Avaliação da inteligência emocional coletiva subsidiada em redes Neuro-Fuzzy

ARTIGO ORIGINAL

SANTOS, Vitoria Regina Alves dos ^[1], CUNHA, Thayla Carvalho ^[2], MARTINS, Bruna Thainá ^[3], SUCENA, Marcelo Prado ^[4]

SANTOS, Vitoria Regina Alves dos. Et al. Avaliação da inteligência emocional coletiva subsidiada em redes Neuro-Fuzzy. Revista Científica Multidisciplinar Núcleo do Conhecimento. Ano 06, Ed. 04, Vol. 08, pp. 115-153. Abril de 2021. ISSN: 2448-0959, Link de acesso: https://www.nucleodoconhecimento.com.br/engenharia-de-producao/neuro-fuzzy

RESUMO

Este artigo tem como principal objetivo a criação de um modelo matemático com o método neuro-fuzzy que auxilie na quantificação da inteligência emocional (IE) individual e coletiva. Tal modelo permite a análise de respostas obtidas por intermédio de questionário submetido para alunos de primeiro período de Engenharia. O modelo foi implementado eletronicamente por meio do aplicativo Microsoft Excel, recebendo os dados capturados em pesquisa, gerando o Indicador de Inteligência Emocional Coletiva. Para analisar os resultados do modelo matemático foi necessário criar filtros com as características dos respondentes (gênero e faixa de idade). O resultado final é a base para a continuação do estudo, em busca de alcançar a análise sobre a modificação da IE durante o curso de graduação, no qual os estudantes avaliados adquirirão as ferramentas necessárias para o sucesso profissional.

Palavras-Chave: Teoria Fuzzy, Redes Neurais Artificiais, Modelos Matemáticos, Inteligência Emocional.

1. INTRODUÇÃO

A graduação de engenharia é realizada em cinco anos, sendo os dois primeiros da grade curricular igual para todas as engenharias; e os três últimos destinados a cada área específica.

A engenharia é definida como “aplicação de métodos científicos ou empíricos à utilização dos recursos da natureza em benefício do ser humano” (DICIONÁRIO HOUAISS, 2019) ou seja, o engenheiro trabalha para o bem estar social. Quando graduado, o engenheiro sai com conjunto de habilidades técnicas para exercer suas funções.

Tradicionalmente, dentro de sala de aula, a propagação de conhecimento é algo monótono, onde se considera o aluno “um vazio a ser preenchido”, desconsiderando a troca de conhecimentos que pode haver entre discente-docente. Além disso, o processo de aprendizagem é falho no ensino de habilidades relacionadas ao campo emocional, tais como as relações intrapessoal e interpessoal, além da adaptação, o gerenciamento de estresse e o humor geral (ROBERTS; FLORES-MENDOZA; NASCIMENTO, 2002).

Na carreira profissional todas as profissões passam por mudanças e transformações. Na formação do engenheiro não é diferente, pois está em constante evolução. Por intermédio da tecnologia surgem várias ferramentas para melhorarem a formação e, consequentemente, o seu trabalho.

No entanto é necessária a mudança do perfil do engenheiro para se adequar aos processos e ao ambiente de trabalho dinâmico. A formação de engenheiros tem no currículo do curso várias disciplinas técnicos-científicas, porém existe a carência de desenvolver a Inteligência Emocional (IE), que está diretamente ligada ao êxito emocional e profissional (NOGUEIRA, 2012).

O objetivo geral desse trabalho é a criação de um modelo matemático, usando o método Neuro-Fuzzy, que auxilie na quantificação da inteligência emocional.

Para a construção do modelo matemático que subsidiará a avaliação da inteligência emocional, serão necessários outros passos para integrar esse processo, tais como:

• Identificar os atributos necessários para avaliação da IE;
• Desenvolver um questionário para coleta de dados em um Campus universitário com os alunos do primeiro período de engenharia de produção;
• Organizar e apurar os dados obtidos pelo questionário;
• Analisar e comparar o comportamento da IE dos alunos (individualmente e coletivamente) com base nos resultados do modelo matemático.

Entende-se que o modelo matemático será essencial para identificar os atributos da inteligência emocional dos alunos. A partir dos dados gerados por ele poder-se-á melhorar o desenvolvimento acadêmico dos universitários e aprimorá-los para o mercado de trabalho.

Além disso, conforme essa identificação, será dada ao docente o perfil da turma para assim fazer as alterações necessárias na didática. Ou seja, conhecendo melhor a turma, o professor estará habilitado a trabalhar com os atributos da IE presentes e auxiliará no desenvolvimento do quociente emocional (QE).

2. METODOLOGIA

Este trabalho se desenvolverá baseando-se nos seguintes tipos de pesquisa, de acordo com Silva e Menezes (2005):

• Do ponto de vista da sua natureza, por meio de pesquisa aplicada, a qual objetiva problemas específicos e locais, tem-se o objetivo de desenvolver melhorias para os estudantes do curso de engenharia, com propósito de atribuir ferramentas adequadas para trajetória profissional;
• Do ponto de vista de seus objetivos, por meio de pesquisa descritiva (ou levantamento), será desenvolvido e aplicado um questionário baseado na definição das variáveis do modelo, onde as características da população estudada são descritas, por meio de pesquisa bibliográfica, a qual busca-se base em um material já publicado e por meio do estudo de caso;
• Do ponto de vista da forma de abordagem do problema, por meio da pesquisa quantitativa, traduzir-se-ão opiniões e informações em números e, por meio dela, se interpretarão os fenômenos, atribuindo-se seus significados. Assim, nesse trabalho, a pesquisa qualitativa será aplicada na análise das respostas ao questionário;
• Do ponto de vista dos procedimentos, pelo estudo de caso, é necessário levantamento teórico e desenvolvimento de observações quanto aos resultados obtidos, momento onde a experiência profissional é fundamental.

Esse trabalho se limitará a este processo, mas a pesquisa se estenderá por mais alguns anos. A avaliação desses alunos de primeiro período deverá ser repetida a cada semestre e, ao fim dos dez semestres, haverá uma conclusão de como a IE se comporta no período de graduação em engenharia. Com estes resultados, se iniciará o trabalho de identificação e aplicação de métodos de aprimoramento do curso de engenharia em sala de aula.

3. REFERENCIAL TEORICO

3.1 INTELIGÊNCIA EMOCIONAL

O termo Inteligência Emocional (IE) surgiu em um artigo publicado em 1990, pelos psicólogos Salovey e Mayer, dentro do tema de Inteligência Social. Eles definiram a inteligência emocional como “a capacidade de controlar seus próprios sentimentos e emoções, de discriminar entre eles e de utilizar essas informações para guiar as ações e pensamentos”. Porém, este termo se popularizou com a publicação do livro de Daniel Goleman “Inteligência Emocional: a teoria revolucionária que define o que é ser inteligente” (MAYER; DIPAOLO; SALOVEY, 1990, apud NETA; GARCÍA e GARGALLO, 2008, p.12).

Goleman (1995, p.63) caracteriza a Inteligência Emocional como:

A capacidade de criar motivações para si próprio e de persistir num objeto apesar dos percalços; de controlar impulsos e saber aguardar pela satisfação de seus desejos; de se manter em bom estado de espírito e de impedir que a ansiedade interfira na capacidade de raciocinar; de ser empático e autoconfiante.

Ainda de acordo com Goleman (1995), a IE é classificada em cinco composições: a lucidez emocional, a gestão das emoções, a capacidade produtiva das emoções, a empatia e a gestão das relações. Em 1997, o mesmo autor estende sua definição e agrega quatros capacidades a IE: a de perceber e expressar as emoções, a de utilizar as emoções para facilitar o pensamento, a de compreender e analisá-las e a de regulá-las.

Mayer e Salovey (1997/2007) também conceituam IE como:

A habilidade para perceber e valorar com exatidão a emoção; a habilidade para acessar e/ou gerar sentimentos quando esses facilitam o pensamento; a habilidade para compreender a emoção e o conhecimento emocional, e a habilidade para regular as emoções que promovem o crescimento emocional e intelectual (MAYER e SALOVEY, 1997/2007, p. 32).

Gardner (1994) apud Queroz e Neri (2005) define o conceito de competência intelectual e a descreve como algo complexo, multideterminada e que contribuiu para o conceito de IE. O autor determina essa complexidade em sete dimensões, chamando-as de inteligências múltiplas, sendo estas: linguística, lógico-matemática, espacial, musical, corporal, cenestésica e pessoal. A inteligência pessoal se divide em interpessoal (capacidade de perceber o estado do outro) e intrapessoal (capacidade de autoconhecimento).

Diante da revisão bibliográfica verificam-se diversos estudos que vinculam a IE com o ambiente acadêmico. Destacam-se os trabalhos de Rego e Fernandes (2001) averiguam evidências de validade de um instrumento de medida da IE; Acosta e Pimenta (2009) que objetivam melhorar a relação entre docente e discente, por intermédio das habilidades e competências analisadas de acordo com a IE; Woyciekoski e Hutz (2009) apresentam cientificamente o status da IE, por intermédio dos modelos teóricos ressaltando características, falhas, críticas às teorias e aplicações; Sousa (2010) mostra a importância da IE no desenvolvimento acadêmico, visando melhorar o desenvolvimento no percurso universitário do estudante na graduação.

3.2 QUOCIENTE EMOCIONAL

O estudo sobre quociente emocional ganhou popularidade com o livro de Reuven Bar-On, The Bar-On Emotional Quotient Inventory (EQ-i): a texto femotional intelligence, de 1997 (tradução livre: O inventário do quociente emocional de Bar-On: um teste da inteligência emocional). Neste livro, o autor considera que a IE consiste em capacidades e habilidades não cognitivas que influenciam a aptidão de um indivíduo de lidar com demandas e pressões ambientais (VAN ZYL, 2014).

Segundo Marin et al. (2017), a inteligência emocional consiste em competências, de acordo com o inventor do QE Bar-On a IE apresenta divisão em cinco áreas amplas de aptidões e competências:

1. Aptidões intrapessoais (consciência emocional, assertividade, independência, autoestima e autorrealização);
2. Aptidões interpessoais (empatia, responsabilidade social e relações interpessoais);
3. Administração do estresse (tolerância ao estresse e controle de impulsos);
4. Adaptabilidade (flexibilidade e resolução de problemas);
5. Humor geral (felicidade e otimismo).

Nachiappan et al. (2013) definem QE que:

O modelo de habilidades desenvolvido por Mayer e Salovey (1997) criou o conceito de Quociente Emocional. Estes definem QE como habilidade de entender emoção, produção de emoção para ajudar a pensar, entender emoção e conhecimento e controlar emoções para auxílio da inteligência emocional (NACHIAPPAN et al. 2013 p. 6,7).

3.3 TEORIA FUZZY

A Teoria Fuzzy foi desenvolvida pelo polonês Jan Lukasiewicz em 1920, o autor criou conjuntos com graus de pertinências 0 e 1, de acordo com conceitos da lógica clássica de Aristóteles. Com o embasamento dos autores citados, o professor Lofti Asker Zadeh publicou em 1965 o primeiro artigo sobre a lógica Fuzzy (RIGNEL; CHENCI; LUCAS, 2011).

De acordo com a publicação do trabalho intitulado Fuzzy Sets, Information and Control do professor Zadeh surge a definição dos conjuntos Fuzzy de acordo com os conceitos de matemáticas de inclusão, união, intersecção, complemento, relação e convexidade como uma derivação da lógica Booleana. A lógica Fuzzy também é utilizada para modelar como indivíduos chegam a conclusões no momento em que as informações disponíveis são imprecisas, incompletas e não totalmente confiáveis (RODRIGUES E SANTOS, 2004).

A teoria Fuzzy oferece as bases para o raciocínio aproximado de que dispõe os conceitos imprecisos como ferramenta para modelar o conhecimento. O modelo adotado devido a diversidade das informações advindas do ambiente de aprendizagem.

Segundo Zadeh (apud MALVEZZI, 2010, p.36) “na medida em que a complexidade vai aumentando, a capacidade de precisar (fazer indicações precisas e significativas) diminui, até que se alcance um limite de exatidão e relevância se tornam características reciprocamente exclusivas.”

3.3.1 CONJUNTO FUZZY

Na lógica real, a denominação de conjunto real, ou conjunto crisp, são aceitas, apenas, saídas verdadeiras ou falsas, ou seja, se pertence ou não pertence ao conjunto. Diferente do conjunto crisp, na lógica Fuzzy é possível resolver situações imprecisas, pode-se determinar infinitos valores verdades entre 0 e 1, ou seja, é possível classificar um caso de acordo com o grau de pertinência como meio verdade 0,5, quase falso 0,1, ou falso 0 não pertence ao conjunto.

Zadeh (1965) definiu a noção de conjunto Fuzzy como algo de natureza totalmente não estatística, apesar da proximidade com o conceito de probabilidade. O autor dá definições gerais sobre conjuntos Fuzzy que correspondem à conjuntos comuns, como por exemplo:

• A função Fuzzy é vazia se e somente se sua função associada for igual a zero;
• As funções Fuzzy são iguais se suas funções associadas forem iguais;
• O complemento da função é dito por fa, = 1 – f×.

Algumas definições, apesar de serem semelhantes em nome com o conjunto crisp, quando aplicadas ao conjunto Fuzzy tem condições diferentes, sendo estas:

• União: fc(x) = Max [fa(x), fb(x)], x E X, associado ao conectivo “ou”;
• Intercessão: fc(x) = Min [fa(x), fb(x)], x E X, associado ao conectivo “e”.

Segundo Sucena (2018), uma apresentação adequada do conjunto Fuzzy abrange a compreensão básica de cinco diferentes símbolos correlacionados, sendo estes:

• Conjunto de elementos: como por exemplo “itens” em “mercado” e “roupas” em “lojas”;
• Variável Linguística: termo que caracteriza os elementos, como “tamanho dos itens” ou “tom das roupas”;
• Termos Linguísticos: adjetivos ou advérbios associados aos termos descritos anteriores, como por exemplo, “itens pequenos” relacionado a “tamanho dos itens” e vinculado a “itens” em um mercado;
• Universo de Discurso: limites ou intervalo numérico estimado, como por exemplo [0;100] centímetros para “tamanho dos itens”;
• Grau de Pertinência: o quanto o número selecionado no universo de discurso pertence aos termos linguísticos. Calculados através das funções de pertinências, sendo grau um totalmente pertencente e grau zero não pertencente.

De acordo com Falcão (2002) apud Oliveira (2004) para desenvolver sistemas Fuzzy é essencial definir as funções de pertinências. A figura 1 indica uma função de pertinência triangular e duas trapezoidais da variável “Itens do Mercado”, associados aos temos linguísticos baixo, médio e alto.

Figura 1 – Exemplo de Função de Pertinência – Variável “Itens de Mercado”

Segundo Oliveira (2004) os conjuntos Fuzzy podem ser representados por funções de pertinências triangulares, trapezoidais, gaussianas, exponenciais etc. As funções de pertinência triangulares e trapezoidais são consideradas contínuas se são compostas de segmentos contínuos lineares, resultando nas funções mais utilizadas.

A função de pertinência triangular é definida por três valores do universo de discurso que limitam dois segmentos de reta, segundo Souza (1999) apud Sucena (2018), tendo o primeiro segmento como função crescenteque inicia no  “SL” (spread left) no universo de discurso até o valor central “C”; o segundo segmento é representado por função decrescente, que inicia em “C” até “SR” (spread right) o ponto extremo da direita. A próxima expressão representa esta função de pertinência.

Souza (1999) apud Sucena (2018) apresenta “a” e “d” como os valores extremos, e “b” e “c” quando atingem o grau máximo de pertinência, avaliados pela seguinte expressão:

3.3.2 FUZZYFICAÇÃO, INFERÊNCIA E DEFUZZYFICAÇÃO

A figura 2 representa o sistema de inferência Fuzzy, que se constitui com as técnicas de Fuzzyficação, Inferência e Defuzzyficação.

Figura 2– Sistema de Inferência Fuzzy.

De acordo com Oliveira (2004) a Fuzzyficação é utilizada para processar as variáveis de entrada do mundo real, ou seja, os números não Fuzzy que são coletados e Fuzzyficados, transformando-se em um vetor Fuzzy. O processo não é necessário caso as variáveis de entradas sejam obtidas em valores qualitativos, ou seja, Fuzzyficados.

O processo de inferência ocorre quando as entradas imprecisas ou nebulosas se tornam respostas precisas. De acordo com Oliveira (2004) a inferência é utilizada para atingir os objetivos, a partir das condições realizam-se as operações com conjuntos Fuzzy.

Por exemplo, a inferência por regras segue a estrutura SE (antecedente) e ENTÃO (consequente), de acordo com o processo de inferência que são associados aos graus de pertinência, onde são geradas as camadas das variáveis de saída.

Ao final da inferência Fuzzy é necessário transformar os termos Fuzzy em números reais, processo denominado Defuzzyficação, que pode seguir, por exemplo, os seguintes métodos: valor máximo, média dos máximos, centro dos máximos e centroide. O método mais utilizado é o centro dos máximos, segundo Von Altrock (1997) apud Oliveira (2004) “o valor Defuzzyficado (VC) é determinado pela ponderação dos pesos (graus de pertinência – GdCi) com relação aos valores reais típicos obtidos pela observação das funções de pertinência de saída”, conforme a seguinte expressão:

O valor resultante da expressão anterior (VC) determina a variável de saída do sistema.

3.4 REDES NEURAIS ARTIFICIAIS (RNA)

As RNA apresentam diversas características em comum com o sistema nervoso humano, sendo compostas por neurônios artificiais, ou simplesmente “nós”, gerando o processo básico de informação que ocorre em diversas unidades simples.

Os neurônios estão sempre interconectados gerando redes neurais, transmitindo informações entre neurônios por intermédio de conexões ou sinapses, armazenando pesos das conexões entre os neurônios.

De acordo com Braga, Carvalho e Ludermir (2007) as RNA são sistemas paralelos constituídos por unidades de processo simples (neurônios artificiais) que computam determinadas funções.

Segundo Mc Culloch e Pitts (1943) apud Zanini (2004) a unidade base de rede neural artificial executa diversas operações lógicas como “OU” ou “AND”, mediante modelo base de neurônio, tal como representado na figura 3. Por intermédio da descoberta desse modelo surgiram os computadores digitais e, consequentemente, a criação dos modelos matemáticos de dispositivos artificiais.

Figura 3 – Representação funcional de um neurônio artificial.

As RNA são então definidas como estrutura composta por várias unidades interconectadas, realizando operação de agregação conforme modelo de neurônio físico, tal como representado na figura 4 (GOMIDE; GUDWIN; TANSCHEIT, 1995).

Figura 4– Exemplo de Rede Neural.

Segundo o modelo da figura 4 as variáveis de entradas são quantitativas com um determinado peso, que são ajustados para obterem o resultado pretendido, para então serem processadas por uma função de saída numérica.

Uma rede neural artificial habitualmente se adapta, modificando-se os pesos, para atingir a funcionalidade desejada a partir de estratégias de aprendizado, as quais irão atuar juntos a parâmetros ajustáveis da rede neural. Cada rede neural artificial representa uma estrutura de processamento especifica, cada qual adequada para suas funcionalidades.

A intenção é que os sistemas das RNA minimizem o comportamento e a estrutura do cérebro humano, mas possuindo um conjunto muito limitado de neurônios. Uma das importâncias das redes neurais é que são multidisciplinares, razão pela qual vêm ganhando destaque na Engenharia, aplicada na modelagem de sistemas, com a capacidade de receber ao mesmo tempo várias entradas e distribui-las de maneira organizada.

Ainda de acordo com Zanini (2004), as características de resposta a estímulos apresentada por redes de neurônios artificiais, são utilizadas para estudos voltados para aspectos cognitivos e para criação de modelos detalhados do comportamento humano.

Na área de Engenharia, por exemplo, estão se buscando meios para desenvolver sistemas artificiais capazes de desempenhar tarefas semelhantes na modelagem, ou seja, generalizados por modelos matemáticos de cognição humana, que têm como capacidade extrair conhecimento experimental e disponibilizar esse conhecimento para uso prático (ZANINI, 2004).

3.5 REDES NEURO-FUZZY

Bernardes (2018) cita que as redes neuro-Fuzzy são sistemas que hibridiza as técnicas de modelagem de RNA e o Sistema de Inferência Fuzzy (SIF), onde a estrutura é de SIF com a disposição estrutural de RNA.

De acordo com Syahputra e Soesanti (2016):

A estrutura básica do tipo de sistema de inferência difusa pode ser vista como um modelo que mapeia características de entrada para inserir funções de participação. Em seguida, mapeia a função de associação de entrada para regras e regras para um conjunto de características de saída. Finalmente, mapeia características de saída para funções de associação de saída e a função de associação de saída para uma saída avaliada individualmente ou uma decisão associada à saída. (SYAHPUTRA e SOESANTI, 2016, p.5258).

Pereira (2017), relata que o processo de fuzzyficação, formado por base de regras do tipo Se … Então, serve como uma máquina de inferência Fuzzy, porém com a mesma representação da estrutura e capacidade de aprendizado e adaptação da RNA por intermédio do ajuste dos parâmetros relacionados ao sistema Fuzzy.

De acordo com Oliveira et al. (s/d) apud Sucena (2018), as camadas de modelagem das Redes Neurais são formadas pelas etapas do raciocínio Fuzzy, classificadas em:

• Camadas das variáveis de entrada (Fuzzyficação): onde a amostra ou padrões são apresentados à rede, ou seja, as variáveis de entrada;
• Camadas Intermediárias ou escondidas: é realizada a maior parte do processamento pelas regras do raciocínio Fuzzy;
• Camadas de saída (Defuzzyficação): onde o resultado é concluído e apresentado as variáveis de saída.

Syahputra e Soesanti (2016) destacam que as redes Neuro-Fuzzy se assemelham ao método de aprendizagem neuro-adaptativa de RNA. O autor define ainda as técnicas de aprendizagem neuro-adaptativa como um sistema para o procedimento de modelagem disusa para obter informações sobre um conjunto de dados, onde os parâmetros da função de associação que são calculados são os que melhor permitem que o sistema de inferência Fuzzy associado rastreie os dados de entrada/saída fornecidos.

Uma rede ANFIS (Adaptive Neuro Fuzzy Inference System), que é um tipo de rede neuro-Fuzzy, é dividida em cinco camadas que são definidas por França (2016), Bernardes (2018) e Pereira (2017), da seguinte forma:

• Camada 1: todo nó é um nó adaptativo com uma função de pertinência ajustadas por meio de parâmetros, como por exemplo a delimitação de uma função triangular.
• Camada 2: essa é formada por nós fixos, que tem como saída o produto de todas as entradas, como se segue em:

Cada saída dessa camada representa um firings trength de uma regra. Nesses nós podem ser usados qualquer operador t-norma que represente o operador Fuzzy AND.

• Camada 3: cada nó é um nó fixo. Cada saída depende de seu conjunto de base de regras respectivos.
• Camada 4: nessa camada ocorre o consequente de cada nó, onde a cada um é atribuído um peso.
• Camada 5: defuzzyficação e a consequente determinação da saída do ANFIS, utilizando a média ponderada.

4. APLICAÇÃO

Neste Capítulo foi desenvolvido o modelo matemático, a aplicação do questionário nas turmas do 1º período de Engenharia e a avaliação dos resultados obtidos.

4.1 DEFINIÇÕES DOS ATRIBUTOS

Desenvolveu-se revisão bibliográfica para se identificar os atributos da IE, conforme citado na metodologia.

A tabela 1 a seguir representa os atributos citados por cada obra. Calculou-se a frequência relativa de cada atributo identificado para ressaltar sua importância na composição da IE e para construção do modelo matemático proposto.

TABELA 1 – Resumo dos atributos

RESUMO DOS ATRIBUTOS

ATRIBUTOS

A 1

A 2

A 3

A 4

A 5

A 6

A 7

A 8

A 9

A 10

A 11

A 12

A 13

A 14

A 15

Freq.

Freq. Relativa

Adaptabilidade

X

X

X

3

20,00%

Assimilação das emoções

X

1

6,67%

Autoconhecimento

X

X

X

X

4

26,67%

Autoconsciência

X

X

X

X

X

5

33,33%

Autocontrole

X

X

X

X

X

X

X

X

X

9

60,00%

Automotivação

X

X

X

X

X

X

X

X

X

9

60,00%

Autopercepção

X

X

X

X

4

26,67%

Compreensão das emoções

X

X

X

X

X

X

6

40,00%

Comunicação

X

1

6,67%

Desempenho

X

X

X

3

20,00%

Empatia

X

X

X

X

X

X

X

X

X

X

X

11

73,33%

Gerenciamento das emoções

X

X

X

X

X

X

X

X

X

9

60,00%

Persistência

X

X

X

3

20,00%

Sociabilidade

X

X

X

X

X

X

X

X

8

53,33%

Total

76

Fonte: Elaborada pelas autoras

Legenda: A1 – ACOSTA E PIMENTA (2009); A2 – FREITAS E NORONHA (2006); A3 – SEQUEIRA (2013); A4 – SOUSA (2010);A5 –SOUSA E FREITAS (2016); A6 – HUTZ & WOYCIEKOSKI (2009);A7 – PRIMI (2003);A8 – BUENO E PRIMI (2003); A9- DANTAS E NORONHA (2005);A10 – REGO E FERNANDES (2001); A11 – SIQUEIRA, BARBOSA E ALVES (1999); A12 – RODRIGUES, REBELO E COELHO (2011);A13 – HUTZ E WOYCIEKOSKI (2010);A14 – ROBERTS, FLORES-MENDONZA, NASCIMENTO (2002);A15 – FRAGOSO-LUZURIAGA (2015)

Os atributos foram selecionados analisando-se redundâncias nas descrições e pelas maiores frequências nas citações. Os atributos selecionados para compor o modelo matemático são descritos da seguinte forma:

• Autoconhecimento: capacidade para identificar e lidar com situações emocionais;
• Autocontrole: condição do indivíduo controlar as emoções pelas suas competências, para concluir seus propósitos;
• Automotivação: onde o indivíduo busca fundamentos para persistir em determinado objetivo;
• Empatia: é considerado quando o indivíduo observa o sentimento da pessoa que está ao seu redor pela análise das expressões faciais e pelo tom de voz, com o intuito de ajudá-lo;
• Sociabilidade: possibilita que certo indivíduo tenha relações se tornem leais.

4.2 VARIÁVEIS DE ENTRADA FUZZY

Os atributos citados anteriormente são transformados em variáveis de entrada Fuzzy apresentadas adiante.

A figura 5 representa a variável de entrada Fuzzy Autoconhecimento, com universo de discurso variando entre 0 e 10 e os termos linguísticos Muito Pouco, Pouco e Razoável.

Figura 5 – Modelagem da Variável Autoconhecimento.

A próxima figura 6 apresenta a variável de entrada Fuzzy Autocontrole, onde o universo de discurso é o mesmo que o anterior, entre 0 e 10, e os termos linguísticos são Nunca, Às vezes e Sempre.

Figura 6 – Modelagem da Variável Autocontrole.

A variável de entrada Fuzzy Automotivação, apresentada na Figura 7, revela os seus termos linguísticos: Não Persistiria, Dúvida e Persistiria, sendo o universo de discurso entre 0 e 10.

Figura 7 – Modelagem da Variável Automotivação.

A representação da variável de entrada Fuzzy Empatia está disponível na Figura 8, onde se verifica o universo de discurso variando entre 0 e 10 e os termos linguísticos: Indiferente, Compreendia Parcialmente e Compreendia.

Figura 8 – Modelagem da Variável Empatia.

A próxima figura 9 apresenta a variável de entrada Fuzzy Sociabilidade, onde o universo de discurso é o mesmo que o anterior, entre 0 e 10, e os termos linguísticos: Baixa, Média e Alta.

Figura 9 – Modelagem da Variável Sociabilidade.

4.3 ELABORAÇÃO DA REDE NEURAL ARTIFICIAL

Apesar da RNA trabalhar com dois ou mais neurônios artificiais e, pelo menos, uma sinapse, essa rede será composta por apenas um neurônio (N1), que agregará cinco variáveis de entrada Fuzzy (VEF1 a VEF5) que refletem os cinco atributos (autoconhecimento, autocontrole, automotivação, empatia e sociabilidade) expostos no subitem anterior. A saída de N1 resultará em uma variável de saída Fuzzy, nomeada Inteligência Emocional Coletiva (IEC). A figura 10, a seguir, representa a diagramação de RNA.

Figura 10 – Diagramação da RNA.

4.4 VARIÁVEL DE SAÍDA FUZZY (IEC)

A figura 11 indica, de forma gráfica, o universo de discurso, termos linguísticos e funções de pertinência da variável IEC.

Figura 11 – Modelagem da Variável IEC.

4.5 IMPLEMENTAÇÃO DO MODELO MATEMÁTICO EM APLICATIVO COMPUTACIONAL

O modelo matemático será implementado no Microsoft Excel, onde serão processados todos os dados qualitativos apurados no questionário apresentado no apêndice, a fim de calcular o IEC.

Tal questionário é composto por perguntas, uma para cada atributo apresentado anteriormente no item 4.2 no formato de variáveis de entrada do modelo matemático.

Neste modelo matemático, estarão representados os processos de agregação de respostas, fuzzyficação, inferência e defuzzyficação.

Para o processo de agregação serão realizadas as seguintes etapas:

1. Determinar entradas: insere-se cada variável Fuzzy;
2. Determinar as funções de pertinência associadas: as funções de pertinência foram definidas como triangulares e estão representadas no item 4.2 desse TCC;
3. Registrar as respostas qualitativas de cada pergunta que representa cada variável de entrada: nessa etapa haverá o registro do respondente quanto às perguntas respondidas no questionário;
4. Computar a frequência de cada resposta: aqui serão contabilizadas as respostas equivalentes a cada termo linguístico de cada variável de entrada;
5. Efetuar o produto das frequências pelos elementos das funções de pertinência: os elementos das funções de pertinências são os números associados aos extremos e meio das funções;
6. Determinar o triângulo médio equivalente às respostas: é a soma dos resultados obtidos do quociente de cada elemento da função pela quantidade de respondentes;
7. Determinar o valor crisp representativo de cada resposta: para essa etapa será usada o ranqueamento crisp pela distribuição triangular dada por (medida à esquerda + (2 x medida com maior grau de pertinência+ medida à direita)) ÷ 4;

Para o processo de fuzzyficação são realizadas as seguintes etapas:

1. Calcular o grau de pertinência de cada valor crisp obtido no processo anterior, referente a cada pergunta;
2. Definir o vetor Fuzzy que é a associação da função de pertinência a cada termo linguístico.

Para o processo de inferência são utilizadas as funções de pertinência apresentadas no item 4.2, onde se avalia que quanto maior o resultado da variável de saída, melhor será o índice de IEC, ou seja, representará um profissional (ou conjunto de profissionais, pelo viés coletivo) melhor preparado para o mercado de trabalho. Para este processo de inferência será usado o conectivo de agregação “ou”, que representa a máxima possibilidade.

Para o processo de defuzzyficação (método do centro dos máximos) calcula-se o IEC pela média ponderada pelos graus de pertinência obtidos na inferência pelos valores máximos de cada resposta representada pelas respectivas funções de pertinência.

4.6 ESTUDO DE CASO

Por intermédio da apuração dos dados fornecidos pelo questionário que são associados às variáveis de entrada do modelo matemático proposto, a figura 12 apresenta as funções de pertinência das entradas agrupadas.

Figura 12 – Modelagem das funções de entrada agrupadas.

Apesar dos termos linguísticos (TL1 a TL3) apresentados na figura 12 serem diferentes, as funções de pertinências são triangulares. A figura 13 representa os atributos agrupados com os termos linguísticos.

Figura 13 – Termos linguísticos.

Usando a coleta de dados dos questionários respondidos por 31 discentes de engenharia que ocorreu em 25/09/2019 é possível determinar as entradas crisp agregadas que são mostradas na figura 14.

Figura 14 – Entradas crisp agregadas.

No processo de fuzzyficação foram processadas as respostas para cada termo linguístico (TL1, TL2, TL3), conforme apresentado na figura 15, gerando um vetor Fuzzy como resultado.

Figura 15 – Resultado da Fuzzyficação.

A figura 16 a seguir apresenta a máxima possibilidade (maior grau de pertinência) para cada pergunta.

Figura 16 – Resultado da Inferência.

No processo de defuzzyficação calcula-se o IEC pelo método do Centro dos Máximos, sendo representado o resultado desse processo na figura 17.

Figura 17 – Resultado da Defuzzyficação.

4.7 ANÁLISE DOS RESULTADOS

Para analisar o resultado do modelo matemático, compararam-se outras combinações quanto às características dos respondentes. Tomaram-se Gênero e Faixa Etária dos 31 consultados. 87,1% das pessoas se classificaram como gênero masculino com idade variando entre 20 e 66 anos. A seguir serão apresentados tabelas e gráficos que ilustram aspectos importantes da pesquisa.

A tabela 2 apresenta os dados obtidos por intermédio do modelo matemático, separados por gênero, com o IEC.

TABELA 2 – Entrada e Saída do modelo por Gênero.

GÊNERO	ENTRADAS CRISP					IEC
	Perg1	Perg2	Perg3	Perg4	Perg5
Feminino	8,64	4,39	8,04	8,04	5,00	6,19
Masculino	8,54	6,95	8,36	7,48	6,06	7,41

Fonte: Elaborada pelas autoras.

A figura 18 apresenta em percentual das saídas por gênero, onde o índice de IEC é de 54% para o sexo masculino e 46% para o feminino, com variação de 8% do IEC.

Figura 18 – Gráfico da saída modelo por Gênero.

A figura 19 representa o gráfico das entradas crisp por gênero, tomando-se cada um dos atributos que foram representados no questionário para coleta de dados. Observa-se que tais entradas para o gênero masculino foram maiores em todas as questões.

Figura 19 – Gráfico de entradas crisp.

Para os IEC por gênero pode-se observar na pergunta 1, que se refere ao atributo Autocontrole, que para ambos se têm valor alto. Na figura 20 percebe-se a relação entre os gêneros, destacando-se a pergunta 2 que trata do atributo Autoconhecimento, com 58,16% de variação, mais alta quando comparado com as demais perguntas.

Figura 20 – Gráfico de variação saída crisp do sexo masculino em relação ao feminino.

Para os IEC dividido por gênero pode-se observar na pergunta 1, de atributo Autocontrole, que para ambos os gêneros se têm um índice alto. Percebe-se que em gênero as saídas mantêm um padrão contendo pouca variação, com exceção do atributo Autoconhecimento, da pergunta 2, tendo o gênero masculino o IEC 58,16% maior, conforme apresentado na figura 20.

Desenvolveu-se também o processamento dos dados por faixa etária dos respondentes, tal como apresentado na tabela 3 que expõe os resultados do IEC.

TABELA 3 – Entrada e Saída por Faixa Etária

IDADE	ENTRADAS CRISP					IEC
	Perg1	Perg2	Perg3	Perg4	Perg5
Entre 20 e 29	8,54	6,42	7,83	6,89	5,94	6,98
Entre 30 e 39	8,64	5,61	8,64	8,64	5,61	7,15
Maior que 40	8,54	7,13	9,25	8,54	5,71	7,82

Fonte: Elaborada pelas autoras.

Observa-se na tabela 3 que a saída IEC é crescente conforme a idade. Neste ponto destaca a pergunta 3, sobre automotivação, que ocorreu acréscimo de 18,09% pela comparação das faixas etárias “entre 20 e 29” e “maior que 40”, apresentado na figura 21. Para a pergunta 5, relativa ao atributo sociabilidade, pode-se observar que o IEC foi baixo para todas as idades. Já na pergunta 1 de atributo Autocontrole, vê-se todas as faixas etárias com saídas altas.

Figura 21 – Gráfico de entrada e saída por Faixa Etária.

Legenda: 1-5 perguntas; 6 IEC.

Para analisar os dados obtidos por intermédio do modelo matemático para a relação entre gênero e faixa etária, apresenta-se na Tabela 4 os resultados para resposta como Gênero feminino.

TABELA 4 – Entrada e Saída do modelo por Gênero Feminino e Faixa etária.

GÊNERO FEMININO
IDADE	ENTRADAS CRISP					IEC
	Perg1	Perg2	Perg3	Perg4	Perg5
Entre 20 e 29	9,25	5,00	8,19	9,25	6,06	7,35
Entre 30 e 39	7,13	5,00	9,25	7,13	2,88	6,45

Fonte: Elaborada pelas autoras.

Constata-se na figura 22, que na pergunta 2, relacionada ao atributo Autocontrole, não houve variação. Já na pergunta 5, relativa à sociabilidade, a variação entre idade mostrou-se alta, sendo essa de 52,58%. No atributo empatia, de pergunta 4, destaca-se que em maior faixa etária há uma queda de saída de 22,97%.

Figura 22 – Gráfico de entrada e saída do modelo por Gênero Feminino e Faixa Etária.

Legenda: 1-5 perguntas; 6 IEC.

A tabela 5 apresenta o resultado das perguntas para o Gênero masculino em confronto com as faixas etárias.

TABELA 5 – Entrada e Saída do modelo por Gênero Masculino e Faixa Etária.

GÊNERO MASCULINO
IDADE	ENTRADAS CRISP					IEC
	Perg1	Perg2	Perg3	Perg4	Perg5
Entre 20 e 29	8,34	6,82	7,73	6,21	5,91	6,78
Entre 30 e 39	9,25	5,85	8,40	9,25	6,70	7,99
Maior que 40	8,54	7,13	9,25	8,54	5,71	7,82

Fonte: Elaborada pelas autoras.

A figura 23 apresenta as variações por perguntas, onde se observada o aumento do IEC de 17,77% para “entre 30 e 39”; e de 15,31% para “maior que 40”. Na pergunta 5, relativa à sociabilidade, “maior que 40” apresentou queda de 3,42% quando comparada a “entre 20 e 29”. Para a faixa etária “Entre 30 e 39”, nota-se que, apesar de apresentar maior IEC, na pergunta 2, de atributo Autoconhecimento, apresenta a menor saída. Quanto a pergunta referente ao atributo sociabilidade, destacam-se as menores  variações.

Figura 23 – Gráfico de entrada e saída do modelo por Gênero Masculino e Faixa Etária.

Em todas as análises observaram-se os IEC mais baixos na perguntas 2, de atributo Autoconhecimento, para idade dos respondentes entre 30 e 39 anos; e na pergunta 5, de atributo Sociabilidade, para idade maior que 40 anos. Para a pergunta 3, que se refere a Automotivação, a maior idade (nas duas faixas) representa maior valorização.

Nestes quesitos pode-se inferir que a idade influencia positivamente para Automotivação e negativamente para Autoconhecimento e Sociabilidade.

As análises apresentadas denotam variações da IE, sem apresentar conclusões acerca de características psicológicas, tal como as cognitivas, nas questões relacionadas aos Gênero e Faixa Etária. Nesse contexto é necessária a participação de profissional especializado da área de neuropsicologia que permitirá inferir sobre os aspectos psicológicos associados.

5. CONCLUSÃO

O modelo matemático foi populado com dados obtidos em pesquisa realizada no 2º semestre de 2019, em uma universidade na zona norte do Rio de Janeiro, em turma de primeiro período de engenharia.

O resultado obtido no modelo matemático é IEC de 7,12. Quando analisado por gênero, o IEC é de 6,19 para o Gênero Feminino e 7,41 para o Gênero Masculino. Ao ser observado por Faixa Etária, para “Entre 20 e 29” apresentou o resultado de 6,98, para “Entre 30 e 39” foi de 7,15 e para “Maior que 40” é de 7,82. Quando combinado entre Faixa Etária e Gênero verificou-se o IEC de 7,35 para o Gênero Feminino “Entre 20 e 29” e 6,45 para “Entre 30 e 39”. Não houve respondentes do gênero feminino para “Maior que 40”. Quanto ao Gênero Masculino, o IEC é de 6,78 para “Entre 20 e 29”, 7,99 para “Entre 30 e 39” e 7,82 para “Maior que 40”.

Neste estudo foram desenvolvidas apenas análises dos resultados obtidos, não havendo possibilidade de conclusão quanto aos aspectos psicológicos dos estudantes de engenharia.

REFERÊNCIAS

ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 6023: informação e documentação: referências: elaboração. Rio de Janeiro, 2002.

ACOSTA, Liliana Margarita Oñoro; PIMENTA, Regina Alonso Gonzalez. ANÁLISE REFLEXIVA DAS HABILIDADES E COMPETENCIAS QUE DISCUTEM A INTELIGÊNCIA EMOCIONAL NA PRÁTICA DOCENTE UNIVERSITARIA. Revista UNIRB – Faculdade Regional da Bahia, v. 1, n.2 (2008-2009)- Salvador: Editara e Gráfica do SENASP, p. 59 – 73, 2009.

BAR-ON, R. (1997) The Bar-On Emotional Quotient Inventory (EQ-I): A test of emotional intelligence.Toronto, Canadá: Multi-Health Systems.

BERNARDES, Renata. Sistemas Neuro-fuzzy Aplicados no Controle de uma Aeronave de Asa Fixa. 2019. 64 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Mecatrônica) – Universidade Federal de Uberlândia, Uberlândia, 2018.

BRAGA, Antônio de Pádua; CARVALHO, André Ponce de Leon F. de; LUDERMIR, Teresa Bernarda. Redes neurais artificiais: teoria e aplicações. 2 ed, Rio de Janeiro LTC, p. 226, 2007.

BUENO, José Maurício Haas; PRIMI, Ricardo. Inteligência Emocional: Um Estudo de Validade sobre a Capacidade de Perceber as Emoções. Psicologia: Reflexão e Crítica, p. 279-291, 2003.

CEREBRO & MENTE. O que são Redes Neurais Artificiais. Disponível em: <http://www.cerebromente.org.br/n05/tecnologia/rna.htm>. Acesso em 05 jul. 2019.

DANTAS, Marillda Aparecida; NORONHA, Ana Paula Porto. Inteligência Emocional Paramêtros Psicométricos de um Instrumento de Medida. Estudos e Pesquisa em Psicologia, UERJ, ANO 5, 2005.

FRANÇA, Daniel Cruz de. Modelagem de um adaptive neuro fuzzy inference system para análise de risco em projetos., 2016. 103 f. Dissertação, (Mestrado em Engenharia de Produção) – Universidade Federal da Paraíba, João Pessoa, 2016.

FRAGOSO-LUZURIAGA, Rocío. Inteligencia emocional y competências emocionales en educación superior, ¿unmismoconcepto?. México, 2015.

FREITAS, Fernanda Andrade de; NORONHA, Ana Paula Porto. INTELIGÊNCIA EMOCIONAL E AVALIAÇÃO DE ALUNOS E SUPERVISORES: EVIDÊNCIAS DE VALIDADE. Psicologia: Teoria e Prática,p 77- 93, 2006.

GARDNER, Howard. Estruturas da mente: a Teoria das Múltiplas Inteligências. Porto Alegre: Artes Médicas, c1994. Publicado originalmente em inglês com o título: The framsofthe mind: theTheoryofMultipleIntelligences, em 1983.

GOLEMAN, Daniel (1995). Inteligência Emocional: a teoria revolucionária que define o que é ser inteligente. Trad. Marcos Santarrita. Ed. rev. Rio de Janeiro, RJ: Objetiva, 2001.

GOMIDE, Fernando; GUDWIN, Ricardo; TANSCHEIT, Ricardo. CONCEITOS FUNDAMENTAIS DA TEORIA DE CONJUNTOS FUZZY, LÓGICA FUZZY E APLICAÇÕES, Brasil, 1995.

HOUAISS, Antônio. Dicionário eletrônico Houaiss da língua portuguesa, 2019.

MALVEZZI, William Roberto. Uma ferramenta baseada em teoria fuzzy para o acompanhamento de alunos aplicado ao modelo de educação presencial mediado por tecnologia, São Paulo, 2010.

MARIN, Angela Helena. et al. Competência socioemocional: conceitos e instrumentos associados. Revista Brasileira de Terapias Cognitivas, edição especial, FBTC, p. 92-103, 2017. Disponível em http://www.rbtc.org.br/detalhe_artigo.asp?id=255

MAYER, J. D., &SALOVEY, P. (2007). ¿Qué es La inteligencia emocional? In J. M. M., Navas, & P. F., Berrocal. (Coord.). Manual de inteligência emocional. p. 25-45. Madrid: Anaya. (Originalmente publicado em 1997)

NACHIAPPAN, S. et al. Analysis of Cognition Integration in Intelligence Quotient (IQ), Emotional Quotient (EQ) and Spiritual Quotient (SQ) in Transforming Cameron Highlands Youths through Hermeneutics Pedagogy. ln: International Conference on Education & Educational Psychology, Malaysia. Elsevier Ltd, 2013. Disponível em: https://www.sciencedirect.com/science/article/pii/S1877042814012634

NETA, Nair Floresta Andrade; GARCÍA, Emilio; GARGALLO, Isabel Santos. A INTELIGÊNCIA EMOCIONAL NO ÂMBITO ACADÊMICO: Uma aproximação teórica e empírica, p.11-22, 2008.

NOGUEIRA, Glairton L. O novo perfil do engenheiro e a formação do engenheiro professor no município de Santarém – PA. Instituto Federal do Pará, Santarém – PA, 2012.

OLIVEIRA, Renata Lúcia Magalhães de. Modelo Neuro-Fuzzy para escolha Modal no Transporte de Cargas. Instituto Militar de Engenharia, Rio de Janeiro, 2004.

PEREIRA, Bruno Luiz. Aplicação de sistemas neuro-fuzzy e evolução diferencial na modelagem e controle de veículo de duas rodas. 2017. 172 f. Dissertação (Mestrado em Engenharia Mecânica), Universidade Federal de Uberlândia, Uberlândia, 2017.

PRIMI, Ricardo. Inteligência: Avanços nos Modelos Teóricos e nos Instrumentos de Medidas. Avaliação Psicológica, Universidade São Francisco, Itatiba SP, p. 67-77, 2003.

QUEROZ, Nelma Caires; NERI, Anita Liberalesso. Bem-estar Psicológico e Inteligência Emocional entre Homens e Mulheres na Meia-idade e na Velhice. Universidade Estadual de Campinas, 2005. Disponível em:http://www.scielo.br/pdf/%0D/prc/v18n2/27481.pdf

REGO, Arménio; FERNANDES, Claúdia; INTELIGÊNCIA EMOCIONAL: CONTRIBUTOS ADICIONAIS PARA A VALIDAÇÃO DE UM INSTRUMENTO DE MEDIDA. Portugual, 2001.

RIGNEL, Diego Gabil de Souza; CHENCI, Gabriel Pupin; LUCAS, Carlos Alberto. Uma Introdução a Lógica Fuzzzy. RESIGET, Franca, v.1, p. 17-28, 2011.

ROBERTS, Richard D.; FLORES-MENDOZA, Carmen E.; NASCIMENTO, Elizabeth do. INTELIGÊNCIA EMOCIONAL: UM CONSTRUTO CIENTÍFICO? Paidéia Ribeirão Preto, 2002. Disponível em:<www.revistas.usp.br/paideia/article/view/6135/7666>.  Acesso em: 17 mar. 2019.

RODRIGUES, Fabio Zafallon e SANTOS, Silvio Aparecido. A Lógica Fuzzy na Administração de Empresas, VII Seminários de Administração da USP – SEMEAD, São Paulo, 2004. Disponível em: http://sistema.semead.com.br/7semead/paginas/artigos%20recebidos/Adm%20Geral/ADM25_-_A_L%F3gica_Fuzzy_na_Administra%E7%E3o.PDF

RODRIGUES, Nuno; REBELO, Teresa; COELHO, João Vasco. Adaptação da Escala da Inteligência Emocional de Wong e Law (WLEIS) e análise de sua estrutura factorial e fiabilidade numa amostra portuguesa. Psycologica, p.189-207, 2011.

SEQUEIRA, Patrícia Maria Cruz Diniz Branco Barata Neves. Contribuição da Inteligência Emocional para o Sucesso Escolar no contexto da formação em Medicina.Universidade da Beira Interior, p. 3-11, Covilhã,2013.

SILVA, Edna Lúcia e MENEZES, EsteraMuszkat. Metodologia da Pesquisa e Elaboração de Dissertação, 4ª edição, Universidade Federal de Santa Catarina – UFSC, 138 p., Florianópolis, 2005.

SIQUEIRA, Mirlene Maria Matias; BARBOSA, Nilton César; ALVES, MatiannyThyssen; Construção e Validação Fatorial de uma Medida de Inteligência Emocional.  Psicologia: Teoria e Pesquisa Mai-Ago 1999, Vol. 15 n. 2, pp. 143-152.

SOUSA, Ana Paula Louro Diogo Botelho de. INTELIGÊNCIA EMOCIONAL E DESEMPENHO ACADÉMICO EM ESTUDANTES DO ENSINO SUPERIOR. Instituto Superior Miguel Torga, Coimbra, p. 8-25, 2010.

SOUSA, Thalita Maria Corcino e FREITAS, Maria Cecília Martínez Amaro. A INTERFERÊNCIA DA INTELIGÊNCIA EMOCIONAL NA PRÁXIS DO PROFESSOR. UniEvangélica, 2016.

SUCENA, Marcelo. Inteligência Artificial. Disponível em: <http://www.sucena.eng.br/eng_producao/2018/UNESA_MET_MAT_APL_ENG_PROD_MODELAGEM_SIMULACAO_2018_1.pdf>. Acesso em: 01 mai.2019

SYAHPUTRA, Ramadoni;  SOESANTI, Indah. DFIG Control Scheme of Wind Power Using ANFIS Method in Electrical Power Grid System. Indonésia, 2016.

TANSCHEIT, Ricardo. SISTEMAS FUZZY. Disponível em: <http://www.inf.ufsc.br/~mauro.roisenberg/ine5377/leituras/ICASistemas%20Fuzzy.pdf>. Acessoem 15 jun.2019

VAN ZYL, C.J.J. The psychometric properties of the Emotional Quotient Inventory 2.0 in South Africa. SA Journal of Industrial Psychology/SA, South Africa,  Art.#1192, 8 pages, 2014. Disponívelem:< http://dx.doi.org/10.4102/ sajip.v40i1.1192>

WOYCIEKOSKI, Carla; HUTZ, Claudio Simon. Inteligência Emocional: Teoria, Pesquisa, Medida, Aplicações e Controvérsias. Psicologia: Reflexão e Crítica, p. 1-11, 2009.

WOYCIEKOSKI, Carla; HUTZ, Claudio Simon. Inteligência emocional avaliada por autorrelato difere do construto personalidade?.São Paulo, p.151-159, 2010.

ZADEH, L.A. FuzzySets.Department of Electrical Engineering and Electronics research Laboratory, California, p. 338-356,1965.

ZANINI, Alexandre. Regulação Econômica No Setor Elétrico Brasileiro: Uma Metodologia Para Definição De Fronteiras De Eficiência E Cálculo Do Fator X Para Empresas Distribuidoras De Energia Elétrica. 2004.147 f.Tese (doutorado) – Pontifícia Universidade Católica do Rio de Janeiro, Departamento de Engenharia Elétrica.

APÊNDICE – QUESTIONÁRIO SOBRE COMPETÊNCIAS EM SALA DE AULA

Idade: *

Sua resposta

• Gênero: *

(  ) Feminino

(  ) Masculino

• Estuda ou trabalha? *

(  ) Somente estudo

(  ) Estuda e trabalha

• Tempo trabalhando:

Sua resposta

• Em que região do Rio de Janeiro reside? *

(  ) Zona norte

(  ) Zona Sul

(  ) Zona Oeste

(  ) Baixada

• Há quantos anos reside nessa região do estado? *

Sua resposta

• Se em uma apresentação/trabalho você receber um feedback negativo, você consegue usar essa crítica para uma melhoria? *

(  ) Muito pouco

(  ) Pouco

(  ) Razoável

• Se em sala de aula houver uma atividade na qual o professor te coloque sobre pressão, como você consegue pensar claramente? *

(  ) Nunca

(  ) Às vezes

(  ) Sempre

• No caso de reprovação, você persistiria na busca na conclusão da sua graduação? *

(  ) Não Persistiria

(  ) Dúvida

(  ) Persistiria

• Se em um trabalho em grupo um colega que está passando um momento difícil e falha com as obrigações, em qual nível você compreenderia essa situação? *

(  ) Indiferente

(  ) Compreendia Parcialmente

(  ) Compreendia

• Se houver dinâmica no primeiro dia de aula, qual seu grau de interação? *

(  ) Baixo

(  ) Médio

(  ) Alto

^[1] Graduação em Engenharia de Produção.

^[2] Graduação.

^[3] Graduação.

^[4] Orientador. Doutorado em Engenharia de Transportes.

Enviado: Dezembro, 2020.

Aprovado: Abril, 2021.