
Universidade Federal de Santa catarina (UFSC)
Programa de Pós-graduação em Engenharia, Gestão e Mídia do Conhecimento (PPGEGC)
Detalhes do Documento Analisado
Centro: Não Informado
Departamento: Não Informado
Dimensão Institucional: Pós-Graduação
Dimensão ODS: Econômica
Tipo do Documento: Dissertação
Título: UNIVERSIDADE FEDERAL DE SANTA CATARINA CENTRO DE CIÊNCIAS, TECNOLOGIAS E SAÚDE
Orientador
- CRISTIAN CECHINEL
Aluno
- LUCIANA REGINA BENCKE
Conteúdo
Uma cidade inteligente pode ser definida como uma cidade de alta tecnologia com vários recursos para resolver ou mitigar problemas normalmente gerados pela rápida urbanização. diferentes modelos de indicadores foram desenvolvidos para acompanhar a evolução das cidades na busca por tornarem-se cidades inteligentes. um exemplo é o padrão 37120 da organização internacional para padronização (iso), que propõe um conjunto de dimensões e indicadores para serviços e qualidade de vida para cidades e comunidades sustentáveis. tem sido comum encontrar nas redes sociais perfis oficiais de organizações e entidades governamentais relacionadas aos serviços que elas fornecem ou pelos quais são responsáveis (água, resíduos, transporte, eventos culturais, etc.). os cidadãos interagem com estes perfis diretamente para comunicar problemas sobre os serviços da cidade. o presente trabalho objetiva aplicar algoritmos de aprendizado de máquina sobre os dados urbanos gerados pelas redes sociais, a fim de criar classificadores para categorizar automaticamente as mensagens dos cidadãos de acordo com as diferentes dimensões dos serviços das cidades. para tanto, dois conjuntos distintos de textos em português foram coletados de duas redes sociais: twitter (1.950 tweets) e colab (65.066 postagens). os textos foram mapeados de acordo com as diferentes categorias iso 37120, pré-processados e minerados por meio de 11 algoritmos implementados na scikit-learn. os primeiros resultados indicaram a viabilidade da proposta, com os modelos alcançando médias em torno de 59% para a f1-macro e 75% para a f1-micro ao usar linear support vector classification (lsvc) e complement naive bayes (cnb). no entanto, como os conjuntos de dados estavam altamente desbalanceados, os desempenhos dos modelos variam significativamente para cada categoria iso, com os melhores resultados de f1-score ocorrendo para transporte (87%), energia (83%) e águas residuais (74%). os classificadores gerados neste trabalho podem ser integrados à diversos serviços e sistemas da cidade, tais como: sistemas de suporte à decisão governamental, sistemas de reclamações para cidadãos, painéis comunitários, centrais de polícia, empresas de transporte, produtores culturais, agências ambientais e empresas de reciclagem.
Índice de Shannon: 1.98571
Índice de Gini: 0.492216
ODS 1 | ODS 2 | ODS 3 | ODS 4 | ODS 5 | ODS 6 | ODS 7 | ODS 8 | ODS 9 | ODS 10 | ODS 11 | ODS 12 | ODS 13 | ODS 14 | ODS 15 | ODS 16 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
1,84% | 1,30% | 1,40% | 2,29% | 1,59% | 2,91% | 2,07% | 1,71% | 3,08% | 1,78% | 70,81% | 3,43% | 1,16% | 1,21% | 1,16% | 2,25% |
ODS Predominates


1,84%

1,30%

1,40%

2,29%

1,59%

2,91%

2,07%

1,71%

3,08%

1,78%

70,81%

3,43%

1,16%

1,21%

1,16%

2,25%