https://hdl.handle.net/1884/98103 2026-04-04T04:19:51Z 2026-04-04T04:19:51Z https://hdl.handle.net/1884/98602 2025-09-29T14:34:26Z 2025-01-01T00:00:00Z

Mapeamento sistemático da literatura sobre jogos digitais sérios e educacionais na prevenção, conscientização e combate à violência sexual Resumo : Jogos digitais sérios e educacionais têm sido cada vez mais utilizados como ferramentas inovadoras para abordar questões sociais complexas, incluindo a violência sexual. No entanto, observa-se uma carência de estudos consolidados sobre jogos projetados, implementados e avaliados com foco na prevenção, conscientização e combate a esse tipo de violência. Diante disso, este trabalho tem como objetivo mapear sistematicamente a literatura científica, identificando e caracterizando os jogos digitais sérios e educacionais existentes que abordam a violência sexual, analisando suas estratégias narrativas, metodologias de desenvolvimento, mecânicas de jogo, objetivos educacionais, público-alvo, entre outras características. Para este Mapeamento Sistemático da Literatura (MSL), foram definidos critérios de inclusão e exclusão. O processo incluiu buscas em bases de dados como IEEE Xplore, ACM Digital Library, Scopus e ERIC. Oito artigos foram analisados, revelando tendências no design de jogos, como narrativas baseadas em storytelling interativo e aprendizado baseado em cenários. Foram identificadas lacunas importantes, como a escassez de avaliações de impacto a longo prazo e a baixa adaptabilidade cultural. Essas percepções oferecem recomendações práticas para pesquisadores, educadores e desenvolvedores que desejam aprimorar a eficácia de futuros jogos nesse domínio crítico; Abstract : Serious and educational digital games have increasingly been used as innovative tools to address complex social issues, including sexual violence. However, a lack of consolidated studies has been identified regarding games that are specifically designed, implemented, and evaluated in the context of prevention, awareness, and the fight against sexual violence. Therefore, this study aims to systematically map the scientific literature to identify and characterize existing serious and educational digital games focused on sexual violence, analyzing their narrative strategies, development methodologies, game mechanics, educational objectives, target audience, among other features. For this Systematic Mapping Study (SMS), inclusion and exclusion criteria were established. The process involved searches in databases such as IEEE Xplore, ACM Digital Library, Scopus, and ERIC. Eight articles were analyzed, revealing trends in game design, such as interactive storytelling and scenario-based learning. Key gaps were identified, including limited evaluations of long-term impact and cultural adaptability. These insights provide practical recommendations for researchers, educators, and developers to improve the effectiveness of future games in this critical domain Orientador: Natasha Malveira Costa Valentim; Monografia (graduação) - Universidade Federal do Paraná, Setor de Ciências Exatas, Curso de Graduação em Informática Biomédica; Inclui referências

2025-01-01T00:00:00Z https://hdl.handle.net/1884/98601 2025-09-29T14:29:17Z 2025-01-01T00:00:00Z

Plataforma para armazenamento e análise de dados genéticos Resumo : A análise cromossômica e genômica tornou-se uma ferramenta fundamental no diagnóstico e tratamento personalizado na medicina clínica. Este trabalho propõe o desenvolvimento de uma plataforma para armazenamento, organização e análise de dados genéticos e fenotípicos, atendendo à demanda do Programa de Pós-Graduação em Genética da UFPR em parceria com a LAInfS. A motivação surge da necessidade de estruturar dados de pesquisas anteriores armazenados em planilhas, garantindo maior integridade, padronização e segurança. Para isso, foi modelado um banco de dados relacional com base nas planilhas fornecidas por docentes e pesquisadores, incorporando funcionalidades como importação e exportação de dados em formato CSV, gerenciamento de usuários e controle de acesso. A plataforma foi desenvolvida em Python, utilizando o framework Django. O trabalho também apresenta uma revisão sobre conceitos genéticos relevantes, como polimorfismos de nucleotídeo único e expressão gênica, além dos pilares de banco de dados. As funcionalidades desenvolvidas foram testadas com dados reais, demonstrando eficiência na inserção em massa via arquivos CSV e na exportação para formatos compatíveis com ferramentas como R, Python e softwares de análise genômica. A estrutura de permissões por grupos foi validada, permitindo controle de acesso conforme o perfil do usuário; Abstract : Chromosomal and genomic analysis has become a fundamental tool for personalized diagnosis and treatment in clinical medicine. This work proposes the development of a platform for storage, organization, and analysis of genetic and phenotypic data, meeting the demand of the Graduate Program in Genetics at UFPR in partnership with LAInfS. The main motivation arises from the need to structure data from previous research stored in spreadsheets, ensuring greater integrity, standardization, and security. To this end, a relational database was modeled based on spreadsheets provided by professors and researchers, incorporating functionalities such as importing and exporting data in CSV format, user management, and access control. The platform was developed in Python, using the Django framework. The work also presents a review of relevant genetic concepts, such as single nucleotide polymorphisms and gene expression, as well as the pillars of databases. The developed functionalities were tested with real data, demonstrating efficiency in bulk insertion via CSV files and in exporting to formats compatible with tools like R, Python, and genomic analysis software. The group permission structure was validated, allowing access control according to the user’s profile Orientador: Prof. Dr. Lucas Ferrari de Oliveira; Coorientador: Prof. Dr Ricardo Lehtonen Rodrigues de Souza; Monografia (graduação) - Universidade Federal do Paraná, Setor de Ciências Exatas, Curso de Graduação em Informática Biomédica; Inclui referências

2025-01-01T00:00:00Z https://hdl.handle.net/1884/98600 2025-09-29T14:14:39Z 2025-01-01T00:00:00Z

Extração de características radiômicas para classificação de nódulos pulmonares utilizando SVM e BRF Resumo : O câncer de pulmão é uma das principais causas de mortalidade no mundo, sendo o diagnóstico precoce fundamental para aumentar as chances de sucesso no tratamento. Nesse contexto, a análise de imagens médicas, aliada a técnicas de inteligência artificial e à radiômica, têm se destacado como uma estratégia promissora no apoio ao diagnóstico. Este trabalho tem como objetivo avaliar o desempenho dos algoritmos Support Vector Machine (SVM) e Balanced Random Forest (BRF) na classificação de imagens de tomografia computadorizada (TC) para a identificação de nódulos pulmonares. O primeiro passo foi submeter as imagens a um processo de pré-processamento, que inclui limpeza, transformação e redução dos dados. A extração das características radiômicas foi realizada através da biblioteca PyRadiomics, envolvendo descritores estatísticos de primeira ordem, características de textura e métricas relacionadas à forma das regiões de interesse. Em seguida, os dados foram utilizados para treinar e validar os modelos de aprendizado de máquina, considerando técnicas para lidar com o desequilíbrio das classes "nódulo"e "não nódulo"da base de dados. Os resultados indicaram um desempenho limitado de ambos os modelos. O SVM apresentou maior sensibilidade (0,762) e F1-score (0,477), o que significa que conseguiu identificar uma maior parte dos casos positivos, porém com uma precisão muito baixa (0,349), resultando em muitos falsos positivos. O BRF obteve uma especificidade maior (0,871) e uma precisão razoavelmente maior (0,442), mas com recall baixo (0,492) e F1-score baixo (0,463), mostrando que o modelo falhou em detectar corretamente a maioria dos nódulos. De forma geral, ambos os modelos apresentaram desempenho insatisfatório, evidenciando a dificuldade em lidar com os desafios relacionados principalmente ao desbalanceamento da base de dados. Esses resultados ressaltam a necessidade de aprimoramento nas etapas de pré-processamento, seleção de atributos e na escolha de algoritmos mais robustos para esse tipo de tarefa; Abstract : Lung cancer is one of the leading causes of mortality worldwide, with early diagnosis being essential to improve treatment success rates. In this context, medical image analysis combined with artificial intelligence techniques and radiomics has emerged as a promising strategy to improve diagnosis. This study aims to evaluate the performance of the Support Vector Machine (SVM) and Balanced Random Forest (BRF) algorithms in classifying computed tomography (CT) images for the identification of pulmonary nodules. The first step involved a preprocessing pipeline, including data cleaning, transformation, and reduction. Radiomic feature extraction was performed using the PyRadiomics library, covering first-order statistical descriptors, texture features, and shape-related metrics from the regions of interest. The extracted features were then used to train and validate machine learning models, applying techniques to handle the class imbalance between "nodule" and "non-nodule" samples in the dataset. The results indicated a limited performance for both models. The SVM showed higher sensitivity (0.762) and F1-score (0.477), meaning it was able to identify a greater portion of positive cases; however, it achieved a very low precision (0.349), resulting in a high number of false positives. The BRF obtained higher specificity (0.871) and a slightly better precision (0.442), but with low recall (0.492) and a low F1-score (0.463), indicating that the model failed to correctly detect most nodules. Overall, both models demonstrated unsatisfactory performance, highlighting the challenges mainly related to the class imbalance in the dataset. These results emphasize the need for improvements in preprocessing steps, feature selection, and the adoption of more robust algorithms for this type of task Orientador: Prof. Dr. Lucas Ferrari de Oliveira; Coorientador: Prof. Dr. Fernando Roberto Pereira; Monografia (graduação) - Universidade Federal do Paraná, Setor de Ciências Exatas, Curso de Graduação em Informática Biomédica; Inclui referências

2025-01-01T00:00:00Z