University of Pernambuco - Engineering School/ Editorial System Journals
Not a member yet
37197 research outputs found
Sort by
Controle de Ruídos em Bibliotecas Utilizando IoT
No full textAs bibliotecas são um espaço dedicado para leitura, estudos e concentração. Logo, é inegociável o valor do silêncio em tais ambientes (KROLOW, F. et al). A violação desses aspectos pela emissão constante de ruídos fere o conforto inerente ao ambiente (ABNT). Desta forma, o objetivo deste trabalho é a proposição de um sistema automatizado de controle de ruído para bibliotecas baseado nas técnicas referentes à Internet das Coisas – IoT (FARHAN, L. et al). A metodologia está baseada em um Sistema Embarcado utilizando a plataforma IoT ESP32 em conjunto com periféricos, entre estes, um sensor de som de precisão em dB e reprodutor MP3 embarcado, de modo a realizar continuamente as leituras dos níveis de ruído no ambiente (BOTARI, J. C. et al). Caso o limite de 45 dB seja atingido, um áudio de alerta será emitido no ambiente. Adicionalmente, no caso de três ocorrências dessa extrapolação, uma mensagem de texto será enviada via WiFi para um números de celular cadastrados no ambiente via aplicativo de mensagem, informando sobre a recorrência dessa violação. O sistema foi calibrado e testado em uma biblioteca pública, com a colaboração de alunos e professores, tendo sua aplicação e funcionamento validados, consolidando mais uma utilidade da Internet das Coisas em prol do desenvolvimento pessoal e profissional
Desenvolvimento de uma Abordagem de Explicabilidade de Modelos de Aprendizado de Máquina para Aplicações Industriais
No full textInteligência Artificial (IA) , incluindo aprendizagem automática e profunda, são amplamente adotados para a tomada de decisões. No entanto, uma grande desvantagem, é a sua incapacidade de explicar as suas decisões de uma forma que os humanos possam compreendê-las facilmente, exigindo a necessidade de melhorar a interpretabilidade e a fiabilidade a partir da perspectiva do utilizador – um aspecto crucial para a sua adoção em larga escala (TIDDI, I.; SCHLOBACH, S.. 2022)
Neste contexto, a explicabilidade tornou-se importante área de pesquisa para superar os desafios em abordar a complexidade e a compreensibilidade dos sistemas de (IA). Com isso, a IA explicável (XAI) surge como um campo emergente que se refere a métodos e técnicas que permitem aos especialistas compreender as decisões tomadas por algoritmos de IA utilizando três critérios: precisão da previsão, compreensão ou confiança da decisão e rastreabilidade (ZHANG, Z.; YILMAZ, L.; LIU, B. 2024).
Dado à necessidade de aumentar a explicabilidade dos resultados das técnicas de IA, o presente trabalho propõe o desenvolvimento de uma abordagem para melhorar a explicabilidade de modelos computacionais no contexto da indústria.
Em relação aos procedimentos metodológicos da pesquisa serão utilizados uma pesquisa preliminar de revisão sistemática da literatura (RSL) que será realizada com o objetivo de aprofundar o conhecimento acerca do tema. Na etapa seguinte será desenvolvida a parte quantitativa, envolvendo a escolha e pré-processamento dos dados, a seleção dos modelos e análise dos respectivos resultados de desempenho, e por fim, a análise da melhor abordagem de aplicar a explicabilidade, permitindo para o especialista de domínio o entendimento do resultado encontrado nos modelos.
Como resultado obtido até o momento tem-se a aplicação do protocolo da RSL guiada pelo método PRISMA e o artigo “A systematic review of systematic review process research in software engineering” (KITCHENHAM, B.; BRERETON, P. 2013). Inicalmente foi aplicada em quatro fontes de busca a seguinte string: (“systematic review” OR ”systematic mapping”) AND (“Explainable Artificial Intelligence” OR ”XAI”) AND (“Artificial Intelligence” OR “Machine Learning”). Com essa string foram retornados ao todo 69 artigos, no entanto ao aplicar os critériso de inclusão e exclusão restaram apenas 9 artigos. Os mesmos serão lidos por completos para responder as seguintes questões de pesquisa:
RQ1: Quais artigos relatam o progresso do XAI durante o período 2020 - 2024?
RQ2: Quais problemas os pesquisadores observaram ao usar XAI?
RQ3: Quais conselhos ou técnicas relacionadas à realização de XAI foram propostas
e quão fortes são as evidências que os apoiam?
RQ4: Até que ponto os estudos confirmaram as afirmações existentes sobre XAI?
Contudo, almeja-se que ao final desta pesquisa seja desenvolvido uma abordagem capaz de auxiliar especialistas de domínio da área industrial, a interpretar com facilidade os resultados obtidos e os fatores responsáveis por tal resultado. Gerando nesses usuários, uma maior confiabilidade e segurança na tomada de decisão.
Palavras-chave: Explicabilidade; Indústria; Especialista de domínio; Inteligência Artficial.
Referências
TIDDI, I.; SCHLOBACH, S. Knowledge graphs as tools for explainable machine learning: A survey. Artificial Intelligence, [s. l.], v. 302, p. 103627, 2022. Disponível em: Acesso at: 31 Jul. 2024.
ZHANG, Z.; YILMAZ, L.; LIU, B. A Critical Review of Inductive Logic Programming Techniques for Explainable AI. IEEE Transactions on Neural Networks and Learning Systems, [s. l.], p. 1–17, 2024. Disponível em: Acesso at: 30 Jul. 2024.
KITCHENHAM, B.; BRERETON, P. A systematic review of systematic review process research in software engineering. Information and Software Technology, [s. l.], v. 55, n. 12, p. 2049–2075, 2013. Disponível em: Acesso at: 30 Jul. 2024.
 
Relato de experiência da utilização de Dívida Técnica de Requisitos em contexto acadêmico
No full textEste trabalho aplica o conceito de Dívida Técnica de Requisitos (DTR) em projetos acadêmicos no contexto de um curso de mestrado em Engenharia de Software. Utilizando a metodologia de estudo de caso de Wohlin (2012), o estudo envolveu 12 estudantes em quatro grupos. Os dados foram coletados por meio de surveys e análise de documentação. Os resultados mostraram que a prática de DTR em sala de aula melhora a compreensão dos estudantes sobre DT e a importância da priorização e validação de requisitos. A colaboração com profissionais da indústria enriqueceu o aprendizado. Concluiu-se que a integração de DTR no currículo acadêmico é benéfica
Aplicações das Séries de Fourier: exercícios de aproximações para a função modular
No full textA possibilidade de representar funções, inclusive funções com possíveis descontinuidades ou pontos críticos que impossibilitam as derivadas, torna bastante amplo o campo de aplicações das Séries de Fourier.Exemplos podem ser encontrados em diversos camposda ciência e de engenharias como a mecânica, a termodinâmica, a civil, a elétrica, a eletrônica, as telecomunicações, entre outras. Nesse sentido, a compreensão das Séries de Fourier é fundamental para uma formação contemporânea sólida do aluno das engenharias. Este trabalho, desenvolvido a partir do programa de Bolsa de Incentivo Acadêmico(BIA/UPE/2023), teve como objetivo principal o treinamento de conteúdos referentes as Séries de Fourier, especialmente sobre aplicações derepresentação de funções reais. De forma mais específica, foi desenvolvido uma representação da função modular, no intervalo entre -1 e 1, cujo gráfico pode ser interpretado como um segmento de uma onda triangular de período 2. São elementos descritores da metodologia as técnicas de aplicação das Séries de Fourier as funções pares, conforme apresentado porpesquisadores como Figueiredo (1977), Gandulfo (1990), Chiaradia (2018) e Borin (2023). Para resolução de integrais utilizou-se o software SymbolabR e para construção de tabelas e gráficos, o ExcelR. Foram construídos gráficos de aproximações a partir de séries com 1, 2, 3 e 4 termos. A partir de uma análise visual foipossível afirmar que os maiores distanciamentos entre a função modular e todas as suas representações testadas ocorrem no centro do intervalo, em x=0, e nos limites, x=-1 e x=1. Foi possível observar também que uma aproximação relativamente satisfatória já ocorre a partir de uma série de dois termos. Nesse sentido, conclui-se sobre a viabilidade e simplicidade da utilização de Séries de Fourier para representação da função modular, com erro inversamente proporcional ao número de termos, e tão pequeno quanto necessite uma determinada aplicação.
 
Análise da composição gravimétrica de um aterro sanitário localizado na região metropolitana de João Pessoa: Estudo de Caso
No full textO objetivo deste trabalho é analisar as características de um material recolhido através de amostra de sondagem realizada em um aterro sanitário localizado na Região Metropolitana de João Pessoa – PB, por meio da análise gravimétrica pontual, e gerar subsídios para a análise de estabilidade do talude do aterro. A gestão de resíduos sólidos urbanos (RSU) vem se tornando cada vez mais crucial para preservar um ambiente saudável e equilibrado ecologicamente. Nesse sentido, a análise da composição gravimétrica tem sido utilizada como instrumento para estabelecer diretrizes e protocolos em diversas fases do sistema de gestão desses resíduos, inclusive na compreensão da análise da estabilidade de taludes. A metodologia adotada para a análise da composição gravimétrica foi embasada em fontes literárias e na recomendação técnica da Sociedade Alemã de Geotecnia, conforme detalhado por Borgatto (2010). Todas as análises foram realizadas no Laboratório de Solos e Instrumentação da Universidade Federal de Pernambuco (UFPE). Inicialmente, a caracterização dos resíduos sólidos urbanos foi conduzida utilizando amostras coletadas na região metropolitana de João Pessoa. Este processo abarcou a análise física dos RSU, incluindo a composição gravimétrica, distribuição granulométrica, classificação morfológica e o teor de umidade. Os resultados da caracterização realizada em laboratório indica que o aterro em questão conta com um percentual de umidade de 45%, o que é bastante significativo, comprometendo assim a estabilidade do mesmo. Em contrapartida, os materiais ali depositados, como a presença de fibras (30%), sofrerão redução com o tempo, pois foi possível constatar uma quantidade representativa de madeira no grupo de demais fibras. A presença excessiva de umidade pode afetar a estabilidade do terreno, aumentando o risco de deslizamentos e, na pior das hipóteses, o colapso. Portanto, a umidade elevada também pode comprometer a eficácia dos sistemas de drenagem de líquidos e gases, potencialmente levando a problemas ambientais como vazamentos de lixiviados e emissões de gases tóxicos. A alta umidade detectada nas amostras pode ter implicações profundas em vários aspectos da operação do aterro sanitário. Por exemplo, a presença excessiva de umidade pode afetar a estabilidade do terreno, aumentando o risco de deslizamentos de terra e colapsos estruturais. Além disso, a umidade elevada também pode comprometer a eficácia dos sistemas de drenagem de líquidos e gases, potencialmente levando a problemas ambientais como vazamentos de lixiviados e emissões de gases tóxicos. A mesma pode influenciar a decomposição dos resíduos, acelerando o processo de biodegradação e contribuindo para a produção de gases de efeito estufa como metano e dióxido de carbono. Essas emissões de gases, por sua vez, podem ter impactos significativos sobre a qualidade do ar e contribuir para as mudanças climáticas globais. Diante desses resultados, torna-se crucial adotar medidas para gerenciar e mitigar os efeitos da umidade nos aterros sanitários, como a implementação de sistemas de drenagem mais eficientes, controle cuidadoso do aporte de água e práticas adequadas de cobertura e compactação dos resíduos. Além disso, a presença de 30% de fibras sugere a necessidade de estudos geotécnicos adicionais para análises de estabilidade do talude do aterro sanitário. A promoção do reuso e reciclagem de materiais pode prolongar a vida útil do aterro sem comprometer sua estabilidade. Observa-se também que a deposição significativa de materiais não biodegradáveis nos aterros sanitários brasileiros resulta em impactos ambientais prolongados, já que esses materiais permanecem fisicamente intactos por longos períodos. Esses resíduos não biodegradáveis podem causar contaminação do solo e da água subterrânea, especialmente quando expostos à umidade. Portanto, uma gestão adequada desses resíduos, incluindo técnicas de reciclagem e reutilização, é essencial para minimizar os impactos ambientais dos aterros sanitários. A análise comparativa da composição gravimétrica média dos RSU no Brasil com os dados do estudo realizado no aterro de João Pessoa revelou que, em nível nacional, os RSU apresentam uma maior proporção de materiais orgânicos e recicláveis secos. No entanto, no aterro estudado, a presença de materiais plásticos e fibras foi mais pronunciada, indicando a necessidade de estratégias de gestão diferenciadas para cada localidade. Conclui-se que a análise gravimétrica é uma ferramenta essencial para a gestão eficaz de aterros sanitários, fornecendo dados valiosos para a implementação de medidas corretivas e preventivas. A alta umidade e a composição dos resíduos identificados no aterro de João Pessoa ressaltam a importância de estratégias de gerenciamento adaptativas que considerem as características específicas dos resíduos e as condições ambientais locais
Generalização Robusta Out-of-Distribution para Redes Neurais Profundas através de Estratégias Combinadas de Data Augmentation usando Noise Injection
No full textDeep Neural Networks (DNNs) são propensas ao overfitting [Rice et al., 2023], o que ocorre quando um modelo se adapta demais aos dados de treinamento, prejudicando sua capacidade de generalização para novos dados. Como resultado, DNNs tornam-se vulneráveis a ataques adversariais, onde pequenas perturbações nos inputs podem comprometer significativamente seu desempenho [Schmidt e Silva, 2018]. Isso destaca a importância de empregar técnicas de regularização — que são estratégias para reduzir a complexidade do modelo — já estabelecidas no estado da arte e a necessidade de métodos inovadores para combater o overfitting, promovendo uma melhor capacidade de generalização e, por sua vez, modelos mais justos. Estratégias muito comuns de data augmentation (DA) [Shorten e Khoshgoftaar, 2019] — que consistem em criar novas amostras de dados a partir de transformações como zoom, crop e flip nos dados existentes — desempenham um papel crucial na regularização de modelos. Estudos recentes mostram que integrar dados com noise injection (NI) durante o treinamento de DNNs ajuda a fortalecer a resiliência do modelo contra várias formas de corrupções [Nazaré et al., 2018; Filho et al., 2023]. A regularização induzida pelo NI combate o overfitting ao penalizar conteúdo de alta frequência nos dados, promovendo um treinamento mais estável dos modelos [Bishop, 1995; Camuto et al., 2020]. Além disso, é sabido que a combinação de múltiplas técnicas de DA aumenta a robustez dos modelos, diferentemente da utilização singular de uma técnica [Li e Spratling, 2023]. Neste estudo, observamos que as DAs comuns, combinadas com NI, emergem como uma melhoria para alcançar robustez em modelos de redes neurais. Além disso, buscamos que os modelos não apenas generalizem bem, mas também sejam robustos a dados Out-of-Distribution (OoD). Dados OoD revelam melhor as capacidades de robustez dos modelos por se tratar de dados com conteúdo diferente do utilizado no treinamento. Para validar empiricamente isso, treinamos e avaliamos duas arquiteturas de DNNs comumente usadas (ResNet50 e Xception) nos conjuntos de dados CIFAR-10 e CIFAR-10-C (conjunto de imagens de 10 classes e sua versão corrompida, respectivamente). Nossos resultados se baseiam em uma validação cruzada de 15 K-folds, onde avaliamos ambos os modelos em cenários com imagens semelhantes ao treinamento e em OoD (corrupções não vistas durante o treinamento), gerando 3.600 resultados de F1-Score. A observação inicial dos resultados é que ResNet50 e Xception se comportam de maneira bastante diferente ao lidar com várias DAs e NI. Especificamente, ResNet50 beneficia-se mais de NI em comparação com Xception. No entanto, os resultados gerais avaliando dados fora da distribuição são melhores ao usar estratégias DAs+NI. Por exemplo, exceções surgem no caso de perturbação de contraste, onde todas as estratégias apresentam desempenho ruim, especialmente aquelas envolvendo injeção de ruído [Balestriero et al., 2022]
Melhorando os resultados de OCR de linhas de texto manuscrito em português brasileiro por meio de LLMs
No full textEste trabalho explora o ajuste-fino de Modelos Grandes de Linguagem (LLMs) para tarefa de correção ortográfica pós-OCR em redações escritas em Português do Brasil. Foram ajustados quatro LLMs abertos pré-treinados em Português: Portuguese T5 (T5), Bart Portuguese (Bart), Sabiá (LLaMa 1) e Gervásio (LLaMa 2), usando previsões de nível de linha geradas por três modelos ópticos: Bluche, Flor e Puigcerver. O conjunto de dados BRESSAY foi utilizado por esses modelos óticos para gerar as predições das imagens das redações. Após isso os LLMs usaram essas predições para corrigir os erros presentes. O algoritmo de correção ortográfica Symspell também foi usado para comparação com esses modelos. A avaliação utilizou as métricas de taxa de erros de caracteres (CER) e taxa de erros de palavras (WER) para medir o desempenho. Os resultados indicam que os quatro modelos de linguagem e o Symspell melhoraram a métrica WER, mas apenas o Symspell conseguiu melhorar a métrica CER (em dois dos três desafios). Especificamente, para previsões de Bluche, Bart Portuguese reduziu o WER em 11,88 pontos percentuais (pp) e Symspell reduziu o CER em 0,8 pp. Para previsões de Flor, Sabiá reduziu o WER em 9,22 pp e Symspell reduziu o CER para 0,22 pp. Para previsões de Puigcerver, Sabiá reduziu o WER em 3,89 pp, e na métrica CER nenhum conseguiu melhorar a taxa. Essas descobertas demonstram o potencial de LLMs ajustados na correção ortográfica pós-OCR - destacando a superioridade de Sabiá na redução de erros de palavras - ao mesmo tempo em que indica desafios em correções em nível de caractere
Cargas e aeroelasticidade em AeroDesign
No full textO projeto de aeronaves deve levar em conta os esforços e deformações na sua estrutura, decorrentes das cargas a que será submetida provocadas pelo próprio peso, carga a ser transportada e das cargas aerodinâmicas. O objetivo deste trabalho é realizar uma análise desses esforços, calculando a intensidade dos mesmos na asa, estabilizadores e superfícies de controle, de uma aeronave não tripulada de pequeno porte destinada a participar da competição SAE Brasil de Aerodesign 2024. O estudo leva em conta também os fenômenos aeroelásticos tais como flutter, divergência e reversão de comandos, com a finalidade de prever instabilidades e melhorar a eficiência estrutural da aeronave. A metodologia utilizada envolveu a criação de diagramas V-n e de rajadas para verificar os limites estruturais e as velocidades de voos seguras, além da aplicação do método de aproximação de Schrenk para determinar a distribuição da sustentação na asa e no estabilizador horizontal. Com base nos carregamentos calculados, foram elaborados os diagramas de esforços cortantes, momentos fletores e momentos torsores determinando os seus valores máximos e suas localizações. Com a finalidade de validar os dados calculados, foram feitos ensaios para determinar o eixo elástico da asa, o principal elemento estrutural da aeronave. Foram também calculadas, para a asa e os estabilizadores as cargas nas superfícies de controle, assim como para a bequilha, considerando ângulos de deflexão máximos, com a finalidade de selecionar os servos motores. Dessa maneira, foram analisados os efeitos de rajadas e manobras bruscas nas estruturas da aeronave, fornecendo um envelope de voo seguro e identificando as margens de segurança necessárias para as diferentes condições operacionais. Os resultados encontrados mostram que os fatores de carga em rajadas e manobras forneceram um envelope de voo seguro, confirmando a robustez do dimensionamento estrutural. Nesse sentido, é possível afirmar que a aeronave está dimensionada para operar de forma segura dentro dos parâmetros estabelecidos, com previsões das instabilidades aeroelásticas, permitindo assim um nível de segurança estrutural adequado para a aeronave da Equipe Tenpest Aerodesign participar da competição SAE Brasil 2024.
 
Uma arquitetura para análise de sinais biomédicos para apoio ao diagnóstico do transtorno do espectro autista
No full textO Transtorno do Espectro do Autismo (TEA) é uma condição de neurodesenvolvimento que afeta a comunicação social, a interação social e envolve comportamentos repetitivos (DSM-5, 2013). Reconhecido como um espectro com diversas manifestações, o TEA tem impactos duradouros nos indivíduos diagnosticados, suas famílias e nos serviços de apoio e tratamento, de acordo com Lord et al. (2018). Em 2019, essa condição teve um número significativo de novos casos em todo o mundo, com aproximadamente 60,38 milhões de registros. Além disso, estima-se que existiam cerca de 283,25 milhões de casos já diagnosticados até então (Kulage et al., 2020). Os sintomas do TEA aparecem geralmente entre 12 e 24 meses de idade, e a intervenção precoce, antes dos 2 anos, pode melhorar significativamente o desenvolvimento cerebral (Yoo, 2016). No entanto, o diagnóstico precoce é majoritariamente clínico e nem sempre é assertivo ou oportuno, devido à necessidade de uma equipe multidisciplinar, que inclui profissionais como fonoaudiólogos, psicólogos, pediatras, psiquiatras e terapeutas ocupacionais (Rani; Yadav; Verma, 2023). Diante deste contexto, este trabalho tem como objetivo principal validar uma nova proposta de ferramenta para o diagnóstico diferencial do TEA com a utilização de algoritmos de aprendizado de máquinas junto a sistemas de EEG com número reduzido de eletrodos, ou de baixa densidade. Em segundo plano, também será tratado de uma metodologia própria para o tratamento de sinais faltantes, comuns neste tipo de base de dados. É importante salientar que este experimento faz parte de um projeto mais amplo que visa criar uma plataforma integrada de hardware e software, utilizando modelos de aprendizado de máquina, o objetivo final é apoiar o diagnóstico precoce e promover o desenvolvimento de habilidades de aprendizado e comunicação em crianças autistas, especialmente na primeira infância. Foi utilizado o conjunto de dados Sheffield (Dickinson, Jeste e Milne, 2022), que contém dados de EEG de 56 indivíduos entre 18 e 68 anos. Os sinais foram adquiridos em sessões de 150 segundos com estímulos visuais e em repouso. Os dados foram filtrados para uma amostragem de 512 Hz, com 64 eletrodos e, por fim, os sinais corrompidos foram removidos. Para lidar com os sinais faltantes em algumas amostras, foi empregada a interpolação utilizando o método de Ponderação pelo Inverso da Distância (IDW). Após o processo de interpolação, o software GNU Octave foi empregado para segmentar os dados em janelas e extrair atributos relevantes. Foram extraídos 34 atributos de cada janela, tais como média, variância, desvio padrão, raiz quadrada da média, variação da amplitude média. Considerando o total de 64 eletrodos, obtivemos um total de 2176 atributos importantes extraídos do sinal. Esses atributos demonstraram alta relevância e eficácia em estudos anteriores que abordaram EEG e sinais fisiológicos periféricos. As janelas utilizadas tinham duração de 2 segundos, com uma sobreposição de 0,5 segundos. Posteriormente, foi realizada a seleção dos atributos mais significativos por meio de Busca Evolucionária. Para a classificação, o conjunto de dados foi dividido em treino/validação (80\%) e teste (20\%), em seguida os algoritmos Bayes Net, Naive Bayes, Random Tree, Random Forest e Máquina de Vetor de Suporte foram implementados. Após a seleção de atributos utilizando Busca Evolucionária, o banco de dados original com 2176 atributos foi reduzido para um novo conjunto com 20 atributos distribuídos em 17 eletrodos, considerados os mais significativos para a classificação do problema. Nesta abordagem, a Random Forest alcançou os melhores resultados durante o treinamento e a validação cruzada. Tanto as configurações com 100 e 500 árvores atingiram acurácia, sensibilidade e especificidade acima de 93%. Para ambas, um índice Kappa de 0,87 e uma área sob a curva ROC de 0,98 também foram medidos. Durante o teste, o classificador Random Forest manteve um bom desempenho, alcançando acurácia de 95,44%, ligeiramente superior à obtida na etapa de treinamento e validação. Este comportamento é comum devido ao menor rigor estatístico de uma única rodada. O índice Kappa de 0,91, a sensibilidade de 0,95 e a especificidade de 0,96 também foram maiores em comparação à etapa de treino, com mais repetições. Este teste serviu para reforçar o potencial do modelo quando apresentado com novos dados deste problema. Por fim, pode-se concluir que foram obtidos resultados encorajadores para o progresso do diagnóstico do TEA, reforçando nosso objetivo principal. A contribuição potencial deste estudo para a saúde coletiva também é significativa. Ao desenvolver métodos mais eficientes e acessíveis para o diagnóstico do TEA, podemos facilitar o acesso a intervenções precoces e eficazes, melhorando o prognóstico e a qualidade de vida das pessoas afetadas pelo transtorno. Além disso, a automatização do processo de diagnóstico pode contribuir para a redução do tempo e custo associados ao diagnóstico do TEA, beneficiando tanto os pacientes quanto o sistema de saúde coletiva como um todo
Identificação de Inconsistências Linguísticas em Requisitos Funcionais utilizando Processamento de Linguagem Natural
No full textA clareza e a consistência dos requisitos de software são componentes críticos para o sucesso de projetos de desenvolvimento. A definição inadequada dos requisitos pode gerar ambiguidades e mal-entendidos que impactam negativamente as fases subsequentes do desenvolvimento, levando a falhas no produto final. Este estudo propõe uma metodologia inovadora que utiliza técnicas avançadas de Processamento de Linguagem Natural (PLN) para identificar e classificar inconsistências linguísticas em requisitos funcionais de software. A pesquisa é guiada pelos critérios de idioma estabelecidos pela norma ISO/IEC/IEEE 29148:2018, que orienta boas práticas na escrita de requisitos.
O método proposto realiza uma análise sintática e semântica dos textos de requisitos, com o objetivo de detectar termos vagos, subjetivos e ambíguos que possam comprometer a clareza e a verificabilidade dos requisitos. Para isso, utiliza-se a biblioteca spaCy para a tokenização e análise de dependências, identificando relações gramaticais e o contexto de uso dos termos. Além disso, a metodologia inclui a avaliação da similaridade semântica, comparando os tokens dos requisitos com uma lista predefinida de palavras problemáticas, permitindo a detecção de termos que introduzem incertezas.
A ferramenta desenvolvida é capaz de identificar uma série de inconsistências, tais como design de implementação, linguagem subjetiva, pronomes vagos, termos ambíguos, declarações lógicas ambíguas, termos abertos e não verificáveis, frases comparativas, termos que implicam totalidade e lacunas. Cada uma dessas categorias é analisada para garantir que os requisitos sejam claros, específicos e verificáveis, minimizando o risco de problemas durante o desenvolvimento do software.
Os resultados obtidos até o momento indicam que a metodologia proposta pode ser uma ferramenta para desenvolvedores e analistas de requisitos, ajudando a prevenir problemas que poderiam surgir devido a inconsistências linguísticas. A aplicação prática da ferramenta em ambientes reais de desenvolvimento de software pode contribuir para a redução de erros e retrabalho, promovendo o desenvolvimento de sistemas mais robustos e eficientes