Raphael de Souza Rosa Gomes

This study investigates the use of the BERT model to support the automated classification of public documents according to whether they contain personal or sensitive data, in compliance with the Brazilian General Data Protection Law (LGPD). Documents from the Mato Grosso State Official Press (IOMAT) were used, comprising 1,050 documents labelled as sensitive and 450 labelled as non-sensitive. In this version, only a document-level binary classifier (sensitive vs. non-sensitive) was implemented and evaluated; Named Entity Recognition (NER), Explainable AI (XAI), and an auditing interface are described as part of a broader system planned as future work. The model — a fine-tuned BERTimbau classifier — was trained after removing explicit date expressions from the texts, with a fixed seed and deterministic settings for reproducibility. On the validation set, it reached 75.00% accuracy and an 83.66% positive-class F1-score, with a macroF1 of 65.23%. Compared with a majority-class baseline, the main improvement was observed in macro-F1, indicating that the model learned useful patterns beyond simply assigning all documents to the sensitive class. An error analysis based on the confusion matrix shows that false negatives are the legally costlier errors in a compliance setting, as they may correspond to sensitive documents being treated as non-sensitive. The results should be interpreted as preliminary and corpus-dependent, since date removal reduces but does not eliminate temporal and topical composition effects. Even so, the findings indicate the feasibility of the approach as an initial, human-in-the-loop screening stage for ethical data governance in the public sector.

Objetivo: Aplicar métodos de ciência de dados a informações agregadas do Sistema de Informação do Câncer (SISCAN) e do Departamento de Informática do Sistema Único de Saúde para identificar padrões demográficos e estimar o risco de laudos mamográficos alterados no Sistema Único de Saúde entre 2013 e 2025. Métodos: Estudo observacional com dados públicos, agregados e anonimizados. Perfis demográficos foram agrupados pelo algoritmo K-Means e o risco de laudos alterados, definidos como categorias 4, 5 ou 6 do sistema Breast Imaging Reporting and Data System (BI-RADS), foi estimado por Random Forest. A validação incluiu índice de silhueta, validação cruzada, testes estatísticos e métricas preditivas. Resultados: Foram analisadas tabelas agregadas do SISCAN, organizadas segundo faixa etária, raça/cor, escolaridade e categorias BI-RADS. Seis agrupamentos foram identificados, com maior risco proporcional entre populações indígenas, pessoas sem escolaridade formal e indivíduos das faixas etárias mais jovens e mais idosas. Grupos com maior volume de exames apresentaram menor risco proporcional, mas elevada carga absoluta de laudos alterados. Conclusão: Os resultados indicam heterogeneidade demográfica na distribuição dos laudos mamográficos alterados no Sistema Único de Saúde e reforçam o potencial de métodos computacionais aplicados a dados agregados para apoiar políticas públicas de rastreamento do câncer de mama.

Avaliações de produtos são uma alternativa para validar a opinião popular sobre um produto. A análise de sentimentos é uma tarefa que pode auxiliar nessa tarefa. Este trabalho investiga a expressão de sentimentos em comentários na plataforma YouTube para uma série da Netflix, Drive to Survive, que retrata a vida dos pilotos no contexto da Fórmula 1. Com o uso da API do YouTube, foram coletados 19.404 comentários. Esses textos foram submetidos a uma análise de sentimentos utilizando o algoritmo VADER. Os resultados mostram um desempenho positivo para a série, com 63,1% de comentários positivos. Isso corrobora com pesquisas em outras áreas, indicando o sucesso do conteúdo.

O Moodle (Modular Object-Oriented Dynamic Learning Environment) é uma das principais plataformas LMS, criado em 2002 e distribuído como software livre sob a licença GNU GPL. Seu modelo aberto incentiva uma comunidade global a desenvolver plugins que expandem suas funcionalidades. No entanto, esse ecossistema colaborativo gera complexas questões de propriedade intelectual. A GPL, com seu regime copyleft, levanta dúvidas sobre se os plugins são considerados obras derivadas do núcleo Moodle. Isso cria tensões entre a liberdade do código aberto e os interesses econômicos e institucionais. Adicionalmente, a marca Moodle é protegida separadamente. O artigo busca analisar a gestão legal da propriedade intelectual em plugins Moodle, considerando a GPL e as implicações para autoria e uso comercial.

Avaliar o impacto que as variáveis microclimáticas umidade relativa do ar, NDVI, direção dos ventos locais e velocidade dos ventos locais tem na ocorrência do Fenômeno de Ilha de Calor Urbano (UHI) pode nos auxiliar na compreensão da formação de ilhas de calor. Uma das formas de se avaliar é utilizar uma abordagem de classificação de dados através de Floresta Aleatória para analisar os cenários da influência do Índice de Variância do Campo Termal Urbano (UTFVI) nestas variáveis microclimáticas e, desta forma, compreender quais as tendências que podem ocorrer diante das mudanças comportamentais destas variáveis microclimáticas. Para alcançar estes objetivos, será realizado uma modelagem de dados com imagens e dados amostrais obtidos dos satélites Landsat 7, Landsat 8 e dados de reanálise ERA5. Com as imagens obtidas, será feito um procedimento de classificação da cobertura do solo e com dados de reanálise ERA5 a classificação do UTFVI. Quando da aplicação do algoritmo de Floresta Aleatória, o modelo foi gerado com uma amostra de dados reduzida a níveis de indicação do UTFVI para a determinação do acontecimento do Fenômeno UHI (forte, muito forte e extremo) e assim obter um modelo preditivo mais preciso. Além da investigação sobre o impacto das variáveis microclimáticas no UFTVI, buscou-se detectar tendências nas séries temporárias das variações das variáveis microclimáticas com relação ao UTFVI e a obtenção dos resultados demonstram a importância do aprendizado de máquina para melhorar a detecção dos fatores que levam a condições perigosas da existência do Fenômeno UHI.

The high volume and heterogeneity of police report narratives in Brazil pose challenges for manual analysis and investigative prioritization. This work proposes an approach for identifying criminal patterns using clustering techniques applied to unstructured textual data. The methodology integrates Spectral Clustering with K-means, leveraging MPNet embeddings for vector representation and UMAP for dimensionality reduction. The resulting six clusters revealed thematic coherence, highlighting patterns such as bank fraud, judicial scams, social media crimes, and account hacking. Comparative experiments with Agglomerative Clustering were conducted using different linkage strategies, with Spectral Clustering achieving the highest silhouette score (0.38), indicating better-defined groups. A manual qualitative analysis of samples from each cluster supported the thematic distinctions. The study demonstrates that automatic clustering can contribute to investigative triage, offering relevant insights for public security applications.

Avaliar o impacto que as variáveis microclimáticas umidade relativa do ar, NDVI, direção dos ventos locais e velocidade dos ventos locais tem na ocorrência do Fenômeno de Ilha de Calor Urbano (UHI) pode nos auxiliar na compreensão da formação de ilhas de calor. Uma das formas de se avaliar é utilizar uma abordagem de classificação de dados através de Floresta Aleatória para analisar os cenários da influência do Índice de Variância do Campo Termal Urbano (UTFVI) nestas variáveis microclimáticas e, desta forma, compreender quais as tendências que podem ocorrer diante das mudanças comportamentais destas variáveismicroclimáticas. Para alcançar estes objetivos, será realizado uma modelagem de dados com imagens e dados amostrais obtidos dos satélites Landsat 7, Landsat 8 e dados de reanálise ERA5. Com as imagens obtidas, será feito um procedimento de classificação da cobertura do solo e com dados de reanálise ERA5 a classificação do UTFVI. Quando da aplicação do algoritmo de Floresta Aleatória, o modelo foi gerado com uma amostra de dados reduzida a níveis de indicação do UTFVI para a determinação do acontecimento do Fenômeno UHI (forte, muito forte e extremo) e assim obter um modelo preditivo mais preciso. Além da investigação sobre o impacto das variáveis microclimáticas no UFTVI, buscou-se detectar tendências nas séries temporárias das variações das variáveis microclimáticas com relação ao UTFVI e a obtenção dos resultados demonstram aimportância do aprendizado de máquina para melhorar a detecção dos fatores que levam a condições perigosas da existência do Fenômeno UHI.

O Reconhecimento de produtos é uma ferramenta útil para aplicações voltadas à promoção de acessibilidade e à automação de processos. O objetivo deste trabalho foi conseguir classificar produtos especificamente de um pet shop, através do reconhecimento de imagens utilizando técnicas de deep learning. Para o treinamento do modelo, foi necessária a construção de uma base de imagens própria. No total, 100 classes foram selecionadas, abrangendo os principais produtos. Cada classe foi alimentada com milhares de exemplos para que fosse possível ao modelo abstrair as principais características de cada produto. Após treinamento do modelo utilizando redes neurais convolucionais, o modelo obteve uma acurácia média de 88,21%, alcançando o melhor resultado de 89,77%.

Neste estudo, foi conduzida uma análise comparativa de diferentes algoritmos de Aprendizado de Máquina (ML) para o preenchimento de falhas em dados de temperatura do ar de quatro localizações de estados brasileiros distintos. Seis algoritmos foram avaliados: regressão linear, regressão LASSO, rede elástica, k-vizinhos próximos, árvores de decisão (CART) e regressão de vetor de suporte (SVR). Os resultados, referentes a todas as localizações, mostram que o modelo Support Vector Regression (SVR) foi o mais promissor, com RMSE excepcionalmente baixos, variando entre 0,1712 °C e 0,2062 °C. Isso sugere que o SVR pode ser a melhor escolha para a previsão da temperatura do ar. Enquanto a Árvore de Decisão apresentou resultados sólidos, com RMSE variando entre 0,2198 °C e 0,3746 °C. Os modelos Elastic Net (EN) e LASSO tiveram desempenho inferior, com RMSE entre 1,6935 °C e 2,8555 °C. O modelo K-Nearest Neighbors (KNN) obteve resultados intermediários, com RMSE variando entre 0,5579 °C e 0,7567 °C. A Regressão Linear também apresentou resultados variáveis, com RMSE entre 0,7474 °C e 1,4010 °C.

The Surface Energy Balance Algorithm for Land (SEBAL) framework in Graphics Processing Units (GPU) using Cuda and OpenCL