http://www.monografias.ufop.br/handle/35400000/10 Sat, 18 Apr 2026 19:59:35 GMT 2026-04-18T19:59:35Z http://www.monografias.ufop.br/handle/35400000/9096 Título: Investigando recomendação híbrida ponderada em relação a fairness e sensibilidade ao risco. Autor(es): Costa, João Paulo Prata Resumo: Sistemas de recomendação são ferramentas que ajudam os usuários a encontrar itens relevantes dentre muitas opções. Eles são baseados em algoritmos que analisam os dados do usuário, como histórico de compras, avaliações e comportamentos de navegação, para sugerir produtos ou serviços relevantes e personalizados para cada pessoa. Esses sistemas são amplamente utilizados em e-commerces, serviços de streaming de vídeo e de música, redes sociais, entre outros. Um dos principais desafios enfrentados pelos sistemas de recomendação é atender a diversas métricas de avaliação, como precisão, diversidade e novidade das recomendações, pois essas métricas podem ser conflitantes entre si. Outro desafio enfrentado no desenvolvimento de sistemas de recomendação é lidar com a variabilidade dos resultados, isto é, garantir que sejam consistentes e precisos em diversos cenários. Neste trabalho, são abordados dois conceitos relacionados à variabilidade: justiça e sensibilidade ao risco. Justiça nas recomendações significa que os algoritmos devem ser projetados para evitar preconceitos e discriminações, levando em consideração fatores como gênero, raça, idade, entre outros, para garantir que as recomendações tenham uma qualidade equiparável para todos os usuários. Já a sensibilidade ao risco está relacionada à capacidade do sistema de reduzir a probabilidade de resultados insatisfatórios. Para lidar com a complexidade desses múltiplos objetivos, a hibridização de algoritmos, que consiste na combinação de diferentes modelos de recomendação clássicos para aliar seus pontos fortes e atenuar suas fraquezas individuais, surge como uma abordagem relevante. Ao integrar múltiplos vieses indutivos, levanta-se a hipótese teórica de que sistemas híbridos não apenas melhorem a precisão global, mas também possam suavizar disparidades entre diferentes perfis e conferir maior robustez contra falhas extremas. Sendo assim, neste trabalho, investiga-se empírica e estatisticamente como estratégias de hibridização impactam as avaliações desses critérios. O objetivo principal é realizar experimentos para avaliar se técnicas de hibridização contribuem para recomendações mais justas e menos sensíveis ao risco. Os resultados obtidos por meio da validação temporal demonstram que, paradoxalmente, a hibridização baseada em regressão atuou como um nivelador genérico, reduzindo a personalização, amplificando as disparidades de desempenho entre os grupos de usuários e aumentando a sensibilidade ao risco global do sistema. Thu, 01 Jan 2026 00:00:00 GMT http://www.monografias.ufop.br/handle/35400000/9096 2026-01-01T00:00:00Z http://www.monografias.ufop.br/handle/35400000/9091 Título: Um sistema de previsão de desempenho de jogadores de futebol baseado em dados estatísticos de jogos. Autor(es): Oliveira, Pedro Augusto Carneiro de Resumo: Este trabalho tem como objetivo desenvolver um sistema de recomendação de jogadores de futebol baseado na predição de desempenho, utilizando dados do Campeonato Brasileiro Série A (2022-2024). A proposta previa duas etapas: a modelagem preditiva de métricas individuais e a geração de recomendações. Este trabalho concentrou-se na primeira etapa, implementando e avaliando três modelos de machine learning (Random Forest, XGBoost e MLP) com registros de todos os jogadores do campeonato através da plataforma FootyStats. A análise exploratória revelou desafios significativos: distribuições zero-inflated em métricas ofensivas (35–40% com zero gols), tamanho amostral reduzido para goleiros (21 no treino) e correlação temporal moderada (r=0,584 para gols), estabelecendo R2 máximo teórico de 0,341. Os resultados mostraram R2=0,181 para gols (MLP), representando 53% do limite teórico, e R2 negativo para a maioria das demais métricas. A análise demonstrou que 40–60% da variação é fundamentalmente imprevisível devido ao componente estocástico do futebol. A capacidade preditiva alcançada mostrou-se insuficiente para viabilizar recomendações confiáveis, inviabilizando a segunda etapa. O trabalho contribui para estabelecer limites realistas para predição de desempenho esportivo e identificar desafios metodológicos (distribuições zeroinflated, tamanho amostral, estocasticidade) que precisam ser superados para viabilizar sistemas de recomendação robustos no futebol. Thu, 01 Jan 2026 00:00:00 GMT http://www.monografias.ufop.br/handle/35400000/9091 2026-01-01T00:00:00Z http://www.monografias.ufop.br/handle/35400000/9035 Título: Análise de saúde mental de pacientes com câncer usando IA. Autor(es): Fernandes, Pedro Morais Resumo: O câncer é uma doença grave que compromete tanto a saúde física quanto a mental dos pacientes, e com isso, tem-se um grande desafio mediante a mitigação da doença fisicamente, mas ao mesmo tempo, há a necessidade de manter a pessoa forte mentalmente, para que a recuperação seja realizada. Visando auxiliar no fortalecimento mental de pacientes com câncer, a Inteligência Artificial tem-se mostrado eficaz para processar grandes cargas de dados e obter um modelo que auxilie nesta tarefa. Em muitos casos, os conjuntos de dados encontram-se desbalanceados, o que pode comprometer o treinamento e a generalização do modelo treinado. Portanto, este trabalho propõe um modelo de Inteligência Artificial para classificar sentimentos expressos em textos de pacientes oncológicos, aplicando-se técnicas de balanceamento de dados, para uma diminuição do viés do modelo em apenas um determinado grupo de classificações, visando auxiliar no monitoramento do estado emocional e no suporte psicológico durante o tratamento com eficiência, a fim de garantir a qualidade de vida psicológica do paciente em um momento de extrema vulnerabilidade. Utilizando técnicas para lidar com o desbalanceamento da base de dados utilizada, o modelo alcançou 82% de acurácia com o modelo LLM. Thu, 01 Jan 2026 00:00:00 GMT http://www.monografias.ufop.br/handle/35400000/9035 2026-01-01T00:00:00Z http://www.monografias.ufop.br/handle/35400000/9032 Título: Geração sintética de diálogos profissionais usando modelos de linguagem e com a incorporação de histórico curricular e indicadores de performance. Autor(es): Deus, Beatriz Helena de Mello Orlandi de Resumo: Avaliar atributos profissionais, como desempenho, produtividade e habilidade, a partir de interações textuais é um desafio central para organizações que operam em ambientes digitais. Contudo, a escassez de dados reais de comunicação corporativa, aliada a restrições de privacidade, limita o avanço de pesquisas nessa direção. Este trabalho propõe uma abordagem experimental para a construção e avaliação de um corpus sintético de conversas empresariais, gerado por modelos de linguagem de grande escala e condicionado a variáveis latentes ocupacionais extraídas de históricos de carreira reais. O método desenvolvido integra simulação estatística, formação de times por similaridade de trajetória profissional e engenharia estruturada de prompt, produzindo diálogos que refletem comportamentos associados a diferentes perfis, sem revelar explicitamente os atributos no texto. A avaliação combina validação estrutural, rubricas de qualidade e um protocolo de inferência inversa, no qual os modelos avaliadores tentam recuperar os atributos latentes apenas a partir da leitura das conversas. Os resultados demonstram que o cenário estruturado supera consistentemente a linha de base aleatória, confirmando que modelos de linguagem conseguem codificar e recuperar parcialmente sinais comportamentais em diálogos sintéticos. A análise revela, ainda, um viés sistemático em direção a avaliações positivas por parte dos inferidores e uma tensão entre a naturalidade do texto e a controlabilidade dos atributos, abrindo caminho para o aprimoramento de métodos de geração e avaliação de dados sintéticos corporativos. Thu, 01 Jan 2026 00:00:00 GMT http://www.monografias.ufop.br/handle/35400000/9032 2026-01-01T00:00:00Z