DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 314

Aluna: Sara Raquel Araújo Leal

Título: “Rastreamento de Crianças com Transtorno do Espectro Autista com Base nas Funções Executivas Utilizando Jogos Sérios e Abordagens de Aprendizado de Máquina"

Orientador: Carlo Marcelo Revoredo da Silva

Coorientador: Diego Marconi Pinheiro Ferreira Silva

Examinadora Externa: Aurelia Lima Costa Ribeiro (PBS)

Examinador Interno: João Fausto Lorenzato de Oliveira

Data-hora: 18 de Fevereiro de 2025, às 17h.
Local: Formato Presencial, Sala de Atos (CSEC) - POLI/UPE (Recife/PE)-.

Resumo:

"Os educadores enfrentam desafios para atender crianças com Transtorno do Espectro Autista (TEA), especialmente aquelas sem um diagnóstico clínico definitivo. As escolas de período integral oferecem um ambiente conveniente para implementar técnicas de triagem de TEA. Crianças diagnosticadas com autismo podem receber intervenções personalizadas, permitindo que os educadores adaptem o ensino às necessidades individuais e promovam a educação inclusiva. No entanto, os métodos de triagem devem se integrar de forma harmoniosa ao ambiente educacional, garantindo que sejam não invasivos e envolventes. Este estudo propõe um aplicativo para tablet baseado em jogos sérios que incorpora requisitos de design inclusivo e utiliza técnicas de Aprendizado de Máquina (ML) para análise de triagem, oferecendo uma ferramenta lúdica para identificação deste transtorno. O aplicativo inclui três jogos clássicos projetados para analisar as Funções Executivas (FE) das crianças. Foram recrutados três professores de educação inclusiva para supervisionar 12 crianças com idades entre 3 e 6 anos, incluindo 6 com TEA e 6 com desenvolvimento típico, e para facilitar o uso do aplicativo. Durante três meses, as crianças completaram 640 partidas de jogos pré-processadas, resultando em um conjunto de dados abrangente. Foram comparadas sete abordagens de ML amplamente conhecidas e utilizadas: Random Forest (RF), Perceptron Multicamadas (MLP), K-Nearest Neighbor (KNN), Regressão Logística (LR), Aprendizado Profundo (DL), Máquina de Vetores de Suporte (SVM) e Naive Bayes (NB). Os resultados demonstraram que o modelo RF obteve o melhor desempenho, com 96\% de precisão. Este estudo destaca a integração de abordagens lúdicas baseadas em jogos sérios e técnicas de ML no ambiente educacional, estabelecendo as bases para futuras pesquisas e aplicações práticas na detecção de possíveis casos de TEA em escolas."