Deep learning in education 5.0: proposing 3d geometric shapes classification model to improve learning on a metaverse application

Carregando...
Imagem de Miniatura

Data

2024-01-18

Título da Revista

ISSN da Revista

Título de Volume

item.page.theme

Editora(s)

Universidade Federal do Pará

Tipo de acesso

Acesso Aberto
Attribution-NonCommercial-NoDerivs 3.0 Brazilaccess-logo

Contido em

Citação

SANTOS, Adriano Madureira dos. Deep Learning in Education 5.0: Proposing 3D geometric shapes classification model to improve learning on a metaverse application. Orientador: Marcos César da Rocha Seruffo. 2024. 62 f. Dissertação (Mestrado em Engenharia Elétrica) - Instituto de Tecnologia, Universidade Federal do Pará, Belém, 2024. Disponível em: https://repositorio.ufpa.br/jspui/handle/2011/16660. Acesso em:.

DOI

O sistema educacional brasileiro enfrenta desafios significativos, conforme evidenciado pelos baixos índices de avaliação do desenvolvimento educacional. Devido ao modelo educacional tradicional empregado no país, há dificuldades na transmissão efetiva de conteúdos complexos, levando a altos índices de fracasso escolar e consequente evasão escolar. A falta de inovação, especialmente em ambientes de educação básica, contribui para um cenário de baixa proficiência matemática entre os estudantes brasileiros. Neste contexto, este trabalho surge como resultado de uma inovação desenvolvida para aprimorar a aplicação Geometa, desenvolvida pela empresa Inteceleri, através da integração das tecnologias de Metaverso e Inteligência Artificial para criar um ambiente educacional imersivo e interativo. A intenção é refinar a Inteligência Artificial para o reconhecimento de formas geométricas tridimensionais em tempo real a partir de imagens de objetos reais. A proposta visa mitigar desafios enfrentados no ensino básico de matemática no Brasil por meio da adoção de abordagens tecnológicas inovadoras alinhadas à Educação 5.0, que possam ser replicadas para tecnologias similares envolvendo o Metaverso. Além disso, pretende-se também criar um ambiente educativo dinâmico e sustentável que não só facilite a compreensão de conceitos matemáticos, mas também promova a participação ativa dos alunos, incentivando a sua criatividade e autonomia no processo de aprendizagem. O método utilizado baseia-se na reclassificação de imagens do conjunto de dados ObjectNet de objetos para formas geométricas tridimensionais. As imagens reclassificadas são usadas para treinar os modelos CNN, MobileNet, ResNet, ResNeXt, ViT e BEiT de Aprendizado Profundo, os quais são posteriormente avaliados por meio de medidas de desempenho de Aprendizado de Máquina, tempo de inferência e dimensão. Por fim, o modelo de Inteligência Artificial de melhor desempenho é selecionado para futura integração no Geometa. Como contribuições deste trabalho foram realizados: (i) os modelos definidos foram treinados para o reconhecimento de formas geométricas tridimensionais; (ii) os modelos foram avaliados por meio de medidas de desempenho de Aprendizado de Máquina, tempo de inferência e dimensão; e (iii) o modelo de melhor desempenho foi selecionado considerando a maior assertividade e suavidade com base na análise de desempenho dos modelos. Quanto aos resultados obtidos, o ResNet superou o BEiT, modelo com o segundo melhor desempenho, em 5% de Precisão e 5 Inferência por Segundo. Por fim, o modelo ResNet atingiu 84% de Precisão e 9 Inferências por Segundo, sendo apontado como a Inteligência Artificial de melhor desempenho para fluxo de integração com a aplicação Geometa.

Agência de Fomento

browse.metadata.ispartofseries

item.page.isbn

Fonte

item.page.dc.location.country

Citação

SANTOS, Adriano Madureira dos. Deep Learning in Education 5.0: Proposing 3D geometric shapes classification model to improve learning on a metaverse application. Orientador: Marcos César da Rocha Seruffo. 2024. 62 f. Dissertação (Mestrado em Engenharia Elétrica) - Instituto de Tecnologia, Universidade Federal do Pará, Belém, 2024. Disponível em: https://repositorio.ufpa.br/jspui/handle/2011/16660. Acesso em:.