Defesa de Proposta de Dissertação (18/12/2025): Nathália Carvalho Tito
Discente: Nathália Carvalho Tito
Título: Análise de Desempenho e Características de Corredores para Predição de Resultados e Geração de Feedbacks Personalizados
Orientadores: Glauco Fiorott Amorim (Orientador) e Eduardo Bezerra da Silva (Co-orientador),
Banca: Glauco Fiorott Amorim (Cefet/RJ), Eduardo Bezerra da Silva (Cefet/RJ), Diego Nunes Brandão (Cefet/RJ) e Pedro Henrique Gonzalez Silva (COPPE/UFRJ)
Dia/Hora: 18/12/2025 às 10h
Sala: https://teams.microsoft.com/meet/24128131576769?p=qdsGZarKO5PLG30baQ
Resumo: O aumento do número de praticantes de corrida de rua tem intensificado a demanda por soluções capazes de oferecer suporte individualizado ao treinamento, especialmente entre corredores amadores que carecem de acompanhamento profissional contínuo. Nesse contexto, este estudo propõe um modelo integrado de análise de desempenho baseado em técnicas de aprendizado de máquina, com o objetivo de compreender padrões de treino, prever o desempenho de corredores e gerar recomendações personalizadas a partir de variáveis controláveis. Foram utilizados dados provenientes de um questionário e de registros de atividades exportados de um aplicativo de corrida, envolvendo 26 atletas com diferentes níveis de experiência, permitindo uma visão multidimensional dos hábitos de treino e da experiência esportiva.
A metodologia foi estruturada em três fases principais. Na primeira, realizou-se uma análise de clusterização utilizando algoritmos clássicos (K-means, DBSCAN e Agglomerative Clustering) aplicados a componentes principais responsáveis por 80% da variabilidade dos dados. O modelo final selecionado identificou três perfis distintos: “Experientes Jovens”, “Pouco Experientes” e “Experientes Veteranos”, diferenciados por idade, maturidade esportiva e padrões de treino. Na segunda fase, desenvolveu-se um modelo preditivo de Regressão Linear, tanto em configuração geral quanto específica por cluster, considerando variáveis previamente selecionadas com base na literatura e análises preliminares. Os resultados indicaram que cada grupo respondeu de maneira particular às variáveis de treino, reforçando que a segmentação aprimora substancialmente a capacidade preditiva e a adequação das recomendações cada vez mais personalizadas.
Na terceira fase, aplicou-se um algoritmo de otimização para identificar combinações ótimas de variáveis controláveis capazes de maximizar o desempenho previsto em cada perfil. As recomendações derivadas mostraram coerência interna e alinhamento com características dos clusters: maior ênfase em intensidade e variedade para corredores jovens experientes; foco em regularidade, consistência e musculação para pouco experientes; e estratégias de manutenção e equilíbrio para veteranos. Os achados demonstram que a integração entre clusterização, modelagem preditiva e otimização forma uma abordagem consistente e promissora para o desenvolvimento de sistemas inteligentes de recomendação esportiva baseados em dados.
Apesar das limitações relacionadas ao tamanho da amostra e à ausência de indicadores fisiológicos de maior granularidade, o estudo apresenta evidências iniciais de que modelos computacionais podem apoiar a personalização do treinamento de forma eficiente, acessível e escalável. Futuras pesquisas podem ampliar a base de dados, incorporar novas dimensões informacionais, validar o modelo em populações maiores e explorar sua aplicação em plataformas digitais. Conclui-se que a combinação de técnicas de ciência de dados e métodos de otimização contribui significativamente para a compreensão do desempenho em corrida e para o desenvolvimento de recomendações individualizadas que favorecem evolução, aderência e segurança na prática esportiva.