Mediação do processo ensino-aprendizagem com o jogo de empresas mercado virtual: uma pesquisa de opinião

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)

O xadrez nos contextos do lazer, da escola e profissional: aspectos psicológicos e didáticos

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)

Modelando matematicamente questões ambientais relacionadas com a água a propósito do ensino-aprendizagem de funções na 1ª série do ensino médio

Este trabalho apresenta uma forma possível de se conceber e materializar a Modelagem Matemática como método de ensino-aprendizagem em cursos regulares. Tal perspectiva de Modelagem foi organizada após considerações feitas sobre os obstáculos já apontados por aqueles que nos antecederam na área. Para observar como a professora e os alunos se envolvem em atividades de Modelagem e discutir, à luz de todo o conhecimento já produzido por pesquisas anteriores, os efeitos desse envolvimento para a prática docente no referido método, para a formação geral do educando bem como para o processo de ensino-aprendizagem da Matemática, a proposta de Modelagem foi aplicada em uma turma de primeira série do ensino Médio e avaliada quanto à produção de aprendizagens significativas de funções polinomiais do 10 e 20 graus, função exponencial e logaritmos, com enfoques de ferramentas para a compreensão de questões ambientais relacionadas com a água. Os resultados obtidos apontam que o ensino por Modelagem pode levar o aluno a tomar-se co-participe de seu processo de ensino-aprendizagem e, por conseqüência, ter sua aprendizagem signifIcativa facilitada. Por outro lado, para o professor, entre o reconhecimento das vantagens quanto à utilização da Modelagem para o ensino e a sua aplicação, existe um caminho permeado de estudo e de pesquisa, que, para ser trilhado precisa de disposição e audácia para vencer os obstáculos que se afigurem.

Avaliação vascular não invasiva (NIVA) em gestantes com diabete gestacional e com hiperglicemia leve utilizando o SphygmoCor

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)

Rank Aggregation for Pattern Classifier Selection in Remote Sensing Images

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)

Reinforcement Lernen mit Regularisierungsnetzwerken

Die Arbeit behandelt das Problem der Skalierbarkeit von Reinforcement Lernen auf hochdimensionale und komplexe Aufgabenstellungen. Unter Reinforcement Lernen versteht man dabei eine auf approximativem Dynamischen Programmieren basierende Klasse von Lernverfahren, die speziell Anwendung in der Künstlichen Intelligenz findet und zur autonomen Steuerung simulierter Agenten oder realer Hardwareroboter in dynamischen und unwägbaren Umwelten genutzt werden kann. Dazu wird mittels Regression aus Stichproben eine Funktion bestimmt, die die Lösung einer "Optimalitätsgleichung" (Bellman) ist und aus der sich näherungsweise optimale Entscheidungen ableiten lassen. Eine große Hürde stellt dabei die Dimensionalität des Zustandsraums dar, die häufig hoch und daher traditionellen gitterbasierten Approximationsverfahren wenig zugänglich ist. Das Ziel dieser Arbeit ist es, Reinforcement Lernen durch nichtparametrisierte Funktionsapproximation (genauer, Regularisierungsnetze) auf -- im Prinzip beliebig -- hochdimensionale Probleme anwendbar zu machen. Regularisierungsnetze sind eine Verallgemeinerung von gewöhnlichen Basisfunktionsnetzen, die die gesuchte Lösung durch die Daten parametrisieren, wodurch die explizite Wahl von Knoten/Basisfunktionen entfällt und so bei hochdimensionalen Eingaben der "Fluch der Dimension" umgangen werden kann. Gleichzeitig sind Regularisierungsnetze aber auch lineare Approximatoren, die technisch einfach handhabbar sind und für die die bestehenden Konvergenzaussagen von Reinforcement Lernen Gültigkeit behalten (anders als etwa bei Feed-Forward Neuronalen Netzen). Allen diesen theoretischen Vorteilen gegenüber steht allerdings ein sehr praktisches Problem: der Rechenaufwand bei der Verwendung von Regularisierungsnetzen skaliert von Natur aus wie O(n**3), wobei n die Anzahl der Daten ist. Das ist besonders deswegen problematisch, weil bei Reinforcement Lernen der Lernprozeß online erfolgt -- die Stichproben werden von einem Agenten/Roboter erzeugt, während er mit der Umwelt interagiert. Anpassungen an der Lösung müssen daher sofort und mit wenig Rechenaufwand vorgenommen werden. Der Beitrag dieser Arbeit gliedert sich daher in zwei Teile: Im ersten Teil der Arbeit formulieren wir für Regularisierungsnetze einen effizienten Lernalgorithmus zum Lösen allgemeiner Regressionsaufgaben, der speziell auf die Anforderungen von Online-Lernen zugeschnitten ist. Unser Ansatz basiert auf der Vorgehensweise von Recursive Least-Squares, kann aber mit konstantem Zeitaufwand nicht nur neue Daten sondern auch neue Basisfunktionen in das bestehende Modell einfügen. Ermöglicht wird das durch die "Subset of Regressors" Approximation, wodurch der Kern durch eine stark reduzierte Auswahl von Trainingsdaten approximiert wird, und einer gierigen Auswahlwahlprozedur, die diese Basiselemente direkt aus dem Datenstrom zur Laufzeit selektiert. Im zweiten Teil übertragen wir diesen Algorithmus auf approximative Politik-Evaluation mittels Least-Squares basiertem Temporal-Difference Lernen, und integrieren diesen Baustein in ein Gesamtsystem zum autonomen Lernen von optimalem Verhalten. Insgesamt entwickeln wir ein in hohem Maße dateneffizientes Verfahren, das insbesondere für Lernprobleme aus der Robotik mit kontinuierlichen und hochdimensionalen Zustandsräumen sowie stochastischen Zustandsübergängen geeignet ist. Dabei sind wir nicht auf ein Modell der Umwelt angewiesen, arbeiten weitestgehend unabhängig von der Dimension des Zustandsraums, erzielen Konvergenz bereits mit relativ wenigen Agent-Umwelt Interaktionen, und können dank des effizienten Online-Algorithmus auch im Kontext zeitkritischer Echtzeitanwendungen operieren. Wir demonstrieren die Leistungsfähigkeit unseres Ansatzes anhand von zwei realistischen und komplexen Anwendungsbeispielen: dem Problem RoboCup-Keepaway, sowie der Steuerung eines (simulierten) Oktopus-Tentakels.

Lernen mit einer Hybride aus Lernendem Klassifizierendem System und Selbstorganisierender Karte

Im Forschungsgebiet der Künstlichen Intelligenz, insbesondere im Bereich des maschinellen Lernens, hat sich eine ganze Reihe von Verfahren etabliert, die von biologischen Vorbildern inspiriert sind. Die prominentesten Vertreter derartiger Verfahren sind zum einen Evolutionäre Algorithmen, zum anderen Künstliche Neuronale Netze. Die vorliegende Arbeit befasst sich mit der Entwicklung eines Systems zum maschinellen Lernen, das Charakteristika beider Paradigmen in sich vereint: Das Hybride Lernende Klassifizierende System (HCS) wird basierend auf dem reellwertig kodierten eXtended Learning Classifier System (XCS), das als Lernmechanismus einen Genetischen Algorithmus enthält, und dem Wachsenden Neuralen Gas (GNG) entwickelt. Wie das XCS evolviert auch das HCS mit Hilfe eines Genetischen Algorithmus eine Population von Klassifizierern - das sind Regeln der Form [WENN Bedingung DANN Aktion], wobei die Bedingung angibt, in welchem Bereich des Zustandsraumes eines Lernproblems ein Klassifizierer anwendbar ist. Beim XCS spezifiziert die Bedingung in der Regel einen achsenparallelen Hyperquader, was oftmals keine angemessene Unterteilung des Zustandsraumes erlaubt. Beim HCS hingegen werden die Bedingungen der Klassifizierer durch Gewichtsvektoren beschrieben, wie die Neuronen des GNG sie besitzen. Jeder Klassifizierer ist anwendbar in seiner Zelle der durch die Population des HCS induzierten Voronoizerlegung des Zustandsraumes, dieser kann also flexibler unterteilt werden als beim XCS. Die Verwendung von Gewichtsvektoren ermöglicht ferner, einen vom Neuronenadaptationsverfahren des GNG abgeleiteten Mechanismus als zweites Lernverfahren neben dem Genetischen Algorithmus einzusetzen. Während das Lernen beim XCS rein evolutionär erfolgt, also nur durch Erzeugen neuer Klassifizierer, ermöglicht dies dem HCS, bereits vorhandene Klassifizierer anzupassen und zu verbessern. Zur Evaluation des HCS werden mit diesem verschiedene Lern-Experimente durchgeführt. Die Leistungsfähigkeit des Ansatzes wird in einer Reihe von Lernproblemen aus den Bereichen der Klassifikation, der Funktionsapproximation und des Lernens von Aktionen in einer interaktiven Lernumgebung unter Beweis gestellt.

Social-Software-Portfolios im Einsatz

Die Dissertationsschrift widmet sich der Erforschung des Online-Lernens mittels Weblogs unter Anwendung der E-Portfolio Methode als einer seit mehreren Jahren verstärkt aufkommenden Lern- und Präsentationsform im Bildungskontext. Über mehrere Lehrveranstaltungen des Studiengangs "Angewandte Medien- und Kommunikationswissenschaft" an der Technischen Universität Ilmenau hinweg wurden drei Fallstudien gebildet. Innerhalb dieser wurde das Führen von eigenen E-Portfolio Blogs durch Studierende über einen Zeitraum von etwa drei Jahren evaluiert. Als Evaluationsziel wurde anhand spezifischer Fragestellungen ermittelt, wie das damit einhergehende selbstgesteuert-konnektive Lernen zu entsprechendem Erfolg führen kann. Hierbei wurde insbesondere die Teildimension Medienkompetenz im Spannungsfeld von Lernaktivität, Wissenserwerb und Informations-/Wissensmanagement betrachtet sowie weitere intervenierende Variablen, wie zum Beispiel Aufwand oder Akzeptanz, berücksichtigt. Inhaltlich wurden zunächst begriffliche Grundlagen dargestellt, die Nutzung von E-Portfolios in Theorie und Praxis beschrieben, Medienkompetenz-Ansätze detailliert aufgezeigt sowie in den Kontext von E-Portfolios gebracht und schließlich eine umfangreiche Analyse des Forschungsstandes aufbereitet. Diese gingen mit Erkenntnissen aus einer qualitativen Vorstudie in Form von fünf leitfadengestützten Experteninterviews einher. Die darauf aufbauende Hauptstudie widmete sich anschließend der Erhebung und Auswertung quantitativer Daten anhand von Online-Befragungen mit den Studierenden zu fünf Zeitpunkten aus intra- und interindividueller Perspektive. Als markanteste empirische Erkenntnis der Arbeit kann festgehalten werden, dass es durch das selbstgesteuert-konnektive Lernen mit E-Portfolio Blogs zu einer nachhaltigen Förderung der Medienkompetenz kommt, die sich auch in signifikanten Zusammenhängen mit den anderen Teildimensionen und intervenierenden Variablen widerspiegelt. Darüber hinaus bieten sich aber auch Potenziale für eine steigende Lernaktivität, einen ansteigenden Wissenserwerb und ein verbessertes Informations-/Wissensmanagement, die es aber noch weiterführend zu erforschen gilt. Demgegenüber können allerdings der entstehende und kontinuierlich hohe Aufwand sowie die erforderliche (Eigen-) Motivation als entscheidende Herausforderungen dieser Lernmethode identifiziert werden.

Fuzzy min-max neural networks for categorical data: application to missing data imputation

The fuzzy min–max neural network classifier is a supervised learning method. This classifier takes the hybrid neural networks and fuzzy systems approach. All input variables in the network are required to correspond to continuously valued variables, and this can be a significant constraint in many real-world situations where there are not only quantitative but also categorical data. The usual way of dealing with this type of variables is to replace the categorical by numerical values and treat them as if they were continuously valued. But this method, implicitly defines a possibly unsuitable metric for the categories. A number of different procedures have been proposed to tackle the problem. In this article, we present a new method. The procedure extends the fuzzy min–max neural network input to categorical variables by introducing new fuzzy sets, a new operation, and a new architecture. This provides for greater flexibility and wider application. The proposed method is then applied to missing data imputation in voting intention polls. The micro data—the set of the respondents’ individual answers to the questions—of this type of poll are especially suited for evaluating the method since they include a large number of numerical and categorical attributes.

Arquitectura de Control para la Conducción Autónoma de Vehículos en Entornos Urbanos y Autovías

Hoy en día, el desarrollo tecnológico en el campo de los sistemas inteligentes de transporte (ITS por sus siglas en inglés) ha permitido dotar a los vehículos con diversos sistemas de ayuda a la conducción (ADAS, del inglés advanced driver assistance system), mejorando la experiencia y seguridad de los pasajeros, en especial del conductor. La mayor parte de estos sistemas están pensados para advertir al conductor sobre ciertas situaciones de riesgo, como la salida involuntaria del carril o la proximidad de obstáculos en el camino. No obstante, también podemos encontrar sistemas que van un paso más allá y son capaces de cooperar con el conductor en el control del vehículo o incluso relegarlos de algunas tareas tediosas. Es en este último grupo donde se encuentran los sistemas de control electrónico de estabilidad (ESP - Electronic Stability Program), el antibloqueo de frenos (ABS - Anti-lock Braking System), el control de crucero (CC - Cruise Control) y los más recientes sistemas de aparcamiento asistido. Continuando con esta línea de desarrollo, el paso siguiente consiste en la supresión del conductor humano, desarrollando sistemas que sean capaces de conducir un vehículo de forma autónoma y con un rendimiento superior al del conductor. En este trabajo se presenta, en primer lugar, una arquitectura de control para la automatización de vehículos. Esta se compone de distintos componentes de hardware y software, agrupados de acuerdo a su función principal. El diseño de la arquitectura parte del trabajo previo desarrollado por el Programa AUTOPIA, aunque introduce notables aportaciones en cuanto a la eficiencia, robustez y escalabilidad del sistema. Ahondando un poco más en detalle, debemos resaltar el desarrollo de un algoritmo de localización basado en enjambres de partículas. Este está planteado como un método de filtrado y fusión de la información obtenida a partir de los distintos sensores embarcados en el vehículo, entre los que encontramos un receptor GPS (Global Positioning System), unidades de medición inercial (IMU – Inertial Measurement Unit) e información tomada directamente de los sensores embarcados por el fabricante, como la velocidad de las ruedas y posición del volante. Gracias a este método se ha conseguido resolver el problema de la localización, indispensable para el desarrollo de sistemas de conducción autónoma. Continuando con el trabajo de investigación, se ha estudiado la viabilidad de la aplicación de técnicas de aprendizaje y adaptación al diseño de controladores para el vehículo. Como punto de partida se emplea el método de Q-learning para la generación de un controlador borroso lateral sin ningún tipo de conocimiento previo. Posteriormente se presenta un método de ajuste on-line para la adaptación del control longitudinal ante perturbaciones impredecibles del entorno, como lo son los cambios en la inclinación del camino, fricción de las ruedas o peso de los ocupantes. Para finalizar, se presentan los resultados obtenidos durante un experimento de conducción autónoma en carreteras reales, el cual se llevó a cabo en el mes de Junio de 2012 desde la población de San Lorenzo de El Escorial hasta las instalaciones del Centro de Automática y Robótica (CAR) en Arganda del Rey. El principal objetivo tras esta demostración fue validar el funcionamiento, robustez y capacidad de la arquitectura propuesta para afrontar el problema de la conducción autónoma, bajo condiciones mucho más reales a las que se pueden alcanzar en las instalaciones de prueba. ABSTRACT Nowadays, the technological advances in the Intelligent Transportation Systems (ITS) field have led the development of several driving assistance systems (ADAS). These solutions are designed to improve the experience and security of all the passengers, especially the driver. For most of these systems, the main goal is to warn drivers about unexpected circumstances leading to risk situations such as involuntary lane departure or proximity to other vehicles. However, other ADAS go a step further, being able to cooperate with the driver in the control of the vehicle, or even overriding it on some tasks. Examples of this kind of systems are the anti-lock braking system (ABS), cruise control (CC) and the recently commercialised assisted parking systems. Within this research line, the next step is the development of systems able to replace the human drivers, improving the control and therefore, the safety and reliability of the vehicles. First of all, this dissertation presents a control architecture design for autonomous driving. It is made up of several hardware and software components, grouped according to their main function. The design of this architecture is based on the previous works carried out by the AUTOPIA Program, although notable improvements have been made regarding the efficiency, robustness and scalability of the system. It is also remarkable the work made on the development of a location algorithm for vehicles. The proposal is based on the emulation of the behaviour of biological swarms and its performance is similar to the well-known particle filters. The developed method combines information obtained from different sensors, including GPS, inertial measurement unit (IMU), and data from the original vehicle’s sensors on-board. Through this filtering algorithm the localization problem is properly managed, which is critical for the development of autonomous driving systems. The work deals also with the fuzzy control tuning system, a very time consuming task when done manually. An analysis of learning and adaptation techniques for the development of different controllers has been made. First, the Q-learning –a reinforcement learning method– has been applied to the generation of a lateral fuzzy controller from scratch. Subsequently, the development of an adaptation method for longitudinal control is presented. With this proposal, a final cruise control controller is able to deal with unpredictable environment disturbances, such as road slope, wheel’s friction or even occupants’ weight. As a testbed for the system, an autonomous driving experiment on real roads is presented. This experiment was carried out on June 2012, driving from San Lorenzo de El Escorial up to the Center for Automation and Robotics (CAR) facilities in Arganda del Rey. The main goal of the demonstration was validating the performance, robustness and viability of the proposed architecture to deal with the problem of autonomous driving under more demanding conditions than those achieved on closed test tracks.

Knowledge-based analysis of microarray gene expression data by using support vector machines

We introduce a method of functionally classifying genes by using gene expression data from DNA microarray hybridization experiments. The method is based on the theory of support vector machines (SVMs). SVMs are considered a supervised computer learning method because they exploit prior knowledge of gene function to identify unknown genes of similar function from expression data. SVMs avoid several problems associated with unsupervised clustering methods, such as hierarchical clustering and self-organizing maps. SVMs have many mathematical features that make them attractive for gene expression analysis, including their flexibility in choosing a similarity function, sparseness of solution when dealing with large data sets, the ability to handle large feature spaces, and the ability to identify outliers. We test several SVMs that use different similarity metrics, as well as some other supervised learning methods, and find that the SVMs best identify sets of genes with a common function using expression data. Finally, we use SVMs to predict functional roles for uncharacterized yeast ORFs based on their expression data.

Análise de processos de aprendizagem do tipo bottom-up e seus resultados nas organizações

Com este estudo procurou se identificar os resultados produzidos pela aprendizagem do tipo Bottom-Up (BU) em organizações, tendo-se em vista que as variáveis Cultura Organizacional de Aprendizagem (COA), Mecanismos de Coordenação e Integração (MCI) e Liderança (LID) podem interferir na relação entre o método de aprendizagem e os resultados obtidos pela organização. Para se compreender o fenômeno, após uma pesquisa bibliográfica, foi desenvolvido um estudo multicaso pela metodologia proposta por Yin (2009). Foram pesquisadas quatro organizações atuantes em segmentos distintos, nomeadas neste estudo como \"Empresa X\" (setor farmacêutico), \"Empresa Y\" (setor alimentício/franquia), \"Empresa Z\" (indústria e comércio de calçados) e \"Empresa W\" (setor farmacêutico). Nestas empresas foram inquiridos o Diretor, o Vendedor e os responsáveis pelo setor da inovação, produção, comercial, financeiro e RH. Os respondentes foram entrevistados e preencheram um questionário, além de ter existido coleta prévia de dados secundários para maior compreensão dos fatos relacionados às empresas. Como resultado, constatou-se que nos casos analisados, aparentemente existe uma combinação entre o fator MCI e os constructos LID e COA, que possibilita a existência da aprendizagem do tipo BU. Os resultados provenientes desta combinação tendem a se manifestar em termos financeiros, competitivos e mercadológicos. A combinação do fator e os constructos não necessariamente conduzem à inovatividade da organização.

FPGA implementation of a multi-population PBIL algorithm

Evolutionary-based algorithms play an important role in finding solutions to many problems that are not solved by classical methods, and particularly so for those cases where solutions lie within extreme non-convex multidimensional spaces. The intrinsic parallel structure of evolutionary algorithms are amenable to the simultaneous testing of multiple solutions; this has proved essential to the circumvention of local optima, and such robustness comes with high computational overhead, though custom digital processor use may reduce this cost. This paper presents a new implementation of an old, and almost forgotten, evolutionary algorithm: the population-based incremental learning method. We show that the structure of this algorithm is well suited to implementation within programmable logic, as compared with contemporary genetic algorithms. Further, the inherent concurrency of our FPGA implementation facilitates the integration and testing of micro-populations.

Prática de ensino supervisionada em Educação Pré-escolar e Ensino do 1.º Ciclo do Ensino Básico

Este relatório de estágio pretende apresentar parte do trabalho desenvolvido no âmbito da Unidade Curricular de Prática de Ensino Supervisionada (PES), integrada no curso de Mestrado em educação pré-escolar e ensino do 1.º ciclo do ensino básico. A prática no contexto da educação pré-escolar foi realizada numa instituição pública com crianças de 3, 4 e 5 anos de idade. Em contexto do 1.º ciclo do ensino básico, a mesma decorreu numa escola da rede pública com um grupo/turma de crianças de 7 e 8 anos de idade, a frequentarem o 2.º ano de escolaridade. Nos dois contextos, a prática foi desenvolvida no sentido de responder aos interesses e necessidades das crianças, sendo que as atividades propostas visaram uma aprendizagem realizada através da pesquisa, reflexão e descoberta, pretendendo proporcionar às crianças momentos de aprendizagens significativas, ativas e socializadoras. Neste trabalho, para além da descrição e reflexão em torno da nossa ação em contexto (corporizadas através das experiências de ensino e aprendizagem) apresentamos dados que dizem respeito a uma investigação que desenvolvemos ao longo deste processo e que se fundamenta em alguns dos pressupostos pedagógicos defendidos pelo Movimento da Escola Moderna (MEM), nomeadamente sobre os instrumentos de regulação e monitorização/pilotagem da aprendizagem, tendo sido também realizada, para o efeito, uma revisão da literatura neste âmbito. Neste sentido, a nossa investigação tem como tema Dispositivos de mediação: monotorização da ação através dos instrumentos de regulação e pilotagem, e a opção metodológica desta investigação recai sobre uma abordagem qualitativa, tendo como técnicas de recolha de dados uma entrevista semiestruturada realizada às crianças e a observação direta e participante, com recurso a notas de campo e registos fotográficos. Das principais conclusões da investigação salientamos que existem instrumentos de regulação e pilotagem nas salas de aula, mas que os mesmos não são trabalhados de forma a que as crianças entendam o seu objetivo, adquiram autonomia de registo, recebam o feedback do seu impacto para a realização de aprendizagens e não usufruem das suas potencialidades pedagógicas.

EFEITOS DOS ÓLEOS ESSENCIAIS DE ALECRIM (Rosmarinus officinalis) E PETITGRAIN (Citrus aurantium L.) EM MODELOS COMPORTAMENTAIS DE ATIVIDADE MOTORA, DEPRESSÃO, ANSIEDADE E APRENDIZADO EM RATOS

Apesar de várias evidências do potencial terapêutico dos óleos essenciais em diversas patologias, inclusive em transtornos mentais, os estudos científicos que comprovam esse potencial ainda são escassos. O objetivo deste trabalho foi investigar e comparar de forma sistemática os efeitos dos óleos essenciais de alecrim (Rosmarinus officinalis) e petitgrain (Citrus aurantium L.) em modelos animais com ratos nos seguintes parâmetros: atividade motora, depressão, ansiedade e aprendizado. Método: foram utilizados 297 ratos em todo o estudo, sendo: 54 no piloto 1; 66 no piloto 2; 36 no campo aberto; 36 na esquiva discriminativa; 36 no teste de enterrar esferas; 33 na natação forçada e 36 no experimento de aprendizagem. Os principais resultados revelaram que: ratos tratados com 100mg/kg (i.p.) de óleo essencial de alecrim não apresentaram diferença na atividade motora avaliada em campo aberto (p=0.213 teste de Mann-Whitney), tampouco na aprendizagem da resposta de pressão à barra em caixa de Skinner (p=0.098 teste de Mann-Whitney), comparados aos ratos controles que receberam salina 0,9% (1 mL/kg), porém esse mesmo tratamento foi efetivo em modelos de depressão (p=0.006 teste de Mann-Whitney) e ansiedade (teste de esconder esferas - p=0.003 ANOVA). No que diz respeito ao óleo essencial de petitgrain administrado em ratos na dose de 30mg/kg (i.p.), não observou-se diferença na atividade motora (p=0.795 teste de Mann-Whitney), contudo obteve-se efeito ansiolítico (teste de esconder esferas - p=0.028 ANOVA) e antidepressivo (p=0.001 teste de Mann-Whitney) em relação ao controle. Ademais, o óleo de petitgrain proporcionou uma melhora na aprendizagem (p=0.002 teste de Mann-Whitney) se comparado com os animais do grupo controle e os animais tratados com alecrim. Dessa forma podemos concluir que ambos os óleos estudados (alecrim e petitgrain) apresentaram atividades ansiolítica e antidepressiva nos testes realizados e apenas o óleo de petitgrain produziu efeitos na aprendizagem dos animais.