Banca de DEFESA: FRANCISCO LEONARDO AURELIANO FERREIRA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : FRANCISCO LEONARDO AURELIANO FERREIRA
DATA : 02/08/2024
HORA: 14:00
LOCAL: Videoconferência (via Google Meet)
TÍTULO:

MODELO DE REDES NEURAIS SIAMESAS PARA O RECONHECIMENTO DE CARACTERES MANUSCRITOS.

PALAVRAS-CHAVES:

Educação, Reconhecimento de Escrita, Inteligência Artificial.

PÁGINAS: 85
RESUMO:

Em virtude dos desafios da exclusão digital, reconhecer e avaliar redações a partir de imagens é crucial, especialmente para alunos desfavorecidos que têm acesso limitado a recursos tecnológicos. O reconhecimento de caligrafia por meio de Inteligência Artificial (IA) é uma abordagem promissora para a avaliação automática de redações de alunos. Este trabalho teve como principal objetivo desenvolver um modelo de Redes Neurais Convolucionais Siamesas (SCNNs, do Inglês, "Siamese Convolutional Neural Networks"), utilizando aprendizado de poucos exemplos (few-shot learning) para o reconhecimento de caracteres manuscritos em imagens de 440 redações de alunos do ensino fundamental público no Brasil. As classes de caracteres manuscritos possuíam quantidades diferentes de imagens, o que representava um desafio adicional. Para tentar minimizar esse desequilíbrio, foram utilizadas técnicas de aumento de dados (data augmentation). Essas técnicas incluíram transformações como rotação, translação, escalonamento e adição de ruído às imagens existentes. Com isso, foi possível gerar um conjunto de dados mais robusto e balanceado, permitindo que o modelo aprendesse de forma mais eficiente e aumentasse sua capacidade de generalização. Para construir um conjunto de dados representativo, foram aplicados métodos de segmentação de caracteres e uma rotulagem manual, considerando a diversidade de estilos de escrita dos alunos. Os resultados demonstram que o modelo proposto, utilizando a função de perda Entropy Loss, alcançou uma precisão que variou entre 80% e 85% no reconhecimento de caracteres nas imagens das redações. Os experimentos realizados com diferentes bases de dados, incluindo EMNIST, NIST19 e ImageNET, mostraram que o modelo é capaz de se adaptar e aprender com poucos exemplos, tornando-se uma ferramenta valiosa para a avaliação automatizada de redações. Este estudo contribui para a IA na educação ao oferecer uma abordagem baseada em SCNNs para reconhecer caracteres manuscritos, mesmo com um número limitado de imagens disponíveis. A implementação desta tecnologia em contextos educacionais pode fornecer soluções inovadoras para melhorar a legibilidade dos caracteres manuscritos dos alunos. O modelo proposto pode auxiliar na identificação e correção de problemas de escrita, oferecendo feedback imediato. Isso é particularmente útil para alunos em países de baixa e média renda, onde as escolas enfrentam desafios relacionados às vulnerabilidades socioeconômicas e à disponibilidade limitada de recursos tecnológicos. A melhoria da legibilidade não só facilita a avaliação automática de redações, mas também contribui para o desenvolvimento das habilidades de escrita dos alunos, promovendo uma aprendizagem mais eficaz e inclusiva.

MEMBROS DA BANCA:
Externo à Instituição - ALVARO ALVARES DE CARVALHO CESAR SOBRINHO - UFAPE
Presidente - 2303300 - LENARDO CHAVES E SILVA
Interno - 1810758 - PAULO GABRIEL GADELHA QUEIROZ
Interno - ***.691.924-** - SEBASTIÃO EMIDIO ALVES FILHO - UERN
Externo à Instituição - THIAGO DAMASCENO CORDEIRO - UFAL