| dc.contributor.advisor | Webber, Carine Geltrudes | |
| dc.contributor.author | Abel, Fernando Andriolo | |
| dc.contributor.other | Notari, Daniel Luís | |
| dc.contributor.other | Ribeiro, Helena Graziottin | |
| dc.date.accessioned | 2017-02-07T12:20:12Z | |
| dc.date.available | 2017-02-07T12:20:12Z | |
| dc.date.submitted | 2016 | |
| dc.identifier.uri | https://repositorio.ucs.br/handle/11338/1544 | |
| dc.description | O acesso facilitado de pessoas e pacientes a fontes de informação sobre saúde ampliou a necessidade de que tais informações disponíveis sejam revisadas e analisadas, principalmente em contextos onde o paciente deve participar da decisão do seu tratamento. A análise textual é caracterizada pela apreensibilidade e a qualidade do conteúdo. A apreensibilidade de um texto trata da facilidade de compreensão. Existem diversas fórmulas utilizadas para avaliá-la (Flesch Reading Ease, SMOG Index, etc.). A qualidade textual, por sua vez, é abordada através de estudos realizados sobre Mineração de Textos. A Mineração de Textos caracteriza-se como um processo que contém diversas técnicas a fim de organizar, descobrir e extrair informações em bases de dados textuais de forma ágil e automática. O objetivo principal deste trabalho foi propor a concepção de uma ferramenta web para avaliar textos em português a partir da fórmula de apreensibilidade Fernández-Huerta e técnicas de classificação (J48, Bayes Net, Naïve Bayes, Support Vector Machines, K-Nearest Neighbors e Multilayer Perceptron). Para atingir o objetivo proposto, coletou-se uma amostra de dados textual composta por textos de sites sobre saúde na internet. O conjunto de dados foi dividido entre dados para treinamento e dados para testes. A fim de proceder com as análises, implementou-se uma ferramenta de plataforma web para apoiar tanto a análise de apreensibilidade quanto de qualidade da informação. Foram realizados testes com o software. Os resultados obtidos foram comparados com classificações realizadas por especialistas humanos. Identificou-se que o algoritmo Naïve Bayes apresentou os melhores resultados na classificação dos dados (89% de acerto). Como conclusão, considera-se que os resultados são promissores e evidenciam a viabilidade de uso de técnicas de aprendizado automático no tratamento de textos da área da saúde (sic). | pt_BR |
| dc.language.iso | pt | pt_BR |
| dc.subject | Mineração de dados (Computação) | pt_BR |
| dc.subject | Ensino auxiliado por computador | pt_BR |
| dc.title | Análise textual automática : apreensibilidade e qualidade da informação na área da saúde | pt_BR |
| dc.type | Monografia | pt_BR |
| mtd2-br.advisor.instituation | Universidade de Caxias do Sul | pt_BR |
| mtd2-br.program.name | Bacharelado em Ciência da Computação | pt_BR |
