Metodologia para apoio à decisão em multicritério aplicado a problemas de Big data

• Ano de defesa: 2024
• Autor(a) principal: Pinheiro, Pedro Gabriel Caliope Dantas
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Processamento de dados; Tomada de decisão - Processamento de dados; Comportamento verbal
• Link de acesso: https://biblioteca.sophia.com.br/terminalri/9575/acervo/detalhe/590689

Esta pesquisa propôs apresentar um modelo metodológico estruturado na justaposição de algoritmos de Machine Learning (ML) e Deep Learning (DL) associado a métodos de abordagens por meio da Análise Verbal de Decisão (AVD) como o ZAPROS III-i aplicados a grandes volumes de dados – Big Data. A validação da metodologia híbrida ocorre em cinco etapas: 1) aborda-se a metodologia de pesquisa com sua caracterização e suas fases de estruturação e aplicação do modelo de avaliação, contendo a definição dos critérios e dos parâmetros de classificação e priorização de pontos monitorados; 2) obtenção da base de dados; 3) análise e filtro dos dados para eliminar campos vazios ou nulos, bem como a poluição na interpretação da base; 4) aplicação dos algoritmos Naive Bayes, Random Forest, Decision Tree, Logistic Regression, Support Vector Machine, K-Nearest Neughbor, Neural Network e Multilayer Perceptron para classificar os critérios dentro dos parâmetros inseridos e realizar comparações para obter o melhor resultado dentro de cada situação problema; 5) elaboração e aplicação de um questionário com profissionais da saúde com a devida expertise da problemática para obtenção do ranqueamento por meio da Análise Verbal de Decisão (AVD) como o ZAPROS IIIi através da plataforma ARANAÚ. A pesquisa destaca a eficácia dos modelos preditivos de Machine Learning no diagnóstico precoce e tratamento de doenças, como demência em pessoas com HIV/AIDS e sintomas pós-Covid. Os modelos de Inteligência Artificial (IA), como Random Forest e Logistic Regression, mostraram precisão na detecção precoce e classificação de sintomas. A validação por questionários e preferências dos profissionais de saúde foi fundamental. A abordagem híbrida de Aprendizado de Máquina, Aprendizagem Profunda e Análise Verbal de Decisão simplificou a avaliação de características específicas para diagnósticos precoces, com destaque para a eficiência do algoritmo Random Forest na identificação das características mais relevantes. Com a validação desta metodologia, o desenvolvimento destes modelos representa avanços significativos na área da saúde e computacional, de modo multidisciplinar, evidenciando o potencial das técnicas de ML para melhorar a qualidade de vida e na redução da mortalidade social. Palavras-chave: Método de Pesquisa; Aprendizado de Máquina; Análise Verbal de Decisão; Apoio a Decisão em Multicritério