Luciana Assis
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Luciana Assis has a total of 56 co-authors. Here are the top co-authors by number of shared publications:
- Cristiano Pitangui
UFSJ
18 shared publications - Alessandro Vivas
Universidade Federal dos Vales do Jequitinhonha e Mucuri
16 shared publications - Fabiano Azevedo Dorça
Universidade Federal de Uberlândia
7 shared publications Cristiano Grijó Pitangui
Federal University of São João Del-Rei, Brazil
3 shared publicationsCristiano Maciel Silva
Federal University of São João Del-Rei, Brazil
3 shared publications- Eduardo Augusto Costa Trindade
Universidade Federal dos Vales do Jequitinhonha e Mucuri
3 shared publications
Latest Publications
- Open Access
- 3 September 2025
- Published by Universidade Federal de Santa Maria in Educação
- p. e112/1-26
A influência de aspectos afetivos no desempenho dos estudantes brasileiros no PISA 2018
A aprendizagem é um processo influenciado por aspectos afetivos, cuja eficácia está intimamente ligada à intensidade das emoções presentes neste processo. Sob esse aspecto, o presente trabalho realizou uma análise detalhada da relação entre os aspectos afetivos, especificamente a Mentalidade de Crescimento e a Expectativa Acadêmica, no desempenho (médias das notas) dos estudantes brasileiros no PISA 2018. Para tanto, foi utilizada a metodologia de Pesquisa Aplicada, baseada numa abordagem quantitativa, com o uso de estatística descritiva para analisar os dados. Foram utilizados os dados presentes no questionário do estudante do PISA, bem como os resultados obtidos pelos alunos no exame, nos domínios de leitura, matemática e ciências. Os resultados destacam uma associação positiva significativa entre a Mentalidade de Crescimento, a Expectativa Acadêmica e o desempenho dos estudantes no contexto brasileiro. Conclui-se que os aspectos afetivos analisados, especificamente a Mentalidade de Crescimento e a Expectativa Acadêmica, têm uma influência positiva significativa no desempenho acadêmico dos estudantes brasileiros no PISA 2018, sugerindo que intervenções focadas nesses aspectos podem potencialmente melhorar o desempenho escolar.
- 3 September 2025
- Published by Universidade Federal de Santa Maria in Educação
- p. e112/1-26
Open AccessA influência de aspectos afetivos no desempenho dos estudantes brasileiros no PISA 2018
A aprendizagem é um processo influenciado por aspectos afetivos, cuja eficácia está intimamente ligada à intensidade das emoções presentes neste processo. Sob esse aspecto, o presente trabalho realizou uma análise detalhada da relação entre os aspectos afetivos, especificamente a Mentalidade de Crescimento e a Expectativa Acadêmica, no desempenho (médias das notas) dos estudantes brasileiros no PISA 2018. Para tanto, foi utilizada a metodologia de Pesquisa Aplicada, baseada numa abordagem quantitativa, com o uso de estatística descritiva para analisar os dados. Foram utilizados os dados presentes no questionário do estudante do PISA, bem como os resultados obtidos pelos alunos no exame, nos domínios de leitura, matemática e ciências. Os resultados destacam uma associação positiva significativa entre a Mentalidade de Crescimento, a Expectativa Acadêmica e o desempenho dos estudantes no contexto brasileiro. Conclui-se que os aspectos afetivos analisados, especificamente a Mentalidade de Crescimento e a Expectativa Acadêmica, têm uma influência positiva significativa no desempenho acadêmico dos estudantes brasileiros no PISA 2018, sugerindo que intervenções focadas nesses aspectos podem potencialmente melhorar o desempenho escolar.
- Open Access
- 31 July 2024
- Published by Universidade Federal do Rio Grande do Sul in RENOTE
- Vol. 22 (1) , 589-599
Classificação de vídeos educacionais do YouTube por níveis de ensino utilizando comentários: uma abordagem experimental.
O YouTube e uma plataforma voltada para vídeos que contempla conteúdos de várias áreas, incluindo a Educacional. Embora a ferramenta possua extenso material, seu mecanismo de busca e falho em alguns aspectos, o que é detrimental para alunos e professores que utilizam a plataforma no processo de ensino-aprendizagem. Esse trabalho utiliza Técnicas de Mineração de Texto, e de Aprendizagem de Máquina que usam os comentários dos vídeos como uma alternativa para classifica-los em diversas categorias educacionais. Realizou-se um extenso número de experimentos, e resultados demonstram que os classificadores JRIP, J48, e LMT são eficazes em classificar os vídeos em suas categorias educacionais, com acurácia de até 87%.
- 31 July 2024
- Published by Universidade Federal do Rio Grande do Sul in RENOTE
- Vol. 22 (1) , 589-599
Open AccessClassificação de vídeos educacionais do YouTube por níveis de ensino utilizando comentários: uma abordagem experimental.
O YouTube e uma plataforma voltada para vídeos que contempla conteúdos de várias áreas, incluindo a Educacional. Embora a ferramenta possua extenso material, seu mecanismo de busca e falho em alguns aspectos, o que é detrimental para alunos e professores que utilizam a plataforma no processo de ensino-aprendizagem. Esse trabalho utiliza Técnicas de Mineração de Texto, e de Aprendizagem de Máquina que usam os comentários dos vídeos como uma alternativa para classifica-los em diversas categorias educacionais. Realizou-se um extenso número de experimentos, e resultados demonstram que os classificadores JRIP, J48, e LMT são eficazes em classificar os vídeos em suas categorias educacionais, com acurácia de até 87%.
- Open Access
- 11 July 2024
- Published by Universidade Federal de Santa Maria in Educação
- Vol. 47, e102/1-36
Sala de Aula Invertida para Cálculo I: Uma análise desta metodologia sob a perspectiva dos Estilos de Aprendizagem e da recomendação personalizada de objetos de aprendizagem
O ensino de Cálculo Diferencial e Integral I enfrenta desafios, com pesquisas sugerindo que as dificuldades dos alunos podem estar também associadas aos Estilos de Aprendizagem (EA), bem como ao método tradicional de ensino. Diante desse cenário, tem surgido várias abordagens inovadoras, como a Sala de Aula Invertida (SAI), que visa motivar os alunos e envolvê-los ativamente na construção do conhecimento. Contudo, há poucas pesquisas que abordam a relação dos perfis de aprendizagem e a SAI. Sendo assim, a problemática central deste estudo indaga sobre as capacidades e restrições da SAI aplicada ao Cálculo I, considerando EA e recomendação personalizada de Objetos de Aprendizagem (OA). O objetivo geral é analisar as potencialidades e limitações da metodologia SAI para o Cálculo I, sob a perspectiva dos EA e da recomendação personalizada de OA. Os principais autores referenciais deste estudo são Felder e Silverman (1988), cujas contribuições são fundamentais para a compreensão dos EA. O estudo incluiu a aplicação de questionários aos alunos de Cálculo I para coletar dados sobre seus EA e preferências de aprendizagem. A partir dos perfis identificados, OA foram personalizados e recomendados por meio de um Sistema de Recomendação (SR). A análise focou em verificar se os diferentes perfis de aprendizagem dos participantes poderiam ser eficazmente atendidos pela SAI. Os resultados apontam que a SAI tem potencial motivador e instrucional, especialmente considerando os estilos de aprendizagem predominantes. No entanto, limitações, como a dificuldade em encontrar OA variados e a possibilidade de alguns estilos serem menos favorecidos, são destacadas.
- 11 July 2024
- Published by Universidade Federal de Santa Maria in Educação
- Vol. 47, e102/1-36
Open AccessSala de Aula Invertida para Cálculo I: Uma análise desta metodologia sob a perspectiva dos Estilos de Aprendizagem e da recomendação personalizada de objetos de aprendizagem
O ensino de Cálculo Diferencial e Integral I enfrenta desafios, com pesquisas sugerindo que as dificuldades dos alunos podem estar também associadas aos Estilos de Aprendizagem (EA), bem como ao método tradicional de ensino. Diante desse cenário, tem surgido várias abordagens inovadoras, como a Sala de Aula Invertida (SAI), que visa motivar os alunos e envolvê-los ativamente na construção do conhecimento. Contudo, há poucas pesquisas que abordam a relação dos perfis de aprendizagem e a SAI. Sendo assim, a problemática central deste estudo indaga sobre as capacidades e restrições da SAI aplicada ao Cálculo I, considerando EA e recomendação personalizada de Objetos de Aprendizagem (OA). O objetivo geral é analisar as potencialidades e limitações da metodologia SAI para o Cálculo I, sob a perspectiva dos EA e da recomendação personalizada de OA. Os principais autores referenciais deste estudo são Felder e Silverman (1988), cujas contribuições são fundamentais para a compreensão dos EA. O estudo incluiu a aplicação de questionários aos alunos de Cálculo I para coletar dados sobre seus EA e preferências de aprendizagem. A partir dos perfis identificados, OA foram personalizados e recomendados por meio de um Sistema de Recomendação (SR). A análise focou em verificar se os diferentes perfis de aprendizagem dos participantes poderiam ser eficazmente atendidos pela SAI. Os resultados apontam que a SAI tem potencial motivador e instrucional, especialmente considerando os estilos de aprendizagem predominantes. No entanto, limitações, como a dificuldade em encontrar OA variados e a possibilidade de alguns estilos serem menos favorecidos, são destacadas.
- Open Access
- 1 April 2024
- Published by Brazilian Journals in Revista de Gestão e Secretariado
- Vol. 15 (4) , e3587
Improving the educational experience on Youtube: a machine learning approach to classifying and recommending educational videos
The fast development of technology has revolutionized social interaction and enabled easy access to a vast amount of information. However, it is increasingly challenging to find relevant educational materials within the large volume of available data. This challenge has led to a significant waste of time for teachers and students in searching for high-quality educational resources. In this sense, the present work focuses on classifying educational videos on YouTube using Machine Learning models. The study extends a previous work that analyzed YouTube videos and proposed a methodology for classifying them using their comments. The current study expands the dataset used in the previous work and employs Machine Learning algorithms such as Random Forest and Neural Networks, along with hyperparameter tuning techniques like Grid Search. Experimental results showed that a Convolutional Neural Network was able to differentiate educational videos from non-educational ones with an accuracy rate of 95,71%. This study highlights the potential of Convolutional Neural Networks in classifying educational content on YouTube, contributing to advances in the field of Machine Learning for educational purposes.
- 1 April 2024
- Published by Brazilian Journals in Revista de Gestão e Secretariado
- Vol. 15 (4) , e3587
Open AccessImproving the educational experience on Youtube: a machine learning approach to classifying and recommending educational videos
The fast development of technology has revolutionized social interaction and enabled easy access to a vast amount of information. However, it is increasingly challenging to find relevant educational materials within the large volume of available data. This challenge has led to a significant waste of time for teachers and students in searching for high-quality educational resources. In this sense, the present work focuses on classifying educational videos on YouTube using Machine Learning models. The study extends a previous work that analyzed YouTube videos and proposed a methodology for classifying them using their comments. The current study expands the dataset used in the previous work and employs Machine Learning algorithms such as Random Forest and Neural Networks, along with hyperparameter tuning techniques like Grid Search. Experimental results showed that a Convolutional Neural Network was able to differentiate educational videos from non-educational ones with an accuracy rate of 95,71%. This study highlights the potential of Convolutional Neural Networks in classifying educational content on YouTube, contributing to advances in the field of Machine Learning for educational purposes.
- Open Access
- 6 November 2023
- Published by Sociedade Brasileira de Computação
- p. 1408-1418
Probabilistic classification of educational videos considering comments: an experimental analysis on Youtube
Youtube is a constantly growing video platform that is massively used for teachers and students in the teaching and learning process. Some works point an important issue in Youtube search mechanism, as in many cases, the number of results returned by the platform is very large and not related to the search performed. In this sense, some works proposed methodologies to classy Youtube videos as educational or not to help in searching more specific educational content. This work develops a new methodology that probabilistically classify Youtube videos as educational or non-educational using its comments. Preliminary results show that comments can be used in order to probabilistically classify a video with high accuracy rates. Youtube is a constantly growing video platform that is massively used for teachers and students in the teaching and learning process. Some works point an important issue in Youtube search mechanism, as in many cases, the number of results returned by the platform is very large and not related to the search performed. In this sense, some works proposed methodologies to classy Youtube videos as educational or not to help in searching more specific educational content. This work develops a new methodology that probabilistically classify Youtube videos as educational or non-educational using its comments. Preliminary results show that comments can be used in order to probabilistically classify a video with high accuracy rates. Youtube is a constantly growing video platform that is massively used for teachers and students in the teaching and learning process. Some works point an important issue in Youtube search mechanism, as in many cases, the number of results returned by the platform is very large and not related to the search performed. In this sense, some works proposed methodologies to classy Youtube videos as educational or not to help in searching more specific educational content. This work develops a new methodology that probabilistically classify Youtube videos as educational or non-educational using its comments. Preliminary results show that comments can be used in order to probabilistically classify a video with high accuracy rates.
- 6 November 2023
- Published by Sociedade Brasileira de Computação
- p. 1408-1418
Open AccessProbabilistic classification of educational videos considering comments: an experimental analysis on Youtube
Youtube is a constantly growing video platform that is massively used for teachers and students in the teaching and learning process. Some works point an important issue in Youtube search mechanism, as in many cases, the number of results returned by the platform is very large and not related to the search performed. In this sense, some works proposed methodologies to classy Youtube videos as educational or not to help in searching more specific educational content. This work develops a new methodology that probabilistically classify Youtube videos as educational or non-educational using its comments. Preliminary results show that comments can be used in order to probabilistically classify a video with high accuracy rates. Youtube is a constantly growing video platform that is massively used for teachers and students in the teaching and learning process. Some works point an important issue in Youtube search mechanism, as in many cases, the number of results returned by the platform is very large and not related to the search performed. In this sense, some works proposed methodologies to classy Youtube videos as educational or not to help in searching more specific educational content. This work develops a new methodology that probabilistically classify Youtube videos as educational or non-educational using its comments. Preliminary results show that comments can be used in order to probabilistically classify a video with high accuracy rates. Youtube is a constantly growing video platform that is massively used for teachers and students in the teaching and learning process. Some works point an important issue in Youtube search mechanism, as in many cases, the number of results returned by the platform is very large and not related to the search performed. In this sense, some works proposed methodologies to classy Youtube videos as educational or not to help in searching more specific educational content. This work develops a new methodology that probabilistically classify Youtube videos as educational or non-educational using its comments. Preliminary results show that comments can be used in order to probabilistically classify a video with high accuracy rates.
- Open Access
- 6 November 2023
- Published by Sociedade Brasileira de Computação
- p. 1202-1214
Solving the Individualized Instructional Content Delivery Problem Using Ontology and Metaheuristics on the Set Covering Problem: An Experimental Analysis
Intelligent Tutoring Systems (ITSs) based on a step-by-step problem-solving approach are limited in terms of compatible content. On the other hand, recommendation systems can suggest various content types but lack the granularity of concepts found in step-by-step approaches. This study addresses this challenge by proposing a method to recommend instructional content from diverse knowledge domains while incorporating the refined concepts of ITSs. To tackle this issue, the instructional content delivery problem (LORP) is formulated as a set covering problem, classified as NP-hard. We show that a PSO-based algorithm is a good candidate to solve LORP in a better runtime than the exact algorithm and with better solutions than the greedy heuristic. By leveraging collaborative filtering and an ontology that models students’ knowledge, learning styles, and search parameters, the approach offers more individualized content.
- 6 November 2023
- Published by Sociedade Brasileira de Computação
- p. 1202-1214
Open AccessSolving the Individualized Instructional Content Delivery Problem Using Ontology and Metaheuristics on the Set Covering Problem: An Experimental Analysis
Intelligent Tutoring Systems (ITSs) based on a step-by-step problem-solving approach are limited in terms of compatible content. On the other hand, recommendation systems can suggest various content types but lack the granularity of concepts found in step-by-step approaches. This study addresses this challenge by proposing a method to recommend instructional content from diverse knowledge domains while incorporating the refined concepts of ITSs. To tackle this issue, the instructional content delivery problem (LORP) is formulated as a set covering problem, classified as NP-hard. We show that a PSO-based algorithm is a good candidate to solve LORP in a better runtime than the exact algorithm and with better solutions than the greedy heuristic. By leveraging collaborative filtering and an ontology that models students’ knowledge, learning styles, and search parameters, the approach offers more individualized content.
- Open Access
- 1 October 2023
- Published by Sociedade Brasileira de Computação in Revista Brasileira de Informática na Educação
- Vol. 31, 631-658
Uma nova abordagem para o Problema de Balanceamento de Currículo Acadêmico
O Balanceamento de Currículo Acadêmico é uma alternativa de construção de percursos curriculares, com o foco no planejamento da carga de trabalho do estudante, ao atribuir disciplinas a períodos de forma balanceada, com relação ao número de créditos, e respeitando os pré-requisitos. Este trabalho apresenta o desenvolvimento de um modelo multiobjetivo, intitulado Balanceamento de Currículo Acadêmico com Dados de Retenção, que possui três objetivos: distribuir de forma mais homogênea os créditos entre os períodos, aproximar as disciplinas inter-relacionadas, e balancear mais adequadamente as disciplinas com índices de retenção elevados. O modelo foi transcrito utilizando um algoritmo exato de Programação Inteira Quadrática Mista, e Programação por Restrições. Devido à sua característica multi-objetivo, foi aplicado o método da Soma Ponderada na consecução das soluções, constituídas na fronteira de Pareto. Os resultados experimentais obtidos pelos testes em um currículo do ensino superior, proporcionaram melhorias significativas no equilíbrio da carga de trabalho dos estudantes. Uma ferramenta computacional que abarca o novo modelo foi desenvolvida, de modo a possibilitar a aplicação da abordagem proposta em cenários reais, favorecendo a aprendizagem e a conclusão do curso no tempo ideal. Em uma Pesquisa de Opinião realizada com estudantes e gestores, restou demonstrado o cumprimento dos objetivos da ferramenta, e a sua aplicabilidade.
- 1 October 2023
- Published by Sociedade Brasileira de Computação in Revista Brasileira de Informática na Educação
- Vol. 31, 631-658
Open AccessUma nova abordagem para o Problema de Balanceamento de Currículo Acadêmico
O Balanceamento de Currículo Acadêmico é uma alternativa de construção de percursos curriculares, com o foco no planejamento da carga de trabalho do estudante, ao atribuir disciplinas a períodos de forma balanceada, com relação ao número de créditos, e respeitando os pré-requisitos. Este trabalho apresenta o desenvolvimento de um modelo multiobjetivo, intitulado Balanceamento de Currículo Acadêmico com Dados de Retenção, que possui três objetivos: distribuir de forma mais homogênea os créditos entre os períodos, aproximar as disciplinas inter-relacionadas, e balancear mais adequadamente as disciplinas com índices de retenção elevados. O modelo foi transcrito utilizando um algoritmo exato de Programação Inteira Quadrática Mista, e Programação por Restrições. Devido à sua característica multi-objetivo, foi aplicado o método da Soma Ponderada na consecução das soluções, constituídas na fronteira de Pareto. Os resultados experimentais obtidos pelos testes em um currículo do ensino superior, proporcionaram melhorias significativas no equilíbrio da carga de trabalho dos estudantes. Uma ferramenta computacional que abarca o novo modelo foi desenvolvida, de modo a possibilitar a aplicação da abordagem proposta em cenários reais, favorecendo a aprendizagem e a conclusão do curso no tempo ideal. Em uma Pesquisa de Opinião realizada com estudantes e gestores, restou demonstrado o cumprimento dos objetivos da ferramenta, e a sua aplicabilidade.
- Open Access
- 30 December 2022
- Published by Universidade Federal do Rio Grande do Sul in RENOTE
- Vol. 20 (2) , 165-175
Desenvolvimento Curricular Baseado em Dados Factuais: uma Revisão Sistemática da Literatura
Um dos desafios das instituições de ensino superior e garantir que o estudante não evada do curso e o conclua no tempo ideal. O desenvolvimento curricular que se baseia em dados factuais e uma maneira que busca garantir mais assertividade no (re)desenho curricular. Esta tarefa pode ser realizada através do Balanceamento de Currículo Acadêmico e/ou por meio do Curricular Analytics. Este artigo apresenta a primeira Revisão Sistemática da Literatura sobre o tema. Os resultados mostram uma ascensão dos estudos com abordagens e métodos diversos, porém ainda tímida e com baixo emprego ou disponibilização de ferramentas que apoiem os processos de tomadas de decisão.
- 30 December 2022
- Published by Universidade Federal do Rio Grande do Sul in RENOTE
- Vol. 20 (2) , 165-175
Open AccessDesenvolvimento Curricular Baseado em Dados Factuais: uma Revisão Sistemática da Literatura
Um dos desafios das instituições de ensino superior e garantir que o estudante não evada do curso e o conclua no tempo ideal. O desenvolvimento curricular que se baseia em dados factuais e uma maneira que busca garantir mais assertividade no (re)desenho curricular. Esta tarefa pode ser realizada através do Balanceamento de Currículo Acadêmico e/ou por meio do Curricular Analytics. Este artigo apresenta a primeira Revisão Sistemática da Literatura sobre o tema. Os resultados mostram uma ascensão dos estudos com abordagens e métodos diversos, porém ainda tímida e com baixo emprego ou disponibilização de ferramentas que apoiem os processos de tomadas de decisão.
- Open Access
- 30 September 2022
- Published by Sociedade Brasileira de Computação in Revista Brasileira de Informática na Educação
- Vol. 30, 419-448
Classificação automática de vídeos educacionais por meio de comentários apoiada por técnicas de Aprendizado de Máquina: uma análise experimental utilizando o Youtube
O avanço tecnológico permite que novos conteúdos sejam criados e disponibilizados via Web a cada minuto, propiciando grande avanço em diversas áreas. Entretanto, essa disponibilidade também aponta desvantagens no âmbito Educacional. Destaca-se que o excesso de materiais ofertados dificultam o processo de ensino-aprendizagem devido ao demasiado tempo utilizado em busca de conteúdos que atendam às necessidades dos usuários. Nesse sentido, novos métodos para identificar conteúdos educacionais, em vídeos, por exemplo, precisam ser desenvolvidos. Percebe-se, sob essa perspectiva, diferenças significativas nos comentários fornecidos por usuários em vídeos educacionais, indicando assim, potencial para que estes sejam utilizados para a seleção de vídeos educativos. Neste contexto, esse trabalho realiza a análise e coleta de comentários de 500 vídeos da plataforma Youtube, sendo 250 educacionais e 250 não educacionais, e utiliza técnicas de Mineração de Textos e Aprendizado de Máquina para desenvolver um modelo de classificação que, baseado nos vocábulos mais frequentes dos comentários dos vídeos, os categorize em educacionais ou não educacionais. Com isto, provê-se um mecanismo que filtra os vídeos de acordo com a sua classe e retorna ao usuário apenas vídeos de conteúdo educacional. Resultados obtidos demonstram que é possível categorizar vídeos educacionais e não educacionais com acurácia de até 91,30%, ao se utilizar o classificador Random Forest. Ademais, devido aos resultados promissores, desenvolveu-se a API SysVidEduc, que utiliza os comentários dos usuários nos vídeos do Youtube e os classifica automaticamente em educacionais ou não educacionais.
- 30 September 2022
- Published by Sociedade Brasileira de Computação in Revista Brasileira de Informática na Educação
- Vol. 30, 419-448
Open AccessClassificação automática de vídeos educacionais por meio de comentários apoiada por técnicas de Aprendizado de Máquina: uma análise experimental utilizando o Youtube
O avanço tecnológico permite que novos conteúdos sejam criados e disponibilizados via Web a cada minuto, propiciando grande avanço em diversas áreas. Entretanto, essa disponibilidade também aponta desvantagens no âmbito Educacional. Destaca-se que o excesso de materiais ofertados dificultam o processo de ensino-aprendizagem devido ao demasiado tempo utilizado em busca de conteúdos que atendam às necessidades dos usuários. Nesse sentido, novos métodos para identificar conteúdos educacionais, em vídeos, por exemplo, precisam ser desenvolvidos. Percebe-se, sob essa perspectiva, diferenças significativas nos comentários fornecidos por usuários em vídeos educacionais, indicando assim, potencial para que estes sejam utilizados para a seleção de vídeos educativos. Neste contexto, esse trabalho realiza a análise e coleta de comentários de 500 vídeos da plataforma Youtube, sendo 250 educacionais e 250 não educacionais, e utiliza técnicas de Mineração de Textos e Aprendizado de Máquina para desenvolver um modelo de classificação que, baseado nos vocábulos mais frequentes dos comentários dos vídeos, os categorize em educacionais ou não educacionais. Com isto, provê-se um mecanismo que filtra os vídeos de acordo com a sua classe e retorna ao usuário apenas vídeos de conteúdo educacional. Resultados obtidos demonstram que é possível categorizar vídeos educacionais e não educacionais com acurácia de até 91,30%, ao se utilizar o classificador Random Forest. Ademais, devido aos resultados promissores, desenvolveu-se a API SysVidEduc, que utiliza os comentários dos usuários nos vídeos do Youtube e os classifica automaticamente em educacionais ou não educacionais.