2015
WORKSHOP DE ESTUDOS
ACADÊMICOS (WEA) – 2015/1
17 a 24 de Abril de 2015
DiagramaçãoFernando Luiz de Oliveira
Impressão e Encadernação Claudio Renato Gallert Reprografia
CENTRO UNIVERSITÁRIO LUTERANO DE PALMAS
Diretor Geral
Adriano Chiarani da Silva
Coordenadora de Ensino e do Núcleo de Apoio Educacional
Parcilene Fernandes de Brito
Assessora do Núcleo de Apoio Educacional e Procuradora Institucional
Diêmy Sousa Freitas
Coordenadora de Pesquisa
Conceição Aparecida Previero
Coordenadora de Pós-Graduação
Micheline Pimentel Ribeiro
Coordenador de Extensão e Assusntos Comunitários
Luiz Gustavo Santana
Assessora Administrativo
Shirley Silvia Borges de Oliveira Rodrigues
Assessora de Comunicação Social
Bruna Lorranny Ferreira Naves
Assessora da Direção
Alda Adriana Lima Gonçalves
Assessor Jurídico
Josué Pereira de Amorim
Secretária Geral
Drieli Drívela Cabral Araújo
Capelão
Pastor Ari Schulz
Bacharelado em Sistemas de Informação
Bacharelado em Ciência da Computação
Coordenadora
Parcilene Fernandes de Brito
Coordenadores de Atividades
Fabiano Fagundes Madianita Bogo Marioti
Coordenador de Estágios
Fernando Luiz de Oliveira
Coordenador de Trabalhos de Conclusão de Curso
Fernando Luiz de Oliveira
Coordenadora do Projeto Informática & Sociedade
Fernando Luiz de Oliveira Edeilson Milhomem da Silva
Coordenadores da Fábrica de Software
Jackson Gomes de Souza Edeilson Milhomem da Silva
Professores Orientadores Trabalho de Conclusão de Curso
Cristina D’Ornellas Filipakis Edeilson Milhomem da Silva
Fabiano Fagundes Fernando Luiz de Oliveira Jackson Gomes de Souza Madianita Bogo Marioti Parcilene Fernandes de Brito
SUMÁRIO
APRESENTAÇÃO ... 6 DESENVOLVIMENTO DE UM MECANISMO DE RECOMENDAÇÃO DE POSTS RELACIONADOS PARA A PLATAFORMA WORDPRESS... 8 ANÁLISE POSTURAL COMPUTADORIZADA PARA IDENTIFICAÇÃO DE
HIPERLORDOSE EM UMA VISÃO DO PLANO SAGITAL UTILIZANDO O KINECT ... 14 CODE LIVE: GAMIFICAÇÃO DE UM AMBIENTE VIRTUAL DE PROGRAMAÇÃO .... 18 MODELO DE INFERÊNCIA DE PREFERÊNCIAS DE CLIENTES EM SHOPPINGS CENTERS ... 24 AVALIAÇÃO DA AMPLITUDE DE MOVIMENTO (ADM) EM PLANO CORONAL ANTERIOR UTILIZANDO O SENSOR KINECT: ARTICULAÇÕES DO OMBRO E DO QUADRIL ... 30 CRIZON 2.0: UMA FERRAMENTA PARA ESTIMATIVA DE PONTOS DE FUNÇÃO USANDO DIAGRAMA DE SEQUÊNCIA DA UML E A INTERPRETAÇÃO DO SCRIPT DDL DA SQL ... 34 ANÁLISE DE SENTIMENTOS APLICADA AO CONTEXTO DO TURISMO ... 38
APRESENTAÇÃO
O Workshop de Estudos Acadêmicos é um evento que possibilita a socialização dos trabalhos desenvolvidos pelos discentes matriculados nas disciplinas de TCC dos Cursos de Ciência da Computação e Sistemas de Informação. Por ser um evento aberto ao público, essa socialização abrange tanto a comunidade externa ao CEULP como a comunidade acadêmica da Instituição, propiciando um momento único de troca de experiências e conhecimentos. Isto porque, no decorrer do evento, os acadêmicos palestrantes apresentam conceitos relacionados a seus trabalhos, bem como os resultados obtidos até então, instigando os participantes ouvintes a conhecer as áreas que permeiam o curso, bem como as diversas possibilidades de aplicação das teorias da computação na resolução de problemas reais.
Fernando Luiz de Oliveira Coordenador de Estágios e Trabalhos de Conclusão de Curso
Esta página está propositalmente em branco –
DESENVOLVIMENTO DE UM MECANISMO DE
RECOMENDAÇÃO DE POSTS RELACIONADOS PARA A
PLATAFORMA WORDPRESS
B. F. BANDEIRA1, E. M. SILVA2
1 Acadêmico do Curso de Sistemas de Informação do CEULP/ULBRA, E-mail: brunbandeira@gmail.com
2 Doutor em Sistemas de Informação e Professor do Curso de Sistemas de Informação do
CEULP/ULBRA
WORKSHOP DE ESTUDOS ACADÊMICOS (WEA)
RESUMO: Sistemas de recomendação representam as preferências dos usuários com a
finalidade de sugerir itens de interesse dos mesmos. Estes sistemas se tornaram fundamentais por sua capacidade de filtrar informações que melhor se aplicam aos interesses do usuário de forma automática e efetiva. Para sugerir itens relacionados, o sistema de recomendação utiliza técnicas apropriadas ao contexto da aplicação, as quais processam as informações dos usuários e gera a recomendação personalizada. Diante disso, para entender o processo de funcionamento do sistema de recomendação, bem como, o mecanismo desenvolvido irá funcionar, este trabalho aborda os conceitos envolvidos em um sistema de recomendação utilizando os critérios para recomendação simples, e.g., palavras-chaves, títulos dos posts e técnicas de recomendação (Filtragem Baseada em Conteúdo) e Recuperação da Informação. Diante ao cenário apresentado, este trabalho tem como objetivo apresentar os conceitos e etapas envolvidas no desenvolvimento de um mecanismo de recomendação que possa ser implantando em um plugin do WordPress, que irá gerar recomendações de posts. Esta ferramenta poderá ser agregada a uma aplicação e as recomendações dos posts deverão ser realizadas de forma off-line.
PALAVRAS CHAVE: Recuperação da Informação; Filtragem; Sistemas de Recomendação;
Recomendação Baseada em Conteúdo.
INTRODUÇÃO: O termo “sociedade da informação” consolidou-se com os avanços das
tecnologias de informação e comunicação e, dentro desse cenário, levou ao desenvolvimento de mecanismos e ferramentas que alteraram as formas de acesso e distribuição da informação. Localizar o que se deseja em um ambiente de caráter interativo e dinâmico, entre tantas as opções, vem se tornando uma tarefa cada vez mais difícil para os usuários da internet. Os Sistemas de Recomendação surgiram em respostas a este problema, por exemplo, um Sistema de Recomendação de um site recomenda textos que os usuários gostariam de ler, músicas que possam interessá-lo, etc. Os resultados dessas recomendações são computados a partir da Recuperação da Informação. Existem três tipos de técnicas de recomendação, são elas: Recomendação Baseada em Conteúdo, Recomendação Colaborativa e Recomendação Híbrida. Na técnica de Recomendação Baseada em Conteúdo as preferências dos usuários são aprendidas com base em características específicas dos itens que este classificou ou que simplesmente visitou, e então o sistema cria um perfil dos conteúdos dos usuários. De posse do perfil do usuário e com base nos itens dos conteúdos, o sistema de recomendação utiliza aprendizagem
computacional para selecionar os itens similares e recomendar. Na técnica de Recomendação Colaborativa os itens são filtrados para um usuário baseando-se em experiências de outros usuários com gostos similares, assumindo a ideia de que pessoas com mesmo gosto possuem também os mesmos interesses. (CORREIA, 2011, p.16). Já a técnica de Recomendação Híbrida combina as técnicas de Recuperação Baseada em Conteúdo e Colaborativa, "tendo como objetivo superar as limitações individuais de cada uma das técnicas e potencializar os seus benefícios" (MEDEIROS, 2013, p.8). Neste trabalho, foi contemplada apenas a técnica de Recomendação Baseada em Conteúdo.
Um usuário se desinteressa por um sistema se o mesmo possuir informação irrelevante para ele. Com esse princípio, os sistemas de recomendação que incorporam técnicas Baseado em Conteúdo, utilizam a noção de perfil do usuário, que descreve as preferências dos mesmos. Estes perfis seriam criados e mantidos de acordo com as preferências de cada usuário, que podem ser coletadas de forma persistente (baseado no histórico e preferências pré-definidas), efêmera (com base nas ações durante a sessão atual) ou na combinação de ambos. De posse do perfil do usuário, os sistemas de recomendação podem ser implementadas através de técnicas que especifiquem classificação ou agrupamento de dados. As técnicas de agrupamento funcionam através da identificação de grupos de usuário que apresentam preferências semelhantes. O algoritmo K-Means, devido a sua simplicidade, tornou-se o mais utilizado no contexto de problemas relacionados a agrupamento de dados, servindo de parâmetro para funcionamento de outros algoritmos de agrupamento que surgiram posteriormente, como o algoritmo Bisecting K-Means. Outras técnicas surgiram baseadas na densidade (Density-based), em que definem clusters criando relações entre os objetos que se encontram em grupos com limite mais irregulares. No entanto, algoritmos com um único classificador como parâmetro, controlados pelo usuário (K Nearest Neighbors) podem obter melhores resultados, variando de problema para problema. Todavia, após a identificação de grupos de usuários, a recomendação será direcionada mais fortemente para o usuário que se enquadra em grupos similares
O WordPress é uma plataforma utilizada para publicação e Gerenciamento de Conteúdo na web, "sendo hoje a maior plataforma de Gerenciamento de Conteúdo do Mundo, com quase 70% do mercado" (WORDPRESS, Online). Diante desta perspectiva, este trabalho tem como objetivo definir um mecanismo de recomendação baseado em conteúdo, que possa ser implantado em um
plugin do WordPress que identifique e recomende posts relacionados.
Existem plugins que realizam a recomendação de posts na plataforma WordPress, no entanto, os
plugins existentes abordam o processo de recomendação por tags, o que limita as recomendações pela etiquetagem descrita nos posts. O plugin desenvolvido neste trabalho diferencia dos demais existentes pela utilização de técnicas de recuperação da informação para definição dos termos que descrevem os conteúdos e clusterização visando assim organizar os conteúdos por similaridade. Possibilitando dessa forma, identificar posts relacionados e recomendar os mesmos.
MATERIAL E MÉTODOS: Para o desenvolvimento desse trabalho foram utilizados diversos
recursos bibliográficos, hardware e software, que aliados às orientações permitiram a finalização do mesmo. Fontes bibliográficas: consiste nos materiais utilizados no desenvolvimento deste trabalho, como: dissertações, artigos, teses, monografias e publicações científicas; Softwares: para desenvolvimento do plugin foi utilizado o ambiente de desenvolvimento Aptana Studio, juntamente com a API WordPress Codex. Para desenvolvimento do mecanismo que gera as recomendações foi utilizado o ambiente de desenvolvimento Netbeans. As linguagens de programação utilizadas foram PHP e Java, além do Sistema de Gerenciamento de Banco de Dados (SGBD) MYSQL.
RESULTADOS E DISCUSSÕES: Os conceitos estudados tiveram como objetivo obter a
fundamentação teórica para permitir que o mecanismo de recomendação desenvolvido pudesse recomendar posts utilizando técnica de Filtragem Baseada em Conteúdo. Este capítulo é voltado para a apresentação do processo de desenvolvimento do plugin responsável por apresentar as recomendações aos usuários, bem como do sistema de recomendação, responsável por identificar e gerar as recomendações baseada na similaridade textual do título dos posts. O mecanismo desenvolvido irá gerar as recomendações analisando apenas as informações contidas nos posts existentes no site desenvolvido na Plataforma WordPress. Dessa forma, o
plugin proposto poderá ser acoplada a qualquer site em WordPress, servindo como módulo
adicional para geração das recomendações. A Figura 1, a seguir, apresenta a arquitetura proposta pelo mecanismo de recomendação:
Figura 1. Estrutura do Mecanismo de Recomendação
Conforme pode ser observado na Figura 1, a arquitetura do Mecanismo de Recomendação foi dividido em 5 fases. A primeira fase diz respeito ao plug-in instalado no site desenvolvido em
WordPress. Após a instalação do plug-in, o mesmo envia os dados dos posts para a base de dados do servidor do mecanismo. Na tela de administração do plugin o administrador do site seleciona a quantidade de recomendações que serão apresentadas e o período na qual o mecanismo gera as similaridades dos posts, isso é feito para que as recomendações sejam realizadas de forma off-line e não necessite gerar o as recomendações a cada visita em um post no site. A segunda fase é onde começa a recomendação propriamente dita, pois o SR irá utilizar a técnica de clusterização para agrupar os posts mais similares e então disponibilizar em uma tabela na base de dados, completando a terceira fase. A quarta é responsável por retornar as recomendações (identificadores dos posts) geradas ao plugin, para que este apresente as recomendações ao usuário. Quando um usuário visita um novo post, somente a primeira e a quarta fase são requisitas. A arquitetura do mecanismo funciona neste formato, para que o
plugin recomende de forma off-line. Por fim, na quinta e última fase o plugin busca os posts baseado nos seus identificadores na base de dados do WordPress e os apresenta para o usuário. A base de dados da aplicação armazena informações sobre o site, bem como seus posts e assim gera as recomendações e as salvam em uma tabela para que o plugin busque os posts similares e recomende ao usuário, no momento em que esta acessando um post. É a partir desse modelo que as recomendações são geradas de forma off-line e armazenadas. A Figura 2 apresenta a estrutura do modelo lógico do mecanismo.
Figura 1. Modelo Lógico do Mecanismo
Para que seja possível realizar o processo de clusterização e assim, gerar as recomendações é necessário ter a estrutura da base de dados que seja semelhante à apresentada na Figura 2. No Diagrama de casos de Uso do mecanismo desenvolvido neste trabalho é possível visualizar o fluxo das ações que podem ser realizados pelo mecanismo desenvolvido, bem como o levantamento dos requisitos funcionais do sistema. A Figura 3 apresenta o diagrama do mecanismo desenvolvido
Figura 3. Diagrama de Caso de Uso
Conforme pode ser observado na Figura 3, o diagrama contém três atores, que são: Administrador, Cliente e Usuário. O ator Administrador corresponde o administrador do site desenvolvido em WordPress que contém o plugin instado. O ator Cliente corresponde ao plugin desenvolvido. E o ator Usuário corresponde aos usuários que acessam o site. A partir do diagrama é possível visualizar as funcionalidades existentes no mecanismo desenvolvido neste trabalho.
A aplicação cliente consiste no plugin desenvolvimento. Após a instalação do plugin, o administrador do site deve configurar o número de recomendações a ser apresentado ao usuário e o período com o qual o Sistema de Recomendação deve analisar a similaridade dos posts. Para isso, o administrador do site deve se direcionar a página de administração dentro do menu "Configurações" para o correto funcionamento do plugin.
Figura 4. Tela de administração do plugin
Conforme apresentado na Figura 4, após a instalação do plugin, o administrador deve configurar o número de recomendações e o período para processar as recomendações. No entanto, essas configurações não é um critério obrigatório, uma vez que o plugin esta configurado por padrão a apresentar 4 (quatro) posts como o número de recomendações geradas e “uma semana” como o período para processar as recomendações.
Após a etapa e preparação dos dados, é realizado do cálculo da frequência dos termos, para posteriormente utilizar uma das técnicas de clusterização para calcular a similaridade entre os posts.
Figura 5. Definição da classe TermoFrequencia
A classe TermosFrequencia é responsável por calcular o peso de cada termo dentro de um texto. Para calcular a frequência dos termos foi criado o método TF(), que é responsável por receber uma lista de palavras e calcular a ocorrência da mesma dentro desta lista.
CONCLUSÕES: Neste trabalho foram abordados os conceitos sobre Recuperação da
Informação, Sistemas de Recomendação, Técnicas de Recomendação. Além disso, foram
estudadas as APIs do WordPress. As compreensões destes conceitos foram de grande importância para que fosse possível a definição e o desenvolvimento do mecanismo de recomendação proposta nesse trabalho. Tem-se como trabalho futuro a implementação de uma das técnicas baseado em conteúdo para calcular a similaridade entre os títulos dos posts e então apresentar para o plugin para que possa recomendar para os usuários os posts mais similares.
REFERENCIAS BIBLIOGRÁFICAS:
BEZERRA, B. L. D. Estudo de Algoritmos de Filtragem de Informação Baseados em
Conteúdo. 45 P. TCC (Graduação em Ciência da Computação) - Universidade Federal de
Pernambuco, Pernambuco
CORREIA, Luiz Antônio; Um Sistema de Recomendação de Promoções Baseado em Posts
no Twitter. 2011. 42p. TCC (Graduação em Ciência da Computação) – Universidade Federal
de Pernambuco, Recife.
ANÁLISE POSTURAL COMPUTADORIZADA PARA
IDENTIFICAÇÃO DE HIPERLORDOSE EM UMA VISÃO DO
PLANO SAGITAL UTILIZANDO O KINECT
D.D. TAINHA¹, F. L. OLIVEIRA²
¹ Acadêmico do Curso de Ciência da Computação do CEULP/ULBRA. E-mail: diegotainha@gmail.com
² Professor, Mestre em Ciência da Computação e Professor dos Cursos de Sistemas de Informação e Ciência da Computação do CEULP/ULBRA
WORKSHOP DE ESTUDOS ACADÊMICOS (WEA)
RESUMO: Os profissionais fisioterapeutas utilizam métodos como radiografia e simetrográfia
para obtenção do ângulo da curvatura lombar em avaliações e tratamentos fisioterapêuticos. No entanto a aplicabilidade das técnicas podem variar de profissional à profissional além do fato de que o paciente não pode ser exposto ao método de radiografia em curto espaço de tempo, pois se trata de radiação. Com isso, foi proposto o desenvolvimento de uma ferramenta que utiliza o sensor Microsoft Kinect para capturar o ângulo da curvatura lordótica, com o objetivo de diminuir o fator humano nos métodos e aumentar a quantidade de avaliações, melhorando o resultado dos tratamentos dos pacientes.
PALAVRAS-CHAVES: hiperlordose; análise postural; Kinect.
INTRODUÇÃO: A lordose lombar é uma curvatura fisiológica da coluna vertebral que pode
ser vista através do plano sagital (KENDALL, 1995). O aumento dessa curvatura é denominado hiperlordose lombar, e se não diagnosticada e tratada precocemente pode trazer riscos à saúde do indivíduo (KAPANDJI, 2000; NERY, 2009; PEQUINI, 2000). Existem vários métodos de diagnósticos da hiperlordose, sendo que os mais confiáveis conforme Ferreira (1999) são os métodos de diagnóstico por imagem, sendo a radiografia considerada o padrão-ouro, a técnica mais confiável utilizada no momento. Porém estes métodos não podem ser aplicados em curto espaço de tempo por exporem o paciente à radiação. Existem ainda os métodos não invasivos, estes não prejudicam a saúde do indivíduo, no entanto seu diagnóstico pode ser diferente de profissional para profissional. A tecnologia está sendo aplicada cada vez mais presente em diversas áreas de conhecimento, como nas áreas de ciências exatas e também em ciências humanas, com o objetivo de solucionar os problemas existentes e proporcionar melhorias. A saúde é uma área que utiliza amplamente os recursos tecnológicos disponíveis e tenta criar novas tecnologias para solucionar os problemas do dia-a-dia. Nos últimos anos a tecnologia do sensor Kinect foi bastante utilizada no contexto da fisioterapia, como na avaliação de cargas posturais feita por Diego-Mas e Alcaide-Marzal (2014) e como também no projeto de GALNA et al. (2014) que utilizaram o sensor para medir o movimento de pacientes com a doença de Parkinson. Levando em consideração este fato, o presente projeto visa desenvolver uma aplicação que utilize o sensor Microsoft Kinect para obter pontos do corpo humano e com esses pontos mensurar o grau de curvatura da coluna lombar, resultando assim no diagnóstico de hiperlordose. Para o tratamento de desvios posturais é necessário o acompanhamento dos pacientes e frequentes reavaliações do seu quadro clínico. Sabe-se que o Sensor Kinect é uma ferramenta que não fornece riscos à saúde do utilizador, portanto, utilizando o software proposto
nesse projeto, poderão ser feitas quantidades maiores de avaliações posturais, o que contribuirá para melhores resultados no tratamento dos desvios nos pacientes.
MATERIAL E MÉTODOS: O presente trabalho está sedo desenvolvido no Laboratório
Banco de Dados e Engenharia de Software (LBDES) em conjunto com o Laboratório de Multimídia (Labmídia) em o Laboratório de Tecnologia em Saúde (LTS), ambos localizados no Complexo de Informática do Centro Universitário Luterano de Palmas (CEULP/ULBRA), estando vinculado ao grupo de Pesquisa Tecnologia, Saúde e Qualidade de Vida, no qual realiza pesquisas com a inclusão do Sensor Microsoft Kinect no auxílio de tarefas fisioterapêuticas. Primeiramente foi realizada a integração do sensor Microsoft Kinect com a ferramenta Microsoft Visual Studio 2012 para desenvolvimento de aplicações com interface Windows Presentation Foundation WPF, utilizando a linguagem C# (c-sharp) e o banco de dados SQL SERVER 2012. Para o desenvolvimento da ferramenta, o primeiro passo foi entender como funciona o sensor Kinect, que representa a indagação das funcionalidades do sensor que podem e precisam ser utilizadas. Após o entendimento, foi preciso realizar a criação de classes e métodos que utilizam os recursos do sensor para a captura da imagem em profundidade e também o esqueleto do usuário. Em seguida, foi realizado a etapa de codificação, que é o desenvolvimento dos módulos de acordo com o planejamento realizado nas etapas anterior.
RESULTADOS E DISCUSSÃO: A análise realizada para obter o grau de curvatura da coluna
lombar é dividida pela captura dos pontos do esqueleto e o cálculo do ângulo entre os pontos obtidos. Durante o processo de desenvolvimento da ferramenta foi criada a pasta Manager, que contém todas as classes criadas para utilização do sensor, bem como cálculos matemáticos, sendo estas: a classe InicializadorKinect, que possui métodos para configurar a inicialização do sensor; a classe Extensao, que possui métodos para obter o esqueleto do usuário; a classe EsqueletoUsuarioAuxiliar que possui métodos para desenhar na tela os pontos anatômicos e as ligações entre eles; e a classe MainWindow, que possui a interface do sistema, Figura 1, e é responsável por realizar chamadas aos métodos das outras classes.
Figura 2 – Visão da interface da ferramenta de avaliação de curvatura lombar.
A Figura 1 mostra a interface utilizada pelo fisioterapeuta no processo de avaliação postural do paciente, ela está distribuída em grupos, que são:
• Grupo Dados - representa as informações do paciente que está sendo avaliado. • Grupo Resultados, representa o local onde será apresentado o resultado da
avaliação, nesse grupo também existem o botão Avaliar, onde ao clicar no botão será apresentado o resultado da avaliação, e logo abaixo são apresentados dois botões, sendo o botão de cancelar, onde o fisioterapeuta poderá cancelar a operação e o botão salvar, onde os dados são inseridos na base de dados. • Grupo Alinhamento do sensor, onde é apresentado um slider que permite a
movimentação do sensor.
E à direita é apresentada a imagem capturada pelo sensor.
CONCLUSÕES: A ferramenta a ser desenvolvida poderá trazer vários benefícios tanto para os
profissionais fisioterapeutas como para os pacientes no tratamento de desvios posturais, pois o Sensor Kinect é uma ferramenta que não fornece riscos à saúde do utilizador, e portanto poderão ser feitas quantidades maiores de avaliações posturais, o que contribuirá para melhores resultados no tratamento dos desvios nos pacientes, além do fato de reduzir o fator humano no resultado das avaliações devido à automatização do processo.
REFERÊNCIAS:
DIEGO-MAS, Jose Antonio; ALCAIDE-MARZAL, Jorge. Using Kinect sensor in observational methods for assessing postures at work. Applied Ergonomics. Valencia, jul. 2014. p. 976-985. Disponível em:
<http://www.sciencedirect.com/science/article/pii/S0003687013002676>. Acesso em: 02 dez. 2014.
FERREIRA, D. M. A. Estudo clínico da mensuração da gibosidade e suas correlações com
medidas radiológicas na escoliose idiopática. 1999. Dissertação (Mestrado em Bioengenharia)
- Bioengenharia, Universidade de São Paulo, Ribeirão Preto, 1999. Disponível em: <http://www.teses.usp.br/teses/disponiveis/82/82131/tde-08112001-144444/>. Acesso em: 2014-12-03.
GALNA, B. et al. Accuracy of the Microsoft Kinect sensor for measuring movement in people with Parkinson’s disease. Gait & Posture. Newcastle Upon Tyne, p. 1062-1068. maio 2014. Disponível em: <http://www.sciencedirect.com/science/article/pii/S0966636214000241>. Acesso em: 02 dez. 2014.
KAPANDJI, A. I. Fisiologia articular: esquemas comentados de mecânica humana / A.I. KAPANDJI; com desenhos originais do autor. São Paulo: Pan-americana; Rio de Janeiro: Guanabara Koogan, 2000. v. 3.
KENDALL, F. P. MC CREARY, E.K. PROVANCE. P.G. Músculos: Provas e funções. 4. Ed. Manole LTDA. Bela Vista. 1995.
NERY, P. B. Análise da confiabilidade intra e interexaminador do software de avaliação
postural – SAPO em escolares do município de Ribeirão Preto - SP. 2009. 108 f.
Dissertação (Mestrado) – Escola de Enfermagem de Ribeirão Preto, Universidade de São Paulo, Ribeirão Preto, 2009.
PEQUINI, S. M. A evolução tecnológica da bicicleta e suas implicações ergonômicas para a
máquina humana: Problemas na coluna vertebral x bicicletas dos tipos speede mountain bike.
2000. 18 f. Tese (Doutorado) - Curso de Faculdade de Arquitetura e Urbanismo, Departamento de Departamento de Tecnologia, Universidade de São Paulo, São Paulo, 2000. Cap. 6.
CODE LIVE: GAMIFICAÇÃO DE UM AMBIENTE VIRTUAL
DE PROGRAMAÇÃO
D. C. CARDOSO¹, J. G. SOUZA2
¹ Acadêmico do Curso de Sistemas de Informação do CEULP/ULBRA. E-mail: djonathas@gmail.com.
² Professor. Mestre em Engenharia Elétrica e da Computação e Professor dos cursos de Sistemas de Informação e Ciência da Computação do CEULP/ULBRA. Email: jgomes@ceulp.edu.br
WORKSHOP DE ESTUDOS ACADÊMICOS (WEA)
RESUMO: A programação é uma área de estudo que exige muito de lógica, interpretação e,
principalmente, prática, muita prática. Desta forma, baseado em estudos, conclui-se que o uso de gamificação poderia contribuir ou ao menos incentivar a prática da programação, prática que contribuiria no exercício da interpretação de enunciados. Assim nasceu o Code Live, um ambiente gamificado de programação que traz diversos desafios de programação aos jogadores, que proporcionam a prática da programação, exercitam a interpretação de enunciados e o uso da lógica. O uso da gamificação nesse projeto tem por objetivo incentivar o indivíduo a permanecer “jogando”, que, na verdade, estaria praticando a interpretação de enunciados e praticando lógica de programação.
PALAVRAS CHAVE: programação, ferramenta, gamificação.
INTRODUÇÃO: A programação impõe um estudo bastante diferente, exigindo uma prática
intensiva, compreensão dos assuntos e reflexão (GOMES; HENRIQUES; MENDES, 2008). Diversos estudos mostram que cada vez mais os jogos estão servindo tanto como ferramenta de auxílio na aprendizagem como também sendo o próprio meio de aprendizagem. Pensando nessa nova realidade entre jogos e educação, começaram também a surgir uma grande diversidade dos chamados jogos educacionais.
Jogos educacionais são jogos elaborados especificamente para ensinar determinados assuntos enquanto se joga. Segundo Tarouco et al. (2004) “os jogos podem ser ferramentas instrucionais eficientes, pois eles divertem enquanto motivam, facilitam o aprendizado e aumentam a capacidade de retenção do que foi ensinado, exercitando as funções mentais e intelectuais do jogador”.
Criada por Nick Pelling em 2002 (MARCZEWSKI, 2013), a gamificação (termo em português; do original no inglês “gamification”) trouxe a inclusão de mecânica, estilo, pensamento e/ou técnicas de design de jogos em ambientes de não-jogo (ZICBERMANN; CUNNINGHAM, 2011; KUUTTI, 2013). Posteriormente a gamificação passou a ser aplicada também em ambientes de aprendizagem, inclusive de programação. A gamificação pode ser uma forma de trazer motivação na prática de programação, já que esta consiste na utilização no uso de elementos de jogos para resolver problemas e envolver o público de forma lúdica
(ZICBERMANN; CUNNINGHAM, 2011). Por isso, a proposta deste trabalho é utilizar gamificação para motivar os interessados em programação através de um ambiente lúdico.
MATERIAL E MÉTODOS: O presente trabalho trata-se de uma pesquisa aplicada voltada ao
contexto de sistemas de informação, com o objetivo de que, utilizando elementos de gamificação, seja possível o desenvolvimento de um ambiente virtual de prática de programação. Sendo um sistema, foi necessário seguir alguns passos da engenharia de software, sendo eles: levantamento de requisitos, confecção das telas e diagramas de apoio ao desenvolvimento do software e testes com usuários. E para que de fato pudesse se tornar um ambiente gamificado, foram alguns elementos de gamificação, definidos a partir de pesquisas (na literatura e em ambientes gamificados existentes) e dos requisitos levantados. Desta forma, o desenvolvimento do ambiente foi dividido em 6 etapas, sendo elas: Levantamento de requisitos, Definição dos elementos de gamificação, Game Design, Telas e Diagramas, Validação e Testes e a etapa de Implementação.
A primeira etapa do desenvolvimento consistiu no levantamento dos requisitos do sistema. Os requisitos foram divididos em 5 categorias, sendo elas: Dinâmica do Jogo, Modo Criação, Modo Desafio, Modo Duelo e Extras. A primeira categoria, Dinâmica do Jogo, é composta por nove requisitos, que têm como objetivo descrever algumas dinâmicas do sistema gamificado, como o cadastro de jogadores, moeda e transações, níveis e experiência e a integração com redes sociais. A categoria Modo Criação é formada por requisitos que descrevem o mecanismo de criação de novos desafios para o sistema. Já em Modo Desafio são descritos requisitos do funcionamento do sistema nos desafios comuns, como por exemplo, os níveis de dificuldade, requisitos, recompensas, entre outros. Em Modo Duelo há requisitos desde modo complementar do jogo, que é semelhante ao da categoria anterior, porém com alguns diferenciais, como o uso do elemento “competição” entre dois jogadores. E por último, a categoria Extras traz alguns requisitos complementares das categorias anteriores.
A segunda etapa definiu os elementos de gamificação conforme definido por Kuutti (2013), levando também em consideração o contexto no qual o ambiente seria aplicado (informática, programação). Como forma de trazer mais atratividade ao ambiente, o universo Star Wars foi utilizado parcialmente, como metáfora para elementos do jogo como: níveis de experiência do jogador, níveis de dificuldade dos desafios, conquistas, entre outros. Todos os elementos do universo Star Wars utilizados foram descritos no Game Design, este que será apresentado na próxima etapa. A seleção dos elementos dividiu-se em três categorias: Dinâmicas, Mecânica e Componentes. Os elementos definidos na categoria Dinâmicas são: Progressão e Relacionamentos. Já em Mecânica, foram definidos: Desafios, Competição, Feedback, Recompensas e Transações. Por fim, na categoria Componentes, ficaram definidos: Emblemas, Quadro de Líderes, Níveis, Conquistas, Pontos e Bens Virtuais.
Na terceira etapa do processo foi definido o Game Design do ambiente gamificado. Esse Game
Design reúne todos os objetivos, regras, limites, ou seja, é o manual de instruções de como deve funcionar a interação do ambiente. Ele também é utilizado para especificar como seriam implementados dentro do ambiente os elementos de gamificação definidos na etapa anterior e o uso do universo Stars Wars.
Como quarta etapa, foi criada a interface gráfica com o usuário (interface gráfica). As telas da interface gráfica foram desenvolvidas como protótipo, mas de forma que pudessem ser utilizadas na versão final do software, ao serem reunidas com a base do código que inclui outros elementos do funcionamento do sistema, como a lógica de negócio e a interpretação dos códigos-fontes dos programas. Neste sentido, a arquitetura do software proposto é dividida em três camadas: Interface, Processamento e Dados, que se dividem em subcamadas, conforme a imagem a seguir.
Figura 3 – Arquitetura de Software do Code Live
Relacionando com a arquitetura mostrada na Figura 3, tem-se as telas dentro da subcamada de
Views, que por sua vez fica dentro da camada Interface, que é a camada responsável por toda a
representação gráfica do ambiente. Ainda dentro dessa camada, há a existência da subcamada de Plugins Javascript, que contribuem principalmente nas animações na interface, e a subcamada
Game Design que compreende todas as regras de interação do ambiente. Ainda na quarta etapa
também há a elaboração de diagramas que serão utilizados para contribuir na modelagem do software e, principalmente, na construção do modelo de dados utilizado pela camada Dados. A quinta etapa é a validação e testes (do sistema e do game design) com um grupo de usuários que seria dividido em dois momentos. O primeiro momento seria logo após o término da confecção das telas, que já possuem uma pequena parte da camada de Processamento, através do uso do AngularJS, seguindo as regras do Game Design que também faz parte dessa camada. E o segundo momento seria após a conclusão da implementação do ambiente. Através desse processo será possível identificar como diferentes usuários interagem no ambiente, entender quais as dificuldades e identificar possíveis melhorias.
Tendo realizado as melhorias da quinta etapa, inicia-se a sexta etapa e última etapa, a implementação de tudo que foi planejado nas etapas anteriores. É onde será, de fato, formada e interligada as três camadas da arquitetura de software. O desenvolvimento dessa etapa deve seguir, principalmente, o que foi descrito no Game Design.
RESULTADOS E DISCUSSÃO: Para solucionar o problema proposto neste trabalho
definiu-se como objetivo a criação de um ambiente virtual de programação com recursos de gamificação. Esse ambiente, denominado Code Live, é composto por desafios de programação. Além da motivação para solucionar o problema proposto no desafio de programação, foram inseridos outros dois elementos: limite de tempo e duelos. A figura a seguir ilustra conceitualmente o Code Live.
Interface
Views
Plugins JSDados
Processamento
Controllers AngularJS) (Grails eGame Design Banco de Dados
Models
Game DesignFigura 4 – Conceito básico do ambiente do Code Live
Desta forma, conforme mostra a Figura 4, há existência também de dois tipos de atores no ambiente, cada um com funções especificas. O ator “jogador” joga os desafios, enquanto o ator “mestre” cria desafios para o ambiente. O ator “mestre” modera desafios criados por outros “jogadores”. Já em relação aos duelos, os dois atores podem realizar a tarefa de criar um duelo e outro de ser desafiado, ambos jogam sobre as mesmas regras.
O ambiente gira em torno dos desafios. Os desafios também são responsáveis por motivar o uso da grande maioria dos outros elementos de gamificação, como os níveis, a competição, recompensas, entre outros. Um desafio é composto principalmente por um enunciado que descreve um problema especifico que deverá ser solucionado pelo jogador através da criação de um algoritmo. Mais adiante será apresentado como funciona essa interação dentro do ambiente. Os jogadores são classificados em Classes que são obtidas através de um nível de experiência chamado Domínio da Força (DF). No contexto Star Wars, a Força é uma energia que dá poderes especiais aos guerreiros Jedi. Desta forma, foram definidas seis classes, da patente mais baixa à mais alta: Novato, Padawan, Cavaleiro Jedi, Mestre Jedi, Mestre do Conselho e Chanceler, esta última é exclusiva aos administradores do ambiente.
Os desafios são classificados em quatro níveis de dificuldade, do mais baixo ao mais alto: Fundamentos da Força, Treinando com o Sabre de Luz, Dominando as Forças, Controlando Mentes. Cada nível de dificuldade tem características especificas que os distinguem e permitem que haja uma divisão justa para todos as classes de jogadores, onde cada um faz o desafio de acordo com seu conhecimento obtido no jogo. Por exemplo, o nível mais baixo de dificuldade de desafio (Fundamentos da Força) é composto por desafios com enunciados que exigem conhecimentos em declaração de variáveis com tipos primitivos e realização de entrada e saída de dados, além, claro, da capacidade de interpretação do enunciado.
Seja para jogar ou criar um novo desafio, existem requisitos e recompensas quando concluídos com êxito. Esses requisitos e recompensas variam de acordo com o nível de dificuldade do desafio. Por exemplo, para se jogar um desafio do nível “Dominando a Força” é necessário que, no mínimo, o jogador seja da classe Padawan e ter 25 créditos em sua conta. Uma vez que ele resolve o desafio corretamente, ele recebe uma recompensa em experiência e créditos, sendo que, neste caso, seria de 200 DF e 100 créditos. Já para criação de desafios, os requisitos e recompensas são diferentes. Por exemplo, para se criar um desafio no mesmo nível de dificuldade do anterior mencionado, seria necessário o jogador ser da classe Mestre Jedi e ter 100 créditos em sua conta, que seria debitado como pagamento, da mesma forma ocorre ao jogar o desafio. Em relação a recompensa, também há diferença. Existe uma recompensa inicial em experiência, dada ao jogador logo que terminar de criar o desafio e/ou quando aprovado, e
Joga Cri Cria/Jog Joga Cria/Moder Jogado Mestre
há uma recompensa por “venda” do desafio a outros jogadores, neste exemplo seria de 5 créditos por venda. A aprovação de novos desafios é necessária nos níveis mais baixos de jogadores para evitar a criação de desafios inconsistentes ou irresolvíveis.
Um jogador pode jogar um desafio de duas maneiras: na forma de desafio simples ou de duelo. Na forma simples, ele resolve o problema proposto no desafio dentro de um tempo pré-determinado e, ao fornecer uma resposta correta, recebe recompensas por isso. O processo de validação do desafio ocorre através da comparação das saídas do código do jogador com as saídas que foram pré-determinadas pelo criador do desafio, estas na qual o jogador não tem acesso. Já o duelo funciona de forma semelhante, porém o desafio é feito por dois jogadores, disputando quem o resolve em menos tempo. As recompensas também são diferenciadas no modo duelo. A Figura a seguir ilustra a janela de detalhes de um desafio.
Figura 5 – Janela de detalhes de desafio
Conforme mostra a Figura 5, pode-se identificar vários elementos de um desafio dentro dessa janela de detalhes, como o título e o autor do desafio (1); média de nota dos jogadores e tags do desafio (2); tempo máximo de resolução do desafio (3); descrição detalhada do desafio (4); recompensas do desafio (5); botão para compra do desafio (6), para ser jogado como desafio simples; e o botão para compra como duelo (7).
CONCLUSÕES: Até o presente momento, foi possível obter neste, a conclusão das três
primeiras etapas previstas nos Materiais e Métodos, além da conclusão de metade da quarta etapa. O que até então foi concluído pode ser considerado como a base principal de todo o projeto, já que o Game Design possui todas as regras de dinâmica e interação do ambiente, restando para os próximos meses a conclusão das demais etapas.
REFERENCIAS BIBLIOGRÁFICAS:
ARAÚJO, Karina de Toledo. OS JOGOS E A EDUCAÇÃO. Revista Eletrônica de Educação, 2011.
GOMES, Anabela; HENRIQUES, Joana; MENDES, António José. Uma proposta para
ajudar alunos com dificuldades na aprendizagem inicial de programação de computadores. p. 93–103, 2008.
KUUTTI, Julius. Designing Gamification. 2013.
MARCZEWSKI, Andrzej. Gamification: A Simple Introduction. p. 153, 2013.
TAROUCO, Liane Margarida et al. Jogos educacionais. CINTED, p. 1–7, 2004. Disponível em: <http://www.virtual.ufc.br/cursouca/modulo_3/Jogos_Educacionais.pdf>. Acesso em: 5 nov. 2014.
ZICBERMANN, G; CUNNINGHAM, C. Gamification by Design. [S.l.]: O’REILLY, 2011.
MODELO DE INFERÊNCIA DE PREFERÊNCIAS DE
CLIENTES EM SHOPPINGS CENTERS
D. J. R. ARAUJO1, J. G. SOUZA2
¹Aluno do Curso de Sistemas de Informação. Email: doug.ramalho@gmail.com
² Professor. Mestre em Engenharia Elétrica e da Computação e Professor dos cursos de Sistemas de Informação e Ciência da
Computação do CEULP/ULBRA. Email: jgomes@ceulp.edu.br
WORKSHOP DE ESTUDOS ACADÊMICOS (WEA)
RESUMO:Redes Bayesianas são os relacionamentos de variáveis aleatórias em um grafo acíclico, formando um conjunto de vínculos. Os vínculos são nós que possuem relação de Pai e Filho entre outros nós dependendo da forma como o vínculo foi criado (direção da seta). Cada nó possui uma distribuição de probabilidades condicionais, onde juntos (probabilidades condicionais e nós associados), é possível calcular a probabilidade de um determinado evento (RUSSEL; NORVIG, 1995). O conjunto de variáveis deste trabalho foi elaborado com o objetivo de representar o comportamento do cliente dentro de um shopping center, e após definir quais variáveis e as relações a serem estabelecidas entre elas, aplicar o conceito de Redes Bayesianas. Este artigo tem como objetivo apresentar uma proposta de modelo de inferência de preferências de clientes em shoppings centers utilizando redes bayesianas.
PALAVRAS CHAVE: Redes Bayesianas, Probabilidades, Shopping.
INTRODUÇÃO: Diversas ações e métodos são empregados por shoppings e por suas lojas
com o objetivo de prospectar clientes, ou seja, avaliar as oportunidades que podem ser geradas pelo ambiente a fim de captar clientes. Várias ferramentas buscam prospectar clientes, e isso é possível graças a uma série de novas tecnologias como, por exemplo, de localização por GPS, que permite coletar dados sobre o posicionamento atual do usuário do GPS, ou mesmo o monitoramento de sua posição em relação ao tempo, ou seja, os trajetos realizados pelo cliente. Técnicas de Inteligência Artificial são cada vez mais empregadas para o propósito de tratar todo este volume de informações que está surgindo, entre estás técnicas encontram-se as Redes Bayesianas. Segundo Marques (2000, p.7), Redes Bayesianas “constituem um modelo gráfico que representa de forma simples as relações de causalidade das variáveis de um sistema”. Dessa forma as Redes Bayesianas, também conhecidas como Redes de Crença, ou Redes de Confiança, trabalham realizando relações entre diversas variáveis de um sistema de forma a calcular probabilidades condicionais ou incondicionais para cada uma delas, sem que seja necessário o conhecimento prévio de todos os valores de cada variável, ou sem um grande conjunto de informações.
Nesta perspectiva, os seguintes elementos representam possíveis variáveis de entrada para um modelo de prospecção de clientes baseado no trajeto percorrido pelo cliente e em informações das lojas do shopping:
• As lojas visitadas pelo cliente;
• As categorias de produtos comercializadas por cada loja; e
• A relação entre as lojas visitadas e as categorias de produtos comercializados.
Estas variáveis podem ser observadas em outros trabalhos que buscaram quantificar e sistematizar o comportamento do consumidor, a fim de obter informações que auxiliem a entender o processo de compra. Trabalhos como o de Yan (2010) e Yim (2010) classificam o comportamento em uma série de variáveis como sexo, idade, trajetos, tempo de permanência na loja e tempo de permanência no shopping. Estas variáveis também foram utilizadas em trabalhos que buscaram estudar a influência sobre o fluxo de pessoas em lojas de marcas famosas em relação a outras menos conhecidas, mas que estavam próximas (Sandall, 2007). O foco da presente pesquisa está em relacionar as categorias visitadas pelo cliente em uma série de lojas, que fazem parte do grupo de trajetos o cliente. A Figura 6 exemplifica duas trajetórias hipotéticas realizadas pelo Cliente A e pelo Cliente B.
Figura 6: Trajeto dos Clientes A e B
Fonte: Adaptado de: Google Maps
O conjunto de lojas visitadas ou observadas pelos dois clientes foi: “Avenida”, “Studio Z”, “Marisa” e “Samello”. As lojas visitadas pelo Cliente A, na sequência, foram: “Avenida”, “Studio Z” e “Samello”. As lojas visitadas pelo cliente B foram: “Avenida”, “Studio Z” e “Marisa”. Cada uma das lojas comercializa um conjunto de produtos classificados em categorias, que no exemplo são chamados de categoria C1, C2, C3, C4 e C5.
Dessa forma, no início do trajeto de cada cliente do shopping, inicia-se o cálculo por meio da técnica de redes bayesianas, para a construção de uma rede de relacionamentos entre as variáveis, a fim de encontrar um valor que identifique o interesse do cliente por alguma categoria de produto baseado nas lojas que observou, e assim possibilitar ao lojista prospectar clientes dentre os atuais visitantes do shopping e direcionar recursos para tornar o cliente do
MATERIAL E MÉTODOS: Os materiais e métodos utilizados para este trabalho estão
distribuídos entre referências bibliográficas e softwares. As fontes de pesquisa utilizadas consistem em: livros, artigos, dissertações de mestrado, sites, teses de doutorado e trabalhos acadêmicos. Todos estes documentos foram utilizados no levantamento do referencial teórico. A partir do referencial foi elaborada uma metodologia de trabalho que buscava aplicar os conceitos estudados para a resolução do problema inicial a que a pesquisa se destina, e assim definir como os conceitos seriam aplicados na pesquisa. Para alcançar os objetivos do trabalho respeitando a metodologia adotada, foi necessário o uso de alguns softwares como editor de Texto Microsoft Office 2010, uma aplicação para pesquisa web, e a ferramenta UnbBayes para o desenvolvimento da Rede Bayesiana. A partir da construção da Rede Bayesiana com o UnbBayes, e aplicando os dados coletados pela pesquisa, foi possível desenvolver um modelo Rede Bayesiana que calcula as probabilidades de interesse em uma marca a partir de um conjunto de variáveis pré-definidas, que foram alimentadas com dados obtidos por meio de uma pesquisa web.
RESULTADOS E DISCUSSÕES: Esta seção contém informações sobre os resultados obtidos,
até o momento, na realização deste trabalho, o qual trata de uma pesquisa voltada para o contexto de sistemas de informação. A partir de uma análise dos trajetos realizados por um cliente dentro de um shopping center, pretende-se realizar cálculos de probabilidade para inferir o interesse deste cliente por determinada categoria de produtos. A rede Bayesiana foi criada respeitando sua definição (LUGER, 2013) que diz:
• cada nó está associado a uma variável aleatória;
• um conjunto de vínculos orientados ou setas conecta pares de nós, e estabelece uma relação de Pai para Filho entre os nós conectados;
• cada nó tem uma distribuição de probabilidade condicional | ))).
Para o desenvolvimento da Rede Bayesiana foi criado um ambiente simulado de um shopping
center, com lojas e clientes. Este ambiente também é constituído por um conjunto de variáveis, que juntas, representam o modelo de inferência proposto pelo trabalho. Todas as variáveis utilizadas possuem valores discretos, e estas variáveis estão apresentadas a seguir.
Ambiente
O Ambiente não representa necessariamente uma variável na Rede Bayesiana desenvolvida, mas o leiaute do shopping. Foram utilizadas imagens extraídas do Google Maps de um shopping local.
Figura 7: Ambiente do Shopping utilizado no trabalho
Fonte: Google Maps
A Figura 2 mostra o ambiente do shopping que é composto por lojas e a disposição das lojas em relação as saídas. A variável diretamente afetada pelo ambiente do shopping é chamada
Proximidade_a_Saidas. Esta variável tem como objetivo representar a medida de Distância
Relativa, que significa a distancia de algum dos pontos de saída do shopping até a loja, e pode influenciar no comportamento do consumidor (Sandall, 2007). Complementando a variável de
Proximidade_a_Saidas, foi desenvolvida a variável Comodidade, que busca representar o
impacto que algumas ações executadas pela loja influenciam no processo de escolha do consumidor (ex: horário de funcionamento diferenciado, estacionamento e atendimento). A variável Comodidade afeta diretamente a variável Proximidade_a_Saidas.
Lojas
As lojas são representadas por nome e categorias de produtos comercializados. Para cada loja do
shopping é criada uma variável do tipo Loja, que é ligada a um conjunto de variáveis e refletem
as categorias de produtos que a loja comercializa. Por exemplo, uma variável Loja1 pode ter relacionamentos com outras variáveis chamadas Categoria1 e Categoria2. Cada loja da Figura 7 recebe uma variável de mesmo nome. Foi adotado como critério de exclusão, que apenas lojas que obtiveram no mínimo 1% de votos na pesquisa eletrônica fossem relacionadas.
Categorias
O tipo de variável Categoria representa o tipo de produto, que pode ser por exemplo Roupas, Acessórios, Brinquedos entre diversas outras. As categorias de produtos que foram utilizados neste trabalho foram retiradas da relação de categorias divulgadas no site do shopping local onde foram feitas as observações. A Categoria possui dois estados: true e false, foram relacionadas apenas categorias que possuíam no mínimo duas lojas que a comercializam, para evitar situações em que a probabilidade para tal categoria sempre perfaz 100%, já que não existem outras lojas comercializando a categoria em questão.
Gênero
Representa o gênero (masculino ou feminino) do individuo. Está variável identifica a medida através da natureza de grupos (2007, Dodd apud Sandall, 1998, p.36), ou seja, diferenças em grupos de homens e mulheres enquanto consumidores, e já foi utilizada em outras técnicas para padrões de deslocamento e identificação de comportamentos de consumidores. A variável
Gênero afeta todas as variáveis do tipo Lojas, e possui os estados masculino e feminino. Poder de Compra
Mede o volume de recursos de um individuo. Tem efeito sobre todas as variáveis do tipo Loja na Rede Bayesiana, e possui como estados: ClasseA, ClasseB, ClasseC, ClasseD e ClasseE. As classificações descriminam as rendas das famílias e foram obtidas no banco de informações do IBGE. As famílias classificadas como ClasseE possuem renda mensal de até R$ 1.449,00, ClasseD até R$ 2.899,99, ClasseC até R$ 7.249,99, ClasseB até R$ 14.499,99 e ClasseA acima de R$ 14.500,00.
Atratividade
Atratividade é uma entre três etapas subsequentes (atração, conversão e despesa) que alteram o comportamento do cliente com a loja (LAM, 2001), e tem como função medir o quão atraente a loja é para o cliente. Possui os estados: true e false, e tem efeito sobre a variável Marcas.
Marcas
Indica o interesse do cliente por um tipo específico de marca, além de agir como estimulo ao consumo promovendo também medidas de diferenciação e satisfação (Sandall, 2007) para o cliente. Tem efeito sobre todas as variáveis de Lojas. Possui os estados: grife e popular. Após definir as variáveis e estabelecer as relações de causa e efeito entre elas na Rede Bayesiana, foi necessário estabelecer o estado inicial das crenças. As crenças iniciais são as probabilidades que existem para cada variável, e são distribuídas entre os estados da variável, quando nenhuma outra informação existe.
CONSIDERAÇÕES FINAIS: Este trabalho teve como objetivo criar um modelo de inferência
que, a partir da análise dos percursos realizados por um cliente dentro de um shopping center, possa indicar o interesse deste cliente por uma categoria de produto. Três grandes problemas encontrados no desenvolvimento foram: a definição de quais variáveis representariam o comportamento de clientes em um shopping, em seguida, como estas variáveis estariam relacionadas entre si, e por fim, como determinar os estados de crenças iniciais para cada uma delas. Com base nos estudos realizados. Utilizando o método de observação participante, atuando de forma passiva no meio estudado, foi possível definir um conjunto de variáveis que tem a função de refletir, nesta pesquisa, o comportamento do cliente. O foco maior do trabalho foi construir uma Rede Bayesiana com estes dados, estabelecendo relações de crença entre as variáveis, fazendo com que o cálculo de probabilidades de acordo com as informações adicionadas a Rede Bayesiana fosse possível. Com a Rede Bayesiana criada partiu-se então para a definição das crenças iniciais; a utilização de uma pesquisa web e anônima permitiu, através das respostas, que fossem inferidas as probabilidades, por exemplo, a relação entre o número de participantes de cada gênero, as lojas que os mesmos identificaram etc. Após a criação da Rede, alguns cenários foram aplicados para propagar o conhecimento de novas informações pela rede e como a Rede seria alterada por estas informações, sendo possível identificar como a Rede se alterou partindo dos estados de crenças iniciais.
REFERÊNCIAS BIBLIOGRÁFICAS:
IBGE – Instituto Brasileiro de Geografia Estatística. 2013 [acesso em 5 de abril de 2015]. Disponível em http://www.ibge.com.br
Luger, G. F. (2014). Inteligência Artificial (6° ed., p. 613). São Paulo: Pearson. Sandall, H. L. P. (2007). Comportamentos Precorrentes de Aproximação de Lojas :
Efeitos do nível de diferenciação de marca e localização sobre taxas de conversão em um shopping center Comportamentos Precorrentes de Aproximação de Lojas :
AVALIAÇÃO DA AMPLITUDE DE MOVIMENTO (ADM) EM
PLANO CORONAL ANTERIOR UTILIZANDO O SENSOR
KINECT: ARTICULAÇÕES DO OMBRO E DO QUADRIL
T. H. C. CAMARGO¹, F. L. OLIVEIRA²
¹ Acadêmico do Curso de Ciência da Computação do CEULP/ULBRA. E-mail: thaysohenrique@gmail.com ² Professor, Mestre em Ciência da Computação e Professor dos Cursos de Sistemas de Informação e Ciência da Computação do CEULP/ULBRA
WORKSHOP DE ESTUDOS ACADÊMICOS (WEA)
RESUMO: Os profissionais fisioterapeutas utilizam técnicas como goniometria e fleximetria na
captura de ângulos corporais de Amplitude de Movimento (ADM) em avaliações e tratamentos fisioterapêuticos. Porém, para a aplicação dessas técnicas é necessário ter habilidade para manusear a ferramenta, tal habilidade que pode variar de acordo com a experiência e conhecimento do profissional, e assim, consequentemente apresentar uma variabilidade tanto inter-avaliador como intra-avaliador nos valores capturados durante o processo de avaliação. Diante de tal situação, o presente projeto trata a respeito do desenvolvimento de uma ferramenta que utiliza o sensor Microsoft Kinect for Windows juntamente com o Kinect for Windows SDK na realização da captura dos ângulos corporais de ADM, com o objetivo de diminuir ou eliminar o fator humano nos valores capturados durante o processo de obtenção dos ângulos corporais.
PALAVRAS-CHAVES: Amplitude de Movimento, Sensor Microsoft kinect, Ferramenta Fisioterapêutica.
INTRODUÇÃO: A tecnologia vem a cada dia ocupando um espaço maior na realização de
atividades e facilitando na execução de diferentes tarefas, que vão desde um simples cálculo matemático até a realização de cirurgias complexas. Isto é verificado pelas sucessivas pesquisas e ferramentas que surgem a cada dia, nas quais acabam permitindo ampliar ainda mais as suas áreas de atuação. A saúde é uma das áreas que tem procurado informatizar suas atividades, fazendo com que a tecnologia tenha um papel importante na realização de diagnósticos, cirurgias, entre outros. Porém, ainda existem muitas atividades que são desenvolvidas de forma manual e/ou por meio de ferramentas manuais. Um exemplo disto consiste no trabalho do fisioterapeuta na obtenção das medidas antropométricas, de movimentos articulares, entre outras que são usadas como referência na avaliação e tratamento de pacientes. Os fisioterapeutas capturam os ângulos corporais através de técnicas como a goniometria e fleximetria, nas quais utilizam ferramentas como o flexímetro e o goniômetro, aparelhos antigos que necessitam de uma habilidade na forma de manipula-los. Silva et al. (2011) afirma que técnicas como a goniometria e fleximetria apresentam uma baixa confiabilidade ao serem utilizadas na reavaliação de medidas. No entanto, como dito anteriormente, a tecnologia pode e deve ser utilizada para facilitar o trabalho dos profissionais envolvidos em determinadas tarefas. Por exemplo, o Kinect, por ser um sensor que utiliza técnicas da visão computacional para a captura de imagens, identificação de objetos, rastreamento e mapeamento de pontos do corpo humano, se torna um possível método de captura de ângulos corporais. A sua utilização permitiria obter a Amplitude de Movimento (ADM) de pacientes em seções fisioterapêuticas. Este projeto tem por
objetivo propor e desenvolver uma ferramenta que utilize o sensor Microsoft Kinect for
Windows na realização da captura dos ângulos corporais de ADM, encontrados nas articulações dos ombros e do quadril, realizados em movimentos ativos e encontrados em um plano coronal de visão anterior. Esta tarefa de captura da ADM se torna possíveis através da utilização de cálculos e técnicas matemáticas aplicadas sobre os pontos das articulações, nos quais são formados pelo rastreamento e mapeamento do esqueleto realizado pelo software de desenvolvimento Kinect for Windows SDK.
MATERIAL E MÉTODOS: O presente trabalho está sendo basicamente desenvolvido no
Laboratório de Multimídia (Labmídia) em conjunto com o Laboratório de Tecnologia em Saúde (LTS), ambos localizados no Complexo de Informática do Centro Universitário Luterano de Palmas (CEULP/ULBRA), estando vinculado ao grupo de Pesquisa Tecnologia, Saúde e Qualidade de Vida, no qual realiza pesquisas com a inclusão do Sensor Microsoft Kinect no auxílio de tarefas fisioterapêuticas. Primeiramente foi adquirido um sensor Microsoft Kinect for
Windows e realizado a instalação das ferramentas utilizadas no processo de desenvolvimento, sendo estas: a IDE Visual Studio 2013 para desenvolvimento de aplicações com interface
Windows Presentation Foundation WPF, com utilização da linguagem C# (c-sharp); SQL SERVER 2012 para o processo de desenvolvimento do banco de dados, que será utilizado para o armazenamento dos dados; o Kinect for Windows SDK na versão 1.8 e do Microsoft Kinect
Toolkit 1.8 para realizar a comunicação entre o sensor e a aplicação. Este trabalho possui uma
metodologia fundamentada em conhecimentos bibliográficos e apresenta a seguinte arquitetura, demostrada pela Figura 1.
Figura 1 - Arquitetura da Ferramenta.
O funcionamento da Ferramenta seguirá os seguintes passos: (1) O fisioterapeuta informará à aplicação o movimento a ser realizado; (2) a aplicação irá monitorar o movimento realizado
pelo manequim, nessa etapa é utilizado tanto o sensor Kinect para captura de informações do ambiente como o uso do SDK para mapear o esqueleto; (3) o manequim executará cada movimento três vezes, capturando a ADM em cada um deles; (4) a aplicação retorna os dados do esqueleto referente aos segmentos e as articulações que fazer parte do movimento; (5) e realizado a avaliação da ADM através de algoritmos, nessa avaliação o algoritmo realiza todo o processo descrito na seção de Método de Avaliação da Amplitude; (6) ao fim o resultado é apresentado à tela do fisioterapeuta, informando à ADM dos três movimentos realizados e uma média das três mensurações. O processo de testes e validação da ferramenta será realizado em um modelo similar ao corpo humano (manequim) e contará com o auxílio de um profissional fisioterapeuta, no qual realizará a mensuração dos ângulos de ADM do manequim por meio da goniometria, os valores obtidos serão comparados com os valores obtidos através ferramenta. Para a realização dos testes comparativos os movimentos serão realizados pelo manequim por meio de uma força de tração aplicada sobre uma corda amarrada ao seguimento avaliado, esta corda será puxada até uma distância já predefinida, assim como pode ser apresentada abaixo.
Figura 2 - Teste com o manequim.
RESULTADOS E DISCUSSÃO: Durante o processo de desenvolvimento da ferramenta foi
criada uma classe Manager, contendo atualmente quatro classes, sendo estas: a classe KinectMath na qual contém métodos matemáticos a serem utilizados pela aplicação, tais métodos permitem uma obtenção dos resultados dos cálculos da equação geral da reta, o ponto de intersecção entre retas, distância entre dois pontos e aplicação da lei dos Cossenos, nos quais serão responsáveis por obter o ângulo das articulações como proposto na metodologia; SensorKinect uma classe responsável por inicializar o sensor e criar um seletor para gerenciar possíveis exceções durante a utilização de funcionalidades do Kinect; Extensao responsável por obter as informações do esqueleto do paciente, capturadas pelo sensor Kinect; EsqueletoUsuarioAuxiliar na qual desenha uma esqueleto por meio dos pontos mapeados, apresentando uma referência visual do esqueleto do paciente; MainWindow a classe principal do formato XAML, responsável pela inicialização além de conter os códigos da interface apresentada pela Figura 3, e por realizar as chamadas dos demais métodos e classes.
Figura 3 - Interface utilizada no processo de avaliação da Amplitude de Movimento.
A Figura 3 apresenta a interface utilizada pelo fisioterapeuta durante o processo de avaliação, sendo esta, dividida em grupos nas quais contém: no grupo Dados informações do Paciente, onde é apresentado o nome do paciente que estará sendo avaliado, assim como a data da avaliação contendo o dia, mês e ano da avaliação; no grupo Funções há quatro opções de articulações para avaliação, onde deverá ser marcada a articulação que será avaliada, dando as opções de ombro direito, ombro esquerdo, quadril direito, quadril esquerdo; no grupo Resultados possui os três resultados dos movimentos e uma média dos valores obtidos, assim como é feito na goniometria e em outros métodos tradicionais de captura da Amplitude de Movimento, o paciente repetirá movimento três vezes e retornará a média dos movimentos; logo abaixo são apresentados dois botões, sendo estes responsáveis por iniciar e parar o processo de avaliação do movimento; no grupo Ângulo apresenta em tempo real o ângulo atual da articulação durante a realização de um movimento; ao lado há mais dois botões usados para salvar ou cancelar o resultado da avaliação no banco de dados; no grupo Alinhamento do Sensor é apresentado um Slider que permite uma movimentação para cima e para baixo da base do sensor para que possa centralizar o paciente para o processo de avaliação, e assim, realizar o mapeamento do mesmo; à direita é apresentado a imagem capturada pelo sensor Kinect, onde exibe o esqueleto do paciente. Durante o desenvolvimento da ferramenta estão sendo realizados testes informais, que permitem identificar pequenas falhas e apontam a necessidade da codificação de validações e exceções na aplicação.
CONCLUSÕES: A ferramenta a ser desenvolvida poderá trazer vários benefícios tanto para os
profissionais fisioterapeutas como para os pacientes, por permitir uma avaliação menos duradoura e cansativa que os métodos tradicionais de obtenção da Amplitude de Movimento, além de eliminar a variabilidade intra-avaliador e inter-avaliador devido a automatização do processo de obtenção dos resultados, assim permitindo que um paciente prossiga com o seu tratamento mesmo se houver a necessidade de mudança de fisioterapeuta, desde que ambos utilizem o sensor Kinect e a ferramenta desenvolvida como método de obtenção dos ângulos de ADM.
