Trabalho de Conclusão de Curso - Ciência da Computação - IFC Videira

Este repositório contém o desenvolvimento de uma ferramenta tecnológica para auxiliar professores de matemática no ensino personalizado, através da identificação automatizada das competências individuais dos alunos.

Ensino personalizado de matemática através da identificação automatizada das competências individuais dos alunos usando técnicas computacionais.

• Orientador: Prof. Dr. Rafael Zanin (IFC)
• Coorientador: Prof. Dr. Manassés Ribeiro (IFC)

Mapear e analisar sistematicamente as aplicações de técnicas computacionais — especialmente machine learning, learning analytics e sistemas de tutoria inteligente — no contexto da educação matemática, identificando tendências, lacunas de pesquisa e oportunidades para o desenvolvimento de um modelo computacional (MVP) que auxilie professores na personalização do ensino e no diagnóstico de competências.

1. OE1: Realizar revisão sistemática da literatura seguindo o protocolo PRISMA 2020 para identificar estudos que apliquem técnicas computacionais na educação matemática (2015-2025).
2. OE2: Identificar e categorizar as principais abordagens de IA (Machine Learning, Deep Learning, NLP, Educational Data Mining) aplicadas à educação matemática.
3. OE3: Classificar as aplicações segundo suas finalidades pedagógicas: tutoria inteligente, diagnóstico, avaliação automatizada, personalização, predição e feedback adaptativo.
4. OE4: Analisar criticamente as metodologias de avaliação utilizadas para validar a eficácia de sistemas computacionais em contextos educacionais.
5. OE5: Mapear sistematicamente as lacunas de pesquisa, limitações técnicas e desafios reportados nos estudos incluídos.
6. OE6: Criar um pipeline automatizado e reproduzível para coleta, processamento e análise de literatura científica.

├── .github/            # Copilot workflow guidelines and prompts
├── docs/               # Academic documentation (constitution, regulations)
├── research/           # Phase 1: Systematic literature review module
│   ├── src/            # Pipeline modules (ingestion, processing, analysis)
│   ├── tests/          # Test suite (integration, performance, quality)
│   ├── docs/           # Module documentation (methodology, theory)
│   ├── references/     # BibTeX academic references
│   ├── papers/         # Downloaded PDFs
│   ├── cache/          # API response cache (SQLite)
│   ├── exports/        # Analysis results (CSV, JSON, HTML)
│   └── logs/           # Execution logs [gitignored]
├── src/                # Phase 2: Main product (competency diagnosis tool - future)
├── results/            # Phase 1 e 2: PTC e TCC artifacts (LaTeX, validation reports)
├── .gitignore          # Git exclusion patterns
└── README.md           # Project documentation

O módulo research/ implementa a revisão sistemática automatizada seguindo PRISMA 2020.

cd research
python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate
pip install -r requirements.txt

python -m research.src.cli init-db

Executa revisão sistemática completa (busca → screening → seleção):

python -m research.src.cli run-pipeline --min-score 4.0

Visualiza métricas do banco de dados:

python -m research.src.cli stats

Gera relatórios HTML, CSV, JSON e visualizações:

python -m research.src.cli export

Saídas:

• research/exports/analysis/papers.csv - Dados tabulares
• research/exports/reports/summary_report.html - Relatório visual
• research/exports/visualizations/*.png - Gráficos PRISMA

Gera referências bibliográficas formatadas para LaTeX:

# Apenas papers incluídos
python -m research.src.cli export-bibtex --included-only

# Todos os papers do banco
python -m research.src.cli export-bibtex

Saídas:

• research/exports/references/included_papers.bib - Papers incluídos (17)
• research/exports/references/high_relevance.bib - Score ≥ 7.0
• research/exports/references/technique_*.bib - Por técnica computacional

Uso em LaTeX:

\bibliography{included_papers}
\bibliographystyle{abntex2-num}

# Executar suite completa
pytest research/tests/

# Testes específicos
pytest research/tests/test_complete_pipeline.py
pytest research/tests/test_performance_benchmark.py

• research/src/cli.py: Interface CLI oficial para todas operações do pipeline
  • Uso: python -m research.src.cli [comando] [opções]
  • Comandos principais: init-db, run-pipeline, stats, export, export-bibtex, normalize-prisma, audit, validate-exports
• research/src/pipeline/: Módulos do pipeline de revisão sistemática
• research/src/database/: Gerenciamento de banco SQLite
• research/tests/: Testes automatizados (pytest)

Resultados PRISMA (atualizado em 27/11/2025):

Métricas Adicionais:

• 🎯 Pontuação média de relevância: 4,2 (intervalo: 4,0–4,5)
• ⚡ Cache hit rate: ~92%
• 📅 Período coberto: 2015–2025 (11 anos)

Síntese Temática dos Estudos Incluídos:

• Abordagens Técnicas: ML Supervisionado (76,5%), Deep Learning (11,8%), Sistemas Híbridos (5,9%), Redes Bayesianas (5,9%)
• Finalidades Pedagógicas: Predição (52,9%), Personalização (17,6%), Diagnóstico (11,8%), Recomendação (11,8%), Modelagem (5,9%)
• Termos Frequentes: Machine Learning (58,8%), Assessment (52,9%), Predictive Analytics (47,1%), Adaptive Learning (35,3%)
• Desempenho dos Modelos: Acurácias reportadas de 75% a 96,89%

Período: Fevereiro–Julho 2026

• Levantamento de requisitos funcionais e não-funcionais baseado na literatura
• Definição de arquitetura de software e escolha de tecnologias
• Implementação de algoritmos de ML para diagnóstico automatizado
• Desenvolvimento de interface para professores e alunos
• Integração com bases de dados educacionais

Período: Julho–Novembro 2026

• Planejamento de estudo experimental (design, amostra, instrumentos)
• Coleta de dados em ambiente escolar controlado
• Análise quantitativa e qualitativa dos resultados
• Avaliação de eficácia, usabilidade e aceitação
• Refinamento do protótipo com base nos resultados

• Completar protocolo de revisão sistemática
• Definir bases de dados, termos de busca e critérios de inclusão/exclusão
• Realizar busca nas bases de dados (72 queries bilíngues × 4 APIs)
• Analisar e categorizar os artigos encontrados (17 incluídos)
• Gerar relatórios e visualizações PRISMA
• Finalizar documentação acadêmica do PTC (LaTeX)
• Desenvolver cronograma detalhado da Fase 2 (protótipo)
• Iniciar levantamento de requisitos para MVP

Thales Ferreira - Graduando em Ciência da Computação - IFC Videira