TCC - Bacharelado em Sistemas de Informação (UAST)
URI permanente para esta coleçãohttps://arandu.ufrpe.br/handle/123456789/2936
Navegar
2 resultados
Resultados da Pesquisa
Item Ferramenta adaptável para auxílio no processo de coleta de dados em pesquisas estruturadas(2019) Nascimento, Thiago Lucas Freire; Albuquerque, Hidelberg Oliveira; Albuquerque, Héldon José Oliveira; http://lattes.cnpq.br/3563291777221100; http://lattes.cnpq.br/0955255065576989; http://lattes.cnpq.br/1424806662151417A ciência nasce da incessante busca pelo conhecimento partindo da problematização e questionamentos aos acontecimentos históricos sobre o mundo e a realidade na qual vivemos. Para que haja ciência é preciso desenvolver estudos os quais pode ou não vir associados a uma hipótese, a qual carece de ser explicada e provada. Para a realização desses estudos, se faz necessário obter uma grande quantidade de dados os quais possam representar uma dada realidade. Posteriormente, são aplicados a esses dados métodos e técnicas específicas a fim de extrair informações que auxiliem na descoberta de resultados, revelando respostas para ajudar na compreensão do problema proposto ou gerando novos questionamentos. Contudo, fazer essa tarefa do modo tradicional, ou seja, manualmente é tido como uma tarefa ineficaz e desconfortável por diversos fatores, um deles é a ocorrência de erros devido à alta interação humana nas atividades. O processo de coleta de dados informatizado consiste em reduzir os esforços humanos decorrentes das atividades feitas manualmente. Este trabalho teve como objetivo desenvolver uma solução computacional para auxiliar pesquisadores no processo de coleta, armazenamento e processamento de dados em pesquisas de diversas áreas e tipos de contexto. Para isso, foi feito um levantamento na literatura das tecnologias e métodos disponíveis que pudessem ser utilizados no desenvolvimento da solução de modo a atender os requisitos demandados pelo domínio proposto. Este trabalho propôs o desenvolvimento de uma ferramenta que permitisse ao pesquisador organizar e gerenciar melhor suas pesquisas. Além disso, oferecer maior comodidade ao pesquisador possibilitando a coleta de dados através de um aplicativo para dispositivos móveis, realizando essa atividade em campo sem a necessidade de conexão à internet, de maneira centralizada, integra e segura. Para isso, foi projetada uma aplicação Web a qual possibilita ao usuário pesquisador realizar os cadastros necessários para desempenhar uma pesquisa, acompanhando o andamento do processo e por fim visualizando os resultados através de métricas estatísticas descritivas e entre outras. A utilização conjunta das arquiteturas móvel e Web, permite aos usuários acesso às informações e a realização das atividades de qualquer lugar e a qualquer momento. Para a atividade de elicitação e análise de requisitos, foram realizadas várias reuniões com a equipe de pesquisadores formada pelo coordenador da pesquisa e cinco alunos pesquisadores, nesse contexto os membros da equipe assumiram o papel de stakeholders. Afim de obter informações acerca do processo e como era feito, entrevistas com perguntas direcionadas e a técnica de prototipagem foram utilizadas durante as reuniões com os stakeholders. A avaliação feita, teve como objetivo avaliar a interface em busca de possíveis problemas que venham a comprometer a experiência de interação do usuário com a ferramenta e propor melhorias factíveis. Para isso, foi aplicado um questionário com perguntas relacionadas ao tipo de avaliação com a equipe de pesquisadores que participaram ativamente no processo de desenvolvimento e utilizaram a ferramenta em campo por completo. Com base nos resultados da avaliação, foi possível identificar que, a ferramenta possui alguns elementos que necessitam de conserto. Outro ponto revelado pela avaliação foi o nível de familiaridade dos usuários com a ferramenta, tendo em vista que não houve nenhum tipo de dificuldade para responder os questionários de avaliação. Por fim, a ferramenta desenvolvida auxilia pesquisadores a desempenhar pesquisas de diversos tipos, simplificando e reduzindo os esforços provenientes do processo feito da maneira tradicional, ou seja, manualmente.Item Análise comparativa de métodos de aprendizado supervisionado para mineração de opinião dos usuários da plataforma de e-participação votenaweb(2019) Nascimento, Eliaquim Moreira do; Souza, Ellen Polliana Ramos; Santos, Diego George da Silva; http://lattes.cnpq.br/1433346297212674; http://lattes.cnpq.br/6593918610781356; http://lattes.cnpq.br/6033431769198675Com a evolução das tecnologias da informação, passam a existir novos meios que visam promover uma sociedade mais democrática e participativa, como é o caso das plataformas de participação e colaboração eletrônicas, também conhecidas por e-participation e e-collaboration. Contudo, apesar de ser possível fornecer uma opinião na grande maioria dessas plataformas, tais opiniões não são analisadas e consideradas no processo de construção da proposta ou projeto de lei.É impossível para o ser humano compreender completamente todo o conteúdo em uma quantidade razoável de tempo, o que despertou um interesse na comunidade científica por sistemas capazes de extrair informações desse tipo de dado de forma automática. Mineração de opinião, também conhecida como análise de sentimento, é a área de estudo que analisa automaticamente sentimentos e opiniões das pessoas acerca de entidades, como produtos e serviços, expressos de forma não estruturada, como em texto, por exemplo. Neste sentido, este trabalho busca identificar o melhor conjunto de classificador versus técnica de de pre-processamento para análise das opiniões dos usuários de plataformas de e-participação e e-colaboração disponíveis para os cidadãos brasileiros. Como estudo de caso, para validação da aplicação, foram coletadas opiniões do portal VOTENAWEB, tendo em vista que o mesmo é bastante utilizado, além de permitir aos cidadãos postar comentários sobre um determinado projeto. Três algoritmos de aprendizado supervisionado, com diferentes técnicas de pré-processamento foram avaliadas que são tokenização, remoção de stopwords, N-grama, TF-IDF e a incorporação de palavras, a fim de obter a melhor configuração para mineração de opinião. O algoritimo de regressão linear obteve o melhor resultado com acurácia de 88,22% e f-medida de 87,07%, enquanto que o aprendizado profundo que o aprendizado profundo obteve acurácia de 84,96% e f-medida de 84,90%.