"Esta dissertação propõe o desenvolvimento de uma ferramenta automatizada de correção de exames para otimizar os processos de admissão nas Instituições de Ensino Superior (IES) públicas em Angola. Considerando os desafios da correção manual, como atrasos, erros e vieses, a pesquisa utiliza técnicas de Aprendizagem de Máquina (ML) e Processamento de Linguagem Natural (PLN) para avaliar respostas dissertativas, incorporando métodos de Inteligência Artificial Explicável (XAI) a fim de justificar as decisões do sistema. A fundamentação teórica aborda o acesso às IES em Angola, os tipos de avaliação e as ferramentas já existentes, além de discutir modelos de representação de texto como Word2Vec, SBERT, BERT, LSA e T5, destacando a importância do pré-processamento de dados. A metodologia aplicada combina métodos quantitativos e qualitativos, envolvendo uma revisão sistemática da literatura, entrevistas semiestruturadas e um estudo de caso. O sistema desenvolvido realiza a recuperação, pré-processamento, reconhecimento de padrões e cálculo de similaridade usando “word embeddings”, aplicando técnicas de XAI para explicar as decisões. Os resultados indicam que o modelo T5 apresentou o melhor desempenho, com métricas superiores como Accuracy, F1-Score, AUC-ROC e altos coeficientes de correlação (Pearson e Spearman). No entanto, técnicas de explicabilidade como SHAP e LIME não forneceram justificativas satisfatórias, evidenciando a necessidade de métodos mais eficazes. A conclusão destaca o potencial da ferramenta para promover correções mais ágeis, padronizadas e objetivas. Como trabalhos futuros, recomenda-se a criação de uma base de dados própria em Português de Angola, aprimoramento das técnicas de XAI e exploração de modelos ensemble para ampliar a eficácia e interpretabilidade do sistema."
"The emergence of Industry 4.0 has catalyzed the integration of advanced technologies to enhance manufacturing efficiency, reliability, and competitiveness. Fault Detection and Diagnosis (FDD) systems are critical for minimizing downtime and ensuring operational continuity. This research investigates the integration of Digital Twin (DT) technology with Machine Learning (ML) models for real-time fault detection and diagnosis (RT-FDD) in discrete manufacturing machines. Two industrial systems—a Pick-and-Place machine and a Furnace—were modeled using linear and non-linear models to develop Digital Twins. By combining DT-generated features with conventional real-time process data, the proposed approach improved F1 scores by up to 11% and demonstrated enhanced robustness in both inter-cycle and intra-cycle fault detection tasks. Notably, for the Furnace machine, the method enabled fault detection 40% earlier in the cycle while maintaining the same F1 Score of 94%, and provided reliable diagnosis with an F1 Score of 80% at only 15% of cycle completion. A comprehensive evaluation of 16 ML algorithms highlighted the effectiveness of DT features in boosting predictive performance. The results underscore the potential of DT-enhanced ML models for predictive maintenance, reducing inefficiencies, and advancing smart manufacturing systems."
"Os acidentes de trânsito configuram-se como um dos mais graves problemas de saúde pública e segurança viária no mundo, resultando anualmente em cerca de 1,19 milhão de mortes e entre 20 a 50 milhões de feridos não fatais [1]. Fatores como “condutor dormindo”, “reação tardia” e “ausência de reação” estão diretamente associados à sonolência, contribuindo de forma expressiva para o aumento no número de acidentes e fatalidades. Nesse contexto, desenvolvem-se esforços para criar soluções de detecção de sonolência em tempo real antes que os acidentes ocorram. Este trabalho aborda, inicialmente, um levantamento exploratório de bases de imagens (fotos e vídeos) aplicáveis à detecção de sonolência em motoristas, bem como de modelos pré-treinados (ex.: MediaPipe, Dlib, MTCNN) que possibilitem a extração de características faciais relevantes (olhos, boca, posição da cabeça, entre outras). Em seguida, apresenta-se o desenvolvimento de um sistema próprio de detecção de sonolência em tempo real, o qual: (i) integra múltiplos indicadores — como frequência de piscadas, frequência de bocejos, PER-CLOS (Percentage of Eye Closure) e HNF (Head Nodding Frequency) —, (ii) emprega análise temporal por meio de médias móveis para suavizar flutuações pontuais nos sinais e detectar tendências graduais de cansaço, (iii) permite personalização, pois o próprio usuário pode rotular seu estado (“Alerta” ou “Sonolento”), tornando o sistema adaptado a características individuais, (iv) foi implementado em um dispositivo de baixo custo (Raspberry Pi), comprovando a viabilidade operacional sem necessidade de hardware sofi sticado, (v) passou por validações iniciais em cenários realistas, utilizando tanto um computador quanto a Raspberry Pi em vídeos de uma base pública (UTA-RLDD), e (vi) exibiu desempenho elevado, atingindo 100,0% de acurácia para o estado “Alerta” e 99,8% para “Sonolento”. Os resultados reforçam a importância de uma abordagem híbrida, que combine técnicas de visão computacional e inteligência artificial com métodos de análise temporal e personalização de limiares. Conclui-se que a fusão de múltiplos indicadores e a capacidade de adaptação às peculiaridades de cada motorista elevam a precisão na identificação de sonolência ao volante, configurando um instrumento promissor para a redução de acidentes. Pesquisas futuras podem incluir dados brutos de marcos faciais e testar o modelo em condições ainda mais diversas, visando aumentar sua robustez e aplicabilidade prática"