Divulgação - Defesa Nº 220

Aluno: Eronita Maria Luizines Van Leijden

Título: “Desenvolvimento de uma Linguagem Específica de Domínio para Consumo de Dados Educacionais”.

Orientador: Prof. Alexandre Magno Andrade Maciel
Coorientadora: Andrêza Leite de Alencar

Data-hora: 23/Novembro/2020 (10:00h)
Local: Escola Politécnica de Pernambuco – Formato Remoto (https://meet.google.com/uia-bane-pwg)

Resumo:

“A seleção de dados para realizar projetos em Mineração de Dados Educacionais(EDM) é uma das etapas mais importantes e pode ser a mais complexa e cara de um projeto. Na técnica Model-Driven Development(MDD), encontramos uma alternativa para abstrair a complexidade desta etapa e, consequentemente, uma alternativa para que usuários com pouco conhecimento tecnológico também possam realizar suas análises educacionais. Neste trabalho, propomos uma linguagem de modelagem que irá, com base num metamodelo, compor uma arquitetura de referência para dar suporte ao desenvolvimento desse processo de seleção de dados. Esta linguagem, mais do que permitir construir o processo utilizando notações gráficas, ela foi de desenvolvida para abstrair dificuldades quanto a heterogeneidade de formato dos dados, realizara unificação de conjunto de dados e considerar o uso da catalogação do conhecimento. Visando mostrar a viabilidade da linguagem proposta, um protótipo para editar modelos é desenvolvido como prova de conceito. Além disso, de modo a apresentar evidências que o trabalho proposto avança o estado da arte, são especificados cenários de uso que exploram as principais necessidades para se fazer a seleção de dados e, a partir desses cenários, o trabalho proposto é comparado com os principais trabalhos relacionados. Como resultado das análises comparativas, pode-se constatar que o trabalho proposto tem as seguintes vantagens: metamodelo expressivo e notação gráfica simplificada, eficaz cognitivamente e representativa.”

Divulgação - Defesa Nº 217

Aluno: Renato Barbosa Cirne

Título: “Seleção de características de modelos de processos usando técnicas de Inteligência de Enxames”.

Orientador: Prof.  Fernando Buarque de Lima Neto

Data-hora: 15/Setembro/2020 (10:30h)
Local: Escola Politécnica de Pernambuco – Formato Remoto (CÓDIGO DA SALA CLASSROOM: dhd6il6)

Resumo:

“A modelagem de processos é usada nas organizações para orientar e sintetizar os processos de negócio. Sua validação é importante para garantir a qualidade e compreender quais fatores impactam em não-conformidades do modelo. Neste contexto, Process Mining emergiu como uma nova área de pesquisa científica na interface entre modelos de processos e dados de eventos. Apesar de suas técnicas fornecerem respostas sobre diferentes perspectivas (fluxo de atividades, organização, etc.) dos processos de negócio, é difícil operar um grande conjunto de dados relacionados a algum modelo normativo ou descritivo (compliance). Dentre os fatores relevantes para tal situação, a existência de inúmeras variáveis aplicáveis ao gerenciamento de processos de negócio, o volume de informações e a complexidade dos modelos descobertos são geralmente destacados. Além disso, o uso de técnicas de Inteligência Artificial (IA) que seria um natural candidato de suporte, conforme revisão sistemática, ainda tem sido pouco aplicado na área de compliance. Portanto, esta pesquisa teve por objetivo desenvolver um método de seleção de características na modelagem de processos de negócio usando técnicas de IA. Em nossa proposta aplicamos uma conjunção das técnicas de Process Mining com a técnica de Inteligência de Enxames (IE), Ant Colony Optimization (ACO), para seleção de características e assim contribuir com o problema em lide. A pesquisa seguiu as seguintes etapas: identificação de técnicas de seleção de características mais adequadas ao problema, levantamento de oportunidades do uso de seleção de características em processos de negócio, desenvolvimento de um novo método, execução dos experimentos e avaliação dos resultados. Como objeto de experimento de validação, a contribuição desta pesquisa foi aplicada em um conjunto volumoso de dados relacionados a processos de compras. Com isso, conseguimos selecionar um subconjunto de características relevantes que produziram ganhos de qualidade na descoberta de modelos de gerenciamento de processos. Ademais, a aplicação do método pode facilitar a interpretação pelos usuários com a diminuição de atributos, uma vez que com poucos exemplos de fluxos é possível representar o conteúdo completo do log de evento. Concluímos que a abordagem permite melhor escalar os modelos, reduzindo, portanto, o tempo de processamento na aplicação de outras técnicas, a exemplo da avaliação de conformidade dos processos de negócio.”

Divulgação - Defesa Nº 219

Aluno: Pedro Henrique Ramos Macêdo

Título: “Desenvolvimento de um Modelo de Análise de Perfis de Engajamento de Estudantes de Ensino A Distância”.

Orientador: Prof. Alexandre Magno Andrade Maciel

Coorientador: Prof. Wylliams Barbosa Santos

Data-hora: 14/Outubro/2020 (14:00h)
Local: Escola Politécnica de Pernambuco – Formato Remoto (https://meet.google.com/qnc-iikg-rtc)

Resumo:

“O uso de ambientes virtuais de aprendizagem permitem mais interação no ensino a distância mas ao mesmo tempo traz consigo o distanciamento do aluno e do professor. Os métodos para identificar comportamentos aplicados na aprendizagem presencial enfrentam limitações no ensino à distância, fazendo com que os professores tenham dificuldade em identificar seu aluno. Esse trabalho tem como objetivo detectar os perfis de engajamento dos estudantes de ensino a distância utilizando técnicas de mineração de dados. Através de uma revisão sistemática da literatura, foram encontrados quais as principais variáveis utilizadas para identificar o engajamento do estudante nos ambientes virtuais de aprendizagem. O experimento seguiu as etapas do CRISP-DM e utilizou 3 algoritmos de agrupamento para identificar os perfis a partir das variáveis encontradas pela revisão sistemática da literatura. Os perfis encontrados possuem uma fraca relação entre eles, porém, é possível detectar os traços comportamentais dos estudantes nas plataformas de ensino a distância, sendo possível identificar os principais perfis de engajamento.”