Spelling suggestions: "subject:"froups informationation"" "subject:"3groups informationation""
1 |
[en] FGRUPOS: A MULTI-AGENT FRAMEWORK FOR INTEREST GROUPS FORMATION / [pt] FGRUPOS: UM FRAMEWORK MULTI-AGENTE PARA A FORMAÇÃO DE GRUPOS DE INTERESSEANGELA BRIGIDA ALBARELLO 08 July 2005 (has links)
[pt] O crescente uso da tecnologia da informação exerce nos
dias atuais grande
influência sobre o comportamento da sociedade. Isso é
parcialmente decorrente da
aplicação de novas estratégias organizacionais que fazem
com que pessoas e
entidades se beneficiem e evoluam em suas atividades. Uma
tendência observada
no presente está associada aos benefícios alcançados
quando pessoas com o
mesmo interesse se unem para a realização de uma tarefa
comum. Esta dissertação
apresenta um framework multi-agente que permite a
instanciação de aplicações
que fornecem como resultado um relatório de grupos de
interesse formados a
partir de qualquer base de dados, heurística de definição
de perfil do usuário,
heurística de definição de perfil do grupo, estratégia de
formação de grupos, e
formato de apresentação dos dados. / [en] The current growth on the use of information technology
exerts great
influence on the behavior of the society. That is
partially due to the application of
new organization strategies which assist people and
institutions on the
development of their activities. A tendency which can be
currently observed is
associated with the benefits that occur when people with
the same interest are
grouped together for the accomplishment of a common task.
This dissertation
presents a Multi Agent framework that allows for the
instantiation of applications
that generate interest groups reports from any database,
user profile definition
heuristic, group formation strategy and data presentation
format.
|
2 |
ALGORITMOS GENÉTICOS NA FORMAÇÃO DE GRUPOS PARA APRENDIZAGEM COOPERATIVA APOIADA POR COMPUTADOR / GENETIC ALGORITHMS IN THE FORMATION OF GROUPS STOP COOPERATIVE LEARNING SUPPORTED BY COMPUTERLima, Mark Renato Campos 25 May 2006 (has links)
Made available in DSpace on 2016-08-17T14:52:57Z (GMT). No. of bitstreams: 1
Mark Renato Campos Lima.PDF: 4332338 bytes, checksum: 43ce7b384fbf67daf6f4eb343359cf14 (MD5)
Previous issue date: 2006-05-25 / This work presents a boarding based on genetic algorithms for the resolution of the groups
formation problem for the computer supported cooperative learning. In this boarding the
problem is defined as a optimization task in which if it intends to optimize the quality of the
groups formed for the application of the cooperative model of teach-learning used in
computerized environments. This quality is subjects the pedagogical factors that can be
established by the pedagogical model of the learning environment and is taken in question for
the considered method of formation. It is evaluated use of the boarding proposal applying it in
the environment of NetClass teach-learning, developed for the Federal University of the
Maranhão. / Este trabalho apresenta uma abordagem baseada em algoritmos genéticos para a resolução do
problema da formação de grupos para a aprendizagem cooperativa apoiada por computador.
Nesta abordagem o problema é definido como uma tarefa de otimização na qual se pretende
otimizar a qualidade dos grupos formados para a aplicação do modelo cooperativo de ensinoaprendizagem
utilizado em ambientes computadorizados. Esta qualidade está sujeita a fatores
pedagógicos que podem ser estabelecidos pelo modelo pedagógico do ambiente de
aprendizagem e são levadas em questão pelo método de formação proposto. Avalia-se a
utilização da abordagem proposta aplicando-a no ambiente de ensino-aprendizagem NetClass,
desenvolvido pela Universidade Federal do Maranhão.
|
3 |
O uso de algoritmos evolutivos para a formação de grupos na aprendizagem colaborativa no contexto corporativo / The application of evolutionary algorithms for group formation in collaborative learning at workplaceCaetano, Samuel Sabino 09 September 2013 (has links)
Submitted by Jaqueline Silva (jtas29@gmail.com) on 2014-09-26T21:10:33Z
No. of bitstreams: 2
Caetano, Samuel Sabino-2013-dissertação.pdf: 1031464 bytes, checksum: 39f6a5947aed90b8f7c8e56b76d93e5a (MD5)
license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) / Approved for entry into archive by Jaqueline Silva (jtas29@gmail.com) on 2014-09-26T21:12:31Z (GMT) No. of bitstreams: 2
Caetano, Samuel Sabino-2013-dissertação.pdf: 1031464 bytes, checksum: 39f6a5947aed90b8f7c8e56b76d93e5a (MD5)
license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) / Made available in DSpace on 2014-09-26T21:12:31Z (GMT). No. of bitstreams: 2
Caetano, Samuel Sabino-2013-dissertação.pdf: 1031464 bytes, checksum: 39f6a5947aed90b8f7c8e56b76d93e5a (MD5)
license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5)
Previous issue date: 2013-09-09 / Increasingly, learning in groups has become present in school environments. This fact is
also part of the organizations, when considers learning in the workplace. Conscious of the
importance of group learning at the workplace (CSCL@Work) emerges as an application
area. In Computer Supported Collaborative Learning(CSCL), researchers have been
struggling to maximize the performance of groups by techniques for forming groups.
Is that why this study developed three (3) algorithmic approaches to formation of intraheterogeneous
and inter-homogeneous groups, as well as a model proposed in this work
in which integrates dichotomous functional characteristics and preferred roles. We made
an algorithm that generates random groups, a Canonical Genetic Algorithm and Hybrid
Genetic Algorithm. We obtained the input data of the algorithm by a survey conducted
at the Court of the State of Goiás to identify dichotomous functional characteristics, and
after we categorize these characteristics, based on the data found and the model proposed
group formation. Starting at real data provided of employees whom participated in a
course by Distance Education (EaD), we apply the model and we obtained the input
data related to functional features. As regards the favorite roles, we assigned randomly
values to the employees aforementioned, from a statistical statement made by Belbin into
companies in the United Kingdom. Then, we executed the algorithms in three test cases,
one considering the preferred papers and functional characteristics, while the other two
separately considering each of these perspectives. Based on the results obtained, we found
that the hybrid genetic algorithm outperforms the canonical genetic algorithm and random
generator. / A aprendizagem em grupos tem se tornado realidade cada vez mais presente nos ambientes
de ensino. Esta realidade também faz parte das organizações quando considera-se
a aprendizagem no contexto do trabalho. Cientes da importância da aprendizagem em
grupo no ambiente de trabalho, uma nova abordagem, denominada CSCL@Work, surge
como uma aplicação da área Aprendizagem Colaborativa Apoiada pelo Computador, no
inglês, Computer Supported Collaborative Learning (CSCL), no ambiente de trabalho.
Em CSCL, pesquisadores tem se esforçado cada vez mais para maximizar o desempenho
dos grupos através de técnicas para formação de grupos. Por isso neste trabalho desenvolvemos
3 (três) abordagens algorítmicas para formação de grupos intra-heterogêneos e
inter-homogêneos, a partir de um modelo proposto nesta pesquisa, que integra características
funcionais dicotômicas e papéis preferidos. Confeccionamos um algoritmo que gera
grupos aleatoriamente, um algoritmo genético canônico e um algoritmo genético híbrido.
Para obter os dados de entrada do algoritmo, realizamos uma pesquisa no Tribunal de
Justiça do Estado de Goiás para identificar características funcionais dicotômicas, categorizamos
estas características, com base nos dados encontrados e no modelo de formação
de grupos proposto. A partir de dados reais fornecidos de funcionários que participaram de
um curso por Educação a Distância (EaD), aplicamos o modelo e obtivemos os dados de
entrada relativos às características funcionais. Quanto aos papéis preferidos, atribuímos
os valores aleatoriamente aos funcionários mencionados, partindo de um levantamento
estatístico feito por Belbin em empresas no Reino Unido. Em seguida, executamos os algoritmos
em três casos de testes, um considerando as características funcionais e papéis
preferidos, e os outros dois considerando separadamente cada uma destas perspectivas. A
partir dos resultados obtidos, constatamos que o algoritmo genético híbrido obtém resultados
superiores ao algoritmo genético canônico e método aleatório.
|
Page generated in 0.0903 seconds