Eventos
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 351
Aluno: José Ferreira dos Santos Júnior
Título: “OntoMPO: Do Modelo Conceitual à Ontologia do MPO"
Orientador: Ivaldir Honório de Farias Junior
Coorientador: Cleyton Mário de Oliveira Rodrigues
Examinador Externo: Hermano Perrelli de Moura (UFPE)
Examinador Interno: Carlo Marcelo Revoredo da Silva
Data-hora: 01 de Agosto de 2025 às 9h
Local: Formato presencial
Resumo:
"Esta dissertação apresenta a OntoMPO, uma ontologia de domínio desenvolvida com o objetivo de formalizar o Modelo para Observatórios de Projetos (MPO) [1], originalmente proposto como um modelo conceitual para apoiar a análise e o desenvolvimento de observatórios de projetos. Apesar de sua relevância, o MPO é descrito em linguagem natural, o que limita sua precisão semântica, dificulta a interoperabilidade e restringe sua aplicação em contextos computacionais. Para superar essas limitações, esta pesquisa propõe a construção de uma ontologia que explicita, de forma sistemática, os conceitos, relações, atributos e restrições semânticas do modelo. O desenvolvimento da ontologia segue a metodologia Methontology [2], contemplando as etapas de especificação, conceitualização, formalização, integração, implementação e avaliação. A modelagem ontológica é fundamentada em OntoUML [3], garantindo rigor semântico, e sua implementação é realizada na linguagem OWL. A avaliação da ontologia envolve validação conceitual e verificação lógica, com base em questões de competência, assegurando sua consistência interna e aderência ao modelo original. Como resultado, a OntoMPO estabelece uma base semântica coerente e formalmente definida, contribuindo para a redução de ambiguidades, padronização conceitual e apoio a futuras aplicações no domínio de observatórios de projetos."
DEFESA DE TESE DE DOUTORADO Nº 40
Aluno: Flávio Secco Fonseca
Título: “Estratégias Computacionais Baseadas em Inteligência Artificial para Apoio ao Diagnóstico do Transtorno do Espectro Autista com EEG de Baixa Densidade"
Orientador: Wellington Pinheiro dos Santos
Coorientadora: Cristine Martins Gomes de Gusmão (UFPE)
Examinador Externo: Allan Kardec Duailibe Barros Filho (UFMA)
Examinador Externo: Roberto José Bittencourt (UCB)
Examinadora Externa: Maíra Araújo de Santana (UFPE)
Examinador Interno: Carlo Marcelo Revoredo da Silva
Data-hora: 22 de abril de 2026 às 14h
Local: formato híbrida - Sala CSEC
Resumo:
" O Transtorno do Espectro Autista (TEA) é uma condição do neurodesenvolvimento caracterizada por alterações na comunicação social e por padrões restritos e repetitivos de comportamento. O diagnóstico permanece predominantemente clínico, baseado em avaliações comportamentais e escalas padronizadas, o que pode introduzir subjetividade e atrasos na identificação precoce. Nesse contexto, sinais de eletroencefalografia (EEG) têm sido investigados como potenciais biomarcadores objetivos capazes de auxiliar no processo diagnóstico por meio de técnicas de Inteligência Artificial. Esta tese propõe e avalia uma arquitetura comparativa para apoio ao diagnóstico do TEA baseada na modelagem computacional de sinais de EEG, explorando cinco estratégias distintas de representação do sinal: atributos explícitos, representações wavelet, imagens estruturais ASTERI, DWNN e de mapeamento cerebrais. Os experimentos foram conduzidos em uma base de dados adulta da Universidade de Sheffield e uma base infantil do Mendeley, permitindo analisar o impacto da variabilidade etária e neurofisiológica sobre o desempenho dos modelos. A metodologia adotada incluiu pré-processamento padronizado dos sinais, segmentação temporal, organização dos dados e separação por indivíduo entre os conjuntos de treinamento e teste, mitigando vazamento de dados. Foram avaliados classificadores estatísticos clássicos, árvores de decisão, florestas aleatórias e Máquinas de Vetor de Suporte, além de estratégias híbridas integrando arquiteturas profundas. Os resultados demonstraram que a representação do sinal exerce impacto direto no desempenho classificatório. Na abordagem baseada em topomapas, o modelo SVM com kernel polinomial de grau 2 atingiu 97,04% de acurácia na etapa de treinamento da base Sheffield, com índice Kappa de 0,94, mantendo desempenho consistente no conjunto de teste independente. Já a abordagem baseada em DWNN apresentou os resultados mais robustos, alcançando 97,4% de acurácia e Kappa de 0,948 na base Mendeley, com elevada estabilidade entre treinamento e teste. Em cenários com seleção de atributos, foram observadas acurácias superiores a 98%, evidenciando alto poder discriminativo de subconjuntos compactos de características. De forma consolidada, os resultados evidenciam que a representação do sinal é determinante para o desempenho dos classificadores, sendo possível alcançar elevados níveis de acurácia quando há alinhamento entre modelagem e técnica de aprendizado. Observou-se que métodos clássicos combinados com seleção de atributos podem atingir desempenho comparável a arquiteturas mais complexas. Conclui-se que modelos de aprendizado de máquina aplicados a sinais de EEG apresentam potencial como ferramenta complementar no apoio ao diagnóstico do TEA, contribuindo para maior objetividade diagnóstica. "
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 350
Aluno: Tiago Medeiros Guedes
Título: “Um Modelo para Identificação de Estilos de Aprendizagem em Estudantes de Engenharia Usando Processamento de Linguagem Natural e Aprendizado de Máquina"
Orientador: Cleyton Mário de Oliveira Rodrigues
Examinador Externo: Rodrigo Gusmão de Carvalho Rocha (UFAPE)
Examinador Interno: Jackson Raniel Florencio da Silva
Data-hora: 15 de abril de 2026 às 14h
Local: Formato remoto - Google meet
Resumo:
"Os estudantes apresentam diferentes Estilos de Aprendizagem (EA), o que torna a identificação individual desses perfis um desafio relevante para a personalização do ensino. Métodos pedagógicos generalistas tendem a desconsiderar tais diferenças, podendo comprometer a efetividade do processo educacional. No contexto das Engenharias, observa-se ainda uma escassez de estudos voltados à identificação automatizada dos EA, especialmente por meio de técnicas computacionais aplicadas a dados textuais. Este estudo propõe um modelo para identificação dos EA de estudantes de engenharia utilizando técnicas de Processamento de Linguagem Natural (PLN) e Aprendizagem de Máquina baseado no Modelo de Estilo de Aprendizagem proposto por Felder e Silverman (1988). A metodologia adotada segue uma abordagem experimental, quantitativa e qualitativa, envolvendo pré-processamento linguístico, rotulagem fraca baseada em léxicos e modelagem com diferentes arquiteturas: TF-IDF, Word2Vec e Transformers (BERT). Os resultados revelam que a classificação automática de estilos de aprendizagem (PLN + AM) é viável e apresenta alta precisão. Entre os modelos avaliados (TF-IDF, Word2Vec e Transformers), a arquitetura BERT apresentou o desempenho superior em todas as dimensões do modelo de Felder e Silverman (1988), alcançando um F1-score máximo de 0,9478 e uma robustez discriminativa superior confirmada pelas curvas ROC (AUC). O uso de representações contextuais profundas superou consistentemente abordagens tradicionais, especialmente em dimensões de maior complexidade semântica. A validade estatística dos resultados foi reforçada pelo teste de Friedman (p-value: 0,0165 na dimensão Ativo/Reflexivo), enquanto as matrizes de confusão ratificaram a eficácia do modelo em distinguir traços cognitivos latentes a partir de dados textuais, consolidando o BERT como a ferramenta mais robusta para a personalização de ecossistemas educacionais. Esses achados demonstram o potencial das técnicas de PLN para apoiar a identificação automatizada de estilos de aprendizagem e contribuir para estratégias educacionais mais personalizadas no ensino de engenharia."
O Programa
