{"id":6430,"date":"2025-12-17T11:22:07","date_gmt":"2025-12-17T14:22:07","guid":{"rendered":"https:\/\/eic.cefet-rj.br\/ppcic\/?p=6430"},"modified":"2025-12-17T11:24:29","modified_gmt":"2025-12-17T14:24:29","slug":"defesa-de-proposta-de-dissertacao-18-12-2025-nathalia-carvalho-tito","status":"publish","type":"post","link":"https:\/\/eic.cefet-rj.br\/ppcic\/defesa-de-proposta-de-dissertacao-18-12-2025-nathalia-carvalho-tito\/","title":{"rendered":"Defesa de Proposta de Disserta\u00e7\u00e3o (18\/12\/2025): Nath\u00e1lia Carvalho Tito"},"content":{"rendered":"

Discente:<\/strong> Nath\u00e1lia Carvalho Tito<\/p>\n

T\u00edtulo:<\/strong> An\u00e1lise de Desempenho e Caracter\u00edsticas de Corredores para Predi\u00e7\u00e3o de Resultados e Gera\u00e7\u00e3o de Feedbacks Personalizados<\/p>\n

Orientadores:<\/strong> Glauco Fiorott Amorim (Orientador) e Eduardo Bezerra da Silva (Co-orientador),<\/p>\n

Banca:<\/strong> Glauco Fiorott Amorim (Cefet\/RJ), Eduardo Bezerra da Silva (Cefet\/RJ), Diego Nunes Brand\u00e3o (Cefet\/RJ) e Pedro Henrique Gonzalez Silva (COPPE\/UFRJ)<\/p>\n

Dia\/Hora:<\/strong> 18\/12\/2025 \u00e0s 10h<\/p>\n

Sala: <\/strong>https:\/\/teams.microsoft.com\/meet\/24128131576769?p=qdsGZarKO5PLG30baQ<\/a><\/p>\n

Resumo:<\/strong> O aumento do n\u00famero de praticantes de corrida de rua tem intensificado a demanda por solu\u00e7\u00f5es capazes de oferecer suporte individualizado ao treinamento, especialmente entre corredores amadores que carecem de acompanhamento profissional cont\u00ednuo. Nesse contexto, este estudo prop\u00f5e um modelo integrado de an\u00e1lise de desempenho baseado em t\u00e9cnicas de aprendizado de m\u00e1quina, com o objetivo de compreender padr\u00f5es de treino, prever o desempenho de corredores e gerar recomenda\u00e7\u00f5es personalizadas a partir de vari\u00e1veis control\u00e1veis. Foram utilizados dados provenientes de um question\u00e1rio e de registros de atividades exportados de um aplicativo de corrida, envolvendo 26 atletas com diferentes n\u00edveis de experi\u00eancia, permitindo uma vis\u00e3o multidimensional dos h\u00e1bitos de treino e da experi\u00eancia esportiva.
\nA metodologia foi estruturada em tr\u00eas fases principais. Na primeira, realizou-se uma an\u00e1lise de clusteriza\u00e7\u00e3o utilizando algoritmos cl\u00e1ssicos (K-means, DBSCAN e Agglomerative Clustering) aplicados a componentes principais respons\u00e1veis por 80% da variabilidade dos dados. O modelo final selecionado identificou tr\u00eas perfis distintos: \u201cExperientes Jovens\u201d, \u201cPouco Experientes\u201d e \u201cExperientes Veteranos\u201d, diferenciados por idade, maturidade esportiva e padr\u00f5es de treino. Na segunda fase, desenvolveu-se um modelo preditivo de Regress\u00e3o Linear, tanto em configura\u00e7\u00e3o geral quanto espec\u00edfica por cluster, considerando vari\u00e1veis previamente selecionadas com base na literatura e an\u00e1lises preliminares. Os resultados indicaram que cada grupo respondeu de maneira particular \u00e0s vari\u00e1veis de treino, refor\u00e7ando que a segmenta\u00e7\u00e3o aprimora substancialmente a capacidade preditiva e a adequa\u00e7\u00e3o das recomenda\u00e7\u00f5es cada vez mais personalizadas.
\nNa terceira fase, aplicou-se um algoritmo de otimiza\u00e7\u00e3o para identificar combina\u00e7\u00f5es \u00f3timas de vari\u00e1veis control\u00e1veis capazes de maximizar o desempenho previsto em cada perfil. As recomenda\u00e7\u00f5es derivadas mostraram coer\u00eancia interna e alinhamento com caracter\u00edsticas dos clusters: maior \u00eanfase em intensidade e variedade para corredores jovens experientes; foco em regularidade, consist\u00eancia e muscula\u00e7\u00e3o para pouco experientes; e estrat\u00e9gias de manuten\u00e7\u00e3o e equil\u00edbrio para veteranos. Os achados demonstram que a integra\u00e7\u00e3o entre clusteriza\u00e7\u00e3o, modelagem preditiva e otimiza\u00e7\u00e3o forma uma abordagem consistente e promissora para o desenvolvimento de sistemas inteligentes de recomenda\u00e7\u00e3o esportiva baseados em dados.
\nApesar das limita\u00e7\u00f5es relacionadas ao tamanho da amostra e \u00e0 aus\u00eancia de indicadores fisiol\u00f3gicos de maior granularidade, o estudo apresenta evid\u00eancias iniciais de que modelos computacionais podem apoiar a personaliza\u00e7\u00e3o do treinamento de forma eficiente, acess\u00edvel e escal\u00e1vel. Futuras pesquisas podem ampliar a base de dados, incorporar novas dimens\u00f5es informacionais, validar o modelo em popula\u00e7\u00f5es maiores e explorar sua aplica\u00e7\u00e3o em plataformas digitais. Conclui-se que a combina\u00e7\u00e3o de t\u00e9cnicas de ci\u00eancia de dados e m\u00e9todos de otimiza\u00e7\u00e3o contribui significativamente para a compreens\u00e3o do desempenho em corrida e para o desenvolvimento de recomenda\u00e7\u00f5es individualizadas que favorecem evolu\u00e7\u00e3o, ader\u00eancia e seguran\u00e7a na pr\u00e1tica esportiva.<\/p>\n","protected":false},"excerpt":{"rendered":"

Discente: Nath\u00e1lia Carvalho Tito T\u00edtulo: An\u00e1lise de Desempenho e Caracter\u00edsticas de Corredores para Predi\u00e7\u00e3o de Resultados e Gera\u00e7\u00e3o 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 Brand\u00e3o (Cefet\/RJ) e Pedro Henrique Gonzalez Silva (COPPE\/UFRJ) Dia\/Hora: 18\/12\/2025 \u00e0s […]<\/p>\n","protected":false},"author":4,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"categories":[33,79],"tags":[],"class_list":["post-6430","post","type-post","status-publish","format-standard","hentry","category-noticias-pt","category-proposta"],"_links":{"self":[{"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/posts\/6430","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/comments?post=6430"}],"version-history":[{"count":3,"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/posts\/6430\/revisions"}],"predecessor-version":[{"id":6433,"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/posts\/6430\/revisions\/6433"}],"wp:attachment":[{"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/media?parent=6430"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/categories?post=6430"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/tags?post=6430"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}