Automação Inteligente para predição do uso problemático da internet em jovens com base em indicadores físicos e aprendizado de máquina

dc.contributor.advisorSilva, Ivanovitch Medeiros Dantas da
dc.contributor.authorDomingos, Elke Samantha da Silva
dc.contributor.referees1Viegas, Carlos Dias
dc.contributor.referees2Falcão, Eduardo de Lucena
dc.date.accessioned2025-02-03T18:17:32Z
dc.date.available2025-02-03T18:17:32Z
dc.date.issued2025-01-27
dc.description.abstractProblematic internet use among children and adolescents is a growing concern in the digital era, as it is often associated with mental health issues such as depression and anxiety. However, traditional methods for measuring this behavior typically require professional assessments, creating access barriers for many families. As an alternative, physical and fitness indicators such as posture, irregular diet, and reduced physical activity are easily accessible and can serve as proxies to identify problematic internet use in contexts where clinical assessment tools are unavailable. This study developed a predictive machine learning model using data on physical activity, behavioral, psychological, and general health parameters to detect early signs of this behavior and its severity. The results demonstrate the potential of accessible, data-driven tools that can aid in early interventions, promoting healthier digital habits and a more balanced development for children and adolescents.pt_BR
dc.description.resumoO uso problemático da internet em crianças e adolescentes é uma preocupação crescente na era digital, pois está frequentemente associado a problemas de saúde mental, como depressão e ansiedade. No entanto, métodos tradicionais para medir esse comportamento geralmente exigem avaliações profissionais, criando barreiras de acesso para muitas famí- lias. Como alternativa, indicadores físicos e de aptidão, como postura, dieta irregular e redução de atividade física, são facilmente acessíveis e podem ser utilizados como proxies para identificar o uso problemático da internet em contextos onde ferramentas de avaliação clínica não estão disponíveis. Este trabalho desenvolveu um modelo preditivo de machine learning com dados de atividade física, comportamentais, psicológicos e gerais de saúde a fim de detectar sinais precoces desse comportamento e seu nível. Os resultados demonstram o potencial de ferramentas acessíveis e baseadas em dados que podem auxiliar em intervenções precoces, promovendo hábitos digitais mais saudáveis e um desenvolvimento mais equilibrado de crianças e adolescentes.pt_BR
dc.identifier.citationDOMINGOS, Elke Samantha da Silva. Automação inteligente para predição do uso problemático da internet em jovens com base em indicadores físicos e aprendizado de máquina. 2025. 54 f. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Mecatrônica) – Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2025.pt_BR
dc.identifier.urihttps://repositorio.ufrn.br/handle/123456789/62406
dc.languagept_BRpt_BR
dc.publisherUniversidade Federal do Rio Grande do Nortept_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentCentro de Tecnologiapt_BR
dc.publisher.initialsUFRNpt_BR
dc.publisher.programEngenharia Mecatrônicapt_BR
dc.subjectUso Problemático da Internet em Jovenpt_BR
dc.subjectInteligência Artificialpt_BR
dc.subjectMachine Learningpt_BR
dc.subjectXGBoostpt_BR
dc.subjectÁrvore de Decisãopt_BR
dc.subject.cnpqCNPQ::ENGENHARIASpt_BR
dc.titleAutomação Inteligente para predição do uso problemático da internet em jovens com base em indicadores físicos e aprendizado de máquinapt_BR
dc.typebachelorThesispt_BR

Arquivos

Pacote Original

Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
TCC_eng_mecatronica_ufrn_elke.pdf
Tamanho:
1.68 MB
Formato:
Adobe Portable Document Format
Descrição:
Trabalho de Conclusão de Curso apresentado ao Bacharelado em Engenharia Mecatrônica do Centro de Tecnologia da Universidade Federal do Rio Grande do Norte.
Nenhuma Miniatura disponível
Baixar

Licença do Pacote

Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.45 KB
Formato:
Item-specific license agreed upon to submission
Nenhuma Miniatura disponível
Baixar