João Luiz Bernardes Júnior

User experience (UX) is fundamental for the acceptance and use of information systems. Although there are well-known and widely used UX evaluation techniques for traditional interfaces, a literature review revealed several gaps regarding UX evaluation in non-immersive 3D interaction. One significant gap is the predominant use of pragmatic criteria in assessments, while another is the lack of an approach that evaluates hedonic aspects using facial emotion recognition. This work proposes an approach for automatically evaluating user experience in non-immersive three-dimensional environments, focusing on its hedonic aspects based on facial emotion recognition. An experimental protocol was developed and approved by the Ethics Committee. The experiment was conducted with 52 participants. Throughout the testing period (before, during, and after the interaction), participants' faces were recorded using a low-cost camera. The experiment involved participants playing a game and answering questionnaires, including categorization and mood profile instruments, as well as the UEQ-S and the PLEX Framework. The Face-api.js library was used for facial emotion recognition. The hypothesis that automatic facial emotion recognition can support user experience evaluation was confirmed. This method enabled the estimation of UEQ-S and PLEX questionnaire responses with an average error of approximately ±1 point using only emotion extraction through an artificial intelligence model. Given that UX evaluation is crucial for the acceptance of new software or functionality, this work contributes to improving system quality and acceptance.

User Experience (UX) encompasses many and diverse variables, which contributes to making its evaluation a complex task. Self-evaluation through questionnaires is one of the most commonly used ways to evaluate UX, both in isolation and combined with other instruments or techniques, and there are currently many standardized and validated questionnaires that can be readily applied. Our work suggests a set of dimensions to describe different aspects of UX, and then proposes a methodology to quantify and compare how much different questionnaires emphasize each of these dimensions. We then select a set of ten questionnaires to exemplify the use of our methodology by comparing them in a particular case study. The results show that all selected questionnaires focus on only a few of the dimensions. Our research reinforces the importance of knowing different instruments and being able to compare them, choosing the one best suited to the context of use.

Background A avaliação da experiência do usuário (UX) é crucial para os sistemas de informação, uma vez que está intimamente relacionada com a sua aceitação e desempenho pós-adoção. Implica frequentemente a utilização de um ou mais questionários normalizados. Esta avaliação pode ser dispendiosa, desde a seleção do questionário adequado até àextração de dados de um número significativo de usuários, análise dos dados e comparação de resultados, especialmente com avaliações que utilizam questionários diferentes. Assim, a Inteligência Artificial é cada vez mais adoptada para auxiliar estas tarefas. Sendo assim, este trabalho explora vários algoritmos de Machine Learning (ML) para correlacionare prever as respostas de diferentes questionários de UX e de humor. Resultados A abordagem desenvolvida previucom sucesso as respostas ao questionário com elevada precisão (erro inferior a 1 numa escala de Likert de 7 pontos), particularmente para o questionário mais longo. Além disso, revelou que o humor contribui significativamente para esta precisão. Conclusões As principais contribuições deste trabalho incluem a demonstração de como o ML pode serutilizado para reduzir os custos de avaliação da experiência do usuário e a exploração do impacto do humor do usuárionesta avaliação.

O estudo da produção científica e da formação acadêmica em um país, área ou mesmo instituição é uma das principais funções da cientometria; por exemplo, ao conseguir apontar quais instituições têm fornecido mais alto retorno à sociedade. Este artigo analisa o universo de indivíduos que, de 1970 a 2016, concluíram ou orientaram um doutorado, com base em dados extraídos de currículos cadastrados na Plataforma Lattes; esse conjunto totaliza 174.318 indivíduos, a partir do qual se traça um amplo panorama do processo de doutoramento no Brasil. Especial atenção é dedicada ao sexo dos orientados e orientadores, inclusive as quatro configurações possíveis de ocorrer entre eles, bem como às diferenças existentes entre as nove grandes áreas de atuação. Além do processo de doutoramento em si, analisa-se a produção científica dos orientados, com e sem parceria com o orientador, o tempo de ligação entre eles, e a parcela de orientados que permanece no meio acadêmico. Os resultados mostram crescente participação feminina, com a porcentagem de orientadas tendo ultrapassado a de orientados, em 2000, e a de orientadoras aparentando seguir a mesma tendência, mas com 20 anos de atraso. Mostram também um crescimento na produção de artigos em periódicos e uma queda na porcentagem de orientados que segue carreira acadêmica, aspecto em que o ano de conclusão do doutorado mostrou-se o fator com mais alta influência.

O número de alunos e de titulados no Brasil vem aumentando a cada ano. Este crescimento é extremamente necessário, pois a pesquisa é fundamental para o desenvolvimento de um país e grande parte da pesquisa mundial é desenvolvida com participação de alunos de pós-graduação. Tipicamente, uma pesquisa se inicia com uma revisão da literatura e, caso o objetivo seja conhecer o estado da arte de um determinado assunto por meio de um processo bem formulado e reprodutível, a revisão sistemática pode ser utilizada. Porém, revisões como a sistemática tendem a ser bastante rigorosas, demoradas e cansativas de ser realizadas manualmente. O objetivo deste trabalho é auxiliar na classificação dos trabalhos como a serem incluídos ou excluídos de uma revisão sistemática por meio de uma rede neural MLP maximizando a leitura dos trabalhos que interessam para a pesquisa. Foram realizados testes com dois conjuntos de dados e os resultados foram comparados com os produzidos por outros dois classificadores. A MLP teve o melhor resultado entre os métodos testados nos dois conjuntos de dados, correspondendo a uma boa escolha para este tipo de tarefa.