Search

As Redes Sociais, que desempenham um papel significativo no debate e na comunicação moderna, enfrentam o desafio contemporâneo do grande volume desordenado de conteúdo nocivo, como discurso de ódio e desinformação. Este artigo aborda a detecção de discurso de ódio em português, considerando suas particularidades linguísticas e nuances culturais. Utilizando-se modelos derivados de Transformers, juntamente com diversas estratégias de treinamento e ativação, são investigados nove modelos com variações em arquitetura, tamanho e corpora de pré-treinamento. Os resultados obtidos demonstram que, apesar de grandes modelos generativos acessados via prompts apresentarem resultados promissores, modelos de linguagem de menor escala ajustados permanecem superiores na realização dessa delicada tarefa.

Embora estudos sobre como medir a leiturabilidade de um texto remontem ao século passado, ainda não há um consenso sobre quais seriam as melhores métricas. Ferramentas de Processamento de Linguagem Natural (PLN) podem apoiar esta tarefa, mas dependem de um grande número de amostras para treinamento, o que é uma barreira para seu avanço. O objetivo principal deste artigo é analisar o impacto de determinados métodos de aumento de dados (AD) para enfrentar essa barreira e apoiar a classificação de leiturabilidade no português brasileiro (PB). Para tanto, foi estabelecido um corpus pareado e classificado, com textos originais complexos e suas versões simplificadas sobre temas de Ciências, desenvolvido por linguistas. Esse corpus foi aumentado com técnicas agnósticas de AD: substituição por sinônimos (SS) e retrotradução (RT). Foram avaliados 75 modelos com diferentes técnicas e combinações de atributos de entrada. O melhor resultado obtido para o conjunto dos textos do corpus sem aumento foi de 94,0% de taxa de acerto. Este resultado subiu para 95,2% combinando-se as métricas do sistema NILC-Metrix com representações vetoriais de texto contextualizadas. Quando comparados a outros trabalhos voltados para o PB, a metodologia proposta gerou um aumento na taxa de acerto em um domínio distinto ao de treino. Conclui-se que o modelo treinado com AD demonstra capacidade igual ou superior àqueles treinados sem aumento e, ao mesmo tempo, apresenta maior generalização quando aplicado a outros domínios.

Scientific Workflows (SWfs) have revolutionized how scientists in various domains of science conduct their experiments. The management of SWfs is performed by complex tools that provide support for workflow composition, monitoring, execution, capturing, and storage of the data generated during execution. In some cases, they also provide components to ease the visualization and analysis of the generated data. During the workflow’s composition phase, programs must be selected to perform the activities defined in the workflow specification. These programs often require additional parameters that serve to adjust the program’s behavior according to the experiment’s goals. Consequently, workflows commonly have many parameters to be manually configured, encompassing even more than one hundred in many cases. Wrongly parameters’ values choosing can lead to crash workflows executions or provide undesired results. As the execution of data- and compute-intensive workflows is commonly performed in a high-performance computing environment e.g., (a cluster, a supercomputer, or a public cloud), an unsuccessful execution configures a waste of time and resources. In this article, we present FReeP—Feature Recommender from Preferences, a parameter value recommendation method that is designed to suggest values for workflow parameters, taking into account past user preferences. FReeP is based on Machine Learning techniques, particularly in Preference Learning. FReeP is composed of three algorithms, where two of them aim at recommending the value for one parameter at a time, and the third makes recommendations for n parameters at once. The experimental results obtained with provenance data from two broadly used workflows showed FReeP usefulness in the recommendation of values for one parameter. Furthermore, the results indicate the potential of FReeP to recommend values for n parameters in scientific workflows.

The Internet’s popularization has increased the amount of content produced and consumed on the web. To take advantage of this new market, major content producers such as Netflix and Amazon Prime have emerged, focusing on video streaming services. However, despite the large number and diversity of videos made available by these content providers, few of them attract the attention of most users. For example, in the data explored in this article, only 6% of the most popular videos account for 85% of total views. Finding out in advance which videos will be popular is not trivial, especially given many influencing variables. Nevertheless, a tool with this ability would be of great value to help dimension network infrastructure and properly recommend new content to users. In this way, this manuscript examines the machine learning-based approaches that have been proposed to solve the prediction of web content popularity. To this end, we first survey the literature and elaborate a taxonomy that classifies models according to predictive features and describes state-of-the-art features and techniques used to solve this task. While analyzing previous works, we saw an opportunity to use textual features for video prediction. Thus, additionally, we propose a case study that combines features acquired through attribute engineering and word embedding to predict the popularity of a video. The first approach is based on predictive attributes defined by resource engineering. The second takes advantage of word embeddings from video descriptions and titles. We experimented with the proposed techniques in a set of videos from GloboPlay, the largest provider of video streaming services in Latin America. A combination of engineering features and embeddings using the Random Forest algorithm achieved the best result, with an accuracy of 87%.

RESUMO Introdução Tem havido um renovado interesse pela temática da relação médico-paciente e dos valores humanitários na formação dos estudantes de Medicina, pois a capacidade de sentir empatia pelos pacientes é considerada um dos pilares da boa prática médica. A inversão de papéis é uma técnica derivada do psicodrama que pode favorecer o desenvolvimento da capacidade empática na relação médico-paciente. Objetivo Relatar a experiência de ensino-aprendizagem da anamnese psiquiátrica no curso de Semiologia em Psiquiatria com alunos da terceira série do curso médico da Faculdade de Medicina de Botucatu (Unesp), utilizando a inversão de papéis como principal método pedagógico. Método Relato de experiência. A atividade é desenvolvida em cinco etapas distintas, mas inter-relacionadas: (1) leitura e estudo autônomos da apostila de propedêutica psiquiátrica; (2) realização da anamnese em três grupos de 15 alunos, em que estes alternam o papel de médico (entrevistador) e paciente (entrevistado); (3) realização de uma anamnese completa com um colega de turma, alternando-se também o papel de paciente e de médico; (4) realização, pela mesma dupla, da anamnese psiquiátrica com um paciente internado no hospital geral universitário; (5) discussão das anamneses realizadas, atividade em que os alunos assumem o papel do paciente entrevistado para relatar, em primeira pessoa, os dados obtidos na entrevista. Resultados Os alunos mostram-se colaborativos, participando com interesse de todas as etapas da atividade, que parece favorecer não apenas o aprendizado específico da anamnese psiquiátrica, mas também a capacidade empática pelos colegas e pacientes. Nas discussões, atenção especial é dada às descobertas e dificuldades vivenciadas pelos estudantes nessas atividades práticas, assim como aos sentimentos experimentados em cada uma das etapas do processo. A atitude do preceptor de ouvir e acolher com respeito todos os relatos, dúvidas e manifestações afetivas dos alunos procura ser um modelo de postura de acolhimento sem julgamento dos problemas e sentimentos dos pacientes, postura fundamental para o estabelecimento da aliança terapêutica. Conclusão A inversão de papéis pode auxiliar os estudantes de Medicina no aprendizado da anamnese psiquiátrica, assim como no desenvolvimento da empatia, habilidade essencial à prática médica de boa qualidade.