A computação em nuvem tem transformado as estratégias de Tecnologia da 
Informação ao oferecer recursos escaláveis e dinâmicos, com destaque para 
as instâncias SPOT, que utilizam a capacidade computacional ociosa dos 
provedores a custos reduzidos. Este trabalho analisa os preços das 
instâncias SPOT e sob demanda nos provedores de nuvem AWS, Azure e Google 
Cloud Platform (GCP), buscando compreender as variações regionais, 
temporais e por tipo de instância, além de como essas características 
influenciam a correlação entre os provedores.
Com base nos dados do dataset SpotLake, explorou-se a dinâmica de preços e 
padrões sazonais, identificando fatores que impactam a correlação entre os 
provedores. Os resultados revelaram que regiões de alta demanda e 
instâncias otimizadas para memória ou computação apresentam menor 
sincronismo nos preços, enquanto instâncias de uso geral em áreas menos 
concorridas demonstram maior alinhamento.
Os resultados oferecem subsídios para a seleção estratégica de instâncias 
em ambientes multi-nuvem, equilibrando eficiência e custo. Este trabalho 
contribui para o entendimento da precificação em nuvens públicas e apoia o 
planejamento de cargas de trabalho ao integrar desempenho e economia.

O MaxCut é um problema fundamental na Otimização Combinatória, com implicações significativas em diversos domínios, como logística, design de redes e física estatística. O algoritmo representa abordagens inovadoras que equilibram o rigor teórico com a escalabilidade prática. O método proposto introduz um Algoritmo Genético Quântico usando uma estrutura evolutiva baseada em Grover e princípios de divisão e conquista. Ao particionar grafos em subgrafos gerenciáveis, otimizando cada um de forma independente e aplicando a contração de grafos para unir as soluções, o método explora a simetria binária inerente do MaxCut para garantir eficiência computacional e desempenho robusto em aproximações. A análise teórica estabelece uma base sólida para sua eficiência, enquanto as avaliações empíricas destacam a superioridade do método em grafos densos, onde supera benchmarks clássicos e inspirados em algoritmos quânticos. Este trabalho avança as técnicas computacionais quânticas para análises comparativas com problemas de grande escala, demonstrando o potencial de uma estrutura evolutiva quântica como o QGA. Além disso, este algoritmo demonstra o potencial de computadores quânticos de grande escala, alcançando consistentemente as melhores soluções para instâncias de pequenos grafos.

A adoção de sistemas de IA (Inteligência Artificial) pela população em 
geral tem gerado muitos problemas jurídicos e éticos. Para orientar o 
desenvolvimento de sistemas de IA, pesquisadores propuseram um conjunto de 
princípios éticos amplamente aceitos. No entanto, não está claro como 
traduzir esses princípios na prática. Nesta dissertação, busca-se abordar o 
princípio ético da transparência e investigar como a ausência desse 
princípio pode impactar na operação dos sistemas de IA ocasionando 
problemas como a indefinição do responsável quando um resultado negativo é 
gerado pelo sistema. Além disso, pretende-se explorar os pontos de vista de 
desenvolvedores e usuários de sistemas de IA, já que frequentemente os 
usuários não compreendem nem conhecem as limitações e implicações desses 
sistemas. Como contribuição, foi proposta a Bula para Sistemas de 
Inteligência Artificial (LAIS, na sigla em inglês), um artefato que tem 
como objetivo apoiar a transparência em sistemas de IA. Este artefato foi 
inspirado nas bulas farmacêuticas e foi desenvolvido diante do 
reconhecimento que as atuais licenças de software são extensas e pouco 
intuitivas. Adotou-se a Metodologia de Pesquisa Design Science Research 
para fundamentar o desenvolvimento do artefato. Para projetar a Bula, 
analisou-se iniciativas de regulamentação de IA, literatura sobre ética em 
IA e bulas farmacêuticas. Para validar o artefato, foi realizado um survey 
com especialistas de diferentes áreas, incluindo desenvolvedores, usuários 
e pesquisadores no campo da IA. A LAIS alcançou uma aprovação de 94%, com 
os participantes afirmando que ela é relevante para a promoção da 
transparência nos sistemas de IA. Portanto, considera-se que a LAIS é uma 
contribuição original e inovadora, que operacionaliza o princípio da 
transparência em um artefato concreto, inspirado no design de bulas 
farmacêuticas e que facilita na comunicação e compreensão dos usuários 
finais.

Contexto: O Gerenciamento de Processos de Negócio (BPM) é uma disciplina 
consolidada que integra pessoas, processos e tecnologia para promover 
melhorias organizacionais. Embora projetos BPM utilizem indicadores para 
medir desempenho, seus impactos vão além, afetando dimensões estratégicas, 
financeiras, tecnológicas e de aprendizado organizacional. Problema: Muitos 
projetos BPM limitam suas análises de impacto ao desempenho imediato dos 
processos melhorados, negligenciando os efeitos mais amplos na organização. 
Além disso, não há um método consolidado que permita avaliar de forma 
abrangente o impacto organizacional desses projetos, considerando os 
pilares de pessoas, processos e tecnologia. Objetivo: Desenvolver um método 
estruturado para análise de impacto organizacional de projetos BPM que 
abarque diversas perspectivas envolvidas em um projeto de BPM. Método: A 
metodologia foi construída com base no Design Science Research (DSR). 
Inicialmente, foi elaborado um método em formato de questionário que avalia 
o impacto organizacional de projetos de BPM em diversas dimensões. Este 
método foi submetido a um pré-teste com uma amostra piloto composta por 
dois profissionais matriculados em uma disciplina de pós-graduação em BPM. 
O feedback coletado foi importante para identificar ajustes necessários na 
validação do método. Após essa etapa, a versão revisada do questionário foi 
validada com especialistas em BPM por meio de um survey para avaliar sua 
aplicabilidade prática e as dimensões consideradas. Resultados: O método 
foi projetado para realizar uma análise integrada e ampla, abrangendo 
múltiplas perspectivas do impacto organizacional. Conclusões: O método 
desenvolvido representa um avanço significativo na forma como o impacto de 
projetos de BPM é avaliado. Ele transcende a visão restrita a indicadores 
de desempenho, integrando dimensões estratégicas, financeiras, sociais, 
internas, tecnológicas e humanas. Essa abordagem oferece às organizações 
uma ferramenta valiosa para compreender os efeitos mais amplos dos projetos 
de BPM e alinhar melhor suas iniciativas às estratégias institucionais.

A Teoria de Resposta ao Item (TRI) foi inicialmente, por muito tempo, 
empregada para avaliar as habilidades latentes de respondentes humanos, a 
partir de suas respectivas respostas à itens de problemas com diferentes 
níveis de dificuldade. Porém nos últimos anos, a comunidade científica 
propôs soluções que utilizam TRI em aplicações de Inteligência Artificial 
(IA), como em problemas de classificação e avaliação de algoritmos. 
Inclusive não mais usando um modelo dicotômico de TRI (apenas para 
respostas certas ou erradas), mas sim já utilizando um modelo contínuo de 
TRI, onde suas respostas são representadas pela probabilidade de uma 
predição correta. Um exemplo de implementação deste modelo contínuo é o 
B4-IRT, o qual facilita bastante a aplicação de TRI em IA atualmente. 
Enquanto isso, a avaliação de detecções de anomalias permanece sendo uma 
tarefa complexa. Métricas de avaliação supervisionadas, como o Precision 
score ou AUC, são frequentemente utilizadas para benchmarking, mas não são 
aplicáveis em cenários reais não-supervisionados, devido a falta de rótulos 
(ground truth). Ainda assim, podemos recorrer à métricas 
não-supervisionadas para avaliação de modelos, como por exemplo o Pseudo 
Ground-truth, ou Excess-Mass e Mass-Volume. Estes critérios de avaliação 
têm a vantagem de comparar modelos com base nos próprios data points das 
instâncias, sem a necessidade de dados rotulados (em classes). Contudo, 
possuem algumas limitações em certos cenários, inclusive quando aplicados à 
detecção de anomalias. Portanto, neste trabalho propomos o ODAIRE (Outlier 
Detection Agreement-based Item REsponses), um workflow para avaliação geral 
de modelos de detecção de outliers, o qual assume que os melhores modelos 
sempre concordam sobre quais pares de instâncias devem ser rotulados como 
anomalias. Neste workflow, as matrizes de respostas obtidas ao se calcular 
a concordância entre esses modelos, são usadas para estimar a habilidade 
dos métodos de detecção e a dificuldade das instâncias, através da 
aplicação do B4-IRT. Esta inovadora abordagem proposta, representa uma 
alternativa para avaliar o desempenho dos métodos de detecção de anomalias 
em cenários não-supervisionados, algo não investigado em nenhum trabalho 
anteriormente na literatura. Somado a isto, também surge uma alternativa 
para a identificação das regiões num conjunto de dados pontuais, que 
apresentam diferentes graus de dificuldade ou discriminação.

O crescimento exponencial na geração e no armazenamento de dados,
impulsionado por fontes como dispositivos conectados, redes sociais e aplicativos
móveis, tem gerado desafios significativos para o processamento e a análise
eficiente dessas informações. Nesse contexto, é essencial que as organizações
desenvolvam e implementem estratégias eficazes para gerenciar o grande volume
de dados. No caso dos sistemas de processo judicial eletrônico (PJ-e), o aumento
no número de processos judiciais resulta em um volume massivo de dados, o que
cria desafios adicionais e exige estratégias adequadas de particionamento e
gerenciamento. Com o objetivo de abordar essas questões, foi realizada uma
pesquisa para avaliar detalhadamente e comparar três estratégias de
particionamento: por intervalo, por hash e a estratégia dinâmica (que combina hash
com a criação dinâmica das partições), aplicadas a soluções que processam
grandes volumes de dados. Para isso, foi conduzido um experimento para analisar o
desempenho dessas estratégias utilizando o JuMP (Judiciário com Mineração de
Processos). Antes da aplicação das estratégias de particionamento, foram coletadas
métricas de desempenho do JuMP no seu estado atual, simulando cargas típicas de
trabalho com dados provenientes de registros de eventos processuais do PJ-e. Os
testes foram conduzidos em um ambiente controlado, utilizando o particionamento
padrão atualmente implementado. Essas métricas serviram como referência
(baseline) para comparação com os resultados obtidos após a aplicação das
estratégias selecionadas. As métricas de desempenho selecionadas para a
comparação foram o tempo de processamento, a utilização de recursos e a
escalabilidade. Cada estratégia foi configurada de acordo com suas características
específicas e, para garantir uma avaliação justa, todos os parâmetros relevantes,
como o número de nós de processamento e a configuração de hardware, foram
mantidos constantes entre os diferentes testes. Os resultados experimentais
mostraram que o particionamento por intervalo foi eficiente em testes de carga com
até 13 usuários simultâneos, especialmente para consultas que abrangem dados
dos últimos 5 anos. O particionamento por hash permitiu consolidar dados de
tribunais em uma única tabela, mas o tempo de resposta foi semelhante ao do
particionamento por intervalo. A estratégia dinâmica (hash + criação dinâmica de partições) se destacou como a mais adequada, pois não apenas distribui os dados
de forma eficiente, mas também permitiu a criação automática de partições
conforme os dados crescem. Isso trouxe ganhos significativos em escalabilidade e
manutenção, pois adaptou-se automaticamente ao aumento do volume de dados.
Logo, conclui-se que estratégia dinâmica se mostrou a solução mais eficiente em
termos de desempenho, flexibilidade e facilidade de manutenção, sendo a mais
recomendada para sistemas como o PJ-e, que lidam com grandes volumes de
dados.

A visão computacional desempenha um papel essencial em diversas aplicações, 
como vigilância inteligente e reconstrução 3D, permitindo o rastreamento de 
pessoas e objetos em sistemas multi-câmera. No entanto, para que esses 
sistemas operem corretamente, é fundamental que a calibração das câmeras 
seja precisa. A calibração automática surge como uma alternativa promissora 
à calibração manual tradicional, que apresenta desafios significativos, 
como a necessidade de um ambiente controlado, a exigência de intervenção 
humana e a dificuldade de recalibração em sistemas dinâmicos. Apesar do seu 
potencial, muitas técnicas do estado da arte ainda não foram amplamente 
testadas em cenários realistas, onde fatores como oclusões e rotas curtas 
podem impactar a precisão da calibração. Diante desse contexto, este 
trabalho investiga o desempenho de técnicas de calibração automática 
baseadas em pedestres, analisando sua eficácia e limitações em ambientes 
não controlados. Os experimentos demonstram que, embora a técnica avaliada 
apresente potencial, ainda há altos erros de calibração e grande 
variabilidade nas estimativas dos parâmetros extrínsecos. A qualidade dos 
dados de entrada mostrou-se um fator crítico, uma vez que, em condições 
reais, a detecção das poses humanas pode ser comprometida, afetando 
negativamente a calibração. Além disso, a rota dos pedestres influencia 
significativamente o desempenho do método. Os resultados indicam que a 
calibração automática de redes de câmeras ainda enfrenta desafios 
significativos para adaptação a cenários dinâmicos. Dessa forma, são 
necessárias abordagens mais robustas e generalizáveis, capazes de lidar com 
diferentes fontes de erro. A coleta de dados mais controlados pode ser uma 
estratégia para isolar e compreender melhor os fatores que afetam a 
calibração.

Crianças e adolescentes são usuários ativos e altamente engajados no 
consumo de jogos digitais. Nos últimos anos, à medida que o volume de dados 
compartilhados e a exposição online desses usuários aumentam, 
intensificam-se os debates globais sobre violações dos direitos das 
crianças no ambiente virtual e a necessidade de regulamentar práticas 
éticas no design de jogos voltados a esse público. Na prática, observa-se 
uma lacuna entre os princípios éticos, as exigências legais e algumas 
decisões tomadas pelo mercado de jogos. Este trabalho propõe um guia de 
boas práticas éticas para servir como suporte de orientação aos 
desenvolvedores independentes de jogos. Para isso, compilamos a legislação 
pertinente e as recomendações da literatura sobre jogos — com ênfase em 
design dark patterns — elaborando uma lista de hipóteses que foi submetida 
a um grupo de desenvolvedores por meio de um survey para validação. Como 
resultado, elegemos 48 boas práticas, organizadas em 9 categorias e 
apontamos quais foram consideradas mais relevantes pelos desenvolvedores.

O PBL (Problem-Based Learning) é um modelo pedagógico que promove o 
desenvolvimento de competências profissionais (conhecimentos, habilidades e 
atitudes) para resolução de problemas por meio da aprendizagem colaborativa 
alcançada no trabalho em equipes. Esse modelo tem se mostrado bastante 
adequado ao ensino superior de computação, considerando que soluções 
tecnológicas para problemas complexos são desenvolvidas por equipes de 
profissionais de tecnologia com conhecimentos e habilidades diversas e 
complementares.  Nesse contexto, a formação efetiva de equipes  é essencial 
para o sucesso do PBL, pois pode potencializar o aprendizado e o 
desenvolvimento dos estudantes . A formação de equipes utilizando o PBL 
envolve esforço e observação de diversos aspectos, o que torna o 
agrupamento manual ineficiente na formatação de equipes equilibradas. Além 
disso, tanto o instrutor quanto o estudante podem participar do processo de 
decisão de agrupamento, considerando as restrições definidas pelo instrutor 
e a satisfação do estudante com as recomendações feitas, em geral, 
associadas a afinidades com seus colegas. Nesse sentido, ao utilizar uma 
abordagem automatizada que considere esses critérios, atributos dos 
estudantes e afinidades, é possível agilizar o processo de estruturação de 
equipes balanceadas entre si e mitigar a formação de equipes com baixo 
potencial de sucesso. Motivado por esse propósito, este estudo considera a 
seguinte questão de pesquisa: RQ) No contexto do ensino superior de 
computação com PBL, como equipes balanceadas podem ser formadas 
automaticamente, considerando critérios, atributos e afinidades 
pré-definidos entre seus membros e mitigando o baixo potencial de sucesso 
dessas equipes?  Para responder essa questão, este estudo propõe uma 
solução automatizada para formação de equipes de estudantes utilizando o 
método DSR (Design Science Research) aplicado em ciclos evolutivos. Esta 
solução considera múltiplos atributos dos indivíduos envolvidos, critérios 
do organizador para divisão das equipes e afinidades entre seus membros, 
usando uma estrutura semântica para formação de equipes. Protótipos do 
sistema foram criados e avaliados ao longo dos ciclos de DSR para avaliar a 
proposta, demonstrando conformidade com as restrições definidas e indicação 
de equipes balanceadas. Os resultados obtidos indicaram correlações 
positivas entre o balanceamento das restrições e o desempenho das equipes, 
reforçando a relevância da solução automatizada para a formação de equipes 
mais eficazes no contexto do PBL.

A detecção visual de anomalias em infraestruturas de transmissão de energia
elétrica é fundamental para prevenir falhas críticas e garantir a
confiabilidade da rede. À medida que essas redes se expandem para regiões
remotas e complexas, inspeções manuais tradicionais enfrentam desafios
operacionais, como alto custo, riscos à segurança e baixa escalabilidade.
Embora métodos recentes de inspeção visual automatizada baseados em deep
learning apresentem avanços, a maioria é avaliada em cenários controlados,
o que limita sua eficácia em aplicações reais.
O problema central abordado neste trabalho é a baixa capacidade de
generalização de modelos não supervisionados de detecção de anomalias
quando aplicados a imagens aéreas obtidas em condições reais de inspeção.
Modelos supervisionados exigem grandes volumes de dados anotados com falhas
raras e variadas—algo impraticável nesse domínio. Por isso, métodos não
supervisionados, que aprendem apenas a partir de dados normais, são mais
viáveis, mas enfrentam dificuldades ao lidar com ruído de fundo, variações
de iluminação e anomalias sutis.
Este trabalho demonstra que a integração de mecanismos de atenção e
técnicas de remoção de fundo pode aprimorar significativamente a detecção
de anomalias em cenários não controlados. Para isso, foi desenvolvido o
InsPLAD-seg, um novo conjunto de dados com anotações em nível de pixel de
falhas reais. Além disso, foram aplicados módulos de atenção (SENet e CBAM)
e segmentação por objetos utilizando YOLO, com o objetivo de refinar a
extração de características e reduzir interferências visuais.
Os resultados mostram que a combinação de atenção e remoção de fundo
melhora consistentemente os escores de AUROC em níveis de imagem e pixel,
com destaque para a detecção de corrosões e pequenas falhas. Modelos como
RD++ e DifferNet, aprimorados com atenção, alcançaram desempenho de ponta,
enquanto a remoção de fundo aumentou a robustez frente à variabilidade
visual.
Esses achados reforçam que mecanismos de atenção e pré-processamentos que
simulam condições controladas são essenciais para aproximar os modelos de
detecção do uso prático em campo. Ao modelar diretamente anomalias em
inspeções reais, esta abordagem contribui para sistemas de monitoramento
mais robustos e escaláveis.
Este trabalho viabiliza a aplicação prática de modelos de detecção de
anomalias em ambientes ruidosos, nos quais precisão e escalabilidade são
requisitos críticos.

Um nudge é um conceito da Economia Comportamental e Psicologia que se
refere a qualquer pequena mudança ou intervenção projetada para influenciar
o comportamento das pessoas de forma previsível, sem restringir suas opções
ou alterar significativamente seus incentivos. Esta pesquisa segue a
metodologia de Design Science Research, introduzindo o Nudge Evidence
Briefing (NEB) para facilitar a compreensão, o acesso e a aplicação de
descobertas acadêmicas sobre nudges para profissionais não acadêmicos,
considerando a lacuna entre a pesquisa acadêmica sobre nudges e sua
aplicação prática. Aproveitando insights da estrutura da Medicina Baseada
em Evidências, os NEBs destilam as principais descobertas de pesquisas
primárias em documentos concisos e acessíveis. Por meio de revisões
sistemáticas da literatura sobre integração de nudges em privacidade,
segurança de software e meio ambiente, estudos primários foram selecionados
e os dados extraídos foram sintetizados e convertidos em NEBs.
Participantes, especialistas, não especialistas e profissionais foram
convidados a avaliar o NEB e seu Catálogo por meio de questionários online.
Com base nesse artefato para apoiar a transferência de conhecimento sobre
nudges, a Engenharia de Prompt possibilita a automatização da extração dos
dados, garantindo respostas precisas e replicáveis. Esta pesquisa também
avalia o desempenho de três modelos de linguagem em larga escala, ChatGPT,
Microsoft Copilot e ChatPDF, busca-se identificar qual modelo apresenta
melhor desempenho na extração e síntese de informações de artigos
científicos sobre nudges para a geração de NEBs. Os feedbacks destacam a
clareza e o formato estruturado do NEB, com elogios especiais à sua
capacidade de comunicar evidências científicas complexas de forma
acessível. De modo geral, o NEB demonstra ser uma promessa significativa
para tornar a pesquisa relacionada a nudges mais acessível e viável.

A previsão de séries temporais é desafiadora devido à variação dos padrões 
ao longo do tempo,  que torna inviável a utilização de modelos únicos. Os 
Sistemas de Múltiplos Preditores (SMP), especialmente com seleção dinâmica 
de preditores, surgem como alternativas promissoras, pois permitem escolher 
os modelos mais adequados para cada novo padrão. No entanto, os métodos de 
seleção dinâmica enfrentam dificuldades ao selecionar os melhores modelos 
dentro de um conjunto de preditores (Pool). Uma estratégia frequentemente 
utilizada é avaliar o desempenho dos modelos em uma região de competência, 
formada pelos padrões mais semelhantes ao padrão de teste, extraídos dos 
conjuntos de treinamento ou validação. Contudo, nem sempre há garantia de 
que existam padrões similares no conjunto de treinamento ou validação, o 
que torna o processo de seleção de modelos ainda mais desafiador. Além 
disso, selecionar o modelo que melhor prever toda a região de competência 
nem sempre resulta na seleção dos modelos mais precisos. Para lidar com 
essas limitações, esta dissertação propõe Uma Nova Abordagem de Seleção 
Dinâmica com Múltiplas Regiões de Competência para Previsão Séries 
Temporais. A abordagem proposta seleciona um ou mais modelos que sejam 
especialistas em padrões presentes na região de competência composta tanto 
por padrões similares a partir de uma métrica de similaridade, quanto por 
padrões que antecedem à nova observação de teste. Essa estratégia assume 
que selecionar os modelos que são especialistas nos padrões considerados 
semelhantes a nova amostra de teste apresentará acurácia superior à 
estratégia tradicional de utilização de SMP. Experimentos com nove séries 
temporais mostraram que a abordagem proposta supera métodos existentes, 
destacando-se como uma alternativa eficiente na seleção dinâmica de 
preditores.

Este trabalho propõe uma abordagem inovadora para aumentar a
interpretabilidade de redes neurais convolucionais (CNNs) na tarefa de
detecção de fissuras em estruturas de concreto, integrando algoritmos de
explicabilidade baseados em visualização, como o Grad-CAM, com técnicas de
segmentação não supervisionada, a exemplo do algoritmo K-means. A
metodologia emprega aprendizado por transferência com arquiteturas
consagradas (VGG16, VGG19 e ResNet) alcançando acurácia superior a 99\% nos
conjuntos de treinamento e teste. Foram avaliadas estratégias de
explicabilidade fundamentadas tanto em perturbação do espaço de entrada
quanto nos pesos internos das camadas convolucionais. Os resultados
evidenciam que a combinação entre Grad-CAM e K-means aprimora não apenas a
acurácia na detecção de fissuras, mas também a transparência do processo
decisório, aspecto crítico para aplicações reais em monitoramento
estrutural. Para mensurar objetivamente o grau de explicabilidade dos
modelos, foi proposta uma nova métrica baseada na sobreposição entre as
máscaras geradas pelos mapas de ativação das técnicas de explicabilidade e
os segmentos resultantes da clusterização, permitindo avaliar a coerência
espacial entre as regiões de interesse destacadas pelo modelo e as áreas
efetivamente associadas às fissuras. Embora o desempenho da segmentação
tenha sido majoritariamente satisfatório, foram identificadas limitações em
imagens com alta complexidade visual. A seleção automatizada de camadas
mais relevantes para análise foi validada por especialistas em engenharia
civil, o que reforça a viabilidade prática da proposta. Ressalta-se o
ineditismo da abordagem com foco público em explicabilidade no contexto da
classificação de fissuras em concreto, com código-fonte disponibilizado
abertamente no GitHub. Como continuidade, recomenda-se a incorporação de
técnicas de segmentação mais robustas e a ampliação do conjunto de dados
para abranger maior diversidade de padrões fissurais.

A irrigação de precisão em ambientes controlados, como estufas, exige o
monitoramento contínuo e remoto da umidade do solo. No entanto, os métodos
tradicionais baseiam-se, em geral, em medições pontuais, o que dificulta
uma avaliação abrangente do estresse hídrico em todas as plantas
cultivadas. Como alternativa promissora, técnicas de visão computacional
têm se destacado por sua capacidade de extrair informações relevantes a
partir de imagens de plantas.
Este estudo propõe uma nova abordagem para o monitoramento da umidade do
solo com base na análise de imagens de plantas, utilizando dispositivos de
baixo custo e com exigências computacionais mínimas. A metodologia parte da
hipótese de que alterações na coloração das folhas podem atuar como
indicadores precoces de estresse hídrico, sendo essas mudanças detectáveis
por meio de imagens RGB.
A pesquisa descreve o desenvolvimento e a instalação de um sistema de
fenotipagem em uma tenda de cultivo equipada com irrigação automatizada,
permitindo o acompanhamento do desenvolvimento de plantas sob diferentes
condições de estresse hídrico. Os resultados obtidos reforçam a viabilidade
da aplicação de sistemas inteligentes de sensoriamento na agricultura,
apontando caminhos para pesquisas futuras na detecção precoce de problemas
fitossanitários.

Esta dissertação examina o papel dos indicadores de análise técnica (AT) como variáveis engenheiradas em pipelines de machine learning financeiro para desenvolvimento de estratégias

de trading, contrastando seu desempenho com modelos que se baseiam exclusivamente em dados brutos de mercado (candles e informações de order book). O trabalho está estruturado conforme o seguinte sumário: o Capítulo 1 apresenta objetivos, hipóteses e revisão bibliográfica; o Capítulo 2 aborda mercados, instrumentos cripto, métodos de AT, paradigmas de ML e desafios de séries temporais; o Capítulo 3 detalha fontes de dados, pré-processamento (retornos logarítmicos, transformação de Yeo–Johnson), construção de variáveis (brutas vs AT) e o fluxo experimental; o Capítulo 4 descreve o desenvolvimento e a seleção de modelos e identifica o melhor pipeline de classificação com AT; o Capítulo 5 converte as previsões do modelo em regras de trading, implementa backtests (divisão de dados, testes walk-forward, modelagem de custos e slippage, otimização de parâmetros) e avalia o desempenho da estratégia; e o Capítulo 6 discute os principais achados, limitações e direções futuras. O conjunto de dados deste estudo é composto pelas criptomoedas de maior capitalização de mercado, garantindo uma avaliação robusta em condições voláteis. Os experimentos demonstram que os indicadores de AT melhoram a acurácia de classificação fora da amostra e promovem um agrupamento mais coeso dos regimes de mercado. Além disso, verificou-se que os dados permitem gerar alfas em backtests sem custos que superam as linhas de base com variáveis brutas. Contudo, quando são incorporados custos de transação realistas e slippage, esses retornos excedentes desaparecem, evidenciando consistência com a Hipótese de Mercado Eficiente em sua forma fraca. Nossos resultados sugerem que, embora as variáveis de AT possam aprimorar o aprendizado do modelo, elas não se traduzem em lucros de trading persistentes após custos, oferecendo insights críticos para pesquisadores e profissionais que visam desenvolver estratégias de engenharia de variáveis em mercados cripto voláteis.

O presente trabalho busca entender como técnicas mais recentes de inteligência artificial generativa—como os Modelos de Linguagem de Grande Escala (LLMs) e
a Geração Aumentada por Recuperação (RAG) podem ser aplicadas no diagnóstico
de doenças em plantas. O estudo envolve a criação do LIMMO, um agente conver-
sacional multimodal pensado para ajudar agricultores familiares por meio de conver-
sas em linguagem natural e também pelo envio de imagens. Combinando modelos
avançados de linguagem, análise de imagem com redes neurais e recuperação de in-
formações especializadas, o sistema tenta lidar com alguns dos principais desafios do
campo, como a falta de acesso a dados confiáveis e a dificuldade de conseguir apoio
técnico em tempo real. Ao longo do trabalho, é feito um panorama sobre a evolução
da IA generativa, as formas de avaliar esses modelos, e as ferramentas que estão
surgindo para facilitar esse tipo de aplicação. A metodologia propõe uma abordagem
que mistura análise de imagem e voz com mecanismos de busca por conhecimento
especializado, buscando tornar as respostas mais precisas e úteis para quem usa. O
protótipo foi testado e avaliado por usuários, e os resultados mostram que esse tipo
de solução tem potencial para tornar o conhecimento técnico mais acessível e apoiar
melhor as decisões no campo, principalmente em contextos com poucos recursos. Os
testes indicam que é possível unir IA generativa com saber agronômico de forma efi-
caz, mesmo que ainda existam desafios, como a qualidade dos dados, a forma como
as pessoas interagem com o sistema e a possibilidade de escalar a solução. Para o
futuro, o trabalho aponta caminhos que envolvem adaptar melhor o sistema ao con-
texto dos usuários, considerar questões éticas no uso da tecnologia, e acompanhar a
rápida evolução da IA para continuar respondendo aos problemas reais da agricultura.

A crescente facilitação do acesso à justiça no Brasil tem resultado em um
aumento exponencial da demanda processual, impondo desafios significativos
para magistrados e servidores judiciários. Embora a mineração de processos
ofereça potencial para identificar gargalos operacionais e otimizar fluxos
de trabalho nos tribunais, sua adoção permanece limitada devido à
complexidade técnica das ferramentas existentes e à escassez de interfaces
intuitivas para profissionais jurídicos sem formação especializada em
análise de dados.
Esta pesquisa investigou a aplicação de Large Language Models (LLMs) como
interfaces cognitivas para democratizar o acesso à mineração de processos
no contexto judicial brasileiro. O estudo empregou dados estruturados da
plataforma Judiciário & Mineração de Processos (JuMP), desenvolvida em
parceria entre o CNJ e a UFPE, utilizando logs de eventos e artefatos
derivados de cinco unidades jurisdicionais para avaliar comparativamente
duas estratégias de interação: engenharia de prompts diretos e uma
arquitetura baseada em agentes inteligentes que integra LLMs com
ferramentas computacionais auxiliares.
A metodologia experimental envolveu a utilização sistemática dos modelos
proprietários GPT-4o e Gemini 2.0 Flash, submetidos à avaliação mediante um
conjunto de questões analíticas co-projetadas com especialistas do domínio
jurídico. Os critérios de avaliação abrangeram clareza do raciocínio,
aderência contextual, ausência de alucinações e precisão numérica. Os
resultados evidenciaram superioridade significativa da estratégia baseada
em agentes sobre a interação direta, demonstrando maior capacidade de
processamento de datasets volumosos, execução de raciocínio multi-etapas e
resolução de computações complexas, enquanto a abordagem direta revelou-se
adequada exclusivamente para consultas de menor complexidade computacional.
Não obstante a estratégia baseada em agentes tenha apresentado desempenho
consistentemente superior em tarefas de agregação e computações
condicionais, nenhuma das abordagens alcançou precisão absoluta em
consultas de elevada complexidade temporal e lógica. Conclui-se que os
LLMs, particularmente quando implementados em arquiteturas de agentes
inteligentes com acesso a ferramentas externas, constituem uma solução
tecnologicamente viável para democratizar a mineração de processos entre
profissionais judiciários, contribuindo substancialmente para a
transformação digital do sistema judicial brasileiro e fomentando a tomada
de decisões fundamentada em evidências empíricas.

Ferramentas de merge não estruturadas são amplamente utilizadas na prática.
Ferramentas de merge estruturadas baseadas em ASTs apresentam uma precisão
de merge significativamente melhor, mas são específicas para cada linguagem
e custosas, o que faz com que não estejam disponíveis para muitas
linguagens de programação.
Essa restrição limita a adoção de ferramentas estruturadas na indústria, já
que muitas equipes trabalham com múltiplas linguagens e não podem arcar com
a manutenção de uma ferramenta de merge separada para cada uma delas.
Para melhorar a precisão do merge em uma ampla variedade de linguagens,
propomos LASTMerge, uma ferramenta de merge estruturada genérica que pode
ser configurada por meio de uma interface simples, reduzindo
significativamente o esforço necessário para dar suporte ao merge
estruturado.
Para entender o impacto que uma ferramenta de merge estruturada genérica
pode ter na precisão e no desempenho do merge, conduzimos um experimento
com quatro ferramentas de merge estruturado: duas específicas para Java,
jDime e Spork, e suas contrapartes genéricas, respectivamente LASTMerge e
Mergiraf.
Utilizando cada ferramenta, reexecutamos cenários de merge de um conjunto
de dados significativo e coletamos dados sobre tempo de execução,
divergências comportamentais e precisão do merge.
Nossos resultados mostram que não há evidências de que o merge estruturado
genérico impacte significativamente a precisão do merge.
Embora observemos uma taxa de diferença de aproximadamente 10% entre as
ferramentas específicas para Java e suas contrapartes genéricas, a maioria
das diferenças decorre de detalhes de implementação e poderia ser evitada.
LASTMerge reporta 15% menos falsos positivos que o jDime, enquanto o
Mergiraf deixa de identificar 42% menos falsos negativos que o Spork.
Ambas as ferramentas genéricas apresentam desempenho de tempo de execução
comparável às implementações específicas por linguagem mais avançadas.
Também exploramos o esforço necessário para configurar LASTMerge para uso
com linguagens de programação, configurando-o para uso com Java e C#.
Verificamos que o esforço é significativamente menor do que o necessário
para manter uma ferramenta de merge específica por linguagem, exigindo
apenas um conhecimento mínimo da estrutura da linguagem de programação.
Além disso, essa configuração pode ser melhorada de forma incremental ao
longo do tempo, conforme a ferramenta é usada na prática, para aprimorar a
precisão do merge nos diversos cenários encontrados.
Esses resultados sugerem que ferramentas de merge estruturadas genéricas
podem substituir efetivamente as ferramentas específicas por linguagem,
abrindo caminho para uma adoção mais ampla do merge estruturado na
indústria.

Esta dissertação aborda o desenvolvimento da plataforma EdgeWidgets,
envolvendo as motivações, arquitetura, estruturas de testes, validação e
metodologia aplicada. A plataforma implementa recursos comuns para
aplicações de gerenciamento IoT, como listagem de dispositivos, widgets e
dashboards, com atenção especial aos aspectos de escalabilidade e
configurações de infraestrutura.
O foco da utilização concentra-se em um cenário de medição de estabilidade
de encostas, replicando sensores equivalentes aos encontrados neste
ambiente e simulando a comunicação pela rede. O estudo investiga possíveis
estratégias de controle de risco utilizando a própria infraestrutura de
rede como base.
Foram elaborados dois estudos de caso utilizando-se dos processos
relacionados tanto ao nível ambiental quanto à rede. O primeiro estudo
apresenta questões vinculadas a deslizamentos, seus principais fatores e
como as funções de rede 5G podem auxiliar na análise de riscos de eventos
climáticos.
O segundo estudo de caso foca na utilização da plataforma para receber
informações de sensores de inclinação, analisando o desempenho de métricas
relevantes como latência e delay em protocolos distintos (MQTT e HTTP).
A investigação contribui com soluções que interagem com formatos já
existentes de monitoramento ambiental, além de sugestões e análises sobre
possíveis novas adoções no campo de estudo.

Embora modelos clássicos predominem na análise de sentimentos, entender
como propriedades intrínsecas de circuitos quânticos variacionais (VQCs)
afetam sua eficácia torna-se essencial à medida que o hardware quântico
evolui. A expressividade de um VQC indica quantos estados quânticos
distintos são possíveis de serem gerados, enquanto a métrica de
emaranhamento mensura o grau de correlação quântica desses mesmos estados
gerados. Neste estudo, ambas as medidas são analisadas no contexto de
análise de sentimentos em conjuntos de textos sintéticos e reais,
relacionando-as ao desempenho de diversos VQCs e comparando-os a abordagens
clássicas. Tendo em vista um menor custo computacional, avalia-se também a
redução de dimensionalidade dos vetores que representam os textos. Além
disso, propõem-se diferentes esquemas de ensemble de VQCs a fim de
investigar o impacto na performance. Os resultados revelam que a redução
dimensional afeta de modo pouco significativo o desempenho final por meio
de modelos geradores de representação numérica que concentram a informação
nos primeiros componentes. Somado a isso, circuitos com alta expressividade
e emaranhamento alcançam resultados melhores em comparação a modelos sem
essas características, e alguns VQCs exibem desempenho equiparável ao de
modelos clássicos. Entretanto, observa-se um desempenho inferior dos VQCs
em base real desbalanceada, evidenciando uma maior sensibilidade desses
circuitos neste tipo de cenário.

Smartphones modernos armazenam dados sensíveis dos usuários, incluindo
informações pessoais, rotas e credenciais bancárias. As ameaças à segurança
desses dispositivos são vistas como vulnerabilidades, i.e., fraquezas no
hardware ou no software que podem se tornar a porta de entrada para hackers
acessarem o dispositivo. Como os testes realizados na fase de pré-venda nem
sempre conseguem eliminar todas as vulnerabilidades existentes, empresas
buscam também identificar essas vulnerabilidades no pós-venda o mais rápido
possível, a fim de evitar que os usuários sejam afetados. Nessa fase, os
relatos técnicos disponibilizados na Web por usuários avançados ou hackers
são uma rica fonte de informação, pois trazem descrições detalhadas de como
quebrar a segurança dos dispositivos, agilizando assim o trabalho dos
desenvolvedores. Contudo, considerando a grande quantidade de relatos
disponíveis e a alta frequência de novas publicações, o processo manual de
busca de informação atualmente adotado em algumas empresas não é eficaz,
sendo ainda demorado e dispendioso. Nesse contexto, o objetivo geral deste
trabalho foi investigar a identificação automática de vulnerabilidades em
sistemas operacionais (SO) de smartphones a partir de relatos e vídeos
disponíveis na Internet. Apesar da relevância do tema, não foram
identificados, até o momento, trabalhos na literatura com abordagem
semelhante focando a extração automatizada de vulnerabilidades via Web.
Especificamente, focamos o trabalho no SO Android, que é o mais popular em
uso nos smartphones. Um sistema protótipo foi desenvolvido com base em
técnicas como Web scraping, Mineração de Textos, Processamento de Linguagem
Natural e Modelos de Linguagem de Grande Escala (LLMs) para a coleta e
análise de dados relevantes com precisão e rapidez. Os dados tratados são
armazenados em um banco de dados, e os resultados são apresentados através
de uma interface de consulta. O estudo de caso foi realizado com foco na
quebra da Proteção de Redefinição de Fábrica (Factory Reset Protection –
FRP) para acesso indevido aos smartphones, por se tratar de uma
vulnerabilidade crítica. Testes do protótipo com usuários da empresa
parceira, Motorola Mobility, demonstraram resultados muito satisfatórios,
com uma ótima aceitação por parte dos profissionais que o utilizaram. Este
trabalho foi conduzido no contexto de uma colaboração na área de Teste de
SW entre o CIn-UFPE e a Motorola Mobility, uma empresa global especializada
no desenvolvimento de dispositivos móveis.

Com o avanço das tecnologias da informação, a quantidade de dados disponíveis tem
crescido rapidamente, trazendo desafios significativos para o armazenamento e processamento em termos de recursos computacionais. Esse crescimento ocorre tanto no número
de exemplos quanto na quantidade de características que descrevem esses dados. Uma
alternativa para lidar com esse cenário é realizar uma análise exploratória inicial a partir
de um baixo volume de dados (small data analysis). Isso pode resultar não apenas
na redução da quantidade de dados a serem processados, mas também na melhoria da
qualidade desses dados durante o treinamento de algoritmos de aprendizado de máquina
(AM). No entanto, apenas reduzir o número de exemplos, especialmente quando estes
possuem alta dimensionalidade, configura o que se conhece como “maldição da
dimensionalidade”. Esse fenômeno ocorre quando um pequeno número de exemplos é
descrito por centenas ou milhares de características, tornando a análise ainda mais desafiadora.
Nessas situações, o uso de técnicas de redução de dimensionalidade a partir de um
número limitado de exemplos torna-se essencial para realizar uma análise mais eficiente e
humanamente mais acessível, uma vez que permite a interpretação dos dados a partir de
uma quantidade menor de exemplos e em uma baixa dimensionalidade. Diferentemente
dos métodos convencionais de redução de dimensionalidade, como PCA, que geram novas
características através de transformações no conjunto original de dados, os métodos não
supervisionados de seleção de características, focam na identificação, sem necessitar de
uma rotulagem prévia dos dados, das características mais relevantes. Isso possibilita uma
maior interpretabilidade de padrões naturais dos dados. No entanto, existem situações em
que os padrões ou clusters de dados se manifestam apenas em subconjuntos específicos de
características, chamados de subespaços. Além disso, pode ocorrer que os dados originais
não possuam características relevantes, exigindo, assim, a geração de novas características
para a identificação desses subespaços. Neste sentido, esta pesquisa visa explorar duas
maneiras de lidar com conjuntos de dados de alta dimensionalidade que possuem uma
baixa quantidade de exemplos. O primeiro trabalho refere-se a uma nova abordagem de
seleção de características não supervisionadas e o segundo propõe um método de
agrupamento a partir de subespaços de dados. Para validar a eficácia dos métodos propostos,
foram realizados experimentos em conjuntos de dados reais e sintéticos. Os resultados
demonstraram que os métodos propostos tiveram um bom desempenho em comparação
com outros métodos do estado-da-arte, conforme evidenciado pelas métricas de análise de
cluster amplamente utilizadas. Testes estatísticos também foram realizados para fornecer
um suporte mais forte aos resultados relatados.

O compartilhamento de dados científicos primários exerce um impacto 
relevante no desenvolvimento de estudos e pesquisas no mundo científico. 
Dentre os desafios regulatórios e éticos que esse contexto impõe, 
destaca-se a situação no Brasil, que ainda carece de uma política nacional 
integrada capaz de orientar a implementação prática da Ciência Aberta no 
país. Essa realidade traz preocupações, pois diversos desafios precisam ser 
enfrentados para garantir infraestrutura e recursos adequados à ampla 
disseminação de dados de pesquisa. Esta tese buscou oferecer uma visão 
aprofundada da complexa interação de fatores que influenciam os 
pesquisadores no compartilhamento de dados de pesquisa abertos. Seu 
objetivo foi propor um modelo teórico que caracteriza os fatores 
intervenientes no compartilhamento de dados de pesquisa durante o contexto 
da recente pandemia de COVID-19. A pesquisa é de natureza qualitativa e 
adota um pressuposto filosófico construtivista. Para a coleta de dados, 
foram utilizadas estratégias de Mapeamento Sistemático da Literatura e 
entrevistas semiestruturadas com seis cientistas das áreas de epidemiologia 
e genética humana, vinculados a três renomadas instituições do Estado de 
Pernambuco.  Na análise dos dados, aplicaram-se as técnicas de Análise 
Temática e Análise de Conteúdo, com o auxílio do software Atlas.ti 24 para 
a gestão dos dados qualitativos. Essas estratégias permitiram identificar 
26 fatores, dos quais 18 foram extraídos da literatura e 8 emergiram do 
estudo empírico. Esses fatores foram associados a 11 categorias, 
organizadas em 4 dimensões analíticas que representam as barreiras ao 
compartilhamento de dados de pesquisa. A triangulação dos achados da 
literatura com os resultados empíricos, integrada à relação entre as 
networks compostas pelas dimensões, categorias e fatores, resultou no 
modelo OpenDaRE (Open Data Research Empowerment), formando um continuum 
entre a literatura e as novas contribuições geradas nesta tese. O aporte 
metodológico utilizado na construção do OpenDaRE baseou-se na proposta 
teórico-metodológica para elaboração de modelos teóricos de Souza Filho e 
Struchiner (2021). O modelo foi avaliado e validado por especialistas a 
partir de dois grupos focais. Como principais resultados, constatou-se que, 
entre as múltiplas barreiras institucionais, culturais, tecnológicas e 
financeiras que dificultam o compartilhamento de dados nas instituições 
investigadas, os fatores motivacionais desempenham um papel central. As 
atitudes e convicções pessoais dos pesquisadores revelaram-se os principais 
impulsionadores para o compartilhamento de dados. A análise também sugere 
que o compartilhamento de dados não é uma prática comum, mesmo em situações 
de emergência de saúde pública, como a pandemia de COVID-19. Como 
contribuição, espera-se que o reconhecimento dos fatores intervenientes no 
compartilhamento de dados de pesquisa, abordados neste estudo, forneça 
insights relevantes tanto para as instâncias governamentais quanto para as 
instituições de pesquisa. Esses insights poderão subsidiar a tomada de 
decisão no planejamento e otimização de políticas públicas e internas, 
serviços de informação e estratégias para responder a possíveis futuras 
pandemias. Por fim, a pesquisa propõe sugestões para estudos futuros que 
possam enfrentar barreiras e resistências à abertura de dados de pesquisa, 
mesmo em contextos de crise. Esta pesquisa foi aprovada pelos Comitês de 
Ética em Pesquisa Humana da UFPE e do IAM.

Os algoritmos de aprendizado de máquina que auxiliam na tomada de decisão 
estão se tornando cruciais em diversas áreas, como saúde, finanças e 
marketing. Quando expostos a uma quantidade maior e mais relevante de dados 
de treinamento, tendem a apresentar melhor desempenho. No entanto, a 
disponibilidade de dados rotulados sem a intervenção de especialistas 
humanos é uma tarefa desafiadora, especialmente no aprendizado em fluxo de 
dados com mudanças de conceito, em que os dados são gerados rapidamente, em 
tempo real e com a possibilidade de alterações na distribuição de 
probabilidade. As mudanças de conceito ocorrem em ambientes de aprendizado 
supervisionado, semi-supervisionado e não supervisionado, sendo abordadas 
em diferentes áreas, como estatística, aprendizado de máquina, entre 
outras. Atualmente, o uso de detectores de mudanças com classificadores 
base em aprendizado semi-supervisionado é incomum. Classificadores 
semi-supervisionados frequentemente consomem muita memória e tempo de 
execução, e a adição de um mecanismo de detecção aumenta o custo 
computacional. Além disso, a classificação em ambientes 
semi-supervisionados pode levar a problemas relacionados à rotulagem de 
dados para treinamento. Um erro nesse processo pode impactar negativamente 
o desempenho do modelo. Esta pesquisa explora e traz como contribuição os 
seguintes pontos: 1) o uso de detectores de mudanças de conceito 
supervisionados em problemas de aprendizado semi-supervisionado, destacando 
como os detectores podem melhorar o desempenho da classificação; 2) a 
influência da diversidade em comitês de classificadores, mostrando que o 
aumento nesse parâmetro contribui para maior precisão e robustez dos 
modelos em cenários com mudanças de conceito; 3) introduz uma abordagem de 
self-training (auto-treinamento) para fornecer mais rótulos e otimizar o 
aprendizado e a adaptação do modelo; e, por fim, 4) detalha as modificações 
realizadas no framework Massive Online Analysis (MOA) para dar suporte a 
simulação em cenários semi-supervisionados. Os experimentos realizados para 
testar a abordagem proposta utilizaram Hoeffding Tree (HT) e Naïve Bayes 
(NB) como classificadores base, que também foram empregados como membros 
dos comitês nesta pesquisa. Esses classificadores foram combinados com 
vários detectores e testados em um total de 84 conjuntos de dados 
artificiais e cinco conjuntos de dados reais. Os experimentos foram 
conduzidos com 15\% e 30\% de dados rotulados, as principais porcentagens 
abordadas neste estudo, enquanto 25\% e 100\% foram utilizados para 
fornecer suporte adicional em alguns casos. Os resultados indicam que 
detectores desenvolvidos para aprendizado supervisionado podem ser 
utilizados de forma eficaz em ambientes semi-supervisionados. Além disso, 
os testes com a abordagem de self-training demonstram que a inclusão de 
rótulos adicionais melhora significativamente o desempenho dos 
classificadores. Essas descobertas podem levar a uma mudança de paradigma 
em pesquisas futuras, uma vez que muitos pesquisadores não consideram os 
detectores de mudanças de conceito como uma alternativa viável devido à 
disponibilidade limitada de rótulos na maioria dos fluxos de dados do mundo 
real.

A adesão bacteriana a superfícies rugosas desempenha um papel essencial na 
formação de biofilmes, impactando a saúde, a indústria e o meio ambiente. 
Este trabalho apresenta um modelo numérico inovador que combina o método da 
Hidrodinâmica de Partículas Suavizadas (SPH) com o potencial de 
Lennard-Jones (LJ) para investigar os mecanismos iniciais de adesão de 
bactérias individuais rígidas a superfícies rugosas. Implementado no 
framework PySPH, o modelo permite simular interações intermoleculares e 
hidrodinâmicas, superando limitações de teorias tradicionais, como as 
teorias termodinâmica, a teoria Derjaguin-Landau-Verwey-Overbeek (DLVO), 
DLVO estendida (XDLVO), o Método da Aproximação de Derjaguin (DA) e o 
Método de Integração de Elementos de Superfície (SEI). Dados experimentais 
obtidos por Microscopia de Força de Cisalhamento (ShFM) e estudos prévios 
sobre a adesão da bactéria Staphylococcus aureus foram utilizados para 
analisar o impacto da rugosidade do substrato. Comparações com resultados 
existentes na literatura, utilizando o método da Dinâmica Molecular (MD), 
demonstraram a precisão e a consistência do modelo proposto. Este trabalho 
estabelece uma base para o desenvolvimento de modelos mais abrangentes, 
capazes de incorporar propriedades adicionais de bactérias e otimizar o 
controle de biofilmes em aplicações práticas.

O termo competência remete a um conjunto de aptidões que permite resolver 
situações mobilizando diferentes recursos cognitivos, isto é, saberes, 
valores e raciocínio. Ela se manifesta durante a execução de atividades 
visto que requer avaliação de recursos disponíveis e o discernimento em 
tempo real e é adquirida de forma processual sob um processo de 
aprendizagem contínua. Nossa proposta de tese está amparada na Didática 
Profissional e na autorregulação da aprendizagem e consolida artifícios 
para que os próprios estudantes regulem o desenvolvimento de suas 
habilidades técnicas com vista ao aperfeiçoamento das competências 
profissionais. A pesquisa foi realizada através da consolidação de 
resultados de seis estudos sucessivos que abordam revisões da literatura, 
análises etnográficas do contexto de investigação, processo de concepção e 
validação da plataforma, bem como, a análise da efetividade, da 
atratividade e dos benefícios de sua utilização. Concebemos, nesta 
pesquisa, uma plataforma web composta por mídias digitais para observação 
do exercício profissional e por recursos funcionais para o registro de 
ações de planejamento, execução e autoanálise que contribuem para a 
autorregulação da aprendizagem. Entendemos que a autorregulação do 
desenvolvimento de habilidades profissionais aplicadas ao ensino técnico é 
um caminho para uma maior autonomia do estudante (aprendiz em formação) e 
para o exercício profissional do futuro trabalhador (aprendiz ao longo da 
vida).

A adoção crescente de novas tecnologias digitais não apenas promove maior acesso a ferramentas que otimizam atividades cotidianas, como também amplia as oportunidades para a exploração criminosa no ambiente digital, gerando perdas significativas para indivíduos, organizações e governos. No centro de muitos ataques cibernéticos recentes está uma ameaça conhecida como \emph{Advanced Persistent Threats} (APT). Em ataques APT, os agentes estabelecem um ponto de apoio inicial e expandem furtivamente sua presença na rede até alcançar objetivos como roubo de dados e sabotagem. O movimento lateral, etapa decisiva do ataque, ajuda a consolidar a presença do adversário na rede do alvo. Autenticações anômalas, frequentemente indicativas de alternâncias não autorizadas entre os dispositivos, são indicadores-chave desse estágio. A identificação de tais eventos tem o potencial de mitigar o movimento lateral e atrasar o avanço de um ataque em curso. Como as interações em redes de computadores formam grafos, algoritmos como Graph Neural Networks (GNN) podem identificar relações incomuns. No entanto, o sucesso na detecção de tais anomalias usando esses algoritmos está condicionado à sua capacidade de representação de grafos. A agregação eficaz de embeddings de nó em GNNs é determinante para representar devidamente a topologia do grafo, algo que muitos métodos ainda não alcançam plenamente. Além disso, a complexidade computacional de abordagens mais sofisticadas, como as baseadas em Transformers, é outro desafio em grafos de grande escala, apesar de melhorarem a captura de padrões em nós distantes. Neste trabalho, exploramos GNNs e Transformers no problema da detecção de acessos não autorizados em redes de computadores em dois experimentos complementares. Em um primeiro estudo, propomos uma abordagem baseada em predição de links entre os vértices, com um mecanismo \emph{soft-attention} que facilita a agregação de representações de nó ao filtrar informações irrelevantes dos vértices. No segundo estudo, exploramos avanços recentes da literatura para a arquitetura transformer em grandes grafos e propomos uma nova abordagem baseada em classificação de vértices para detecção de autenticações anômalas que lida com a dependência temporal entre os eventos, considerando diferentes níveis de granularidade. Os modelos propostos foram treinados em \emph{datasets} públicos contendo registros de autenticação em redes corporativas. Os resultados experimentais mostraram que os métodos propostos superam as abordagens concorrentes estado da arte na detecção de autenticações anômalas.

A pesquisa foca na teoria da criação de conhecimento organizacional, 
utilizando a espiral do conhecimento e o modelo SECI para entender o 
processo contínuo de aquisição e transferência de conhecimento. Enfatiza a 
importância do conhecimento tácito na inovação e aprendizado 
organizacional. A criação de conhecimento organizacional, conforme Nonaka e 
Takeuchi, baseia-se na espiral do conhecimento, que evolui desde a 
socialização até a internalização, integrando conhecimento tácito e 
explícito. Este projeto explora a aplicação desta teoria na educação, com 
ênfase na troca de experiências e apropriação do conhecimento por 
professores para o planejamento de aulas. A pesquisa visa abordar os 
desafios enfrentados pelos professores no compartilhamento de experiências 
profissionais e na apropriação do conhecimento em ambientes colaborativos 
online. É enfatizada a complexidade da profissão docente e a necessidade de 
formação continuada, integrando aprendizagem colaborativa e tecnologia. O 
objetivo é desenvolver uma funcionalidade para plataforma colaborativa 
Inovaula.com para facilitar a troca de experiências profissionais no 
contexto do planejamento de aulas, visando aprimorar a apropriação do 
conhecimento por professores. A metodologia adotada inclui a aplicação de 
técnicas de etnografia digital e cognição situada, para investigar as 
práticas de planejamento de aula dos professores. Utiliza-se também Design 
Science Research para desenvolver e avaliar artefatos (sistema/plataforma) 
que solucionam problemas práticos, promovendo a convergência entre teoria e 
prática. Espera-se que a plataforma Inovaula.com evolua para apoiar 
efetivamente o planejamento colaborativo, a criação e a apropriação de 
conhecimento entre professores. Dessa forma, será possível uma interação 
mais rica e estruturada entre os docentes, o que aumentará a capacidade de 
aprimoramento profissional contínuo. Dessa forma, isso contribuirá para a 
evolução das práticas pedagógicas e para o aperfeiçoamento profissional dos 
educadores, o que aumentará a qualidade do ensino e enriquecerá a 
experiência de aprendizagem dos alunos.

Os testes de software são atividades essenciais para o desenvolvimento e a 
manutenção eficiente de um produto. Durante o ciclo de vida do software, 
diferentes tipos de teste são executados para garantir que as 
funcionalidades foram implementadas corretamente, ou para encontrar erros. 
Quando casos de teste falham, requisições de mudança (do inglês, Change 
Requests - CRs) descrevendo os erros encontrados são criadas pelos 
testadores e armazenadas nos repositórios associados a ferramentas de 
gerenciamento de software. As CRs são então inspecionadas em um processo de 
triagem, que visa identificar a criticidade dos erros e direcionar as 
requisições para as áreas responsáveis. A criticidade das CRs irá 
determinar com qual nível de urgência os problemas relatados devem ser 
resolvidos. O processo de triagem costuma ser uma atividade custosa e 
demorada, pois geralmente é realizada manualmente. Como uma solução, a 
triagem pode ser automatizada com o uso de técnicas de Aprendizado de 
Máquina (AM) para classificar automaticamente a criticidade das CRs. Embora 
algoritmos tradicionais de AM tenham sido utilizados extensivamente na 
literatura para lidar com tarefas de classificação de texto dentro de 
domínios específicos, o desempenho de tais algoritmos pode se tornar 
incerto em ambientes de fluxos de dados na presença de mudanças de 
conceito. Fluxos de dados são comumente caracterizados por uma sequência de 
instâncias que se tornam disponíveis continuamente ao longo do tempo, sendo 
geradas de forma dinâmica e potencialmente ilimitadas em tamanho. Dessa 
forma, uma mudança de conceito significa que as propriedades dos dados se 
tornam não-estacionárias, e indicam que a estrutura e o conhecimento retido 
pelos modelos induzidos previamente podem se tornar obsoletos para a 
classificação de novos dados. Com isso, se torna imprescindível desenvolver 
aplicações mais precisas para tomada de decisão baseadas em dados. Neste 
sentido, esta dissertação investiga o uso de algoritmos de AM Online, bem 
como métodos de detecção de mudanças de conceitos, com o objetivo de 
resolver o problema de classificação de criticidade de CRs em um ambiente 
de fluxo de dados não-estacionário. Este trabalho foi desenvolvido no 
contexto de uma colaboração entre o CIn-UFPE e a Motorola Mobility, e teve 
como objetivo a criação de uma aplicação para automatizar o processo de 
triagem e classificação de CRs. Os experimentos realizados para o 
desenvolvimento da aplicação apresentaram resultados bastante positivos, 
onde foi possível obter um modelo de classificação com a métrica 
Prequential-AUC de 80.23%, e uma Média Geométrica de 73.83%, sugerindo que 
a utilização de métodos de aprendizado online e algoritmos de detecção de 
mudança seja uma alternativa adequada para a resolução do problema em 
questão.