O Engenheiro de Computação está apto a especificar, conceber, desenvolver, implementar, adaptar, produzir, industrializar, instalar e manter sistemas computacionais; integrar os recursos físicos e lógicos necessários para o atendimento no contexto informacional, computacional e de automação de organizações em geral. http://hdl.handle.net/123456789/2855 2026-09-15T12:05:41Z 2026-09-15T12:05:41Z SARAIVA, Delryson da Silva http://hdl.handle.net/123456789/11046 2026-09-14T18:29:57Z 2026-07-17T00:00:00Z

Título: Seguimento de trajetória com desvio de obstáculos em robôs móveis: uma análise comparativa entre controladores Autor(es): SARAIVA, Delryson da Silva Resumo: RESUMO: A navegação autônoma de robôs móveis depende de estratégias de controle capazes de garantir precisão no seguimento de trajetórias e estabilidade durante manobras de desvio de obstáculos. Este trabalho tem como objetivo comparar o desempenho de um controlador PID e de um controlador baseado em Lógica Fuzzy aplicados ao seguimento de trajetória em um robô móvel terrestre, por meio de simulações desenvolvidas no ambiente MATLAB. Para isso, foi implementado um ambiente modular de simulação contendo o modelo cinemático do robô, sensores virtuais, máquina de estados para gerenciamento da navegação, planejamento de desvio de obstáculos e os controladores avaliados. Foram definidos três cenários de teste, compostos por trajetória retilínea, curva em S e curva de 90°, todos contendo obstáculos posicionados sobre a rota planejada. O desempenho dos controladores foi avaliado por meio de métricas como erro quadrático médio, erro médio absoluto, tempo de acomodação e esforço de controle. Os resultados demonstraram que o controlador baseado em Lógica Fuzzy apresentou melhor desempenho no seguimento da trajetória, obtendo maior precisão e estabilidade durante a navegação quando comparado ao controlador PID. Conclui-se que a utilização da Lógica Fuzzy proporcionou uma estratégia de controle mais eficiente para as condições avaliadas, evidenciando seu potencial para aplicações de navegação autônoma em robôs móveis.___ABSTRACT: Autonomous navigation of mobile robots depends on control strategies capable of ensuring accurate trajectory tracking and stable behavior during obstacle avoidance maneuvers. This work aims to compare the performance of a PID controller and a Fuzzy Logic controller applied to trajectory tracking in a ground mobile robot through simulations developed in the MATLAB environment. For this purpose, a modular simulation environment was implemented, including the robot kinematic model, virtual sensors, a state machine for navigation management, obstacle avoidance planning, and the evaluated controllers. Three test scenarios were defined, consisting of a straight path, an S-shaped curve, and a 90-degree turn, all containing obstacles positioned along the planned trajectory. Controller performance was evaluated using metrics such as Root Mean Square Error (RMSE), Mean Absolute Error (MAE), settling time, and control effort. The results showed that the Fuzzy Logic controller achieved superior trajectory tracking performance, providing greater accuracy and stability during navigation when compared with the PID controller. It is concluded that the Fuzzy Logic approach provided a more efficient control strategy under the evaluated conditions, demonstrating its potential for autonomous navigation applications in mobile robots.

2026-07-17T00:00:00Z FONTENELE, Thallyson Gabriel Martins Correia http://hdl.handle.net/123456789/11000 2026-09-03T12:59:10Z 2026-07-13T00:00:00Z

Título: Comparative Evaluation of Class Balancing Strategies for Depression Detection in Reddit Posts Autor(es): FONTENELE, Thallyson Gabriel Martins Correia Resumo: Abstract. Real-world health datasets are often imbalanced, making it difficult to build effective predictive models. This study evaluates the impact of balancing techniques in detecting signs of depression in Reddit posts using the eRisk 2017 dataset. Four sampling strategies and a no-resampling approach were applied to Random Forest, XGBoost, and GLM models. Evaluation metrics included sensitivity, specificity, and AUC-ROC. Partial undersampling achieved an AUC-ROC of 0.72 with GLM (lambda = 1), while the combined method with oversampling reached 0.68 with RF (mtry = 126). The results highlight the importance of balancing techniques in mental health prediction tasks. Descrição: Resumo. Conjuntos de dados reais em saúde geralmente são desbalanceados, o que dificulta a construção de modelos preditivos eficazes. Este trabalho avalia o impacto de técnicas de balanceamento na detecção de sinais de depressão em postagens do Reddit, utilizando o conjunto de dados do eRisk 2017. Foram testadas quatro estratégias de amostragem e uma abordagem sem reamostragem, aplicadas aos modelos Random Forest, XGBoost e GLM. As métricas analisadas foram sensibilidade, especificidade e AUC-ROC. A subamostragem parcial atingiu AUC-ROC de 0,72 com GLM (lambda = 1), enquanto a combinação com superamostragem obteve 0,68 com RF (mtry = 126). Os resultados reforçam a importância de técnicas de balanceamento para predição em saúde mental.

2026-07-13T00:00:00Z COSTA, Stefhane Pereira http://hdl.handle.net/123456789/10998 2026-09-03T12:44:35Z 2026-07-20T00:00:00Z

Título: Análise comparativa de Inteligências Artificiais Generativas na intepretação de projetos pedagógicos de cursos de engenharias vinculados ao BICT: um estudo quantitativo e qualitativo Autor(es): COSTA, Stefhane Pereira Resumo: O crescimento das inteligências artificiais generativas tem ampliado as possibilidades de análise e interpretação de documentos complexos no contexto da educação superior. Neste trabalho, foi realizada uma comparação entre os modelos Gemini 2.5 Flash, LlaMA-3.3 70B versatile e mistral-small-latest quanto à capacidade de interpretar Projetos Pedagógicos de Curso (PPCs) de cinco cursos de Engenharia vinculados ao Bacharelado Interdisciplinar em Ciência e Tecnologia (BICT) da Universidade Federal do Maranhão. A pesquisa adotou uma abordagem qualitativa, utilizando uma arquitetura baseada em Retrieval-Augmented Generation (RAG), um protótipo web desenvolvido para envio padronizado de perguntas aos modelos e uma rubrica analítica composta pelos critérios de clareza, aderência ao documento, coerência, profundidade e fidelidade das informações. Ao todo, foram avaliadas 150 respostas geradas pelos modelos. Os resultados indicaram que o Gemini 2.5 Flash apresentou o desempenho mais consistente, seguido pelo mistral-small-latest, enquanto o LlaMA-3.3 70b versatile obteve menor desempenho, principalmente nos critérios de profundidade e aderência ao conteúdo dos PPCs. Também foi observado que todos os modelos produziram respostas claras e coerentes, mas ainda apresentaram limitações na interpretação de informações implícitas e na elaboração de análises mais aprofundadas. A análise realizada evidencia a potência que as inteligências artificiais generativas possuem para apoiar a interpretação de documentos acadêmicos, desde que seus resultados sejam utilizados com supervisão humana, contribuindo para aplicações mais seguras e eficientes no ambiente educacional. Descrição: The growth of generative artificial intelligence has expanded the possibilities for analyzing and interpreting complex documents within the context of higher education. This study compared the Gemini 2.5 Flash, LlaMA-3.3 70B Versatile, and MistralSmall-Latest models regarding their ability to interpret Course Pedagogical Projects (PPCs) from five engineering programs linked to the Interdisciplinary Bachelor’s Degree in Science and Technology (BICT) at the Federal University of Maranhão. The research adopted a qualitative approach, utilizing an architecture based on RetrievalAugmented Generation (RAG), a web prototype developed for the standardized submission of questions to the models, and an analytical rubric comprising criteria for clarity, adherence to the document, coherence, depth, and information fidelity. A total of 150 model-generated responses were evaluated. The results indicated that Gemini 2.5 Flash demonstrated the most consistent performance, followed by Mistral-SmallLatest, while LlaMA-3.3 70B Versatile performed less effectively, particularly regarding depth and adherence to the PPC content. It was also observed that, while all models produced clear and coherent responses, they still exhibited limitations in interpreting implicit information and generating in-depth analyses. The analysis highlights the potential of generative AI to support the interpretation of academic documents— provided the results are used with human oversight—thereby contributing to safer and more efficient applications within the educational environment.

2026-07-20T00:00:00Z CUTRIM, Patrick Moraes http://hdl.handle.net/123456789/10995 2026-09-03T12:37:37Z 2026-07-20T00:00:00Z

Título: Estratégias de Balanceamento de dados em Machine Learning: Uma análise interclasse e intraclasse Autor(es): CUTRIM, Patrick Moraes Resumo: O desbalanceamento de dados constitui um desafio fundamental no campo do aprendizado de máquina, afetando diretamente a confiabilidade de modelos preditivos em domínios sensíveis como o setor financeiro e a saúde. Embora o desequilíbrio interclasse tenha sido o foco histórico das pesquisas, o fenômeno do desbalanceamento intraclasse — caracterizado pela distribuição desigual de padrões e níveis de dificuldade no interior de uma mesma categoria — apresenta-se como um obstáculo crítico à capacidade de generalização dos algoritmos. Este trabalho explora estratégias de mitigação para ambos os níveis de desbalanceamento, conduzindo uma análise experimental em dois domínios de alta criticidade: a detecção de fraudes em transações de cartão de crédito e a classificação de tumores cerebrais em imagens de ressonância magnética. A metodologia adota uma abordagem bimodal: para os dados tabulares, empregam-se técnicas de reamostragem híbrida e adaptativa, como SMOTE-ENN e ADASYN, combinadas a modelos de Gradient Boosting de alto desempenho (XGBoost, LightGBM e CatBoost); para as imagens médicas, recorre-se a arquiteturas com mecanismos de atenção, incluindo a EfficientNet-B0 com CBAM e o Swin Transformer. A eficácia das abordagens é auditada por meio de um protocolo de validação cruzada estratificada, fundamentado em métricas adequadas a distribuições assimétricas, como F1-Score, AUC-ROC e GMean. Os resultados demonstram que a incorporação da diversidade interna das classes ao processo de treinamento resulta em modelos mais robustos: no domínio financeiro, os algoritmos de Gradient Boosting alcançaram desempenho equivalente, com G-Mean de 0,9245 para o CatBoost, enquanto no diagnóstico oncológico o Swin Transformer atingiu G-Mean de 0,9773 e acurácia de 97,74%. Conclui-se que o tratamento explícito do desbalanceamento intraclasse é determinante para a identificação confiável de subgrupos minoritários, reforçando a robustez e a equidade preditiva dos sistemas. Descrição: Data imbalance constitutes a fundamental challenge in machine learning, directly affecting the reliability of predictive models in sensitive domains such as the financial sector and healthcare. Although inter-class imbalance has historically been the focus of research, the phenomenon of intra-class imbalance — characterized by the uneven distribution of patterns and difficulty levels within the same category — poses a critical obstacle to the generalization capacity of algorithms. This work explores mitigation strategies for both levels of imbalance, conducting an experimental analysis in two high-criticality domains: fraud detection in credit card transactions and brain tumor classification in magnetic resonance images. The methodology adopts a bimodal approach: for tabular data, hybrid and adaptive resampling techniques such as SMOTE-ENN and ADASYN are employed, combined with high-performance Gradient Boosting models (XGBoost, LightGBM, and CatBoost); for medical images, attention-based architectures are used, including EfficientNet-B0 with CBAM and the Swin Transformer. The effectiveness of the approaches is audited through a stratified cross-validation protocol, grounded in performance metrics suitable for asymmetric distributions, such as F1-Score, AUCROC, and G-Mean. The results demonstrate that incorporating the internal diversity of classes into the training process yields more robust models: in the financial domain, the Gradient Boosting algorithms achieved equivalent performance, with a G-Mean of 0.9245 for CatBoost, while in the oncological diagnosis task the Swin Transformer reached a G-Mean of 0.9773 and an accuracy of 97.74%. We conclude that explicitly addressing intra-class imbalance is decisive for the reliable identification of minority subgroups, reinforcing the robustness and predictive fairness of the systems.

2026-07-20T00:00:00Z