http://hdl.handle.net/123456789/1 Foi o primeiro Campus criado pela UFMA. Ele abriga hoje a Cidade Universitária, reunindo o maior número de Cursos de Graduação e Pós-Graduação da Instituição. 2026-06-15T17:52:09Z http://hdl.handle.net/123456789/10766 Título: AppTub - uma aplicação para democratizar o acesso à informação sobre a tuberculose e suas terapias Autor(es): NUNES, Vitor Ferreira Resumo: Resumo A baixa adesão ao tratamento da tuberculose permanece fortemente associada ao acesso limitado à informação e à ausência de suporte contínuo ao paciente, agravada pela fragmentação das soluções digitais atualmente disponíveis. Diante desse cenário, esta pesquisa aborda a seguinte questão de design: qual seria a ferramenta ideal para contribuir para o apoio e acompanhamento de pessoas com tuberculose, considerando as limitações das soluções atuais? Partindo dessa problemática, o trabalho sustenta a hipótese de que a integração sistemática de funcionalidades informacionais, gestão de medicamentos e monitoramento de sintomas em um único artefato digital, por meio de um aplicativo móvel, resulta em uma melhor adequação entre tecnologia e tarefa (Task-Technology Fit – TTF) do que soluções fragmentadas. Para investigar essa hipótese, foi proposto e parcialmente validado o aplicativo móvel AppTub, fundamentado no modelo TTF. A evidência da validação ocorreu por meio de testes com usuários representativos do público-alvo, utilizando um questionário estruturado com escala Likert de cinco pontos, cujos dados foram analisados por estatística descritiva, alfa de Cronbach, média, desvio-padrão, Moda, mediana, o mínimo e o máximo e regressão linear múltipla. O principal resultado obtido a partir deste trabalho é a evidência empírica de que a pontualidade dos lembretes, a organização e, sobretudo, a localizabilidade das informações são fatores que indicam uma maior adequação da tecnologia às tarefas de apoio ao tratamento da tuberculose, justificado por possuírem a maior média geral entre os componentes analisados da percepção dos usuários. O relacionamento do sistema com os usuários por meio do menor desvio padrão analisado, associado a uma média geral alta, indicando um alto consenso dos usuários em relação a experiência exitosa na aplicação Como contribuição, esta pesquisa demonstra que aplicativos móveis integrados, quando alinhados às tarefas reais de acompanhamento do tratamento, podem evidenciar melhoria ajuste tecnologia–tarefa, reforçando a aplicabilidade do modelo Task-Technology Fit na avaliação de tecnologias digitais em saúde e evidenciando o potencial do AppTub como ferramenta de apoio contínuo ao tratamento da tuberculose. Abstract Low adherence to tuberculosis treatment remains strongly associated with limited access to information and the absence of continuous patient support, a situation exacerbated by the fragmentation of currently available digital solutions. Given this scenario, this research addresses the following design question: what would be the ideal tool to contribute to the support and monitoring of people with tuberculosis, considering the limitations of current solutions? Based on this problem, the study supports the hypothesis that the systematic integration of informational features, medication management, and symptom monitoring into a single digital artifact—via a mobile application—results in a better Task-Technology Fit (TTF) than fragmented solutions. To investigate this hypothesis, the AppTub mobile application was proposed and partially validated, grounded in the TTF model. Validation evidence was obtained through testing with representative users of the target audience using a structured five-point Likert scale questionnaire. The data were analyzed through descriptive statistics, Cronbach’s alpha, mean, standard deviation, Mode, median, minimum, maximum, and multiple linear regression. The main result obtained from this work is the empirical evidence that reminder punctuality, organization, and, above all, information locatability are factors indicating a greater fit of the technology to tuberculosis treatment support tasks, as they achieved the highest overall mean among the analyzed components of user perception. The system’s relationship with users, characterized by the lowest analyzed standard deviation associated with a high overall mean, indicates a strong user consensus regarding a successful experience within the application. As a contribution, this research demonstrates that integrated mobile applications, when aligned with real treatment monitoring tasks, can demonstrate an improved technology–task fit, reinforcing the applicability of the Task-Technology Fit model in the evaluation of digital health technologies and highlighting the potential of AppTub as a tool for continuous support in tuberculosis treatment. 2026-01-22T00:00:00Z http://hdl.handle.net/123456789/10765 Título: Monitoramento e predição do engajamento acadêmico: um sistema baseado em análise de dados educacionais Autor(es): PINHEIRO, Katarina Ires de Castro Resumo: Resumo A evasão acadêmica é um desafio relevante no ensino superior, com impactos na qualidade educacional e na eficiência institucional. Nesse contexto, o engajamento acadêmico destaca- se como um fator essencial para a permanência e o desempenho dos estudantes. Este trabalho apresenta a concepção e o desenvolvimento de um protótipo funcional voltado ao monitoramento do engajamento e à classificação de risco acadêmico, fundamentado em princípios de Learning Analytics e em uma lógica de classificação baseada em regras, por meio de heurísticas com pesos e limiares. O protótipo disponibiliza interfaces para visualização de indicadores e padrões de comportamento associados ao baixo engajamento, permitindo apoiar o planejamento de intervenções pedagógicas de forma mais direcionada. A metodologia adotada baseia-se em prototipagem de alta fidelidade, incluindo a estruturação de dados, o mapeamento de métricas educacionais e a demonstração visual dos critérios de risco. O desenvolvimento seguiu uma estrutura modular e utilizou dados sintéticos para verificação da viabilidade técnica das funcionalidades e da clareza na apresentação dos indicadores. Os resultados evidenciam o funcionamento do monitoramento e a capacidade do protótipo em sinalizar riscos acadêmicos por meio de alertas simulados, além de consolidar informações em painéis de apoio à decisão. Como contribuição, o trabalho apresenta uma prova de conceito que pode servir de base para instituições de ensino superior interessadas em ferramentas de suporte ao acompanhamento acadêmico e à identificação proativa de estudantes em situação de risco. Abstract Academic dropout is a significant challenge in higher education, affecting educational quality and institutional efficiency. In this context, academic engagement stands out as a key factor for student retention and performance. This work presents the design and development of a functional prototype aimed at monitoring academic engagement and classifying academic risk, grounded in Learning Analytics principles and a rule-based classification logic using heuristics with weights and thresholds. The prototype provides interfaces to visualize indicators and behavior patterns associated with low engagement, supporting more targeted pedagogical interventions. The adopted methodology is based on high-fidelity prototyping, including data structuring, mapping of educational metrics, and a visual demonstration of risk classification criteria. The development followed a modular architecture and used synthetic data to verify the technical feasibility of the proposed functionalities and the clarity of the presented indicators. The results demonstrate the operation of the monitoring features and the prototype’s ability to signal academic risks through simulated alerts, while consolidating information into dashboards that support decision-making. As a contribution, this work offers a proof of concept that can serve as a basis for higher education institutions interested in data-driven tools to support academic monitoring and proactively identify students at risk. 2026-01-23T00:00:00Z http://hdl.handle.net/123456789/10764 Título: Previsão de doenças crônicas em idosos com aprendizado de máquina: uma abordagem de classificação multirrótulo utilizando dados do estudo ELSI-Brasil Autor(es): CARNEIRO, Brenno Pacheco Resumo: RESUMO O aumento da multimorbidade em idosos representa um desafio crescente, exigindo ferramentas preditivas que auxiliem e planejem ações na saúde pública. Este trabalho propõe uma abordagem baseada em aprendizado de máquina para predizer multimorbidade (presença simultânea de doenças crônicas) em idosos por meio de classificação multirrótulo. Utilizou-se a base da 2a onda ELSI-Brasil, totalizando 9.617 indivíduos após o pré-processamento. Foram modeladas sete condições crônicas com prevalência ≥ 5%: hipertensão, diabetes, colesterol alto, artrite, depressão, osteoporose e problema crônico de coluna. O pipeline metodológico incluiu limpeza e recodificação de variáveis, definição de atributos (com ênfase em indicadores antropométricos), análise exploratória da coocorrência de doenças e modelagem com estratégias multirrótulo, comparando Binary Relevance e variações baseadas em cadeias de classificadores, utilizando Random Forest e Support Vector Machine como algoritmos base. A avaliação foi realizada por validação cruzada repetida (10-fold, 5 repetições), totalizando 50 avaliações independentes. Os resultados indicaram desempenho consistente entre os modelos, com F1- Measure entre 0,33–0,35, Hamming Loss aproximado de 0,237–0,243. Adicionalmente, evidenciou-se a relevância de variáveis clínicas e antropométricas (como IMC, Idade e RCQ) na predição das comorbidades. Conclui-se que a abordagem multirrótulo é viável na base ELSI- Brasil, oferecendo um caminho promissor para apoiar a estratificação de risco e o planejamento em saúde pública. ABSTRACT The rise of multimorbidity in elderly poses a growing challenge for public health, demanding predictive tools to assist and plan preventive actions. This work proposes a machine learning- based approach to predict multimorbidity (simultaneous presence of chronic diseases) in older adults using multi-label classification. Data from the second wave of the Brazilian Longitudinal Study of Aging (ELSI-Brasil) was used, comprising 9,617 individuals after pre-processing. Seven chronic conditions with prevalence ≥ 5% were modeled: hypertension, diabetes, high cholesterol, arthritis, depression, osteoporosis, and chronic back problems. The methodological pipeline included data cleaning, variable recoding, feature engineering (emphasizing anthropometric indicators), exploratory analysis of disease co-occurrence, and modeling using multi-label strategies. Binary Relevance and classifier chain-based variations were compared using Random Forest and SVM as base algorithms. Evaluation was performed using repeated cross-validation (10-fold, 5 repetitions), totaling 50 independent evaluations. Results indicated consistent performance across models, with F1-Measure ranging from 0.33–0.35, Hamming Loss approximately 0.237–0.243. Additionally, the relevance of clinical and anthropometric variables (such as BMI, Age, and WHR) in predicting comorbidities was evidenced. It is concluded that the multi-label approach is feasible on the ELSI-Brasil dataset, offering a promising path to support risk stratification and public health planning. 2026-01-28T00:00:00Z http://hdl.handle.net/123456789/10763 Título: Avaliação comparativa de métodos de extração de features e classificação para detecção de mamas em imagens Autor(es): SILVA NETO, Antonio Fialho da Resumo: RESUMO A detecção automática da presença de mamas em imagens médicas constitui uma etapa fundamental para garantir a confiabilidade de sistemas computacionais voltados à estimativa automática do volume mamário. Este trabalho propõe e avalia uma abordagem baseada em classificação com uma única classe (one-class classification), empregando redes neurais convolucionais pré-treinadas como extratoras de características e algoritmos clássicos de detecção de anomalias como classificadores. Foram analisadas as arquiteturas VGG-16, ResNet50 e Xception para extração de embeddings, combinadas com os algoritmos One-Class Support Vector Machine (OC-SVM) e Isolation Forest (iForest). O treinamento foi realizado exclusivamente com imagens positivas, enquanto a avaliação considerou um conjunto de teste balanceado contendo imagens com e sem a presença de mamas. O desempenho das seis combinações avaliadas foi mensurado por meio das métricas acurácia, precisão, sensibilidade e F1-score, além da análise de falsos positivos e falsos negativos. Os resultados demonstraram que a combinação ResNet50 + Isolation Forest apresentou o melhor desempenho global, com maior acurácia e F1-score, elevada sensibilidade e ausência de falsos positivos, evidenciando maior robustez na detecção da presença de mamas. Conclui-se que a escolha adequada do extrator de características e do classificador é determinante para o sucesso da tarefa, e que a abordagem proposta é eficaz como etapa preliminar de verificação automática em sistemas de apoio à estimativa de volume mamário, contribuindo para maior segurança e confiabilidade em aplicações clínicas. ABSTRACT The automatic detection of the presence of breasts in medical images is a fundamental step to ensure the reliability of computational systems aimed at automatic breast volume estimation. This work proposes and evaluates an approach based on one-class classification, employing pre-trained convolutional neural networks as feature extractors and classical anomaly detection algorithms as classifiers. The VGG-16, ResNet50, and Xception architectures were analyzed for embedding extraction, combined with the One-Class Support Vector Machine (OC-SVM) and Isolation Forest (iForest) algorithms. Training was performed exclusively using positive images, while evaluation was conducted on a balanced test set containing images with and without the presence of breasts. The performance of the six evaluated combinations was assessed using accuracy, precision, sensitivity (recall), and F1-score metrics, as well as the analysis of false positives and false negatives. The results demonstrated that the ResNet50 + Isolation Forest combination achieved the best overall performance, with higher accuracy and F1-score, high sensitivity, and no false positives, indicating greater robustness in detecting the presence of breasts. It is concluded that the appropriate choice of feature extractor and classifier is crucial for the success of the task, and that the proposed approach is effective as a preliminary automatic verification stage in breast volume estimation support systems, contributing to increased safety and reliability in clinical applications. 2026-01-28T00:00:00Z