• Nenhum resultado encontrado

Cálculo de Surpresas e Descrição da Rua

4.5 Limitações

5.1.1 Cálculo de Surpresas e Descrição da Rua

Uma vez que o objetivo desta etapa do trabalho é destacar cenas ao longo de uma rua ou trecho de rua de modo a avaliar o conteúdo destas cenas frente a opinião de urbanistas e não

urbanistas, recorreu-se à proposta de Correl e Heer [94]. A proposta de Correl e Heer [94] define o cálculo de surpresas para um determinado dado como uma alternativa de melhor representar o quão surpreendente é este valor em relação a um conjunto de premissas assu- midas. A proposta foi aqui utilizada para calcular um valor de surpresa para cada cena, tendo como base o valor de seu Q-Score [9], e, assim, destacar as cenas mais surpreendentes ao longo de rua.

A proposta de Correl e Heer [94] se baseia em três pontos principais: na existência de um espaço de modelos base (M ), no qual se acredita que possa explicar os dados sob avaliação; no cálculo da surpresa de Bayes (do inglês, Bayesian surprise), que compara mudanças nas crenças a priori (P (M )) e a posteriori (P (M |D) em distribuições de probabilidade; e na atualização das crenças a priori e a posteriori, denominada de atualização de Bayes (do inglês, bayesian update). As distâncias entre as distribuições a priori e a posteriori são calculadas utilizando a divergência Kullback-Leibler de acordo com a fórmula:

KL(P (M |D)||P (M )) = |M | X i=1 P (Mi|D)log P (Mi|D) P (Mi)

Tendo como base o código divulgado pelos autores1, a surpresa para um dado a é definida como KL(P (M |D)||P (M )) se a soma das diferenças entre o valor a observado e os valores esperados para cada modelo pertencente aM for positiva, e como −KL(P (M |D)||P (M )) caso contrário.

Foram considerados três modelos base para o espaço de modelos M : i) um modelo uniforme, definido pela média dos Q-Scores das cenas da rua, visando representar os casos de ruas totalmente homogêneas; ii) um modelo normal, visando representar os casos de ruas nas quais existe semelhança entre vários locais da rua, com outros locais sendo mais divergentes; iii) um modelo de taxa base, visando representar o conceito de uma cena ser mais similar às cenas na sua vizinhança imediata (i.e., cenas do mesmo quarteirão). Para o modelo normal foi computado um ajuste para cada rua avaliada com base nos Q-Scores das cenas da rua, e para cada ponto de coleta de cenas (i.e., latitude e longitude) um valor foi gerado a partir deste ajuste. Para o modelo de taxa base foi computada a média dos Q-Scores2

1https://github.com/uwdata/bayesian-surprise

2Um modelo de taxa base fazendo uso da mediana foi verificado, porém qualitativamente os resultados

para cada ponto de coleta, ou seja, para cada ponto no qual foram coletadas cenas do Google Street View em diferentes ângulos foi calculada uma taxa base. Para fins de inicialização do algoritmo foi considerado uma igualdade nas probabilidades a priori de cada um dos modelos.

Para o cálculo das surpresas, foi desenvolvido um código na linguagem Python que teve como base a implementação publicada por Correll e Heer1. A atualização das probabilidades

a priori e a posteriori foi realizada ao final da avaliação das cenas de uma rua, e uma vez que 7 ruas foram avaliadas neste estudo optou-se por realizar sucessivas iterações onde, em cada iteração, realiza-se o sorteio da ordem das ruas a serem avaliadas e considera-se as surpresas calculadas apenas para a última rua avaliada. Esta medida foi considerada de modo a reduzir o impacto que a ordem das ruas possa ter no cálculo das surpresas, bem como para considerar que apenas a última rua avaliada possui as probabilidades a priori e a posterior já devidamente atualizadas dentro das atualizações possíveis no contexto considerado.

O total de 700.00 iterações foi considerado de modo a lidar com estes pontos tendo como alvo 95% de confiança para as surpresas computadas. A média das surpresas computadas para cada cena foi utilizada nas avaliações discutidas no restante deste capítulo. A média das probabilidades a posteriori computadas após a avaliação das 7 ruas aponta uma maior crença no modelo de taxa base (0, 363), seguido do modelo uniforme (0, 336) e do modelo normal (0, 30).

As surpresas calculadas para cada cena podem assumir valores negativos ou positivos in- dicando, respectivamente, que o valor do Q-Score da cena é surpreendente de forma negativa (i.e., abaixo do esperado) ou positiva (i.e., acima do esperado). Valores de surpresa iguais a 0 indicam que o valor do Q-Score está dentro do esperado de acordo com o espaço de modelos M . Considerando a possibilidade de surpresas negativas, próximas a 0 ou positivas, até 3 classes foram utilizadas para agrupar as cenas: cenas destacadas negativamente (i.e., cenas que foram menos agradáveis do que o esperado), cenas destacadas como neutras ou não des- tacadas (i.e., cenas cujas avaliações foram de acordo com o esperado) e cenas destacadas positivamente (i.e., cenas que foram mais agradáveis do que o esperado).

Estas classes tornam possível uma avaliação de contrastes entre grupos de cenas prefe- ridas em relação a outras. É importante a ressalva de que uma investigação fazendo uso de métodos de agrupamento poderia encontrar outras formas de agrupamento das cenas, po-

dendo até apontar mais do que 3 classes para agrupamento das cenas. Para as cenas destaca- das positivamente, espera-se que as mesmas apresentem virtudes e até soluções técnicas que devam ser consideradas em outros espaços da cidade, ao passo que para as cenas destacadas negativamente espera-se que as mesmas apresentem problemas que precisam ser avaliados e acionados junto a equipes de gestão e aos urbanistas.

Em relação à produção de informações descritivas sobre a rua, os desvios padrão dos Q-Scores foram utilizados para buscar uma classificação da rua como mais homogênea ou heterogênea, avaliação esta verificada junto às entrevistas com os urbanistas (descritas a seguir). Uma avaliação dos Q-Scores das cenas da rua buscou, ainda, apontar a(s) cena(s) mais e menos agradáveis da rua. Além disso, uma análise das surpresas computadas buscou avaliar região(ões) da rua que se destacaram positivamente e negativamente (o conjunto de cenas do mesmo local que se destacaram mais positivamente ou negativamente), bem como se existem lados da rua que se destacaram de forma diferenciada ao longo da rua.