Apresentador : Patrícia Bruniero Franciscato Augusto

Resumo da tese em português: A Discalculia do Desenvolvimento é atualmente definida como um transtorno irreversível, tendo importante impacto na condição social de seus portadores, dada a grande relevância do conhecimento aritmético para as habilidades da vida diária. O desenvolvimento de mecanismos diagnósticos eficientes para Discalculia do Desenvolvimento (DD) utilizando técnicas de aprendizado de máquina tem ganhado atenção significativa em pesquisas recentes. Convencionalmente, o diagnóstico da DD envolve processos demorados, incluindo múltiplos exames e entrevistas que se estendem por semanas ou meses. Entretanto, estudos recentes têm demonstrado o potencial de gerar modelos classificadores com alta acurácia utilizando instrumentos psicométricos, que podem contribuir para a redução da complexidade do processo diagnóstico. Esta pesquisa apresenta um método estruturado cujo objetivo é identificar oportunidades para o protocolo do Ambulatório NUMERO, utilizando Random Forest para análise de classificação e importância de variáveis. Partindo da redução de dimensionalidade, por meio de um método híbrido combinando agrupamento hierárquico e classificação de RF, propusemos eliminar variáveis irrelevantes e, consequentemente, melhorar amplamente a eficiência do classificador. Simulações computacionais apresentam resultados promissores em muitas versões de conjuntos de dados. Acreditamos que a abordagem proposta tem grande potencial para suportar eficientemente o diagnóstico de discalculia do desenvolvimento, oferecendo uma valiosa contribuição para o campo da avaliação e intervenção cognitiva, além de ser adaptável a demais diagnósticos com base em psicometria.