RESUMO O estudo das propriedades físicas e químicas do solo é um procedimento de custo e tempo relativamente elevado. Na busca de alternativas para predizer esses atributos a partir de um número menor de amostras do solo, o uso de Redes Neurais Artificiais (RNA) tem sido apontado como uma técnica computacional com grande capacidade de resolver problemas por meio da experiência, e possuem a capacidade de aquisição e posterior aplicação deste conhecimento. Esse trabalho teve por objetivo utilizar a RNA para estimar os atributos físicos e químicos de solo. Os dados utilizados foram provenientes da análise física e química de solo, coletados em 120 pontos amostrais, os quais foram submetidos à análise descritiva, análise geoestatística, treinamento e análise das RNAs. Na análise geoestatística, para cada atributo do solo, foi verificado o modelo de semivariograma que apresentou melhor ajuste ao modelo experimental, e como método de interpolação foi usada técnica da krigagem ordinária. As RNAs foram treinadas, selecionadas considerando a assertividade no mapeamento dos padrões considerados e utilizadas na estimativa de todos dos atributos de solo. O erro médio de cada estimativa obtida pela técnica da krigagem ordinária foi comparado com o erro médio da estimativa obtida pela RNA e, posteriormente foram comparadas com os valores originais por meio do teste-t de Student. Os resultados mostram que a técnica de RNAs apresenta assertividade compatível à krigagem ordinária. O uso da técnica de RNA apresentou-se promissora para obter estimativas de atributos de solo empregando um número menor de amostras de solo.

ABSTRACT Soil physical and chemical analyses are relatively high-cost and time-consuming procedures. In the search for alternatives to predict these properties from a reduced number of soil samples, the use of Artificial Neural Networks (ANN) has been pointed out as a great computational technique to solve this problem by means of experience. This tool also has the ability to acquire knowledge and then apply it. This study aimed at using ANNs to estimate the physical and chemical properties of soil. The data came from the physical and chemical analysis of 120 sampling points, which were submitted to descriptive analysis, geostatistical analysis, and ANNs training and analysis. In the geostatistical analysis, the semivariogram model that best fitted the experimental variogram was verified for each soil property, and the ordinary kriging was used as an interpolation method. The ANNs were trained and selected based on their assertiveness in the mapping of considered standards, and then used to estimate all soil properties. The mean errors of ordinary kriging estimates were compared to those of ANNs and then compared to the original values using Student's t-Test. The results showed that the ANN had an assertiveness compatible with ordinary kriging. Therefore, such technique is a promising tool to estimate soil properties using a reduced number of soil samples.

RESUMO. Para estimar a produtividade de muitas culturas, incluído a soja, são utilizados modelos estatísticos complexos, que torna restrito o acesso a essa prática. Uma alternativa a estes modelos é a utilização de sistemas computacionais empregando Redes Neurais Artificiais (RNA). Este trabalho teve por objetivo estimar a produtividade da soja baseada nos hábitos de crescimento, densidade de semeadura e características agronômicas usando RNA do tipo Multilayer Perceptron (MLP). Para isto foram utilizados dados agronômicos da cultura da soja obtidos em experimento conduzido na safra 2013/2014 em Anápolis, Estado de Goiás, Brasil, cujos dados foram normalizados em intervalo compatível para trabalho com RNA e em seguida feito o treinamento de várias RNAs para a escolha da RNA com melhor performance. Após o treinamento das redes, foi realizada a análise de performance para seleção da RNA com a performance mais adequada ao problema. A RNA selecionada apresentou um índice de acerto de 98% com os dados do treinamento e um acerto de 72% com dados de validação. A aplicação das RNAs do tipo MLP nos dados do experimento conduzido demonstram que é possível estimar a produtividade da soja baseando-se nas características agronômicas, hábito de crescimento e densidade populacional por meio da IA.

ABSTRACT. The complexity of the statistical models used to estimate the productivity of many crops, including soybeans, restricts the use of this practice, but an alternative is the use of artificial neural networks (ANNs). This study aimed to estimate soybean productivity based on growth habit, sowing density and agronomic characteristics using an ANN multilayer perceptron (MLP). Agronomic data from experiments conducted during the 2013/2014 soybean harvest in Anápolis, Goiás State, B razil, were used to conduct this study after being normalized to an ANN-compatible range. Then, several ANNs were trained to choose the best-performing one. After training the network, a performance analysis was conducted to select the ANN with a performance most appropriate for the problem, and the selected network had a 98% success rate with training data and a 72% data validation accuracy. The application of the MLP to the data used in the experiment shows that it is possible to estimate soybean productivity based on agronomic characteristics, growth habit and population density through AI.

Abstract Introduction: Due to the increasing popularization of computers and the internet expansion, Alternative and Augmentative Communication technologies have been employed to restore the ability to communicate of people with aphasia and tetraplegia. Virtual keyboards are one of the most primitive mechanisms for alternatively entering text and play a very important role in accomplishing this task. However, the text entry for this kind of keyboard is much slower than entering information through their physical counterparts. Many techniques and layouts have been proposed to improve the typing performance of virtual keyboards, each one concerning a different issue or solving a specific problem. However, not all of them are suitable to assist seriously people with motor impairment. Methods: In order to develop an assistive virtual keyboard with improved typing performance, we performed a systematic review on scientific databases. Results: We found 250 related papers and 52 of them were selected to compose. After that, we identified eight essentials virtual keyboard features, five methods to optimize data entry performance and five metrics to assess typing performance. Conclusion: Based on this review, we introduce a concept of an assistive, optimized, compact and adaptive virtual keyboard that gathers a set of suitable techniques such as: a new ambiguous keyboard layout, disambiguation algorithms, dynamic scan techniques, static text prediction of letters and words and, finally, the use of phonetic and similarity algorithms to reduce the user's typing error rate.

Este trabalho apresenta um modelo para organização de conteúdos didáticos em sistemas tutores inteligentes conexionistas. A disponibilidade de conteúdos didáticos em formato único tem se apresentado como um problema para muitos estudantes. A inadequação de um formato único de conteúdo que desconsidera diferenças de perfil individual pode apresentar resultados ineficientes no processo de ensino aprendizagem. A proposta de estruturação multinível de conceitos possibilita diferentes combinações de apresentação para um mesmo conteúdo. Pressupondo que o padrão bem sucedido de organização do estudo por um estudante pode ser aplicado a outros estudantes com perfis semelhantes, um sistema foi estruturado para auxiliar na tarefa de personalização reativa do conteúdo. A personalização é propiciada por uma rede neural que associa o perfil do estudante a um padrão proximal de aprendizagem. Este padrão é combinado com regras de especialistas para possibilitar uma seleção probabilistica para que o sistema apresente a reatividade nos diferentes momentos do processo. Os resultados do experimento indicam que a abordagem é eficiente ao proporcionar melhor aproveitamento do conteúdo no processo individual de estudo e o seu potencial emprego no Ensino a Distância.

This paper presents a model for organization of educational content in connectionists intelligent tutoring systems. The availability of educational content in a single format has emerged as a problem for many students. The inadequacy of a single format of content that ignores differences in individual profiles may have inefficient outcomes in the teaching-learning process. The proposed multilevel structure allows for different combinations of concepts for presentation to the same content. Assuming that the pattern of successful organization of the study by a student can be applied to other students with similar profiles, a system was structured to assist in the task of customization reactive content. The customization is provided by a neural network that links the student's profile to a proximal learning pattern. This pattern is combined with expert rules to enable a probabilistic selection so that the system presents the reactivity in the different learning stages. The results of experiments indicate that the approach is effective in providing better use of the content in the personal study and its potential use in Distance Education.