Loading...
7 results
Search Results
Now showing 1 - 7 of 7
- Proposta de um sistema inteligente para predição do risco de doenças crônicas não transmissíveisPublication . COSTA, OBERDAN; Gouveia, Luis BorgesO presente trabalho, propõe desenvolver e validar um modelo de risco de condições de saúde para prever a probabilidade de um indivíduo desenvolver uma ou múltiplas Doenças Crônicas Não Transmissíveis (DCNT), antes que elas se manifestem. Inúmeras pessoas numa escala global correm o risco de desenvolver DCNT. Em concreto, os principais grupos de DCNT, incluem: doenças cardiovasculares, câncer, respiratórias crônicas e diabetes. Os grupos de doenças crônicas com características multifatoriais e não-infecciosas em sua origem têm sido motivo de crescente preocupação da sociedade e governos de todo o mundo, por colocar as pessoas em maior risco de complicações, chegando até mesmo a óbito, e colocando os sistemas de saúde em crise sistémica. A crise provocada pela COVID-19 acelerou o setor da saúde não só no sentido de repensar e reorientar a prestação de cuidados, mas também priorizar a integração da predição, prevenção e gestão de DCNT na população. Essa crise, mostrou também que os modelos preditivos e de prevenção e gestão de doenças crônicas em uso são insuficientes nas respostas as situações de saúde de condições crônicas. Uma abordagem multifatorial com fatores de riscos desencadeadores e verticalizados: Fatores de Risco Modificáveis (FRM) e Fatores de Risco Não Modificáveis (FRNM) é preferível para reverter essas situações de saúde e fornecer respostas específicas da probabilidade de um indivíduo desenvolver determinadas doenças crônicas. Nesse contexto, esse trabalho tem como objetivo principal “Desenvolver uma Plataforma Inteligente de Predição do Risco de Doenças Crônicas (PIPRDC) com o propósito de apoiar os profissionais da saúde”. O PIPRDC tem como fundo pesquisas na literatura, consultas a médicos especialistas e um modelo Preditivo de Risco de DCNT. Utilizamos classificadores de modelos multi-label ET, RF e DT para prever dez tipos de DCNT simultaneamente. Entre os modelos do experimento, o MLC RF apresentou o melhor desempenho de precisão e F1-score com 96,16% e 90,48%, respectivamente.
- Ferramenta modular de prevenção da evasão no ensino superior a distânciaPublication . COSTA, OBERDAN; Gouveia, Luis BorgesCosta. O. e Gouveia, L. (2021). Ferramenta Modular de Prevenção da Evasão no Ensino Superior a Distância. CIED Brasil. 26º Congresso Internacional ABED de Educação a Distância (CIAED). 3ª Edição Virtual do 26º CIAED - Apresentação de Trabalhos Científicos.
- Uma proposta para um sistema inteligente de previsão do risco de doenças crônicasPublication . COSTA, OBERDAN; Gouveia, Luis Borges
- Avaliando a relação entre as variáveis categóricas status final do curso e demográficasPublication . COSTA, OBERDAN; Gouveia, Luis Borges
- Dropout no ensino a distância e a sustentabilidade das IES: um modelo de referência para um sistema integrado de alertas para evasãoPublication . COSTA, OBERDAN; Gouveia, Luis BorgesA Educação a Distância (EaD) expandiu-se nas últimas duas décadas nas Instituições de Ensino Superior (IES). Nessa esteira, há uma conjugação de esforços das instituições e profissionais do ensino, visando a ampliação e a profissionalização para aprendizagem ao longo da vida de pessoas interessadas em avançar na atualização dos estudos. Embora essa expansão favoreça a aprendizagem e a qualificação contínua em termos globais por meio de recursos tecnológicos, a alta taxa de evasão de estudantes tem sido motivo de preocupação dos administradores, gestores e pesquisadores da educação. Este estudo, justifica-se por: adicionar ao corpo de trabalhos existente uma visão mais verticalizada sobre a prevenção da evasão de estudantes nas IES a distância por meio de variáveis significantes que permitem ao pesquisador fazer sugestões para melhorar os esforços futuros. Esta pesquisa tem por objetivo construir um modelo de referência para um sistema integrado de alertas, com o propósito de prever estudantes com risco de evasão nas instituições de ensino superior, a ser utilizado pelas instituições, nos sistemas de ensino a distância. Em linhas gerais, o modelo identifica potenciais desistências antes que o comportamento aconteça. O problema do estudo está em que medida o modelo de referência para um sistema integrado de alertas contribui para prever a evasão de estudantes nas instituições de ensino superior. O estudo é relevante por impactar positivamente no desenvolvimento econômico e bem-estar social, ataca as questões da evasão de estudantes no ensino superior a distância e reúne esforços que permitem identificar, entender e prever a evasão de estudante nas IES a distância. Em vista da natureza dos dados, uma técnica de RLBM foi proposta. A amostra utilizou dados acadêmicos de 228 estudantes de graduação de uma universidade privada do sul do Brasil. O resultado aponta que o melhor modelo constituído das variáveis preditoras apoio ambiente e atenção, resultante dos métodos Supervisionados de Aprendizado de Máquina com base nos classificadores Regressão Logística Penalizada Lasso (RLPL) e Regressão Logística Binária Múltiplo (RLBM), apresentou desempenho de precisão preditiva de 82,22%. O modelo contribui para reduzir a taxa da evasão dos estudantes de cursos superiores na modalidade de ensino a distância regulamentados pelo Ministério da Educação (MEC) através do Decreto 9057/2017, e consequentemente ajuda o país atingir a Meta 12 do Plano Nacional de Educação (PNE), que determina a elevação da taxa bruta de matrícula na educação superior para 50% e a taxa líquida em 33% da população de 18 a 24 anos. O modelo fornece ainda uma contribuição prática para auxiliar a tomada de decisão do quadro de diretores, decisão de topo, gerentes e supervisores das instituições de ensino a distância em pelo menos quatro diretorias.
- Industry 4.0: predicting lead conversion opportunities with machine learning in small and medium sized enterprisesPublication . Gouveia, Luis Borges; COSTA, OBERDANThe crisis caused by COVID-19 accelerated processes of changes in the global economy, leading to changes in companies in structures, business models and routines. Small and Medium Enterprises (SME) in particular have faced challenges in finding paths for the journey of digital transformation and adaptation to the industry 4.0 era, which turns integration a key factor. The goal of this work is to predict the likelihood of conversion using Machine Learning (ML), with the purpose of improving the process of converting opportunities in SME in the education sector. The work is based on the Digital Transformation Model for SME (MTD_PMEs), a specific approach in ML technology and Knowledge Discovery in Databases (KDD). The methodology involves a three-step sequence of the KDD_AZ process. Data were collected from a university center in southern Brazil. Results indicate that the 8 attributes used are relevant for forecasting lead conversion and that the chosen technique, Logistic Regression reached a gross precision of 100%, implying an increase in the conversion rate, time savings for the teams and filter leads “unlikely”, helping marketing improvements in its targeting and providing qualified leads.