Submitted by Pedro Barros (pedro.silvabarros@ufpe.br) on 2018-07-11T20:03:14Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) DISSERTAÇÃO Daniel Bion Barreiros.pdf: 539777 bytes, checksum: 8e84328a9bfeb5bf449948e1b27eaf03 (MD5) / Approved for entry into archive by Alice Araujo (alice.caraujo@ufpe.br) on 2018-07-17T22:23:26Z (GMT) No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) DISSERTAÇÃO Daniel Bion Barreiros.pdf: 539777 bytes, checksum: 8e84328a9bfeb5bf449948e1b27eaf03 (MD5) / Made available in DSpace on 2018-07-17T22:23:26Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) DISSERTAÇÃO Daniel Bion Barreiros.pdf: 539777 bytes, checksum: 8e84328a9bfeb5bf449948e1b27eaf03 (MD5) Previous issue date: 2016-08-24 / A Análise de Dados Simbólicos (ADS) é uma abordagem da área de inteligência computacional que visa desenvolver métodos para dados descritos por variáveis onde existem conjuntos de categorias, intervalos ou distribuições de probabilidade. O objetivo deste trabalho é estender um método probabilístico de agrupamento clássicos para dados simbólicos intervalares fazendo uso de funções de núcleo. A aplicação de funções de núcleo tem sido utilizada com sucesso no agrupamento para dados clássicos apresentando resultados positivos quando o conjunto de dados apresenta grupos não linearmente separáveis. No entanto, a literatura de ADS precisa de métodos probabilísticos para identificar grupos não linearmente separáveis. Para mostrar a eficácia do método proposto, foram realizados experimentos com conjuntos de dados intervalares reais, e conjuntos sintéticos fazendo uso de simulações Monte Carlo. Também se apresenta um estudo comparando o método proposto com diferentes algoritmos de agrupamento da literatura através de estatísticas que evidenciam o desempenho superior do método proposto em determinados casos. / Symbolic Data Analysis (SDA) is a domain in the computational intelligence area that aims to provide suitable methods for data described through multi-valued variables, where there are sets of categories, intervals, histograms, or weight (probability) distributions. This work aims to extend a probabilistic clustering method of classic data to symbolic interval data making use of kernel functions. The kernel functions application have been successfully used in classic data clustering showing positive results when the data set has non linearly separable groups. However, SDA literature needs more probabilistic methods to identify non linearly separable groups. To show the effectiveness of the proposed method, experiments were performed with real interval data sets, and synthetic interval data sets using Monte Carlo simulations. It is also presented a study comparing the proposed method with different clustering algorithms of the literature through statistics that demonstrate the superior performance of the proposed method in certain cases.

Submitted by Fernanda Rodrigues de Lima (fernanda.rlima@ufpe.br) on 2018-07-31T22:29:30Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Anderson Tenório Sergio.pdf: 3402351 bytes, checksum: e55ca7d89e221672a895e406c55375e7 (MD5) / Approved for entry into archive by Alice Araujo (alice.caraujo@ufpe.br) on 2018-08-07T21:19:13Z (GMT) No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Anderson Tenório Sergio.pdf: 3402351 bytes, checksum: e55ca7d89e221672a895e406c55375e7 (MD5) / Made available in DSpace on 2018-08-07T21:19:13Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Anderson Tenório Sergio.pdf: 3402351 bytes, checksum: e55ca7d89e221672a895e406c55375e7 (MD5) Previous issue date: 2017-03-17 / CNPq / A previsão de séries temporais é um importante campo de estudo em aprendizado de máquina. Já que a literatura mostra diversas técnicas para a solução desse problema, combinar saídas de diferentes modelos é uma estratégia simples e robusta. Entretanto, mesmo quando se usam tais combinadores, o experimentador pode encarar o seguinte dilema: qual técnica deve ser usada para combinar os preditores individuais? Este trabalho apresenta um arcabouço para seleção dinâmica de combinadores de previsão de séries temporais. O processo de seleção dinâmica pode ser resumido em três fases. A primeira delas é responsável pela geração do conjunto de especialistas base, sendo que esse conjunto pode ser formado por modelos de mesma natureza ou heterogêneos. A diversidade dos especialistas é importante em ambas as situações. A segunda fase, de seleção, é realizada através da estimação da competência dos modelos disponíveis no conjunto gerado na primeira fase, em respeito a regiões locais do espaço de características. No caso da seleção dinâmica, a escolha dos modelos é realizada para cada padrão de teste, ao invés de utilizar a mesma seleção para todos eles (seleção estática). A terceira fase é a integração dos modelos selecionados. No método proposto, foram utilizados como preditores individuais modelos estatísticos (lineares e não-lineares) e de aprendizado de máquina. Em relação aos combinadores, foram utilizadas algumas técnicas que usam uma base de dados independente para determinação dos pesos da combinação linear e outros métodos que não possuem essa necessidade. Foram propostos dois algoritmos de seleção dinâmica, baseados em acurácia e comportamento. Para cada um deles, foram implementadas variações no que diz respeito ao uso de todos ou dos melhores preditores e combinadores do comitê. Para testar o método proposto, dez séries temporais caóticas foram utilizadas: Mackey-Glass, Lorenz, Rossler, Henon, Periodic, Quasi-Periodic, Laser e três séries produzidas a partir de exames de eletroencefalograma. A previsão de séries caóticas tem importância para várias áreas de atuação humana como astronomia e processamento de sinais, sendo que algumas das séries que foram testadas também funcionam como benchmark em diversas pesquisas. As melhores variações dos algoritmos de seleção dinâmica propostos alcançaram resultados satisfatórios em todas as bases de dados. Após a realização de testes estatísticos, comprovou-se que os métodos foram superiores aos melhores combinadores e preditores base na maioria dos cenários, para previsão de curto e longo alcance. / Time series forecasting is an important research field in machine learning. Since the literature shows several techniques for the solution of this problem, combining outputs of different models is a simple and robust strategy. However, even when using combiners, the experimenter may face the following dilemma: which technique should one use to combine the individual predictors? This work presents a framework for dynamic selection of forecast combiners. The dynamic selection process can be summarized in three steps. The first one is responsible for the generation of the base experts set, and this set can be formed by models of the same kind or heterogeneous ones. The diversity of the experts is important in both cases. The second phase (selection) is carried out by estimating the competence of the available models in the set generated in the first phase, with respect to local regions of the feature space. In the case of dynamic selection, the model selection is performed for each test pattern, instead of using the same selection for all of them (static selection). The third phase is the integration of the selected models. In the proposed method, predictors from statistics (linear and nonlinear) and machine learning were used. As combiners, we chose techniques that use extra data and some others that do not require an independent dataset for determining the weights of the linear combination. Two dynamic selection algorithms were proposed, based on accuracy and behavior. For each of them, variations were implemented with respect to the use of all or the best predictors and combiners of the pool. To test the proposed method, ten chaotic time series were used: Mackey- Glass, Lorenz, Rossler, Henon, Periodic, Quasi-Periodic, Laser and three time series produced from electroencephalogram exams. The prediction of chaotic series is important for many areas of human activity such as astronomy and signal processing, and those that were tested also are used as benchmark in several works. The best variations of the proposed dynamic selection algorithms have achieved satisfactory results in all databases. After performing statistical tests, it was verified that the methods were superior to the best combiners and predictors based on most scenarios, for short and long term forecasting.

Submitted by Pedro Barros (pedro.silvabarros@ufpe.br) on 2018-08-01T20:38:56Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Rodolfo Carneiro Cavalcante.pdf: 4472525 bytes, checksum: b8913f87ac611abb2701ce3e4918cbcb (MD5) / Approved for entry into archive by Alice Araujo (alice.caraujo@ufpe.br) on 2018-08-02T20:05:14Z (GMT) No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Rodolfo Carneiro Cavalcante.pdf: 4472525 bytes, checksum: b8913f87ac611abb2701ce3e4918cbcb (MD5) / Made available in DSpace on 2018-08-02T20:05:14Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Rodolfo Carneiro Cavalcante.pdf: 4472525 bytes, checksum: b8913f87ac611abb2701ce3e4918cbcb (MD5) Previous issue date: 2017-03-13 / FACEPE / A time series is a collection of observations measured sequentially in time. Several realworld dynamic processes can be modeled as time series. One of the main problems of time series analysis is the forecasting of future values. As a special kind of data stream, a time series may present concept drifts, which are changes in the underlying data generation process from time to time. The concept drift phenomenon affects negatively the forecasting methods which are based on observing past behaviors of the time series to forecast future values. Despite the fact that concept drift is not a new research area, the effects of concept drifts in time series are not widely studied. Some approaches proposed in the literature to handle concept drift in time series are passive methods that successive update the learned model to the observations that arrive from the data stream. These methods present no transparency to the user and present a potential waste of computational resources. Other approaches are active methods that implement a detect-and-adapt scheme, in which the learned model is adapted just after the explicit detection of a concept drift. By using explicit detection, the learned model is updated or retrained just in the presence of drifts, which can reduce the space and computational complexity of the learning system. These methods are generally based on monitoring the residuals of a fitted model or on monitoring the raw time series observations directly. However, these two sources of information (residuals and raw observations) may not be so reliable for a concept drift detection method applied to time series. Residuals of a fitted model may be influenced by problems in training. Raw observations may present some variations that do not represent significant changes in the time series data stream. The main contribution of this work is an active adaptive learning system which is able to handle concept drift in time series. The proposed method, called Feature Extraction and Weighting for Explicit Concept Drift Detection (FW-FEDD) considers a set of time series features to detect concept drifts in time series in a more reliable way, being trustworthy and transparent to users. The features considered are weighted according to their importance to define concept drifts at each instant. A concept drift test is then used to detect drifts in a more reliable way. FW-FEDD also implements a forecasting module composed by a pool of forecasting models in which each model is specialized in a different time series concept. Several computational experiments on both artificial and real-world time series showed that the proposed method is able to improve the concept drift detection accuracy compared to methods based on monitoring raw time series observations and residual-based methods. Results also showed the superiority of FW-FEDD compared to other passive and active adaptive learning systems in terms of forecasting performance. / Uma série temporal é uma coleção de observações medidas sequencialmente no tempo. Diversos processos dinâmicos reais podem ser modelados como uma série temporal. Um dos principais problemas no contexto de séries temporais é a previsão de valores futuros. Sendo um tipo especial de fluxo de dados, uma série temporal pode apresentar mudança de conceito, que é a mudança no processo gerador dos dados. O fenômeno da mudança de conceito afeta negativamente os métodos de previsão baseados na observação do comportamento passado da série para prever valores futuros. Apesar de que mudança de conceito não é uma nova área, os efeitos da mudança de conceito em séries temporais ainda não foram amplamente estudados. Algumas abordagens propostas na literatura para tratar esse problema em séries temporais são métodos passivos que atualizam sucessivamente o modelo aprendido com novas observações que chegam do fluxo de dados. Estes métodos não são transparentes para o usuário e apresentam um potencial consumo de recursos computacionais. Outras abordagens são métodos ativos que implementam um esquema de detectar-e-adaptar, no qual o modelo aprendido é adaptado somente após a detecção explícita de uma mudança. Utilizando detecção explícita, o modelo aprendido é atualizado ou retreinado somente na presença de mudanças, reduzindo a complexidade computacional e de espaço do sistema de aprendizado. Estes método são geralmente baseados na monitoração dos resíduos de um modelo ajustado ou na monitoração dos dados da série diretamente. No entanto, estas duas fontes de informação (resíduos e dados crus) podem não ser tão confiáveis para um método de detecção de mudanças. Resíduos de um modelo ajustado podem ser influenciados por problemas no treinamento. Observações cruas podem apresentar variações que não representam mudanças significativas no fluxo de dados. A principal contribuição deste trabalho é um sistema de aprendizado adaptativo ativo capaz de tratar mudanças de conceito em séries temporais. O método proposto, chamado de Feature Extraction and Weighting for Explicit Concept Drift Detection (FW-FEDD) considera um conjunto de características da série temporal para detectar mudança de conceito de uma forma mais confiável, sendo transparente ao usuário. As características consideradas são ponderadas de acordo com sua importância para a definição das mudanças em cada instante. Um teste de mudança de conceito é utilizado para detectar as mudanças de forma mais confiável. FW-FEDD também implementa um módulo de previsão composto por um conjunto de modelos de previsão onde cada modelo é especializado em um conceito diferente. Diversos experimentos computacionais usando séries reais e artificiais mostram que o método proposto é capaz de melhorar a detecção de mudança de conceito comparado com métodos baseados na monitoração de dados crus da série e métodos baseados em resíduos. Resultados também mostraram a superioridade do FW-FEDD comparado com outros métodos de aprendizado adaptativo ativos e passivos em termos de acurácia de predição.

Submitted by Pedro Barros (pedro.silvabarros@ufpe.br) on 2018-08-14T18:55:09Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Elliackin Messias do Nascimento.pdf: 4712819 bytes, checksum: a74e4ee711cd8b7a125b8b4404512853 (MD5) / Approved for entry into archive by Alice Araujo (alice.caraujo@ufpe.br) on 2018-08-16T19:59:21Z (GMT) No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Elliackin Messias do Nascimento.pdf: 4712819 bytes, checksum: a74e4ee711cd8b7a125b8b4404512853 (MD5) / Made available in DSpace on 2018-08-16T19:59:21Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Elliackin Messias do Nascimento.pdf: 4712819 bytes, checksum: a74e4ee711cd8b7a125b8b4404512853 (MD5) Previous issue date: 2017-02-17 / CNPq / Many-Objective Optimization Problems (MaOPs) são uma classe especial de problemas multiobjetivos que apresentam quatro ou mais objetivos. Algoritmos evolucionários ou de enxame de partículas tradicionais falham ao tentarem resolver MaOPs pois eles se tornam ineficazes ou ineficientes nestes problemas. Em virtude disso, alguns pesquisadores propuseram diferentes estratégias para contornar as dificuldades impostas por MaOPs, sobretudo para Multiobjective Evolutionary Algorithms (MOEAs) tradicionais para esses problemas. Em contrapartida, muito pouco tem sido feito no sentido de adaptar algoritmos de Multiobjective Particle Swarm Optimizations (MOPSOs) para MaOPs. Não obstante, algoritmos baseados em enxames de partículas no geral são reconhecidos pela rápida velocidade de convergência em problemas com um único objetivo e por isso parecem ser também adequados para problemas multiobjetivos e com muitos objetivos. Desta forma, existe a necessidade de se desenvolver MOPSOs para lidar com MaOPs. Sendo assim, o objetivo desta tese foi desenvolver um MOPSO para resolver MaOPs no sentido de promover um maior balanceamento entre convergência para Frente de Pareto e diversidade de soluções nesses problemas. Para isso, o algoritmo proposto nesta tese usa um conjunto de pontos de referência para impor uma pressão de convergência para a Frente de Pareto enquanto permite um maior gerenciamento da diversidade. Além disso, a abordagem proposta usa um arquivo externo em que são armazenadas soluções não-dominadas e do qual são retirados os líderes sociais das partículas de acordo com duas medidas que foram propostas nesta tese, a saber, a medida de convergência e a medida de densidade. O objetivo dessas medidas é promover a convergência para a Frente de Pareto e promover a diversidade ao longo dela simultaneamente. A proposta foi avaliada usando seis problemas da família DTLZ com dois, três, cinco, sete e dez objetivos e usando métricas bem estabelecidas na literatura (distância geracional, distância geracional invertida e hipervolume) para medir a convergência e diversidade do conjunto solução obtido pelo algoritmo; e ele foi comparado com duas abordagens baseadas em enxames (SMPSO e CDAS-SMPSO) e três abordagens evolucionárias (CEGA, MDFA, e NSGA-III) afim de mostrar suas vantagens e pontos de melhorias frente a outros algoritmos bem estabelecidos na literatura. Os resultados mostraram que o algoritmo proposto foi bem sucedido em equilibrar convergência e diversidade nos problemas testados apresentando resultados equivalentes ou superiores ao NSGA-III que é uma das propostas mais bem sucedidas até o momento para lidar com problemas com muitos objetivos. Além disso, o algoritmo proposto foi aplicado em um problema real de projeto de redes ópticas de alta capacidade com o intuito de avaliar sua utilidade prática. / Many-Objective Optimization Problems (MaOPs) are an especial class of multiobjective problems in which four or more objectives are optimized simultaneously. Currently, these problems have attracted attention of the researchers due the two reasons: (i) many real-world applications are naturally many-objective problems and (ii) population-based heuristics presents great difficulties for solving these problems. For example, Paretodominance based algorithms such as Multiobjective Evolutionary Algorithms (MOEAs) and Multiobjective Particle Swarm Optimization (MOPSO) algorithms are ineffective in these problems because almost all solutions in the population become non-dominated solutions, resulting in loss of convergence pressure for the Pareto front. Because of this, researchers have proposed new strategies for dealing with this problems, mainly for MOEAs. However, very little has been done to make the MOPSOs effective in these scenarios. Regardless of this, Particle Swarm Optimization (PSO) algorithms are known by fast speed of convergence in single-objective problems and they seem be suitable for MaOPs. Moreover, to create algorithms that are capable of balancing both convergence and diversity is a research challange. Therefore, there are a necessity to develop PSO-based algorithms for dealing with MaOPs. Thus, this thesis proposes a new algorithm based on PSO whose aim is to promote a better balancing between convergence toward the Pareto front and diversity of solutions. To achieve this aim, the proposed algorithm uses a set of reference points to impose a selection pressure to Pareto front while it allows a better control of the diversity. Furthermore, our algorithm use an external archive where it maintains non-dominated solutions and from which the social leaders are picked in according to two measures proposed for us, namely, the convergence measure and the density measure. The objective of these measures is to promote the convergence toward Pareto Front and to promote the diversity along it simultaneously. To evaluate our algorithm we used three well-known metrics in the literature, namely, generational distance, inverted generational distance, and hypervolume; and six benchmark problems of the DTLZ family with two, three, five, seven and ten objectives. Moreover, the algorithm was compared to two PSObased algorithms (SMPSO and CDAS-SMPSO) and three evolutionary algorithms (MDFA, CEGA and NSGA-III). The results showed that our algorithm was sucessful in balancing the requirements of convergence and diversity in the test problems compared to other algorithms in the literature. Besides, our algorithm was applied in a real-world problem involving the physical topology design of optical network in which it obtained good results.

Submitted by Pedro Barros (pedro.silvabarros@ufpe.br) on 2018-08-14T18:23:03Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Viviane Cristina Oliveira Aureliano.pdf: 6810701 bytes, checksum: f4469af40a09e58db642f1ad9a4b71e7 (MD5) / Approved for entry into archive by Alice Araujo (alice.caraujo@ufpe.br) on 2018-08-16T20:07:25Z (GMT) No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Viviane Cristina Oliveira Aureliano.pdf: 6810701 bytes, checksum: f4469af40a09e58db642f1ad9a4b71e7 (MD5) / Made available in DSpace on 2018-08-16T20:07:25Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Viviane Cristina Oliveira Aureliano.pdf: 6810701 bytes, checksum: f4469af40a09e58db642f1ad9a4b71e7 (MD5) Previous issue date: 2016-02-22 / CAPES / Começar a programar é considerado difícil pela maioria dos estudantes. Normalmente, as disciplinas introdutórias de programação estão relacionadas a altas taxas de reprovação e de evasão. Ensinar programação é considerado um dos grandes desafios da área de educação em computação. Aliado a isso, os estudantes de programação adotam metodologias de estudo que são ineficientes. Eles decoram soluções para os problemas ao invés de entendê-las, estudam de maneira passiva ou superficial e fazem poucos exercícios. Estes estudantes também possuem um tipo de conhecimento dito frágil, que é aquele conhecimento que eles possuem, mas não conseguem aplicar em novas situações ou problemas encontrados. Para minimizar as dificuldades dos iniciantes em programação, os professores devem apresentar o processo de programação aos estudantes, guiando-os durante a construção dos programas. Uma maneira de fazer isso é através da utilização do Stepwise Improvement (FSI), um framework conceitual que descreve a atividade de programação como um processo sistemático e incremental composto pelas atividades de extensão, refinamento e reestruturação. A partir do emprego do FSI para a construção de materiais instrucionais, os estudantes podem aprender programação desenvolvendo pequenos pedaços de código sistemática e incrementalmente. Além disso, os professores devem propor atividades de aprendizado que permitam que os estudantes empreguem metodologias de estudo que sejam mais eficazes. Neste caso, uma atividade de aprendizado considerada eficiente para os estudantes é a auto-explicação. A auto-explicação é uma atividade construtiva que auxilia os estudantes a entender o que está sendo estudado e a construir conhecimento a partir deste material. Auto-explicar durante os momentos de estudo mostrou ser eficiente para estudantes estudando a partir de diferentes materiais instrucionais e em diversas disciplinas. A prática da auto-explicação foi pouco explorada na área de Programação, tendo sido aplicada, por exemplo, no estudo de exemplos apresentados estaticamente aos estudantes. Contudo, a literatura não relata a utilização da auto-explicação para o ensino do processo de construção de programas aos estudantes. No intuito de preencher esta lacuna, o objetivo principal desta tese é propor uma abordagem chamada Stepwise Self-explanation. Nesta abordagem, lançamos mão do FSI para estruturar exemplos trabalhados em vídeo utilizados como material instrucional de cursos introdutórios de programação. Adicionalmente, utilizamos a técnica da auto-explicação como atividade de aprendizagem e como forma de orientar o processo de reflexão dos estudantes. Propusemos duas versões da abordagem, uma versão piloto e uma versão refinada. A versão piloto da abordagem foi avaliada por meio de um experimento piloto com estudantes matriculados no ensino médio e técnico. Os resultados deste experimento mostraram que uma abordagem promissora, mas que precisava de melhorias em sua estrutura. A versão refinada da abordagem foi avaliada por meio de três quase-experimentos com estudantes matriculados no ensino médio, técnico e superior. Os resultados obtidos nestes quase-experimentos foram encorajadores. Eles mostraram que os estudantes que fizeram uso da abordagem cometeram menos erros em seus programas do que os outros estudantes, resultando em um melhor desempenho nos pós-testes. A abordagem também obteve um feedback positivo dos estudantes e dos professores que a avaliaram. / Most beginners find it difficult to start programming. Typically, introductory programming disciplines have high failure and dropout rates. Teaching programming is considered to be one of the greatest challenges in Computer Education. In addition, programming students tend to adopt inefficient study methodologies. They memorize problem solutions rather than understand them, study passively or superficially, and do few exercises. To minimize novices’ difficulties, teachers should reveal the programming process to students, guiding them carefully while they are building programs. One way of doing so is through the use of the Stepwise Improvement (FSI), a framework that describes programming as a systematic and incremental process consisting of extension, refinement and restructuring activities. By using FSI, novices learn programming by developing small pieces of code in a systematic and incremental way. Besides that, teachers should propose learning activities that allow students to employ more effective study methodologies. In this situation, an evidence-based learning activity is self-explanation. Self-explanation is a constructive activity that helps students understand and build knowledge from instructional material. Self-explaining while studying has proven to be efficient for students studying from different instructional materials in various subjects. Although recommended as one of the seven practices for improving teaching and learning, self-explanation has been little explored in Programming Education. In fact, the literature does not report the use of self-explanation together with the process of building programs. In order to fill in this gap, the main goal of this thesis is to propose an approach called Stepwise Self-explanation. In this approach, we use FSI to structure examples presented in video as instructional material for introductory programming courses. Besides that, we use the self-explanation technique as a learning activity and as a way to guide the students’ reflection process. We proposed two versions of the approach, a pilot version and a refined version. The pilot version was evaluated through an experiment with high-school and technical students. The results of this experiment showed that the approach was promising, but needed improvements in its structure. The refined version of the approach was evaluated through three quasi-experiments with high-school, technical and university students. The results were very encouraging. They showed that students who used the approach made fewer mistakes in their programs, and performed better in the post-tests. The approach also received positive feedback from students and teachers who evaluated it.

Made available in DSpace on 2018-08-01T23:40:34Z (GMT). No. of bitstreams: 1 tese_7522_Dissertação de Claudia.pdf: 1317892 bytes, checksum: f08ec439ad4779ff72f8cd7ede1de1b4 (MD5) Previous issue date: 2014-02-28 / Este trabalho de mestrado tem como objetivo principal investigar a intensidade em que a orientação analítica das empresas pode impactar nas inovações de processos. Esta pesquisa propõe também elaborar um conceito mais abrangente e consistente para um assunto ainda emergente no mundo acadêmico: o conceito sobre abordagem analítica, que na linguagem internacional é conhecido como Business Analytics (BA). A plataforma teórica utilizada se baseia nas discussões acerca do processo decisório e da inteligência competitiva. Na metodologia, foi aplicada a técnica de modelagem de equações estruturais para testaras relações estabelecidas no modelo estrutural proposto, onde foram considerados os constructos Habilidades Analíticas, Tecnologia Analítica, Qualidade de Dados, Comprometimento da Liderança, Estratégia analítica, Abordagem Analítica (BA) e Inovação de Processos. O trabalho de coleta de dados foi realizado através de uma base de dados de Clientes da empresa SAS no Brasil, uma das maiores empresas fornecedoras de soluções analíticas do mundo, com sede nos Estados Unidos e filiais espalhadas em todo mundo, o que proporciona ao trabalho uma maior consistência nos seus resultados. O estudo concluiu que a abordagem analítica (BA) tem um forte impacto na Inovação de Processos e que o constructo Estratégia possui uma grande relevância preditiva em BA.

Made available in DSpace on 2018-08-02T00:03:48Z (GMT). No. of bitstreams: 1 tese_10536_ata de defesa.pdf: 644029 bytes, checksum: 2e20b1b2d039a2f5a18a5ea219fc6482 (MD5) Previous issue date: 2016-12-19 / ...

Orientador: Heloisa Vieira da Rocha / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação / Made available in DSpace on 2018-07-22T21:22:10Z (GMT). No. of bitstreams: 1 Brenner_MaurenFernandaMeira_M.pdf: 3007263 bytes, checksum: c27f5a627a42ec00450c675feab2f59b (MD5) Previous issue date: 1996 / Resumo: A Sociedade da Mente é o nome dado a um conjunto de propostas de estruturas e mecanismos subjacentes à mente e à inteligência. Estas propostas foram desenvolvidas por Marvin Minsky e apresentadas principalmente durante a década de 80. Entre elas está a noção de que a mente é constituída por unidades desprovidas de inteligência chamadas agentes, unidades estas que podem ser identificadas em diversos níveis de abstração, sendo o mais "baixo" deles o nível equivalente ao neural. A noção de agente é usada para definir os conceitos e mecanismos relativos ao funcionamento integrado da mente como um todo, ou seja, relativos à coordenação dos agentes. O conceito central é o de estado mental parcial, que corresponde ao estado de um subconjunto dos agentes da mente. Estados mentais parciais constituem o meio de comunicação entre grupos de agentes, que na Sociedade da Mente são chamados agências, e são controlados através de agentes especiais que implementam determinados mecanismos de coordenação. Neste trabalho, a Sociedade da Mente é usada como fundamento para uma arquitetura para agentes inteligentes. Uma vez que na Sociedade da Mente a mente é composta por agentes, segue-se que o próprio agente também deve ser constituído de agentes menores, coordenados mediante os mecanismos propostos na Sociedade da Mente. Assim, projetamos uma arquitetura para agentes inteligentes baseada na Sociedade da Mente como uma arquitetura de um sistema multi-agente (um sistema de Inteligência Artificial Distribuída), onde a comunicação e coordenação entre os agentes são feita de uma forma inspirada no conceito de estados mentais parciais e nos mecanismos de coordenação da Sociedade da Mente. Descrevemos o processo de desenvolvimento no qual a arquitetura foi transformada desde um mapeamento direto entre agentes e agências da Sociedade da Mente e agentes da arquitetura multi-agentes, até a sua versão final baseada no modelo de blackboard, o qual constitui um paradigma bem conhecido em Inteligência Artificial Distribuída. Na arquitetura resultante, os mecanismos de coordenação da Sociedade da Mente servem como modelo para objetos organizados nas diferentes seções do blackboard. Esses objetos são "ativos", no sentido de que não constituem apenas informações a serem manipuladas, mas possuem também funcionalidades específicas, segundo as quais atuam como os mecanismos de coordenação da Sociedade da Mente. Mencionamos algumas possibilidades de aplicações usando a arquitetura desenvolvida e descrevemos em detalhe a implementação de uma dessas aplicações, que consiste em um agente que conta uma história. Esta implementação constituiu em uma experiência com o intuito de testar não somente a viabilidade da arquitetura proposta, mas também a própria metodologia deste trabalho, que foi a de tomar o modelo teórico da Sociedade da Mente como ponto de partida em lugar de projetar uma arquitetura para realizar alguma tarefa específica. / Abstract: The Society of Mind is a collection of proposals concerning structures and mechanisms underlying mind and intelligence. These proposals were developed by Marvin Minsky and presented mostly during the 80s. Among them, there is the notion that the mind is made up of mindless units called agents. Such units can be identified at many levels, the lowest of them being the equivalent to the neural level. The Society of Mind relies upon the notion of agent to define the concepts and mechanisms concerning the working of the mind as a whole, i.e. concerning the coordination of agents. The central concept is the partial mental state, which corresponds to the description of the states of some agents of the mind. Groups of agents, which are called agencies in the Society of Mind, communicate through partial mental states, which are controlled by special agents that implement certain coordination mechanisms. In this work, the Society of Mind is taken as a foundation for an intelligent agent architecture. Since in the Society of Mind the mind itself comprises many agents, it follows that the intelligent agent should be made up from smaller agents, coordinated through the mechanisms of the Society of Mind. Thus, we have designed an intelligent agent architecture based on the Society of Mind as an architecture of a multi-agent system (a Distributed Artificial Intelligence system), where the communication and coordination between agents is done in a way which is inspired on the concept of partial mental states and on the coordination mechanisms of the Society of Mind. We have described the design process through which the architecture was transformed from a direct mapping between agents and agencies of the Society of Mind to its final version based on the blackboard model, which is a well-known Distributed Artificial intelligence paradigm. The coordination mechanisms of the Society of Mind work as models for objects placed in the different sections of the blackboard. These objects are "active" in the sense that they do not only contain information to be operated upon, but also have specific functionalities according to which they act like the coordination mechanisms of the Society of Mind. We have mentioned some possibilities of applications using the architecture we developed, and described in some detail the implementation of one of those applications: a story-telling agent. This implementation. Was an experience whose objective was to test the feasibility of the proposed architecture as well as the methodology of this work itself which consisted of taking the theoretical model of the Society of Mind as a starting point instead of designing an architecture to perform some particular task. / Mestrado / Mestre em Ciência da Computação

Orientador: Ronei J. Poppi / Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Quimica / Made available in DSpace on 2018-08-03T12:13:26Z (GMT). No. of bitstreams: 1 CostaFilho_PauloAugustoda_D.pdf: 7827416 bytes, checksum: db6e8f14f45bb5d25883da0f18627f43 (MD5) Previous issue date: 2003 / Doutorado

Orientador: Jacques Wainer / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação / Made available in DSpace on 2018-08-03T19:58:40Z (GMT). No. of bitstreams: 1 Santos_AlexandreAlvesdos_M.pdf: 2430708 bytes, checksum: 4d54e8823765ab7363734fc40baf3373 (MD5) Previous issue date: 2003 / Resumo: O processo de fusão de dados de múltiplos sensores é dividido em etapas. Uma delas é a avaliação de ameaças geradas por uma ou mais entidades em determinado ambiente. Esta etapa normalmente requer técnicas de inteligência artificial para obter inferências sobre as informações oriundas dos sensores. Neste contexto, a técnica chamada de in-ferência abdutiva, que pode ser utilizada na solução de problemas de diagnóstico através do relacionamento causal entre sintomas e desordens, é usada como método de inferência no problema de defesa aeroespacial através do relacionamento causal entre aeronaves, armamentos e alvos. Este trabalho apresenta um modelo de solução para o problema de avaliação de ameaças na defesa aeroespacial utilizando a técnica da iníerência abdutiva em um con-texto de fusão de dados de múltiplos sensores. A modelagem emprega informações de fabricantes de armamentos e aeronaves, da inteligência militar, e de instalações de im-portância para o país em um esforço de guerra. A lógica abdutiva foi utilizada para especificar possíveis alvos de aeronaves detectadas, identificadas e classificadas em um sistema de fusão de dados. A seletividade destes alvos diminui vulnerabilidades como o uso do radar de defesa antiaérea nos pontos não atacados e facilita as tomadas de decisão. Os resultados mostram que a lógica abdutiva constitui um método eficiente para a solução deste tipo de problema / Abstract: The multisensor data fusion process is divided in stages. One of them is the evaluation of threats created by one or more entities in a certain environment. This stage usually requires artificial intelligence techniques to achieve inferences from the sensors. In this context, the technique called abductive inference, that can be used in the solution of diagnostic problems through the causal relationship between symptoms and disorders, is used as the method of inference in the airspace defense problem through the causal relationship among aircrafts, weapons and targets. This work presents a solution model for the airspace defense threats evaluation prob-lem using abductive inference in a multisensor data fusion contexto This modeling uses information from weapons and aircraft manufacturers, military intelligence and impor-tant country locations in a war situation. Abductive logic was used to specify possible targets for detected, identified and classified enemy aircrafts in a data fusion system. Identifying these targets can eliminate vulnerabilities such as using air defense radars in non-target locations and providing assistance to decision-making processes. Results show that abductive inference is an efficient method for the solution proposed. / Mestrado / Mestre em Ciência da Computação