Divulgação - DEFESA DE TESE DE DOUTORADO Nº 09

Aluno: Rafael Batista Duarte

Título: “Avaliação Empírica da Eficácia Cognitiva de Diretrizes de Boas Práticas de Modelagem de Processos: uma abordagem cognitiva utilizando dados biométricos”

Orientador: Denis Silva da Silveira - (PPGEC)

Examinadora Externa 1: Jananda da Silva Pinto - (FCAP)

Examinadora Externa 2: Liliane Sheyla da Silva Fonseca - (UNICAP)

Examinador Interno 1: Wylliams Barbosa Santos - (PPGEC)

Examinador Interno 2: Byron Leite Dantas Bezerra - (PPGEC)

Data-hora: 07 de novembro de 2023, às 07:30h.
Local:Formato Remoto – Google Meet

---

Resumo:

         A modelagem de processos de negócio é uma prática fundamental para organizações que buscam aprimorar suas estratégias e conquistar vantagens competitivas no mercado. Os modelos resultantes desempenham um papel crucial na documentação e comunicação entre as partes envolvidas, tornando essencial a busca por uma compreensão efetiva. No entanto, a compreensão desses modelos pode ser afetada por diversos fatores, incluindo a complexidade do modelo, a experiência dos projetistas e a notação de modelagem utilizada. Nesse contexto, esta pesquisa tem como objetivo analisar como diretrizes de boas práticas podem influenciar a compreensão de modelos de processos em BPMN, sub a perspectiva cognitiva. Para alcançar esse objetivo, foram mapeadas as diretrizes existentes na literatura que ainda não haviam sido validadas empiricamente. Em seguida, foi conduzido um quasi-experimento com a participação de 41 participantes, divididos em dois grupos. O primeiro grupo composto de 21 participantes, realizou tarefas de compreensão em modelos sem a aplicação das diretrizes. Utilizaram-se dispositivos biométricos, como rastreamento ocular e eletroencefalograma, para analisar seu comportamento cognitivo dos participantes. Essa análise permitiu a proposição de melhorias nas diretrizes existentes e identificação de oportunidades para criar novas diretrizes. Posteriormente, foi realizada a validação da eficácia cognitiva das diretrizes modificadas e adicionadas ao modelo com o restante dos participantes. Os resultados obtidos revelaram evidências estatisticamente significativas de que os participantes que interagiram com o modelo de processos contendo diretrizes obtiveram melhor desempenho em termos de acurácia, velocidade e facilidade de compreensão. Esses resultados indicam que a adoção de diretrizes nos modelos BPMN pode beneficiar a prática da modelagem de processos. Por fim, este estudo visa contribuir para a melhoria da prática da modelagem de processos, facilitando a adoção efetiva das diretrizes de boas práticas nos modelos BPMN. Isso, por sua vez, promoverá uma maior facilidade na compreensão e comunicação entre as partes envolvidas, melhorando a eficiência e eficácia das atividades relacionadas à modelagem de processos de negócio

Divulgação - DEFESA DE TESE DE DOUTORADO Nº 08

Aluna: Marília Nayara Clemente de Almeida Lima

Título: “Detecção e Avaliação de Desvio de Conceito Aplicadas em Dados Pontuais e Intervalares”

Orientadora: Roberta Andrade de Araújo Fagundes - (PPGEC)

Coorientador: Telmo Silva Filho - (BRISTOL)

Examinador Externo: Ricardo Bastos Cavalcante Prudencio (Cin/UFPE)

Examinadora Externa: Renata Maria Cardoso Rodrigues de Souza (Cin/UFPE)

Examinador Interno: Cleyton Mário de Oliveira Rodrigues - (PPGEC)

Data-hora: 03 de Agosto de 2023, às 09:00h.
Local:Formato Presencial - Mini Auditório (PPGEC)

---

Resumo:

         Contexto: em determinadas situações, os dados aos quais um modelo de aprendizado de máquina treinado é submetido são significativamente diferentes dos dados de treinamento. Isso pode causar um problema conhecido como Desvio de Conceito (DC). Há uma grande quantidade de trabalhos sobre como detectar e avaliar DC.No entanto, a maior parte se concentra em detectores que fazem uso de um modelo base. Objetivo: desenvolver um detector e uma métrica de avaliação para DC que não necessite do uso de um modelo base. O detector proposto é o Background Check for Drift Detection (BCDD) e a métrica é a Detection Distance (DD) que serão aplicados em dados pontuais e simbólicos do tipo intervalo. Visão Geral: o método de detecção proposto segue a ideia de ajustar um modelo de densidade para definir as probabilidades a posteriori e identificar se há desvio. Quanto a métrica de avaliação, verifica-se quão distante é o ponto real do desvio em relação ao ponto que o detector alertou. Metodologia: são utilizados dados sintéticos com quatro tipos diferentes de velocidade de desvio: abrupto, gradual, incremental, recorrente. Também usa-se conjunto de dados reais com desvio em proporções diferentes nas variáveis explicativas. Usou-se a configuração experimental com três modelos base: Hoeffding Tree Regressor, Hoeffding Adaptive Tree Regressor, Online Sequential Extreme Learning Machine; e sete detectores de desvio da literatura: ADWIN, DMM, EDDM, HDDM_H, HDDM_W, PH, KSWIN. Ainda são testados os modelos sempre atualizando (Partial) e nunca sendo atualizado (No_Partial). Para o processo de detecção usou-se a abordagem treine-teste-treine: (i) os modelos base são treinados com os primeiros dados (ii) nos dados de teste a cada lote é verificado se há desvio, assim: (a) se existir desvio, é alertado, retornado o status de predição e o modelo é atualizado, (b) se não existir desvio, alerta, retorna o status de predição e o lote vai para área de esquecimento. O processo (ii) é repetido até o fim dos dados de teste. Além disso, é feita uma simulação de Monte Carlo com trinta iterações. Resultados: há influência no tipo de velocidade de desvio, dispersão dos dados e modelo base utilizado. Desse modo, o BCDD se mostrou mais adequado para desvio gradual e incremental em dados intervalares. Porém, nas outras velocidades teve semelhança com o KSWIN, que teve resultados adequados, na maioria dos conjuntos de dados pontuais e intervalares analisados. Conclusão: a tese apresenta como contribuição um novo detector de DC mais adequado para dados graduais e incrementais, uma nova métrica de avaliação de DC, metodologia de experimentação do processo de detecção e uma revisão sistemática da literatura. Além do uso de dados pontuais e intervalares no contexto de regressão. Assim, os resultados contribuirão para as diferentes áreas da sociedade e pesquisas em DC.

Divulgação - Defesa Nº 07

Aluno: Ricardo Batista das Neves Junior

Título: “Segmentação de Imagens de Documentos Capturadas por Smartphones: Avaliação e Propostas de Modelos e Bases de Dados”

Orientador: Byron Leite Dantas Bezerra - (PPGEC)

Examinador Externo 1: Cleber Zanchettin (UFPE)

Examinador Externo 2: Gabriel de França Pereira e Silva (UFRPE)

Examinador Interno 1: Bruno José Torres Fernandes - (PPGEC)

Examinador Interno 2: João Fausto Lorenzato de Oliveira - (PPGEC)

Data-hora: 27 de Outubro de 2023, às 09:00h.
Local: Formato Presencial - Sala i4

---

Resumo:

         A Visão Computacional é uma linha de pesquisa da Inteligência Artificial que permite aos computadores processar e analisar dados visuais. Dentre os domínios de atuação da Visão Computacional, a tarefa de segmentação tem sido amplamente explorada na literatura. O emprego de algoritmos de segmentação, no contexto de processamento, análise e reconhecimento de documentos tem recebido bastante atenção na literatura, dado que existe uma ampla produção científica em torno do tema. Neste contexto, o presente trabalho apresenta três novos algoritmos. O primeiro algoritmo é apresentado como uma evolução da U-net, nomeado OctHU-PageScan, proposto para segmentação de documento e zona de texto, apresentando uma redução de tempo de processamento de até 75% e uso de 93% menos espaço em disco em comparação ao baseline. Como evolução do OctHU-PageScan, o segundo algoritmo nomeado HU-PageScan foi proposto para segmentação de documento, mostrando-se eficaz para os cenários de foto de câmera de smartphones e scanner, apresentando resultados equivalentes ao baseline reduzindo o custo computacional em mais de 50% em relação ao baseline (i.e., OctHU-PageScan). O terceiro algoritmo proposto evolui os dois primeiros, utilizando algoritmos de segmentação de imagens como um pré-processamento para realizar a tarefa de classificação de oclusão em documentos fotografados. Além dos algoritmos destacados como contribuições deste trabalho, introduzimos sete novas bases de dados voltadas para o estudo do problema de segmentação de documentos fotografados. São elas: (i) CDPhotoDataset: projetada para a segmentação de documentos de identificação inseridos em diversos backgrounds; (ii) DTDDataset: focada na segmentação de regiões de texto em documentos; (iii) Extended Smartdoc Dataset: uma extensão da base de dados original Smartdoc, elaborada para segmentar os documentos em variados backgrounds; (iv) BID-Dataset, como o primeiro conjunto de dados público brasileiro de documentos de identificação; (v) SBR-Doc Dataset, apresentado na competição ICDAR 2021, um novo conjunto de dados proposto para os desafios de segmentação de diferentes componentes do documento; (vi) Um conjunto de dados para classificação de oclusão (causada por mãos humanas) em documentos de identificação (vii) SpotBID Set: para classificação de oclusão causada pelo efeito spotlight. O desenvolvimento destas contribuições minimiza lacunas na literatura relacionadas ao desenvolvimento de algoritmos livres de template e à escassez de conjuntos de dados públicos para tarefas de processamento de documentos. Ao longo desta sequência de trabalhos publicados, cada artigo não apenas se fundamentou nos insights e descobertas do anterior, mas também buscou superar suas limitações. Esse percurso ilustra a evolução metodológica adotada e evidencia a contribuição contínua e relevante desta pesquisa.