Eventos
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 339
Aluno: Rodrigo Antonio da Silva Lira
Título: "Evasão Escolar na Educação Básica: análise dos fatores de risco com modelos preditivos de Machine Learning"
Orientadora: Fernanda Maria Ribeiro de Alencar
Examinadora Externa: Ana Claudia Ribeiro Tavares (UPE)
Examinador Externo: Ricardo Argenton Ramos(UNIVASF)
Examinadora Interna: Maria Lencastre Pinheiro M Cruz
Data-hora: 06 de outubro de 2025 às 8h
Local: Formato remoto - Google meet
Resumo:
"A evasão escolar na educação brasileira é um fenômeno que representa um dos maiores desafios sociais e educacionais no país, mais ainda quando se trata da evasão na educação básica. Muitas vezes, essa evasão está associada à infraestrutura das escolas. Dessa forma, tem-se como objetivo central, nesta dissertação, analisar os fatores de risco associados à evasão escolar a partir da infraestrutura das escolas, aplicando modelos preditivos de machine learning. A pesquisa utilizou dados do Censo Escolar 2023, abrangendo mais de 217 mil escolas públicas e privadas, integrados por meio do processo de Descoberta de Conhecimento em Bases de Dados (KDD). Foram implementados e comparados três algoritmos preditivos Regressão Linear, Random Forest e XGBoost avaliados segundo métricas como R², RMSE e MAE. Os resultados apontaram que o XGBoost apresentou o melhor desempenho preditivo, com R² de até 0,92, superando os demais modelos. A análise revelou que variáveis de infraestrutura, como existência de bibliotecas, refeitórios, quadras esportivas e laboratórios de ciências, constituem fatores de proteção relevantes contra a evasão, sobretudo nos anos finais do Ensino Fundamental e no Ensino Médio. Além disso, observou-se uma concentração regional da evasão escolar nas regiões Norte e Nordeste, evidenciando desigualdades estruturais que exigem políticas públicas específicas e territorialidades. O estudo conclui que o uso de técnicas de aprendizado de máquina pode oferecer subsídios concretos e baseados em evidências para a formulação de estratégias de prevenção da evasão, fortalecendo a permanência dos estudantes e contribuindo para a redução das desigualdades educacionais no Brasil."
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 338
Aluno: Thiago Domingos de Araújo Lemos
Título: "Predição da Qualidade de Pontos de Solda a Resistência com Pré-Aquecimento em Conjunto de Dados Desbalanceados."
Orientadora: Roberta Andrade de Araújo Fagundes
Examinadora Externa: Renata Maria Cardoso Rodrigues de Souza (CIN/UFPE)
Examinador Interno: Carlo Marcelo Revoredo da Silva
Data-hora: 02 de outubro de 2025 às 14h
Local: Formato presencial - Sala CSEC
Resumo:
"A Solda a Ponto a Resistência possui grande importância em diversos setores industriais, especialmente no setor automotivo, onde desempenha papel crucial na união das diversas peças metálicas que formam as carrocerias dos veículos. Os expressivos volumes produtivos são garantidos pelo alto grau de automação, confiabilidade, agilidade e precisão que essa tecnologia desempenha, unindo chapas metálicas — sobretudo galvanizadas — pela passagem de uma corrente elétrica através das junções a serem unidas. A fim de assegurar a qualidade dos pontos de solda, controles inspetivos baseados em controles estatísticos são realizados no milhares de pontos de solda realizados, representando um processo lento e que exige mão de obra muito qualificada, que classifica manualmente cada ponto como aceitável ou defeituoso. Dessa maneira, o presente trabalho traz a proposta de aplicação de técnicas de aprendizado de máquina para predição da qualidade dos pontos de solda em uma fábrica automotiva utilizando dados reais extraídos, transformados e carregados do processo industrial de uma linha de produção da oficina da Funilaria, utilizando como variáveis preditoras as curvas de resistência dinâmicas, atributos singulares e as informações contidas na fase de pré-aquecimento, frequentemente negligenciadas em modelos preditivos de qualidade da Solda a Resistência na Literatura. Neste Contexto, três cenários de conjunto de dados foram analisados através da aplicação de modelos de rede neural e de técnicas de aprendizado por agrupamento. Além disso, foi considerado também o desafio de atingir resultados aceitáveis de classificação na presença de conjuntos de dados desbalanceados, problema comum em dados provenientes da área de qualidade de processo. Dessa forma, a abordagem de agrupamento ou ensemble foi explorada através de diversos classificadores base em um Classificador Balanced Bagging, por meio de um sistema de votos majoritários. O desempenho do modelo ensemble foi comparado com uma rede Neural Artificial em todos os cenários propostos: usando apenas atributos singulares do processo, usando características extraídas da curva de resistência dinâmica e uma abordagem híbrida de fusão dos dois primeiros cenários. Os resultados revelaram que o uso de classificadores de Balanced Bagging melhorou a capacidade de predição da classe minoritária mais crítica, que são os pontos de solda defeituosos."
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 336
Aluna: Jaqueline Keila Leite da Cruz
Título: “Uma Investigação na duração dos processos judiciais nos tribunais de justiça brasileiros utilizando técnicas de mineração de processos e clusterização"
Orientador: Byron Leite Dantas Bezerra
Coorientador: Luiz Felipe Vieira Vercosa
Examinador Externo: Rômulo César Dias de Andrade (UPE)
Examinador Interno: Cleyton Mário de Oliveira Rodrigues
Data-hora: 26 de setembro de 2025 às 9h
Local: Formato remoto - Google meet
Resumo:
"A morosidade processual constitui um dos principais desafios do sistema judicial brasileiro,comprometendo diretamente a efetividade da prestação jurisdicional e minando a confiança de investidores e da sociedade. Nesse contexto, técnicas de jurimetria e ciência de dados têm se mostrado como ferramentas promissoras para apoiar a análise do tempo das movimentações processuais. Esta dissertação propõe uma abordagem metodológica que integra Mineração de Processos e Aprendizado de Máquina para diagnosticar e prever a duração de ações judiciais, a partir de duas investigações complementares. O primeiro estudo aprofunda a análise das movimentações processuais, aplicando modelos de aprendizado de máquina a processos de tribunais regionais eleitorais do nordeste brasileiro. Com foco em características extraídas da sequência de movimentações e do tribunal responsável, os modelos desenvolvidos foram capazes de prever o tempo total do processo com alta precisão, onde o Light Gradient Boosting Machine (LGBM) obteve um R2 médio de 0.9. O segundo estudo expande a análise para um universo de mais de 60.000 processos de tribunais trabalhistas. Nesta abordagem, foram aplicadas técnicas de Mineração de Processos, utilizando três métodos de clusterização com complexidade crescente (K-means, Agglomerative e ActiTraC) para segmentar os casos em variantes processuais com base em seus fluxos de atividades. Esses agrupamentos, que permitiram uma análise focada em gargalos e padrões, foram empregados como features de alto valor agregado para modelos de regressão como SVR e DART. O modelo Gradient Boosting se destacou, alcançando um R2 de 0.87 e permitindo a identificação dos fatores-chave que mais influenciam a duração dos processos. Por fim, este trabalho apresenta uma contribuição relevante para a análise da morosidade processual no sistema judicial brasileiro, ao integrar técnicas de mineração de processos e aprendizado de máquina, para a análise preditiva do tempo de tramitação processual. Os resultados obtidos fornecem subsídios técnicos que podem apoiar tanto a modernização da gestão judicial quanto o avanço da pesquisa aplicada na área de mineração de processos aplicada à Justiça brasileira."
O Programa
