Utilização de aprendizagem de máquina para a identificação de dependência em aparelhos celulares com foco em casos que possam causar reprovação e evasão
Resumo
Este trabalho introduzir os problemas causados pelo uso excessivo dos celulares na sociedade moderna, e mostrar que eles podem causar problemas escolares aos alunos que o usa de forma demasiada. Para isto fizemos uma integração da tecnologia com o uso de uma área da inteligência artificial, o aprendizado de máquina, com dados de uma base de dados específica. Para a tarefa proposta foram usados os classificadores Naive Bayes, AdaBoost, SVM, Bagging e Random Forest, ao final dos testes o classificador SVM apresentou o melhor desempenho no contexto geral.
Referências
Breiman, L. Random forests. Machine learning, v. 45, n. 1, p. 5-32, 2001.
Breiman, L. Bagging predictors. Machine learning, v. 24, n. 2, p. 123-140, 1996.
Elden, A. S.; Moustafa, M. A.; Harb, H. M.; Emara, A. H. AdaBoost ensemble with simple genetic algorithm for student prediction model. In: International Journal of Computer Science & Information Technology, v. 5.2, p.73. 2013.
IBGE. Acesso à internet e à televisão e posse de telefone móvel celular para uso pessoal. Disponível em: https://www.ibge.gov.br/estatisticas/sociais/rendimento-despesa-e-consumo/9127-pesquisa-nacional-por-amostra-de-domicilios.html?edicão=10500&t=resultados . Acesso em: 20/05/2020.
Mitchell, T. Machine Learning. McGraw Hill, 1997.
Paula, H.; Souza, B.; Nakamura, F.; Nakamura, E. Quantificando a Importância de Emojis e Emoticons para Identificação de Polaridade em Avaliações Online. In: Anais do XIV Simpósio Brasileiro de Sistemas Colaborativos, pp. 228-239, 2020.
Rosales, P. C. Framework para identificação da severidade de bullying baseado em machine learning e lógica fuzzy. Dissertação de Mestrado. Universidade Estadual de Campinas – UNICAMP. 2017.
Santos, A. C. M. Aprendizado de máquina aplicado ão diagnóstico de Dengue. In: Anais do Encontro Nacional de Inteligência Artificial e Computacional, pp. 697-708, 2016.
Soares, R. G. F. Uso de meta-aprendizado para a seleção e ordenação de algoritmos de agrupamento aplicados a dados de expressão gênica. Dissertação de Mestrado. Universidade Federal de Pernambuco – UFPE. 2008.
Zhang, Z.; Xie, X. Research on AdaBoost. M1 with Random Forest. In: 2nd International Conference on Computer Engineering and Technology (ICCET), 2010.
Breiman, L. Bagging predictors. Machine learning, v. 24, n. 2, p. 123-140, 1996.
Elden, A. S.; Moustafa, M. A.; Harb, H. M.; Emara, A. H. AdaBoost ensemble with simple genetic algorithm for student prediction model. In: International Journal of Computer Science & Information Technology, v. 5.2, p.73. 2013.
IBGE. Acesso à internet e à televisão e posse de telefone móvel celular para uso pessoal. Disponível em: https://www.ibge.gov.br/estatisticas/sociais/rendimento-despesa-e-consumo/9127-pesquisa-nacional-por-amostra-de-domicilios.html?edicão=10500&t=resultados . Acesso em: 20/05/2020.
Mitchell, T. Machine Learning. McGraw Hill, 1997.
Paula, H.; Souza, B.; Nakamura, F.; Nakamura, E. Quantificando a Importância de Emojis e Emoticons para Identificação de Polaridade em Avaliações Online. In: Anais do XIV Simpósio Brasileiro de Sistemas Colaborativos, pp. 228-239, 2020.
Rosales, P. C. Framework para identificação da severidade de bullying baseado em machine learning e lógica fuzzy. Dissertação de Mestrado. Universidade Estadual de Campinas – UNICAMP. 2017.
Santos, A. C. M. Aprendizado de máquina aplicado ão diagnóstico de Dengue. In: Anais do Encontro Nacional de Inteligência Artificial e Computacional, pp. 697-708, 2016.
Soares, R. G. F. Uso de meta-aprendizado para a seleção e ordenação de algoritmos de agrupamento aplicados a dados de expressão gênica. Dissertação de Mestrado. Universidade Federal de Pernambuco – UFPE. 2008.
Zhang, Z.; Xie, X. Research on AdaBoost. M1 with Random Forest. In: 2nd International Conference on Computer Engineering and Technology (ICCET), 2010.
Publicado
10/09/2020
Como Citar
SANTOS, Gabriel; DOS SANTOS, Felipe; ROCHA, Aline; DA SILVA, Thiago.
Utilização de aprendizagem de máquina para a identificação de dependência em aparelhos celulares com foco em casos que possam causar reprovação e evasão. In: ESCOLA REGIONAL DE COMPUTAÇÃO DO CEARÁ, MARANHÃO E PIAUÍ (ERCEMAPI), 8. , 2020, Evento Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2020
.
p. 228-235.
DOI: https://doi.org/10.5753/ercemapi.2020.11489.
