Revista Pleiade

Inteligência Artificial e Processos Educacionais: Perspectivas e Desafios

2025-11-24T12:37:39+00:00

Esta edição se dedica a discutir as complexas relações e reflexões críticas que emergem da convergência entre a Inteligência Artificial (IA) e os processos educacionais, cuja relevância redefine o papel do humano diante da tecnologia. A Educação 5.0 representa significativa evolução no campo educacional, promovendo a integração profunda entre tecnologia e aprendizagem, sem deslocar o ser humano do centro desse processo. Diferentemente da Educação 4.0, centrada no uso instrumental da tecnologia, a abordagem 5.0 busca o desenvolvimento integral do estudante, incorporando dimensões cognitivas, socioemocionais e éticas.

Perfil Socioeconômico e Desempenho no ENADE

2025-11-24T12:48:06+00:00

Este estudo analisa, no nível curso-ano, a relação entre o perfil socioeconômico médio dos estudantes (índice SES_INDEX construído a partir de respostas do Questionário do Estudante) e o desempenho no ENADE (NT_GER_mean) em cursos de TI (2014, 2017, 2021). Como variáveis institucionais, consideram-se o tipo de IES (pública/privada) e um índice de metodologias ativas percebidas. Metodologicamente, implementa-se em Python um pipeline CRISP-DM com regressão ponderada (WLS com pesos pelo tamanho da turma e erros-padrão clusterizados por IES) e uma etapa de inferência causal para o efeito de IES pública: PSM (ATT), IPTW (ATE) e AIPW/DR (ATE). Os resultados indicam associação positiva entre IES pública e maior NT_GER_mean, condicionada ao perfil socioeconômico agregado do curso, e um efeito médio causal positivo de ser curso em IES pública, sob os pressupostos de ignorabilidade. As conclusões são estritamente no nível de curso-ano.

Detecção de Intrusão em Redes Modernas

2025-11-24T12:56:15+00:00

Introdução. A área da cibersegurança está em constante evolução. Novas ameaças surgem com a mesma velocidade que as tecnologias de defesa. Métodos híbridos de Inteligência Artificial (IA) têm se mostrado promissores na criação de Sistemas de Detecção de Intrusão (IDS) mais robustos. Objetivo. Aplicar método híbrido que combina Redes Neurais Artificiais (RNA) e o algoritmo K-Nearest Neighbors (KNN) em dataset com sinistros de segurança para verificar a relevância e desempenho na detecção das intrusões. Metodologia. Foi conduzida pesquisa quantitativa e experimental utilizando a base de dados pública NSL-KDD. Implementados três modelos: RNA, KNN e o modelo Híbrido (RNA+KNN),treinados e testados. O desempenho foi comparado utilizando métricas de acurácia, precisão, recall, F1-score e tempo de processamento. Resultados. O modelo híbrido demonstrou superioridade, alcançando acurácia de 99,2%, superando modelos de RNA (97,8%) e KNN (96,5%) isoladamente. Notavelmente, o método híbrido obteve redução significativa na taxa de falsos positivos, com custo computacional marginalmente maior, considerado trade-off aceitável. Considerações Finais. O método híbrido mostrou-se abordagem eficaz e robusta para a detecção de intrusão em redes, mesmo seis anos após a proposição inicial. A combinação sinérgica das duas técnicas oferece equilíbrio superior entre precisão e capacidade de detecção, validando a aplicabilidade em ambientes de rede modernos.

Abordagem Multimodal com Inteligência Artificial para Diagnóstico Precoce de Alzheimer

2025-11-24T13:03:55+00:00

A doença de Alzheimer, forma mais prevalente de demência, é distúrbio neurodegenerativo progressivo caracterizado por comprometimento da memória, declínio cognitivo e perda da independência funcional. O desafio de detectar a doença em estágio inicial impõe ônus significativos aos sistemas de saúde em todo o mundo. Este estudo avalia a eficácia de abordagem multimodal que integra dados clínicos a biomarcadores derivados de ressonância magnética estrutural para a detecção precoce da doença de Alzheimer, comparando o desempenho preditivo de três algoritmos de aprendizado de máquina com base nesses dados. Os dados foram obtidos da Iniciativa de Neuroimagem da Doença de Alzheimer (ADNI) e processados para extrair biomarcadores clínicos e de ressonância magnética. Os algoritmos Random Forest, Support Vector Machine com kernel RBF e XGBoost foram treinados e avaliados por meio de validação cruzada aninhada. O desempenho foi avaliado por meio de acurácia, F1-score e AUC, com análise de SHAP para interpretabilidade. O modelo SVM-RBF obteve o melhor desempenho geral, com acurácia balanceada de 0,924, F1-score macro de 0,924 e AUC-ROC de 0,978, superando estatisticamente o XGBoost. A análise SHAP confirmou que as previsões foram impulsionadas por atributos clínicos e biológicos significativos, como escores cognitivos (CDR-SB, MMSE) e volumes hipocampais entorrinais. Esses achados demonstram que a integração multimodal aumenta a confiabilidade e a interpretabilidade diagnóstica, apoiando a detecção precoce e explicável da doença de Alzheimer.

Desempenho Acadêmico na Previsão da Evasão no Ensino Superior

2025-11-24T13:12:07+00:00

A pesquisa comparou modelos de machine learning para predição da evasão no ensino superior, utilizando atributos de desempenho acadêmico, demográficos e socioeconômicos. Quatro modelos foram avaliados (Random Forest, XGBoost, LightGBM e Ensemble). Os resultados da validação cruzada indicaram a superioridade dos algoritmos baseados em Gradient Boosting. O LightGBM apresentou o melhor desempenho geral, com acurácia de 91,05% e AUC-ROC de 0,9694. A análise da matriz de confusão do LightGBM revelou Taxa de Falsos Negativos de 9,82% e Taxa de Falsos Positivos de 7,27%. O estudo dos erros revelou que os falsos negativos, estudantes que cancelaram e não foram identificados, abandonaram o curso apesar do desempenho acadêmico semelhante ao dos ativos, sugerindo evasão motivada por fatores não acadêmicos e não capturados pelo modelo. A importância dos atributos, medida pelo SHAP, estabeleceu que a eficiência acadêmica, principalmente média de aprovações por período e taxa de carga horária de sucesso no último semestre são os preditores dominantes. Concluiu-se: modelos de boosting são eficazes para sistemas de alerta precoce e baixo desempenho é forte indicador de risco. A limitação em captar fatores não acadêmicos aponta para a necessidade de incorporar dados mais abrangentes para previsão de maior impacto nas estratégias de retenção.

Análise Comportamental de Textos Argumentativos em Sistemas Tutores Inteligentes

2025-11-24T13:28:00+00:00

A Aprendizagem Baseada em Competências (AC) visa promover o desen- volvimento integrado dos conhecimentos, habilidades e atitudes dos alunos, todos essenciais para a prática profissional. Embora os Sistemas Tutores In- teligente (STI) tenham apoiado a AC, fornecendo instrução personalizada, a maioria das pesquisas nessa área tem se concentrado nas dimensões de co- nhecimento e habilidade, deixando a dimensão atitudinal amplamente inex- plorada. Embora alguns estudos tenham investigado a inferência de atitudes e comportamentos a partir de dados não estruturados, como textos argumen- tativos, nenhum o fez no contexto dos STI aplicados à AC. Neste contexto, o presente estudo analisa os resultados preliminares do feedback comportamental gerado por Modelos de Linguagem de Grande Porte (LLM) com base em textos argumentativos escritos por alunos militares em um curso técnico de aviação oferecido pelo Exército Brasileiro. Os resultados sugerem que os LLM são promissores como possíveis ferramentas para apoiar a avaliação atitudinal em ambientes STI por meio da análise da escrita dos alunos.

Integrando Coleta e Mineração de Dados sobre Uso de Jogos Educacionais Digitais para Capacitação Discente na Identificação de Fake News em Português

2025-11-24T13:45:17+00:00

O uso de jogos educacionais digitais (JED) para capacitação discente na identificação de Fake News tem se mostrado promissor. Entretanto, reunir dados sobre a utilização dos JED para buscar padrões que auxiliem neste tipo de capacitação é uma tarefa que exige conhecimento técnico para manipulação e análise desses dados, além de ser sujeita a falhas que podem ocorrer mediante o uso de ferramentas como planilhas e softwares de análises de dados. Assim sendo, este artigo propõe um módulo de mineração automática de dados sobre o comportamento de alunos no uso do JEDi, um jogo voltado à capacitação na identificação de Fake News escritas em Língua Portuguesa. O módulo foi integrado à base do JEDi, permitindo mineração de dados com reduzida intervenção humana. Um estudo de caso com três turmas do ensino médio evidenciou a adequação do módulo proposto.