Cristina Dutra Aguiar
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Research Subjects
Cristina Dutra Aguiar has a total of 65 co-authors. Here are the top co-authors by number of shared publications:
- Anderson Chaves Carniel
Department of Computer Science, Federal University of São Carlos, São Carlos, Brazil
7 shared publications - Ricardo Rodrigues Ciferri
Federal University of Sao Carlos (UFSCar)
6 shared publications - João Pedro de Carvalho Castro
Universidade Federal de Minas Gerais (UFMG)
5 shared publications - Leonardo Mauro Pereira Moraes
Institute of Mathematics and Computer Sciences University of Sao Paulo Brazil
4 shared publications - Valéria Cesário Times
Federal University of Pernambuco
4 shared publications Carmem Satie Hara
Departamento de Informática Universidade Federal do Paraná Curitiba, PR Brazil
2 shared publications
Latest Publications
- 29 September 2026
- Published by Springer Nature
- p. 138-147
SmartIVF: A Z-Order Inverted File for Filtered Approximate Nearest-Neighbor Search
- 29 September 2026
- Published by Springer Nature
- p. 138-147
SmartIVF: A Z-Order Inverted File for Filtered Approximate Nearest-Neighbor Search
- 8 February 2026
- Published by Springer Nature
- p. 596-606
Lazy Prediction in Querying Graph Databases
- Open Access
- 4 December 2025
- Published by Association for Computing Machinery (ACM) in Journal of Data and Information Quality
- Vol. 17 (4) , 1-28
The BigFAIR Architecture: Enabling Big Data Analytics in FAIR-compliant Repositories
Collaboration is essential for scientific research. This is the foundation behind Open Science and the FAIR Principles, aimed at standardizing the development of scientific data sharing repositories. However, developing FAIR-compliant repositories can be a challenge, mostly due to managing a huge volume and variety of research data and metadata generated at a high velocity. We address these challenges by proposing BigFAIR, a novel FAIR-compliant architecture capable of managing this type of information in a massive scale. BigFAIR leverages existing local repositories, using separate infrastructures to handle scientific data and metadata. With this separation, it can reduce development and maintenance efforts, support data ownership, and increase flexibility. We define pipelines to demonstrate how BigFAIR answers queries in different contexts, introduce guidelines to support its instantiation, and propose a generic metadata warehouse model to support analytical query processing. We also demonstrate the applicability of BigFAIR through a case study in the context of two real-world datasets, detailing different types of queries and highlighting their importance to big data analytics.
- 4 December 2025
- Published by Association for Computing Machinery (ACM) in Journal of Data and Information Quality
- Vol. 17 (4) , 1-28
Open AccessThe BigFAIR Architecture: Enabling Big Data Analytics in FAIR-compliant Repositories
Collaboration is essential for scientific research. This is the foundation behind Open Science and the FAIR Principles, aimed at standardizing the development of scientific data sharing repositories. However, developing FAIR-compliant repositories can be a challenge, mostly due to managing a huge volume and variety of research data and metadata generated at a high velocity. We address these challenges by proposing BigFAIR, a novel FAIR-compliant architecture capable of managing this type of information in a massive scale. BigFAIR leverages existing local repositories, using separate infrastructures to handle scientific data and metadata. With this separation, it can reduce development and maintenance efforts, support data ownership, and increase flexibility. We define pipelines to demonstrate how BigFAIR answers queries in different contexts, introduce guidelines to support its instantiation, and propose a generic metadata warehouse model to support analytical query processing. We also demonstrate the applicability of BigFAIR through a case study in the context of two real-world datasets, detailing different types of queries and highlighting their importance to big data analytics.
- 29 September 2025
- Published by Sociedade Brasileira de Computação
- p. 22-28
FLAMI vs GADDS: Estudo Comparativo de Arquiteturas de Big Data Aderentes aos Princípios FAIR
Neste artigo são investigadas duas Arquiteturas de Referência de Software (SRAs) para big data que aderem aos princípios FAIR: FLAMI e GADDS. Essas SRAs, que representam o estado da arte, são descritas considerando conceitos teóricos, projetos arquiteturais e aspectos de implementação de componentes selecionados para avaliação da viabilidade prática. A conformidade de cada SRA com os Princípios FAIR é discutida com base em critérios estruturais e operacionais. Também é feita uma descrição do fluxo de dados e de metadados durante a execução de uma consulta analítica. O artigo contribui para preencher uma lacuna existente na literatura ao conduzir uma comparação teórica e prática entre as SRAs investigadas.
- 29 September 2025
- Published by Sociedade Brasileira de Computação
- p. 22-28
FLAMI vs GADDS: Estudo Comparativo de Arquiteturas de Big Data Aderentes aos Princípios FAIR
Neste artigo são investigadas duas Arquiteturas de Referência de Software (SRAs) para big data que aderem aos princípios FAIR: FLAMI e GADDS. Essas SRAs, que representam o estado da arte, são descritas considerando conceitos teóricos, projetos arquiteturais e aspectos de implementação de componentes selecionados para avaliação da viabilidade prática. A conformidade de cada SRA com os Princípios FAIR é discutida com base em critérios estruturais e operacionais. Também é feita uma descrição do fluxo de dados e de metadados durante a execução de uma consulta analítica. O artigo contribui para preencher uma lacuna existente na literatura ao conduzir uma comparação teórica e prática entre as SRAs investigadas.
- Open Access
AskSport: Web Application for Sports Question-Answering
This paper introduces AskSport, a question-answering web application about sports. It allows users to ask questions using natural language and retrieve the three most relevant answers, including related information and documents. The paper describes the characteristics and functionalities of the application, including use cases demonstrating its ability to return names and numerical values. AskSport and its implementation are available for public access on HuggingFace.
Open AccessAskSport: Web Application for Sports Question-Answering
This paper introduces AskSport, a question-answering web application about sports. It allows users to ask questions using natural language and retrieve the three most relevant answers, including related information and documents. The paper describes the characteristics and functionalities of the application, including use cases demonstrating its ability to return names and numerical values. AskSport and its implementation are available for public access on HuggingFace.
- Open Access
- 14 October 2024
- Published by Sociedade Brasileira de Computação
- p. 8-14
Investigação sobre a Leitura de Documentos de Modelos de Perguntas e Respostas no Domínio Esportivo
Neste artigo são investigados modelos de leitor de documentos em sistemas de perguntas e respostas. Esses modelos analisam documentos pré-selecionados usando técnicas avançadas de processamento de linguagem natural para entender o contexto e a semântica do texto, produzindo respostas relevantes. São comparados os modelos BERT, DistilBERT, MiniLM, RoBERTa e ELECTRA, considerando a capacidade desses em responder perguntas referentes ao domínio esportivo. Os resultados obtidos demonstraram que o modelo RoBERTa proveu melhor desempenho para as métricas Exact Match e F-Score, e o modelo DistilBERT proveu melhor tempo de execução.
- 14 October 2024
- Published by Sociedade Brasileira de Computação
- p. 8-14
Open AccessInvestigação sobre a Leitura de Documentos de Modelos de Perguntas e Respostas no Domínio Esportivo
Neste artigo são investigados modelos de leitor de documentos em sistemas de perguntas e respostas. Esses modelos analisam documentos pré-selecionados usando técnicas avançadas de processamento de linguagem natural para entender o contexto e a semântica do texto, produzindo respostas relevantes. São comparados os modelos BERT, DistilBERT, MiniLM, RoBERTa e ELECTRA, considerando a capacidade desses em responder perguntas referentes ao domínio esportivo. Os resultados obtidos demonstraram que o modelo RoBERTa proveu melhor desempenho para as métricas Exact Match e F-Score, e o modelo DistilBERT proveu melhor tempo de execução.
- 26 July 2024
- Published by Springer Nature
- p. 42-65
BigQA: A Software Reference Architecture for Big Data Question Answering Systems
- 26 July 2024
- Published by Springer Nature
- p. 42-65
BigQA: A Software Reference Architecture for Big Data Question Answering Systems
- Open Access
- 25 September 2023
- Published by Sociedade Brasileira de Computação
- p. 138-144
Exploring Architectural Solutions for Implementing the FAIR Principles in Big Data Environments
The concept of Open Science has emerged as a major enabler for scientific collaboration. To develop repositories adhering to this concept, the FAIR Principles have been proposed. However, fulfilling these principles can be challenging when dealing with a significant volume, variety, and velocity of data and metadata. A suitable solution is to develop a Software Reference Architecture (SRA) that considers the characteristics of big data environments and the FAIR Principles. Despite the importance of this solution for Open Science, existing literature lacks a big data SRA that achieves full FAIR compliance. In our research, we address this gap by proposing architectural solutions for the implementation of FAIR-compliant big data sharing repositories. We validate these solutions through case studies and performance evaluations. Future contributions include developing algorithms to instantiate the proposed architectures and creating FAIR-compliant artificial datasets to assist in further validations. O conceito de Ciência Aberta surgiu como um facilitador para a colaboração científica. Neste contexto, os Princípios FAIR foram propostos para desenvolver repositórios de dados. Porém, satisfazer esses princípios pode ser desafiador devido ao grande volume de dados e metadados científicos em diferentes formatos coletados e disponibilizados em alta velocidade. Uma possível solução é desenvolver uma Arquitetura de Referência de Software (SRA) que leve em consideração as características dos ambientes de big data e os Princípios FAIR. Apesar da importância dessa solução para a Ciência Aberta, a literatura existente carece de uma SRA para ambientes de big data que alcance plena conformidade com os Princípios FAIR. A pesquisa atual preenche esta lacuna ao propor duas arquiteturas FAIR para ambientes de big data, as validando com estudos de caso e avaliações de desempenho. Contribuições futuras incluem o desenvolvimento de algoritmos para instanciar as arquiteturas propostas e a criação de conjuntos de dados artificiais em conformidade com os Princípios FAIR para auxiliar em demais validações.
- 25 September 2023
- Published by Sociedade Brasileira de Computação
- p. 138-144
Open AccessExploring Architectural Solutions for Implementing the FAIR Principles in Big Data Environments
The concept of Open Science has emerged as a major enabler for scientific collaboration. To develop repositories adhering to this concept, the FAIR Principles have been proposed. However, fulfilling these principles can be challenging when dealing with a significant volume, variety, and velocity of data and metadata. A suitable solution is to develop a Software Reference Architecture (SRA) that considers the characteristics of big data environments and the FAIR Principles. Despite the importance of this solution for Open Science, existing literature lacks a big data SRA that achieves full FAIR compliance. In our research, we address this gap by proposing architectural solutions for the implementation of FAIR-compliant big data sharing repositories. We validate these solutions through case studies and performance evaluations. Future contributions include developing algorithms to instantiate the proposed architectures and creating FAIR-compliant artificial datasets to assist in further validations. O conceito de Ciência Aberta surgiu como um facilitador para a colaboração científica. Neste contexto, os Princípios FAIR foram propostos para desenvolver repositórios de dados. Porém, satisfazer esses princípios pode ser desafiador devido ao grande volume de dados e metadados científicos em diferentes formatos coletados e disponibilizados em alta velocidade. Uma possível solução é desenvolver uma Arquitetura de Referência de Software (SRA) que leve em consideração as características dos ambientes de big data e os Princípios FAIR. Apesar da importância dessa solução para a Ciência Aberta, a literatura existente carece de uma SRA para ambientes de big data que alcance plena conformidade com os Princípios FAIR. A pesquisa atual preenche esta lacuna ao propor duas arquiteturas FAIR para ambientes de big data, as validando com estudos de caso e avaliações de desempenho. Contribuições futuras incluem o desenvolvimento de algoritmos para instanciar as arquiteturas propostas e a criação de conjuntos de dados artificiais em conformidade com os Princípios FAIR para auxiliar em demais validações.
- Open Access
- 25 September 2023
- Published by Sociedade Brasileira de Computação
- p. 36-42
Ambiente de data warehousing espacial para tomada de decisão sobre dados de crimes
A ocorrência de crimes é uma realidade preocupante, com inúmeros casos registrados diariamente. A análise dos dados provenientes dos boletins de ocorrência pode fornecer informações valiosas para os gestores de segurança pública, auxiliando na tomada de decisão estratégica para a segurança pública e o combate à criminalidade. Dentro deste contexto, este artigo propõe a criação de um ambiente de data warehousing espacial para auxiliar gestores de segurança pública a identificar padrões, direcionar recursos e tomar decisões mais eficazes para combater a criminalidade. São apresentados exemplos de consultas analíticas espaciais com dados disponibilizados pela Secretaria de Segurança Pública do estado de São Paulo, e como elas podem ser utilizadas na tomada de decisão.
- 25 September 2023
- Published by Sociedade Brasileira de Computação
- p. 36-42
Open AccessAmbiente de data warehousing espacial para tomada de decisão sobre dados de crimes
A ocorrência de crimes é uma realidade preocupante, com inúmeros casos registrados diariamente. A análise dos dados provenientes dos boletins de ocorrência pode fornecer informações valiosas para os gestores de segurança pública, auxiliando na tomada de decisão estratégica para a segurança pública e o combate à criminalidade. Dentro deste contexto, este artigo propõe a criação de um ambiente de data warehousing espacial para auxiliar gestores de segurança pública a identificar padrões, direcionar recursos e tomar decisões mais eficazes para combater a criminalidade. São apresentados exemplos de consultas analíticas espaciais com dados disponibilizados pela Secretaria de Segurança Pública do estado de São Paulo, e como elas podem ser utilizadas na tomada de decisão.