Nesta tese são investigados três problemas básicos em aprendizado supervisionado: seleção de atributos, composição de atributos e combinação de classificadores simbólicos. A seleção de atributos é uma atividade de pré-processamento de dados que seleciona um subconjunto de atributos do conjunto original de exemplos. Existem, basicamente, três abordagens que são empregadas para a seleção de atributos: embutida, filtro e wrapper; as duas últimas pesquisadas neste trabalho. Os experimentos realizados, utilizando diversos indutores e conjuntos de exemplos, para avaliar as abordagens filtro e wrapper nos permitem concluir que o uso de filtros deve ser considerado antes de se cogitar a utilização de wrappers, no caso de existirem muitos atributos para descrever os exemplos. Sob a perspectiva de compreensibilidade do conhecimento induzido, a análise sobre o impacto da seleção de atributos em um classificador simbólico mostrou um aumento do número de regras e do número de condições por regra. A composição de atributos, também conhecida como indução construtiva, é outra atividade de pré-processamento de dados. Dentre as várias abordagens de composição de atributos (guiada por dados, por hipótese, por conhecimento e multi-estratégia), nesta tese é proposta uma metodologia para composição de atributos guiada pelo conhecimento. Os resultados dos experimentos realizados utilizando a metodologia proposta mostram que, mesmo com o auxílio do usuário/especialista, é difícil construir atributos derivados que sejam realmente relevantes para aprender o conceito embutido nos conjuntos de exemplos analisados de repositórios (naturais), os quais, muitas vezes, já foram pré-processados. Esse fato foi confirmado, por um trabalho posterior, com dados do mundo real, no qual a metodologia proposta mostrou seu potencial. A combinação de classificadores, simbólicos ou não, é uma atividade de mineração de dados. Na realidade, uma das preocupações do Aprendizado de Máquina simbólico é que os classificadores induzidos devem ser fáceis de serem compreendidos pelos seres humanos. Para isso, deve-se escolher o indutor com bias mais adequado para cada tipo de situação, já que pesquisas mostraram que não existe o 'melhor' indutor para todos os domínios. Aliada a essa escolha, é possível fazer uso de vários classificadores, combinando-os num único classificador final, formando um ensemble. Os ensembles possuem a tendência de melhorar o desempenho na classificação de exemplos não vistos durante o processo de aprendizado. Entretanto, o emprego de ensembles dificulta a compreensão humana sobre o comportamento do classificador final, já que ele deixa de ser simbólico, mesmo assumindo que cada classificador individual que o compõe seja simbólico. Na realidade, a combinação de classificadores simbólicos - provenientes de diferentes indutores - em um classificador final também simbólico é um tópico novo de pesquisa, ainda com poucos resultados divulgados. Com o objetivo de preencher essa lacuna, é proposto e desenvolvido neste trabalho o sistema Xruler. Para isso, inicialmente foi definido o formato padrão de regras PBM, o qual fornece uma perspectiva unificada sob a qual todo classificador simbólico pode ser convertido e analisado. Dentre outros componentes, o sistema Xruler possui um algoritmo de cobertura que pode ser aplicado ao conjunto de regras induzidas por diversos indutores para se obter um classificador simbólico final. Nos experimentos realizados com o sistema Xruler os resultados obtidos mostraram aumento da precisão e redução do número de regras. Sob o aspecto sintático das regras, isso pode ser considerado um avanço no sentido de uma maior compreensibilidade por seres humanos do conjunto final de regras.

Submitted by Isaac Francisco de Souza Dias (isaac.souzadias@ufpe.br) on 2016-01-27T17:15:55Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) tbac-tese-biblioteca.pdf: 1708133 bytes, checksum: 358aacd6d090f9b7678979be16cc120e (MD5) / Made available in DSpace on 2016-01-27T17:15:55Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) tbac-tese-biblioteca.pdf: 1708133 bytes, checksum: 358aacd6d090f9b7678979be16cc120e (MD5) Previous issue date: 2015-04-23 / CAPES / Um dos problemas de reconhecimento de faces consiste em identificar quem é a pessoa cuja imagem do rosto está em uma fotografia. A representação digital desta imagem contém milhares de pixels, cada um representando a intensidade de iluminação de uma minúscula região da imagem. O problema de reconhecimento pode ser simplificado se forem extraídas poucas dezenas de características para representar toda a imagem. Neste trabalho são propostas duas metodologias de extração de características. Uma destas metodologias chama-se Agrupamento de Pixels e a outra Autofaces Fracionárias. A partir de cada uma destas metodologias são propostas técnicas de extração de características. Tais técnicas têm a mesma aplicação que a técnica de referência Autofaces (Eigenfaces): geram projeções lineares das imagens de face. Cada uma dessas projeções é dita uma característica extraída, a qual contém informações sobre propriedades visuais da imagem de face. Com a primeira metodologia proposta, Agrupamento de Pixels, são definidas duas técnicas de extração de características, Pedaçospor- valor e Pedaços-por-posição. Pedaços-por-valor define regiões da face com intensidade similar. Pedaços-por-posição define regiões por relações de vizinhança. Em ambos os métodos é extraída uma característica para cada região. Estas técnicas obtiveram taxa de reconhecimento superior a outros métodos no estado da arte. Foi demonstrado com um experimento com dados artificiais que esta técnica é capaz de extrair características discriminantes mesmo sendo uma técnica não-supervisionada. Pedaços-por-valor também é avaliada na aplicação de compressão de imagens. Demonstra-se que esta representação é mais fiel ao original do que a compressão JPEG se comprimida ao máximo. A segunda metodologia proposta também é não-supervisionada. Inspira-se em Autofaces e na técnica no estado da arte PCA Fracionário. Com esta metodologia são definidas três técnicas de extração de características. Experimentos mostram que estas técnicas extraem características que levam a uma taxa de reconhecimento maior do que as técnicas das quais são derivadas. Um experimento em visualização de dados propõe uma explicação para as vantagens destas técnicas: aumentam a fronteira de decisão; e aproximam os exemplos da mesma classe, diminuindo a sobreposição entre classes distintas. / One problem in face recognition is to identify who is the person shown in a photography. The digital representation of such photo, an image, has thousands of pixels, each pixel represent the light intensity of a tiny image region. The recognition problem is simpler if dozens of features are extracted to represent all the image. We propose two feature extraction frameworks for face recognition: Pixel Clustering and Fractional Eigenfaces. Feature extraction techniques are defined from each framework. Such techniques are applied similarly to the benchmark method Eigenfaces: they define linear projections of the face images. Each projection is an extracted feature, which encodes face visual properties. In the proposed Pixel Clustering framework, two methods are defined, Intensity-patches and Position-patches. Intensity-patches defines regions in the image that have similar intensity values. Position-patches defines regions according to neighborhood of pixels. In both methods, a single feature is extracted for each region. These methods have higher accuracy compared to other state-of-the-art for face recognition techniques. As demonstrated in experiments with artificial data, Intensity-patches is able to extract discriminant features even though it is an unsupervised method. Value-patches is also used for image compression and, compared to the JPEG compression, it generates images more similar to the original for high level compression. The second proposed framework is inspired in the Fractional PCA (FPCA) method, and the Eigenfaces method for face recognition. Three feature extraction techniques are proposed using this framework: Fractional Eigenfaces, Improved Fractional Eigenfaces, and Improved Eigenfaces. These methods presented higher accuracy rates in the face recognition problem compared to FPCA and Eigenfaces. An explanation for their performance is presented using a data visualization experiment: we show that the decision frontier is enlarged, and samples of the same class are approximated, avoiding class overlap.

Orientador: Lee Luan Ling / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação / Made available in DSpace on 2018-08-24T05:09:39Z (GMT). No. of bitstreams: 1 FernandezMerjildo_DiegoAlonso_M.pdf: 6281716 bytes, checksum: 6e22526557511699a8961e5b44949c78 (MD5) Previous issue date: 2013 / Resumo: O presente trabalho propõe um algoritmo AdaBoost modificado, que minimiza o efeito do overfitting no treinamento produzido por amostras ruidosas. Para este fim, a atualização da distribuição de pesos é feita baseado na fragmentação do erro de treinamento, o qual permite atualizar efetivamente as amostras classificadas incorretamente para cada nível de taxa de erro. Subsequentemente, o algoritmo desenvolvido é aplicado no processo de detecção de faces, utilizando os Padrões Binários Locais Multi-Escala em Blocos (Multiscale Block Local Binary Patterns (MB-LBP)) como padrões característicos para formação de uma cascata de classificadores. Os resultados experimentais mostram que o algoritmo proposto é simples e eficiente, evidenciando vantagens sobre os algoritmos AdaBoost clássicos, em termos de maior capacidade de generalização, prevenção de overfitting e maiores taxas de acerto em imagens de baixa resolução / Abstract: This work aims a modification to the AdaBoost algorithm applied to face detection. Initially, we present the approaches used in face detection, highlighting the success of methods based on appearance. Then, we focus on the AdaBoost algorithm, its performance and the improvements realized by author as published literature. Despite the indisputable success of Boosting algorithms, it is affected by the high sensitivity to noisy samples. In order to avoid overfitting of noisy samples, we consider that the error rate is divided into fragmentary errors. We introduce a factor based on misclassified samples, to update the weight distribution in the training procedure. Furthermore, the algorithm developed is applied to face detection procedure, for which it is used Block Multiscale Local Binary Patterns (MB-LBP) in feature extraction as well as a cascade of classifiers. The experimental results show that the proposal to include a factor based on the frequency of misclassified samples, is simple and efficient, showing advantages over classical AdaBoost algorithms, which include ability to generalize, preventing overfitting and higher hit rates in images of low resolution / Mestrado / Telecomunicações e Telemática / Mestre em Engenharia Elétrica

Submitted by Isaac Francisco de Souza Dias (isaac.souzadias@ufpe.br) on 2016-04-22T19:31:30Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) TESE André Câmara Alves do Nascimentos.pdf: 4823168 bytes, checksum: 2c30ae331ec29f390824052ea069109b (MD5) / Made available in DSpace on 2016-04-22T19:31:30Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) TESE André Câmara Alves do Nascimentos.pdf: 4823168 bytes, checksum: 2c30ae331ec29f390824052ea069109b (MD5) Previous issue date: 2015-11-09 / CAPES / Redes droga-proteína têm recebido bastante atenção nos últimos anos, dada sua relevância para a inovação farmacêutica e produção de novos fármacos. Muitas abordagens in silico distintas para predição de interações droga-proteína têm sido propostas, muitas das quais baseadas em uma classe particular de métodos de aprendizagem de máquina chamada de métodos de kernel. Estes algoritmos de classificação de padrões são capazes de incorporar conhecimento prévio na forma de funções de similaridade, i.e., um kernel, e têm tido sucesso em diversos problemas de aprendizagem supervisionada. A seleção da função de kernel adequada e seus respectivos parâmetros pode ter grande influência no desempenho do classificador construído. Recentemente, a aprendizagem de múltiplos kernels (Multiple Kernel Learning - MKL) tem sido introduzida para solucionar este problema, permitindo a utilização de múltiplos kernels, ao invés de considerar apenas um kernel para uma dada tarefa. A principal motivação para tal abordagem é similar a considerada na combinação de múltiplos classificadores: ao invés de restringir-se a um único kernel, é preferível utilizar um conjunto de kernels distintos, e deixar que um algoritmo selecione os melhores, ou sua respectiva combinação. Abordagens MKL também podem ser vistas como uma estratégia de integração de dados. Apesar dos avanços técnicos nos últimos anos, as abordagens propostas anteriormente não são capazes de lidar com os grandes espaços de interação entre drogas e proteínas e integrar múltiplas fontes de informação simultaneamente. Neste trabalho, é proposto um método de aprendizagem de múltiplos kernels para a combinação não esparsa de kernels na predição de interações em redes droga-proteína. O método proposto permite a integração de múltiplas fontes heterogêneas de informação para a identificação de novas interações, e também pode ser aplicado em redes de tamanhos arbitrários. Além disso, o método proposto pode também selecionar automaticamente os kernels mais relevantes, retornando pesos que indiquem a sua importância na predição de interações droga-proteína na rede em questão. A análise empírica em quatro bases de dados, utilizando vinte kernels distintos indicou que o método proposto obteve desempenho comparável ou superior a todos os métodos avaliados. Ademais, os pesos associados aos kernels analisados refletiram a qualidade preditiva obtida por cada kernel em experimentos exaustivos para cada par de kernels, um indicativo do sucesso do método em identificar automaticamente fontes de informação biológica relevantes. Nossas análises demonstraram que a estratégia de integração de dados é capaz de melhorar a qualidade das interações preditas, e pode acelerar a identificação de novas interações, bem como identificar informações relevantes para a tarefa. / Drug-target networks are receiving a lot of attention in late years, given its relevance for pharmaceutical innovation and drug lead discovery. Many different in silico approaches for the identification of new drug-target interactions have been proposed, many of them based on a particular class of machine learning algorithms called kernel methods. These pattern classification algorithms are able to incorporate previous knowledge in the form of similarity functions, i.e., a kernel, and it has been successful in a wide range of supervised learning problems. The selection of the right kernel function and its respective parameters can have a large influence on the performance of the classifier. Recently, Multiple Kernel Learning algorithms have been introduced to address this problem, enabling one to use multiple kernels instead of a single one for a given task. The main motivation for such approach is similar to the one considered in ensemble methods: instead of being restricted to only one kernel, it is preferrable to use a set of distinct kernels, and let the algorithm choose the best ones, or its combination. The MKL approach can also be seen as a data integration strategy. Despite technical advances in the latest years, previous approaches are not able to cope with large drug-target interaction spaces and integrate multiple sources of biological information simultaneously. In this work, we propose a new multiple kernel learning algorithm for the non-sparse combination of kernels in bipartite link prediction on drug-target networks. This method allows the integration of multiple heterogeneous information sources for the identification of new interactions, and can also work with networks of arbitrary size. Moreover, our method can also automatically select the more relevant kernels, returning weights indicating their importance in the drug-target prediction at hand. Empirical analysis on four data sets, using twenty distinct kernels indicates that our method has higher or comparable predictive performance than all evaluated methods. Moreover, the predicted weights reflect the predictive quality of each kernel on exhaustive pairwise experiments, which indicates the success of the method to automatically indicate relevant biological information sources. Our analysis show that the proposed data integration strategy is able to improve the quality of the predicted interactions, and can speed up the identification of new drug-target interactions as well as identify relevant information for the task

Submitted by Daniella Sodre (daniella.sodre@ufpe.br) on 2015-03-09T14:14:32Z No. of bitstreams: 2 Dissertaçao Alex Paulo de Oliveira.pdf: 6283561 bytes, checksum: 7d672717c9f608cac1e52bfbcc49112f (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-03-09T14:14:32Z (GMT). No. of bitstreams: 2 Dissertaçao Alex Paulo de Oliveira.pdf: 6283561 bytes, checksum: 7d672717c9f608cac1e52bfbcc49112f (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Previous issue date: 2013-03-12 / O tráfico ilegal de madeiras é um problema no Brasil, percebido com mais frequência nas alfândegas da Amazônia. O objetivo desse trabalho é o desenvolvimento de um método para classificação de imagens de madeira. As imagens, usadas nessa pesquisa, foram fornecidas pela Embrapa e pelo VRI (UFPR). Para o classificador criado, cada imagem é representada pelo histograma resultante da aplicação do operador LBP (Local Binary Patterns). A classificação desenvolvida tem como base o aprendizado baseado em instâncias, utilizando o algoritmo K-NN (K-Nearest Neighbor). O aumento na quantidade de amostras, disponíveis para um mesmo teste, foi suficiente para tornar mais evidentes as diferenças de performance entre as diversos cenários elaborados. Foram consideradas duas abordagens de Cross-Validation: O K-Fold Cross-Validation e o Leave-One-Out Cross-Validation. Quase sempre, quando o Leave-One-Out Cross-Validation foi adotado, os resultados apresentam uma acurácia melhor em relação à outra abordagem. Neste trabalho, também foram realizados alguns testes para mensurar a robustez em relação ao ruído, e, ficou constatado que o ruído pode influenciar os resultados da classificação. A normalização influenciou os resultados obtidos pelo classificador, entretanto, dentre as variáveis consideradas, essa foi a menos influente. Foi possível perceber que a métrica adotada, para mensurar distâncias, influencia elementos importantes: o índice de acertos e a velocidade de resposta (processamento computacional exigido). O Kullback Leibler Divergence foi a métrica que apresentou melhores resultados. O classificador construído neste trabalho se mostrou igualmente eficiente para bases com imagens homogênias (com mesma dimensão e formato) e heterogênias;

Made available in DSpace on 2014-06-12T16:01:00Z (GMT). No. of bitstreams: 2 arquivo7130_1.pdf: 3262029 bytes, checksum: fbaaaacfb28217ad2b11c72062ea0576 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2005 / Atualmente, a Educação a Distância (EAD) pode ser vista como uma resposta para várias demandas: disseminação rápida do conhecimento, com baixo custo e acessibilidade; capacitação e qualificação, tanto acadêmica quanto corporativa; e educação continuada. No entanto, muitas vezes os sistemas de EAD não têm atingido seu potencial, porque somente apresentam seus conteúdos de maneira muito impessoal, sem levar em consideração a motivação e necessidades particulares de cada estudante. Esta impessoalidade prejudica o desempenho dos alunos, tornando-os desmotivados e provocando evasão dos cursos a distancia. De fato, a tarefa de aprender implica no acompanhamento constante do aprendiz, na tentativa de se entender quem ele é e do que é capaz. Só assim se consegue propor desafios, tornar o aprendizado uma experiência atrativa, e ajudá-lo a atribuir significado ao conhecimento. Em vista disto, a utilização de um Companheiro Virtual de Aprendizado (CVA) pode influenciar positivamente no desempenho do aluno. O acoplamento de CVA aos sistemas de EAD caracteriza o i-learning (do inglês, aprendizado inteligente). O objetivo dos ambientes de i-learning é prover soluções adaptadas às particularidades de cada estudante. Com esta motivação, foi construído o Project Management Knowledge Learning Environment (PMK), um ambiente de i-learning que está disponível na Web. O domínio do PMK é Gerenciamento de Projetos, para o qual existe uma grande demanda de educação e treinamento, tanto no setor público quanto no privado. O PMK dispõe de recursos pedagógicos como: exercícios, material de estudo, dicas, links relacionados ao tópico estudado, modelos relevantes para o Gerente de Projeto. Para aumentar a capacidade do PMK em tratar as necessidades individuais de seus estudantes, um CVA, VICTOR (Virtual Intelligent Companion for TutOring and Reflection), foi acoplado. Ele interage com o estudante durante seu aprendizado, colaborando para o sucesso das tarefas realizadas. VICTOR provê feedback imediato para as ações do estudante, dando dicas e tentando manter o estudante motivado. Os resultados do experimento realizado com o PMK demonstraram que ele é fácil de usar, uma boa ferramenta para a Educação em Gerenciamento de Projetos, e que a presença de VICTOR motiva e auxilia o aprendizado do estudante durante o seu estudo

Esta pesquisa teve como objetivo fundamentar e implementar um Ambiente Computacional de Suporte ao Aprendizado de Geometria Descritiva (GD) capaz de se adaptar às necessidades de aprendizagem do aluno. No sistema proposto, o aluno interage via Internet e desenvolve seu aprendizado por meio da resolução de exercícios. Este ambiente tem como suporte uma biblioteca de exercícios de GD e, seguindo uma estratégia pedagógica, sugere caminhos para conduzir o aprendiz a níveis cada vez mais aprofundados em seus estudos. A cada interação, são avaliados os conceitos que o aluno já conhece e, com base nestes dados, novos exercícios são sugeridos de modo gradual, bem como, quando for o caso, uma lista das teorias básicas que ele deverá estudar. O referido ambiente de aprendizagem, além de ser uma ferramenta de estudo, também pode apoiar os docentes e pesquisadores da área, oferecendo um repositório de exercícios de GD que pode ser acessado e incrementado por eles. Este módulo, chamado de Biblioteca de Exercícios, permite a busca de exercícios específicos por meio de filtros de seleção como conceitos envolvidos ou complexidade da solução, entre outros. Espera-se que o sistema desenvolvido se constitua numa ferramenta de grande valia para apoiar à aprendizagem de Geometria Descritiva, uma disciplina importante que tradicionalmente representa um desafio significativo aos estudantes. / This research aims to establish the basis for a Descriptive Geometry Computer Learning Environment able to adapt itself to the student’s learning needs as well as to implement it. The student interacts with the proposed system through the Internet and learns by solving exercises. This learning environment is supported by a Descriptive Geometry (DG) exercise library and, by following a pedagogical strategy, it suggests paths to conduct the student to mastering the target contents. The concepts learned by the student are evaluated at each iteration and, based on these data, the system gradually proposes new exercises to the learner, as well as, sometimes, offers a list of theory topics that should be studied. The proposed learning environment, besides being a learning tool, can support DG instructors and researchers by offering them a DG exercise repository that may be used and increased by them. This module, called Exercise Library, allows searching for an exercise through concept and level of complexity filters, among others. It is hoped that this developed system constitutes an expressive instrument to support DG learning, a content that traditionally represents a challenge to students.

Dissertação (Mestrado em Engenharia Mecânica) - Centro Universitário da FEI, São Bernardo do Campo, 2014

Os resultados alcançados por esta pesquisa apontam para uma compreensão etnometodológica da aprendizagem de língua estrangeira na fala-em-interação de sala de aula. O objetivo da pesquisa foi elaborar um posicionamento teórico e metodológico que permitisse analisar e descrever a aprendizagem de língua estrangeira desde a perspectiva da Análise da Conversa Etnometodológica, com o intuito de explorar o alcance e as limitações dessa abordagem para os estudos de Aquisição de Segunda Língua. Foram analisados dados de fala-em-interação de sala de aula de Espanhol como Língua Estrangeira, segmentados de um corpus de 24 horas de registro audiovisual gerado em um curso de línguas no Brasil. Para a análise, foram segmentadas seqüências interacionais com ocorrências de práticas interacionais pelas quais os participantes destacam palavras da língua estrangeira de forma relevante para a construção e reparo dos turnos de fala. Diferentemente do paradigma de pesquisa cognitivista adotado por estudos sobre aquisição de vocabulário da área de pesquisa de Aquisição de Segunda Língua (Pica, Young & Doughty, 1987; Paribakht & Wesche, 1993, 1997, 1999, 2000; Ellis, Tanaka & Yamazaki, 1994), a abordagem adotada nesta pesquisa permitiu mostrar evidências empíricas de aprendizagem de vocabulário na fala-em-interação. A análise dos dados mostrou que, para produzir e mostrar uns aos outros o trabalho de fazer aprendizagem de vocabulário de língua estrangeira, (a) os participantes produzem conhecimento intersubjetivo sobre práticas de descrição e categorização (Sacks, 1992; Schegloff, 2007) em língua estrangeira, orientando-se para identidades institucionais (Schegloff, 1992a) e invocando conhecimento compartilhado sobre práticas de descrição e categorização; e (b) invocam conhecimento compartilhado produzido em conjunto, em seqüências interacionais anteriores, para exibir competência e co-pertencimento à comunidade de prática lingüística que simultaneamente produzem, reorganizando as relações de participação (Goffman, 1979; Goodwin & Goodwin, 2004). Essa descrição do trabalho dos participantes aponta para uma compreensão etnometodológica de aprendizagem (a) como uma realização pública, intersubjetiva, emergente e contingente, produzida para os fins práticos das atividades desenvolvidas em cada interação; (b) observável nos métodos que constituem o trabalho dos participantes para produzir essa realização, que não são generalizáveis, mas adequados a um contexto e a identidades que eles reflexivamente instauram - institucionais ou não -, e a objetos de aprendizagem que eles definem e tornam relevantes; e (c) que produz relações de participação e pertencimento, já que implica a produção pública e intersubjetiva de competência para participar em atividades levadas a cabo em uma comunidade. Constatou-se que a microanálise, ao contemplar o tempo interno de seqüências de fala-em-interação, permite descrever a atualização, modificação ou produção de conhecimento compartilhado, sem necessidade de um desenho longitudinal para a geração de dados. Os métodos observáveis dos participantes para fazer aprendizagem constituem, em si, evidências empíricas de aprendizagem. / The results reported here point to an ethnomethodological understanding of foreign language learning in classroom talk-in-interaction. The aim of this study was to develop a theoretical and methodological stance that permited the analysis and description of foreign language learning from an ethnomethodological conversation analytic approach, in order to explore the reach and limits of this research tradition for Second Language Acquisition studies. I analyzed Spanish-as-a-Foreign-Language classroom talk-in-interaction data, segmented from a corpus of 24 hours of audiovisual recordings in a language school in Brazil. For the analysis, interactional sequences were segmented which featured ocurrences of interactional practices through which the participants focused on words of the foreign language, relevantly for the construction and repair of turns at talk. Unlike the cognitivist research paradigm adopted by studies of vocabulary acquisition in the area of Second Language Acquisition (Pica, Young & Doughty, 1987; Paribakht & Wesche, 1993, 1997, 1999, 2000; Ellis, Tanaka & Yamazaki, 1994), the approach adopted here produced empirical evidence of vocabulary learning in talkin- interaction. The analysis of the data showed that, for the participants to produce and show each other the work of doing ‘learning foreign-language vocabulary’, (a) they produce intersubjective knowledge on foreign-language description and membership categorization practices (Sacks, 1992; Schegloff, 2007), orienting to institutional identities (Schegloff, 1992a) and invoking their shared knowledge about description and membership categorization; and (b) they invoke shared knowledge that has been jointly produced in previous interactional sequences, in order to exhibit competence and co-membership in the community of linguistic practice that they simultaneously produze, thus reorganizing participation relations (Goffman, 1979; Goodwin & Goodwin, 2004). This description points to an ethnomethodological understanding of learning (a) as a public, emergent and contingent intersubjective accomplishment, produced for the practical purposes of the activities carried out in situated interaction; (b) observable in methods that constitute the members’ work to produce that accomplishment, which are not susceptible to generalization, but are, instead, adequate for a context and identities –institutional or not– that members reflexively establish, and for objects of learning that they themselves define and make relevant; (c) which produces participation and membership relations, since doing learning implies the public and intersubjective production of competence to participate in activities carried out within the community. Microanalysis, since it takes into account the inner time course of sequences of talk-in-interaction, allows us to describe the actualization, modification or production of shared knowledge, without a longitudinal design for data generation. Participants' observable methods for doing learning thus constitute, in and of themselves, empirical evidence of learning.

Made available in DSpace on 2016-08-29T14:10:18Z (GMT). No. of bitstreams: 1 tese_464_.pdf: 663918 bytes, checksum: 3f4f4f10d1fa416e8928016cf9d3127c (MD5) Previous issue date: 2005-02-24 / O propósito desta pesquisa foi o de investigar se o desenvolvimento de estratégias cognitivas implicadas na aprendizagem de uma língua estrangeira poderia ser facilitado por meio da prática de jogos de regras durante oficinas. Várias pesquisas anteriores fizeram uso desse instrumento para desenvolvimento de habilidades de raciocínio. Três alunos de um curso de inglês como língua estrangeira que estavam em uma classe iniciante participaram da pesquisa. Por não terem contato anterior com a língua e sentirem uma dificuldade inicial nesta, supôs-se que as mudanças quanto à construção de estratégias de aprendizagem seriam significativas nesse período. Os professores dos participantes preencheram uma ficha com considerações sobre o desempenho anterior e posterior a participação dos alunos nas oficinas, que foram realizadas semanalmente, com duração de uma hora, perfazendo dez encontros, utilizando-se as modalidades de jogos de senha: abc e palavra oculta, além do jogo da memória. Durante as oficinas, monitorou-se os participantes e preencheu-se um protocolo de observação; um diário foi mantido no qual informações pertinentes foram anotadas, e as partidas jogadas foram registradas em formulários específicos. De uma maneira geral, os participantes tiveram um desempenho razoável nas oficinas. As principais questões que surgiram durante os encontros foram referentes a falta de atenção, timidez e falta de confiança. Contudo, foi possível observar a construção de novas estratégias cognitivas em vários momentos dos encontros, o que parece ter refletido no desempenho de cada um dos participantes em sala de aula, como foi enfatizado pelos respectivos professores. Concluiu-se, portanto, que a prática de jogos de regras pode realmente auxiliar o desenvolvimento de estratégias cognitivas implicadas no aprendizado de uma língua estrangeira de uma maneira bastante interessante. PALAVRAS-CHAVE: jogos.