José Solenir Lima Figuerêdo
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
José Solenir Lima Figuerêdo has a total of 21 co-authors. Here are the top co-authors by number of shared publications:
- Rodrigo Tripodi Calumby
UEFS
7 shared publications - Claudia Pinto Pereira
State University of Feira de Santana, Feira de Santana, Brazil
3 shared publications - Ana Lúcia Lima Marreiros Maia
State University of Feira de Santana
2 shared publications Cláudio Sérgio da Silva Cerqueira
Universidade Estadual de Feira de Santana
2 shared publicationsJussara Gomes Machado
Universidade Estadual de Feira de Santana
2 shared publicationsSamuel Vitório Lima
Universidade Estadual de Feira de Santana
2 shared publications
Latest Publications
- Open Access
- 17 November 2024
- Published by Sociedade Brasileira de Computação
- p. 129-136
Early Cardiovascular Risk Prediction in Quilombola Afro-descendants: A Data-Driven Approach
Cardiovascular diseases (CVD) are the leading cause of global mortality. People from different social groups can be affected. However, socially vulnerable groups, such as the Quilombola communities in Brazil, may have an increased risk. Recently, sample data from this population were used to predict metabolic syndrome with machine learning(ML). Although metabolic syndrome is a risk factor for CVD, directly predicting cardiovascular risk itself might be more effective for implementing preventive strategies. Therefore, this study developed and assessed ML models to estimate CVD risk, including a variable importance analysis. Most models achieved over 80% effectiveness, with logistic regression achieving the best result. Considering the variable importance analysis, sex, age and income were identified as the most important variables, along with other socioeconomic and anthropometric data.
- 17 November 2024
- Published by Sociedade Brasileira de Computação
- p. 129-136
Open AccessEarly Cardiovascular Risk Prediction in Quilombola Afro-descendants: A Data-Driven Approach
Cardiovascular diseases (CVD) are the leading cause of global mortality. People from different social groups can be affected. However, socially vulnerable groups, such as the Quilombola communities in Brazil, may have an increased risk. Recently, sample data from this population were used to predict metabolic syndrome with machine learning(ML). Although metabolic syndrome is a risk factor for CVD, directly predicting cardiovascular risk itself might be more effective for implementing preventive strategies. Therefore, this study developed and assessed ML models to estimate CVD risk, including a variable importance analysis. Most models achieved over 80% effectiveness, with logistic regression achieving the best result. Considering the variable importance analysis, sex, age and income were identified as the most important variables, along with other socioeconomic and anthropometric data.
- Open Access
- 22 April 2024
- Published by Sociedade Brasileira de Computação
- p. 90-101
(In)visibilidade da Diversidade nos Cursos Presenciais de Computação e Tecnologias da Informação e Comunicação: Um Panorama das Universidades Públicas da Bahia
Este estudo analisa a diversidade na educação superior em Computação e Tecnologias da Informação e Comunicação no estado da Bahia, a partir das dimensões de gênero, raça, políticas de reservas de vagas, deficiência e faixa etária dos estudantes. Para isso, foram utilizados dados do Censo da Educação Superior do INEP de 2015 a 2019. Entre os principais resultados, destaca-se a significativa disparidade de gênero, com menos de 15% de mulheres em algumas instituições. No entanto, houve progresso na diversidade racial, com aumento notável de estudantes autodeclarados pretos e pardos. As reservas de vagas contribuíram principalmente para diversidade étnica e socioeconômica. A presença de estudantes com deficiência aponta para a necessidade de modificações no ambiente acadêmico para torná-lo mais acessível. A partir dos resultados encontrados, ações poderão ser tomadas para tornar o ambiente acadêmico mais inclusivo, acessível e promover a equidade.
- 22 April 2024
- Published by Sociedade Brasileira de Computação
- p. 90-101
Open Access(In)visibilidade da Diversidade nos Cursos Presenciais de Computação e Tecnologias da Informação e Comunicação: Um Panorama das Universidades Públicas da Bahia
Este estudo analisa a diversidade na educação superior em Computação e Tecnologias da Informação e Comunicação no estado da Bahia, a partir das dimensões de gênero, raça, políticas de reservas de vagas, deficiência e faixa etária dos estudantes. Para isso, foram utilizados dados do Censo da Educação Superior do INEP de 2015 a 2019. Entre os principais resultados, destaca-se a significativa disparidade de gênero, com menos de 15% de mulheres em algumas instituições. No entanto, houve progresso na diversidade racial, com aumento notável de estudantes autodeclarados pretos e pardos. As reservas de vagas contribuíram principalmente para diversidade étnica e socioeconômica. A presença de estudantes com deficiência aponta para a necessidade de modificações no ambiente acadêmico para torná-lo mais acessível. A partir dos resultados encontrados, ações poderão ser tomadas para tornar o ambiente acadêmico mais inclusivo, acessível e promover a equidade.
- Open Access
- 26 September 2023
- Published by Sociedade Brasileira de Computação
- p. 81-88
Towards Effective and Reliable Data-driven Prognostication: An Application to COVID-19
This study evaluates machine learning methods to predict the prognosis of patients in COVID-19 context. In addition, considering the best-performing machine learning algorithm, we applied the LIME explanation technique for machine learning models to verify how the features correlate with each decision made, in order to assist an expert regarding the groundings of the decision made by the model. The results reveal that the model developed was able to predict the patient’s prognosis with an ROC-AUC = 0.8524. The prediction explanations allowed us to understand how each feature contributes to the decision made by the model, thus bringing transparency to the developed model.
- 26 September 2023
- Published by Sociedade Brasileira de Computação
- p. 81-88
Open AccessTowards Effective and Reliable Data-driven Prognostication: An Application to COVID-19
This study evaluates machine learning methods to predict the prognosis of patients in COVID-19 context. In addition, considering the best-performing machine learning algorithm, we applied the LIME explanation technique for machine learning models to verify how the features correlate with each decision made, in order to assist an expert regarding the groundings of the decision made by the model. The results reveal that the model developed was able to predict the patient’s prognosis with an ROC-AUC = 0.8524. The prediction explanations allowed us to understand how each feature contributes to the decision made by the model, thus bringing transparency to the developed model.
- Open Access
- 25 September 2023
- Published by Sociedade Brasileira de Computação
- p. 324-329
A Novel Graph-based Diversity-aware Rank Fusion Method Applied to Image Metasearch
While search result diversification is used to handle ambiguous or underspecified queries, rank aggregation is a widely used approach in metasearch. However, current aggregation methods assume that the input rankings are built only according to the relevance of the items, disregarding the inter-relationship between images in each ranking. Hence, these methods tend to be inadequate for diversity-oriented retrieval. In this work, we introduce a diversity-aware rank fusion method that is validated in the context of diverse image metasearch. The experimental findings indicate that the proposed method significantly improves the overall diversity of metasearch results, in comparison to the state-of-the-art positional and score-based fusion methods.
- 25 September 2023
- Published by Sociedade Brasileira de Computação
- p. 324-329
Open AccessA Novel Graph-based Diversity-aware Rank Fusion Method Applied to Image Metasearch
While search result diversification is used to handle ambiguous or underspecified queries, rank aggregation is a widely used approach in metasearch. However, current aggregation methods assume that the input rankings are built only according to the relevance of the items, disregarding the inter-relationship between images in each ranking. Hence, these methods tend to be inadequate for diversity-oriented retrieval. In this work, we introduce a diversity-aware rank fusion method that is validated in the context of diverse image metasearch. The experimental findings indicate that the proposed method significantly improves the overall diversity of metasearch results, in comparison to the state-of-the-art positional and score-based fusion methods.
- Open Access
- 9 November 2022
- Published by Universidade Estadual de Feira de Santana in Anais dos Seminários de Iniciação Científica
- No. 25
MÉTODO DE AGREGAÇÃO PARA METABUSCA ORIENTADA POR DIVERSIDADE
O rápido desenvolvimento de tecnologias de aquisição de dados, atrelado ao desenvolvimento e popularização das mídias sociais, levaram a uma explosão de dados, devido ao compartilhamento massivo proporcionado por esses ambientes (Lin & Zhang, 2016).
- 9 November 2022
- Published by Universidade Estadual de Feira de Santana in Anais dos Seminários de Iniciação Científica
- No. 25
Open AccessMÉTODO DE AGREGAÇÃO PARA METABUSCA ORIENTADA POR DIVERSIDADE
O rápido desenvolvimento de tecnologias de aquisição de dados, atrelado ao desenvolvimento e popularização das mídias sociais, levaram a uma explosão de dados, devido ao compartilhamento massivo proporcionado por esses ambientes (Lin & Zhang, 2016).
- 21 July 2022
- Published by Elsevier in Online Social Networks and Media
- Vol. 31
Early depression detection in social media based on deep learning and underlying emotions
- 21 July 2022
- Published by Elsevier in Online Social Networks and Media
- Vol. 31
Early depression detection in social media based on deep learning and underlying emotions
- 4 May 2022
- Published by Springer Nature in Multimedia Tools and Applications
- Vol. 81 (30) , 42991-43011
Unsupervised query-adaptive implicit subtopic discovery for diverse image retrieval based on intrinsic cluster quality
- 4 May 2022
- Published by Springer Nature in Multimedia Tools and Applications
- Vol. 81 (30) , 42991-43011
Unsupervised query-adaptive implicit subtopic discovery for diverse image retrieval based on intrinsic cluster quality
- Open Access
- 22 December 2021
- Published by Sociedade Brasileira de Computação in Revista Brasileira de Informática na Educação
- Vol. 29, 1433-1462
Percepção do Ensino-Aprendizagem da Monitoria de Algoritmos e Programação em Cursos de Engenharia na Perspectiva de Estudantes, Monitores e Professores
A monitoria é caracterizada como uma modalidade de ensino e aprendizagem que auxilia na formação integrada dos estudantes. É considerada como uma oportunidade dos monitores desenvolverem habilidades relacionadas à docência, além de aprofundar conhecimentos na área específica. Contudo, a sua ação efetiva depende de muitos fatores que vão desde o interesse particular dos estudantes “monitorados” até à colaboração do professor da disciplina com o monitor. Assim, refletir e compreender como os estudantes “monitorados”, estudantes monitores e professores enxergam a monitoria constitui-se uma atividade fundamental, especialmente para impulsionar melhorias. Deste modo, este estudo relata a experiência vivenciada por esses três diferentes atores, participantes de um projeto de monitoria que auxilia disciplinas que envolvem tópicos relacionados à lógica e ao raciocínio matemático, notadamente à programação de computadores. Os resultados revelam que, embora os estudantes “monitorados” tenham consciência da importância da monitoria, muitos não sentem a necessidade de procurar o monitor, muitas vezes recorrendo à internet e aos colegas para sanarem suas dúvidas. Além disso, os estudantes consideraram as disciplinas apoiadas pela monitoria como essenciais para alcançar seus objetivos profissionais, e acham a profissão de Computação divertida. Considerando os monitores, os nossos resultados revelaram que “Contribuir significativamente com o processo de aprendizagem de outros estudantes” e o “Interesse em ingressar na vida acadêmica/docente” são os principais motivos que levam os estudantes a entrarem no projeto de monitoria. Também indicaram que a monitoria permitiu melhorar suas estratégias de ensino, o conhecimento sobre linguagens de programação e a oralidade. Com relação aos professores, os nossos resultados mostram que os professores enxergam o projeto de monitoria como um recurso importante no processo de aprendizado do estudante. Contudo, verificou-se que, embora os professores estejam abertos ao projeto de monitoria, ainda falta uma maior interatividade entre esses e o estudante monitor.
- 22 December 2021
- Published by Sociedade Brasileira de Computação in Revista Brasileira de Informática na Educação
- Vol. 29, 1433-1462
Open AccessPercepção do Ensino-Aprendizagem da Monitoria de Algoritmos e Programação em Cursos de Engenharia na Perspectiva de Estudantes, Monitores e Professores
A monitoria é caracterizada como uma modalidade de ensino e aprendizagem que auxilia na formação integrada dos estudantes. É considerada como uma oportunidade dos monitores desenvolverem habilidades relacionadas à docência, além de aprofundar conhecimentos na área específica. Contudo, a sua ação efetiva depende de muitos fatores que vão desde o interesse particular dos estudantes “monitorados” até à colaboração do professor da disciplina com o monitor. Assim, refletir e compreender como os estudantes “monitorados”, estudantes monitores e professores enxergam a monitoria constitui-se uma atividade fundamental, especialmente para impulsionar melhorias. Deste modo, este estudo relata a experiência vivenciada por esses três diferentes atores, participantes de um projeto de monitoria que auxilia disciplinas que envolvem tópicos relacionados à lógica e ao raciocínio matemático, notadamente à programação de computadores. Os resultados revelam que, embora os estudantes “monitorados” tenham consciência da importância da monitoria, muitos não sentem a necessidade de procurar o monitor, muitas vezes recorrendo à internet e aos colegas para sanarem suas dúvidas. Além disso, os estudantes consideraram as disciplinas apoiadas pela monitoria como essenciais para alcançar seus objetivos profissionais, e acham a profissão de Computação divertida. Considerando os monitores, os nossos resultados revelaram que “Contribuir significativamente com o processo de aprendizagem de outros estudantes” e o “Interesse em ingressar na vida acadêmica/docente” são os principais motivos que levam os estudantes a entrarem no projeto de monitoria. Também indicaram que a monitoria permitiu melhorar suas estratégias de ensino, o conhecimento sobre linguagens de programação e a oralidade. Com relação aos professores, os nossos resultados mostram que os professores enxergam o projeto de monitoria como um recurso importante no processo de aprendizado do estudante. Contudo, verificou-se que, embora os professores estejam abertos ao projeto de monitoria, ainda falta uma maior interatividade entre esses e o estudante monitor.
- Open Access
- 4 October 2021
- Published by Sociedade Brasileira de Computação
- p. 113-120
Low-Cost Machine Learning for Effective and Efficient Bad Smells Detection
Bad smells are characteristics of software that indicate a code or design problem which can make information system hard to understand, evolve, and maintain. To address this problem, different approaches, manual and automated, have been proposed over the years, including more recently machine learning alternatives. However, despite the advances achieved, some machine learning techniques have not yet been effectively explored, such as the use of feature selection techniques. Moreover, it is not clear to what extent the use of numerous source-code features are necessary for reasonable bad smell detection success. Therefore, in this work we propose an approach using low-cost machine learning for effective and efficient detection of bad smells, through explicit feature selection. Our results showed that the selection allowed to statistically improve the effectiveness of the models. For some cases, the models achieved statistical equivalence, but relying on a highly reduced set of features. Indeed, by using explicit feature selection, simpler models such as Naive Bayes became statistically equivalent to robust models such as Random Forest. Therefore, the selection of features allowed keeping competitive or even superior effectiveness while also improving the efficiency of the models, demanding less computational resources for source-code preprocessing, model training and bad smell detection.
- 4 October 2021
- Published by Sociedade Brasileira de Computação
- p. 113-120
Open AccessLow-Cost Machine Learning for Effective and Efficient Bad Smells Detection
Bad smells are characteristics of software that indicate a code or design problem which can make information system hard to understand, evolve, and maintain. To address this problem, different approaches, manual and automated, have been proposed over the years, including more recently machine learning alternatives. However, despite the advances achieved, some machine learning techniques have not yet been effectively explored, such as the use of feature selection techniques. Moreover, it is not clear to what extent the use of numerous source-code features are necessary for reasonable bad smell detection success. Therefore, in this work we propose an approach using low-cost machine learning for effective and efficient detection of bad smells, through explicit feature selection. Our results showed that the selection allowed to statistically improve the effectiveness of the models. For some cases, the models achieved statistical equivalence, but relying on a highly reduced set of features. Indeed, by using explicit feature selection, simpler models such as Naive Bayes became statistically equivalent to robust models such as Random Forest. Therefore, the selection of features allowed keeping competitive or even superior effectiveness while also improving the efficiency of the models, demanding less computational resources for source-code preprocessing, model training and bad smell detection.
- 26 April 2021
- Published by Sociedade Brasileira de Computação
- p. 183-192
A Experiência da Monitoria de Algoritmos e Programação em Cursos de Engenharia na Perspectiva dos Monitores
A monitoria é uma modalidade de ensino e aprendizagem que contribui para a formação integrada dos estudantes nas atividades de ensino, pesquisa e extensão. O exercício da monitoria é uma oportunidade para o estudante monitor desenvolver habilidades inerentes à docência, além de aprofundar conhecimentos na área específica. No entanto, apesar da motivação otimista na concepção da monitoria, a sua ação efetiva depende de muitos fatores, que vão desde o interesse particular dos estudantes monitorados até às atividades desenvolvidas pelo monitor. Neste sentido, refletir e compreender como os monitores enxergam a monitoria constitui-se uma atividade fundamental. Assim, este estudo relata a experiência vivenciada pelos estudantes monitores vinculados a um projeto de monitoria que auxilia disciplinas que trabalham com tópicos relacionados à lógica e ao raciocínio matemático, notadamente a programação de computadores. Junto à experiência vivenciada, são apontadas as principais dificuldades e possíveis intervenções. Os resultados revelam que Contribuir significativamente com o processo de aprendizagem de outros estudantes e o Interesse em ingressar na vida acadêmica/docente são os principais motivos que levam os estudantes a entrarem no projeto de monitoria. Também indicaram que a monitoria permitiu melhorar suas estratégias de ensino, o conhecimento sobre linguagens de programação e a oralidade. Além disso, os monitores apontaram que a monitoria consegue ajudar, efetivamente, os alunos em relação à linguagem de programação e ao raciocínio lógico. As principais lições aprendidas foram: o aprofundamento do conhecimento, o potencial da aprendizagem colaborativa e, finalmente, a dificuldade com conceitos abstratos de computação.
- 26 April 2021
- Published by Sociedade Brasileira de Computação
- p. 183-192
A Experiência da Monitoria de Algoritmos e Programação em Cursos de Engenharia na Perspectiva dos Monitores
A monitoria é uma modalidade de ensino e aprendizagem que contribui para a formação integrada dos estudantes nas atividades de ensino, pesquisa e extensão. O exercício da monitoria é uma oportunidade para o estudante monitor desenvolver habilidades inerentes à docência, além de aprofundar conhecimentos na área específica. No entanto, apesar da motivação otimista na concepção da monitoria, a sua ação efetiva depende de muitos fatores, que vão desde o interesse particular dos estudantes monitorados até às atividades desenvolvidas pelo monitor. Neste sentido, refletir e compreender como os monitores enxergam a monitoria constitui-se uma atividade fundamental. Assim, este estudo relata a experiência vivenciada pelos estudantes monitores vinculados a um projeto de monitoria que auxilia disciplinas que trabalham com tópicos relacionados à lógica e ao raciocínio matemático, notadamente a programação de computadores. Junto à experiência vivenciada, são apontadas as principais dificuldades e possíveis intervenções. Os resultados revelam que Contribuir significativamente com o processo de aprendizagem de outros estudantes e o Interesse em ingressar na vida acadêmica/docente são os principais motivos que levam os estudantes a entrarem no projeto de monitoria. Também indicaram que a monitoria permitiu melhorar suas estratégias de ensino, o conhecimento sobre linguagens de programação e a oralidade. Além disso, os monitores apontaram que a monitoria consegue ajudar, efetivamente, os alunos em relação à linguagem de programação e ao raciocínio lógico. As principais lições aprendidas foram: o aprofundamento do conhecimento, o potencial da aprendizagem colaborativa e, finalmente, a dificuldade com conceitos abstratos de computação.