Eventos
Divulgação - Defesa Nº 213
Aluno: Andrés Paúl Moya Flores
Título: “Aprendizagem baseada no Pensamento na Ação do Desenvolvimento de Competências na Engenharia de Software”.
Orientador: Profa. Fernanda Maria Ribeiro de Alencar
Data-hora: 27/Agosto/2020 (15:00h)
Local: Escola Politécnica de Pernambuco – Formato Remoto (https://meet.google.com/fgr-ckop-tqy)
Resumo:
“Na educação atual da Engenharia de Software(ES), além de ensinar a conhecer e compreender os conteúdos da disciplina, é necessário uma inovação educativa promovendo métodos de ensino adequados para que suas novas gerações de profissionais possuam uma formação humanista,crítica e reflexiva. Para promover e avaliar essas competências, estão sendo usados novos padrões educacionais e de avaliação no processo de ensino e aprendizagem. Identificou-se o método de ensino que desenvolve o pensamento eficaz nos discentes durante o estudo dos conteúdos, a Aprendizagem baseada no Pensamento. Neste sentido, o objetivo desta pesquisa foi realizar uma pesquisa-ação para identificar se usando-se a Aprendizagem baseada no Pensamento (TBL) como método de ensino inovador é possível auxiliar ao desenvolvimento de competências que são menos atendidas pelos outros métodos de ensino durante o processo de ensino e aprendizagem na ES. Como parte do procedimento da pesquisa-ação, foi realizada uma Revisão Sistemática da Literatura que ajudou a investigar as evidências que apontem possíveis dificuldades, e benefícios no desenvolvimento de competências usando os métodos de ensino na ES. Para a coleta de dados, foi desenvolvido a TBL comparando com outros métodos de ensino, na disciplina de Interface Homem-Computador durante um semestre. As avaliações foram realizadas por meio de rúbricas, como instrumento adequado para avaliar e pontuar com garantias a realização da proposta, além de ser um motor para inovação educativa. Na ultima fase da pesquisa-ação, foram explorados os resultados alcançados com TBL para ser comparados com o estado da arte encontrado na literatura; adicionalmente, descreveu-se os resultados obtidos comparando a TBL com outros métodos de ensino. Os resultados apontam que o uso do método de ensino da Aprendizagem baseada no Pensamento ou TBL pode auxiliar ao desenvolvimento de competências, com um alcance importante no pensamento crítico, na criatividade, na resolução de problemas e na metacognição, atendendo de forma crítica, humanista e reflexiva durante o processo de ensino e aprendizagem na ES. Esperamos que esta experiência com a TBL encoraje o desenvolvimento de competências entre os professores do SE.”
Divulgação - Defesa Nº 212
Aluno: Kayo Henrique de Carvalho Monteiro
Título: “Análise de desempenho e disponibilidade de sistemas e-health conectados com IoT, fog e cloud”.
Orientador: Profa. Patricia Takako Endo
Data-hora: 26/Agosto/2020 (10:00h)
Local: Escola Politécnica de Pernambuco – Formato Remoto (https://meet.google.com/oeg-cmiz-ixr)
Resumo:
“Em paralelo ao aumento da média de idade da população mundial, tem-se evidenciado, cada vez mais, a utilização de smartphones e dispositivos inteligentes que fazem uso da tecnologia de Internet da Coisas (IoT), dentre eles, destacam-se os dispositivos wearables. A utilização desses dispositivos traz uma válida oportunidade para prover serviços de saúde; com a advento da IoT, é possível fazer o acompanhamento remoto em tempo real de idosos, além de monitoramentos mais complexos. Entretanto os dispositivos IoT apresentam diversas limitações (processamento e armazenamento, por exemplo). Para suprir essas carências e melhorar as respectivas capacidades, podem ser acrescentado duas camadas a essa infraestrutura, a fog, na qual tem potencial de trazer o processamento dos dados para mais próximo do usuário; e a cloud que agrega armazenamento e processamento "ilimitados". Ainda que o uso dessas camadas auxiliem os sistemas e-health, é indispensável garantir também, que tenham bom desempenho e disponibilidade, tendo em vista que qualquer indisponibilidade pode gerar diversos inconvenientes. Esta dissertação propõe um protótipo que utiliza como infraestrutura IoT, fog e/ou cloud, no qual foram realizados experimentos para analisar o desempenho do sistema, além de analisar o custo de implementação e manutenção desse sistema. Os resultados obtidos nos experimentos com o protótipo são utilizados como dados de entrada para os modelos computacionais, também propostos nesta dissertação. Como consequência, é possível estimar a disponibilidade e o desempenho destes sistemas em diferentes cenários. Através dos resultados dos modelos computacionais com os dados reais é possível escolher a melhor configuração de infraestrutura levando em consideração custo, performance e disponibilidade.”
Divulgação - Defesa Nº 211
Aluno: Élisson da Silva Rocha
Título: “DEEPTUB: Plataforma para predição de morte por tuberculose baseado em modelos de Deep Learning utilizando dados demográficos, clínicos e laboratoriais”.
Orientador: Profa. Patricia Takako Endo
Coorientador: Vanderson de Souza Sampaio
Data-hora: 19/Agosto/2020 (11:00h)
Local: Escola Politécnica de Pernambuco – Formato Remoto (https://meet.google.com/oko-vvbx-xmi)
Resumo:
“De acordo com a Organização Mundial da Saúde (OMS), a tuberculose é uma das dez principais causas de morte no mundo, sendo uma das doenças infecciosa mais mortal, superando o HIV e a malária. Vinte países em todo o mundo respondem por 83% das incidências de tuberculose no mundo; e o Brasil é um desses países. Embora existam numerosos estudos de machine learning e deep learning para melhorar o diagnóstico de tuberculose, há uma escassez de pesquisas sobre previsão de mortalidade pós-diagnóstico. Essa análise pode informar e melhorar significativamente a eficácia do tratamento pós-diagnóstico, resultando em melhor qualidade de vida dos pacientes e alocação de recursos no sistema de saúde. O objetivo desta dissertação é desenvolver uma plataforma, denominada DeepTub, para auxiliar na tomada de decisão de especialistas de saúde no pós-diagnostico de tuberculose. Três modelos de DL são propostos, uma rede neural totalmente conectada (do inglês fully connected neural network - FCNN) e uma rede neural convolucional (do inglês convolutional neural network - CNN) e outra FCNN utilizando a técnica de Ensemble com os dois primeiros modelos. Para tanto, foram utilizados dados do Sistema Nacional de Informações sobre Doenças Notificáveis (SINAN) de 2007 a 2018. Os modelos de deep learning apresentam resultados promissores, com destaque para o modelo CNN que obteve melhores valores em cinco métricas, com destaque para precisão e especificidade com 74.71% e 74.87%, respectivamente. Outra analise realizada em cima dos modelos, foi em relação a confiança da predição para altas probabilidades, e nesse caso, o modelo CNN chegou a 92.31% de sensibilidade para os pacientes acima de 90% de probabilidade de óbito ou não óbito. Sobre a interface gráfica desenvolvida, a mesma já foi bem aceita pelos especialistas de saúde por sua usabilidade e simplicidade.”
O Programa
