Eventos
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº294
Aluno: Flávio Leandro de Morais Melo
Título: “Utilization of Tree-Based Machine Learning Models for Predicting Low Birth Weight Occurrences"
Orientadora: Patricia Takako Endo - (PPGEC)
Examinador Externo: Waldemar Brandão Neto - (FENSG)
Examinador Interno: Wellington Pinheiro dos Santos - (PPGEC)
Data-hora: 21 de Março de 2024, às 14:00h.
Local: Formato Presencial, Armazém da criatividade/PPGEC Caruaru.
Resumo:
"O acompanhamento das equipes médicas para avaliar a saúde materna e fetal, pode ser crucial para a identificação precoce de complicações de saúde, como Low Birth Weight (LBW). Doença considerada preocupação de saúde pública, ressaltando desafios socioeconômicos e a importância de intervenções precoces para a evitabilidade de morbidade e mortalidade neonatal. Com mais de 20 milhões de casos anuais globalmente, o LBW está associado a diversos riscos, impactando negativamente o desenvolvimento e a qualidade de vida dos recém-nascidos e familiares. No Brasil, dados do Sistema de Informação sobre Nascidos Vivos (SINASC) revelam que anualmente, cerca de 8% a 9% dos recém-nascidos são diagnosticados com LBW, destacando a necessidade de estratégias abrangentes e políticas de saúde para gestantes. O estudo propõe a utilização de modelos de machine learning para a predição de gestantes em risco de terem recém-nascidos com LBW, visando contribuir para a prevenção e cuidados adequados. A metodologia abordou a aplicação de cinco modelos em quatro cenários distintos, onde cada cenário incorporou variações na seleção de atributos e na abordagem de experimentos envolvendo a estratégia de remover ou permanecer com os dados duplicados após o pré-processamento. Os resultados dos modelos em todos os cenários obtiveram o desempenho de avaliação na métrica specificity acima de 0.6800, indicando que os modelos consegue identificar recém-nascidos com Normal Birth Weight (NBW), enquanto revela limitações na identificação de casos de LBW, enfatizando a necessidade de aprimoramento nessa área. Experimentos com remoção de dados duplicados mostraram desafios na generalização dos modelos, especialmente quando os modelos foram testados nos datasets mais recentes (2022), com a métrica de specificity sendo a mais afetada. A análise de importância de atributos destacou características sociodemográficas e histórico gestacional como influentes na aprendizagem dos modelos. Além disso, a distribuição de atributos nos datasets evidenciou variações após a remoção de dados duplicados, indicando impacto na generalização. O estudo fornece uma visão abrangente das capacidades e limitações dos modelos de machine learning na predição de LBW, destacando-se os modelos Adaboost e Gradient Boosting como mais robustos quando utilizados para predição de LBW em cenários de dados dinâmicos."
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº293
Aluna: Pamella Letícia Silva de Oliveira
Título: “Desenvolvimento de uma Interface para Visualização de Perfis de Engajamento Criados a partir de Agrupamento de Dado"
Orientador: Alexandre Magno Andrade Maciel - (PPGEC)
Coorientador: Rodrigo Lins Rodrigues - (UFRPE)
Examinador Externo: Jorge Luis Cavalcanti Ramos - (Univasf)
Examinador Interno: Raphael Augusto de Sousa Dourado - (PPGEC)
Data-hora: 29 de fevereiro de 2024, às 14:30h.
Local: Formato Presencial, Sala i4.
Resumo:
A Educação a Distância (EaD) vem sendo adotada por estudantes de vários países, devido a flexibilidade de horário, maior acesso geográfico entre outros benefícios. Entretanto, essa modalidade de ensino possue um baixo índice de concluintes. Diante disso, analisar o engajamento desses alunos torna-se essencial para os professores identificar os alunos com risco de reprovação ou desistência. Entretanto, diante do grande número de aluno na turma fica inviável para os professores realizar esse acompanhamento. Por isso, a literatura apresenta paíneis educacionais, entretanto, muitos deles foram desenvolvidos sem nenhuma avaliação com os usuários, gerando gráficos confusos e difíceis de interpretar. Diante desse contexto, o presente trabalho tem como principal objetivo o desenvolvimento de metáforas de visualizações para o acompanhameno do engajamento em ambientes EaD. Que será desenvolvido por meio das etapas de Design Science Research (DSR), com a primeira etapa onde a consciência do problema será investigado por meio de uma Revisão Sistemática da Literatura e entrevista com professores do EaD. A segunda etapa, a escolha das variáveis de engajamento e das metáforas de visualizações, bem como, a análise e o desenvolvimento das mesmas. Por fim, para garantir que o painel contempla as necessidades dos professores EaD, bem como, atende aos critérios de usabilidade será realizado avaliações com professores e com especialista. Podem ser elencados como os principais benefícios desta implementação: 1) o desenvolvimento de um painel composto por visualizações corretas e de fácil entendimento ,apresentadas em conjunto, para auxiliar os professores no acompanhamento do engajamento dos alunos; 2) a importância de analisar qual melhor visualização e como fazer essa análise; 3) a relação de características que os paíneis devem seguir para garantir maior usabilidade para os usuários.
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 292
Aluno: Filipe Tabosa da Silva
Título: “Técnica Technical Debt: Priorização baseada em critérios de médio e longo prazo"
Orientador: Wylliams Barbosa Santos - (PPGEC)
Orientador: Rodrigo Rebouças de Almeida
Examinador Externo: Jose Adson Oliveira Guedes da Cunha (UFPB)
Examinador Interno: Carlo Marcelo Revoredo da Silva - (PPGEC)
Data-hora: 27 de Fevereiro de 2024, às 14:30h.
Local: Formato Remoto - Google Meet.
Resumo:
Contexto: Dívida Técnica é um termo criado para referir-se às soluções de baixa qualidade que promovem um benefício imediato, mas que precisam ser resolvidas posteriormente para evitar prejuízos ao projeto. Problema: O cenário de dívidas técnicas de um projeto pode ter um volume que inviabilize o pagamento de todos os seus itens. A priorização é um fator importante para direcionar o foco sobre as dívidas que trazem maior risco de danos. Objetivo: Identificar as causas que influenciam na tomada de decisão para priorizar itens de dívida técnica com base em critérios de médio e longo prazo. A fim de gerar conhecimento para que profissionais melhorem a tomada de decisão na priorização e gestão de dívida técnica, bem como gerar insights e contribuir para a evolução do framework Tracy TD. Método: Houve inicialmente a replicação de um Estudo de Caso para avaliação de um modelo de priorização de dívidas técnicas, executado em formato de colaboração indústria-academia, com o intuito de propiciar um aprofundamento no tema e busca de um problema relevante no contexto de priorização de dívidas técnicas. Após ser identificado o gap de pesquisa, foram realizadas entrevistas semiestruturadas com profissionais da indústria que atuam em diferentes empresas. Estimulando o compartilhamento de experiências e cenários que envolvem a tomada de decisão para priorização das dívidas técnicas, que proporcionou uma Análise Temática para extrair as respostas para as perguntas de pesquisa. Resultados: Com o processo aplicado foi possível esclarecer: (i) critérios de médio e longo prazo que influenciam na priorização de dívidas técnicas; e (ii) tipos de dívidas técnicas mais afetados pelos critérios de médio e longo prazo. Durante a pesquisa foram obtidos aceites e publicações relevantes. Além de estimular e praticar a execução de pesquisa em ambiente real da indústria, através da colaboração indústria-academia. Conclusão: A análise dos resultados esclareceu como a priorização de dívidas técnicas é realizada com base em critérios de médio e longo prazo. Quais são as variáveis consideradas e os tipos de dívida mais afetados por tais critérios. Gerando contribuições teóricas para a academia e práticas para profissionais.
O Programa
