O interesse pela dinâmica e a compreessão das características de disseminação de doenças infectocontagiosa datam de mais de dois séculos. Diversas perspectivas podem ser consideradas nesses estudos, onde há um apreço especial pela imunização. A escolha assertiva de grupos de indivíduos a serem imunizados pode impactar diretamente na dinâmica de contaminação, tanto na proteção de partes da população quanto na minimização da velocidade de contágio. Tal tarefa é importante e desafiadora em cenários de epidemias com número reduzidos de doses disponíveis, por envolver inúmeras combinações de escolhas.

O objetivo deste trabalho é propor uma melhora em uma metodologia para a escolha de indivíduos a serem imunizados baseada em algoritmo genético, que utiliza o modelo epidemiológico SIR para avaliação dos diferentes conjuntos propostos. Sua efetividade será verificada através de um estudo comparativo com critérios que utilizam de métricas de centralidade em redes e de uma escolha aleatoria de indivíduos. Os resultados obtidos por experimentos que simulam epidemias com a vacinação por cada um dos critérios serão avaliados sob as perspectivas que consideram o número de indivíduos afetados, o maior número de infectados em um mesmo instante e a taxa de contaminação estimada. Os resultados obtidos indicam que a escolha sistemática de indivíduos é uma decisão acertada para este tipo de problema e que os resultados obtidos pela metodologia de otimização são equivalentes aos resultados entregues pelas principais métricas de centralidade utilizadas em redes complexas.

O Programa Nacional de Imunizações (PNI), criado em 1973 pelo Ministério da Saúde do Brasil, é responsável pela regulação sobre a sala de vacinação, o que inclui os procedimentos operacionais em relação a sua utilização. O enfermeiro é o profissional responsável pela supervisão da sala de vacinação e pelo processo de educação permanente da equipe, sendo necessário realizar capacitações periodicamente. No entanto, as capacitações geralmente não ocorrem de maneira sistematizada, sendo normalmente focadas apenas na atualização do calendário vacinal. Neste trabalho é proposto o uso de abordagens inovadoras, como mundos virtuais, jogos digitais e metodologias ativas, de modo a contribuir com um ambiente para ensino de vacinação. A pesquisa é delineada segundo a metodologia Design Science Research (DSR), contanto com a orientação de uma equipe multidisciplinar. Foi modelada e desenvolvido um ambiente virtual tridimensional, como uma aplicação desktop por meio do motor de jogo Unity, para apoiar a realização de capacitações em uma sala de vacina virtual. Também foi realizada a modelagem e implementação de um sistema para a criação e educação de cenários para a simulação. Foram executadas duas avaliações, uma com juízes especialistas para validar o artefato construído por meio do método Delphi e outra com aprendizes, para validar a usabilidade e aceitação de tecnologia por meio dos métodos System Usability Scale (SUS) e Unified Theory of Acceptance and Use of Technology (UTAUT2). A partir dos resultados foi possível evidenciar que a simulação proposta foi bem aceita e possui boa usabilidade de acordo com o método SUS (Score de 81,38). A análise promovida pelo UTAUT2 permitiu ainda identificar que a expectativa de desempenho foi o fator que mais influencia positivamente na intenção comportamental dos aprendizes. Destaca-se ainda que ambos os públicos que participaram das avaliações ressaltaram a relevância da simulação proposta, bem como são apontados aprimoramentos em relação à representação de alguns itens na sala virtual. Por fim, conclui-se que a simulação proposta consiste em uma alternativa viável e desejável para o ensino de vacinação.

As redes sociais refletem os relacionamentos e interações entre indivíduos e têm desempenhado um papel muito importante na difusão de informação, em que a comunicação de ideias e compartilhamento de opiniões acontecem a todo momento. São diversos os exemplos de como as redes sociais podem afetar o comportamento dos indivíduos, tais como o marketing viral, a difusão de memes e a propagação de fake news. Essa dinâmica de difusão de informação tem motivado o estudo de diversas abordagens para identificar os principais influentes em uma rede. 
O problema de Maximização de Influência consiste em encontrar um subconjunto S, chamado de conjunto de sementes, de no máximo k elementos, de modo que a propagação máxima (esperada) seja alcançada por meio de um modelo de difusão, tendo S como os influenciadores iniciais em uma rede. Já foi demonstrado que o o problema de maximização de influência é um problema de otimização NP-difícil, portanto, devido à sua complexidade, é inviável encontrar o subconjunto S que garanta a difusão mais abrangente. 
A abordagem mais comum para este problema é a utilização de algoritmos aproximados, destacando-se o Cost-Effective Lazy Forward (CELF), cerca de 700 vezes mais rápido do que a estratégia gulosa proposta por Kemp et al., e o CELF++, que apresenta um ganho em tempo de execução entre 35 a 55% sobre o CELF.
Este trabalho apresenta uma modificação dos dois algoritmos estado-da-arte supracitados, CELF e CELF++, substituindo as simulações de Monte Carlo por estimativas de difusão (metamodelos), para a seleção de conjunto de sementes. Buscou-se sintetizar e, com um foco especial, mostrar que: (1) os metamodelos podem ser usados para estimar qualitativamente a difusão de conjuntos de sementes; (2) o uso de métodos já conhecidos na literatura em conjunto com metamodelos é capaz de identificar, ordens de grandeza mais rápido, indivíduos mais influentes e, em alguns casos, até superar o resultado desses métodos em propagação.

Com a popularização da Internet, discussões online vêm possibilitando uma intensa e constante troca de conhecimentos entre usuários sobre os mais variados temas. Enquanto os dados produzidos nessas discussões possibilitam novas maneiras de se fazer ciência, sua análise manual apresenta-se inviável. Técnicas de mineração de dados vêm sendo adotadas, fundamentando-se na descoberta de conhecimento em bases de dados (Knowledge Discovery in Databases), um processo iterativo e com o envolvimento do especialista no domínio de problema analisado, que visa extrair conhecimento útil de grandes volumes de dados. Cada deste processo apresenta numerosas escolhas, impactando significativamente nos resultados finais da pesquisa. Entretanto, a participação do especialista em todo o processo apresenta-se como um desafio em análises multidisciplinares, onde o domínio de problema e os pesquisadores muitas vezes não pertencem à área de Mineração de Dados. Trabalhos propostos envolvem o pesquisador predominantemente na etapa de análise final dos dados, ficando a cargo dos especialistas em mineração definir os parâmetros das demais etapas. Observa-se também a ausência de propostas de processos metodológicos para as análises, limitando seu rigor e reprodutibilidade. O presente trabalho apresenta a pesquisa e o desenvolvimento de uma ferramenta de mineração de dados para análise interativa de discussões online, bem como seu processo de uso, com foco na participação do usuário pesquisador em todas as etapas da análise. Para garantir o rigor científico do desenvolvimento, é empregada a metodologia Design Science Research, onde o conhecimento e a compreensão de um domínio do problema e sua solução são alcançados por meio de um artefato projetado. O processo de uso proposto para aplicação da ferramenta desenvolvida utiliza a análise sistemática dos dados para construção de teorias, proveniente da Pesquisa Fundamentada em Dados. Sua efetiva contribuição é avaliada por meio do método System Usability Scale, aplicado a usuários na exploração de uma discussão online real. A avaliação apresenta uma alta taxa de aceitação, indicando a relevância e utilidade da ferramenta e seu processo de uso. Também é realizado um estudo de caso aplicando a ferramenta e seu processo à análise de uma discussão online sobre neurociência. A consistência dos assuntos produzidos pela análise da comunidade e sua capacidade de responder de forma satisfatória às questões de pesquisa demonstraram a aplicabilidade da pesquisa desenvolvida, além de contribuir com a criação de novos conhecimentos científicos na área. Os resultados deste trabalho foram comunicados cientificamente nos eventos internacionais IEEE 20th International Conference on Information Reuse and Integration for Data Science e II Latin American Workshop on Computational Neuroscience.

O processo de Descoberta de Conhecimento de Bases de Dados (KDD) aplicado em dados estruturados é um desafio onde diversas abordagens já há algum tempo conseguiram relativo sucesso. Muitas destas abordagens baseiam-se no Aprendizado de Máquina tradicional e seus paradigmas. Já o processamento de dados não-estruturados teve sua popularização apenas recentemente, com o surgimento do Deep Learning, uma abordagem baseada em Redes Neurais Artificiais (RNAs). Embora as RNAs não sejam um método
novo, a evolução do poder computacional de forma acessível, em especial através das GPUs, juntamente com o surgimento de técnicas cada vez mais eficientes de otimização, impulsionaram suas aplicações de uma forma extraordinária em domínios como processamento de imagens, áudio, linguagem natural, dentre outros. Este trabalho busca investigar como estas novas técnicas podem ser aplicadas a fim de melhorar os resultados em modelos gerados sobre dados estruturados. Desta investigação, surgiu a proposta da OlapNet, uma arquitetura de Rede Neural Convolucional (CNN) que baseia-se em operações implícitas de
cubos de dados como entrada. Formalmente identificou-se que esta arquitetura é capaz se superar os resultados de um grupo específico de transformações realizadas sobre os dados, permitindo em partes a automação da etapa de transformação de dados no processo de KDD. Para verificar a proposta empiricamente, foi utilizada uma amostra de dados de uma base real contendo dados anonimizados do histórico de endividamento dos clientes de uma instituição financeira. A partir destes dados, foi modelado um problema de classificação preditiva para estimar a probabilidade de um cliente qualquer contratar novos créditos nos próximos três meses. Assim, foram utilizados métodos tradicionais de Aprendizado de
Máquina e variações de CNNs, incluindo a proposta deste trabalho. Os resultados mostraram que em quase todos os casos as CNNs superam os métodos tradicionais, indicando que os Features Maps gerados a partir dos kernels convolucionais aprendidos pela rede são capazes de extrair características relevantes. Estes kernels não somente permitem extrair características, como reduzem a complexidade da rede ao delimitar uma vizinhança para cada pixel e diminuem a propensão de ocorrer overfitting. Dentre as CNNs testadas, a
OlapNet supera todos os outros métodos, indicando que a arquitetura proposta é bastante promissora.

O projeto e desenvolvimento de sistemas de software autônomos vem sendo amplamente investigados principalmente a partir do manifesto disseminado pela IBM concomitantecom o advento da Computação Autonômica (Autonomic Computing). Sistemas de software autônomos (ou autonômicos) são aqueles capazes de adaptar os comportamentos existentes à demanda de novos requisitos e de resolver incidentes com a mínima intervenção humana. Porém, investigações de como incorporar as capacidades de adaptação e resolução autônoma de incidentes em sistemas existentes (legados), apesar de desejado, pouco foi investigado nos últimos anos. Permitir que sistemas de software legados se adaptem requer a identificação e incorporação de atuadores responsáveis pela adaptação do comportamento e dos sensores que medem a variação no estado dos comportamentos monitorados. Idealmente, a incorporação de atuadores e sensores deve ser realizada de um modo flexível, isto é, sem que o sistema de software tenha que ser projetado e implementado novamente. Para isso, neste artigo, propomos uma nova abordagem para o gerenciamento autônomo de incidentes em sistemas de software legados. Nossa abordagem é baseada em dois conceitos primordiais: (i) composição transversal dos sensores com o código existe pormeio de técnicas de composição invasiva; e (ii) adaptação do comportamento por meio de tecnologias de virtualização. Com isso, é possível incorporar em sistemas legados novos comportamentos autônomos de modo rápido e flexível. Apresentamos adicionalmente uma avaliação da aplicabilidade da nossa abordagem no Moodle, um sistema legado largamente utilizado na prática para a condução de cursos a distância.

Atualmente, os chamados Sistemas de Recomendação (SsR) têm sido usados para auxiliar usuários a descobrir Pontos de Interesse (POIs) relevantes em redes sociais baseadas em localização (Location Based Social Network - LBSN), tais como o Yelp e o FourSquare. Diante dos principais desafios de esparsidade de dados e diferentes fontes de informação, tais como a influência geográfica, nesse cenário, a maioria dos trabalhos sobre recomendações de POIs tem se concentrado apenas na melhoria da efetividade (i.e., acurácia) dos sistemas. No entanto, existe um crescente consenso de que apenas a efetividade não é suficiente para avaliar a utilidade prática desses sistemas. Em cenários reais, as diversidades categóricas e geográficas foram identificadas como as principais dimensões complementares para avaliar a satisfação dos usuários e a utilidade das recomendações. Os poucos trabalhos existentes na literatura estão concentrados em apenas um desses conceitos, isoladamente. Neste trabalho, propomos uma nova estratégia de pós-processamento, que combina esses conceitos a fim de melhorar a utilidade dos POIs recomendados para os usuários. Nesse contexto, o pós-processamento consiste em reordenar uma lista de POIs oriunda de um Recomendador Base (RB) a fim de maximizar as diversidades categórica e geográfica entre os primeiros itens da lista. Nossos resultados experimentais nos conjuntos de dados do Yelp mostram que nossa estratégia pode melhorar a utilidade da lista de POIs recomendados aos usuários, considerando diferentes SsR e múltiplas métricas de diversificação. Nosso método é capaz de melhorar a diversidade em até 120% sem grandes perdas de efetividade.

A modernização das plataformas computacionais vem proporcionando o surgimento de novas características nos sistemas de informação que são pouco exploradas, e quando são, em boa parte, não apresentam padronização quanto à sua utilização. Neste cenário, um dos pontos a ser explorado é o compartilhamento de recursos criados pelos mais diversos tipos de usuário de sistemas computacionais. No entanto, é possível verificar que o  compartilhamento de recursos entre usuários finais de sistemas computacionais costuma não possuir uma padronização para controlar seu empacotamento, distribuição e versionamento. Considerando as particularidades envolvidas em cada sistema de informação, torna-se necessário a definição de uma camada de abstração que propicie que este compartilhamento possa ocorrer de forma transparente entre os usuários dos mais diversos sistemas. Com isso, este trabalho traz o UAISharing - uma interface Universal de Acesso a Recursos Compartilhados, uma proposta que visa apresentar um modelo de empacotamento e distribuição de recursos produzidos por usuários finais.