TEMAS DE PESQUISAS - 2024.1

TEMAS DE PESQUISAS - 2024.1 (2).pdf
Documento PDF (234.9KB)

Edital 01/2024-PPGI/CPG-PROPEP/UFAL
Abertura de processo seletivo para o curso de Mestrado em Informática –
primeiro semestre de 2024

TEMAS DE PESQUISA - Resumos e referencial bibliográfico
1 - A Inteligência Aumentada para Apoiar as Atividades de Instrutores de
Cursos nas Modalidades Online e Híbrida (Prof. Dr. Ranilson Oscar Araújo
Paiva)
Resumo:
Vivemos uma mudança no paradigma educacional onde se busca prover educação
de qualquer lugar, a qualquer momento e para qualquer pessoa, utilizando
tecnologias digitais da informação e comunicação [1].
Há interesse global no ensino híbrido e no ensino à distância, mas não há um
aumento equivalente de suporte aos instrutores (professores, tutores e monitores)
responsáveis por manter tais cursos [2]. Essa deficiência acentua os problemas e
desafios existentes na oferta e gestão desses cursos, pois com o tempo a demanda
aumenta, requerendo a criação de novos cursos e turmas, incrementando a
quantidade de estudantes sendo sub-servidos em termos de apoio pedagógico de
qualidade. Isso é evidenciado pelo grande número de desistências e falhas [3] em
tais cursos, que os estudantes justificam como falta de suporte dos instrutores [4].
As interações em nas referidas modalidades de curso podem gerar grande
quantidade e diversidade de dados de onde é possível extrair informações
relevantes no contexto pedagógico [5]. Entretanto, esses instrutores, comumente,
não dominam a tecnologia necessária para utilizar extrair o máximo desses dados,
além de ser preciso tempo, recursos financeiros e esforços coordenados (políticas
públicas, por exemplo) para que esses instrutores sejam capacitados [6] [7].
Com base nisso, esta chamada tem como princípio a cooperação entre a
inteligência humana e a inteligência artificial (inteligência aumentada [8]), com o
objetivo de auxiliar e aumentar o protagonismo da inteligência humana, e se
fundamenta em técnicas como a modelagem e representação do conhecimento, a
análise da aprendizagem, a mineração de dados educacionais, a visualização de

dados, a tomada de decisões informada por dados, os sistemas de recomendação
pedagógicas e os sistemas de autoria [9] [10].
Esta chamada busca propostas de uso complementar (inteligência aumentada) das
inteligências humana (IH) e artificial (IA), para auxiliar instrutores (professores,
tutores ou monitores) de cursos nas modalidades online ou híbrida. As propostas
devem possibilitar (1) a descoberta e representação computacional de situações de
interesse pedagógico ocorrendo nesses cursos; (2) a compreensão das causas e
consequências dessas situações; (3) a tomada de decisões informada e; (4) o
monitoramento e avaliação do impacto das decisões tomadas.

Referencial Bibliográfico:
[1] Ig Ibert Bittencourt, Evandro Costa, Marlos Silva, and Elvys Soares. A
computational model for developing semantic web-based educational systems.
Knowledge-Based Systems, 22(4):302–315, 2009.
[2] Theodore J Kopcha. Teachers’ perceptions of the barriers to technology
integration and practices with technology under situated professional development.
Computers & Education, 59(4):1109–1121, 2012.
[3] Tharindu R Liyanagunawardena, Pat Parslow, and Shirley Williams. Dropout:
Mooc participants’ perspective. 2014.
[4] Daniel FO Onah, Jane Sinclair, and Russell Boyatt. Dropout rates of massive
open online courses: behavioural patterns. EDULEARN14 Proceedings, pages
5825–5834, 2014.
[5] Cristóbal Romero and Sebastián Ventura. Educational data science in massive
open online courses. Wiley Interdisciplinary Reviews: Data Mining and Knowledge
Discovery, 2016.
[6] KATEMBA, Caroline V. Teachers' Perceptions in Implementing Technologies in
Language Teaching and Learning. Acuity: Journal of English Language Pedagogy,
Literature and Culture, v. 5, n. 2, p. 123-136, 2020.
[7] GHAVIFEKR, Simin et al. Teaching and Learning with ICT Tools: Issues and
Challenges from Teachers' Perceptions. Malaysian Online Journal of Educational
Technology, v. 4, n. 2, p. 38-57, 2016.
[8] Toivonen, T, Jormanainen, I, Tukiainen, M (2019) Augmented intelligence in
educational data mining. Smart Learning Environment, 6(10).
[9] PAIVA, Ranilson et al. What do students do on-line? Modeling students'
interactions to improve their learning experience. Computers in Human Behavior, v.
64, p. 769-781, 2016.

[10] PAIVA, Ranilson; BITTENCOURT, Ig Ibert. Helping teachers help their students:
A human-ai hybrid approach. In: International conference on artificial intelligence in
education. Cham: Springer International Publishing, 2020. p. 448-459.

2 - Amplificando professores com inteligência artificial desconectada e
inteligência aumentada (Prof. Dr. Diego Dermeval Medeiros da Cunha Matos e
Prof. Dr. Luiz Antonio Lima Rodrigues)
Resumo:
Os desafios na educação no sul global incluem um alto número de pessoas não
alfabetizadas, um alto número de estudantes ainda no ensino fundamental, um alto
número de adolescentes e jovens fora do ensino médio, uma grande diferença de
gênero, e assim por diante (Carney, 2022). A “divisão digital” é um dos desafios que
está aprofundando ainda mais a desigualdade entre o sul e o norte do mundo.
De fato, apesar das inovações tecnológicas transformarem diferentes setores da
economia, promovendo mais desenvolvimento e incorporando valor na cadeia
mundial, elas também podem promover impactos negativos na promoção de
oportunidades de aprendizagem, em particular para os países emergentes, os quais
são a grande maioria do sul global (Vinuesa et al., 2020).
As tecnologias digitais ajudaram a humanidade a responder rapidamente à
pandemia da Covid-19 e proporcionam aprendizado remoto a bilhões de estudantes
no mundo inteiro (Reimers, 2021). Durante vários meses, 1,7 bilhões de estudantes
não tiveram acesso à educação, e as tecnologias digitais foram usadas como a
principal estratégia em todos os países, mesmo no sul global. Além disso, há
estudos e relatórios recentes discutindo e apresentando os benefícios da
inteligência artificial para promover a educação no sul global (Miao, 2022; Holmes et
al., 2021; Schiff, 202; Madaio et al., 2020).
A comunidade científica e indústria na área de inteligência artificial na educação têm
produzido grande parte do conhecimento científico e tecnologias educacionais para
fornecer instrução individualizada para os estudantes. No entanto, devido à elevada
desigualdade no acesso às condições para utilização destas tecnologias, grande
parte dos estudantes e professores dos países do sul do mundo não conseguem se
beneficiar das mesmas.
Nesse sentido, surge a necessidade e oportunidade de conduzir pesquisa científica
para o desenvolvimento de aplicações de inteligência artificial que utilizem
dispositivos de baixo custo, baixa conectividade e capacidade de captura de dados
e feedback de forma online/offline, além de possibilidade de oferecer interação
online/offline entre os estudantes e professores. Estas são características
presentes, por exemplo, no conceito de Learning Analytics desconectada proposto
por Freitas et al. (2022) e na proposta de Patel et al. (2022).
Em geral, os professores já não costumam ser considerados protagonistas no
projeto e no acompanhamento da interação e aprendizagem de alunos que utilizam

aplicações da IA na educação, como é o caso dos sistemas tutores inteligentes
(STIs). No entanto, já existem iniciativas que buscam envolver professores na
concepção e uso destes sistemas ao longo do clico de vida do STIs (Dermeval e
Bittencourt, 2020; Tenório et al., 2022). Os professores teriam, assim, a
oportunidade de participar mais ativamente, seja utilizando apenas técnicas de IA,
por exemplo, nos casos que envolvam atividades repetitivas e padronizadas (ex.:
avaliação e feedback), ou utilizando suas capacidades mais intuitivas e humanas de
forma complementar ao uso da IA, por exemplo, nas etapas que envolvem uma
desenho curricular mais apropriado, modificando o design das aplicações de IA
(Dermeval et al., 2018) ou recomendando alguma ação para um ou mais alunos a
partir de determinada condição percebida (ex.: em um possível cenário de evasão
motivado por questões sociais dos alunos detectado pelo professor).
No entanto, a utilização da inteligência artificial aplicada à educação considerando o
contexto do “digital divide” ainda é inexplorado. Nesse sentido, este tema
recepciona projetos que busquem amplificar/aumentar as capacidades humanas
dos professores e estudantes no contexto de sistemas educacionais inteligentes
numa perspectiva de inteligência artificial desconectada e inteligência aumentada
(Wilson, Daugherty & Morini-Bianzino; 2018) com vistas a promover o aumento de
oportunidades de aprendizagem e a qualidade da educação no Brasil e no sul do
mundo. Também há interesse por projetos que busquem investigar o uso da
inteligência artificial desconectada como habilitador de transformação digital na
educação e seus impactos na implementação de políticas públicas educacionais.
Referencial Bibliográfico:
Dermeval, Diego et al. Authoring tools for designing intelligent tutoring systems: a
systematic review of the literature. International Journal of Artificial Intelligence in
Education, v. 28, n. 3, p. 336-384, 2018.
Dermeval, Diego; Bittencourt, Ig Ibert. Co-designing Gamified Intelligent Tutoring
Systems with Teachers. Revista Brasileira de Informática na Educação, v. 28, p. 73,
2020.
Freitas, E., Batista, H. H., Barbosa, G. A., Wenceslau, M., Portela, C., Isotani, S., ...
& Mello, R. F. (2022, November). Learning Analytics Desconectada: Um Estudo de
Caso em Análise de Produçoes Textuais. In Anais do I Workshop de Aplicações
Práticas de Learning Analytics em Instituições de Ensino no Brasil (pp. 40-49). SBC.
Holmes, W., Porayska-Pomsta, K., Holstein, K., Sutherland, E., Baker, T., Shum, S.
B., ... & Koedinger, K. R. (2022). Ethics of AI in education: Towards a
community-wide framework. International Journal of Artificial Intelligence in
Education, 32(3), 504-526.
Madaio, M. A., Yarzebinski, E., Kamath, V., Zinszer, B. D., Hannon-Cropp, J., Tanoh,
F., ... & Ogan, A. (2020, April). Collective support and independent learning with a
voice-based literacy technology in rural communities. In Proceedings of the 2020
CHI Conference on Human Factors in Computing Systems (pp. 1-14).

Patel, N. et al. (2022). Equitable Access to Intelligent Tutoring Systems Through
Paper-Digital Integration. In: Crossley, S., Popescu, E. (eds) Intelligent Tutoring
Systems. ITS 2022. Lecture Notes in Computer Science, vol 13284. Springer, Cham.
https://doi.org/10.1007/978-3-031-09680-8_24
Reimers, F. M. (2021). Education and COVID-19: Recovering from the Shock
Created by the Pandemic and Building Back Better. Educational Practices Series 34.
UNESCO International Bureau of Education.
Schiff, D. (2022). Education for AI, not AI for Education: the role of education and
ethics in national AI policy strategies. International Journal of Artificial Intelligence in
Education, 32(3), 527-563.
Tenório, K., Dermeval, D., Monteiro, M., Peixoto, A., & Silva, A. P. D. (2022).
Exploring Design Concepts to Enable Teachers to Monitor and Adapt Gamification in
Adaptive Learning Systems: A Qualitative Research Approach. International Journal
of Artificial Intelligence in Education, 32(4), 867-891.
Vinuesa, R., Azizpour, H., Leite, I., Balaam, M., Dignum, V., Domisch, S., ... & Fuso
Nerini, F. (2020). The role of artificial intelligence in achieving the Sustainable
Development Goals. Nature communications, 11(1), 1-10.
Wilson, H. J., Daugherty, P. R., & Morini-Bianzino, N. (2018). Augmented
intelligence: The coming age of human-AI collaboration. Harvard Business Review,
96(4), 80-89.

3 - Aplicação de meta-heurísticas para automatizar a busca de funções de
kernel para Máquinas de Vetores de Suporte (Prof. Dr. Erick de Andrade
Barboza)

Resumo:
Máquinas de Vetores de Suporte (SVMs) são poderosas ferramentas de
aprendizado de máquina, amplamente utilizadas devido à sua habilidade de modelar
decisões não lineares e complexas. A eficácia das SVMs está muito ligada à função
de kernel, que mapeia os dados para um espaço de alta dimensão, permitindo sua
separação linear. No entanto, escolher a função de kernel correta e seus parâmetros
é um desafio, pois as abordagens tradicionais exigem conhecimento especializado
ou testes extensivos e nem sempre garantem a melhor solução. As
meta-heurísticas, que são algoritmos de otimização para resolver problemas com
informações incompletas ou imperfeitas ou capacidade de computação reduzida,
oferecem uma oportunidade de otimizar a seleção das funções de kernel. O desafio
é minimizar o erro de classificação mantendo as características de generalização
das SVMs. Isso pode ser matematicamente representado pela função min E(K(u, v;
θ)), onde E mede o erro e K é a função de kernel com parâmetros θ. Métodos
meta-heurísticos como Algoritmo Genético (GA), Otimização por Enxame de

Partícula (PSO) e Evolução Diferencial (DE) são candidatos promissores para essa
tarefa. No entanto, explorar o vasto espaço de funções de kernel pode ser
computacionalmente caro, pois cada avaliação envolve treinar uma SVM. A
automatização da busca por funções de kernel usando meta-heurísticas tem muitas
vantagens. Ela pode levar à descoberta de novas funções específicas para certos
problemas e oferece uma maneira de explorar completamente as SVMs sem a
necessidade de extensos testes manuais. Transformar a tarefa de seleção do kernel
em um problema de otimização ao utilizar meta-heurísticas é uma abordagem
promissora que pode elevar ainda mais o potencial das SVMs.

Referencial Bibliográfico:
ROMAN, Ibai; SANTANA, Roberto; MENDIBURU, Alexander; LOZANO, Jose A.
In-depth analysis of SVM kernel learning and its components. Neural Computing and
Applications, Springer, v. 33, n. 12, p. 6575–6594, 2021.
KOCH, Patrick; BISCHL, Bernd; FLASCH, Oliver; BARTZ-BEIELSTEIN, Thomas;
WEIHS, Claus; KONEN, Wolfgang. Tuning and evolution of support vector kernels.
Evolutionary Intelligence, Springer, v. 5, p. 153–170, 2012
DIOŞAN, Laura; ROGOZAN, Alexandrina; PECUCHET, Jean-Pierre. Improving
classification performance of support vector machine by genetically optimising kernel
shape and hyper-parameters. Applied Intelligence, Springer, v. 36, p. 280–294,
2012.
SCHÖLKOPF, Bernhard; SMOLA, Alexander J. Learning with kernels: support vector
machines, regularization, optimization, and beyond. [S.l.]: MIT press, 2002
BLUM, Christian; ROLI, Andrea. Metaheuristics in combinatorial optimization:
Overview and conceptual comparison. ACM computing surveys (CSUR), v. 35, n. 3,
p. 268-308, 2003.

4 - Aplicação de técnicas de pesquisa operacional à data analytics (Prof. Dr.
Rian Pinheiro e Prof. Dr. Bruno Nogueira)
Resumo:
O termo 'big data' se refere ao conjunto massivo de dados que as empresas e
organizações atualmente usam para ajudar nos seus processos de tomada de
decisão. Este conjunto de dados vem crescendo cada vez mais e é proviniente do

avanço das tecnologias para rastreamento do comportamento dos consumidores,
vendas, fornecedores assim como das redes sociais e tráfego web. O foco principal
do data analytics é transformar, de maneira científica, estes dados em conhecimento
para que seja usado em melhores tomadas de decisão.
A aplicação de data analystics pode ser classificada em três categorias: (i)
descriptive analytics, que usa os registros de eventos passados para tentar localizar
dados e padrões interessantes para melhor entender o que está acontecendo no
presente; (ii) predictive analytics, que usa os dados para tentar descobrir o que irá
acontecer no futuro; (iii) prescriptive analytics, que usa os dados para descrever
quais as ações precisam ser tomadas no futuro.
Neste projeto, iremos adotar técnicas de pesquisa operacional, em particular
simulação e otimização, para atacar as três categorias acima. Exemplos de
trabalhos nessa linha que nosso grupo de pesquisa vem atacando podem ser
encontrados em: ic.ufal.br/professor/rian/optlab-selecao-ppgi2.pdf
Referencial Bibliográfico:
Hiller, F., and G. Lieberman. "Introduction to operations research (Vol. 7)." (2015).
Lima, A.; Lima, A.; Nogueira, B.; Santos, M. and Pinheiro, R. "A Multi-population
BRKGA for the Automatic Clustering Problem," 2021 IEEE International Conference
on Systems, Man, and Cybernetics (SMC), 2021, pp. 368-373, doi:
10.1109/SMC52423.2021.9658983.
Santos, M.; Nogueira, B.; Pinheiro, R.; Guimarães, A; Lima; A. and Andrade, E. "A
comparative study of GPU metaheuristics for data clustering," 2021 IEEE
International Conference on Systems, Man, and Cybernetics (SMC), 2021, pp.
1387-1392, doi: 10.1109/SMC52423.2021.9658803.
Souza, G.; Santos, E.; Ramos, G.; Pinheiro, R. Agendamento Automático de
Exames em Clínicas. In: ENCONTRO NACIONAL DE INTELIGÊNCIA ARTIFICIAL
E COMPUTACIONAL (ENIAC), 16. , 2019, Salvador.

5 - Aplicação de TinyML para a identificação de doenças em plantas. (Prof. Dr.
Erick de Andrade Barboza)
Resumo:
A tecnologia moderna aplicada na agricultura pode aumentar substancialmente a
produtividade e a sustentabilidade. Nesse sentido, aplicações em Machine Learning
(Aprendizagem de máquina) e visão computacional introduziram uma nova
tendência em monitoramento e previsões, que contribuem para esse aumento
supracitado. Além disso, sabe-se que há um claro estudo acerca da utilização de

modelos de aprendizagem de máquina na detecção de doenças em plantações. A
partir disso, estima-se que 40% das culturas alimentares são afetadas por pragas e
doenças, com isso, uma detecção precoce destas pode aumentar
consideravelmente a qualidade das culturas. Contudo, no Brasil, em áreas rurais o
acesso à internet a partir de serviços de telefonia móvel ainda é limitado a cerca de
69.5% dos domicílios rurais. Por isso, a utilização de modelos de aprendizagem de
máquina da maneira tradicional pode não ser a mais indicada, visto que o acesso à
internet ainda é limitado. Portanto, surge o TinyML como um conceito emergente
que visa adaptar modelos complexos de aprendizado de máquina para serem
executados em dispositivos com restrição de desempenho e consumo de energia.
Dessa maneira, o dispositivo pode extrair resultados inteligentes em tempo real sem
a necessidade de interagir com entidades externas, como em um servidor, por
exemplo.