Banca de DEFESA: JOHN DAVI DUTRA CANUTO PIRES

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : JOHN DAVI DUTRA CANUTO PIRES
DATA : 27/07/2026
HORA: 10:00
LOCAL: http://meet.google.com/hjh-sked-tfw
TÍTULO:

Monitoramento da atenção em sala de aula: uma plataforma modular de análise facial

PALAVRAS-CHAVES:

 redes neurais, atenção dos alunos, análise de sala de aula, estimativa da posição da cabeça, estimativa do olhar, regressão logística, avaliação entre domínios

PÁGINAS: 85
RESUMO:

A capacidade de aprendizagem dos alunos é significativamente influenciada pela qualidade do ensino que recebem em sala de aula e, igualmente, pelo nível de atenção que dedicam a ele. Com o rápido avanço da visão computacional e das tecnologias relacionadas à atenção, a identificação de padrões de atenção em sala de aula a partir de pistas visuais está se tornando cada vez mais comum em ambientes educacionais. No entanto, o campo ainda enfrenta desafios específicos, como a confiabilidade da estimativa de atenção em ambientes de sala de aula complexos e variáveis e a robustez limitada dos sinais de atenção quando transferidos entre diferentes contextos de sala de aula. Para enfrentar esses desafios, propomos uma plataforma modular de análise facial que integra detecção de rosto, reconhecimento de aluno, estimativa da posição da cabeça e estimativa do olhar em um único fluxo determinístico para a análise da atenção em sala de aula. Um Módulo de Coerência Cabeça-Olhar foi projetado para combinar a postura da cabeça e o olhar por meio de três sinais baseados em princípios físicos — coerência angular cabeça-olhar, uma pontuação de orientação para a frente e uma penalidade por cabeça baixa — consolidados em um vetor de características de 16 dimensões que captura a concordância relativa entre para onde o aluno está voltado e para onde ele está olhando, e retorna uma pontuação que representa o nível de atenção. Por fim, realizamos experimentos abrangentes utilizando o conjunto de dados Roboflow Student Attention Tracking (in-domain) e o SCB-Dataset (cross-domain), com uma ablação de Gradient Boosting Trees como limite de capacidade não linear. Os resultados demonstraram valores do Coeficiente de Correlação de Matthews (MCC) de ≈ 0, 55 e ≈ 0, 33, respectivamente, com precisão equilibrada de ≈ 0, 78 e ≈ 0, 66 e F1 de ≈ 0, 79 e ≈ 0, 61, superando as linhas de base de pista única no mesmo domínio. Além disso, a eficácia de nossa abordagem foi validada por meio de estudos de ablação por componente, da comparação do teto de capacidade não linear e da visualização dos resultados de atenção em imagens de sala de aula.

MEMBROS DA BANCA:
Presidente - 1544992 - MARCELO COSTA OLIVEIRA
Interno(a) - 2995499 - ICARO BEZERRA QUEIROZ DE ARAUJO
Externo(a) à Instituição - ALLAN DE MEDEIROS MARTINS - UFRN