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."