Abstract. SeeOER is an architecture for a specialized Open Educational Resources (OERs) Web search engine. The work was developed within the context of a master's degree project. The novel features of the proposed architecture will be introduced and compared to existing works. SeeOER uses intrinsic aspects of OER obtained from metadata. One of its distinticve features is the fact that the developed components take into account aspects of data provenance. This paper describes the scientific methodology, the developed architecture, standard metadata used, demonstrative seeds, related work and an analysis of the results.Resumo. SeeOERé uma arquitetura para um mecanismo de busca na Web especializado para Recursos Educacionais Abertos (REAs). O trabalho foi desenvolvido no contexto de um projeto de mestrado. As características inovadoras da arquitetura proposta são introduzidas e comparadas com trabalhos existentes. SeeOER utiliza aspectos intrínsecos dos REAs obtidos a partir de seus metadados. Uma de suas características distintas dessa arquiteturaé o fato de que os componentes desenvolvidos incorporam aspectos de procedência de dados. Este artigo descreve a metodologia científica utilizada, a arquitetura desenvolvida, os padrões de metadados utilizados, sementes demonstrativas, os trabalhos correlatos e uma análise dos resultados obtidos pelo SeeOER.

Abstract. The automatic detection of learning styles is an active research topic in the field of technology applied to education, however, most of existing works are not conclusive in relation to the different classification methods applied in this scenario. In this work, therefore, we evaluate four machine learning algorithms, specifically for the classification task, in order to identify the Learning Styles of the students in a real electronic learning environment, according to the Felder-Silverman model. As a result, the experiments indicated that a single method is not sufficient for the correct classification in all the dimensions, and that the best scenario contemplates the use of at least two different classifiers. Resumo. A detecção automática de Estilos de Aprendizagemé um ativo tópico de pesquisa naárea de computação aplicada ao contexto educacional, porém, grande parte dos trabalhos existentes nãoé conclusiva com relação a diferentes métodos de classificação aplicados neste cenário. Neste trabalho, portanto, são avaliados quatro algoritmos de aprendizado de máquina, especificamente para a tarefa de classificação, a fim de se identificar os Estilos de Aprendizagem dos estudantes em um ambiente real de aprendizado eletrônico, de acordo com o modelo de Felder e Silverman. Como resultado, os experimentos indicaram que umúnico método nãoé suficiente para a correta classificação em todas as dimensões, sendo que o melhor cenário contempla o uso de, pelo menos, dois classificadores diferentes. IntroduçãoCada estudante, individualmente, possui habilidades, necessidades, conhecimentos prévios e motivações próprias, e estas características são fundamentais para determinar se um indivíduo encontra mais dificuldades do que outros para aprender em certo modelo de ensino [Graf 2007]. De fato, conforme explorado no trabalho de [Coffield et al. 2004], diversos estudos nasáreas de psicologia cognitiva e pedagogia indicam que cada pessoa possui diferentes maneiras de captar, processar e organizar informações durante o aprendizado, o que fundamenta o conceito de Estilos de Aprendizagem.O conceito de Estilos de Aprendizagem motivou diversas pesquisas naárea da computação aplicadaà educação, pois a construção de um modelo do perfil dos alunos

Agradeço inicialmenteà Deus, aos meus pais Elenice Aparecida Ferrari Gazzola e Paulo Cesar Gazzola, pela educação, amor, carinho, dedicação dados a mim. Ao meu irmão Paulo Cesar Gazzola Junior pelo apoio e incentivo. Ao meu tio Jovelino Gazzola, pela motivação, apoio e incentivo naárea de pesquisa acadêmica. E, obrigado por tolerarem minha ausência e entenderem minha dedicação aos estudos. A minha orientadora, Profa. Dra. Cristina Dutra de Aguiar Ciferri, que sempre me manteve motivado, confiante e apoiou desde o início esta dissertação. Sempre demonstrando paciência, dedicação, ensinamentos que teve ao longo da carreira e pelas correções ao longo de todo o trabalho.À Profa. Dra. Itana Maria de Souza Gimenez, pelos ensinamentos, correções, conselhos, dedicação e apoio mesmo a distância. E, que foi a pessoa fundamental para iniciar minha carreira no mestrado e ao tema. A minha banca de qualificação e de defesa, profa. Dra. Carmem Satie Hara, profa. Dra. Ellen Francine Barbosa e profa. Dra. Marcela Xavier Ribeiro, pelas correções e encaminhamento do projeto naépoca muito importante do trabalho. Com certeza, fizeram toda a diferença pelasótimas sugestões, comentários e dedicação que foram determinantes para os avanços na estrutura,

Aos meus familiares da família Ferrari e Gazzola. A todos que confiaram e acreditaram no meu trabalho e na minha pesquisa.A ciência e a educação brasileira. Aos pesquisadores de Processamento de Línguas Naturais e Inteligência Artificial. Aos professores e pesquisadores que acreditam que a educação é um meio para o crescimento da sociedade, do indivíduo e de uma nação. AGRADECIMENTOSAgradeço inicialmente a Deus, à toda minha família pelo amor, confiança, apoio em minhas decisões, pela educação, carinho e por entenderem minha ausência para dedicação aos estudos.À minha orientadora, Profa. Dra. Sandra Maria Aluísio, que aceitou me orientar e confiou no meu trabalho; sempre me manteve super motivado,trazendo novas ideias para desenvolver nesse doutorado. Confiou e apoiou esta tese de doutorado até o fim. Sempre demonstrando paciência, dedicação e ensinamentos. Ela me deu a oportunidade de se tornar um pesquisador na área de Processamento de Línguas Naturais (PLN) e tenho a honra de ter ela como minha orientadora.A Capes pelo auxílio a bolsa de doutorado n o PROEX-8436630/D 1 . Aos integrantes do Núcleo Interinstitucional de Linguística Computacional (NILC), pelas conversas, reuniões, happy hour, hora do café, e, em geral, por todos os momentos de convivência que continuaram por toda minha vida. Pois, o doutorado pode concluir, mas o NILC sempre estará comigo.Agradeço também a Profa. Dra. Sabine Pompéia da Universidade Federal de São Paulo (UNIFESP) e aos alunos de mestrado e pós-doutorado por ter participação neste projeto.Agradeço ao Prof. Dr. Edson Amaro Junior, por apoiar minha participação no Symposium in Information and Human Language Technology (STIL) de 2019 e me dar a oportunidade de ser um cientista e pesquisador na área de Big Data & Analytics do Hospital Albert Einstein.Agradeço ainda ao Hospital Albert Einstein por me conceder flexibilidade de tempo, para que eu pudesse finalizar esta tese de doutorado. Como também, possibilitar a continuar desenvolvendo pesquisas na área de Processamento de Línguas Naturais.tarefas auxiliares (MTC-DTG) que obteve 0.95% de medida F, o que trouxe uma melhoria de 0.15 pontos no melhor modelo de aprendizado de máquina tradicional (SVM).