Linha de Pesquisa: Sistemas de Computação

Resumo:

Há uma demanda de mercado sobre profssionais capacitados para trabalhar com
Software Maintenance (SM). A formação desses profssionais é bastante complexa, pois
é necessário que eles estejam aptos a realizar certas atividades, como por exemplo, compreender o código-fonte e diagramas e manipular técnicas e ferramentas visando SM. O
professor de SM se depara com difculdades de oferecer um suporte adequado a turmas
em um tempo viável, o que torna Intelligent Tutoring System (ITS) para SM uma categoria de sistemas bastante promissora. A literatura aponta desafos sobre o tema e
indicam baixo uso de Machine Learning (ML) em ITS para SM. Esta tese propõe uma
arquitetura para de ITS com foco em SM e aborda o uso de ML nos Módulos Tutor e do
Estudante e a integração entre eles, contribuindo com os desafos de pesquisa. O Módulo
do Estudante trabalha com a identifcação de tipos de estudantes de SM utilizando Clusterização. O Módulo Tutor trabalha com a recomendação de Didactic Materials (DM)
de SM utilizando Reinforcement Learning (RL) através do algoritmo Q-Learning. A tese
também apresenta a modelagem do Expert Knowledge Module (EKM) a partir do conteúdo de SM, que contribuiu para a avaliação dos Módulos Tutor e do Estudante a partir
da dimensão de conhecimento de SM. Os resultados indicam que o algoritmo K-Means é
adequado para o Módulo do Estudante e que a sua integração com o Módulo Tutor, em
certas determinadas condições, traz altos ganhos na efciência da recomendação de DM.
As avaliações foram realizadas a partir de um conjunto de dados de capacidades de SM de
estudantes baseado em um conjunto de dados real de desempenho de estudantes e simulação computacional e mostraram que a proposta de ITS trouxe resultados signifcativos
quanto a efciência da recomendação de DM de SM.