Análise de clusters aplicada ao sucesso/insucesso em matemática

De acordo com [Mirkin B., 1996], classificação é um agrupamento existente ou ideal daqueles que se parecem (ou são semelhantes) e separação dos que são dissemelhantes. Sendo o objectivo/razão da classificação: (1) formar e adquirir conhecimento, (2) analizar a estrutura do fenómeno e (3) relacionar entre si diferentes aspectos do fenómeno em questão. No estudo do sucesso/insucesso da Matemática está de algum modo subjacente nos nossos objectivos “classificar” os alunos de acordo com os factores que se pretende que sejam determinantes nos resultados a Matemática. Por outro lado, voltamos a recorrer à classificação quando pretendemos estabelecer os tipos de factores determinantes nos resultados da Matemática. Os objectivos da Análise de Clusters são: (1) analisar a estrutura dos dados; (2) verificar/relacionar os aspectos dos dados entre si; (3) ajudar na concepção da classificação. Pensámos que esta técnica da análise exploratória de dados poderia representar uma ferramenta muito potente para o estudo do sucesso/insucesso da Matemática no Ensino Básico. O trabalho desenvolvido nesta dissertação prova que a Análise de Clusters responde adequadamente às questões que se podem formular quando se tenta enquadrar socialmente e pedagogicamente o sucesso/insucesso da Matemática.

Avaliação de nova estratégia extrativa, baseada em NTDs, combinada com dados de análise cromatigráfica e quimiométrica para a deteção de biomarcadores de diferentes tipos de cancro

A elevada incidência e mortalidade mundiais associadas ao cancro justificam o desenvolvimento e implementação de estratégias eficazes e não-invasivas conducentes a um diagnóstico precoce. Neste contexto, pretendeu-se avaliar a performance de uma metodologia inovadora, a microextração por “needle trap” (NTME), na extração de metabolitos voláteis (VOMs) da urina de pacientes oncológicos com diferentes tipos de cancro - cólon, pulmão e mama, e de indivíduos saudáveis, com a finalidade de identificar um conjunto de VOMs potenciais biomarcadores dos diferentes tipos cancros em estudo. De modo a maximizar a eficiência da extração dos VOMs, foram otimizados diferentes parâmetros experimentais, nomeadamente a natureza do sorvente, a temperatura, o tempo de equilíbrio, o volume de headspace, a força iónica, o pH do meio e o volume e a agitação da amostra. Usando como sorvente o DVB/Car1000/CarX, os melhores resultados foram obtidos com 4 mL de urina acidificada (pH= 2), 20% NaCl, 40 mL de headspace e 40 min de equilíbrio a 50 °C. Foi ainda avaliada a estabilidade dos VOMs no sorvente até 72 h após a extração. Nos quatro grupos em estudo foram identificados, por GC-MS, 259 VOMs pertencentes a diversas famílias químicas, nomeadamente cetonas, compostos sulfurados, furânicos e terpénicos. A matriz de dados obtida para cada grupo em estudo foi submetida a análise discriminante, usando o método dos mínimos quadrados parciais (PLS-DA), que resultou em clusters distintos diferenciadores de cada grupo. A aplicabilidade do modelo foi avaliada através do método de classificação SIMCA (modelagem suave e independente de analogias de classe), com elevadas taxas de classificação, sensibilidade e especificidade. Este foi o primeiro estudo usando NTME para o estabelecimento do padrão volatómico da urina. Os resultados obtidos revelam-se muito promissores originando perfis voláteis de maior expressividade, mais completos e abrangentes, que os obtidos usando metodologias de referência.