Eventos
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 310
Aluna: Karla Thais Chaves da Silva
Título: “Um Catálogo de Melhores Práticas para o Suporte Organizacional Percebido para o Turnover em Desenvolvimento Distribuído de Software"
Orientador: Ivaldir Honório de Farias Junior
Coorientador: Wylliams Barbosa Santos
Examinador Externo: Jeferson Kenedy Morais Vieira (UFC)
Examinador Interno: Cleyton Mário de Oliveira Rodrigues
Data-hora: 05 de dezembro de 2024, às 09:30.
Local: Formato Presencial, Miniauditório PPGEC - POLI/UPE (Recife/PE)-.
Resumo:
"No ambiente dinâmico e altamente competitivo da tecnologia da informação, a retenção de talentos surge como uma preocupação essencial para as empresas. A natureza dispersa das equipes de desenvolvimento distribuídas, frequentemente localizadas em diferentes regiões geográficas, adiciona uma camada de complexidade a essa realidade. As organizações, mediante um ambiente de competitividade e complexidade, precisam mitigar a intenção de saída dos profissionais mais criativos e competentes, para garantir sua prosperidade. Nessa circunstância, o entendimento do conceito de suporte organizacional percebido se torna relevante. Este estudo busca investigar como as diferentes dimensões do suporte organizacional percebido podem influenciar a intenção de turnover dos profissionais inseridos nesse ambiente de desenvolvimento e criar um guia de boas práticas para que as organizações possam mitigar esse fenômeno . Para isso, a pesquisa foi conduzida em cinco principais fases: Fase 1 (Revisão Ad-Hoc). Fase 2 (Revisão Sistemática da Literatura). Fase 3 (Survey) e Fase 4 (Elaboração do guia de boas práticas) e Fase 5 (Survey para validação). Foram analisados três construtos para caracterizar o suporte organizacional percebido pelos trabalhadores. Os resultados apontaram que uma combinação de características do trabalho (desafio e carga percebida), estressores laborais (conflito e ambiguidade de papéis) e autonomia organizacional (oportunidades de remuneração e mentoria) influenciam a intenção de saída dos colaboradores. Esses resultados auxiliam na compreensão do fenômeno do turnover em projetos distribuídos de software e podem guiar práticas e estratégias para a redução desse problema"
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 314
Aluna: Sara Raquel Araújo Leal
Título: “Rastreamento de Crianças com Transtorno do Espectro Autista com Base nas Funções Executivas Utilizando Jogos Sérios e Abordagens de Aprendizado de Máquina"
Orientador: Carlo Marcelo Revoredo da Silva
Coorientador: Diego Marconi Pinheiro Ferreira Silva
Examinadora Externa: Aurelia Lima Costa Ribeiro (PBS)
Examinador Interno: João Fausto Lorenzato de Oliveira
Data-hora: 18 de Fevereiro de 2025, às 17h.
Local: Formato Presencial, Sala de Atos (CSEC) - POLI/UPE (Recife/PE)-.
Resumo:
"Os educadores enfrentam desafios para atender crianças com Transtorno do Espectro Autista (TEA), especialmente aquelas sem um diagnóstico clínico definitivo. As escolas de período integral oferecem um ambiente conveniente para implementar técnicas de triagem de TEA. Crianças diagnosticadas com autismo podem receber intervenções personalizadas, permitindo que os educadores adaptem o ensino às necessidades individuais e promovam a educação inclusiva. No entanto, os métodos de triagem devem se integrar de forma harmoniosa ao ambiente educacional, garantindo que sejam não invasivos e envolventes. Este estudo propõe um aplicativo para tablet baseado em jogos sérios que incorpora requisitos de design inclusivo e utiliza técnicas de Aprendizado de Máquina (ML) para análise de triagem, oferecendo uma ferramenta lúdica para identificação deste transtorno. O aplicativo inclui três jogos clássicos projetados para analisar as Funções Executivas (FE) das crianças. Foram recrutados três professores de educação inclusiva para supervisionar 12 crianças com idades entre 3 e 6 anos, incluindo 6 com TEA e 6 com desenvolvimento típico, e para facilitar o uso do aplicativo. Durante três meses, as crianças completaram 640 partidas de jogos pré-processadas, resultando em um conjunto de dados abrangente. Foram comparadas sete abordagens de ML amplamente conhecidas e utilizadas: Random Forest (RF), Perceptron Multicamadas (MLP), K-Nearest Neighbor (KNN), Regressão Logística (LR), Aprendizado Profundo (DL), Máquina de Vetores de Suporte (SVM) e Naive Bayes (NB). Os resultados demonstraram que o modelo RF obteve o melhor desempenho, com 96\% de precisão. Este estudo destaca a integração de abordagens lúdicas baseadas em jogos sérios e técnicas de ML no ambiente educacional, estabelecendo as bases para futuras pesquisas e aplicações práticas na detecção de possíveis casos de TEA em escolas."
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 313
Aluno: Ailson Gomes de Oliveira
Título: “Predição de Sepse em Pacientes de UTI Utilizando Ensemble Stacking de Modelos de Machine Learning"
Orientador: Wellington Pinheiro dos Santos
Examinador Externo: Fabiano Tonaco Borges (UFPE)
Examinador Interno: Sidney Marlon Lopes de Lima
Data-hora: 20 de dezembro de 2024, às 10h.
Local: Formato Remoto.
Resumo:
"A sepse, uma resposta inflamatória sistêmica desregulada a uma infecção, representa um desafio global de saúde pública devido à sua alta incidência e mortalidade, especialmente em Unidades de Terapia Intensiva (UTIs). A detecção precoce é crucial para o tratamento eficaz, mas os sintomas iniciais podem ser inespecíficos, dificultando o diagnóstico. Sistemas de pontuação clínica, como o MEWS e o SOFA, auxiliam na identificação de pacientes em risco, mas apresentam limitações. A Inteligência Artificial (IA) e o aprendizado de máquina surgem como ferramentas promissoras para aprimorar a predição da sepse, permitindo intervenções mais precoces e eficazes. Este estudo teve como objetivo desenvolver e comparar modelos de aprendizado de máquina, incluindo um modelo de ensemble stacking, para prever a ocorrência de sepse em pacientes de UTI, utilizando a base de dados MIMIC-III. A metodologia incluiu o pré-processamento dos dados, o treinamento de modelos individuais (Random Forest, LightGBM, KNN, XGBoost, Árvore de Decisão e Regressão Logística) e a construção do modelo de ensemble stacking. O desempenho dos modelos foi avaliado por meio de métricas como acurácia, F1-score, recall e AUC, e a significância estatística das diferenças foi verificada por testes de Wilcoxon, ANOVA e Tukey HSD. Os resultados demonstraram a superioridade do modelo de ensemble stacking, que alcançou uma acurácia de 97%."
O Programa
