Banca de DEFESA: ROGERIO LUIZ CARDOSO SILVA FILHO

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: ROGERIO LUIZ CARDOSO SILVA FILHO
DATA : 18/04/2024
HORA: 09:00
LOCAL: Virtual
TÍTULO:

Isolating Feature Impacts in Educational Data Mining: Novel Metrics 
and Insights from Accumulated Local Effects

PALAVRAS-CHAVES:

IA explicável. Aprendizagem de máquina interpretável.   
Explicadores globais. Mineração de dados educacionais. Importância de 
variáveis. ALE

PÁGINAS: 118
RESUMO:

Esta tese apresenta um estudo na interseção entre Aprendizado de Máquina 
(ML) e educação, enfatizando a aplicação de técnicas de Inteligência 
Artificial Explicável (IAE) em Mineração de Dados Educacionais (MDE). 
Central para esta pesquisa é o desafio de fornecer explicações globais post 
hoc para modelos de ML, especialmente quando a independência dos dados não 
pode ser assumida, uma questão comum, porém pouco explorada, em MDE. 
Ignorar interdependências de dados pode enviesar explicações, inflar 
variáveis irrelevantes ou atribuir desproporcionalmente significância a 
certos preditores. Para resolver esses desafios, a tese baseia-se em um 
método recente para a visualização do impacto das variáveis em modelos 
supervisionados, conhecido em inglês como Accumulated Local Effects (ALE), 
que se refere à distribuição acumulada de efeitos locais. A propriedade 
pseudo-ortogonal de ALE permite isolar os efeitos de variáveis individuais, 
distinguindo-a de métodos amplamente usados em MDE, como os gráficos de 
dependência parcial e explicações baseadas  em valores de Shapley. Para 
demonstrar as propriedades de ALE quando comparados com métodos 
tradicionais, este trabalho introduz uma nova metodologia para avaliação da 
capacidade de técnicas de IAE em aproximar o real comportamento de 
variáveis  em diversos contextos de dependência entre dados. Além disso, 
este trabalho propõe novas métricas baseadas em ALE para a medição do 
impacto de variáveis em modelos supervisionados. Essas métricas agnósticas 
a modelos são uma melhoria em relação às técnicas tradicionais, fornecendo 
percepções mais claras e precisas de como as variáveis afetam os resultados 
do modelo, incluindo tanto a extensão quanto a direção de seus impactos. A 
eficácia dessas métricas é demonstrada em conjuntos de dados sintéticos e 
reais, provando sua efetividade em isolar os efeitos de  variáveis 
relevantes para as predições dos modelos quando comparada com métricas 
existentes. Além disso, um estudo empírico utilizando os dados das escolas 
secundárias brasileiras não apenas ratifica a utilidade das novas métricas 
em cenários do mundo real, mas também estende as contribuições desta tese 
ao identificar e oferecer novas perspectivas sobre os determinantes do 
sucesso escolar brasileiro ao longo de uma década.

MEMBROS DA BANCA:
Interno - 2330497 - ALEX SANDRO GOMES
Externo à Instituição - BRUNO CAMPELLO DE SOUZA - UFPE
Externa à Instituição - KARLA PATRICIA SANTOS OLIVEIRA RODRÍGUEZ ESQUERRE - UFBA
Externo à Instituição - MARTIN CARNOY - OUTRA
Presidente - 1463105 - RICARDO BASTOS CAVALCANTE PRUDENCIO