Divulgação - Defesa Nº 270

Aluno: Anderson Alves de Souza

Título: “Avaliação da influência de um assistente virtual no perfil de engajamento de estudantes em ambientes EAD”

Orientador: Alexandre Magno Andrade Maciel

Coorientador: Pedro Henrique de Barros Falcão

Examinador Externo: Ariane Nunes Rodrigues (UPE)

Examinador Interno: Cleyton Mario de Oliveira Rodrigues (PPGEC)

Data-hora: 28 de Junho de 2023, às 14:30h.
Local: Formato Online - Google Meet (https://meet.google.com/vbc-juqt-pdd)

Resumo:

         "Com o rápido avanço da tecnologia e o crescimento da educação a distância (EAD), surge a necessidade de explorar e compreender como os assistentes virtuais podem impactar o engajamento dos estudantes nesse ambiente. Este estudo teve como objetivo avaliar a influência de um assistente virtual no perfil de engajamento de estudantes em um curso online. Para alcançar esse objetivo, um experimento foi conduzido com um grupo de 40 estudantes onde o curso foi realizado no Moodle em rede local. Os alunos iniciaram o curso sem o Avatar Educação e depois o Avatar Educação foi inserido no ambiente. A avaliação do engajamento dos estudantes foi realizada por meio de indicadores como o número de acessos ao fórum, Número de mensagens postadas no fórum pelo estudante, Número de atividades completas no prazo correto, Número de acessos ao AVA e Notas finais. Além disso, foram aplicados questionários para coletar percepções subjetivas dos estudantes sobre a influência do Avatar Educação no perfil de engajamento dos alunos. Os resultados mostraram que quando o Avatar Educação foi inserido no Moodle,os alunos apresentaram um maior nível de comprometimento. Para realizar o agrupamento dos alunos, foi utilizado o K-means, Os estudantes que utilizaram o Avatar Educação relataram uma maior sensação de apoio e orientação durante o curso, o que contribuiu para sua motivação e comprometimento com as atividades. Esses achados sugerem que a presença de um Avatar Educação pode influenciar no perfil de engajamento dos estudantes em ambientes de EAD. Os resultados deste estudo fornecem insights valiosos para instituições educacionais e desenvolvedores de plataformas de EAD, indicando que a incorporação de assistentes virtuais."

Divulgação - Defesa Nº 269

Aluno: Messias Rafael Batista

Título: “Otimização de Hiperparâmetros com PSO para Modelos de Machine Learning na Previsão da Performance de Estudantes em Concursos Educacionais”

Orientadora: Roberta Andrade de Araújo Fagundes (PPGEC)

Examinador Externo: José Adson Oliveira Guedes da Cunha (UFPB)

Examinador Interno: Carlo Marcelo Revoredo (PPGEC)

Data-hora: 28 de Abril de 2023, às 14:30h.
Local: Formato Presencial - Mini-Auditorio do PPGEC

Resumo:

         A capacidade dos estudantes de aumentar sua performance em concursos propostos é um fator crítico para o desenvolvimento educacional das nações. O tema da performance dos estudantes é recorrente no campo de estudos da regressão, que utiliza o machine learning como ferramenta para compreender quais atributos podem influenciar com maior grau a performance dos estudantes em avaliações. Neste contexto, este trabalho visa contribuir para a proposta de um modelo de machine learning que possa ampliar a capacidade preditiva das instituições educacionais em relação ao desempenho dos estudantes em concursos educacionais internacionais. O objetivo central deste estudo é comparar a performance entre diferentes modelos de machine learning na resolução do problema de previsão da performance de estudantes em concursos educacionais internacionais, utilizando a base de dados do PISA 2018. Além disso, será realizada uma revisão sistemática da literatura para evidenciar a contribuição científica da área. Como contribuição para o campo de pesquisa, este trabalho propõe a aplicação da otimização de hiperparâmetros com algoritmos baseados em enxames, especificamente o Particle Swarm Optimization. Espera-se que os resultados deste estudo possam contribuir para o desenvolvimento de estratégias mais eficazes de intervenção educacional e, assim, melhorar a performance dos estudantes em concursos educacionais internacionais. Além disso, espera-se que a aplicação da otimização de hiperparâmetros com algoritmos baseados em enxames possa levar a melhorias significativas na precisão das previsões em relação a outras técnicas de otimização de hiperparâmetros utilizadas na literatura.

Divulgação - Defesa Nº 268

Aluno: Marie Chantelle Cruz Medina

Título: “A Local Learning Approach for Sequential Hybrid Systems in Time Series Forecasting”

Orientador: João Fausto Lorenzato de Oliveira - (PPGEC)

Examinador Externo: Teresa Bernarda Ludermir - (UFPE)

Examinador Interno: Bruno José Torres Fernandes - (PPGEC)

Data-hora: 10 de Abril de 2023, às 10:30h.
Local: REMOTO (https://meet.google.com/aar-ajbj-ofx)

Resumo:

         A aplicação de sistemas híbridos para previsão de séries temporais tem sido amplamente explorada na literatura, uma vez que oferecem melhorias significativas em desempenho e robustez em relação a modelos individuais. Um caso relevante desses sistemas é o modelo híbrido sequencial de Zhang (2003), que tem recebido diversas modificações até hoje com o objetivo de alcançar a melhor versão possível. Neste estudo, foi desenvolvida uma abordagem de seleção dinâmica baseada nos princípios de Zhang para reduzir o risco de selecionar um modelo inadequado, reduzir a variância do modelo e permitir uma melhor adaptação aos padrões exclusivos de cada série temporal. Isso foi alcançado primeiro calculando a previsão linear da série temporal e a previsão não linear de seu resíduo; logo criando de uma região de competência em torno de cada ponto de consulta a ser previsto usando os K-vizinhos mais próximos; e, finalmente, aplicando aprendizado local para combinar as previsões linear e não linear com um modelo de Regressão Kernel Ridge selecionado dinamicamente. Para testar o desempenho do modelo proposto, foram conduzidos experimentos com sete outros modelos da literatura e dez conjuntos de dados relevantes para obter medidas objetivas de desempenho e determinar o melhor. Técnicas como separação de dados de teste, normalização e ajuste de parâmetros foram implementadas para garantir a melhor combinação possível de elementos presentes, uma vez que o reconhecimento de padrões depende muito disso. Os resultados obtidos colocaram o modelo proposto como o melhor com uma classificação média de 1,50 e os menores valores de MSE em nove dos dez conjuntos de dados utilizados. Para os conjuntos de dados de Pollution, Gas, Lake Erie, Electricity, Pigs, Red Wine, Car Sales, Sunspot, Traffic e Nordic, foram obtidos valores de erro de 8,00E-05, 1,26E-04, 1,05E-03, 4,25E-04, 8,41E-03, 2,78E-04, 4,00E-04, 3,99E-03, 2,59E-04 e 1,68E-04; respectivamente. Essas medidas de erro representam um ganho de desempenho de 26,23$\%$ a 99,59$\%$ em relação a ARIMA e de 6,99$\%$ a 99,72$\%$ em relação aos outros modelos testados, com exceção de um único banco de dados em que outro modelo obteve o melhor desempenho. Para respaldar a ideia de que o modelo proposto foi o melhor em desempenho em relação a todos os outros testados, foi executado um teste de Friedman-Nemenyi, que confirmou com 95$\%$ de confiança que o desempenho do modelo proposto foi o melhor. Os resultados obtidos em todos os testes permitem concluir que as etapas sugeridas em todas as fases deste estudo representam uma contribuição na área de sistemas de previsão sequencial de séries temporais híbridas e que o desempenho obtido é relevante no estado da arte.