O papel das funções da demonstração no desenvolvimento dos esquemas demonstrativos dos alunos

Este artigo foca a problemática da demonstração na matemática escolar. Apresenta parte de um estudo que teve como objetivo identificar as formas como os alunos validam os resultados matemáticos, relacionando-as com a prática social desenvolvida na aula. O estudo situa-se num paradigma interpretativo e, focando-se nos significados dos participantes— uma turma de 9.º ano, de onde foi selecionado um grupo de quatro alunos para alvo de registo vídeo e áudio, e a respetiva professora—, foi orientado pelas seguintes questões: 1) qual a natureza da demonstração no contexto escolar?, 2) qual o papel da demonstração na atividade matemática escolar?, e 3) como se relaciona a concretização da demonstração com a prática social desenvolvida na aula de Matemática? Os resultados discutidos no presente artigo reportam-se ao papel das funções da demonstração na evolução dos alunos para a utilização de esquemas demonstrativos dedutivos, quer nas situações pautadas pela existência de uma fase de conjeturação quer nas situações caracterizadas pela ausência de conjeturação.

An unsupervised approach to feature discretization and selection

Many learning problems require handling high dimensional datasets with a relatively small number of instances. Learning algorithms are thus confronted with the curse of dimensionality, and need to address it in order to be effective. Examples of these types of data include the bag-of-words representation in text classification problems and gene expression data for tumor detection/classification. Usually, among the high number of features characterizing the instances, many may be irrelevant (or even detrimental) for the learning tasks. It is thus clear that there is a need for adequate techniques for feature representation, reduction, and selection, to improve both the classification accuracy and the memory requirements. In this paper, we propose combined unsupervised feature discretization and feature selection techniques, suitable for medium and high-dimensional datasets. The experimental results on several standard datasets, with both sparse and dense features, show the efficiency of the proposed techniques as well as improvements over previous related techniques.