Em diversos setores da indústria é desejado que trabalhadores reunidos em uma estação de trabalho apresentem perfil de aprendizado similar. O presente artigo apresenta um método de agrupamento de trabalhadores utilizando modelagem por curva de aprendizado e técnicas de clusterização. O método modela dados de desempenho de trabalhadores por intermédio de diversos modelos de curvas de aprendizado; os parâmetros de aprendizado dos modelos testados permitem predizer o desempenho dos trabalhadores em intervalos de tempo pré-determinados. Os valores preditos são agrupados através de ferramentas de clusterização. O maior índice de ajuste (IA), gerado a partir do Silhouette Index e do coeficiente de determinação, indica o modelo de curva mais consistente em termos de aderência aos dados e qualidade de agrupamento de perfis de aprendizado. Ao ser aplicado em dados de uma indústria de calçados, o método gerou agrupamentos consistentes de trabalhadores com base nos distintos perfis de aprendizado.

In many industrial segments, it is desirable to allocate workers with similar learning profiles in the same workstation. This paper presents a method that groups workers based on learning curve modeling and clustering techniques. Workers' performance data are modeled through several learning curve models; learning parameters allow for workers' performance prediction at intervals of predetermined time. The predicted values are then grouped by clustering techniques. The largest Adjustment Index (AI), derived from the Silhouette Index and Coefficient of Determination, indicates the model yielding superior adherence to data and better clustering of learning profiles. When applied to a shoe manufacturing process, the method generated consistent groups of workers based on their learning profiles.

Curvas de aprendizagem permitem representar a melhoria no desempenho de um trabalhador por conta da repetição de um procedimento manual. Este artigo traz uma revisão da literatura das aplicações das curvas de aprendizado. Primeiramente, é apresentada uma breve revisão dos principais modelos de curva de aprendizado. É então apresentada uma revisão das principais utilizações para as curvas de aprendizado, agrupadas em 5 diferentes áreas de pesquisa: (i) Monitoramento de Custos; (ii) Gerenciamento e Otimização de Produção; (iii) Sequenciamento de tarefas; (iv) Atribuição de Tarefas para Trabalhadores e Balanceamento de Linhas de Produção; e (v) Cálculo do lote econômico de produção com o efeito de aprendizagem.

Learning curves are a graphical representation of an employee performance improvement as a result of task repetition. This paper presents a literature review of the applications of learning curves. Firstly, a brief review of major models of learning curves is presented. Next, a review of the main uses of learning curves is presented grouped into five different areas of research: (i) Cost Monitoring, (ii) Production Management and Optimization, (iii) Task Scheduling, (iv) Assignment of Workers to Tasks and Assembly Line Balancing, and (v) Calculation of Economic Batch Quantity with the learning effect.

A seleção dos atributos a serem avaliados em uma análise sensorial é fundamental no planejamento de painéis sensoriais. O processo de seleção visa reduzir a lista de atributos a serem apresentados aos julgadores, evitando assim fadiga aos membros do painel, porém mantendo atributos significativos na caracterização das amostras avaliadas. Este artigo apresenta um método para seleção de atributos em painéis sensoriais baseados em avaliações descritivas das amostras, tais como os métodos QDA (Quantitative Descriptive Analysis) e Spectrum. O método proposto utiliza Análise de Componentes Principais para identificação dos atributos mais relevantes e então aplica Análise Discriminante para classificação das amostras em formulações distintas. O método é aplicado em um estudo de caso em que cubos de carne com molho são caracterizados em painel sensorial utilizando o método QDA. O método proposto reduz significativamente o número de atributos a serem avaliados e conduz à satisfatória acurácia de classificação das amostras em formulações.

The selection of attributes from a group of candidates to be assessed through sensory analysis is an important step when planning sensory panels. When selecting attributes, it is desirable to reduce the list of those to be presented to panelists in order to avoid fatigue, however keeping the attributes that are relevant to the sensory characterization of samples. This paper presents a multivariate method for attribute selection in descriptive sensory panels, such as those used in the QDA (Quantitative Descriptive Analysis) and Spectrum protocols. The proposed method is implemented using Principal Component Analysis and Descriptive Analysis, and it is evaluated in a case study where beef cubes in stew, used as combat ration by the American Army, are characterized in sensory panels through the Spectrum method. The method significantly reduced the number of attributes to be considered in sensory panels, while yielding satisfactory accuracy in the classification of samples.