Eventos
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 287
Aluna: Aline Cavalcante Santana
Título: “OntoTurnover: Uma Abordagem Ontológica para Compreender a Rotatividade de Profissionais"
Orientador: Cleyton Mário de Oliveira Rodrigues - (PPGEC)
Coorientador: Ivaldir Honório de Farias Júnior - (PPGEC)
Examinador Externo: Alberto César Cavalcanti França - (UFRPE/CESAR School)
Examinador Interno: Wylliams Barbosa Santos - (PPGEC)
Data-hora: 06 de Fevereiro de 2024, às 15:00h.
Local: Formato Remoto e Presencial.
Resumo:
O turnover (ou rotatividade, em português) possui grande relevância no meio da Gestão de Pessoas devido aos impactos prejudiciais que causa às empresas, e por isso hoje é o tema mais extensamente estudado da área, com mais de 100 anos de publicações disponíveis. No entanto, apesar da volumetria de obras, o turnover permanece como um tema que ainda não é totalmente consolidado, especialmente no que tange às suas causas e consequências, fragilizando as possibilidades de prevenção e predição do tema. Dessa forma, o presente trabalho explora o conceito de Ontologia para atender à necessidade de explicitação do tema da rotatividade profissional através da criação da OntoTurnover. Ontologia é um termo emprestado do campo da Filosofia sob a ideia de um estudo extenso e sistematizado de um domínio, e ganhou um corpo adicional na Computação à medida que explicita esse domínio através dos seus conceitos, relações, papéis e axiomas, de modo que sejam facilmente racionalizados por agentes humanos e computacionais. Nesta linha, a OntoTurnover é uma ontologia sobre a rotatividade de profissionais criada no percurso deste trabalho, detalhando todo o esqueleto temático de maneira formal e visual, a fim de promover uma tomada de decisão facilitada sobre o tema. Para tal, foi conduzida uma Revisão Rápida da Literatura que consolidou o tema e permitiu, na sequência, a validação conceitual das conclusões obtidas na revisão por profissionais especializados no tema. Após esta avaliação, foi feita a construção gráfica e formal da ontologia através da methontology e dos softwares OntoUML e Protegé. Entre essas fases de elaboração, este modelo ontológico passou por quatro fases de avaliação: a primeira sendo uma validação conceitual com especialistas, já mencionada; em seguida, uma verificação dos estereótipos dos conceitos e da coerência semântica do modelo segundo os moldes da UFO (Unified Foundational Ontology), no software OLED; a terceira, uma validação lógica do modelo no reasoner do Protegé, para averiguar a lógica na construção e poder de inferência; e, por último, em estudos de caso com casos reais de turnover usando o Protegé. Estas verificações trouxeram insumos para a construção da OntoTunover e nos permitindo concluir que este modelo já tem viabilidade para a compreensão de casos reais de turnover e apoio na visualização das causas e consequências para o mundo prático.
Divulgação - DEFESA DE TESE DE DOUTORADO Nº 12
Aluna: Maíra Araújo de Santana
Título: “Modelagem espaço-temporal de doenças infecciosas: uma abordagem de aprendizado de máquina”
Orientador: Wellington Pinheiro dos Santos - (PPGEC)
Examinadora Externa: Giselle Machado Magalhães Moreno - (UFPE)
Examinadora Externa: Juliana Carneiro Gomes - (UFPE)
Examinadora Externa: Cristine Martins Gomes de Gusmão - (UFPE)
Examinadora Interna: Patrícia Takako Endo - (PPGEC)
Data-hora: 05 de Fevereiro de 2024, às 09:00h.
Local:Formato Remoto – Google Meet
Resumo:
As doenças infecciosas, que incluem, também, as doenças tropicais negligenciadas (DTNs), de acordo com a Organização Mundial de Saúde (OMS), são uma das principais causas de morte, principalmente, em populações marginalizadas, tornando-as um grande desafio de saúde pública a nível global. Estima-se que, só as DTNs, causam cerca de 700.000 mortes por ano, principalmente, nas regiões tropicais e subtropicais. Em 2020, com a pandemia da COVID-19, suscitaram-se novos desafios para erradicação das DTNs para regiões de endemia, onde ocorrem surtos recorrentes, pois, além da sobrecarga dos serviços de saúde, a COVID-19 impactou negativamente as políticas de controle e prevenção das DTNs, dificultando o seu gerenciamento. Em contextos como esse, é importante que as autoridades de saúde mantenham o trabalho de monitoramento e vigilância epidemiológica de novas doenças e de doenças que já são endêmicas em um determinado território para evitar sobrecarga dos serviços de saúde. Os sistemas de predição podem atuar como uma ferramenta de apoio à tomada de decisão nas políticas de prevenção de doenças infecciosas. Neste sentido, vários grupos de pesquisas direcionaram seus esforços para construir modelos preditivos para doenças infecciosas, visto que essas ferramentas podem auxiliar na implementação de políticas de prevenção. No entanto, grande parte dos modelos construídos utilizam apenas uma abordagem temporal para a predição de casos confirmados da doença. Apesar de sua importância, esses modelos não deixam explícito quais são as regiões mais afetadas ou menos afetadas. Considerando este cenário, o objetivo dessa pesquisa é a construção de um modelo de predição espaço-temporal para auxiliar as autoridades de saúde na prevenção de doenças infecciosas, notadamente, as arboviroses e a COVID-19. Para o as arboviroses, foram elaborados modelos preditivos dos mapas de distribuição dos criadouros do Ae. aegypti, para a cidade do Recife, a partir dos dados dos criadouros do mosquito e das variáveis climáticas (chuva, temperatura e velocidade dos ventos), utilizando algoritmos de aprendizado de máquina. Para a COVID-19 os modelos preditivos foram gerados a partir dos casos confirmados, no Brasil e em Pernambuco, utilizando algoritmos de algoritmos de aprendizagem de máquina. Para as duas situações, foram avaliados os algoritmos de regressão linear, Random Forest, redes neurais artificiais e máquinas de vetores de suporte. De acordo com os resultados dos experimentos, observa-se que a modelagem espaço-temporal utilizando técnicas de geoprocessamento e aprendizado de máquina, no geral, é capaz de prever a distribuição espacial dos criadouros do mosquito Aedes aegypti na cidade do Recife, bem como prever a distribuição espaço-temporal dos casos de COVID-19 no Brasil e em Pernambuco. Os modelos gerados contêm informações geográficas grande interesse epidemiológico e podem ser uma ferramenta de apoio para os gestores de saúde no planejamento e implementação de políticas públicas tanto para a prevenção de arboviroses quanto para a prevenção da COVID-19.
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 286
Aluna: Morgana Thalita da Silva Leite
Título: “Evaluating undersampling techniques in the prediction of potential congenital syphilis cases using real data from Pernambuco, Brazil"
Orientadora: Patricia Takako Endo - (PPGEC)
Examinador Externo: Ivanovitch Silva - (UFRN)
Examinador Interno: Diego Marconi Pinheiro Ferreira Silva - (PPGEC)
Data-hora: 21 de dezembro de 2023, às 15:00h.
Local: Formato Remoto - Google Meet.
Resumo:
"Syphilis can be transmitted congenitally and may cause serious consequences for the child if not treated. The Programa Mãe Coruja Pernambucana (PMCP) is a brazilian public health program that helps pregnant women and saves data that can be used for prediction of potential congenital syphilis cases, through machine learning models. Only one work [1] was found that predicts congenital syphilis through machine learning. This research uses a different methodology that evaluates undersampling in prediction. Random Undersampling, UnderSampling Based on Clustering (SBC) and NearMiss were used. The data was preprocessed and undersampling applied, generating different balanced data sets to train and test different machine learning models and different metrics for evaluation. Undersampling discarded data evaluation and analysis of distribution of the best attributes were applied to evaluate undersampling in best models. In models results, NearMiss trained models had high metrics, and very low in the discarded data. SBC models had smaller metrics, and in the discarded data went lower. Random Undersampling models had the lowest metrics, however in the discarded data showed similar results. The distribution of best attributes of NearMiss models were not similar to the original, contrary to Random Undersampling and SBC. NearMiss models had best results in the models, through this work evaluation showed that they cannot generalize the PMCP data and have not a representative distribution of the original data. Random Undersampling models had the lowest metrics but showed consistency through the evaluations, and thus are recommended for the congenital syphilis prediction…"
O Programa
