Configuração modelo de features é conhecida por ser uma atividade complexa, demorada e propensa a erros. Esta atividade torna-se ainda mais complicada quando envolve múltiplas partes interessadas no processo de configuração. Trabalhos de pesquisa têm proposto abordagens para ajudar na configuração de modelo de features, mas elas dependem de processos sistemáticos que restringem as decisões de alguns dos stakeholders. Neste trabalho, propomos uma nova abordagem para melhorar o processo de configuração multi-stakeholder, considerando as preferências dos stakeholders expressas através de restrições duras e brandas. Com base em tais preferências, recomendamos diferentes configurações de produto utilizando diferentes estratégias da teoria da escolha social. Nossa abordagem é implementada em uma ferramenta chamada SACRES, que permite criar grupos de stakeholders, especificar preferências dos stakeholders sobre uma configuração e gerar as configurações ideais. Realizamos um estudo empírico para avaliar a eficácia de nossas estratégias no que diz respeito à satisfação individual e justiça entre todos os stakeholders. Os resultados obtidos provem evidência de que estratégias em particular possuem melhor performance em relação à satisfação de grupo, chamadas average e multiplicative considerando as pontuações atribuídas pelos participantes e complexidade computacional. Nossos resultados são relevantes não só no contexto de Linha de Produto de Software, mas também para a Teoria da Escolha Social, dada a instanciação de estratégias de escolha social em um problema prático. / Feature model con guration is known to be a hard, error-prone and timeconsuming activity. This activity gets even more complicated when it involves multiple stakeholders in the con guration process. Research work has proposed approaches to aid multi-stakeholder feature model con guration, but they rely on systematic processes that constraint decisions of some of the stakeholders. In this dissertation, we propose a novel approach to improve the multi-stakeholder con guration process, considering stakeholders' preferences expressed through both hard and soft constraints. Based on such preferences, we recommend di erent product con gurations using di erent strategies from the social choice theory. Our approach is implemented in a tool named SACRES, which allows creation of stakeholder groups, speci cation of stakeholder preferences over a con guration and generation of optimal con guration. We conducted an empirical study to evaluate the e ectiveness of our strategies with respect to individual stakeholder satisfaction and fairness among all stakeholders. The obtained results provide evidence that particular strategies perform best with respect to group satisfaction, namely average and multiplicative, considering the scores given by the participants and computational complexity. Our results are relevant not only in the context software product lines, but also in the context of social choice theory, given the instantiation of social choice strategies in a practical problem.

Configuração modelo de features é conhecida por ser uma atividade complexa, demorada e propensa a erros. Esta atividade torna-se ainda mais complicada quando envolve múltiplas partes interessadas no processo de configuração. Trabalhos de pesquisa têm proposto abordagens para ajudar na configuração de modelo de features, mas elas dependem de processos sistemáticos que restringem as decisões de alguns dos stakeholders. Neste trabalho, propomos uma nova abordagem para melhorar o processo de configuração multi-stakeholder, considerando as preferências dos stakeholders expressas através de restrições duras e brandas. Com base em tais preferências, recomendamos diferentes configurações de produto utilizando diferentes estratégias da teoria da escolha social. Nossa abordagem é implementada em uma ferramenta chamada SACRES, que permite criar grupos de stakeholders, especificar preferências dos stakeholders sobre uma configuração e gerar as configurações ideais. Realizamos um estudo empírico para avaliar a eficácia de nossas estratégias no que diz respeito à satisfação individual e justiça entre todos os stakeholders. Os resultados obtidos provem evidência de que estratégias em particular possuem melhor performance em relação à satisfação de grupo, chamadas average e multiplicative considerando as pontuações atribuídas pelos participantes e complexidade computacional. Nossos resultados são relevantes não só no contexto de Linha de Produto de Software, mas também para a Teoria da Escolha Social, dada a instanciação de estratégias de escolha social em um problema prático. / Feature model con guration is known to be a hard, error-prone and timeconsuming activity. This activity gets even more complicated when it involves multiple stakeholders in the con guration process. Research work has proposed approaches to aid multi-stakeholder feature model con guration, but they rely on systematic processes that constraint decisions of some of the stakeholders. In this dissertation, we propose a novel approach to improve the multi-stakeholder con guration process, considering stakeholders' preferences expressed through both hard and soft constraints. Based on such preferences, we recommend di erent product con gurations using di erent strategies from the social choice theory. Our approach is implemented in a tool named SACRES, which allows creation of stakeholder groups, speci cation of stakeholder preferences over a con guration and generation of optimal con guration. We conducted an empirical study to evaluate the e ectiveness of our strategies with respect to individual stakeholder satisfaction and fairness among all stakeholders. The obtained results provide evidence that particular strategies perform best with respect to group satisfaction, namely average and multiplicative, considering the scores given by the participants and computational complexity. Our results are relevant not only in the context software product lines, but also in the context of social choice theory, given the instantiation of social choice strategies in a practical problem.

Configuração modelo de features é conhecida por ser uma atividade complexa, demorada e propensa a erros. Esta atividade torna-se ainda mais complicada quando envolve múltiplas partes interessadas no processo de configuração. Trabalhos de pesquisa têm proposto abordagens para ajudar na configuração de modelo de features, mas elas dependem de processos sistemáticos que restringem as decisões de alguns dos stakeholders. Neste trabalho, propomos uma nova abordagem para melhorar o processo de configuração multi-stakeholder, considerando as preferências dos stakeholders expressas através de restrições duras e brandas. Com base em tais preferências, recomendamos diferentes configurações de produto utilizando diferentes estratégias da teoria da escolha social. Nossa abordagem é implementada em uma ferramenta chamada SACRES, que permite criar grupos de stakeholders, especificar preferências dos stakeholders sobre uma configuração e gerar as configurações ideais. Realizamos um estudo empírico para avaliar a eficácia de nossas estratégias no que diz respeito à satisfação individual e justiça entre todos os stakeholders. Os resultados obtidos provem evidência de que estratégias em particular possuem melhor performance em relação à satisfação de grupo, chamadas average e multiplicative considerando as pontuações atribuídas pelos participantes e complexidade computacional. Nossos resultados são relevantes não só no contexto de Linha de Produto de Software, mas também para a Teoria da Escolha Social, dada a instanciação de estratégias de escolha social em um problema prático. / Feature model con guration is known to be a hard, error-prone and timeconsuming activity. This activity gets even more complicated when it involves multiple stakeholders in the con guration process. Research work has proposed approaches to aid multi-stakeholder feature model con guration, but they rely on systematic processes that constraint decisions of some of the stakeholders. In this dissertation, we propose a novel approach to improve the multi-stakeholder con guration process, considering stakeholders' preferences expressed through both hard and soft constraints. Based on such preferences, we recommend di erent product con gurations using di erent strategies from the social choice theory. Our approach is implemented in a tool named SACRES, which allows creation of stakeholder groups, speci cation of stakeholder preferences over a con guration and generation of optimal con guration. We conducted an empirical study to evaluate the e ectiveness of our strategies with respect to individual stakeholder satisfaction and fairness among all stakeholders. The obtained results provide evidence that particular strategies perform best with respect to group satisfaction, namely average and multiplicative, considering the scores given by the participants and computational complexity. Our results are relevant not only in the context software product lines, but also in the context of social choice theory, given the instantiation of social choice strategies in a practical problem.

Submitted by Juliana Tregnago (julianatregnago@gmail.com) on 2018-06-18T14:56:36Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação_ilmara_Versão Final 2018 - Final.pdf: 3009131 bytes, checksum: 754000508a433f0c384e6fdbc99f7888 (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2018-06-19T13:28:31Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação_ilmara_Versão Final 2018 - Final.pdf: 3009131 bytes, checksum: 754000508a433f0c384e6fdbc99f7888 (MD5) / Made available in DSpace on 2018-06-19T13:28:32Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação_ilmara_Versão Final 2018 - Final.pdf: 3009131 bytes, checksum: 754000508a433f0c384e6fdbc99f7888 (MD5) Previous issue date: 2017-10-20 / FAPEAM - Fundação de Amparo à Pesquisa do Estado do Amazonas / Groups are a basic social structure, and as inside as outside of the academic world they form and change themselves in various ways for multiple purposes. While students form groups easily out of class, forming groups on a course can be an unnatural process. However, for collaborative learning to succeed, it is important to form groups that can be effective and efficient in accomplishing the objectives of the task. In this sense, it is sought to improve the interactions of students mainly in group activities. The group work is a resource widely used by the teacher, with the intention of encouraging students' interaction in collaborative activities. There is a lack of support for group creation in Virtual Learning Environments (VLEs). In this sense, Learning Path (LPs) can be resources to suggest groups of learners. The use of LPs is promising because it shows the paths taken by students in VLEs, which makes it possible to suggest groups based on these interactions, since to perform groups in the EAD modality is really a challenging task for the teacher. In general, in this modality, students only have 20% of face-to-face contact with each other and with the teacher, making it difficult to establish criteria for grouping. In this context, this research proposes a conceptual framework for the formation of groups in collaborative activities, through data extracted from the LPs graphs, to assist the teacher in the teaching-learning process. To verify the feasibility of the proposed conceptual framework, the M-CLUSTER tool was developed that analyzes the attributes described below and suggests the formation of groups. The mechanism emphasizes the formation of groups by applying the K-Means algorithm, which is used with three similarity metrics, which are the distances: Euclidean, Manhattan and Cosine, using attributes (vertex access, quantity, dispersion and variances of the standard edges, forward and return, and student id) obtained through the data extracted from the LPs. Meetings were held with the teachers (specialists) to validate the results. In the case study, M-CLUSTER used the attributes and classified them with K-Means, obtaining three clustering results, one for each metric. The teacher chooses among the suggestions generated and makes one available to the students so they can choose their partners within the cluster, thus forming the groups. These groups suggested by the tool were validated and visualized by the teacher, from two representations, one descriptive and one visual through bubble charts. To validate the suggested groups, two activities were carried out in the discipline, in the first activity, the students chose their group partners and in the second, the groups were formed according to the suggestions of the tool. According to the results obtained from the case study shows that the tool obtained satisfactory results where 75% of students matched or improved their individual scores in relation to those achieved in the first activity. / Grupos são estruturas sociais básicas, tanto dentro quanto fora do mundo acadêmico, eles se formam e se modificam em vários modos para múltiplos propósitos. Enquanto alunos, formar grupos fora de sala de aula aparenta ser mais fácil, por sua vez, em ambiente educativo formar grupos pode ser um processo complexo. Contudo, para que a aprendizagem colaborativa seja bem-sucedida, é importante formar grupos que possam ser efetivos e eficientes em realizar os objetivos da tarefa. Nesse sentido, busca-se melhorar as interações dos discentes principalmente em atividades em grupo. O trabalho em grupo é um recurso bastante usado pelo docente, com o intuito de incentivar a interação dos alunos nas atividades colaborativas. Há nos AVAs uma deficiência em dar suporte à criação de grupos. As Trilhas de Aprendizagem (TAs) podem ser recursos para sugerir grupos de aprendizes. O uso de TAs é promissora porque mostra os caminhos percorridos pelos alunos nos AVAs, o que possibilita sugerir grupos baseados nessas interações, pois realizar grupos na modalidade EAD é realmente uma tarefa desafiadora para o docente. No geral, nessa modalidade, os alunos só possuem 20% do contato presencial entre si e com o docente, dificultando estabelecer critérios para realizar os agrupamentos. Diante deste contexto, nesta pesquisa é proposta um framework conceitual para formação de grupos em atividades colaborativas, por meio dos dados extraídos dos grafos das TAs, para auxiliar o docente no processo de ensinoaprendizagem. Para verificar a exequibilidade do framework conceitual proposto foi desenvolvida a ferramenta M-CLUSTER que analisa os atributos descritos as seguir e sugere a formação de grupos. O mecanismo dá ênfase à formação dos grupos aplicando o algoritmo K-Means, que é utilizado com três métricas de similaridade, que são as distâncias: Euclidiana, Manhattan e Cosseno, usando os atributos (média de acesso de vértices, quantidade, dispersão e variâncias das arestas padrão, avanço e retorno e id do aluno) obtidos por meio dos dados extraídos das TAs. Foram realizadas reuniões com os docentes (especialistas) para validar os resultados. No estudo de caso, o M-CLUSTER usou os atributos e os classificou com o KMeans, obtendo três resultados de agrupamentos, um para cada métrica. O docente escolhe dentre as sugestões geradas e disponibiliza uma delas aos estudantes para eles escolherem seus parceiros dentro do cluster, assim formando os grupos. Esses grupos sugeridos pela ferramenta foram validados e visualizados pelo docente, a partir de duas representações, uma descritiva e outra visual por meio de gráficos de bolhas. Para validar os grupos sugeridos, foram realizadas duas atividades na disciplina, na primeira atividade, os estudantes escolheram seus parceiros de grupo e na segunda, os grupos foram formados de acordo com as sugestões da ferramenta. De acordo com os resultados obtidos do estudo de caso mostra que, a ferramenta obteve resultados satisfatórios onde 75% dos alunos igualaram ou melhoraram suas notas individuais em relação às alcançadas na primeira atividade.