porto, Portugal: 101—106, (Indexed by ISI Web of Science); 
Costa R., Novais P., Lima L., Carneiro D., Samico D., Oliveira J., Machado J. and Neves J., VirtualECare: Intelligent Assisted Living, in Electronic Healthcare, Dasun Weerasinghe (ed.), Springer‐Verlag, Series: Lecture Notes of the Institute for Computer Sciences, Social Informatics and Telecommunications Engineering, (Revised Selected Papers of The 1st International Conference on Electronic Healthcare in The 21st Century, City University, London, England, in September 8 ‐ 9, 2008), pp 138‐144, ISBN: 978‐3‐642‐00412‐4, 2009, (Indexed by ISI Web of Science). 2008 
Costa R., Carneiro D., Novais P., Lima L., Machado J., Marques A., Neves J., Ambient Assisted Living, in Advances in Soft Computing, Vol. 51, Springer‐ Verlag, ISBN 978 978‐3‐540‐85866‐9, pp. 86‐94, 2008 (3rd Symposium of Ubiquitous Computing and Ambient Intelligence 2008 (UCAMI 2008),Salamanca, Spain, 22‐24 October 2008), (Indexed by ISI Web of Science); 
Lima L., Costa R., Novais P., Analide C., Bulas‐Cruz J., Neves J., Quality of Information in the Context of Ambient Assisted Living, in Advances in Soft Computing, Vol. 50, Springer‐ Verlag, ISBN 978‐3‐540‐85862‐1, pp. 624‐633, 2008 (International Symposium on Distributed Computing and 232 Capítulo 8. Conclusões Artificial Intelligence 2008 (DCAI 2008),Salamanca, Spain, 22‐24 October 2008), (Indexed by ISI Web of Science); 
Novais P., Costa R., Carneiro D., Machado J., Lima L., Neves J., Group Support in Collaborative Networks Organizations for Ambient Assisted Living, in Towards Sustainable Society on Ubiquitous Networks, Makoto Oya, Ryuya Uda, Chizuko Yasunobu (eds), Springer‐Verlag, Series: IFIP International Federation for Information Processing, ISBN 978‐0‐387‐
85690‐2, pp 353‐362, 2008 (The 8th IFIP Conference on e‐Business, e‐
Services, and e‐Society (I3E 2008), Tokyo, Japan, 24‐26 September 2008), (Indexed by ISI Web of Science); 2007 
Costa R., Neves J., Novais P., Machado J., Lima L. and Alberto C., Intelligent Mixed Reality for the Creation of Ambient Assisted Living, in Progress in Artificial Intelligence, Neves J., Santos M. and Machado J. (eds), Lecture Notes in Artificial Intelligence 4874 Springer, ISBN 978‐3‐
540‐77000‐8, 2007, (Indexed by ISI Web of Science); No decurso das actividades de formação previstas no plano de doutoramento, o autor participou ainda em vários eventos científicos, que se enumeram a seguir. 2009 
Orador na 6ª Tertúlia em Inteligência Artificial (TeIA), Universidade de Trás‐os‐Montes e Alto Douto (UTAD), Vila Real, Portugal, Julho de 2009; 
Chairman da sessão plenária do DCAI’09 (Distributed Computing and Artificial Intelligence 2009) dedicada ao tema “Distributed Systems”, Universidade de Salamanca, 11 de Junho de 2009. 233 Capítulo 8. Conclusões 
Participação no “International Workshop of Ambient Assisted Living”, Universidade de Salamanca, Espanha, Junho de 2009. 2008 
Participação no 3º Symposium of Ubiquitous Computing and Ambient Intelligence na Universidade de Salamanca, Espanha, Outubro de 2008; 
Chairman da sessão plenária do DCAI’08 (Distributed Computing and Artificial Intelligence 2008) dedicada ao tema “Knowledge Discovery, Knowledge Management, Meta‐Learning”, Universidade de Salamanca, 24 de Outubro de 2008. 2007 
Participação no EPIA 2007 – 13º Encontro Português de Inteligência Artificial, Universidade do Minho – Departamento de Informática. Guimarães, 3 a 7 de Dezembro de 2007; 
Participação na Working Conference on Virtual Enterprises – PRO‐VE 2007, na Universidade do Minho – Departamento de Informática. Guimarães, 10 a 12 de Setembro de 2007. 8.3 Sugestões para Trabalho Futuro O objectivo da Gestão do Conhecimento é melhorar o desempenho organizacional ao permitir que os indivíduos recolham, partilhem e apliquem o seu conhecimento colectivo para tomarem as melhores decisões em tempo oportuno. Sendo os objectivos das modernas organizações de prestação de cuidados de saúde a segurança, a eficiência e eficácia, o foco no doente, a continuidade dos cuidados, a qualidade desses cuidados e o acesso equitativo, será importante desenvolver novas 234 Capítulo 8. Conclusões ferramentas efectivas que suportem a comunicação entre todos os actores envolvidos nos cuidados ao doente. Durante o desenvolvimento do trabalho descrito nesta tese foram surgindo muitas interrogações, nomeadamente sobre a aplicação das propostas aqui apresentadas noutros domínios, assim como sobre o estudo de áreas complementares. Apresentam‐se a seguir algumas dessas interrogações e ideias para trabalho futuro que, julgamos nós, podem ser sugeridas pelo trabalho aqui apresentado. 
Desenvolver técnicas de extracção de conhecimento capazes de definir o conjunto mínimo de critérios de decisão num dado domínio de problemas. 
Avaliação da incerteza nos resultados, ou seja, nem todas as alternativas de resultados são igualmente conhecidas. Qual é o resultado óptimo? Como pode ser avaliado? 
Fusão – os dados e a informação é recebida de muitas fontes, necessariamente heterogéneas. Como agregar essa informação? 
Explorar métodos e mecanismos de avaliação online da credibilidade e da reputação dos agentes de decisão. 
Qual o limiar da Qualidade de Informação para tipos característicos de tomadas de decisão? Deverá o sistema de recomendação alertar para uma QoI demasiado baixo da informação que suporta alguma alternativa? 
Como integrar os SADG com funcionalidades de Data‐mining e Business Intelligence de forma a que a descoberta das “regras de negócio” sejam facilitadas aos agentes de decisão? 
Qual a melhor estrutura organizacional e social para implementar os SADG entre os técnicos de saúde? 235 Capítulo 8. Conclusões 
Que variáveis devem ser estudadas para avaliar o impacto dos SADG no desempenho de um hospital? 236 Bibliografia Adam, F. and P. Humphreys (2008). Encyclopedia of Decision Making and Decision Support Technologies, Idea Group Inc (IGI). Alavi, M. and D. E. Leidner (2001). "Review: Knowledge management and knowledge management systems: Conceptual foundations and research issues." MIS Quarterly: 107–136‐107–136. Alesso, H. P., C. F. Smith and J. Burke (2007). Connections: Patterns of Discovery, Wiley‐IEEE. Alter, S. (1980). Decision support systems, Addison‐Wesley Pub. Analide, C., P. Novais, J. Machado and J. Neves (2006). Quality of Knowledge in Virtual Entities. Encyclopedia of Communities of Practice in Information and Knowledge Management, Elayne Coakes and Stev Clarke (Eds). Anson, R., R. Bostrom and B. Wynne (1995). "An Experiment Assessing Group Support System and Facilitator Effects on Meeting Outcomes." Management science 41(2): 189‐208. Antunes, F., P. Melo and J. P. Costa (2007). "Information management in distributed collaborative systems: The case of collaboration studio." European Journal of Operational Research 177(3): 1385‐1399. Arenas, A., B. Aziz, J. Bicarregui and B. Matthews (2008). "Managing Conflicts of Interest in Virtual Organisations." Electronic Notes in Theoretical Computer Science 197(2): 45‐56. Arnott, D. and G. Pervan (2005). "A critical analysis of decision support systems research." Journal of Information Technology 20: 67‐87. Arnott, D. and G. Pervan (2008). "Eight key issues for the decision support systems discipline." Decision Support Systems 44(3): 657‐672. Arrow, H., J. E. McGrath and J. L. Berdahl (2000). Small groups as complex systems, SAGE. Avison, D. E., A. T. Wood‐Harper, R. T. Vidgen and J. R. G. Wood (1998). "A further exploration into information systems development: the evolution of Multiview2." Information Technology & People 11(2): 124 ‐ 139. Bana e Costa, C. A., J. M. De Corte and J. C. Vansnick (2005). On the mathematical foundations of MACBETH. Multiple criteria decision analysis: state of the art surveys. J. Figueira, S. Greco and M. Ehrgott. New York, Springer: 409‐442. Baskerville, R. L. (1999). "Investigating information systems with action research." Communications of the AIS 2(3es). Bazerman, M. H. and D. A. Moore (1986). Judgment in managerial decision making, Wiley New York. Bibliografia Bechtel, W. (1991). Connectionism and the Philosophy of Mind: An Overview. Connectionism and the Philosophy of Mind. T. Horgan and J. Tienson, Springer Verlag. Behzadian, M., R. B. Kazemzadeh, A. Albadvi and M. Aghdasi (2009). "PROMETHEE: A comprehensive literature review on methodologies and applications." European Journal of Operational Research 200(1): 198‐215. Belton, V. (1986). "A comparison of the analytic hierarchy process and a simple multi‐
attribute value function." European Journal of Operational Research 26(1): 7‐
21. Belton, V. and T. J. Stewart (2002). Multiple criteria decision analysis, Springer. Benbunan‐Fich, R. (1997). An Interaction Meta‐Model for Groupware Theory and Research. Hawaii International Conference on System Sciences, Los Alamitos, CA, USA, IEEE Computer Society. Benbunan‐Fich, R., S. R. Hiltz and M. Turoff (2003). "A comparative content analysis of face‐to‐face vs. asynchronous group decision making." Decision Support Systems 34(4): 457‐469. Benson, K. and A. J. Hartz (2000). "A Comparison of Observational Studies and Randomized, Controlled Trials." N Engl J Med 342(25): 1878‐1886. Beyer, H.‐G. (2001). The Theory of Evolution Strategies, Springer Verlag. Beynon‐Davies, P. (2002). Information Systems ‐ An Introduction to Informatics in Organisations, Palgrave. Bhargava, H. K., D. J. Power and D. Sun (2007). "Progress in Web‐based decision support technologies." Decision Support Systems 43(4): 1083‐1095. Björklind, A. and S. Holmlid (2003). Ambient Intelligence to Go, Linköpings Universitet. Bonissone, P. P. (1997). "Special issue on the 1996 uncertainty in AI (UAI'96) conference‐‐preface." International Journal of Approximate Reasoning 17(2‐
3): 105‐106. Boose, J. H. (1989). "A survey of knowledge acquisition techniques and tools." Knowledge Acquisition 1(1): 3–37‐3–37. Bosc, P. and H. Prade (1997). An introduction to the fuzzy set and possibility theory‐
based treatment of soft queries and uncertain of imprecise databases. Uncertainty Management in Information Systems. P. Smets and A. Motro, Kluwer: 285‐324. Bostrom, R., R. Anson, V. Clawson and aaa (2003). Group facilitation and group support systems. Group Support Systems: New Perspectives, Jessup and Valachic, Eds., Macmillan. Boulos, M. N. K., A. Rocha, A. Martins, M. E. Vicente, A. Bolz, R. Feld, I. Tchoudovski, M. Braecklein, J. Nelson, G. Ó. Laighin, C. Sdogati, F. Cesaroni, M. Antomarini, A. Jobes and M. Kinirons (2007). "CAALYX: a new generation of location‐based services in healthcare." International Journal of Health Geographics 6(9). Boxwala, A. A., M. Peleg, S. Tu, O. Ogunyemi, Q. T. Zeng, D. Wang, V. L. Patel, R. A. Greenes and E. H. Shortliffe (2004). "GLIF3: a representation format for 238 Bibliografia sharable computer‐interpretable clinical practice guidelines." Journal of Biomedical Informatics 37(3): 147‐161. Brachman, R. J. and H. J. Levesque (2004). Knowledge Representation and Reasoning, Elsevier. Brito, L., P. Novais and J. Neves (2003). The logic behind negotiation: from pre‐
argument reasoning to argument‐based negotiaion. Intelligent Agent Software Engineering. V. Plekhanova, Idea Group Piblishing: 137‐159. Brown, C., G. Cobb and R. Culbertson (2002). Introduction to Rapid Software Testing, Prentice Hall PTR. Buchanan, B. G. and E. H. Shortliffe (1984). Rule Based Expert Systems: The Mycin Experiments of the Stanford Heuristic Programming Project (The Addison‐
Wesley series in artificial intelligence), Addison‐Wesley Longman Publishing Co., Inc. Boston, MA, USA. Burstein, F. and C. W. Holsapple, Eds. (2008). Handbook on Decision Support Systems 1: Basic Themes. International Handbooks on Information Systems, Springer. Camarinha‐Matos, L. (2004). Virtual enterprises and collaborative networks, Springer. Camarinha‐Matos, L. and H. Afsarmanesh (2004). Collaborative networked oganizations: A Research Agenda for Emerging Business, Springer. Camarinha‐Matos, L. and H. Afsarmanesh (2006). Collaborative Networks: Value creation in a knowledge society. Knowledge enterprise: intelligent strategies in product design. K. Wang, G. Kovacs and M. Wozny, Springer. Camarinha‐Matos, L. M. and H. Afsarmanesh (2005). "Collaborative networks: A new scientific discipline." Journal of Intelligent Manufacturing 16(4): 439–452. Cao, P. P. and F. Burstein (1999). An asynchronous group decision support system study for intelligent multicriteria decision making. Hawaii Conference on System Sciences, IEEE. Carlsson, M. (2009). SICStus Prolog User's Manual, Swedish Institute of Computer Science. Chengalur‐Smith, I. N., D. P. Ballou and H. L. Pazer (1999). "The impact of data quality information on decision making: an exploratory analysis." IEEE Transactions on Knowledge and Data Engineering 11(6): 853‐864. Chrissis, M., M. Konrad and S. Shrum (2003). CMMI: Guidelines for Process Integration and Product Improvement Addison Wesley Professional. Clark, K. (1978). Negation as failure. Logic and Data Bases. H. Gallaire and J. Minker. New York, Plenum Press: 293‐322. Coiera, E. (2003). Guide to health informatics, Arnold. Colmerauer, A., H. Kanoui, R. Pasero and P. Roussel (1973). Un Systeme de Communication Homme‐Machine en Français. Marseille, Université de Aix‐
Marseille II. Colombet, I., A.‐R. Aguirre‐Junco, S. Zunino, M.‐C. Jaulent, L. Leneveut and G. Chatellier (2005). "Electronic implementation of guidelines in the EsPeR system: A knowledge specification method." International journal of medical informatics 74(7‐8): 597‐604. 239 Bibliografia Concato, J., N. Shah and R. I. Horwitz (2000). "Randomized, Controlled Trials, Observational Studies, and the Hierarchy of Research Designs." N Engl J Med 342(25): 1887‐1892. Conklin, J. (2006). Dialogue Mapping: Building Shared Understanding of Wicked Problems, Wiley. Costa, E. and A. Simões (2008). Inteligência Artificial ‐ Fundamentos e Aplicações. Lisboa, FCA ‐ Editora de Informática, Lda. Costa, R., D. Carneiro, P. Novais, L. Lima, J. Machado, A. Marques and J. Neves (2008). Ambient Assisted Living. Advances in Soft Computing, Vol. 51, Springer‐ Verlag: 86‐94. Costa, R., J. Neves, P. Novais, J. Machado, L. Lima and C. Alberto, Eds. (2007). Intelligent Mixed Reality for the Creation of Ambient Assisted Living. Progress in Artificial Intelligence, Lecture Notes in Artificial Intelligence ‐ Springer. Costa, R., P. Novais, L. Lima, J. Bulas‐Cruz and J. Neves (2009). VirtualECare: Group Support in Collaborative Networks Organizations for Digital Homecare. Handbook of Digital Homecare. K. Yogesan, L. Bos, P. Brett and M. C. Gibbons, Springer Series: Series in Biomedical Engineering. Costa, R., P. Novais, G. Marreiros, C. Ramos and J. Neves (2008). VirtualECare: Group Decision Supported by Idea Generation and Argumentation. The 9th IFIP Working Conference on Virtual Enterprises (PRO‐VE 2008). Poznan, Poland. Crockett, L. (1994). The Turing Test and the Frame Problem: AI's Mistaken Understanding of Intelligence, Intellect Books. Cruz‐Correia, R. J., P. M. Vieira‐Marques, A. M. Ferreira, F. C. Almeida, J. C. Wyatt and A. M. Costa‐Pereira (2007). "Reviewing the integration of patient data: how systems are evolving in practice to meet patient needs." BMC Medical Informatics and Decision Making 7(14). Csáki, P., T. Rapcsák, P. Turchányi and M. Vermes (1995). "R and D for group decision aid in Hungary by WINGDSS, a Microsoft Windows based group decision support system." Decision Support Systems 14(3): 205–217‐205–217. D’Errico, G. E. (2009). "Paradigms for uncertainty treatments: A comparative analysis with application to measurement." Measurement 42(4): 494‐500. Darwin, C. and H. Marcus (1926). The Origin of Species, Plain Label Books. Das, S. K., J. Fox, D. Elsdon and P. Hammond (1997). "A flexible architecture for autonomous agents." Journal of Experimental & Theoretical Artificial Intelligence 9(4): 407–440. Davis, R., H. Shrobe and P. Szolovits (1993). "What is a Knowledge Representation?" AI Magazine 14(1): 17‐33. Dawid, A. P. and V. Didelez (2008). Identifying Optimal Sequential Decisions. UAI 2008, Proceedings of the 24th Conference in Uncertainty in Artificial Intelligence, July 9‐12, 2008, Helsinki, Finland. D. A. McAllester and P. Myllymaki, AUAI Press: 113‐120. Dawson, M. R. W. (2005). Connectionism, Blackwell Publishing. 240 Bibliografia de Clercq, P. A., J. A. Blom, H. H. M. Korsten and A. Hasman (2004). "Approaches for creating computer‐interpretable guidelines that facilitate decision support." Artificial Intelligence in Medicine 31(1): 1‐27. De Raedt, L., A. Kimmig and H. Toivonen (2007). ProbLog: A probabilistic Prolog and its application in link discovery. Proceedings of the 20th international joint conference on artificial intelligence. Debenham, J. (2001). Why Use a Unified Knowledge Representation? Engineering of Intelligent Systems: 14th International Conference on Industrial and Engineering Applications of Artificial Intelligence and Expert Systems, IEA/AIE 2001. L. Monostori, J. Váncza and M. Ali. Budapest, Hungary, Springer Verlag: 51‐60. Delbecq, A. L. and A. H. Van de Ven (1971). "A Group Process Model for Problem Identification and Program Planning." Journal of Applied Behavioral Science 7(4): 466‐492. Dennis, A. R., B. H. Wixom and R. J. Vandenberg (2001). "Understanding Fit and Appropriation Effects in Group Support Systems via Meta‐Analysis." MIS Quarterly 25(2): 167‐193. DESA (2001). World Population Ageing: 1950‐2050. New York, Population Division, DESA, United Nations. Desanctis, G. and R. B. Gallupe (1987). "A foundation for the study of group decision support systems." Management science: 589–609‐589–609. DeSanctis, G. and M. S. Poole (1994). "Capturing the Complexity in Advanced Technology Use: Adaptive Structuration Theory." Organization Science 5(2): 121‐147. Dickson, G. W., J.‐E. L. Partridge and L. H. Robinson (1993). "Exploring Modes of Facilitative Support for GDSS Technology." MIS Quarterly 17(2): 173‐194. Dinsmore, J. (1992). The Symbolic and Connectionist Paradigms: Closing the Gap, Lawrence Erlbaum Associates. Duan, Y., J. S. Edwards and M. X. Xu (2005). "Web‐based expert systems: benefits and challenges." Information & Management 42(6): 799‐811. Dubois, D. and H. Prade (1988). "Representation and combination of uncertainty with belief functions and possibility measures." Computational Intelligence 4(3): 244‐264. Dubs, S. and S. C. Hayne (1992). Distributed facilitation: a concept whose time has come? Proceedings of the 1992 ACM conference on Computer‐supported cooperative work, Toronto, Ontario, Canada, ACM. Durkin, J. (1996). "Expert systems: a view of the field." IEEE Expert 11(2): 56‐63. Dwivedi, A., R. K. Bali, A. E. James, R. N. G. Naguib and D. Johnston (2002). Merger of knowledge management and information technology in healthcare: Opportunities and challenges. Electrical and Computer Engineering, 2002. IEEE CCECE 2002. Canadian Conference on. Dyer, R. F. and E. H. Forman (1992). "Group decision support with the Analytic Hierarchy Process." Decision Support Systems 8(2): 99‐124. 241 Bibliografia Eberhart, R. C. and Y. Shi (2007). Computational Intelligence: Concepts to Implementations, Morgan Kaufmann. Ernst, J. "Reference/WhatIsMetaModeling – InfoGrid." from http://infogrid.org/wiki/Reference/WhatIsMetaModeling. Fabre, J. L. and J. O. F. de Carvalho (2004). "Uma Taxonomia para Informações Geradas por Sistemas de Apoio à Tomada de Decisão." Memória de la CISCI: 236–240. Faguo, Z., Y. Bingru, L. Linna and C. Zhuo (2008). Overview of the New Types of Intelligent Decision Support System. Innovative Computing Information and Control, 2008. ICICIC '08. 3rd International Conference on. Farnham, S., H. R. Chesley, D. E. McGhee, R. Kawal and J. Landau (2000). Structured online interactions: improving the decision‐making of small discussion groups. Proceedings of the 2000 ACM conference on Computer supported cooperative work, Philadelphia, Pennsylvania, United States, ACM. Fatima, S. S., M. Wooldridge and N. R. Jennings (2005). "Bargaining with incomplete information." Annals of Mathematics and Artificial Intelligence 44: 207‐‐232. Fauci, A. S., T. R. Harrison, D. L. Kasper, E. Braunwald, S. L. Hauser, D. L. Longo, J. L. Jameson and J. Loscalzo (2008). Harrison's Principles of Internal Medicine: Editors, Anthony S. Fauci...[et Al.], McGraw‐Hill Professional. Fensel, D. and A. Schnogge (1997). Using KIV to specify and verify architectures of knowledge‐based systems. Automated Software Engineering, International Conference on, Los Alamitos, CA, USA, IEEE Computer Society. Figueira, J., S. Greco and M. Ehrgott (2005). Multiple criteria decision analysis, Springer. Figueira, J. R., S. Greco and B. Roy (2009). "ELECTRE methods with interaction between criteria: An extension of the concordance index." European Journal of Operational Research 199(2): 478‐495. FIPA, A. (2000). "Message Representation in XML Specification." Foundation for Intelligent Physical Agents. Fisher, C. W., I. Chengalur‐Smith and D. P. Ballou (2003). "The Impact of Experience and Time on the Use of Data Quality Information in Decision Making." Information Systems Research 14(2): 170‐188. Fjermestad, J. (2004). "An analysis of communication mode in group support systems research." Decision Support Systems 37(2): 239‐263. Fodor, J. A. and Z. W. Pylyshyn (1981). "How direct is visual perception? Some reflections on Gibson's ecological approach." Cognition(9): 139‐‐196. Fogel, D. B. (2006). Evolutionary Computation: Toward a New Philosophy of Machine Intelligence, Wiley‐IEEE. Fogel, L. J. (1999). Intelligence Through Simulated Evolution: Forty Years of Evolutionary Programming, Wiley. Forman, E. and K. Peniwati (1998). "Aggregating individual judgments and priorities with the analytic hierarchy process." European Journal of Operational Research 108(1): 165‐169. 242 Bibliografia Fox, J., L. Black, D. Glasspool, S. Modgil, A. Oettinger, V. Patkar and M. Williams (2006). Towards a general model for argumentation services'. Proc. AAAI Spring Symposium Series 2006. Gabbay, D. M., P. Smets, J. Kohlas and S. Moral (2000). Handbook of Defeasible Reasoning and Uncertainty Management Systems: Algorithms for uncertainty and defeasible reasoning / volume editors, Jürg Kohlas and Serafín Moral, Springer. Gachet, A. and P. Haettenschwiler (2003). "A decentralized approach to distributed decision support systems." Journal of Decision Systems 12(2): 141–158. Gelfond, M. (1992). "Logic programming and reasoning with incomplete information." Annals of Mathematics and Artificial Intelligence. Gelfond, M. and N. Leone (2002). "Logic programming and knowledge representation ‐ the A‐prolog perspective." Artificial Intelligence 138: 3‐38. Gelfond, M. and V. Lifschitz (1990). Logic Programs with Classical Negation. Logic Programming: Proceedings of the 7th International Conference. D. Warren and P. Szeredi: 579‐597. Georgiadis, C. K., I. Mavridis, G. Pangalos and R. K. Thomas (2001). Flexible team‐
based access control using contexts. Proceedings of the sixth ACM symposium on Access control models and technologies, Chantilly, Virginia, United States, ACM. Georgiadis, C. K., I. K. Mavridis and G. I. Pangalos (2003). "Healthcare teams over the Internet: programming a certificate‐based approach." International journal of medical informatics 70(2‐3): 161‐171. Gesaworld, S. A. (2005). Projecto de Apoio e Assessoria à Implementação de um Modelo de Rede de Cuidados Continuados Integrados e Progressivo Desenvolvimento dos Serviços Comunitários de Proximidade em Portugal para Promoção e Desenvolvimento de Cuidados de Saúde e Apoio Social a Pessoas em Situação de Dependência. RELATÓRIO FINAL DA FASE I DE DIAGNÓSTICO DA SITUAÇÃO ACTUAL, Ministério da Saúde ‐ Portugal. Ghosh, A. and S. Tsutsui, Eds. (2003). Advances in Evolutionary Computing: Theory and Applications, Springer Verlag. Ginsberg, M. L. (1991). Readings in Nonmonotonic Reasoning. Los Altos, Califórnia, EUA, Morgan Kauffman Publishers, Inc. Ginsberg, M. L., L. C. Aiello, J. Doyle and S. Shapiro (1996). Do Computers Need Common Sense? KR'96: Principles of Knowledge Representation and Reasoning. San Francisco, California, Morgan Kaufmann: 620–626‐620–626. Gladstein, D. L. (1984). "Groups in Context: A Model of Task Group Effectiveness." Administrative Science Quarterly 29(4): 499‐517. Glasspool, D. and J. Fox (2005). Knowledge, Argument, and Meta‐Cognition in Routine Decision Making. The routines of decision making. T. Betsch and S. Haberstroh, Routledge. Goertzel, B., M. Iklé, I. F. Goertzel and A. Heljakka (2008). Probabilistic Logic Networks: A Comprehensive Framework for Uncertain Inference, Springer. 243 Bibliografia Goldberg, S. and A. Pessin (1997). Gray Matters: An Introduction to the Philosophy of Mind, M.E. Sharpe. Goschke, T. and D. Koppelberg (1991). The Concept of Representation and the Representation of Concepts in Connectionist Models. Philosophy and Connectionist Theory. W. M. Ramsey, S. P. Stich and D. E. Rumelhart, Lawrence Erlbaum Associates. Goud, R., A. Hasman and N. Peek (2008). "Development of a guideline‐based decision support system with explanation facilities for outpatient therapy." Computer Methods and Programs in Biomedicine 91(2): 145‐153. Gray, P. and J. F. Nunamaker (1993). Group decision support systems. Decision support systems (3rd ed.): putting theory into practice, Prentice‐Hall, Inc.: 309‐326. Green, C. (1969). Applications of theorem proving to problem solving. Proceedings IJCAI. New York. Gruber, T. R. (1993). "A Translation Approach to Portable Ontology Specifications." Knowledge Acquisition 5(2): 199‐220. Gruber, T. R. (1995). "Toward Principles for the Design of Ontologies Used for Knowledge Sharing." International Journal Human‐Computer Studies 43(5‐6): 907‐928. Gruber, T. R. (2008). Ontology. Entry in the Encyclopedia of Database Systems. L. Liu and M. T. Özsu, Springer‐Verlag. Guerlain, S., D. E. Brown and C. Mastrangelo (2000). Intelligent decision support systems. Systems, Man, and Cybernetics, 2000 IEEE International Conference on. Gupta, B., L. S. Iyer and J. E. Aronson (2000). "Knowledge management: practices and challenges." Industrial Management and Data Systems 100(1): 17–21‐17–21. Guyatt, G. H., R. B. Haynes, R. Z. Jaeschke, D. J. Cook, L. Green, C. D. Naylor, M. C. Wilson, W. S. Richardson and G. for the Evidence‐Based Medicine Working (2000). "Users' Guides to the Medical Literature: XXV. Evidence‐Based Medicine: Principles for Applying the Users' Guides to Patient Care." JAMA 284(10): 1290‐1296. Guzzo, R. A. and M. W. Dickson (1996). "Teams in organizations: recent research on performance and effectiveness." Annual Review of Psychology 47: 307‐338. H\äm\äl\äinen, R. P. (2003). "Decisionarium—Aiding decisions, negotiating and collecting opinions on the web." Journal of Multi‐Criteria Decision Analysis 12(2‐3): 101–110‐101–110. Hackman, J. R. (1987). "The design of work teams." Handbook of organizational behavior 315: 342‐342. Hackman, J. R., C. G. Morris and B. Leonard (1975). Group Tasks, Group Interaction Process, and Group Performance Effectiveness: A Review and Proposed Integration, Academic Press. Volume 8: 45‐99. Hájek, P. (2001). Metamathematics of fuzzy logic, Springer. 244 Bibliografia Halpern, J. Y. (1990). "An analysis of first‐order logics of probability." Artificial Intelligence 46(3): 311–350. Han, S. H., K. H. Chin and M. J. Chae (2007). "Evaluation of CITIS as a collaborative virtual organization for construction project management." Automation in Construction 16(2): 199‐211. Hancock, P. A. and J. L. Szalma (2008). Performance under stress, Ashgate Publishing, Ltd. Hariharan, S., P. K. Dey, H. S. L. Moseley, A. Y. Kumar and J. Gora (2004). "A new tool for measurement of process‐based performance of multispecialty tertiary care hospitals." International Journal of Health Care Quality Assurance Incorporating Leadership in Health Services 17(6): 302‐312. Harold, E. R. and W. S. Means (2004). XML in a Nutshell, O'Reilly Media, Inc. Hayes, P. (1973). Computation and deduction. Second Symposium on Mathematical Foundations of Computer Science, Czechoslovakia. Hayes, P. (2001). Knowledge representation. The MIT Encyclopedia of the Cognitive Sciences. R. A. Wilson and F. C. Keil, MIT Press. Haykin, S. S. (2009). Neural networks and learning machines, Prentice Hall. Herrera, F., E. Herrera‐Viedma and F. Chiclana (2001). "Multiperson decision‐making based on multiplicative preference relations." European Journal of Operational Research 129(2): 372‐385. Hevner, A. R., S. T. March, J. Park and S. Ram (2004). "Design science in information systems research." Management information systems quarterly 28(1): 75–
106. Hewitt, C., P. Bisshop and R. Steiger (1973). A universal Modular ACTOR Formalism for Artificial Intelligence in Proc. of the 3rd IJCAI, Stanford California. Hippisley‐Cox, J., C. Coupland, J. Robson, A. Sheikh and P. Brindle (2009). "Predicting risk of type 2 diabetes in England and Wales: prospective derivation and validation of QDScore." BMJ 338(mar17_2): b880‐b880. Hodgkin, J., V. Belton and A. Koulouri (2005). "Supporting the intelligent MCDA user: A case study in multi‐person multi‐criteria decision support." European Journal of Operational Research 160(1): 172‐189. Holland, J. H. (1975). Adaptation in Natural and Artificial Systems, University of Michigan Press. Hommersom, A., P. Lucas and M. Balser (2004). "Meta‐level verification of the quality of medical guidelines using interactive theorem proving." Lecture Notes in Computer Science: 654‐666. Hommersom, A., P. J. F. Lucas and P. van Bommel (2008). "Checking the quality of clinical guidelines using automated reasoning tools." Theory and Practice of Logic Programming 8(5‐6): 611‐641. Houaiss, A. and M. d. S. Villar (2003). Dicionário Houaiss da língua portuguesa. Lisboa. Humphreys, P. and E. L. Nappelbaum (1997). Structure and communications in the process of organisational change: Eastern European experience and its general relevance. Decision Support in Organizational Transformation: Proceedings of 245 Bibliografia the IFIP TC8 WG8.3 International Conference on Organizational Transformation and Decision Support. P. Humphreys, S. Ayestaran, A. McCosh and B. Mayon‐White. La Gomera, Canary Islands, Springer. Hustadt, U. (1994). Do we need the closed‐world assumption in knowledge representation? KI'94 Workshop, Saarbrüken, Germany, Baader, Buchheit, Nutt (eds.). IPQ, I. P. d. Q. (1994). NP 405‐1 Norma Portuguesa para Referências Bibliográficas. Lisboa. NP 405‐1 Isern, D. and A. Moreno (2008). "Computer‐based execution of clinical guidelines: A review." International journal of medical informatics 77(12): 787‐808. Jarke, M., J. Mylopoulos, J. W. Schmidt and Y. Vassiliou (1992). "DAIDA: an environment for evolving information systems." ACM Trans. Inf. Syst. 10(1): 1‐
50. Jennex, M. E. (2005). Case studies in knowledge management, Idea Group Inc (IGI). Jennex, M. E. and L. Olfman (2004). Assessing knowledge management success/effectiveness models. System Sciences, 2004. Proceedings of the 37th Annual Hawaii International Conference on. Jones, G. and P. Humphreys (2005). The Decision Hedgehog: Enhancing Contextual Knowledge for Group Decision Authoring and Communication Support Fifth International and Interdisciplinary Conference on Modeling and Using Context, Paris (France), CEUR‐WS. Kahneman, D. and A. Tversky (1979). "Prospect Theory: An Analysis of Decision under Risk." Econometrica 47(2): 263–292‐263–292. Kantarcioglu, M., A. Inan, W. Jiang and B. Malin (2009). "Formal anonymity models for efficient privacy‐preserving joins." Data & Knowledge Engineering 68(11): 1206‐1223. Karacapilidis, N. and D. Papadias (2001). "Computer supported argumentation and collaborative decision making: the HERMES system." Information systems 26(4): 259–277. Kasabov, N. K. (1998). Foundations of Neural Networks, Fuzzy Systems, and Knowledge Engineering, MIT Press. Kasper‐Fuehrera, E. C. and N. M. Ashkanasy (2001). "Communicating trustworthiness and building trust in interorganizational virtual organizations." Journal of Management 27(3): 235‐254. Keeney, R. L. and H. Raiffa (1993). Decisions with multiple objectives: Preferences and value tradeoffs. New York, Cambridge University Press. Kim, J. H. and J. Pearl (1983). A computational model for causal and diagnostic reasoning in inference systems. Proceedings of the 8th International Joint Conference on Artificial Intelligence. Kim, S., P. J. Haug, R. A. Rocha and I. Choi (2008). "Modeling the Arden Syntax for medical decisions in XML." International journal of medical informatics 77(10): 650‐656. 246 Bibliografia Köksalan, M. M. and S. Zionts (2001). Multiple criteria decision making in the new millennium, Springer. Kolbin, V. V. (2003). Decision Making and Programming, World Scientific. Kong, G., D.‐L. Xu and J.‐B. Yang (2008). "Clinical Decision Support Systems: A review on knowledge representation and inference under uncertainties." International Journal of Computational Intelligence Systems 1(2): 159‐167. Kowalski, R. A. (1974). Predicate logic as programming language. Proceedings of International Federation of Information Processing. Stockholm, Sweden, North‐Holland: 569‐574. kowalski, R. A. and M. H. Emden (1974). "The Semantics of Predicate logic as a Programming Language." Journal of the ACM 23(4): 733‐742. Koza, J. R. A. (1992). Genetic Programming: On the Programming of Computers by Means of Natural Selection, NetLibrary, Incorporated. Koza, J. R. A. (1996). GENETIC PROGRAMMING, MIT Press. Kraemer, K. L. and J. L. King (1988). "Computer‐based systems for cooperative work and group decision making." ACM Comput. Surv. 20(2): 115‐146. Kristiina, H., S. Kaija and N. Pirkko (2008). "Definition, structure, content, use and impacts of electronic health records: A review of the research literature." International journal of medical informatics 77(5): 291. Kruchten, P. (2003). The Rational Unified Process: An Introduction, Addison Wesley Professional. Kuczynski, J.‐M. (2007). Conceptual Atomism and the Computational Theory of Mind: A Defense of Content‐internalism and Semantic Externalism, John Benjamins Publishing Company. Kunz, W., H. W. J. Rittel, W. Messrs, H. Dehlinger, T. Mann and J. J. Protzen (1970). "Issues as elements of information systems." Kurzweil, R. (2005). The Singularity is Near: When Humans Transcend Biology, Viking. Kwong, C. K. and H. Bai (2002). "A fuzzy AHP approach to the determination of importance weights of customer requirements in quality function deployment." Journal of Intelligent Manufacturing 13(5): 367‐377. Laughlin, P. R. (1980). "Social combination processes on cooperative, problem‐solving groups as verbal intellective tasks." Lawrence Erlbaum, Hillsdale, NJ: 127–155‐
127–155. Lauritzen, S. L. and D. J. Spiegelhalter (1988). "Local computations with probabilities on graphical structures and their application to expert systems." Journal of the Royal Statistical Society. Series B (Methodological): 157–224‐157–224. Leroy, G. and H. Chen (2007). "Introduction to the special issue on decision support in medicine." Decision Support Systems 43(4): 1203‐1206. Lewin, K. (1946). "Action research and minority problems." Journal of social issues 2(4): 34–46‐34–46. Liberatore, M. J. and R. L. Nydick (2008). "The analytic hierarchy process in medical and health care decision making: A literature review." European Journal of Operational Research 189(1): 194‐207. 247 Bibliografia Lifschitz, V. (1985). Computing circumscription. Readings in Nonmonotonic Reasoning, Morgan Kaufmann: 121‐‐127. Lima, L., R. Costa, P. Novais, C. Analide, J. Bulas‐Cruz and J. Neves (2008). Quality of Information in the context of Ambient Assisted Living. Advances in Soft Computing, Springer‐ Verlag. Vol. 50: 624‐633. Lima, L., P. Novais and J. Cruz (2009). A Process Model for Group Decision Making with Quality Evaluation. Distributed Computing, Artificial Intelligence, Bioinformatics, Soft Computing, and Ambient Assisted Living: 566‐573. Linden, R. (2002). "A framework for collaborating." Public Manager 31(2): 3–6. Lindsay, R. K., B. G. Buchanan, E. A. Feigenbaum and J. Lederberg (1993). "DENDRAL: A case study of the first expert system for scientific hypothesis formation." Artificial Intelligence 61(2): 209‐261. Liou, Y. I. (1992). "Collaborative knowledge acquisition." Expert Systems with Applications 5(1‐2): 1‐13. Lipnack, J. and J. Stamps (2000). People working across boundaries with technology, Chichester: John Wiley and Sons. Lipshitz, R. and O. Strauss (1997). "Coping with Uncertainty: A Naturalistic Decision‐
Making Analysis." ORGANIZATIONAL BEHAVIOR AND HUMAN DECISION PROCESSES 69(2): 149‐‐163. Lloyd, D. E. and D. Lloyd (1989). Simple Minds, MIT Press. Lloyd, J. (1987). Foundations of Logic Programming, Springer‐Verlag. Longo, G. (1990). Information and The Mind‐Body Problem. Uncertainty in Knowledge Bases: 3rd International Conference on Information Processing and Management of Uncertainty in Knowledge‐Based Systems: Proceedings. B. Bouchon‐Meunier, R. R. Yager and L. A. Zadeh. Paris, July 2‐6, Springer Verlag: 298‐306. Lootsma, F. A. (1999). Multi‐criteria decision analysis via ratio and difference judgement, Springer. Lopez, J., R. Oppliger and G. Pernul (2004). "Authentication and authorization infrastructures (AAIs): a comparative survey." Computers & Security 23(7): 578‐590. Loveland, D. W. (1987). Near‐Horn PROLOG. Proceedings of the 4th International Conference on Logic Programming. J. L. Lassez: 456‐459. Lu, J., G. Zhang, D. Ruan and F. Wu (2007). Multi‐objective Group Decision Making: Methods, Software and Applications with Fuzzy Set Techniques, Imperial College Press. Lucas, P. (2003). "Quality checking of medical guidelines through logical abduction." Proc. of AI‐2003 20: 309‐321. Luger, G. F. (2005). Artificial Intelligence: Structures and Strategies for Complex Problem Solving, Addison Wesley. Madnick, S. and H. Zhu (2006). "Improving data quality through effective use of data semantics." Data & Knowledge Engineering 59(2): 460‐475. 248 Bibliografia Maier, R. (2004). Knowledge management systems: Information and communication technologies for knowledge management, Springer‐Verlag New York Inc. Majchrzak, A., A. Malhotra, J. Stamps and J. Lipnack (2004). "Can absence make a team grow stronger?" Harvard Business Review 82(5): 131–137. Marreiros, G., P. Novais, J. Machado, C. Ramos and J. Neves (2006). An Agent‐based Approach to Group Decision Simulation using Argumentation. International MultiConference on Computer Science and Information Tecnology, Workshop Agent‐Based Computing III (ABC 2006), Wisla, Poland. Martín Muñoz P, Ruiz‐Canela J, Guerra de Hoyos JA and R. A. L. (2003). " Guías de práctica clínica en Internet: cómo separar el grano de la paja." Rev Pediatr Aten Primaria 5: 73‐‐88. Masters, J. (1995). "The history of action research." Action research. Masuch, M. and L. Pólos, Eds. (1994). Knowledge Representation and Reasoning Under Uncertainty. Lecture Notes in Artificial Intelligence 808. Amsterdam, Springer‐Verlag. Matsatsinis, N. F. and Y. Siskos (1999). "MARKEX: An intelligent decision support system for product development decisions." European Journal of Operational Research 113(2): 336‐354. Matuszek, C., M. Witbrock, R. C. Kahlert, J. Cabral, D. Schneider, P. Shah and D. Lenat (2005). Searching for common sense: Populating Cyc™ from the Web. PROCEEDINGS OF THE NATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE. McCarthy, J. (1959). Programs with common sense. Teddington Conference on the Mechanization of Thought Processes. London, Her Majesty's Stationery Office. McCarthy, J. (1980). "Circumscription ‐ a form of non‐monotonic reasoning." Artificial Intelligence 13: 27 ‐ 39. McCarthy, J. (1986). "Applications of circumscription to formalizing common sense knowledge." Artificial Intelligence 28: 89 ‐ 116. McCarthy, J. (2000, 2000.04.17). "Concepts of Logical AI." Retrieved 2008.12.12, 2008, from http://www‐formal.stanford.edu/jmc/concepts‐ai.pdf. McDermott, D. (1982). "Nonmonotonic Logic II: Nonmonotonic modal theories." Journal of the ACM 29(1): 33‐57. McKenna, E. F. (2000). Business psychology and organisational behaviour, Psychology Press. McLeod, P. L. (1992). "An Assessment of the Experimental Literature on Electronic Support of Group Work: Results of a Meta‐Analysis." Human‐Computer Interaction 7(3): 257‐257. Minker, J. (1982). "On indefinite data bases and the closed world assumption." Proceedings of CADE‐82: 292‐308. Minsky, M. (1974). A Framework for Representing Knowledge, Massachusetts Institute of Technology. Minsky, M. L., P. Singh and A. Sloman (2004). "The St. Thomas common sense symposium: designing architectures for human‐level intelligence." AI Magazine 25(2): 113‐113. 249 Bibliografia Miranda, S. M. and R. P. Bostrom (1999). "Meeting facilitation: process versus content interventions." J. Manage. Inf. Syst. 15(4): 89‐114. Moore, R. (1985). "Semantical Considerations on Nonmonotonic Logic." Artificial Intelligence 25: 75‐94. Moore, R. (1987). Possible‐world semantics for autoepistemic logic. Readings in nonmonotonic reasoning, Morgan Kaufmann Publishers Inc.: 137‐142. Mora, M., G. A. Forgionne and J. N. D. Gupta (2002). Decision making support systems, Idea Group Inc (IGI). Morçöl, G. (2007). Handbook of decision making, CRC Press. Morgan, G. and M. Henrion (2006). Uncertainty, Cambridge University Press. Mueller, E. T. (2006). Commonsense reasoning, Morgan Kaufmann. Mullen, P. M. (2003). "Delphi: myths and reality." Journal of Health Organisation and Management 17(1): 37 ‐ 52‐37 ‐ 52. Mumford, E. (1995). Effective systems design and requirements analysis: the ETHICS approach, Macmillan, Basingstoke. Mustajoki, J. and R. P. Hamalainen (2000). "Web‐HIPRE: global decision support by value tree and AHP analysis." INFOR J 38(3): 208–220. Nappelbaum, E. (1997). Systems logic for problem formulation and choice. Decision Support in Organizational Transformation: Proceedings of the IFIP TC8 WG8.3 International Conference on Organizational Transformation and Decision Support P. Humphreys, S. Ayestaran, A. McCosh and B. Mayon‐White, Springer. Nebel, B. (2001). Frame‐Based Systems. The MIT Encyclopedia of the Cognitive Sciences. R. A. Wilson and F. C. Keil, MIT Press. Negnevitsky, M. (2005). Artificial intelligence, Pearson Education. Neiger, D., R. Price and G. Shanks (2007). An Empirical Study of Subjective Information Quality, Technical Report Number 2007/208. Australia, Clayton School of Information Technology, Monash University. Neves, J. (1984). A Logic Interpreter to Handle Time and Negation in Logic Data Bases. Proceedings of the ACM'84, The Fifth Generation Challenge. Nevo, D. and Y. E. Chan (2007). "A Delphi study of knowledge management systems: Scope and requirements." Information & Management 44(6): 583‐597. Newel, A. and H. A. Simon (1976). "Computer Science as Empirical Inquiry: Symbols and Search." Communications of the ACM 19(3): 113‐126. Nice. (2009). "Chronic obstructive pulmonary disease." Retrieved 2009.12.06, from http://guidance.nice.org.uk/CG12. Nilsson, N. J. (1994). "Probabilistic logic revisited." Artificial intelligence in perspective, MIT Press, Cambridge, MA. Noronha, S. and S. Szpakowicz (1996). "Negoplan: A System for Logic‐Based Decision Modelling." Lecture Notes in Computer Science: 417–428‐417–428. Nour, M. A. and D. Yen (1992). "Group decision support systems : Towards a conceptual foundation." Information & Management 23(2): 55‐64. 250 Bibliografia Nunamaker, J. F. and M. Chen (1990). Systems development in information systems research. System Sciences, 1990., Proceedings of the Twenty‐Third Annual Hawaii International Conference on. Nunamaker, J. F., A. Dennis, J. Valacich, D. Vogel and J. George (1991). "Electronic meeting systems to support group work." Commun. ACM 34(7): 61, 40‐61, 40. Overton, W. F. and D. S. Palermo (1994). The Nature and Ontogenesis of Meaning, Lawrence Erlbaum Associates. Parsons, S. (1996). "Current approaches to handling imperfect information in data and knowledge bases." IEEE Trans. on Knowledge and Data Eng. 8(3): 353‐372. Patel, V. L., E. H. Shortliffe, M. Stefanelli, P. Szolovits, M. R. Berthold, R. Bellazzi and A. Abu‐Hanna (2009). "The coming of age of artificial intelligence in medicine." Artificial Intelligence in Medicine 46(1): 5‐17. Pawlak, Z. (2004). Inference Rules and Decision Rules. Artificial intelligence and soft computing ‐ ICAISC 2004. L. Rutkowski, Springer. Pearce, D. and W. G. (1989). Reasoning with negative information 1 ‐ strong negation in logic programming.Technical Report. Berlin, Gruppe fur Logic, Wissentheorie and Information, Freie Universitat. Pearl, J. (1986). "Fusion, propagation, and structuring in belief networks." Artificial Intelligence 29(3): 241‐288. Pearl, J. (1990). "Reasoning with belief functions: An analysis of compatibility." INT. J. APPROXIMATE REASON. 4(5): 363–389. Pearl, J. (1994). "Belief networks revisited." Artificial intelligence in perspective: 49–
56‐49–56. Penrose, R. and M. Gardner (1999). The Emperor's New Mind: Concerning Computers, Minds, and the Laws of Physics, Oxford University Press. Phillips, L. D. (2004). "The Mathematics of Hiview and Equity." Catalyze White Paper (available at http://www. catalyze. co. uk/resources/docs/pdf/Catalyze_White_Paper_Mathemati cs_of_Hiview_and_Equity. pdf). Pillis, E. d. and K. Furumo (2006). Virtual vs. face‐to‐face teams: deadbeats, deserters, and other considerations. Proceedings of the 2006 ACM SIGMIS CPR conference on computer personnel research: Forty four years of computer personnel research: achievements, challenges \&amp; the future, Claremont, California, USA, ACM. Pinson, S. D., J. A. Louca and P. Moraitis (1997). "A distributed decision support system for strategic planning." Decision Support Systems 20(1): 35–51. Pohekar, S. D. and M. Ramachandran (2004). "Application of multi‐criteria decision making to sustainable energy planning‐‐A review." Renewable and Sustainable Energy Reviews 8(4): 365‐381. Poole, D. (1990). "A methodology for using a default and abductive reasoning system." International Journal of Intelligent Systems 5(5): 521‐548. Poole, D. (1993). "Logic programming, abduction and probability." New Generation Computing 11(3): 377–400. 251 Bibliografia Poole, D. L., A. K. Mackworth and R. Goebel (1998). Computational intelligence, Oxford University Press. Potts, C. (1989). A Generic Model For Representing Design Methods. Software Engineering, 1989. 11th International Conference on. Poundstone, W. (1992). Prisoner's dilemma: John von Neumann, game theory and the puzzle of the bomb, Doubleday New York, NY, USA. Power, D. J. (2002). Decision Support Systems: Concepts and Resources for Managers, Greenwood Publishing Group. Price, R. and G. Shanks (2008). Data Quality and Decision Making. Handbook on Decision Support Systems 1: Basic Themes. F. Burstein and C. W. Holsapple, Springer. Pryor, T. A. and G. Hripcsak (1993). "The Arden syntax for medical logic modules." International journal of clinical monitoring and computing 10(4): 215–224. Rao, L. and K.‐M. Osei‐Bryson (2007). "Towards defining dimensions of knowledge systems quality." Expert Systems with Applications 33(2): 368‐378. Rao, R. V. (2007). Decision making in the manufacturing environment, Springer. Rechenberg, I. (1989). Evolution strategy: nature's way of optimization. Optimization: methods and applications, possibilities and limitations, Springer Verlag. 47. Reiter, R. (1978). On closed world data bases. Logic and Data Bases. H. Gallaire and J. Minker. New York, Plenum Press. Reiter, R. (1978). On reasoning by default. Proceedings of the 1978 workshop on Theoretical issues in natural language processing. Urbana‐Champaign, Illinois, Association for Computational Linguistics. Reiter, R. (1990). "A Logic for Default Reasining." Artificial Intelligence 13: 81‐132. Rolland, C., S. Nurcan and G. Grosz (2000). "A decision‐making pattern for guiding the enterprise knowledge development process." Information and Software Technology 42(5): 313‐331. Rosenman, M. A., G. Smith, L. Ding, D. Marchant and M. L. Maher (2005). Multidisciplinary Design in Virtual Worlds. Computer Aided Architectural Design Futures 2005: 433‐442. Roussel, P. (1975). PROLOG ‐ Manuel de Reference et d'Utilization. France, Université d'Aix‐Marseille II. Roy, B. (1990). "Decision‐aid and decision‐making." European Journal of Operational Research 45(2‐3): 324–331. Roy, B. (2005). Paradigms and Challenges. Multiple criteria decision analysis. J. Figueira, S. Greco and M. Ehrgott, Springer. Rumbaugh, J., I. Jacobson and G. Booch (2004). Unified Modeling Language Reference Manual, The (2nd Edition), Pearson Higher Education. Rumelhart, D. E. and J. L. McClelland (1986). Parallel Distributed Processing, MIT Press. Rusman, E., J. v. Bruggen, R. Cörvers, P. Sloep and R. Koper (2009). "From pattern to practice: Evaluation of a design pattern fostering trust in virtual teams." Computers in Human Behavior 25(5): 1010‐1019. 252 Bibliografia Russell, S. and P. Norvig (2009). Artificial Intelligence, Prentice Hall. Saaty, T. L. (2001). The Analytic Network Process, RWS Publications. Saaty, T. L. (2008). "Decision making with the analytic hierarchy process." International Journal of Services Sciences 1(1): 83–98‐83–98. Saaty, T. L. and L. G. Vargas (2006). Decision making with the analytic network process, Springer. Sackett, D. L. (1997). "Evidence‐based medicine." Seminars in Perinatology 21(1): 3‐5. Sanayei, A., S. Farid Mousavi, M. R. Abdi and A. Mohaghar (2008). "An integrated group decision‐making process for supplier selection and order allocation using multi‐attribute utility theory and linear programming." Journal of the Franklin Institute 345(7): 731‐747. Sandhu, R. S. and V. Z. Marvin (1998). Role‐based Access Control, Elsevier. Volume 46: 237‐286. Scheutz, M. (2002). Computationalism ‐ The Next Generation. Computationalism. M. Scheutz, MIT Press. Schwarz, R. M. (1994). The Skilled Facilitator: Practical Wisdom for Developing Effective Groups, Jossey Bass. Sentz, K. and S. Ferson (2002). "Combination of evidence in Dempster‐Shafer theory." Report No. SAND2002 835. Shafer, G. (1986). "The combination of evidence." International Journal of Intelligent Systems 1(3): 155‐179. Shafer, G. (1987). "Probability Judgment in Artificial Intelligence and Expert Systems." Statistical Science 2(1): 3‐16. Shafer, G. (1992). The Dempster‐Shafer theory. Encyclopedia of Artificial Intelligence, Second Edition. S. C. Shapiro, Wiley. Shaw, M. E., R. Robbin and J. R. Belser (1981). Group dynamics, McGraw‐Hill. Sheridan, F. K. J. (1991). "A survey of techniques for inference under uncertainty." Artificial Intelligence Review 5(1): 89. Shim, J. P., M. Warkentin, J. F. Courtney, D. J. Power, R. Sharda and C. Carlsson (2002). "Past, present, and future of decision support technology." Decis. Support Syst. 33(2): 111‐126. Shortliffe, E. H. and B. G. Buchanan (1975). "A model of inexact reasoning in medicine." Mathematical Biosciences 23(3‐4): 351–379‐351–379. Shu‐Hsien, L. (2005). "Expert system methodologies and applications‐‐a decade review from 1995 to 2004." Expert Systems with Applications 28(1): 93‐103. Silva, A. M. R. d. and C. A. E. Videira (2001). UML, Metodologias e Ferramentas CASE., Edições Centro Atlântico. Simon, H. A. (1955). "A behavioral model of rational choice." The Quarterly Journal of Economics: 99‐118. Simon, H. A. (1977). The new science of management decision, Prentice‐Hall. Simon, H. A. (1982). Models of Bounded Rationality: Empirically Grounded Economic Reason, MIT Press. Simon, H. A. (1996). The Sciences of the Artificial, MIT Press. 253 Bibliografia Simon, H. A. (1997). Administrative behavior: A study of decision‐making processes in administrative organizations, Free Press. Simon, H. A. (1997). Models of Bounded Rationality: Empirically grounded economic reason, MIT Press. Simon, H. A. and A. Newell (1958). "Heuristic Problem Solving: The Next Advance in Operations Research." Operations Research 6(1): 1‐10. Siskos, Y., A. Spyridakos and D. Yannacopoulos (1999). "Using artificial intelligence and visual techniques into preference disaggregation analysis: The MIIDAS system." European Journal of Operational Research 113(2): 281‐299. Skyrme, D. J. (1999). Knowledge networking: creating the collaborative enterprise, Butterworth‐Heinemann. Sowa, J. F. (1992). Semantic Networks. Encyclopedia of Artificial Intelligence. S. C. Shapiro, Wiley. Sprague, R. H. and E. D. Carlson (1982). Building Effective Decision Support Systems, Prentice‐Hall. Stein, E. W. and V. Zwass (1995). "Actualizing organizational memory with information systems." Information Systems Research 6(2): 85‐85. Steiner, I. D. (1972). Group process and productivity, Academic Press New York. Stevens, R., C. A. Goble and S. Bechhofer (2001). Ontology‐based Knowledge Representation for Bioinformatics. Manchester, Department of Computer Science and School of Biological Sciences ‐ University of Manchester 2008. Stewart, D. W., P. N. Shamdasani and D. W. Rook (2006). Focus groups, SAGE. Sun. (2003). "Collaborative Environments." Retrieved 2009.11.15, from http://research.sun.com/projects/dashboard.php?id=85. Sundstrom, E. (1990). "Work teams: applications and effectiveness." American Psychologist 45(2): 120–33‐120–33. Tan, J. K. and B. Hossein (2003). Health Care, Information Systems in. Encyclopedia of Information Systems. New York, Elsevier: 519‐536. Teodorescu, H.‐N. (2003). Information, Data, and Information Aggregation in relation to the User model. Systematic Organisation of Information in Fuzzy Systems. NATO Science Series: Computer and Systems Sciences. P. Melo‐Pinto, H.‐N. Teodorescu and T. Fukuda, IOS Press. 184. Thaler, R. (1980). "Toward a positive theory of consumer choice." Journal of Economic Behavior & Organization 1(1): 39‐60. Toledo, P., S. Jimenez, F. del Pozo, J. Roca, A. Alonso and C. Hernandez (2006). "Telemedicine Experience for Chronic Care in COPD." Information Technology in Biomedicine, IEEE Transactions on 10(3): 567‐573. Tong, R. and P. Bonissone (1985). "Editorial: Reasoning with Uncertainty in Expert Systems." International Journal of Man‐Machine Studies 22(3): 241‐250. Triantaphyllou, E. (2000). Multi‐criteria decision making methods: a comparative study, Springer. 254 Bibliografia Tudorie, C. (2002). IMPERFECT DATA IN DATABASE CONTEXT. HOW ARE THEY STORED IN EXTENDED RELATIONAL DATABASES ? THE ANNALS OF "DUNAREA DE JOS" UNIVERSITY OF GALATI. FASCICLE III. Turban, E., R. K. Rainer and R. E. Potter (2001). Introduction to Information Technology, John Wiley & Sons, Inc. Tversky, A. and E. Shafir (2003). Preference, belief, and similarity: selected writings, The MIT Press. Vahidov, R. and B. Fazlollahi (2004). "Pluralistic multi‐agent decision support system: a framework and an empirical test." Information & Management 41(7): 883–
898. Volberda, H. W. and A. Rutges (1999). "FARSYS: a knowledge‐based system for managing strategic change." Decision Support Systems 26(2): 99–123‐99–123. Wang, J.‐J., Y.‐Y. Jing, C.‐F. Zhang and J.‐H. Zhao (2009). "Review on multi‐criteria decision analysis aid in sustainable energy decision‐making." Renewable and Sustainable Energy Reviews 13(9): 2263‐2278. Warkentin, M. E., L. Sayeed and R. Hightower (1997). "Virtual teams versus face‐to‐
face teams: An exploratory study of a web‐based conference system." Decision Sciences 28: 975–994‐975–994. Way, E. C. (1991). Knowledge Representation and Metaphor. Dordrecht, Holland, Kluwer Academic Publishers. Wilson, N. (2000). "Algorithms for dempster‐shafer theory." Handbook of Defeasible Reasoning and Uncertainty Management Systems: Algorithms for uncertainty and defeasible reasoning/volume editors, J\ürg Kohlas and Seraf\'ın Moral: 421‐421. Witte, E. H. and J. H. Davis (1996). Understanding Group Behavior: Small group processes and interpersonal relations, Lawrence Erlbaum Associates. Wooldridge, M. J. (2000). Reasoning about rational agents, MIT Press. Woolf, S. H. (2000). "Evidence‐based medicine and practice guidelines: an overview." Cancer Control 7(4): 362–367. Yen, J. and T. X. Bui (1999). "The negotiable alternatives identifier for group negotiation support." Applied Mathematics and Computation 104(2‐3): 259‐
276. Yoon, K. and C.‐L. Hwang (1995). Multiple attribute decision making: an introduction, SAGE. Zadeh, L. A. (1965). "Fuzzy Sets." Information and Control 8: 338‐‐353. Zadeh, L. A. (2001). Fuzzy Logic. The MIT Encyclopedia of the Cognitive Sciences. R. A. Wilson and F. C. Keil, MIT Press. Zadeh, L. A. (2006). "Generalized theory of uncertainty (GTU)‐‐principal concepts and ideas." Computational Statistics & Data Analysis 51(1): 15‐46. Zadeh, L. A. (2008). "Fuzzy logic." Scholarpedia 3: 1766. Zaraté, P. (2008). Cooperative Decision Support Systems. Encyclopedia of Decision Making and Decision Support Technologies. F. Adam and P. Humphreys, Idea Group Inc (IGI). 255 Bibliografia Zhang, Q., J. C. H. Chen and P. P. Chong (2004). "Decision consolidation: criteria weight determination using multiple preference formats." Decision Support Systems 38(2): 247‐258. Zopounidis, C. and M. Doumpos (2000). "PREFDIS: a multicriteria decision support system for sorting decision problems." Computers and Operations Research 27(7‐8): 779–797‐779–797. 256 Anexo A. Research Overview This chapter is a summary of the research presented in this thesis work. A.1 Introduction Group decision is a complex problem, chiefly for real world multi‐attribute problems, where always exist a great deal of subjectivity, and the necessary information is never complete. On the other hand, more and more decisions in organizations are a group process. Collaborative work, namely in the so called Virtual Organizations supported by Collaborative Networks, will be the path to overcome the time and space limitations in many sectors, namely in healthcare organizations. The Hypotheses we indorse here states that in a context of multi‐attribute group decision making, the perception by the decision makers of the quality of information improves the decision making process. In this background we studied the problems related to group decision making and a metamodel was proposed for these processes, suitable for asynchronous interactions between far‐flung participants. A knowledge representation for real world problems, embodying different kinds of imperfect information, was also suggested. This representation is adequate for the evaluation of quality of information. A evaluation method was proposed using this kind of representation. We aim to assure the control and quality evaluation of all the information flowing in a Collaborative Network, and above all in the group decision support component. A graphical visualization matching the quality of information evaluation was another Anexo proposal, assuming different perspectives in accordance with the needs of the several participants. It was also defined the logical, physical and functional structure of a Group Decision Support System, applied to the VirtualECare project. Based on this specification a prototype was developed. The prototype has been used in several experiments, leading to some conclusions and to the provision of future work. The concepts were also validated in a test pilot with a Clinical Guideline for the treatment of a chronic disease. A.2 Knowledge Representation Imperfect information is ubiquitous; we take most of our decisions, if not all, of our day to day life based on incomplete, not precise and even uncertain information. Most information systems just ignore this characteristic of the information about the real world and build upon models were some idealisation expunges the inherent uncertainty (Parsons 1996). The result is model which never gives correct answers, because of its inability to model exactly what is going on. Instead, one should deal with the uncertainty in the model itself, even at the cost of less simplicity. To implement useful information systems, namely knowledge based ones, it is necessary to represent and reason with imperfect information. A suitable representation of incomplete information is needed, one that supports non‐monotonic reasoning. In a classical logical theory, the proof of a question results in a true or false value, or is made in terms of representing something about one could not be conclusive. In opposition, in a logic program, the answer to a question is only of two types: true or false. It is a limitation of the 258 Anexo knowledge representation, because no explicit representation of negative information exists. Additionally, the operational semantics applies the Closed‐World Assumption (CWA) (Hustadt 1994) to all the predicates. Most logic programs represent implicitly negative information, assuming the application of reasoning according to the CWA. A logic program is a finite set of clauses in the form: A0  A1  ...  Am  not Am 1  ...  not An
(A.1) such as , is an atom and the terms and are literals. Weak negation ‐ operator not in conventional LP ‐ is the negation‐by‐failure: not A is true if it is not possible to prove A, and not A is false when is possible to prove A. This kind of reasoning would be enough in a CWA system, but is insufficient when there is incomplete information. Extended Logic Programming (ELP) was first introduced by Gelfond & Lifschitz (Gelfond and Lifschitz 1990). ELP introduces another kind of negation: strong negation, represented by the classical negation sign . In most situations, it is useful to represent A as a literal, if it is possible to prove A. In EPL, the expressions A and not A, being A a literal, are extended literals, while A or A are simple literals. Intuitively, not p is true whenever there is no reason to believe p, whereas ¬p requires a proof of the negated literal. An extended logic program is a finite collection of rules r of the form: q  p1  ...  pm  not pm 1  ...  not pm  n
(A.2) 259 Anexo Where and every are literals, i.e. formulas like or  , being an atom, for ,
. The objective is to represent explicitly negative information, as well as directly describe the CWA for some predicates (predicate circumscription (Parsons 1996)). Three types of conclusions for a question are then possible: true, false or unknown, if there is no information to infer one or the other. The representation of null values will be scoped by the ELP. In this work, we will consider two types of null values: one allowing the representation of unknown values not necessarily from a given set of values, and the second will represent unknown values from a given set of possible values. We will show now some examples using null values to represent unknown information. Consider the extensions of the predicates that represent some properties of the participants, as a measure of their “quality” for the decision process: area_of_expertise: Entities x StrValue
role: Entities x StrValue
credible: Entities x Value
reputed: Entities x Value
Example A.1 – Properties of group participants The first argument denotes the participant and the second represents the value of the property (e.g. credible luis, 100 means that the credibility of the participant luis has the value 100). credible luis,100
credible E,V  not credible E,V
Program A.1. Extension of the predicate that describes the credibility of a participant 260 Anexo In Program A.1, the symbol  represents the strong negation, denoting what should be interpreted as false, and the term not designates negation‐by‐failure. Now admit that the credibility of another participant ricardo has not, yet, been established. This will be denoted by a null value of the type unknown, and represents the situation in Program A.2: the participant is credible but it is not possible to be certain (affirmative) about its value. In the second clause the symbol  represents a null value of an undefined type. It is a representation that assumes any value as a viable solution, but without being given a clue to conclude about which value one is speaking about. It is not possible to compute, from the positive information, the value of the credibility of the participant ricardo. The fourth clause (the closure of predicate credibility) discards the possibility of being assumed as false any question on the specific value of credibility for participant ricardo. credible luis,100
credible ricardo,
credible E,V  not credible E,V ,
not exception credible E,V
exception credible E,V  credible E,
Program A.2. Credibility about participant ricardo, with an unknown value In (Program A.3) the value of the credibility of a participant is foreseen to be 60, with a margin of mistake of 15. It is not possible to be positive, concerning the credibility value. However, it is false that the participant has a credibility value of 80 or 100. This example suggests that the lack of knowledge may only be associated to a enumerated set of possible known values. As a different case, the credibility of the participant paulo is unknown, but one knows that it is specifically 30 or 50. 261 Anexo credible luis,100
credible ricardo,
credible E,V  not credible E,V , not exception credible E,V
exception credible E,V  credible E,
exception credible carlos,V  V 45  V 75
exception credible paulo,30
exception credible paulo,50
Program A.3. Representation of the credibility of the participants carlos and paulo Using ELP, a procedure given in terms of the extension of a predicate called demo is presented. This predicate allows one to reason about the body of knowledge presented in a particular domain, set on the formalism previously referred to. Given a question, it returns a solution based on a set of assumptions. This meta predicate is defined as: Demo: Question x Answer, Where Question indicates a theorem to be proved and Answer denotes a truth value (see Program A.4): true (T), false (F) or unknown (U). demo Q,T  Q
demo Q,F  Q
demo Q,U  not Q  not Q
Program A.4. Extension of meta‐predicate demo A.3 Group Decision Support Systems In the last years, we have assisted to a growing interest in combining the advances in information society ‐ computing, telecommunications and presentation – in order to create Group Decision Support Systems (GDSS). 262 Anexo Decision Support Systems (DSS) are interactive computer‐based systems aimed to help decision makers use communication technologies, information, knowledge and/or models to solve problems. DSS and particularly (GDSS) will benefit from progress in more basic research on behavioral topics in the areas of organizational decision making, behavioral decision theory and organizational behavior (Conklin 2006). Examples of such systems are Group Decision Support Systems (GDSS) based on agent perception that we try to associate with the healthcare practice and respective information systems (e‐Health systems), in which lack of verification of the quality of information is a key omission (Cruz‐Correia, Vieira‐Marques et al. 2007). This work focus on a new class of systems from which VirtualECare (Costa, Neves et al. 2007), briefly described below, is an example. It represents a new and cost effective way for health care delivery in the intersection of telemedicine, virtual healthcare teams and electronic medical records. One of the components of VirtualECare is a knowledge‐based GDSS. In this paper we define a method to evaluate the quality of information involved in a GDSS, using VirtualECare as example, and present the foundations of a theory that permits to represent and reason with uncertain knowledge. VirtualECare is an intelligent multi‐agent system that will be able to monitor and interact with its customers, being those elderly people and/or their relatives. This system will be connected, not only to healthcare institutions, but also with leisure centers, training facilities, shops and relatives, just to name a few. The VirtualECare Architecture is a distributed one with different components interconnected through a network (e.g. LAN, MAN, WAN), each one with a different role (Figure A.1). A top‐level description of the roles of the architecture components is presented below: 263 Anexo 
Supported User – Elderly with special health care needs, which are in constant supervision, thus allowing collecting of vital data information sent to the CallCareCenter and forwarded to the Group Decision Supported System; 
Home – SupportedUser natural ambient, under constant supervision, being the collected information sent to the Group Decision Supported System through the CallCareCenter in case of clinical one, or sent to the CallServiceCenter for all the remaining, allowing a better, more comfortable (Intelligent) Ambient; 
Group Decision – There can be more than one, being responsible for all the decisions taken in the VirtualECare. Our work is centered in this key component; 
Call Service Center – Entity with all the necessary computational and qualified personal resources, capable of receiving, analyze the diverse data, and take the necessary steps according to it; 
Call Care Center – Entity with all the necessary computational and qualified personal resources (i.e., healthcare professionals and auxiliary), capable of receiving and analyze the diverse data and take the necessary steps according to it: 
Relatives – SupportedUser relatives with active supervising, giving complementary information and intervene in some more specific crises (e.g. loneliness). In order to the Group Decision Support System produce correct decisions, a digital profile of the SupportedUser is needed allowing a better understand of his/her special needs. So, we can have different kinds of relevant information, from the patient Electronic Clinic Process to their own personal preferences. 264 Anexo Figure A.1. The System Architecture, VirtualECare. We believe the use of GDSS in the Healthcare sector will allow professionals to achieve better results in the analysis of one’s Electronical Clinical Profile (ECP). This achievement is vital, regarding the explosion of knowledge and skills, together with the growing need to use limited resources more efficiently. Figure A.2‐ Top‐level architecture of VirtualECare GDSS 265 Anexo The VirtualECare GDSS (Figure A.2) has a rather traditional architecture. The User Interface module incorporates a Language System (all messages the GDSS can accept) and a Presentation System (all messages the GDSS can emit). The Data Management, Model Management and Knowledge Management modules, along with the respective representations, make up the overall Knowledge System, i.e., all the knowledge de GDSS has stored and retained. The Problem Processing module is the GDSS software engine, the active component of the system. It’s activity can be triggered by events that are detected outside de system or inside the system. The Problem Processing module incorporates the ability to evaluate the quality of information available for a decision process. Group Decision Support Systems (GDSS), also called Multiparticipant Decision Support Systems (MDSS), have been the subject of much research, have matured over a period of many years and there are many examples of their successful application (Sprague and Carlson 1982; Power 2002; Burstein and Holsapple 2008). The main characteristic of many GDSS implementations is a Problem‐Processing System (PPS) (Burstein and Holsapple 2008) with the ability to provide strong coordination for handling or even guiding participant interactions, linked with abilities of knowledge acquisition from participants, incorporating this knowledge into the Knowledge System (KS), which serves as group memory. The VirtualECare GDSS is a knowledge‐driven or intelligent DSS (Lu, Zhang et al. 2007) based on an inference engine with rules, although it also relies on database and model representations. The use of an inference engine with rules is the most common development environment for knowledge‐driven decision support systems (Power 2002). Rules are easy for managers and domain experts to understand and it is easier to provide explanations to users of the DSS. Also, it can combine information about uncertainty in conclusions with rules. 266 Anexo Figure A.3 – Use Case view of VirtualECare GDSS A.3.1 Idea Generation and Argumentation in the Group Decision Module The Group Decision module, as stated above, is a major module of our system. This fact, associated with the importance of decision‐making in today business activity and with the needed celerity in obtaining a decision in the majority of the cases that this key module will be defied to resolve, requires a real effectiveness of the decision making process. Thus, an Idea Generation tool is needed supporting the meetings, either face‐to‐face, asynchronous or distributed. After establishing individual ideas, the participants “defend” those ideas in order to reach consensus or majority. Each participant will argue for the most interesting alternatives or against 267 Anexo the worst alternatives, according to his/her preferences and/or skills (Brito, Novais et al. 2003). A.3.2 Meeting phases In this work we will call meeting to all the phases necessary to the completion of a specific task, i.e., a meeting happens as an effect of the interaction between two or more individuals (Bostrom, Anson et al. 2003). A meeting can be realized in one of the four scenarios: i) same time / same place; ii) same time / different places; iii) different times / same place; iv) different times / different places. Each one of these scenarios will require from the GDSS a different kind of action. Figure A.4. Forum (Argumentation and Voting) Besides the group members involved in the collaborative work process, it is very common to see a third element taking part in the course of action: the facilitator. The 268 Anexo meeting facilitator is a person welcomed in the group, nonaligned, which arbitrate all the meeting phases (Schwarz 1994). The facilitator prepares the meeting, namely the group formation. The choice of the participants is a critical factor of success. In our model of the VirtualECare system, the GDSS assists the facilitator in this task, by providing quality metrics on the profile of each possible participant. In the In‐Meeting phase, the participants will be working in order to accomplish the meeting goals and take de best decisions. In this, the participants use a knowledge database and exchange information. Again, the system must provide a measure of the quality of this information. In the Post‐Meeting phase it is important to evaluate the results achieved by the group, as well as how much each group member is acquit with the achieved results (satisfied/unsatisfied). The VirtualECare GDSS is composed of several modules being the most important for this work the Argumentation and the Voting which are used to carry out the discussion, through systematic registering and voting of the statements supporting each participant position, reaching, in the end, the final decision (Fig. A.4). A.5 Quality of Information In any decision making process, arguably, the decision is made without having all the information. How does a decision maker is confident about the reliability of the information? In group decisions the situation is more complex ‐ each participant must be confident on: The reliability of the computer support system; The other decision makers; The information exchanged between participants. The Group Decision of the VirtualECare system above operates in one such environment. Let i (i  1,, m) represent the predicates whose extensions make an extended logic 269 Anexo program that models the universe of discourse and j (j  1,, n) the attributes or those predicates. Let xj  [minj, maxj] be a value for attribute j. To each predicate is also associated a scoring function Vij[minj, maxj]  0  1, that gives the score predicate i assigns to a value of attribute j in the range of its acceptable values, i.e., its domain (for simplicity, scores are kept in the interval [0  1]), here given in the form: all(attribute_exception_list, sub_expression, invariants) This denotes that sub_expression should hold for each combination of the exceptions of the extensions of the predicates that represent the attributes in the attribute_exception_list and the invariants. The invariants are integrity constraints in the form:  p1  ...  pm  not pm1  ...  not pm n
(A.3) where all pi are literals, i.e. formulas like a or a , being a an atom, for m, n  N 0 . This is further translated by introducing three new predicates. The first predicate creates a list of all possible exception combinations (pairs, triples, ..., n‐
tuples) as a list of sets determined by the domain size (and the invariants). The second predicate recurses through this list and makes a call to the third predicate for each exception combination. The third predicate denotes sub_expression, giving for each predicate, as a result, the respective score function. The Quality of Information (QoI) with respect to a generic predicate P is therefore given by QoIP = 1/Card, where Card denotes the cardinality of the exception set for P, if the exception set is not disjoint. If the exception set is disjoint, the quality of information is given by: QoI P 
270 Card
1
C
1
Card
   CCard
(A.4) Anexo Card
where CCard is a card‐combination subset, with Card elements. The next element of the model is the relative importance that a predicate assigns to each of its attributes under observation: wij stands for the relevance of attribute j for predicate i (it is also assumed that the weights of all predicates are normalized: i  j 1 wij  1
n
(A.5) It is now possible to define a predicate’s scoring function, i.e., for a value x = (x1, ..., n) in the multi dimensional space defined by the attributes domains, which is given in the form: Vi ( x )   j 1 wij  Vij ( x j )
n
(A.6) It is now possible to measure the QoI by posting the Vi(x) values into a multi‐
dimensional space and projecting it onto a two dimensional one. Using this procedure, it is defined a circle, as the one given in Fig. A.5. Figure A.5. A measure of the quality of information for a logic program or theory P 271 Anexo The dashed n‐slices of the circle (here built on the extensions of five predicates, named as p1 ... p5) denote de QoI associated with each of the predicate extensions. Let’s return to our case above and evaluate the global credibility of the system (Program A.5). As an example we represent the QoI for participant luis, depicted in Fig. A.6. In order to find the relationships among the extensions of these predicates, we evaluate the relevance of the QoI, given in the form Vcredible(luis) = 1; Vreputed(luis) = 0.785; Vrole(luis) = 0. It is now possible to measure the QoI associated to a logic program referred to above: the shaded n‐slices (here n = 3) of the circle denote the QoI for predicates credible, reputed and role. credible E,V  not credible E,V , not exception credible E,V
exception credible E,V  credible E,
credible luis,100
credible ricardo,
exception credible carlos,V  V 45  V 75
exception credible paulo,30
exception credible paulo,50
role luis,
role ricardo,doctor
exception role carlos,doctor
exception reputed luis,80
exception reputed luis,50
exception reputed ricardo,40
exception reputed ricardo,60
reputed carlos,100
Program A.5. Example of universe of discourse Figure A.6. A measure of quality of information about participant luis 272 Anexo However, in order to accomplish the main goal of this work, we need to further extend the purpose of Fig. A.6, i.e., we may define a new predicate, reliance; whose extension may be given in the form of the example below: reliance X,Y  not reliance X,Y , not exception reliance X,Y
reliance luis, credible,1 , reputed,0.785 role,0
reliance ricardo, credible,0 , reputed,0.785 , role,1
Program A.6. Measuring the global quality Besides being able to evaluate the quality of individual actors and individual pieces of information that flows in a group decision system, we aim to have an overall mechanism that allows one to measure the global quality of the system itself. The same mechanism used to evaluate individual parts of the system is consistently used to evaluate all the system, through an extension process. A.5 Process Model The staged nature of decision making processes is established by several studies (Kolbin 2003; Jones and Humphreys 2005). The models of real‐world decision procedures includes time‐divided and / or single time decision periods, where content homogeneous and content heterogeneous operations are performed (Kolbin 2003). Figure A.7 – Staged decision process model 273 Anexo The VirtualECare GDSS follows this procedural staged nature, as we can see in Fig. A.7. Traditionally, Rational Choice Theory (RCT) is applied to decision support systems which follows the prescription of Herbert Simon (Simon 1982), where the agent only “satisfices” its expected utility, rather than optimizing or maximizing it. Either way, Simon prescribes a linear decision making process, moving through three stages: intelligence, design and choice. Intelligence involves the perception and diagnostic of the problem, searching for the conditions that call for decisions. Design concentrates upon inventing, developing and analyzing possible courses of action, defining goals and criteria. Finally, the Choice stage concentrates upon selecting an alternative identified in the previous phase. Figure A.8 – In‐meeting stage: design and choice phases separated by quality evaluation The underlying process model of the VirtualECare GDSS follows Simon’s empirical rationality. The intelligence stage occurs continuously, as the GDSS interacts with other components of VirtualECare system. Identified problems that call for an action triggers the formation of a group decision. This group formation is conducted in the pre‐meeting phase, when a facilitator must choose the participants. 274 Anexo The design and choice phases occur in the in‐meeting stage (see Fig. A.7). The in‐meeting stage cycles through several iterations, similarly to the circular logic of choice of Nappeelbaum (Nappelbaum 1997). In Nappelbaum model a sharpening spiral of the description of the problem cycles through option descriptions, value judgments and instrumental instructions towards a prescribed choice. We further extend this with Jones and Humphreys model of the Decision Hedgehog (Jones and Humphreys 2005). Instead of constructing and prescribing the solution to the decision problem within a procedural context of a single decision path, we suggest the exploration of potential different pathways to develop contextual knowledge, enabling collaborative authoring of outcomes. Figure A.9 – In‐meeting stage with several iterations This way, the quality of information is evaluated within each iteration, for every possible pathway. The knowledge system is scanned for the needed information with a previously agreed threshold of measured quality (Lima, Costa et al. 2008). If the quality of information does not reach the necessary threshold, new information and/or knowledge is acquired to the knowledge system and the process restarts. Figure A.8 illustrates this process for a single iteration and Figure A.9 depicts the 275 Anexo situation when the quality threshold is not reached until the nth iteration, when the decision is made. Even when time compels the group to make a decision before the quality threshold is reached, the quality evaluation is useful to assess and record the context in which the decision was made. A.6 Conclusion Our agenda is to apply the above Knowledge Representation with the respective Quality of its Information to the VirtualEcare GDSS module. Thus, the suggestions/decisions presented by this module will consider the existence of incomplete information, and, even so, will present a possible way to try and, if possible, resolve the actual problem. Incomplete information may arise from several sources (e.g. unreachable sensors, incomplete Patient Electronic Clinical Profile) but what is important is to be able to measure the quality of the information we have access to and the quality of the ideas presented by the participants, based in factors like reputation, credibility, namely, in the discussion. However, we are certain, that some vital information, if incomplete, may even so, compromise any suggestion / decision but, in the majority of situations, we believe this will not be the case. As a result of this work, we also present a process model for group decision making where the quality evaluation of information plays a central role. We use an Extended Logic Programming language for the representation and reasoning with imperfect information. We also present an architecture of a Group Decision Support System in the context of VirtualECare project, a system aimed at sustaining online healthcare services. 276 Anexo The decision process model is a staged one, with several interactions, with the progress being controlled by the quality evaluation of the available information. If the quality of information does not reach a previously defined threshold, the system advises to collect more accurate information before progressing. In a future development, the system will be able to make recommendations on how to progress in the decision making, using a Case Based Reasoning (CBR) approach. The case memory will represent past decision making situations, where we can find the most adequate types of information and origin. 277