Pular para o conteúdo
Even3

Palestra

Palestra - "Como a máquina pode prever o desempenho acadêmico de crianças e adolescentes com TDAH."

Gravado no evento IV Porteirinha Techday · 1 h 19 min de gravação

Sobre o conteúdo

A palestra "Como a máquina pode prever o desempenho acadêmico de crianças e adolescentes com TDAH.", apresentada por Marcelo de Sousa Balbino no evento IV Porteirinha Techday, explora a aplicação de aprendizado de máquina e mineração de dados em prol da educação e da saúde infantojuvenil. O palestrante, doutorando na PUC Minas e professor do CEFET-MG, introduz a motivação do trabalho, desenvolvida em colaboração com o Laboratório de Inteligência Computacional Aplicada (LICAP) e o Departamento de Pediatria da UFMG.

O que é abordado

  1. Abertura e apresentações iniciais
  2. Contextualização e sintomas do TDAH (DSM-5)
  3. O TDAH no ambiente escolar e motivação da pesquisa
  4. O processo de Descoberta de Conhecimento (KDD)
  5. Mineração de dados e conceitos de Machine Learning
  6. Treinamento, teste e métodos de caixa branca vs. caixa preta
  7. Descrição da base de dados e atributos analisados
  8. Resultados dos modelos e importância das variáveis
  9. Desafios, projetos do LICAP e considerações finais
  10. Sessão de perguntas e respostas e encerramento

Dúvidas que o conteúdo responde

Qual metodologia computacional foi utilizada para a previsão do desempenho acadêmico?

Foi utilizado o processo de Descoberta de Conhecimento em Bases de Dados (KDD) aliado a técnicas de aprendizado de máquina supervisionado, comparando algoritmos de caixa branca (como Árvores de Decisão) e modelos de caixa preta (Random Forest, SVM e Redes Neurais), implementados em Python e Weka.

Qual foi a taxa de acerto obtida pelos modelos construídos na pesquisa?

O modelo baseado em Random Forest apresentou o melhor desempenho, obtendo 85% de acurácia na previsão de desempenho em aritmética, 80% em leitura e 87,5% em escrita.

Quais fatores se mostraram mais determinantes no desempenho acadêmico dos alunos analisados?

Além da presença do TDAH, o modelo indicou como variáveis mais relevantes a pontuação no teste de QI (Raven), a escolaridade da mãe, a classe socioeconômica e o tipo de escola frequentada pelo estudante.

A mesma abordagem de aprendizado de máquina pode ser aplicada ao transtorno do espectro autista (TEA)?

Sim, a metodologia de descoberta de conhecimento e machine learning pode ser aplicada ao autismo e a outras condições, desde que existam dados estruturados com amostras suficientes e o apoio de especialistas do domínio.

Assuntos

  • TDAH
  • Machine Learning
  • Mineração de Dados
  • KDD
  • Desempenho Acadêmico
  • Inteligência Artificial
  • Random Forest
  • Saúde Infantojuvenil

Palestrantes

  • Marcelo de Sousa Balbino

    Palestrante

Outros conteúdos deste evento

Gravados no evento IV Porteirinha Techday