Um arcabouço para a coleta de métricas de desempenho para a avaliação da qualidade de experiência em ambientes imersivos virtuais e conectados.

• Ano de defesa: 2025
• Autor(a) principal: LUCENA, Alisson Alves de.
• Orientador(a): SANTOS, Danilo Freire de Souza.
• Banca de defesa: GORGÔNIO, Kyller Costa., ALBUQUERQUE, Danyllo Wagner.
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Campina Grande
• Programa de Pós-Graduação: PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO
• Departamento: Centro de Engenharia Elétrica e Informática - CEEI
• País: Brasil
• Palavras-chave em Português: Aprendizado de máquina Random Forest (RF); Qualidade de experiência; Arcabouço; Realidade virtual; Métricas; Ambientes imersivos virtuais; Random Forest (RF) machine learning; Framework; Virtual reality; Metrics; Virtual immersive environments; Quality of experience
• Área do conhecimento CNPq: Ciência da Computação.
• Link de acesso: https://dspace.sti.ufcg.edu.br/handle/riufcg/43607

Este estudo busca contribuir com a crescente demanda por métodos generalizáveis que sejam eficazes para quantificar a qualidade de experiência (QoE). O diferencial desta pro posta está em integrar parâmetros técnicos de rede e de aplicação com a experiência vivenci ada pelos usuários, envolvendo fatores objetivos e subjetivos, tendo como principal objetivo investigar, projetar e desenvolver um arcabouço que seja capaz de correlacionar essas duas dimensões da experiência, unindo requisitos próprios de aplicações em ambientes imersivos virtuais e conectados, com a realização de experimentos utilizando o algoritmo de aprendi zado de máquina Random Forest (RF). De característica quantitativa e exploratória, o estudo desenvolvido possui uma abordagem metodológica que envolve a coleta de parâmetros téc nicos através da condução de experimentos controlados com usuários, além da utilização de análises estatísticas e de técnicas de aprendizado de máquina para o desenvolvimento de um modelo de inferência de qualidade de experiência. Como procedimentos, a pesquisa inclui a coleta e pré-processamento dos dados, além do treinamento, validação e teste do modelo desenvolvido, avaliando, ao final do estudo, o seu desempenho. Os resultados obtidos pelos indicadores apontam uma alta eficiência no desempenho do modelo em realizar previsões de qualidades de experiência, tendo apresentado uma taxa de 74,07% de acurácia (o que representa uma taxa de acerto de cerca de 3 a cada 4 previsões), e de 76,12% de precisão (indicando que os valores preditos pelo modelo estão corretos em cerca de 75% das vezes). Oestudo destaca a importância de parâmetros técnicos específicos na determinação da QoE, contribuindo para avanços na área de avaliação da qualidade de experiência em ambientes virtuais imersivos e conectados. Como conclusão, o arcabouço demonstra que modelos de aprendizado de máquina para coleta de parâmetros técnicos são fortes aliados para analisar a qualidade de experiência, possibilitando a implementação de monitoramento em tempo real, além de fornecer percepções relevantes para futuras pesquisas.