Fatores motivadores para funcionários públicos e privados

Gilberto Corrêa de Souza, Especialista em TW1 gilberto@inf.ufsc.br

Marcelo Buscioli Tenório, Bacharel em CC2

tenório.marcelo@bol.com.br

Silvia Modesto Nassar, Dra silvia@inf.ufsc.br

Curso de Pós-Graduação em Ciência da Computação

Curso de Pós-Graduação em Ciência da Computação

Universidade Federal de Santa Catarina, Brasil Resumo

Quais são os fatores que motivam os funcionários a contribuírem com a qualidade da empresa ?

Com base em uma pesquisa acadêmica realizada por alunos do curso de administração de uma universidade, a pergunta do parágrafo acima será abordada e respondida pelo presente trabalho.

Conceitos de Inteligência Artificial, Sistemas Especialistas, Probabilidade Condicional e em especial Redes Bayesianas foram aplicados para alcançar o objetivo desejado.

Em seguida é dada uma explanação sobre as perguntas realizadas aos funcionários para que o leitor se situe no domínio da aplicação. Através de algumas experiências realizadas foram alcançados resultados satisfatórios demonstrados nos capítulos a seguir, e como ferramenta foi utilizado o software Nética.

1 TW – Tecnologias Web 2 CC – Ciência da Computação

1

1 Introdução

O corrente artigo escrito como conclusão da disciplina Sistemas Especialistas

Probabilísticos do Curso de Pós-Graduação em Ciência da Computação da

Universidade Federal de Santa Catarina, nos traz a utilização de Redes Bayesianas

como identificação de fatores que tem grande contribuição para o bem estar de

funcionários públicos e privados.

Para um melhor entendimento do assunto, são descritas algumas áreas da

Ciência da Computação, Inteligência Artificial, Sistemas Especialistas e por fim

Redes Bayesianas. Incluindo a parte matemática, como a Teoria da Probabilidade

em especial Teorema de Bayes e assim conseguindo o que se pode chamar de uma

parte da Inteligência Computacional.

Os assuntos são explicados no decorrer do artigo para verificar se a

abordagem Redes Bayesianas atende como ferramenta de resposta, indicando

quais fatores são relevantes para os dois tipos de funcionários.

2

2 Inteligência Artificial

Em meados dos anos 50 surgiram os computadores, mas logo de início

causou uma certa rejeição pela população, as pessoas ficaram com receito dos

computadores porque eles começaram a resolver problemas que até então eram

resolvidos pelos homens. Mas para solucionar essa reviravolta causada na

população, os fabricantes começaram a fazer propagandas que mostravam a

incapacidade dos computadores raciocinarem.

Mesmo assim, durante esta época grupos de pesquisadores interessados na

área continuaram suas pesquisas em laboratórios. Pouco a pouco, alguns sucessos

destes grupos preocupados com o que se chama de inteligência artificial (IA)

começaram a ter resultados significativos.

De acordo com Barreto a IA é utilizada para resolução de problemas e que

para tal é necessário conhecimento sobre o problema e técnicas de manipular este

conhecimento para obter a solução.

Existem três divisões da inteligência artificial: IA Simbólica (IAS), IA

Conexionista (IAC), IA Evolucionária (IAE) e pode-se também considerar uma quarta

área que seria a Híbrida (IAH), a junção de duas ou mais áreas.

Neste trabalho será dado um maior enfoque na IAS, de onde surgiram os

Sistemas Especialistas (SE).

2.1 Sistemas especialistas

Os SE são sistemas computacionais que devem apresentar um

comportamento semelhante a um especialista em um determinado domínio.

(BARRETO, 1999)

De um modo geral para construir um SE é necessário:

- De uma fonte do conhecimento: o especialista;

- Conhecimento deve ser obtido do especialista, transformado em forma

conveniente e armazenado no computador;

- Este conhecimento fundamentalmente é de dois tipos: fatos sobre o

problema a resolver e regras que mostram como o especialista raciocina

para chegar a uma conclusão. São as regras de raciocínio;

3

- Freqüentemente é ainda necessário dispor de um mecanismo capaz de

gerar explicações sobre como o especialista chegou a uma determinada

conclusão. Isto é motivado por casos em que o usuário do sistema não

concorda totalmente com a sugestão do sistema especialista: ele quer ver

qual o raciocínio que foi seguido para se convencer que o SE tinha razão.

Figura 01 Blocos de um sistema especialista implementado de modo

simbólico

Motor de inferência

Mecanismo de aprendizado

Interface explicação

Base de conhecimento

Engenheiro de conhecimento

Utilizador

Existem algumas variações de SE, como por exemplos, os SE Difusos onde

são utilizadas as técnicas da lógica nebulosa, e também os SE Probabilísticos

baseados na teoria da probabilidade.

O raciocínio probabilístico é talvez o método mais antigo que trata com

mecanismos de imprecisão ou incerteza. Vale destacar que neste contexto, quando

se fala de probabilidade, não se faz referências a números, e sim, a um tipo de

raciocínio. Por exemplo, quando um médico afirma: “a chance de que um paciente

portador da doença D apresente num futuro próximo o sintoma S é p”, a verdade

desta afirmação não é o valor preciso de p, mas a razão específica para a crença do

médico, o contexto ou a suposição sobre qual a crença deveria estar firmemente

mantida e as fontes da informação, que acarretam mudanças nesta crença.

Para conseguir implementar a afirmação do parágrafo acima, utiliza-se de

relações primitivas da linguagem de probabilidades e sua possibilidade em

manipular relações qualitativas.

4

Seguindo Collazos, as seguintes relações são básicas na linguagem:

- Verossimilhança: “é mais verossímel que um pássaro voe do que um

peixe”. Entretanto existem peixes voadores;

- Condicional: “se um pássaro está doente, ele não pode voar”. Um pássaro

doente e muitas vezes machucado consegue voar para escapar de um

gato faminto;

- Relevância: “no dia 31 de dezembro a noite se vai a alguma manifestação

festiva”. A menos que se esteja numa cidade sozinho, sem conhecer

ninguém;

- Causal: “se alguém está cansado, vai dormir”. A menos que exista uma

motivação importante para estar acordado.

2.1.1 Causal

Causalidade é uma linguagem com a qual uma pessoa pode falar

eficientemente sobre estruturas de relações relevantes, com o objetivo de separar o

relevante do supérfluo. Por exemplo, dizer que o chão úmido foi uma causa direta do

escorregamento e fratura da perna de uma pessoa é um caminho conciso para

identificar que eventos deveriam ser considerados relevantes ao acidente, assim que

a umidade do pavimento seja confirmada. O fato que choveu esse dia e que uma

outra pessoa também escorregou e fraturou sua perna não devem ser considerados

relevantes ao acidente, desde que se estabeleceu a verdade do “chão úmido” e se

identificou como uma causa direta do acidente.

2.1.2 Condicional

Segundo Barreto, a teoria da probabilidade adota a frase epistêmica “... posto

que C é conhecido” como uma primitiva da linguagem. Sintaticamente, isto é

denotado como:

pCAP =)/(

onde A é uma dada proposição.

5

Esta frase combina as noções de conhecimento e crença pela atribuição à A

de um grau de crença p, dado o conhecimento de C. C é chamado também o

contexto da crença em A, e a notação P(A / C) é chamada probabilidade condicional

de Bayes. Thomas Bayes [1702-1761] fez sua principal contribuição à ciência de

probabilidade pela associação da frase “... dado que se conhece C” com a famosa

fórmula:

)()^()/(

CPCAPCAP =

a qual chegou a ser uma definição de probabilidade condicional.

É pela probabilidade de Bayes que a teoria da probabilidade facilita o

raciocínio não monotônico, isto é, o raciocínio probabilístico que envolve reavaliação

de conclusões prévias.

3 Teorema de Bayes

Conforme explicado por Nassar, seja o espaço de probabilidade ),( Pε e os

eventos compostos e, H1, H2, ..., Hk ⊆ ε, desde que nenhum desses eventos tenha

probabilidade nula, então:

Figura 02 Evento e e o conjunto de hipóteses H

)()()./()/(

ePHiPHiePeHiP =

6

Considerando que:

- A probabilidade para todo i; 0)^( ≠eHiP

- Os eventos H1 ∪ H2 ∪ ... ∪ Hk = ε e Hi ∩ Hj = ∅ para todo i ≠ j (isto é, os Hi

formam uma partição do espaço ε)

então:

e = (H1 ∩ e) ∪ (H2 ∩ e) ∪ ... ∪ (Hm ∩ e)

P(e) = P(H1) . P(e / H1) + P(H2) . P(e / H2) + ... + P(Hk) . P(e / Hk)

resultando

∑=

= k

jHjePHjP

HiPHiePeHiP

1)/().(

)()./()/(

Nas aplicações dos SE Probabilísticos os Hi são as hipóteses concorrentes

(saída). O evento e pode ser pensado como uma evidência (entrada). O

conhecimento da ocorrência desta evidência leva a mudanças na probabilidade a

priori P(Hi) para a probabilidade condicional P(Hi / e), que por sua vez considera a

evidência e.

3.1 Redes Bayesianas

As Redes Bayesianas (RB) são esquemas de representação de

conhecimentos, utilizadas para desenvolver a base de conhecimento de um sistema

especialista probabilístico. Elas têm uma parte estrutural refletindo relações causais

entre as entradas e a saída do sistema e valores de probabilidade refletindo a força

da relação. Geralmente, a RB é extraída de um especialista que transfere seus

conhecimentos do domínio de aplicação para o engenheiro de conhecimento do

sistema. (NASSAR, 2002)

Pesquisas vêm sendo realizadas buscando construir RB utilizando algoritmos

capazes de estimar os valores das probabilidades bem como identificar os nós e os

arcos de orientação da rede.

Segundo Gaag (Apud NASSAR, 2002. p 5) as RB são compostas de duas

partes: uma parte qualitativa e a outra quantitativa. A parte qualitativa é um modelo

gráfico, (grafo acíclico direcionado) onde as variáveis são os nós, e as regras que

7

são as relações de dependência entre as variáveis, são os arcos direcionados.

Assim um arco ligando as variáveis A e B, na seguinte forma A→B, indica que a

variável B é a conseqüência e a variável A é a causa, e estas apresentam uma

relação de dependência, resumidas na regra se A então B. Por outro lado, se não

houver um arco ligando duas variáveis então se assume que essas variáveis são

independentes. A parte quantitativa de uma RB é o conjunto de probabilidades

condicionais associadas aos arcos existentes no modelo gráfico da parte qualitativa

e as probabilidades estimadas a priori das hipóteses diagnósticas.

3.1.1 Software Nética

Este software permite a criação de redes de crença de forma fácil e rápida,

permitindo a visualização gráfica. Foi escolhido por ser interessante para demonstrar

e visualizar os resultados da pesquisa, além de ter sido o software utilizado em sala

de aula.

4 A Rede

A abordagem escolhida para o desenvolvimento da rede, foi a coleta de

dados reais de uma pesquisa realizada por alunos do curso de administração de

uma universidade de Florianópolis. A pesquisa teve como público alvo funcionários e

administradores de empresas do setor público e privado.

O foco da pesquisa foi baseado na importância dada pelos funcionários para

se estar motivado a participar da obtenção da qualidade total de sua empresa.

O questionário utilizado na pesquisa foi constituído das seguintes perguntas:

1. Sentir-se por dentro (da empresa) 2. Reconhecimento no trabalho 3. Salários maiores 4. Boas condições de trabalho 5. Trabalho interessante 6. Segurança de trabalho 7. Lealdade da gerência para com os funcionários 8. Promoção pessoal 9. Solidariedade e ajuda aos problemas pessoais 10. Disciplina inteligente 11. Se fosse escolher uma questão, qual você entende que seja mais

importante ?

8

As respostas estão em uma escala que toma como referência um valor que o

entrevistado atribui a cada pergunta, sendo que os valores foram estabelecidos no

intervalo de um a cinco.

Com base nestes dados pode-se então construir uma rede bayesiana que

aponte os fatores que mais influenciam na motivação dos funcionários, referente a

cada tipo de funcionário ou administrador.

A maneira como determinar as probabilidades da rede, remetem a uma nova

forma de construir uma rede bayesiana, pois não foi utilizado o conhecimento de um

conjunto de especialistas, e sim baseado em dados brutos, extraídos de uma

pesquisa, e assim observar a relação das variáveis de uma maneira mais clara do

que apenas por meio de visualização dos dados da pesquisa, ou mesmo pelo

conhecimento de um conjunto de especialistas.

Figura 03 A rede

9

5 Resultados

A apesar do número da amostra não ser muito grande, pode-se visualizar os

resultados com certo grau de satisfação, ou seja, a princípio os resultados poderiam

ser os mesmos com uma amostra maior.

Para se entender melhor o trabalho serão apresentados alguns resultados

que foram obtidos com a utilização da rede.

Instanciando os nós da rede que possuem maior valor pode-se ver que a

maior probabilidade se desloca para funcionário privado, mostrando que para os

funcionários privados os fatores motivadores são sempre mais elevados.

Figura 04 Instanciação dos maiores valores

5.1 Validação da rede

Para validar o resultado que a rede apresentou, é necessária a realização de

alguns cálculos. Será demonstrado matematicamente como a rede bayesiana

10

chegou no resultado apresentado, tendo como entrada o perfil visto na figura 04,

onde foram instanciadas as maiores probabilidades de cada questão.

Primeiramente é necessário calcular a probabilidade posteriori P(H / e),

probabilidade de ser Funcionário Privado (FP) dado as evidências. Para isto, é

utilizado a seguinte equação: , onde α é chamado de

constante de normalização. Substituindo a equação pelos valores, tem-se:

1)/().(.)/(1

== ∏=

HePHPeHPn

iiα

⋅=

3529,03529,04571,03947,0

2941,01176,03714,03947,0

6471,05882,05429,02368,0

4706,03530,06285,05789,0

4706,02353,06000,04737,0

2353,01176,05143,04999,0

4118,01765,06571,05526,0

1765,04706,03429,04737,0

8235,04706,05714,05264,0

5294,01765,03429,04737,0

1590,01590,03270,03550,0

1 α

α = 1 / (1,17184x10-4 + 2,58048x10-4 + 2,61564x10-7 + 1,76327x10-5) = 1 /

3,93126x10-4 = 2.543,7137

logo,

P(FP / e) = 0,327 x 0,3429 x 0,5714 x 0,3429 x 0,6571 x 0,5143 x 0,6000 x 0,6285 x

0,5429 x 0,3714 x 0,4571 x 2543,7137 = 0,6564

O resultado final da equação acima, é igual ao apresentado pela rede no

Nética, sendo asssim está validada a rede.

Outras instanciações apontam resultados interessantes, como mostrados a

seguir. Respondendo a pergunta feita no inicio do artigo, após a realização de

algumas instanciações, chegou-se a resultados finais que identificam os fatores de

maior influência para os funcionários públicos sendo: Boas Condições e Lealdade da

Gerência, figura 05.

Para os funcionários privados, os fatores que se destacaram com uma maior

probabilidade foram os: Boas Condições, Lealdade da Gerência e apareceu também

o fator Segurança, vale ressaltar que este item Segurança é na questão de

efetividade e não de segurança física ou até mesmo policial, figura 06.

11

Figura 05 Instanciação funcionário público

Figura 06 Instanciação funcionário privado

Uma outra observação importante a ressaltar é que como resposta a questão

onze, obteve-se a segunda questão (Reconhecimento) como a de maior importância

para os funcionários.

12

6 Considerações finais

Como considerações finais vale destacar que os objetivos, de estudar a área

de Sistemas Especialistas Probabilísticos, destacando Redes Bayesianas, e com

isso conseguir realizar uma aplicação em cima de dados reais, foram atingidos. E

como conclusão da disciplina o desenvolvimento deste artigo.

A pergunta feita inicialmente no inicio do trabalho foi respondida e

demonstrada no capítulo resultados.

Como sugestão de trabalho futuro propõe-se a criação de um sistema dentro

da empresa (Intranet), onde os funcionários poderão dar suas notas conforme

mostrado neste trabalho, para que com esses dados os chefes e gerentes possam

melhorar o dia a dia de trabalho de seus respectivos subordinados.

13

Referências bibliográficas BARRETO, J. M. Inteligência Artificial. No limiar do século XXI. Abordagem Híbrida simbólica, conexionista e evolutiva. 2. ed. Florianópolis, 1999. 324p. COLLAZOS, K. Sistema Especialista Nebuloso para Diagnóstico Médico. Dissertação de Mestrado, Universidade Federal de Santa Catarina, Engenharia Biomédica, Florianópolis, fevereiro 1997. COLLAZOS, K. S. BARRETO, J. M. & NASSAR, S. M. Fuzzy analogical reasoning for medical diagnosis – paper AFO1206. In 3rd Internet World Congress on Biomedical Sciences, Riken, 10-11 1996, p 6 pages. COLLAZOS, K. S. BARRETO, J. M. & NASSAR, S. M. Raciocínio por analogia fuzzy para diagnóstico médico: taxa de aprendizado por base de dados. In Fórum de Ciências e Tecnologia em Saúde, Campos de Jordão, 13-17/10 1996, p. 623-624. NASSAR, S. M. Tratamento de Incerteza: Sistemas Especialistas Probabilísticos. Curso de Pós-Graduação em Ciência da Computação, Universidade Federal de Santa Catarina, junho a agosto 2002.

14