Predição de Dificuldades por Tipo de Pergunta

Este projeto utiliza machine learning para prever a dificuldade de usuários em responder perguntas de diferentes temas. Ele foi desenvolvido como um notebook Jupyter projetado para execução no Google Colaboratory. O modelo é treinado com dados simulados e ajustado para realizar previsões com base em características como taxa de acertos, tempo de resposta e mudanças realizadas pelo usuário.

---

LINK DO VÍDEO NO YOUTUBE:

Assista no YouTube 🚀😄

---

Requisitos

Pré-requisitos para execução:

• Conta no Google Colaboratory.
• Navegador com suporte para Jupyter Notebooks.

Bibliotecas Utilizadas:

As bibliotecas necessárias para executar o notebook são instaladas automaticamente ao rodar as células correspondentes.

---

Passos para Execução

1. Abrir o Notebook no Google Colaboratory

Faça upload do arquivo Semeando_ML.ipynb no Google Colab ou abra-o diretamente a partir do seu Google Drive.

2. Configurar o Ambiente

Execute a célula que instala as bibliotecas necessárias (já incluída no notebook):

3. Executar o Notebook

Execute cada célula sequencialmente para:

• Simular os dados.
• Treinar o modelo.
• Realizar previsões.

---

Descrição do Projeto

Objetivos:

• Simular um conjunto de dados representando perguntas, opções e respostas de usuários.
• Treinar um modelo de machine learning utilizando Random Forest Classifier.
• Realizar previsões de dificuldade para diferentes temas.

Dados:

• Tabela de Perguntas (tb_Pergunta): Contém os tipos de perguntas.
• Tabela de Opções (tb_Opcao): Contém as opções de resposta e se são corretas.
• Tabela de Respostas (tb_Resposta): Contém as respostas dos usuários, tempos de resposta e mudanças realizadas.

Predições:

O modelo prevê se a dificuldade para um tipo de pergunta será alta ou baixa para um exemplo de usuário.

---

Estrutura do Notebook

Simulação de Dados:

As tabelas são geradas com os seguintes campos:

• tb_Pergunta:

  • id_pergunta: Identificador único da pergunta.
  • tipo_pergunta: Tipo da pergunta (e.g., Fontes de Energia Renovável, Impacto Ambiental, etc.).

• tb_Opcao:

  • id_opcao: Identificador único da opção.
  • id_pergunta: Pergunta associada.
  • op_correta: Define se a opção é correta (S) ou incorreta (N).

• tb_Resposta:

  • id_usuario: Usuário que respondeu.
  • id_pergunta: Pergunta associada.
  • op_escolhida: Opção escolhida.
  • tempo_resposta: Tempo em segundos para responder.
  • mudanca_resposta: Indica se houve mudança de resposta (0 ou 1).

Treinamento do Modelo:

• Os dados são processados para calcular variáveis auxiliares:
  • Taxa de acertos, erros e desvio no tempo de resposta.
• As classes são balanceadas com SMOTE.
• O modelo é treinado utilizando Random Forest Classifier.

Visualização:

O notebook inclui gráficos mostrando a importância das variáveis no modelo.

---

Exemplo de Saída

Relatório de Classificação

Relatório de Classificação:
              precision    recall  f1-score   support

           0       0.91      0.89      0.90        35
           1       0.88      0.90      0.89        30

    accuracy                           0.90        65
   macro avg       0.90      0.90      0.90        65
weighted avg       0.90      0.90      0.90        65

Acurácia do modelo: 0.90

Importância das Variáveis

O notebook inclui um gráfico que destaca a importância de cada variável no desempenho do modelo. Esse gráfico é gerado automaticamente após o treinamento, indicando quais características tiveram maior impacto nas previsões.

Previsões para um Usuário

Exemplo de Dados de um Usuário para Previsão:

                        tipo_pergunta              total_respostas  tempo_medio  tempo_desvio  mudancas_resposta  proporcao_acertos  porcentagem_erros
0     Fontes de Energia Renovável                     50             12            2                 1                  85                15
1     Transporte Sustentável                          45             15            3                 2                  75                25
2     Impacto Ambiental                               40             10            4                 3                  65                35
3     Mudanças Climáticas                             60             20            6                 1                  80                20
4     Redução de Consumo Doméstico                   55             18            5                 0                  90                10

Previsões:

Com base nos dados fornecidos, o modelo realiza as seguintes previsões sobre a dificuldade:

• Fontes de Energia Renovável: Baixa dificuldade
• Transporte Sustentável: Alta dificuldade
• Impacto Ambiental: Alta dificuldade
• Mudanças Climáticas: Baixa dificuldade
• Redução de Consumo Doméstico: Baixa dificuldade