1 |
[en] MODELING LEARNING OBJECTS COMPOSITION / [pt] MODELAGEM DE COMPOSIÇÃO DE OBJETOS DE APRENDIZAGEMDIVA DE SOUZA E SILVA 12 July 2006 (has links)
[pt] O desenvolvimento de conteúdos instrucionais utilizando
as novas tecnologias de informação é um processo caro, demorado e
complexo, que aponta para o estabelecimento de novas metodologias. É neste
contexto que surge o conceito de Objeto de Aprendizagem (LO), cujo enfoque
está em promover a
reutilização do conteúdo. Entretanto, ao considerar o
reuso de conteúdo, também
se observa uma necessidade de seqüência - lo para formar
conteúdos mais
elaborados ou mais complexos. Nesta tese adota-se uma
estratégia de representar
LOs cada vez menores, representando separadamente
conteúdo
e prática, aqui
denominados Objetos Componentes (OCs). Para a
estruturação
do conteúdo,
adaptou-se uma proposta já existente e definiu-se um
esquema conceitual
adequado à representação de atividades (ou práticas) de
aprendizagem. Com vista
à composição dos OCs, foi igualmente definido um esquema
conceitual
envolvendo conteúdos e práticas. Assim, com base em um
algoritmo de
seqüenciamento de OCs, um professor pode compreender
melhor a forma de
implementar um objeto complexo, como uma aula ou um
curso,
reduzindo erros e
eventuais omissões na implementação da solução. Este
seqüenciamento deve
seguir uma metodologia e deve ser especificado de modo
não
ambíguo. É neste
contexto que também é apresentada uma linguagem para
especificação de
seqüências de objetos de aprendizagem, com uma sintaxe
adequada à descrição
das possíveis formas de seqüenciamento de LOs.
Finalmente,
descreve-se um
estudo de caso ilustrando a utilização dos esquemas
conceituais desenvolvidos, do
algoritmo proposto e da linguagem de especificação de
seqüências OCs. / [en] The development of instructional content using new
Information
Technologies is an expensive, time-consuming and complex
process that leads to
the development of new methodologies. It was in this
context that the concept of
Learning Objects (LOs) was proposed as an approach that
promotes content reuse.
However, if content is expressed as small LOs, it is also
necessary to sequence
them in order to build more elaborated and complex
content. In this thesis we
adopt a strategy to represent smaller LOs, modeling not
only content but also
practice, called Component Objects (COs) herein. In order
to structure content we
adapted an existing proposal and defined a conceptual
schema to structure
learning practices (or activities). We also defined a
conceptual schema for
composing these COs. Then, based on these conceptual
schemas it was possible to
propose an algorithm for sequencing COs, which supports a
teacher/professor to
better control the implementation of a complex content
such as a class or a course,
thus reducing errors and eventual omissions in its
implementation. The
sequencing process must follow a methodology and must be
specified in a nonambiguous
way. It is in this context that we also present a
specification language
for sequences of LOs, with a syntax that is adequate to
the description of the
possible ways of sequencing LOs. Finally, we describe a
case study that shows the
conceptual schemas that were proposed and the use of the
sequencing algorithm
and the specification language.
|
2 |
[en] QEEF: AN EXTENSIBLE QUERY EXECUTION ENGINE / [pt] QEEF: UMA MÁQUINA DE EXECUÇÃO DE CONSULTASFAUSTO VERAS MARANHAO AYRES 30 June 2004 (has links)
[pt] O processamento de consultas em Sistemas de Gerência de
Banco de Dados tradicionais tem sido largamente estudado na
literatura e utilizado comercialmente com enorme sucesso.
Isso é devido, em parte, à eficiência das Máquinas de
Execução de Consultas (MEC) no suporte ao modelo de
execução tradicional. Porém, o surgimento de novos cenários
de aplicação, principalmente em conseqüência do modelo
computacional da web, motivou a pesquisa de novos modelos
de execução, tais como: modelo adaptável e modelo contínuo,
além da pesquisa de modelos de dados semi-estruturados, tal
como o XML, ambos não suportados pelas MEC tradicionais. O
objetivo desta tese consiste no desenvolvimento de uma MEC
extensível frente a diferentes modelos de execução e de
dados. Adicionalmente, esta proposta trata de maneira
ortogonal o modelo de execução e o modelo de dados, o que
permite a avaliação de planos de execução de consultas
(PEC) com fragmentos em diferentes modelos. Utilizou-se a
técnica de framework de software para a especificação da
MEC extensível, produzindo o framework QEEF (Query
Execution Engine Framework). A extensibilidade da
solução reflete-se em um meta-modelo, denominado QUEM
(QUery Execution Meta-model), capaz de exprimir diferentes
modelos em um meta-PEC. O framework QEEF pré-processa um
meta-PEC e produz um PEC final a ser avaliado pela MEC
instanciada. Como parte da validação desta proposta,
instanciou-se o QEEF para diferentes modelos de execução e
de dados. / [en] Querying processing in traditional Database Management
Systems (DBMS) has been extensively studied in the
literature and adopted in industry. Such success is, in
part, due to the performance of their Query Execution
Engines (QEE) for supporting the traditional query
execution model. The advent of new query scenarios, mainly
due to the web computational model, has motivate the
research on new execution models such as: adaptive and
continuous, and on semistructured data models, such as XML,
both not natively supported by traditional query engines.
This thesis proposes the development of an extensible QEE
adapted to the new execution and data models. Achieving
this goal, we use a software design approach based on
framework technique to produce the Query Execution Engine
Framework (QEEF). Moreover, we address the question of the
orthogonality between execution and data models, witch
allows for executing query execution plans (QEP) with
fragments in different models. The extensibility of our
solution is specified by in a QEP by an execution meta-
model named QUEM (QUery Execution Meta-model) used to
express different models in a meta-QEP. During query
evaluation, the latter is pre-processed by the QEEF
producing a final QEP to be evaluated by the running QEE.
The QEEF is instantiated for different execution and data
models as part of the validation of this proposal.
|
3 |
[en] METHODOLOGY FOR DETERMINING REGULATORY NON-TECHNICAL LOSSES OF ELECTRICITY CONSIDERING AREAS WITH SEVERE OPERATING RESTRICTION / [pt] METODOLOGIA PARA DETERMINAÇÃO DE METAS DE PERDAS NÃO TÉCNICAS DE ENERGIA ELÉTRICA CONSIDERANDO ÁREAS COM SEVERAS RESTRIÇÕES OPERATIVASLINDEMBERG NUNES REIS 11 November 2024 (has links)
[pt] Em dezembro de 2021, a ANEEL homologou uma nova metodologia para
estabelecimento das Perdas Não Técnicas (PNT) regulatórias para o segmento de
distribuição de energia elétrica. Pela primeira vez no histórico da regulamentação
das perdas comerciais, a ANEEL estabeleceu tratamento específico para
concessionárias que atuassem em regiões com presença de Áreas com Severas
Restrições Operativas (ASRO). As ASRO, ou simplesmente Áreas de Risco, são
locais dominados pelo poder paralelo – tráfico e/ou milícia – onde o Estado pleno
de direito é cerceado. Sendo mais claro, sequer a polícia consegue atuar com
efetividade nestas regiões. Acontece que nesta revisão metodológica, válida a partir
de janeiro de 2022, o tratamento dispensado às ASRO é limitado, raso e com
elevado grau de discricionariedade. Além disso, os modelos econométricos obtidos
pelo Regulador sofrem de inconsistências metodológicas. Estes dois fatores em
comunhão ocasionam, por consequência, no estabelecimento de metas/alvos
regulatórios ineficientes em muitos casos, em especial para concessionárias que
atuam na presença de ASRO. Este trabalho se dedica a buscar cobrir esta lacuna
metodológica, isto é, propõe-se o desenvolvimento de metodologia baseada em
dados em painel para o estabelecimento de metas regulatórias de PNT em
concessões de distribuição de energia elétrica que tenham presença de ASRO. Para
tanto, propõe-se a desagregação do alvo regulatório entre áreas de risco e áreas
normais, por meio do recálculo do Índice de Complexidade da concessão. / [en] In December 2021, ANEEL approved a new methodology for establishing
regulatory Non-Technical Losses (NTL) for the power distribution segment. For
the first time in the history of regulating commercial losses, ANEEL established
specific treatment for concessionaires that operate in regions with the presence of
Areas with Severe Operating Restrictions (ASRO). ASROs, or simply Risk Areas,
are gang-controlled territories – drug trafficking and/or militia – where the rule of
law is curtailed. To be more specific, not even the official police can act effectively
in these regions. To be clearer, not even the police can act effectively in these
regions. It turns out that in this methodological review, valid from January 2022,
the treatment given to ASROs is limited, shallow and with a high degree of
discretion. Furthermore, the econometric models obtained by the Regulator present
methodological inconsistencies. These two factors together lead, consequently, to
the establishment of inefficient regulatory targets in many cases, especially for
concessionaires that operate in the presence of ASROs. This work seeks to fill this
methodological gap, that is, it proposes the development of a methodology based
on panel data for the establishment of PNT regulatory targets in electricity
distribution concessions that have ASRO. To this end, it is proposed to disaggregate
the regulatory target between risk areas and normal areas, by recalculating the
Complexity Index of the original concession.
|
Page generated in 0.0362 seconds