Ir para o conteúdo PPGCC Ir para o menu PPGCC Ir para a busca no site PPGCC Ir para o rodapé PPGCC
  • Acessibilidade
  • Sítios da UFSM
  • Área restrita

Aviso de Conectividade Saber Mais

Início do conteúdo

Defesa de Dissertação – 21/12 –Affective-Recommender: um Sistema de Recomendação Sensível ao Estado Afetivo do Usuário



Título: Affective-Recommender: um Sistema de Recomendação Sensível ao Estado Afetivo do Usuário
Aluno: Adriano Pereira
Orientador: Profa. Iara Augustin
Banca Examinadora:
Profa. Iara Augustin  (UFSM) – Presidente – Orientadora
Profa. Andrea Schwertner Charão (UFSM)
Profa. Patrícia Jaques Maillard (Unisinos)

Profa. Roseclea Duarte Medina (UFSM)  – Suplente

Data: 21/12/2012
Hora: 14h30min
Local: Sala 321 do CT
Resumo: Sistemas de Computação Pervasiva buscam melhorar a interação humano-computador através do uso de variáveis da situação do usuário que definem o contexto. A explosão da Internet e das tecnologias de informação e comunicação torna crescente a quantidade de itens disponíveis para a escolha, impondo custo para o usuário no processo de tomada de decisão. A Computação Afetiva tem entre seus objetivos identificar o estado emocional/afetivo do usuário durante uma interação computacional, para automaticamente responder a ele. Já Sistemas de Recomendação auxiliam a tomada de decisão, selecionando e sugerindo itens em situações onde há grandes volumes de informação, tradicionalmente, utilizando as preferências dos usuários para a seleção e sugestão. Esse processo pode ser melhorado com o uso do contexto (físico, ambiental, social), surgindo os sistemas de recomendação sensíveis ao contexto. Tendo em vista a importância das emoções em nossas vidas, e a possibilidade de tratamento delas com a Computação Afetiva, este trabalho utiliza o contexto afetivo do usuário como variável da situação, durante o processo de recomendação, propondo o Affective-Recommender – um sistema de recomendação sensível ao contexto, que faz uso do estado afetivo do usuário para selecionar e sugerir itens. O sistema foi modelado a partir de quatro componentes: (i) detector, que identifica o estado afetivo, utilizando o modelo Pleasure, Arousal e Dominance e o instrumento Self-Assessment Manikin; (ii) recomendador, que escolhe e sugere itens, utilizando uma abordagem baseada em filtragem colaborativa, em que a preferência de um usuário para um item é vista como sua reação em termos de estado afetivo a ele; (iii) aplicação, que interage com o usuário, exibe os itens de provável maior interesse definidos pelo recomendador, e solicita que o estado seja identificado, sempre que necessário; e (iv) base de dados, que armazena os itens disponíveis para serem sugeridos e as preferências de cada usuário. Como um caso de uso do sistema, este é empregado em um cenário de e-learning, devido à importância da personalização, obtida com a recomendação, e das emoções no processo de aprendizagem. O Affective-Recommender foi implementado utilizando-se como base o AVEA Moodle. Para expor o seu funcionamento, estruturou-se um cenário de uso, simulando-se o processo de recomendação. Para verificar a aplicabilidade real do sistema, ele foi empregado em três turmas de cursos de graduação da UFSM, sendo analisados dados de acesso e aplicado um questionário para identificar as impressões do alunos quanto a informar como se sente e receber recomendações.


Publicações Recentes