Submitted by Lara Oliveira (lara@ufersa.edu.br) on 2018-03-14T20:25:58Z No. of bitstreams: 1 HiuryNA_DISSERT.pdf: 3188162 bytes, checksum: d40d42a78787557868ebc6d3cd5af945 (MD5) / Approved for entry into archive by Vanessa Christiane (referencia@ufersa.edu.br) on 2018-06-18T16:58:58Z (GMT) No. of bitstreams: 1 HiuryNA_DISSERT.pdf: 3188162 bytes, checksum: d40d42a78787557868ebc6d3cd5af945 (MD5) / Approved for entry into archive by Vanessa Christiane (referencia@ufersa.edu.br) on 2018-06-18T16:59:18Z (GMT) No. of bitstreams: 1 HiuryNA_DISSERT.pdf: 3188162 bytes, checksum: d40d42a78787557868ebc6d3cd5af945 (MD5) / Made available in DSpace on 2018-06-18T16:59:31Z (GMT). No. of bitstreams: 1 HiuryNA_DISSERT.pdf: 3188162 bytes, checksum: d40d42a78787557868ebc6d3cd5af945 (MD5) Previous issue date: 2017-11-17 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Data classification is a task applied in various areas of knowledge, therefore, the focus of ongoing research. Data classification can be divided according to the available data, which are labeled or not labeled. One approach has proven very effective when working with data sets containing labeled and unlabeled data, this called semi-supervised learning, your objective is to label the unlabeled data by using the amount of labeled data in the data set, improving their success rate. Such data can be classified with more than one label, known as multi-label classification. Furthermore, these data can be organized hierarchically, thus containing a relation therebetween, this called hierarchical classification. This work proposes the use of multi-view semi-supervised learning, which is one of the semissupervisionado learning aspects, in problems of hierarchical multi-label classification, with the objective of investigating whether semi-supervised learning is an appropriate approach to solve the problem of low dimensionality of data. An experimental analysis of the methods found that supervised learning had a better performance than semi-supervised approaches, however, semi-supervised learning may be a widely used approach, because, there is plenty to be contributed in this area / classificação de dados é uma tarefa aplicada em diversas áreas do conhecimento, sendo assim, foco de constantes pesquisas. A classificação de dados pode ser dividida de acordo com a disposição dos dados, sendo estes rotulados ou não rotulados. Uma abordagem vem se mostrando bastante eficiente ao se trabalhar com conjuntos de dados contendo dados rotulados e não rotulados, esta chamada de aprendizado semissupervisionado, seu objetivo é classificar os dados não rotulados através da quantidade de dados rotulados contidos no conjunto, melhorando sua taxa de acerto. Tais dados podem ser classificados com mais de um rótulo, conhecida como classificação multirrótulo. Além disso, estes dados podem estar organizados de forma hierárquica, contendo assim, uma relação entre os mesmos, esta, por sua vez, denominada classificação hierárquica. Neste trabalho é proposto a utilização do aprendizado semissupervisionado multidescrição, que é uma das vertentes do aprendizado semissupervisionado, em problemas de classificação hierárquica multirrótulo, com o objetivo de investigar se o aprendizado semissupervisionado é uma abordagem apropriada para resolver o problema de baixa dimensionalidade de dados. Uma análise experimental dos métodos verificou que o aprendizado supervisionado obteve melhor desempenho contra as abordagens semissupervisionadas, contudo, o aprendizado semissupervisionado pode vir a ser uma abordagem amplamente utilizada, pois, há bastante o que ser contribuído nesta área / 2018-03-14

Em problemas convencionais de classificação, cada exemplo de um conjunto de dados é associado a apenas uma dentre duas ou mais classes. No entanto, existem problemas de classificação mais complexos, nos quais as classes envolvidas no problema são estruturadas hierarquicamente, possuindo subclasses e superclasses. Nesses problemas, exemplos podem ser atribuídos simultaneamente a classes pertencentes a dois ou mais caminhos de uma hierarquia, ou seja, exemplos podem ser classificados em várias classes localizadas em um mesmo nível hierárquico. Tal hierarquia pode ser estruturada como uma árvore ou como um grafo acíclico direcionado. Esses problemas são chamados de problemas de classificação hierárquica multirrótulo, sendo mais difíceis devido à alta complexidade, diversidade de soluções, difícil modelagem e desbalanceamento dos dados. Duas abordagens são utilizadas para tratar esses problemas, chamadas global e local. Na abordagem global, um único classificador é induzido para lidar com todas as classes do problema simultaneamente, e a classificação de novos exemplos é realizada em apenas um passo. Já na abordagem local, um conjunto de classificadores é induzido, sendo cada classificador responsável pela predição de uma classe ou de um conjunto de classes, e a classificação de novos exemplos é realizada em vários passos, considerando as predições dos vários classificadores. Nesta Tese de Doutorado, são propostos e investigados dois métodos para classificação hierárquica multirrótulo. O primeiro deles é baseado na abordagem local, e associa uma rede neural Multi-Layer Perceptron (MLP) a cada nível da hierarquia, sendo cada MLP responsável pelas predições no seu nível associado. O método é chamado Hierarchical Multi- Label Classification with Local Multi-Layer Perceptrons (HMC-LMLP). O segundo método é baseado na abordagem global, e induz regras de classificação hierárquicas multirrótulo utilizando um Algoritmo Genético. O método é chamado Hierarchical Multi-Label Classification with a Genetic Algorithm (HMC-GA). Experimentos utilizando hierarquias estruturadas como árvores mostraram que o método HMC-LMLP obteve desempenhos de classificação superiores ao método estado-da-arte na literatura, e desempenhos superiores ou competitivos quando utilizando hierarquias estruturadas como grafos. O método HMC-GA obteve resultados competitivos com outros métodos da literatura em hierarquias estruturadas como árvores e grafos, sendo capaz de induzir, em muitos casos, regras menores e em menor quantidade / conventional classification problems, each example of a dataset is associated with just one among two or more classes. However, there are more complex classification problems where the classes are hierarchically structured, having subclasses and superclasses. In these problems, examples can be simultaneously assigned to classes belonging to two or more paths of a hierarchy, i.e., examples can be classified in many classes located in the same hierarchical level. Such a hierarchy can be structured as a tree or a directed acyclic graph. These problems are known as hierarchical multi-label classification problems, being more difficult due to the high complexity, diversity of solutions, modeling difficulty and data imbalance. Two main approaches are used to deal with these problems, called global and local. In the global approach, only one classifier is induced to deal with all classes simultaneously, and the classification of new examples is done in just one step. In the local approach, a set of classifiers is induced, where each classifier is responsible for the predictions of one class or a set of classes, and the classification of new examples is done in many steps, considering the predictions of all classifiers. In this Thesis, two methods for hierarchical multi-label classification are proposed and investigated. The first one is based on the local approach, and associates a Multi-Layer Perceptron (MLP) to each hierarchical level, being each MLP responsible for the predictions in its associated level. The method is called Hierarchical Multi-Label Classification with Local Multi-Layer Perceptrons (HMC-LMLP). The second method is based on the global approach, and induces hierarchical multi-label classification rules using a Genetic Algorithm. The method is called Hierarchical Multi-Label Classification with a Genetic Algorithm (HMC-GA). Experiments using hierarchies structured as trees showed that HMC-LMLP obtained classification performances superior to the state-of-the-art method in the literature, and superior or competitive performances when using graph-structured hierarchies. The HMC-GA method obtained competitive results with other methods of the literature in both tree and graph-structured hierarchies, being able of inducing, in many cases, smaller and in less quantity rules

Orientadora: Profa. Dra. Paula Homem de Mello / Tese (doutorado) - Universidade Federal do ABC. Programa de Pós-Graduação em Ciência e Tecnologia/Química, 2017. / A preocupação com a formação de professores remonta à antiguidade, e seus estudos vêm sendo sistematizados desde então. Ela é importante posto que impacta diretamente na relação ensino/aprendizado dos alunos, e assim no processo emancipatório proporcionado por uma educação significativa. As universidades são, contemporaneamente, as responsáveis pela formação dos professores e cada uma à sua maneira tenta desempenhar esse papel com excelência. A UFABC se destaca nesse cenário ao propor um currículo interdisciplinar que atende às demandas atuais por generalização e qualidade. Nesse contexto, se torna necessário entender como se dá o processo educacional nessa instituição e também se esse currículo traz resultados distintos de outras instituições tradicionais. Para isso foi proposto uma pesquisa mista comparando os licenciandos de química da UFABC e da Universidade de São Paulo, quanto ao seu Conhecimento Pedagógico do Conteúdo (PCK), dado que esse é o conhecimento que distingue o professor do especialista. A pesquisa proposta visou inicialmente os modelos de PCK existentes por uma Classificação Hierárquica Decimal (DHC) e um Análise Fatorial de Correspondência (FAC), para então discutir duas tipologias de um conhecimento que desde 2012 deixou de ser considerado parte desse conhecimento, as Orientações para o Ensino, e sua relação com a forma com que o professor interage com seus alunos (Interação Discursiva). Com isso em mente, a forma pela qual se dá o desenvolvimento do PCK, na UFABC, foi o foco de um estudo de caso que observou a modificação nos Mapas de PCK. Finalmente um estudo comparativo entre as duas instituições foi desenvolvido por um Modelo Hierárquico Linear (HLM), utilizando um questionário validado pelo Modelo de Rasch. Os resultados mostraram que os discursos de PCK têm se aproximado desde 2012 e compartilham um vocabulário comum, e ainda que os modelos de PCK consideram esse conhecimento como sendo tópico específico. As duas tipologias das Orientações se mostraram relacionadas e assim fornecendo-as de subsídios empíricos. Também foi possível demonstrar que elas se relacionam com as Interações Discursivas quando a aula foi dividida em segmentos (começo, meio e fim). O estudo de caso mostrou que o professor universitário guiou os licenciandos para o desenvolvimento de seu PCK por meio de atividades, mas que quando fez apontamentos orais individualizados esse impacto foi maior. Por fim, o questionário proposto se mostrou confiável e capaz de distinguir a habilidade dos respondentes, no entanto, não foi possível distinguir significativamente dois grupos de respondentes dado a alta variabilidade dos respondentes da UFABC. Esse resultado é compatível com o currículo da referida instituição e dificulta a comparação com outros respondentes. / The concern with teacher formation dates back to antiquity, and its studies has been systematized ever since. Its importance is due to its direct impact on student¿s learning, and thus in the emancipatory process provided by a meaningful education. The universities are, nowadays, the responsible for teachers formation and each, on its way, tries to play this role with excellence. UFABC stands out in this scenario as it proposes an interdisciplinary curriculum that meets the current demands of generalization and quality. In this context, it is important to understand the educational process and also if this curriculum leads to distinct results from other traditional institutions. For this reason, a mixed research was proposed comparing the chemistry preservice teachers from the UFABC and from the University of São Paulo, regarding their Pedagogical Content Knowledge (PCK), since this is the knowledge that distinguishes the teacher from the specialist. The proposed research started by looking at the existing PCK models by a Hierarchical Decimal Classification (DHC) and a Factorial Analysis of Correspondence (FAC), to then, discuss two typologies of a knowledge that, since 2012 is not considered any more as a component of the PCK, the Orientations for Teaching, and its relation with the way the teacher interacts with his students (Discursive Interaction). Then, the way by which the development of the PCK takes place in the UFABC has been the focus of a case study that observes the modifications in PCK Maps. Finally a comparative study between the two institutions was developed by a Hierarchical Linear Model (HLM), using a test validated by the Rasch Model. The results showed that PCK discourses are becoming more similar since 2012 and that they share a common vocabulary, also that the PCK models consider this knowledge as being topic specific. The two typologies of the Orientations showed to be related providing empirical subsidies. It was also possible to demonstrate that they relate to the Discourse Interactions when the class was divided into segments (beginning, middle and end). The case study showed that the university teacher guided the development of his pupils¿s PCK through activities, but this impact was greater when individualized oral instructions were made. Finally, the proposed questionnaire proved to be reliable and capable of distinguishing the ability of respondents, however, it was not possible to distinguish two groups of respondents given the high variability of UFABC respondents. This result is compatible with the institution¿s curriculum and it makes difficult to compare with other respondents.