Modelos de aprendizagem de máquinas e teoria de grafos em dados de Espectroscopia Funcional no Infravermelho Próximo aplicados a educação de STEM

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Oku, Amanda Yumi Ambriola
Orientador(a): Sato, João Ricardo
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal do ABC
Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia da Informação
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Link de acesso: http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=126425&midiaext=81202
Resumo: Coordenação de Aperfeiçoamento de Pessoal de Nivel Superior
id UFBC_dcc2d0073590946d96198df9b9469f09
oai_identifier_str oai:BDTD:126425
network_acronym_str UFBC
network_name_str Repositório Institucional da UFABC
repository_id_str
spelling info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisModelos de aprendizagem de máquinas e teoria de grafos em dados de Espectroscopia Funcional no Infravermelho Próximo aplicados a educação de STEM2023-05-22Sato, João RicardoOku, Amanda Yumi AmbriolaUniversidade Federal do ABCPrograma de Pós-Graduação em Engenharia da InformaçãoUFABCporRESSONÂNCIA MAGNÉTICA FUNCIONALCOGNIÇÃOATENÇÃOAPRENDIZADO COMPUTACIONALSTEMPENSAMENTO COMPUTACIONALFUNCTIONAL NEAR-INFRARED SPECTROSCOPYCOGNITIONATTENTIONMACHINE LEARNINGCOMPUTATIONAL THINKINGPROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DA INFORMAÇÃO - UFABCCoordenação de Aperfeiçoamento de Pessoal de Nivel SuperiorFundação de Amparo a Pesquisa do Estado de São PauloEste trabalho apresenta o uso da técnica de espectroscopia funcional no infravermelho próximo (fNIRS) para pesquisa educacional. A técnica de fNIRS permite o estudo de aspectos cognitivos envolvidos na aprendizagem e a identificação de padrões na atividade cerebral. O estudo propõe novos métodos para analisar dados do ensino de STEM (Ciência, Tecnologia, Engenharias e Matemática) em diferentes estágios da educação: educação infantil, ensino básico e educação superior. Para isso, foram utilizados métodos de aprendizado de máquinas para prever o desempenho dos alunos de ensino superior em aula virtual e medidas de teoria dos grafos para estudar as interações entre professor-aluno de educação básica e infantil. O objetivo foi detectar níveis de engajamento de alunos em tarefas, bem como distinguir métodos de ensino expositivo e interativo na interação de alunos-professor. No estudo com alunos de ensino superior, foi possível implementar modelos de classificação de Floresta Aleatória e Regressão Logística para identificação de acerto e erro de exercícios de uma video-aula teórica. Os modelos apresentaram desempenho de respectivamente 0,67 e 0,65 na curva ROC. Os estudos referentes a conexões entre professor e aluno permitiram validar um novo método de co-ativação cerebral sob a perspectiva de medidas de teoria de grafos como modularidade e centralidade. Dentre os principais resultados de ambos estudos, indica-se que a medida de modularidade apresenta informações relevantes a respeito da existência de co-ativação entre duplas. Durante os modelos de aulas interativas as principais conexões entre professor-aluno, tanto no experimento com crianças em idade pré-escolar como com crianças do ensino básico foi possível identificar que as conexões se dão de forma cruzada entre as regiões do córtex pré-frontal do professor com a junção temporo-parietal do aluno (validados sob teste de hipótese por reamostragem com p = 0, 05). No estudo com alunos do ensino básico foram comparados os níveis de interação das duplas entre trechos de aula expositiva com interativa. Foram identificadas diferenças nas regiões cerebrais envolvidas, com maior número de conexões nos trechos interativos. As duplas com maior interação indicaram maior quantidade e intensidade de conexões. Esses resultados permitem afirmar a necessidade de metodologias mais ativas para aprendizagem e avaliar a importância da interação professor e aluno.http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=126425&midiaext=81202application/pdfreponame:Repositório Institucional da UFABCinstname:Universidade Federal do ABC (UFABC)instacron:UFABCinfo:eu-repo/semantics/openAccess2026-01-15T22:06:40Zoai:BDTD:126425Repositório InstitucionalPUBhttp://www.biblioteca.ufabc.edu.br/oai/oai.phpopendoar:2024-02-23T15:41:14Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC)false
dc.title.pt.fl_str_mv Modelos de aprendizagem de máquinas e teoria de grafos em dados de Espectroscopia Funcional no Infravermelho Próximo aplicados a educação de STEM
title Modelos de aprendizagem de máquinas e teoria de grafos em dados de Espectroscopia Funcional no Infravermelho Próximo aplicados a educação de STEM
spellingShingle Modelos de aprendizagem de máquinas e teoria de grafos em dados de Espectroscopia Funcional no Infravermelho Próximo aplicados a educação de STEM
Oku, Amanda Yumi Ambriola
title_short Modelos de aprendizagem de máquinas e teoria de grafos em dados de Espectroscopia Funcional no Infravermelho Próximo aplicados a educação de STEM
title_full Modelos de aprendizagem de máquinas e teoria de grafos em dados de Espectroscopia Funcional no Infravermelho Próximo aplicados a educação de STEM
title_fullStr Modelos de aprendizagem de máquinas e teoria de grafos em dados de Espectroscopia Funcional no Infravermelho Próximo aplicados a educação de STEM
title_full_unstemmed Modelos de aprendizagem de máquinas e teoria de grafos em dados de Espectroscopia Funcional no Infravermelho Próximo aplicados a educação de STEM
title_sort Modelos de aprendizagem de máquinas e teoria de grafos em dados de Espectroscopia Funcional no Infravermelho Próximo aplicados a educação de STEM
author Oku, Amanda Yumi Ambriola
author_facet Oku, Amanda Yumi Ambriola
author_role author
dc.contributor.advisor1.fl_str_mv Sato, João Ricardo
dc.contributor.author.fl_str_mv Oku, Amanda Yumi Ambriola
contributor_str_mv Sato, João Ricardo
description Coordenação de Aperfeiçoamento de Pessoal de Nivel Superior
publishDate 2023
dc.date.issued.fl_str_mv 2023-05-22
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=126425&midiaext=81202
url http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=126425&midiaext=81202
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal do ABC
dc.publisher.program.fl_str_mv Programa de Pós-Graduação em Engenharia da Informação
dc.publisher.initials.fl_str_mv UFABC
publisher.none.fl_str_mv Universidade Federal do ABC
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFABC
instname:Universidade Federal do ABC (UFABC)
instacron:UFABC
instname_str Universidade Federal do ABC (UFABC)
instacron_str UFABC
institution UFABC
reponame_str Repositório Institucional da UFABC
collection Repositório Institucional da UFABC
repository.name.fl_str_mv Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC)
repository.mail.fl_str_mv
_version_ 1854475890981863424

Registros relacionados